基于R语言的棒球比赛Monte Carlo模拟胜率估算问题咨询

现有代码的问题 #

• 均值计算逻辑错误：你当前代码里xbar1和xbar2用两队场均得分和失分交叉相乘开根号的计算没有统计依据。要模拟A队比赛得分，均值应直接用A队自身的场均得分5.588，B队得分均值用自身场均得分5.390即可。
• 模拟分布适配性问题：棒球比赛得分是离散的非负整数，你用正态分布模拟会出现负数得分的不合理结果，如果追求更高准确性可以改用泊松分布（适合计数类数据）做模拟，当然如果是做近似估算，正态分布也可以用，但要注意截断负数的情况。
• 代码效率冗余：不需要用for循环逐个生成随机数，R里rnorm/rpois这类随机数生成函数可以直接生成指定长度的向量，另外循环内重复打印A、B对象是完全无用的操作，会大幅拖慢运行速度。
• 未覆盖平局场景：当前代码只计算了A赢和B赢的概率，二者相加不等于1，差值就是平局的概率，虽然连续正态分布下平局概率趋近于0，但如果改用离散分布模拟就需要单独处理平局的判定规则。

修正后的参考代码 #

正态分布近似版本 #

set.seed(1)
# 直接使用各自队伍的场均得分作为模拟均值
mean_a <- 5.588
mean_b <- 5.390
sd_a <- 3.001
sd_b <- 3.358
sim_num <- 10000

# 直接批量生成随机得分，替代循环
score_a <- rnorm(sim_num, mean_a, sd_a)
score_b <- rnorm(sim_num, mean_b, sd_b)

# 截断负数得分（得分不可能小于0）
score_a <- pmax(score_a, 0)
score_b <- pmax(score_b, 0)

# 计算概率
prob_a_win <- mean(score_a > score_b)
prob_b_win <- mean(score_a < score_b)
prob_draw <- mean(score_a == score_b)

# 输出结果
cat("A队获胜概率：", round(prob_a_win, 4), "\n")
cat("B队获胜概率：", round(prob_b_win, 4), "\n")
cat("平局概率：", round(prob_draw, 4), "\n")

泊松分布优化版本（更适配得分计数场景） #

set.seed(1)
sim_num <- 10000
# 泊松分布参数直接使用场均得分
score_a_pois <- rpois(sim_num, 5.588)
score_b_pois <- rpois(sim_num, 5.390)

prob_a_win_pois <- mean(score_a_pois > score_b_pois)
prob_b_win_pois <- mean(score_a_pois < score_b_pois)
prob_draw_pois <- mean(score_a_pois == score_b_pois)

cat("泊松模拟A队获胜概率：", round(prob_a_win_pois, 4), "\n")
cat("泊松模拟B队获胜概率：", round(prob_b_win_pois, 4), "\n")
cat("泊松模拟平局概率：", round(prob_draw_pois, 4), "\n")

内容的提问来源于stack exchange，提问作者Dihan