کازینو رمزنگاری
دنده تورنت
چگونه برای محاسبه احتمال freespins
Freespins معمولا با حذف شخصیت های پراکنده با توجه به قانون «3 + در هر نقطه» (گاهی اوقات «بر روی قرقره 2-4»، «2 + پراکنده + وحشی»، «پیشرفت شمارنده»، و غیره) راه اندازی شد. با دانستن فرکانس های پراکندگی توسط قرقره ها یا داشتن ثبت چرخش، می توانید احتمال یک ماشه را در یک پشت (q) تخمین بزنید و از آن زمان انتظار مورد انتظار (توزیع هندسی) را بدست آورید.
1) فرهنگ لغت سریع
(q) احتمال اجرای فریزپین در یک پشت است.
میانگین فاصله انتظار: (\mathbb {E} [T] = 1/q) چرخش.
فاصله متوسط: (\mathrm {Med} (T) =\left\lceil\dfrac {\ln 0. 5} {\ln (1-q) }\right\rceil) (تقریبا (0 {,} 693/q) در پایین (q)).
شانس منتظر نماندن برای (N) چرخش: ((1-q) ^ N).
شانس انتظار ≥1 بار برای (N) چرخش: (1- (1-q) ^ N).
2) شمارش دقیق با نوار درام (نوار شمارش)
اگر شما می دانید نوار (لیست شخصیت) و تعداد مراحل بر روی هر حلقه:1. برای هر حلقه (من)، شمارش
[
s_i=\frac{#\text{pozitsy بر روی حلقه} i} {#\text {total positions on} i} پراکنده شوید.
][
q =\sum _ {k = 3} ^ {5 }\\sum _ {\substack {A\subset {1.. 5}\ یک نفر = k} }\prod _ {i\in A} s_i\\prod _ {j\notin A} (1-s_j).
][
q =\sum _ {k = 3} ^ {5 }\binom {5} {k} ^ k (1-s) ^ {5-k}.
][
q =\prod _ {i = 2} ^ {4} s_i.
][
q =\sum _ {k = 3} ^ {5 }\sum _ {A }\prod _ {i\in A} (s_i+w_i )\prod _ {j\notin A} (1-s_j-w_j),]که در آن (A) زیر مجموعه ای از درامهای اندازه (k) هستند. (اغلب تقریب در سه درام اول کافی است اگر حیات وحش در 4-5 شمارش نیست.)
یک چرخش یک شخصیت ⇒ حداکثر 1 پراکنده در هر چرخش.
اگر درامز دارای طول/وزن متفاوت هستند - از فرد خود استفاده کنید (s_i).
برای «اسلات خط» موقعیت equiprobable هستند. برای وزن - تعداد نسبت وزن پراکنده.
3) Megaways و اسلات تعداد ردیف متغیر
در Megaways، تعداد موقعیت بر روی درام تغییر می کند. در نظر گرفتن مشروط با پیکربندی عملی است:1. برای هر حلقه (i)، احتمال پراکندگی در موقعیت: (p_i=\frac{#\text{scatter-taylov}}{#\text{vsekh کاشی}}) (معمولاً 1/انواع کاراکترها در صورت تعادل ؛ برخی از بازی ها وزن خود را دارند.)
2. با ارتفاع واقعی ( ، احتمال حداقل یک پراکندگی بر روی درام: ( ( ) = 1- (1) ^ {h _ i}).
3. مشروط (q (h_1,...,h_6)) - با توجه به فرمول از § 2، اما با (s_i (h_i)).
4. (q) نهایی میانگین (\mathbb {E} _ {h} [، q (h)،]) توزیع ارتفاع (بهتر از شبیه سازی) است.
4) هنگامی که هیچ جدول وجود دارد: تجربی توسط سیاهههای مربوط
اگر شما یک ورود به سیستم چرخش (نسخه ی نمایشی یا واقعی): امتیاز (\hat q):[
\ hat q =\frac {#\text {triggers}} {#\text {spins}}.
]فاصله اطمینان (رویداد نادر): استفاده از تخمین بیزی با جفریس قبل (\text {Beta} (0 {,} 5. 0 {,} 5)) یا فاصله ویلسون - آنها در نمونه های کوچک پایدارتر هستند.
چند چرخش نیاز دارید ؟ با (q\approach 1/200) (0. 5٪)، منطقی است که ده ها هزار چرخش را جمع آوری کنید، در غیر این صورت گسترش بزرگ است.
انتقال به «انتظار»: میانه/میانگین فاصله از § 1.
5) مکانیک «ترکیبی» و پیشرفت باعث می شود
شمارنده پیشرفت (به عنوان مثال، جمع آوری 3 قسمت): این یک طرح دوتایی منفی است. اگر شانس گرفتن «قسمت» برای چرخش (p)، پس شانس تکمیل برای (n) چرخش:[
\ mathbb {P} (T\le n) =\sum _ {k = 3} ^ {n }\binom {k-1} {2} p ^ 3 (1-p) ^ {k-3}.
]میانگین انتظار (\mathbb {E} [T] = 3/p)، میانه - با جمع/شبیه سازی.
چرخ/مسیرهای پیاده روی قبل از freespins: برای اولین بار یک فرصت برای ضربه چرخ، پس از آن یک شانس از بخش freespin. احتمال کل محصول مراحل (یا مجموع بیش از شاخه های درخت نتیجه) است.
6) مثال های محاسبه
الف) 5 حلقه، قانون 3 +، برابر با نوار، در هر (s = 0 {،} 12).
[
q =\binom {5} {3} s ^ 3 (1-s) ^ 2 +\binom {5} {4} s ^ 4 (1-s) + s ^ 5
][
=\10\cdot0 {,} 12 ^ 3\cdot0 {,} 88 ^ 2\+\5\cdot0 {,} 12 ^ 4\cdot0 {,} 88\+\0 {,} 12 ^ 5\تقریبا 0 {,} 0167.
]در انتظار برای: (\mathbb {E} [T ]\تقریبا 60) چرخش; میانه (\approach 0 {,} 693/0 {,} 0167\approach 41) چرخش.
شانس دیدن ≥1 ماشه در هر 100 چرخش: (1- (1-0 {,} 0167) ^ {100 }\نزدیک 80%).
ب) قرقره 2-4 تنها: (s_2=0{,}15,\ s_3=0{,}12,\ s_4=0{,}10).
[
q = s _ 2 s_3 s_4=0{,}0018\Rightarrow\mathbb {E} [T ]\approximate 556 ,\mathrm {Med }\approximate 385.
]ج) Megaways (به عنوان مثال مشروط): هر یک از 6 قرقره دریافت (h_i\in{2..7}) به همان اندازه احتمال دارد, (p_i=p=1/12).
سپس (s_i (h) = 1- (1-p) ^ h).
بعد - شمارش (q (h)) با توجه به § 2 (3 + از 6) و به طور متوسط بیش از همه (h) (مونت کارلو بهتر در تنظیمات 100k).
7) از احتمال تا عمل
برنامه جلسه دانستن میانگین/75 درصد از انتظار ماشه، برنامه ریزی طول جلسه و بانک برای چند چنین فواصل.
مقایسه اسلات. اسلات با همان RTP ممکن است متفاوت باشد (q): یکی فریسپین را بیشتر می کند، اما «ضعیف تر»، دیگر کمتر، اما «چاق تر». "هر دو (q) و چندک از برنده جایزه را ببینید.
ارتباطات در مقالات به خواننده یک «گذرنامه آزاد» بدهید: (q)، (\mathbb {E} [T])، میانه، صدک 75 و «فرصتی برای دیدن ≥1 برای (N) چرخش».
8) چه چیزی می تواند ارزیابی را تحریف کند
نسخه های مختلف RTP از همان بازی - (s_i) و (q) ممکن است متفاوت باشد.
بافر/ماموریتها/بازپرداخت نقدی تغییر نمیکند (q)، اما اقتصاد را تغییر میدهد - فرکانس را با ارزش اشتباه نگیرید.
نمونه های کوتاه برای نادر (q) → فواصل بزرگ عدم اطمینان ؛ استفاده از بیز/ویلسون و/یا شبیه سازی.
Megaways بدون یک مدل شرطی از ارتفاع - بهتر است بلافاصله مونت کارلو.
9) آماده «گذرنامه آزاد» (قالب)
قانون ماشه: 3 + پراکنده (1/5 قرقره; 2-4 ؛ یا 2 + پراکنده + وحشی)
امتیاز (q): ... (روش: نوار شمارش/تجربی/شبیه سازی)
فواصل انتظار: میانگین (1/q =...) چرخش ؛ متوسط... ؛ 75 درصد...
شانس ≥1 ماشه برای (N =...): ...%
نظر ریسک: فرکانس در مقابل قدرت پاداش ؛ «بیابان های» معمولی.
خط پایین: احتمال frispins می تواند «از بالا» (توسط نوار و قوانین) و یا «از زیر» (توسط سیاهههای مربوط/شبیه سازی) محاسبه می شود. کلید این است که به درستی قانون ماشه را رسمی کنید، ویژگی های مکانیک (طبل های محدود، جایگزین های وحشی، Megaways) را در نظر بگیرید و سپس (q) را به دستورالعمل های زمانی ترجمه کنید که بازیکن می فهمد: فاصله متوسط/متوسط و فرصتی برای دیدار با طول جلسه انتخاب شده.