t-Luck Algorithm

Ինչպես չափել բախտը

Բախտը ճշգրիտ չափելը, կամ ավելի շուտ փորձելը ՝ կանխատեսել ռուլետկաի շանսերը կարճաժամկետ հեռանկարում, մաքուր ուտոպիա է, սակայն պտույտների քանակի ավելացման հետ մեկտեղ, վիճակագրության շնորհիվ կանխատեսումները սկսում են ավելի ու ավելի մոտավոր դառնալ, ըստ էության ՝ այն բացերը, որոնք որոշել մեր բախտը կամ դժբախտությունը ռուլետկաում խաղադրույք կատարելու հնարավորության մեջ իրականում չափելի են:

Բացերը չափելու հնարավոր միջոցը is-ում արդեն նկարագրվածն է այս գրառումը, երբ ես պատմում եմ ձեզ հայտնի Marigny գործակցի մասին:

Այնուամենայնիվ, Marigny գործակիցը սահմաններ ունի, քանի որ այն հիմնված է միայն հակադրվող և հավասարակշռող շանսերի վրա, այսինքն ՝ առանց հաշվի առնելու զրոյի առկայությունը, ինչը, ցավոք, գնահատման լուրջ սխալ է:

Փաստորեն, եթե մենք դիտարկենք, օրինակ, ռուլետկա վրա 40.000 պտույտ, ըստ Marigny- ի, մենք կունենանք, որ մեր առավելագույն հաջողությունը (հավասար է խաղարկված պտույտների քառակուսի արմատի 5-ապատիկի չափին) կլինի 1.000 միավոր շահած, բայց ափսոս, որ 40.000-ում պտույտներ մենք նույնպես բախվել ենք 1.081 անգամ զրոյի, այնպես որ ինչպես տեսնում եք ռուլետկա խաղադրույքների դեպքում Կարմիր կամ Սև գույնի վրա հավասար զանգվածով (տափակ խաղադրույք), հասել է 38.000 / 40.000 պտույտի, զրոյի պատճառով մաթեմատիկորեն անհնար է շահել նույնիսկ մեկ միավոր:

Այս սահմանը, սակայն, շատ ավելի մեծ է, եթե հաշվի առնենք խաղադրույքները մեկ համարի վրա, այս դեպքում, փաստորեն, միշտ նպատակ ունենալով հավասարաչափ (հարթ խաղադրույք) մենք կարող ենք գոյատևել նույնիսկ ավելի քան 200.000 պտույտ:

Նախորդ պատկերի մոդելավորումը ստացվել է software ծրագրային բոտի միջոցով Roulette Bias Sniper, ինչպես տեսնում եք, 215.000 պտույտով խաղադրույք կատարելուց հետո, դեռ կան 2 թվեր, որոնք խաղացողին կհաղթեին մոտ 30 միայնակ հաղթող համարների համարժեք, ուստի ավելի քան 1.000 միավոր: Բայց սա մի թեմա է, որը մենք ավելի խորը կքննարկենք մեկ այլ գրառման մեջ:

Բացերը չափելու մեկ այլ մեթոդ, բայց շատ ավելի ճշգրիտ, քան նախորդը, ►-ն է Ուսանողի t- բաշխում, որը ես անմիջապես կպատկերացնեմ ձեզ:

Այս մեթոդի առաջին հիմնասյունը բացերի չափման միավորն է, որը կոչվում է ստանդարտ շեղում (քմ):

Ստանդարտ շեղումը հավասար է իրադարձությունների ընդհանուր թվի (n) արդյունքի քառակուսի արմատին `բարենպաստ հավանականությունների (p) և հակառակ հավանականությունների (q) բազմապատիկի վրա:

քմ = RADQ (n * p * q)

օրինակ, եթե մենք հաշվի առնենք մեր ունեցած ռուլետկա 1.369 պտույտը

քմ = RADQ (1.369 * 1/37 * 36/37) = 6:

Երկրորդ սյունը ուսանող è միջին իրադարձության (մ), որը հավասար է իրադարձությունների քանակի (n) արտադրյալին և բարենպաստ հավանականությանը:

m = n * էջ

կրկին վերը նշված 1.369 պտույտի հետ կապված, եթե մենք համարում ենք մեկ թիվ, ապա մենք ունենք.

մ = 1.369 * 1/37 = 37

Այս երկու արժեքները ՝ միջին (մ) և միջին քառակուսի շեղում (քմ), ունեն բացարձակ վիճակագրական արժեք, քանի որ թույլ են տալիս ցանկացած բացը կրճատել նույն չափման միավորի ՝ անկախ այն դեպքից, որում դա տեղի է ունենում:

Այս կարևոր կրճատումը հասնում է հենց դրանով ուսանող, որը շեղման (հասկացվում է որպես բարենպաստ իրադարձությունների U- ի և միջինի տարբերություն) և միջին քառակուսի շեղման հարաբերակցությունը:

Ուստի մենք ունենք դա.

t = (U - մ) / քառ

Կրկին ռուլետկա գնդակի վարկածային 1.369 նետման հետ կապված, եթե, օրինակ, 13 թիվը տասնինը անգամ է գալիս, մենք ունենք այդ

t = (19 - 37) / 6 = - 3

+ Կամ - նշանը ցույց է տալիս գերհաճախականություն կամ հիպոֆեկտիվություն:

Գործակիցը ուսանող այդ պատճառով այն շատ օգտակար է, քանի որ կան վիճակագրական աղյուսակներ, որոնք նույնպես կարելի է գտնել ցանցում, որոնք նշում են ճիշտ որոշակի արժեքների գերազանցման հավանականության տոկոսը t.

Սովորաբար ենթադրվում է, որ առավելագույն սահման որ ուսանող հավասար է 4, դա այն վիճակագրական սահմանն է, որի համար համաձայն է, որ այն գերազանցելու հավանականությունը գործնականում զրոյական է:

Շարունակելուց առաջ հիշեք այդ մասին ThatsLuck Դուք կարող եք նաև անվճար բովանդակություն գտնել, եթե ցանկանում եք թարմացված մնալ հրատարակությունների վերաբերյալ, բաժանորդագրվեք ալիքի ալիքինYouTube.


Marigny- ի 2 սխալները

Պարզաբանեց, թե ինչն է ուսանող և թե ինչպես է դա հաշվարկվում, ես միանգամից ասում եմ ձեզ, որ չափման այս մեթոդը վճռականորեն ավելի նպատակահարմար է, քան Marigny գործակիցը, քանի որ դրա արտադրած արդյունքների մեջ հաշվի է առնվում նաև հարկը (զրո):

Marigny- ի մեծ սխալն այն էր, որ կարծում էր, որ երբ շանսը հասավ 3 կամ ավելի բարձր տարբերության, այն անպայման պետք է վերադառնա, ուստի նա առաջարկեց նպատակ ունենալ բացը անհապաղ վերադարձնել:

Marigny- ի առաջին սխալը զրոյը հաշվի չառնելն էր, քանի որ եթե միանգամայն ճիշտ է, որ այդ բացը պետք է վերադարձվի, հավասարապես ճիշտ է, որ ոչ ոք չի կարող apriori հաստատել, թե քանի հարվածների վրա պետք է տեղի ունենա այդ բացը:

Եթե ​​հնարավորությունը հասնում է, օրինակ, բացը 4-ին (Marigny- ի շատ բարձր գործակիցը, քանի որ առավելագույնը 5-ն է), ո՞վ կարող է մեզ հավաստիացնել, որ կարմիրի և սևի միջև փոփոխության մի փուլ, որը կարող է տևել նույնիսկ հարյուրավոր պտույտներ, չի կարող սկսվել:

Վատ չէ, ինչ-որ մեկը կմտածի, որ փոփոխության փուլերում դու չես հաղթում, բայց ոչ էլ պարտվում ես ... բայց ոչ, որովհետև ամեն դեպքում զրոն դուրս կգա ըստ նրա սպասման ՝ նախապես քայքայելով այն բոլոր առավելությունները, որոնց կարող էինք հասնել: երբ բացը իսկապես վերադառնում է դեպի բնական հավասարակշռություն:

Marigny- ի երկրորդ և ամենալուրջ սխալը. Մի քանի օրվա ընթացքում հավաքված պտույտները և տարբեր ռուլետկա-ից համարել որպես մեկ կայունություն (հայտնի է նաև որպես «անձնական կայունություն»):

Ես էմպիրիկորեն փորձարկեցի այս հետաքրքրաշարժ գաղափարը և մի քանի միլիոն սիմուլյացիոն պտույտներից հետո եկա այս եզրակացության. Կոնկրետ վիճակագրական հուսալիության համար ռուլետկաի բացերը պետք է չափվեն բացառապես մի շարք պտույտներով, որոնք կարող են օգտակար լինել դրանք արտադրող նույն գեներատորի համար: մեկնարկների անխափան շարքում.

Այլ կերպ ասած, եթե մենք ուզում ենք, որ 1.000 պտույտի վերաբերյալ վերլուծությունը լինի հուսալի, մենք պետք է անընդմեջ գրանցենք 1.000 պտույտ նույն ռուլետկաում, և ոչ թե, օրինակ, 10 տրանշ ՝ 100 պտույտից, որոնք վերցված են տարբեր օրերի և տարբեր ռուլետկաներից:

Միշտ հիշեք այս հայեցակարգը ապագայում, քանի որ այն շատ կարևոր է և ակնհայտորեն չի կիրառվում, երբ մենք փնտրում ենք ռուլետկաի կողմնակալություն, քանի որ այս դեպքում բոլոր տվյալների հանրագումարը դեռ ցուցիչ կլինի, իրոք, դա կհաստատի առկայությունը թերություն, թե ոչ, բայց սա նույնպես թեմա է, որն արդեն լուսաբանվել է -ում այլ գրառում.


t-Luck ալգորիթմ (տեսություն)

Հիմա տեսնենք, թե որ վիճակագրական ենթադրությունների հիման վրա եմ հիմնել նոր ծրագրաշարը t-Luck ալգորիթմ.

Եկեք կրկին վերլուծենք վերևում նշված աղյուսակը.

Հաղորդված տվյալների հիման վրա, եթե, օրինակ, կարմիրը հասնում է արժեքի ուսանող 3,00-ի հավասար նշանակում է, որ հավանականությունը, որ այս արժեքը հասնի 3,50-ի, ընդամենը 0,02% է:

Իրականում, սակայն, դա այդպես չէ, որովհետև երևի այն հարցը, որ մենք իսկապես պետք է ինքներս մեզ տանք ՝ հետևյալն է. Մի անգամ հնարավորությունը հասնում է t = 3,00, քանի անգամ է այն հասնում t = 3,50: Ես դեռ չեմ կատարել այս ստուգումը, բայց դա երկար չի տևի և ես պատկերացնում եմ, որ վերևում նշված աղյուսակը պետք է այսպես ավելի ճիշտ կարդալ. 1.000 պտույտների անորոշ քանակի տրանշերի վրա կլինեն դրանք, որոնց արժեքը կկազմի t = 3,00: 0,13%, մինչդեռ 4-ից ավելի տրանշ չի լինի:

Այնուամենայնիվ, ցանկանալով հավաստի համարել այն ենթադրական վարկածը, որ տրանշը t = 2,50 կարող է գերազանցել t = 3,00 դեպքերի միայն 0,13% դեպքերում, ես ուզում էի սահմանել t-Luck ալգորիթմ որոշակի տրամաբանության վրա ՝ այն իմաստով, որ և՛ Մարինգի գործակիցը, և՛ ուսանող, երբ դրանք հասնում են ծայրահեղ արժեքների, նրանք իրականում ներկայացնում են տվյալ շանսի շատ ուժեղ միտում, որը, ինչպես տեսանք նախկինում, կարող էր վերադառնալ հետո, թե ով գիտի, թե քանի հարյուր պտույտ է կատարում, մինչ մենք շարունակում ենք վճարել հարկը վաճառասեղանին զրոյի հասցնել:

Որպեսզի հաստատեմ մինչ այժմ հաղորդվածը, ես առաջարկում եմ այս երկու գծապատկերները ՝ վկայակոչելով 1.000 պտույտներ, որոնք վերլուծվել են և՛ արժեքի հետ կապված: ուսանող (առաջին գծապատկեր) և Կարմիր շանսի բացի միտումը:

Ինչպես տեսնում եք, առաջին գրաֆիկը հաստատում է, որ t = արժեքի հասնելուն պես 2,5 - մոտ 200 պտույտից հետո (մենք, հետևաբար, կարմիրի հիպոֆեկտիվության առկայության մեջ ենք, այսինքն ՝ սևը շատ անգամներ է դուրս եկել) արժեքը ուսանող սկսում է բարձրանալ ՝ ցույց տալով, որ Կարմիր շանսը աստիճանաբար սկսում է հավասարակշռել իր հաճախականությունը հակառակ Սև հնարավորության հետ կապված:

Սակայն վերելքը հանկարծակի չէ, բայց մենք տեսնում ենք, որ մնացորդը (արժեքը) ուսանող զրոյին մոտ) գործնականում հասնում է 1.000 պտույտի, այնպես որ մենք խաղում ենք մոտ 800 պտույտ, որոնցում մենք վճարում ենք 800/37 = 22 զրոյի գեղեցկությունը և, ըստ էության, ինչպես տեսնում եք երկրորդ գծապատկերում զրոյի պատճառով սկսած խաղացողի հիպոթետիկ կանխիկ Խաղադրույք կատարելուց հետո 200 պտույտ կատարելուց հետո (երկրորդ գրաֆիկի կանխիկ / բացի արժեքը -45), 1.000 գործարկումները փակվում են մի քանի շահած կտորներով, քանի որ բացվածքի փակման արդյունքում առաջացող առավելության մեծ մասը սպառվել է զրոյով:

Ո՞րն էր այս դեպքում խաղացողի համար օպտիմալ ռազմավարությունը: Դա կլիներ, եթե սկսեինք խաղալ t = -2,5 (spin 204) մակարդակում և դադարեցնել, հենց որ ստացվեին մի քանի շահույթ (246 spin- ով) արժեքով ուսանող վեր բարձրացավ -2,00 և այդպիսով շահելով 3 միավոր շահույթ: Քիչ է թվում Քննարկվող խաղացողը կհաղթեր 3 կտոր 42 վազքի ժամանակ, կամ Roi- ի 7% -ը:

Այս ամենից բխում է մերը Առաջին կանոն: սկսել գրազ գալ միայն այն ժամանակ, երբ ուսանող հասնում է +/- 2,5 արժեքի և կանգ առնել հենց շահույթ ստանալը:


Միջին միտումներ

Երկրորդ սյունը t-Luck ալգորիթմ է փնտրել այս արժեքը ուսանող 2,5 ոչ թե այն շանսերի մեջ, որոնք վեր են ածվում ուժեղ բացի, ինչպես Կարմիրին վերաբերող վերևում բերված գծապատկերում, այլ հնարավորությունների փոխարեն, որոնք ավելի կայուն միտում են ներկայացնում, ավելի մեղմ, քան մյուսները, և այդ պատճառով ես վերանվանեցի Միջին միտումներ.

Բայց եթե այդ հնարավորությունները մեծ բաց չունեն, ինչպե՞ս են դրանք հասնում արժեքին ուսանող 2,5.  

Ահա մի օրինակ, թե ինչ նկատի ունեմ միանգամից ասելով Միջին միտումներ.

Վերևում նշված երկու գծապատկերները միշտ վերաբերում են Կարմիր շանսին, որն այս անգամ նմանեցված է 100 պտույտի:

Եթե ​​նայեք առաջին գրաֆիկին, կնկատեք, որ արժեքը ուսանող բավական է մնացել ստաբիլ, Մասնավորապես, +1-ից -1,5-ի սահմաններում գործնականում, առաջին գծապատկերում այս արժեքն ակնհայտորեն սկսվեց 0-ից, այնուհետև բարձրացավ +1-ի, այնուհետև ընկավ -1,5-ի և վերջապես վերադարձավ +1-ի:

Առայժմ ոչ մի տարօրինակ բան, բայց եթե մենք հաշվում ենք արժեքը ուսանող ըստ նվազագույն և առավելագույն արժեքներ հասած մենք կունենանք, որ +1-ից (առավելագույն) այն ընկավ -1,5 (րոպե), ուստի կար մեկը շեղում + 1 / -1,5 կամ 2,5 միավոր նվազագույն և առավելագույն արժեքի միջև:

Այստեղ մենք գտել ենք մեր ելակետային 2,5 արժեքը, և հետևաբար, երբ գծապատկերի 20 պտույտի շուրջ ստեղծվել է 2,5 բացը, և մենք սկսում ենք կենտրոնանալ Կարմիրի վրա (քանի որ -1,5-ի սահմաններում մենք գտնվում ենք հիպոհաճախականության իրավիճակում) ահա թե ինչ է ճակատագիրը ( և վիճակագրությունը) պարգևատրում է մեզ ՝ իրականում խաղալով մինչև ուսանող = +1 մենք շահած կլինեինք 15 միավոր 80-ից պակաս վազքի ժամանակ:

Ակնհայտորեն, հիմնվելով վերը նշված 1-ին կանոնի վրա, մենք կդադարեինք առաջին շահույթից հետո, սակայն այս օրինակով ես հուսով եմ, որ կհստակեցնեի Middle Trend հասկացությունը և այն ուսանող դա հիմք ընդունելով հանդիպած նվազագույն և առավելագույն արժեքների միջև ընկած բացը:


t-Luck ալգորիթմ (ծրագրակազմ)

Մինչ այժմ բոլորը պարզ են: Լավ, մի անհանգստացեք, ծրագրակազմը կկատարի այս բոլոր հաշվարկները t-Luck ալգորիթմ, խաղացողը պետք է մուտքագրի համարները միայն դուրս գալուն պես և հնարավոր է խաղադրույք կատարի բացառապես նույնիսկ զանգվածի համար (տափակ խաղադրույք), երբ այն ազդանշանում է Softwareրագրակազմը:

Ակտիվացնելուց հետո  t-Luck ալգորիթմ այն ծածկագրով, որը դուք արդեն գիտեք, թե ինչպես գտնել, պարզապես բացեք խաղային աղյուսակ և սկսեք մուտքագրել արդեն թողարկված համարները, դա անելու համար պարզապես կտտացրեք 0-ից 36 համարի կենտրոնական սյունակի կոճակներից մեկի վրա:

Երբ մի կտտ կտտացնում եք, այն նաև հայտնվում է ներքևի ձախ մասում (Վերջին) ՝ որպես մեր հիշեցման հիշեցում:

Համարները գրանցելիս զգույշ եղեք, քանի որ եթե սխալ թիվ եք մուտքագրում, այն ուղղելու ոչ մի տարբերակ չկա, և ստիպված եք սեղմել պատկերանշանի վրա: ThatsLuck ներքևի աջ մասում, որը հիմնականում վերականգնում է նստաշրջանը, և ապա պետք է ամեն ինչ նորից սկսել:

Գործնականում այլևս անելիք չկա, երբ դիտելու հնարավորություններից մեկը, որը, ինչպես կտեսնեք, հետևյալն է.

EdԿարմիր / Սև

«Նույնիսկ / կենտ

Ow►ածր / Բարձր

► տասնյակ

Սյուններ

EstՍեստին

առաջացնում է ուսանողի t- արժեքի բացը 2,5-ի մեջ անմիջապես t-Luck ալգորիթմ ակտիվանում է նախազգուշացումը ՝ նշելով, թե որ շանսն է նպատակ դնել:

Ինչպես տեսնում եք վերևում նկարում, այս դեպքում ազդանշանային է, որ փորձ է արվում խաղադրույք կատարել առաջին վեցերորդի վրա (SES 1), որը, ինչպես տեսնում եք աջ կողմում գտնվող երկու սյունակներում (որոնք ներկայացնում են Հաճախականություն տարբեր հնարավորությունների տեսակավորմամբ), դա ոչ ամենահաճախակի սեստինան է (որը SES 2 է), և ոչ էլ պակաս հաճախակի մեկը (SES 3 և SES 6 երբևէ չեն թողարկվել):

Այն դեպքում, երբ 1-ից 6-ը թիվ դուրս գա, ուսանողի t արժեքը կիջնի 2,5-ից ցածր, իսկ հետո նախազգուշացումը կվերանա, հստակ մինչև լինի նախազգուշացում, որը չես գրազ դնում և պարզապես գրանցում ես հաղթող թվերը ՝ ըստ իրենց ժամանակագրական կարգի: ազատման:

Ակնհայտ է, որ պատահելու է նաև միաժամանակ ավելի շատ շանսեր խաղադրույք կատարել, և այս պարագայում կարող եք փորձել անգամ որոշիչ միավորներ ունենալ ավելի ցածր արժեքի ՝ խաղադրույքների շանսերի ընդհանուր թվերի վրա, ինչպես ես արեցի ստորև նկարում, որտեղ ես SES 1-ով հատեցի COL 2-ը և, հետևաբար, նաև խաղադրույք եմ կատարում 7 և 10-ի երկու ընդհանուր թվերի վրա:

Հուսով եմ ՝ ես մանրամասն վերլուծել եմ նախագիծը t-Luck ալգորիթմառաջարկություններս պարզ են. երբեք մի ավելացրու խաղադրույքդ և հաստատիր սկզբից քանի միավոր շահելու համար (Stopwin) կանգնեցնելուց առաջ, արժեք, որը ես խորհուրդ եմ տալիս սահմանել 10-ը, ապա իհարկե անել այնպես, ինչպես ցանկանում ես, որքան կարևոր է միշտ զվարճանք բանկի հաշվին: