Kurva BB/100 som funktion av antal händer.

[brut]

Hej!

Finns de några som har en uppfattning av hur den här kurvan skulle se ut(NLT). Eller kanske räknar på det?

På y axeln har vi BB/100(även -) och på x-axeln antal händer.

Kurvan eller helst 2 st som jag vill ha är den linje som definerar att man med en viss sannolikhets grad tex 99,5 % är vinnande eller förlorande.

 

Båda kurvorna kommer att vara ickelinjära och konvergera mot BB/100=0 förståss.

Ligger man ovan kurvan så är det alltså>99,5 chans att man är vinnande.

Ligger man under den nedre så är det >99,5% chans att man är förlorande. Ligger man mellan så vet man inte(men har förståss en stark indikator).

Självklart finns det många bias här men det skulle ändå vara av värde. Jag har en ide om hur kurvorna ser ut. Tyvärr kan jag inte visa(för dålig på dator).

[Nidson]

Formen på grafen blir väl som du säger i stil med f(x)=C^(D/x) där C och D är två konstanter. Sen måste man veta tex standardavvikelse för att kunna veta konstanternas värde. Denna graf konvergerar mot BB/100 = inf då x->0 också.

[brut]

Så känns det som om uttrycket ser ut. Om man vill göra det enkelt för sig så kan man göra en ren matematisk kurva ex slantsingligsliknande att man typ vinner 53% av gångerna i en slantsingling och att man får denna singlingschans 1/10. I så fall borde en matematisk skolad person ganska lätt kunna räkna ut modeller.

2a alternativet är väl någon form av modell byggd i huvudsak med empiriska data antar jag.

[Klyka]

Bump royale. Tråden länkades i en nyare tråd, så jag hittade denna.

 

Förslaget, i inlägget ovan, att modellera kurvan utifrån en binomialfördelning (slantsinglingar) är, om jag förstår förslaget rätt, inget vidare, då det är alltför olikt poker.

 

Snarare borde kurvan göras utifrån normalfördelningen, då pokerutfall över hyffsat stora samples närmar sig normalfördelningen. För detta behöver vi, som Nidson säger, en tredje axel för standardavvikelse, så det blir en tredimensionell graf.

 

Tyvärr räcker det inte med detta, utan vi behöver en a priori-distribution över hur sannolikt det är att en spelare från första början är vinnande. Det är ju exempelvis mer sannolikt att någon som spelat n antal händer +/-0 är förlorande än att han är vinnande. Detta pga a priori-distributionen, att vi vet att fler är förlorare än vinnare.