信頼区間とカイ二乗検定で学ぶ「設定推測の限界」｜サンプル不足を数学的に見抜く

1. 設定推測が外れる本当の理由

ホールでよくある光景がある。3,000G回してぶどうが1/5.8。「これは6だ」と判断して閉店まで粘り、結果は下皿が空になって終了。翌日データを見たら、その台の最終差枚はマイナス2,000枚だった——という話だ。

このとき多くの人は「引きが弱かった」「後半で沈んだ」と振り返る。だが本当の原因は別のところにある。3,000Gという回数では、そもそもぶどう1/5.8という数字が設定6の証拠になっていないからだ。同じ数字は設定1でも普通に出る。それを「普通に出る」と数字で言えるようにするのが、信頼区間とカイ二乗検定という道具になる。

設定推測は、目に見えている確率と、その裏にある本当の確率を区別する作業だ。手元のぶどう回数は「サンプル」であって「答え」ではない。サンプルは必ずブレる。そのブレ幅が設定差より大きいうちは、どれだけ真剣に数字を眺めても判断のしようがない。逆に言えば、ブレ幅を計算できれば「あと何ゲーム回せば判断材料になるか」が事前に分かる。これが本記事の目的になる。

従来の「確率だけ見る判別」との違い

ぶどう確率や合算だけを見る従来の判別と、統計的な判別は何が変わるのか。並べて比べると違いがはっきりする。

▼ この表の読み方: 黄色セルが統計的判別で新しく手に入るもの。特に「誤判定率を%で出せる」が最大の差になる。これがあると、粘るか移動するかを気分ではなく数字で決められる。

この記事で使うモデルケース

説明には具体的な数字が要る。そこで本記事では、以下の「説明用のモデル機」を通して使う。実在する特定機種のスペックではなく、Aタイプ系でよくある設定差の大きさを再現した仮の数値だと理解して読み進めたい。手持ちの機種に当てはめるときは、この表の数字を実際の解析値に差し替えれば同じ計算がそのまま通る。

▼ この表の読み方: 一番右の「相対差」が判別力を決める。相対差は「差÷設定1と6の平均確率」で計算している。ここが大きい要素ほど少ないサンプルで判断でき、小さい要素は何千ゲーム回しても役に立たない。

この表でまず見るべきは、ぶどうの相対差がわずか9.1%しかないという事実だ。ぶどうは出現頻度が高いので判別の主役に見えるが、設定1と設定6の差そのものは小さい。一方でREGは相対差40%と大きいが、出現頻度が1/300〜1/450と低い。判別力はこの「頻度」と「相対差」の掛け算で決まる。どちらか片方だけでは判断できない。

2. 確率のブレを数値化する

「ブレる」を数字にする道具が標準誤差だ。難しい言葉に見えるが、やることは平方根1回の計算になる。

標準誤差の計算

確率 p の小役を n ゲーム回したとき、手元で観測される確率のバラつき（標準誤差）は次の式で出る。

この0.00678が「1回の標準的なズレ幅」になる。統計では観測値がこのSEの±1.96倍の範囲に収まる確率が95%になるので、ブレ幅は 0.00678 × 1.96 ＝ ±0.0133 だ。確率に直すと 0.165 ± 0.0133、つまり1/6.59 〜 1/5.61 のどこかが本当の値という意味になる。3,000G回してこの幅だ。設定1（1/6.35）も設定6（1/5.80）も、しっかりこの中に入っている。

サンプル数別のブレ幅一覧

ぶどう確率が常にちょうど1/6.06（設定1と6の真ん中）を示し続けたと仮定して、G数ごとの95%信頼区間を並べる。設定推測がいつから機能し始めるかが一目で分かる。

▼ この表の読み方: 右2列が「○」になって初めて、その設定を統計的に否定できる。ど真ん中の数字が出続けた場合、10,000Gでようやく設定1と設定6の両方を切り捨てて「中間設定だ」と言えるようになる。1日打ってもそこには届かない。

500Gの行を見ると、95%信頼区間が1/7.55〜1/5.06まで広がっている。1/5.06は設定6を大きく超える数字であり、1/7.55は設定1を大きく下回る数字だ。つまり500G時点のぶどう確率には、実質的に情報がほとんど無い。「朝イチ500Gでぶどうが良い」は、統計的にはほぼノイズと言っていい。

√n の法則 — 精度を倍にするには4倍のサンプル

標準誤差の式には n の平方根が入っている。ここから重要な性質が出てくる。

上の表でも、1,000G（幅0.046）と4,000G相当（幅は約0.023）を比べると、ちょうど半分になっている。この「効率の悪さ」が設定推測の本質的な難しさになる。粘れば粘るほど精度が上がるが、上がり方はどんどん鈍くなる。だから「あと1時間回せばはっきりする」という期待は、たいてい裏切られる。

正規近似が使える条件

ここまでの計算は「二項分布を正規分布で近似できる」という前提に立っている。この前提はいつでも成り立つわけではない。

▼ この表の読み方: 「n×p」は期待出現回数のこと。これが5を下回るうちは正規近似の信頼区間が大きく歪む。レア役や設定示唆演出は該当しやすいので、後述のポアソン表を使うほうが安全になる。

3. 信頼区間の作り方

信頼区間とは「真の確率はこの範囲にあると考えて差し支えない」という区間のこと。作り方は3通りあり、サンプル数と出現頻度で使い分ける。

信頼水準とz値の対応

まず信頼区間の「95%」の部分を決める係数がz値だ。これは暗記してしまったほうが早い。

▼ この表の読み方: 信頼水準を上げるほどz値が大きくなり、区間の幅も広がる。「確実に言い切りたい」ほど何も言えなくなるというトレードオフになっている。実戦では90%で十分なことが多い。

方法1：Wald法（もっとも簡単）

観測した確率を中心に、標準誤差のz倍を左右に足し引きするだけの方法だ。

この結果は重要だ。5,000Gでぶどう1/5.79という良い数字が出ても、95%信頼区間には1/6.17が含まれている。設定1（1/6.35）は辛うじて外れたが、設定3〜4あたりの確率は完全に射程内にある。「設定6確定」には程遠い。

方法2：Wilson法（サンプルが少ないとき）

Wald法はサンプルが少ないときや確率が0か1に近いときに区間がずれる。そこで使うのがWilson法になる。式は長いが、電卓があれば十分手計算できる。

違いが出る典型例を比べる。1,000Gでスイカが12回（1/83.3）出たケースだ。

▼ この表の読み方: Wald法は下限を過剰に低く見積もっている。1/190と1/145では「設定1を否定できるか」の結論が変わりかねない。出現回数が20回を切る要素ではWilson法を使いたい。

方法3：ポアソン近似（レア役・演出）

1/500や1/1000クラスの要素は、出現回数そのものを使ってポアソン分布の正確な信頼区間を引くのが確実だ。以下は「k回観測されたときの、期待回数λの95%信頼区間」の早見表になる。表を引くだけで計算は不要になる。

▼ この表の読み方: 右端の「上限÷下限」が判別の効きを表す。3回しか観測できていないと真の値が14倍の幅を持つので、設定差2倍程度の要素では話にならない。最低でも10回、できれば20回以上ほしい。

使い方の例を示す。5,000G回して、設定示唆演出（モデル値で設定1が1/500、設定6が1/125）が20回発生したとする。期待回数は設定1なら5000÷500＝10回、設定6なら5000÷125＝40回だ。観測20回の信頼区間は表から12.22〜30.89。設定1の期待値10回は下限を下回るので否定でき、設定6の期待値40回も上限を上回るので否定できる。結論は「設定1でも6でもなく、中間設定の可能性が高い」になる。

4. アプリ活用と総評

ここまで読んで分かるとおり、統計的な設定判別には平方根と掛け算が大量に出てくる。これをホールの騒音の中で暗算するのは現実的ではない。実際のところ、ぶどうカウントとレバーオンを同時にやりながら信頼区間を引ける人はいない。

だからこの部分は道具に任せるのが正しい。自社で開発している設定判別アプリは、打ちながらボタンで小役を記録していくだけで、本記事で説明した「複数要素の合成」と「各設定の事後確率」を裏側で自動計算する。ジャグラーやハナハナのようにぶどうとREGが判別の軸になる機種では、カウントの取りこぼしが結論を大きく動かすので、手書きメモよりアプリのほうが精度面でも有利になる。「今の段階で設定6の確率が何%あるか」が画面に出れば、粘るか移動するかの判断が一気に楽になる。

公式アプリ・無料

超設定判別 Aメソッド

パチスロ全シリーズ対応。設定推測アプリ史上最大規模の機種データベース。

アプリを見る →

総評として、信頼区間とカイ二乗検定は「勝率を上げる魔法」ではない。むしろ逆で、これを使うと自分がいかに少ないサンプルで判断していたかを突きつけられる。だがその自覚こそが価値になる。判断できない場面で判断しない、という選択ができるようになるだけで、無駄な追加投入は確実に減る。

5. カイ二乗検定の手順

信頼区間が「範囲を出す」道具だとすれば、カイ二乗検定は「この設定だと考えて矛盾しないか」を白黒つける道具になる。計算は足し算と割り算だけで済むので、実は信頼区間より手軽だ。

検定の流れ

1. 否定したい設定を1つ決める（多くの場合は設定1）。これを帰無仮説と呼ぶ
2. その設定なら何回出るはずかを計算する。これが期待度数 E になる
3. 実際の観測回数 O との差を、χ² = Σ (O − E)² ÷ E で合計する
4. 自由度を決める（2つに分けた場合は1、6設定を比べる場合は5）
5. 臨界値表と比べる。χ²が臨界値を超えたら、その設定は否定される

カイ二乗分布の臨界値表

▼ この表の読み方: 計算したχ²がこの値を超えたら「その設定では説明がつかない」と判断する。小役1種を1つの設定と比べるだけなら自由度は常に1なので、3.841だけ覚えておけば実戦では足りる。

実例1：設定1を否定できるか

5,000G回して、ぶどうが863回出たとする（1/5.79）。モデル値の設定1（1/6.35）を否定できるか検定する。

▼ この表の読み方: 「非成立」の行を忘れないのがコツ。この行を入れないとχ²が7.258となり、5%水準では通っても1%水準を取り逃す。必ず2行の合計を取る。

χ² ＝ 8.615、自由度1。臨界値表を見ると1%水準の6.635を超えている（p値は約0.3%）。つまり「設定1でこの結果が出る確率は0.3%しかない」ので、設定1は否定してよい。

同じデータを設定6（1/5.80）と比べるとどうなるか。期待回数は5000÷5.80＝862.1回。観測863回との差はわずか0.9回で、χ² ＝ 0.0012 にしかならない。設定6とはまったく矛盾しない。ただしこれは「設定6だと確定した」ことを意味しない。設定4や設定5と比べても同じように矛盾しないからだ。検定ができるのは否定だけで、肯定はできない。この非対称性は必ず押さえておきたい。

実例2：2台のデータを比べる（2×2分割表）

「隣の台よりぶどうが良いから、こっちのほうが設定が高い」という判断は正しいのか。3,000Gずつ回った2台を比べてみる。

▼ この表の読み方: 期待回数は「2台とも同じ設定だった場合、合計990回のぶどうをG数で按分するとどうなるか」。A台は期待より25回多く、B台は25回少ない。この25回という差が偶然の範囲かを検定する。

サンプルサイズが中程度なので、イェーツの連続性補正（差の絶対値から0.5を引く補正）を入れて計算する。

▼ この表の読み方: どちらの計算でも臨界値3.841に届かない。つまり「A台のほうが設定が高い」とは統計的に言えない。

p値の意味と、よくある誤解

p値は検定結果とセットで出てくる数字だが、意味を取り違えると判断が逆になる。

▼ この表の読み方: 実戦で一番効くのは2行目と4行目。p値は「設定の確率」ではないという点だけは押さえておきたい。設定そのものの確率がほしいなら、後述のベイズ更新を使う。

参考として、z値とp値の対応も載せておく。カイ二乗値は自由度1のときz値の2乗になるので、この表からもp値を読める。

▼ この表の読み方: 「設定が上か下か」の片方だけを見るなら片側、「違うかどうか」だけを見るなら両側を使う。設定推測では片側検定のほうが自然な場面が多い。

6. 判別要素ごとの必要サンプル数

ここが本記事の核心になる。「何ゲーム回せば判断できるのか」を要素ごとに数字で出す。

必要サンプル数の公式

設定1と設定6を、誤判定率を指定して分けるために必要なゲーム数は次の式で出せる。

この公式の重要な点は、r が分母で2乗されていることだ。相対差が半分になると必要サンプルは4倍になる。設定差の小さい要素がどれほど無力かが式から直接読み取れる。なお相対差rが0.5を超える要素（設定差が1.5倍以上）では近似のズレが1割ほど出るので、余裕を持って見積もりたい。

要素別・必要ゲーム数の一覧

▼ この表の読み方: 上から判別効率が良い順に並べてある。設定示唆演出が桁違いに効率的で、合算が最悪という結果になる。1日フル稼働をおよそ8,000〜9,600Gとすると、ぶどう以外は単体では1日で判断不能だと分かる。

直感に反する結果がいくつかある。REGは相対差40%と大きいのに、必要G数はぶどうの3.6倍だ。理由は出現頻度で、1/300〜1/450では14,600G回しても40回前後しか観測できない。逆にぶどうは相対差9.1%と小さいが、1/6前後で出続けるので回数が稼げる。判別力は「相対差の2乗 × 出現頻度」でほぼ決まると覚えておけば間違いない。

なぜ合算だけでは判断できないのか

合算の約33,200Gという数字がどれほど非現実的かを確認する。ボーナス出現回数で見ると分かりやすい。

▼ この表の読み方: 「誤判定率」は、合算だけを見て設定1と6の真ん中で線を引いた場合に間違える確率。5,000Gでは3回に1回近く間違える計算になる。50,000Gは約6日分の全ツッパに相当し、実戦では到達しない。

ホールのデータカウンターで見える情報は、多くの場合ボーナス回数と差枚だけだ。その2つだけで設定を読もうとするのは、統計的には3割方外れる作業になる。データカウンターは「その台を打つべきか」の一次スクリーニングにはなるが、設定判断の証拠にはならない。

複数要素を合成すると何が起きるか

判別要素は独立していれば情報量を足し算できる。必要G数で言えば「逆数を足して、また逆数を取る」計算になる。

▼ この表の読み方: 要素を足すほど必要G数が減るが、減り方は頭打ちになる。5種全部使っても1,950Gまでしか下がらない。一方で設定示唆演出を1つ加えるだけで575Gまで落ちる。示唆演出の観測を怠らないことがいかに大きいかが分かる。

ここで小役をどれだけ真面目にカウントしても2,000Gが下限になるという事実が出てくる。「朝イチ1,000Gで見切る」は、小役判別の枠組みでは原理的に無理な要求になる。判断を早めたければ、示唆演出やランプ色といった相対差の大きい要素を拾うしかない。

設定1と設定2は見分けられない

公式を使うと、実戦では触れられない不都合な事実も計算できる。モデル値でぶどう設定1が1/6.35、設定2が1/6.30だとすると相対差はわずか0.79%になる。

▼ この表の読み方: 隣り合う設定の判別はまず無理だと割り切るのが正しい。実戦で意味があるのは「低設定群か高設定群か」の2分類までで、設定4か5か6かを当てにいく行為はほぼ無意味になる。

7. 誤判定率をゲーム数で管理する

実戦で知りたいのは「今の時点でどれくらい間違えているか」だ。時間軸に直して管理すると使いやすくなる。

実戦時間と誤判定率の対応

Aタイプのノーマル機を1時間あたり約800G消化するとして換算する。

▼ この表の読み方: 黄色の列が本記事で一番実用的な数字になる。小役5種をきちんとカウントしていれば、3時間で誤判定8%、6時間で2%まで落ちる。ぶどうだけだと同じ精度に倍以上の時間がかかる。

この表から実戦上の結論が2つ出る。1つ目は3時間（約2,400G）が移動判断の最低ラインだということ。それ以前の判断は5回に1回以上外れる。2つ目は6時間を超えると精度の伸びが鈍ること。2.3%から0.7%に下げるためだけに3時間追加するのは、時間の使い方としては効率が悪い。6時間で高設定の目が消えていれば、そこが実質的な結論になる。

誤判定の金額換算

誤判定率を%のまま眺めても実感が湧かない。収支に直してみる。

8. ベイズ更新で「設定の確率」として持つ

検定は「否定できるかどうか」しか答えてくれない。だが実戦で本当に知りたいのは「設定6である確率は何%か」だ。それを出すのがベイズ更新になる。理屈は難しくない。各設定について「その設定だとしたら今のデータが出る確率」を計算し、それを比率にして足して100%に揃えるだけだ。

同じぶどう確率でも、G数で結論が変わる

モデル機のぶどう確率を設定1から6まで 1/6.35、1/6.30、1/6.20、1/6.05、1/5.95、1/5.80 と仮定する。すべての設定が同じ確率で置かれている（各1/6）という前提から出発し、ぶどうがずっと1/5.79ペースで出続けた場合の事後確率を、G数別に計算した。

▼ この表の読み方: 3つの列はすべて「ぶどう1/5.79」という同じ数字だ。それでも設定6の確率は23.6%→48.4%→60.8%と大きく変わる。確率の数値だけを見て判断することがいかに危険かを、この表が直接示している。

注目すべきは1,000G時点だ。ぶどう1/5.79という、見た目には文句なしの数字が出ていても、設定6である確率は23.6%しかない。さらに設定1と設定2を合わせた確率が21.1%も残っている。「1/5.8ペースだから設定6」という判断は、この時点では4回に3回外れることになる。

もう1つ重要なのが、10,000G回しても設定6が60.8%止まりだという点だ。設定5との差が小さいため、ここから先はいくら回しても5と6を分けられない。ただし「設定4以上」という括りなら99.4%まで到達する。実戦で必要なのはこの括りのほうなので、目的に合った粒度で確率を見ることが大切になる。

カウント漏れが結論に与える影響

ベイズ更新は精密な分、入力データの誤りにも敏感になる。5,000Gでぶどうを10回取りこぼした（863回のはずが853回と記録した）場合を比べる。

▼ この表の読み方: 5,000Gでたった10回、率にして1.2%の取りこぼしで、設定6の確率が11ポイントも下がる。判別の精度はカウント精度で決まると言っていい。

事前確率をホール状況で調整する

上の計算は「6設定が均等に置かれている」という前提だった。現実のホールはそうではない。設定6の投入率が1%しかない店で「設定6の確率48%」と言われても、それは机上の数字になる。

▼ この表の読み方: 同じデータでも、店の設定状況次第で結論が10倍変わる。だからホール選びがデータ取りより先に来る。設定が入っていない店でどれだけ丁寧にカウントしても、事後確率は上がらない。

この表が示しているのは、統計的な判別技術より先に「設定を使う店を選ぶ」ことのほうが効くという構造だ。事前確率が低ければ、どんなに良いデータが出ても事後確率は伸びない。逆に事前確率が高い状況では、少ないサンプルでも十分な確度に届く。判別技術は事前確率を補強する道具であって、代替にはならない。

9. 実践手順

理屈を実戦の動作に落とし込む。ホール入店から移動判断までの流れを手順にまとめる。

1. 打つ前に判別要素を3〜5個に絞る：打ちながら追える数には限りがある。相対差の大きい順に選び、必要G数の一覧で「この組み合わせなら何Gで決着するか」を事前に把握しておく
2. 撤退ラインをG数と確率で先に決める：「2,400Gで高設定の事後確率30%未満なら移動」のように、数字で宣言してから座る。打ち始めてから基準を作ると必ず甘くなる
3. 1,000Gごとに区切って記録する：区間ごとの記録があると、集中が切れた区間を後から除外できる。通しの合計だけだと誤りの発見ができない
4. 示唆演出は発生した瞬間に記録する：相対差が大きい要素は情報量が桁違いに大きい。小役を数千ゲーム分カウントするより1回の示唆演出のほうが効くことがある
5. 判断は決めたG数でだけ行う：数百ゲームごとに見直すと、後述の早期打ち切り問題で誤判定率が膨らむ。見るタイミングを固定する
6. 移動を決めたら数字を根拠にして即実行する：「あと少しで持ち直すかも」は√nの法則に反する期待になる。精度の伸びは鈍っていく一方だ
7. 帰宅後に全データでカイ二乗検定をかける：当日の判断が正しかったかを検証する。この積み重ねが判断基準そのものの精度を上げる

10. よくある落とし穴

統計を使い始めた人が最初に踏む地雷を挙げる。どれも「知らないと必ずやる」類のものになる。

落とし穴1：要素を増やすほど偶然が混ざる（多重検定）

判別要素を10個持っていて、それぞれを5%水準で検定したとする。すべてが設定1相当だったとしても、どれか1つが偶然「高設定示唆」に見える確率は40%になる。

▼ この表の読み方: 真ん中の列が「全部低設定なのに何かが良く見える確率」。20要素も追えば、3回に2回は何かしら光る。右の列は補正後の判定基準で、要素数で割った値を使えば偶然を抑えられる。

落とし穴2：良くなるまで見続ける（早期打ち切り問題）

「有意になるまでデータを見続ける」と、5%水準のはずが実際には何倍もの確率で誤判定が出る。数百ゲームごとに確率をチェックする行為は、これに該当する。

▼ この表の読み方: 真ん中の列はポコック型の補正基準。確認回数が増えるほど、1回あたりの判定を厳しくしないと辻褄が合わない。対策はシンプルで、確認するG数を事前に決めて固定することになる。

落とし穴3：良い台だけ続ける（選択バイアス）

「調子が良い台だけ続行し、悪い台はすぐやめる」という立ち回りは合理的に見える。だがその結果として手元に残るデータは「たまたま序盤が良かった台」に偏る。このデータで検定をかけると、常に高設定寄りの結論が出る。

対処は2つある。1つは検定の対象を「続行を決めた時点より後のデータ」に限ること。もう1つは「その日打った全台のデータ」を記録して、選択の結果ごと評価すること。自分の判断精度を検証したいなら後者が必要になる。

落とし穴4：レア役に正規近似を使う

1/500や1/1000の要素に、標準誤差の式をそのまま当てる人は多い。前述のとおり、期待出現回数が5回を下回ると正規近似の信頼区間は大きく歪む。ポアソンの正確区間表を引くだけで済むので、レア役では必ずそちらを使いたい。

落とし穴5：期待値と確率を混同する

「設定6の確率が60%あるから打つべき」は、それだけでは判断にならない。設定6の確率が60%でも、残り40%が設定1なら期待収支は計算しないと分からない。

▼ この表の読み方: 設定6の機械割110%、設定1の機械割97%、残り5,000G（投入15,000枚）で計算している。設定6の確率が25%まで落ちると期待収支はほぼゼロになり、10%では明確にマイナスへ転じる。「確率何%で撤退か」はこの計算で決まる。

この表の分岐点が、前章の「やめどき」で示した30%というラインの根拠になる。確率だけを見ていると「まだ25%ある」と思えるが、期待収支に直せばほぼ無価値だと分かる。期待値の考え方そのものについては機械割と期待値計算の基礎理論で詳しく扱っている。

11. 立ち回りへの落とし込み

ここまでの計算を、実際の1日の動き方に翻訳する。

朝イチ〜午前

朝イチの数百ゲームには判別情報がほぼ無い。500G時点の信頼区間は1/7.55〜1/5.06まで広がっていて、設定1も設定6も否定できない。したがって午前中の仕事は「判断」ではなく「データ収集」に徹するのが正しい。ここで動くべきなのは、示唆演出や確定系の要素が出たときだけになる。相対差120%の要素は、1回の発生で小役数千ゲーム分の情報量を持つからだ。

午後（2,400G〜4,800G）

最初の判断ポイントがここになる。小役5種を合成していれば誤判定率は7.8%まで落ちている。高設定の事後確率が30%を切っていたら移動する。ここで移動しないと、次の判断材料が揃うまでにさらに2,000G以上必要になり、その間ずっと期待値マイナスの台を打ち続けることになる。移動の判断コストは、粘るコストより常に小さい。

夕方以降

4,800Gを超えると誤判定率は2%台に入り、結論はほぼ動かなくなる。この段階で高設定の目が残っているなら閉店まで打ち切る。逆に消えているなら、残り時間で新しい台を評価しても2,400Gに届かない可能性が高い。残り時間が3時間を切った段階での台移動は、統計的には判断材料を揃えられない賭けになる。動くなら早い時間に動くのが原則になる。

設定狙いと期待値狙いの使い分け

本記事の枠組みは設定狙いを前提にしている。天井やゾーンを狙う期待値狙いでは、そもそも設定を推測する必要が薄い。判別に必要なサンプルが揃わない短時間の立ち回りでは、期待値狙いのほうが分がいい。逆に朝から閉店まで確保できる日は、設定狙いのほうが期待値の上限が高い。自分が確保できる時間から逆算して、どちらの土俵で戦うかを先に決めたい。

ホール選びが最優先になる理由

前章の事前確率の表が示すとおり、設定6投入率1%の店では、5,000Gで完璧なデータを取っても設定6の事後確率は4.6%にしかならない。判別技術は事前確率を掛け算するだけで、ゼロには何を掛けてもゼロになる。統計の勉強より先に、設定を使っている店を見つけるほうが効く。この順序を間違えると、精密な計算で無価値な結論を出し続けることになる。

公式アプリ・無料

超設定判別 Aメソッド

パチスロ全シリーズ対応。設定推測アプリ史上最大規模の機種データベース。

アプリを見る →

12. よくある質問

Q. 設定判別は何ゲーム回せば信用できる？

小役5種を合成した場合、誤判定率10%に相当するのが約1,950G、5%なら約3,220Gになる。実戦の目安としては3時間（約2,400G）が移動判断の最低ライン、6時間（約4,800G）で誤判定率2.3%まで落ちる。ぶどう1種だけしか追っていない場合は、同じ精度に倍以上の時間がかかる。

Q. ぶどう確率だけで設定6を見抜ける？

単体では厳しい。ぶどうの設定1と設定6の相対差は約9.1%しかなく、誤判定率10%まで下げるのに約4,050G必要になる。1,000G時点でぶどう1/5.79という良い数字が出ていても、設定6である確率は23.6%にとどまり、設定1と2を合わせた確率が21.1%も残る。スイカ・REG・示唆演出と合成して初めて実用的な精度になる。

Q. カイ二乗検定の計算はホールでもできる？

自由度1のケースなら手計算で可能だ。観測回数と期待回数の差を2乗して期待回数で割り、成立側と非成立側の2つを足すだけになる。合計が3.841を超えたら5%水準でその設定は否定される。ただし6設定分の事後確率まで出すとなると計算量が増えるので、判別アプリに任せるほうが現実的になる。

Q. 合算だけで設定を判断してはいけないのはなぜ？

必要サンプルが桁違いに多いからだ。モデル値の合算1/160と1/135を誤判定10%で分けるには約33,200G、5%なら約54,700Gかかる。5,000G時点の誤判定率は約30%で、3回に1回は間違える計算になる。ホールのデータカウンターで見えるボーナス回数は台選びの入口にはなるが、設定の証拠としては弱い。

Q. 信頼区間とベイズ事後確率はどちらを使うべき？

目的で使い分けたい。「この設定はもう無い」と切り捨てたいときは信頼区間とカイ二乗検定、「設定6である確率は何%か」を知りたいときはベイズ事後確率になる。実戦の意思決定では後者のほうが直接使える。5,000Gでぶどう1/5.79なら設定4以上の確率が93.7%、といった形で撤退基準にそのまま接続できるからだ。ベイズの詳細はベイズ統計で設定判別の精度を上げるで解説している。

13. 関連ページ