কিছু ব্যবস্থা প্রস্তাব করা হয়েছে, দেখুন
প্রথম কাগজটি থেকে প্রাথমিক ধারণাটি অনুমান করা
skill = (potential learning effect) / (potential learning effect + potential random effect)
যা 0 এবং 1 এর মধ্যে সংখ্যা হিসাবে দক্ষতা দেয় হায় আফসোস, এই প্রভাবগুলি বিশ্লেষণাত্মকভাবে কেবল "সহজ" গেমগুলির জন্য গণনাযোগ্য। এক প্লেয়ার গেমের জন্য উপরের সমীকরণটি নেমে আসে
skill = (Gm - G0) / (Gu - G0)
যেখানে জি তিনটি খেলোয়াড়ের প্রত্যাশিত নেট লাভ
'0': একজন শিক্ষানবিস যিনি গেমটির নিয়মগুলি সুনির্দিষ্টভাবে আয়ত্ত করেছেন এমন কারও সরল উপায়ে গেমটি খেলেন।
'এম': একজন আসল গড় খেলোয়াড়, যাকে বিপুল সংখ্যক খেলোয়াড়ের প্রতিনিধিত্ব করার কথা ভাবা যেতে পারে।
'আপনি': একটি ভার্চুয়াল গড় প্লেয়ার যাকে আমরা আগেই বলেছি (যেমন তাকে সিদ্ধান্ত নেওয়ার আগে) সুযোগের উপাদানগুলির ফলাফল।
উদাহরণ হিসাবে তারা আমেরিকান রৌলেটের জন্য গণনা করে: গু = 35 এবং জিএম = -1/74, পরেরটি "সরল" খেলার সাথে সম্পর্কিত (যেমন রাউজ / নোয়ার, জুটি / দুর্বলতা)। জি0 এর মান আসলে এই বিতর্কের বিষয়, এমনকি এই গেমটির জন্য। যদি শিক্ষানবিশ একটি সাধারণ কৌশল অবলম্বন করে, তবে দক্ষতা 0 0 স্পষ্টতই। তবে জি0 যদি কোনও সাধারণ-কৌশল নয় (যেমন প্লিন, শেভাল, ক্যারে ), তবে জি 0 -1/37 (অর্থাত্ খারাপ গড় ক্ষতি) So সুতরাং পরবর্তী অনুমানের সাথে, শেখার সামান্য সম্ভাবনা রয়েছে, তাই দক্ষতা হ'ল 0,0004। আমার বলতে হবে যে আমি আমেরিকান রুলেটের জন্য ফরাসি পরিভাষা ব্যবহার করি; হায় আফসোস তারা আরও তথ্যের জন্য উদ্ধৃত করে ডাচ ভাষায়।
ব্ল্যাকজ্যাকের জন্য তারা এমন একটি কম্পিউটার সিমুলেশন থেকে প্রাপ্ত যা জিএম = 0.11, গু = 27, এবং "ডিলারের নকল করুন" কৌশলটির জন্য জি0 = -0.057 নেয় এবং সেখান থেকে 0.006 এর দক্ষতা অর্জন করে।
গেমগুলির জন্য যেখানে খেলোয়াড়রা সরাসরি প্রতিদ্বন্দ্বিতা করে এবং স্যান্ডব্যাগিং বা ব্লফিং ম্যাটারের মতো কৌশলগুলি (এইভাবে গেম থিওরিতে কেবলমাত্র মাল্টি প্লেয়ার গেমস নামে পরিচিত গেমস), দ্বিতীয় পত্রিকায় আরও বুদ্ধিমান পন্থা রয়েছে যাতে এটি খেলোয়াড়দের সম্ভাব্য পরিবর্তনের কৌশলটিকে উত্স হিসাবে বিবেচনা করে এলোমেলো। তারা উপরের মতো একই দক্ষতার সূত্র ব্যবহার করে (তারা তিন ধরণের খেলোয়াড়কে শিক্ষানবিশ, অনুকূল এবং কল্পিত খেলোয়াড় কল করে)। তাদের পদ্ধতির মধ্যে পার্থক্য হ'ল
সেরা খেলোয়াড় হিসাবে আমি খেলোয়াড়ের জন্য প্রত্যাশিত লাভগুলি অন্যান্য খেলোয়াড়দের জোটের বিরুদ্ধে সম্পর্কিত দ্বি-ব্যক্তির শূন্য-সমীকরণের খেলায় ন্যাশ ভারসাম্যহীনতায় তার প্রত্যাশিত লাভ দ্বারা দেওয়া হয়
এবং "কল্পিত" প্লেয়ারের জন্য তারা ধরেও নিয়েছে যে তিনি তার বিরোধীদের এলোমেলো প্রক্রিয়াটির পরিণতি জানেন।
হায় আফসোস এমন কোন উদাহরণ নেই যা আন্তঃসীমান্তর তবে এখানে বিস্তারিতভাবে সম্পর্কিত যথেষ্ট সহজ। এগুলি ড্রপোকারের একটি সহজ সংস্করণ 0.22 এর দক্ষতার জন্য গণনা করুন।
উভয় পত্রই জোর দিয়েছিল যে সঠিক দক্ষতার মান নির্ভরযোগ্যদের আচরণের সংজ্ঞা / অনুমানের উপর নির্ভর করে।
ব্যবহারিক আগ্রহের আরও জটিল গেমগুলির জন্য পরীক্ষামূলক পদ্ধতির প্রয়োজন
অন্যান্য খেলোয়াড়দের জন্য -15 শতাংশের তুলনায় এই খেলোয়াড়রা 30 শতাংশেরও বেশি বিনিয়োগের গড় আয় অর্জনের জন্য অত্যন্ত দক্ষ হিসাবে চিহ্নিত করেছিলেন prior রিটার্নের এই বড় ব্যবধানটি পোকার দক্ষতার একটি খেলা এই ধারণার সমর্থনের দৃ strong় প্রমাণ।