スマスロのかぐや様のモードの推測について

スマスロのかぐや様という機種があります。BIG連がメインの出し方になります。
通常時はチャンス目を引いてBIGorREGの当選をめざします。

機械割がもっとも低いのは

チャンスモードがAにいる

時です。
これを回避するためにモードを推測します

チャンス目の規定回数とは

モードによって回数が決められている。

ちょんぼりすた様より引用
チャンス目の規定回数を管理するモードが4種類存在。
モードが高いほどチャンス目の規定回数振り分けが優遇される。

モードの初期化について

設定変更後とBIG変更後がある

モード	リセット	BIG後
A	38%	62%
B	60%	35%
C	1%	2%
D	1%	1%

リセット恩恵は天井が800G＋αがメインなので モードに関してははあると嬉しいレベルになっている

モード移行について

CZ失敗時・REG終了時にモード移行をおこなう。

見ればわかるがモードC以上に移行すればBIGに当選するまでモードC以上となる。

モード推測について

CZ失敗やREGが発生するとモードがあがる仕様なので どれぐらいの確率でモードにいるのかを計算してみた。
BIGとリセット状態では微妙に違うので別々にしています

BIG後の推測について

	モードA	モードB	モードC	モードD
1回スルー	23.560%	57.150%	17.430%	1.860%
2回スルー	8.953%	46.711%	37.486%	6.850%
3回スルー	3.402%	31.997%	50.336%	14.265%
4回スルー	1.293%	20.280%	58.400%	20.028%
5回スルー	0.491%	12.335%	63.263%	23.911%
6回スルー	0.187%	7.326%	66.137%	26.350%
7回スルー	0.071%	4.288%	67.815%	27.827%
8回スルー	0.027%	2.487%	68.786%	28.701%
9回スルー	0.010%	1.434%	69.345%	29.212%
10回スルー	0.004%	0.823%	69.665%	29.508%
11回スルー	0.001%	0.472%	69.849%	29.678%
12回スルー	0.001%	0.270%	69.954%	29.776%

6スルーからは90%以上でCにいる。

リセット後の推測について

	モードA	モードB	モードC	モードD
1回スルー	14.440%	57.000%	27.010%	1.550%
2回スルー	5.487%	41.154%	43.614%	9.745%
3回スルー	2.085%	26.750%	54.306%	16.859%
4回スルー	0.792%	16.499%	60.828%	21.881%
5回スルー	0.301%	9.880%	64.711%	25.108%
6回スルー	0.114%	5.812%	66.987%	27.086%
7回スルー	0.043%	3.382%	68.308%	28.267%
8回スルー	0.017%	1.954%	69.070%	28.960%
9回スルー	0.006%	1.123%	69.508%	29.362%
10回スルー	0.002%	0.644%	69.759%	29.594%
11回スルー	0.001%	0.369%	69.903%	29.728%
12回スルー	0.000%	0.211%	69.985%	29.805%

リセット後も6スルーからは90%以上でCにいるが 5スルーでも89%でCにいる

計算プログラム

見る人はいないと思うけど計算につかったプログラムです

クリックすると展開されます

import numpy as np
import pandas as pd

# BIG後
# 初期確率
initial_probs = np.array([0.62, 0.35, 0.02, 0.01])

# 遷移行列
transition_matrix = np.array([
    [0.38, 0.60, 0.01, 0.01],  # A -> [A, B, C, D]
    [0, 0.57, 0.42, 0.01],     # B -> [A, B, C, D]
    [0, 0, 0.68, 0.32],        # C -> [A, B, C, D]
    [0, 0, 0.75, 0.25 ]         # D -> [A, B, C, D]
])

# 1回から12回のスルー後の確率を計算
results = {}
for i in range(1, 13):
    results[f"{i}回スルー"] = initial_probs @ np.linalg.matrix_power(transition_matrix, i)

# 結果をDataFrameに変換し、パーセント表示に変換
result_df = pd.DataFrame(results, index=['モードA', 'モードB', 'モードC', 'モードD']).T
result_df = result_df * 100  # パーセントに変換
result_df = result_df.round(3)  # 小数点3桁で丸める
print(result_df)

# 初期確率（朝一）
initial_probs = np.array([0.38, 0.60, 0.01, 0.01])

# 遷移行列（提供された表に基づく）
transition_matrix = np.array([
    [0.38, 0.60, 0.01, 0.01],  # A -> [A, B, C, D]
    [0, 0.57, 0.42, 0.01],     # B -> [A, B, C, D]
    [0, 0, 0.68, 0.32],        # C -> [A, B, C, D]
    [0, 0, 0.75, 0.25 ]         # D -> [A, B, C, D]
])

# 1回から10回のスルー後の確率を計算
results = {}
for i in range(1, 13):
    results[f"{i}回スルー"] = initial_probs @ np.linalg.matrix_power(transition_matrix, i)

# 結果をDataFrameに変換して表示
result_df = pd.DataFrame(results, index=['モードA', 'モードB', 'モードC', 'モードD']).T
result_df = result_df * 100  # パーセントに変換
result_df = result_df.round(3)  # 小数点3桁で丸める
print(result_df)

実際に動かしたい人はcolabで動かすことができます

colab.research.google.com

スルーについて

REGはデータカウンターにあがっているから問題ないが CZはあがない（マイホではあがない。あがるデータカウンターもある） 自分は「通常Aであっても300GぐらいでCZはもらえる」と想定している