在讨论一台机器的特性时,「返奖率 96%」几乎是最常被引用的数字。它简洁、直观,也很容易被理解为「玩久了会拿回九成六」。但这个数字只描述了长期均值,完全没有描述过程中发生了什么。要了解过程,需要另一个指标:方差。博彩行业观察栏目在整理各类游戏结构时,反复强调这两个指标必须一起看。
返奖率回答的是「平均」
返奖率(RTP)的定义是:在无限次重复中,总回报除以总投入的比例。若某游戏返奖率为 96%,意味着长期来看每投入 100 元平均收回 96 元,剩下的 4 元是设计中的差额。注意这是「长期平均」,而长期在数学上是一个极限概念——它不承诺任何具体的场次数量。
把它理解成一个加权平均会更清楚:每一种结果都有对应的概率与赔付,把所有「概率 × 赔付」相加,就得到单次投入的期望回报。返奖率就是这个期望回报除以投入。这也是为什么返奖率可以精确算出,而不是靠实测统计出来的。
方差回答的是「波动」
方差衡量的是结果偏离平均值的程度。若每个结果都紧贴平均值,方差就小;若结果分散在两端——经常什么都没有,偶尔出现一个大奖——方差就大。对于参与体验而言,方差决定了两件事:多久能看到一次回报,以及单次结果能偏离平均多远。
举一个便于计算的例子。假设有两台假设中的机器,返奖率都为 96%,投入都是 1 元:
机器甲:有 96% 的概率返回 1 元,有 4% 的概率返回 0 元。期望回报 = 0.96 × 1 + 0.04 × 0 = 0.96 元。
机器乙:有 0.096% 的概率返回 1000 元,其余 99.904% 的概率返回 0 元。期望回报 = 0.00096 × 1000 ≈ 0.96 元。
两者的返奖率一致,但体验天差地别。机器甲几乎每次都能拿回接近投入的金额,波动极小;机器乙绝大多数时候一无所获,偶尔出现一次大额回报。若只告诉参与者「返奖率 96%」,他无法判断自己会遇到哪一种。
| 项目 | 机器甲(低波动) | 机器乙(高波动) |
|---|---|---|
| 返奖率 | 96% | 96% |
| 获奖频率 | 96% | 约 0.096% |
| 结果偏离均值的程度 | 很小 | 很大 |
| 短时间体验 | 平稳,接近缓慢消耗 | 长时间沉寂后突然大额回报 |
| 单次最大偏离 | 1 元 | 约 1000 元 |
为什么高方差容易被误读为「更容易赢」
高方差游戏偶尔会制造出非常醒目的结果。一次大额回报会被记住、被传播,而之前的大量无回报被忽略。这构成了一种系统性的观察偏差:人们记住的是分布的长尾,而不是分布的主体。
更细致地说,高方差意味着「平均值」需要更多次重复才能体现。以机器乙为例,在 1000 次投入中,出现至少一次大额回报的概率约为 1 − (1 − 0.00096) 的 1000 次方,约 61.7%。也就是说,即便重复一千次,仍有近四成的可能一次都没有遇到;反之,也可能在很少的次数内连续遇到。这两种极端都会让人对返奖率产生错误印象。
两个指标怎么配合使用
理解一台游戏,需要同时回答两个问题:它的长期平均回报是多少(返奖率)?结果在平均两侧分布得多开(方差)?前者决定长期方向,后者决定短期体验。单独引用任何一个,都会得出片面结论。
这个框架也能解释一些常见说法。「这台机器刚出过大奖,接下来该冷了」——若每次结果独立,那前一次结果不影响下一次,返奖率也不会因为刚出大奖而改变。「返奖率高的机器一定更好」——在长期平均的意义上成立,但如果方差极大,短期内个人体验可能与平均水平相差很远。这一点在先定预算再参与中转化为具体的边界设定方法。
把它写成一个可复算的小练习
建议读者自己动手做一次:列出某游戏的所有结果与概率,算一次期望值与方差,再假设重复 100 次、1000 次,观察结果区间如何变化。计算过程中最有价值的部分不是最后的数字,而是意识到「平均值」和「单次结果」之间隔着一整个分布。若想看这个思路在具体游戏上的应用,可以继续阅读基诺与彩票类游戏的组合计数入门,那里用组合数把概率一项项算出来。
常见问题
- 返奖率越高,短期就越稳定吗?
- 不一定。稳定性由方差决定,与返奖率无关。高返奖率的游戏如果方差大,短期结果依然可能剧烈波动。
- 方差大是不是意味着更容易出现大奖?
- 高方差通常伴随低概率的高额结果,但它同样意味着更长时间的无回报期。它描述的是分布的宽度,不是中奖的难易。
- 返奖率是怎么确定的?
- 由设计者按各结果的概率与赔付算出,是理论值。部分辖区要求公开该数值区间,但不同地区的公示口径不完全一致,阅读时需注意适用范围。