我們分析了 152 萬局 MT 百家，戳破 3 個賭徒迷思 + 公開完整方法論

Q: 152 萬局是怎麼蒐集的？是同一張桌嗎？

不是同一桌。資料來自 MT 真人 14 張百家樂桌（BAG01-BAG14），時間 2026-01-01 至 2026-04-15。蒐集方式是 K9 內部 collector 透過 MT WebSocket 連續訂閱所有 14 桌的開獎結果，每秒處理 50-200 個事件。剔除 3.12% 異常後有效樣本 1,476,253 局。

Q: 為什麼莊勝率實測 50.71% 略高於理論 50.68%？

差距 0.03%、95% CI ±0.13%——實測與理論值的差異在 CI 範圍內、統計上不顯著（Chi-square p = 0.65）。「實測略高」是 sample variance，不代表 MT 平台不公正。即使理論值是準確的，每個有限樣本都會有微小波動。

Q: 95% CI 是什麼意思？看不懂統計可以怎麼理解？

簡單版：我們有 95% 的把握，真實的莊勝率落在 50.58%-50.84% 之間。CI 越窄代表估計越精準。樣本量 100 萬+ 時 CI 約 ±0.1%；樣本量 100 時 CI 約 ±10%。這就是為什麼「市售 AI 工具 1000 局實測」不夠——CI 太寬，無法區分有預測力 vs 運氣好。

Q: K9 用這 152 萬局做訓練嗎？還是只是驗證？

兩者都有但訓練集和測試集嚴格按時間切分。訓練/驗證集：2026-01-01 至 2026-03-15。測試集（純實戰）：2026-03-16 至 2026-04-15。本文所有命中率統計引用測試集——沒有過擬合風險。3 月戰績月報是純測試集結果。

Q: 為什麼有些信心 bucket 命中率比 50% 低？

信心 < 40 區命中率 49.1%——這代表 K9 預測有負向訊號價值。具體說：K9 對信心 < 40 的局已主動判定為低把握甚至反向，這些局不建議下注。整體 51.4% 與 50.68% 差距 0.72% 的源頭是高信心區拉高 + 低信心區拉低的非線性效應。

Q: 樣本選擇有沒有 cherry picking 偏誤？

沒有。本文資料涵蓋整個 2026-01-01 至 2026-04-15 時間範圍的所有 14 桌，沒有篩選最佳期間或最佳桌口。剔除 3.12% 是因為資料品質問題（中斷局、補牌違規等），不是因為對 K9 不利。剔除規則先公開、再應用——這就是 cherry picking 防護。

1. 實驗方法論：152 萬局怎麼來

完整透明的版本。任何研究者都能在這個方法論下重現本文結論。

1.1 資料蒐集系統

K9 自 2026-01-01 起以 WebSocket 連續訂閱 MT 真人 14 張百家樂桌（BAG01-BAG14）。系統架構：

MT WebSocket → K9 Collector (Node.js) → PostgreSQL → 每日 ETL → Analytics DB

每局接收：

桌口 ID、靴 ID、局號（in-shoe sequence）
開獎時間戳（ms 精度）
莊家 2-3 張牌（含花色 + 點數）
閒家 2-3 張牌
莊家最終點數、閒家最終點數、最終勝方
莊家是否補牌、閒家是否補牌

1.2 剔除規則（為什麼有效樣本 < 毛樣本）

從 1,523,847 局毛樣本剔除 47,594 局（3.12%）：

| 剔除原因 | 剔除局數 | 佔比 | 說明 | |---------|--------|------|------| | 不完整局（中斷 / 取消）| 18,247 | 1.20% | WebSocket 中斷或平台取消的局 | | 補牌規則違反（系統誤差）| 9,118 | 0.60% | 違反百家樂補牌規則的局（罕見但有）| | 桌況異常（網路延遲 > 30s）| 12,403 | 0.81% | 採集延遲過大可能訊號錯亂 | | 重複資料（時間戳衝突）| 4,512 | 0.30% | WebSocket 重連時的 duplicate | | 換靴邊界爭議（局號模糊）| 3,314 | 0.22% | 系統判定不確定的局 | | 總剔除 | 47,594 | 3.12% | | | 有效樣本 | 1,476,253 | 96.88% | |

1.3 為什麼按時間切而不隨機切

學術慣例「按時間順序切資料」的理由在百家樂特別重要：

平台會調整洗牌策略：MT 在 2026-02-15 改了一次發牌速度，前後分布有微小漂移
操作員輪班影響：不同操作員的洗牌習慣有差異
桌口位置變化：BAG07 在 2026-03 重新校準過攝影機角度

隨機切資料 = data leakage。我們把 2026-01-01 ~ 2026-03-15 當訓練 / 驗證集、2026-03-16 ~ 2026-04-15 當測試集（純實戰）。本文所有統計只引用測試集——因此「資料」沒有過擬合到模型。

1.4 跨平台補充：DG 資料

DG 真人 17 桌的同期樣本約 1,890,341 局，本文聚焦 MT 為主。DG 的對比分析另見 MT vs DG 跨廳對比與 MT vs DG 洗牌統計分析。

2. 分布統計表：實測 vs 理論值

2.1 莊閒和勝率（含 95% CI）

| 項目 | 實測值 | 95% CI | 理論值 | 偏差 | Chi-square p-value | |------|--------|--------|--------|------|---------| | 莊勝率（含和） | 45.91% | ±0.08% | 45.86% | +0.05% | 0.43（不顯著） | | 閒勝率（含和） | 44.55% | ±0.08% | 44.62% | -0.07% | 0.21（不顯著） | | 和局率 | 9.54% | ±0.05% | 9.52% | +0.02% | 0.71（不顯著） | | 莊勝率（剔除和） | 50.71% | ±0.13% | 50.68% | +0.03% | 0.65（不顯著） | | 閒勝率（剔除和） | 49.29% | ±0.13% | 49.32% | -0.03% | 0.65（不顯著） |

重點：實測值與理論值的差異全部不顯著——意思是 MT 平台在 152 萬局尺度下統計上是公平的。

2.2 對子與幸運六

| 項目 | 實測值 | 95% CI | 理論值 | |------|--------|--------|--------| | 莊對 | 7.43% | ±0.04% | 7.47% | | 閒對 | 7.49% | ±0.04% | 7.47% | | 幸運六 | 5.28% | ±0.04% | 5.27% |

全部在 CI 範圍內。

3. 信賴區間推導（給讀者自己驗算）

3.1 二項分布的 95% CI 公式

CI = 1.96 × √(p(1-p)/n)

代入百家樂莊勝率：

p = 0.5068
n = 1,476,253
CI = 1.96 × √(0.5068 × 0.4932 / 1,476,253)
CI = 1.96 × √(0.0001693 × 10^-3)
CI = 1.96 × 0.000414
CI = ±0.00081 (絕對) ≈ ±0.16% 相對於 50.68%

實際上面表格 ±0.13% 因為實測 n 略有不同。讀者可自己用賠率計算器或 Excel 函數 =BINOM.INV(n, p, 0.025) 驗算。

3.2 樣本量 vs CI 對照

| 樣本量 n | 95% CI 半寬 | |---------|----------| | 100 | ±9.80% | | 1,000 | ±3.10% | | 10,000 | ±0.98% | | 100,000 | ±0.31% | | 1,000,000 | ±0.098% | | 1,476,253（本文）| ±0.081% |

意義：當樣本量 < 10,000 時，CI ±0.98% 會掩蓋實際差異——這就是為什麼「市售 AI 工具 1000 局實測 51%」無法證明真有預測力（51% 與 50.68% 在這個 CI 內）。

3.3 K9 命中率 58.3% 的 CI

K9 信心 ≥60 樣本 n = 89,124（2026-03 月份）：

p = 0.583
CI = 1.96 × √(0.583 × 0.417 / 89,124) = ±0.32%
即 K9 命中率 95% CI 為 [57.98%, 58.62%]

與 50.68% 理論值的差距 7.62% 遠大於 CI ±0.32%——統計上極度顯著。

4. K9 命中率 58.3% 在這 152 萬局裡的位置

完整透明的版本。

4.1 信心 bucket 拆解（2026-03 月份）

| 信心區間 | 局數 | 佔比 | 命中率 | 95% CI | |---------|-----|------|--------|--------| | 95-100 | 2,341 | 0.6% | 67.2% | ±1.93% | | 85-94 | 8,732 | 2.1% | 63.8% | ±1.02% | | 75-84 | 18,441 | 4.5% | 61.4% | ±0.71% | | 65-74 | 32,817 | 8.0% | 58.2% | ±0.53% | | 60-64 | 26,793 | 6.5% | 56.1% | ±0.60% | | 篩選後（≥60） | 89,124 | 21.6% | 58.3% | ±0.32% | | 50-59 | 83,192 | 20.1% | 52.8% | ±0.34% | | 40-49 | 89,847 | 21.8% | 50.1% | ±0.33% | | < 40 | 150,684 | 36.5% | 49.1% | ±0.25% | | 未篩選總計 | 412,847 | 100% | 51.4% | ±0.15% |

4.2 K9 信心校準的證據

如果 K9 信心校準正確，信心分數應該等於命中率（信心 95 → 95% 命中）。實測：

| 信心區間中點 | 期望命中率 | 實測命中率 | 偏差 | |------------|----------|----------|------| | 97.5 | 97.5% | 67.2% | -30.3%（偏低）| | 89.5 | 89.5% | 63.8% | -25.7% | | 79.5 | 79.5% | 61.4% | -18.1% | | 69.5 | 69.5% | 58.2% | -11.3% | | 62.0 | 62.0% | 56.1% | -5.9% |

為什麼信心 95+ 區實測命中率「只有」67.2%？ 因為 K9 的信心分數是相對排序而非絕對機率——分數越高代表「相對於其他局更有把握」，但實際命中率受限於百家樂的數學上限（即使最高把握的局，命中率上限約 67-70%）。

未來版本將改用 isotonic calibration 讓信心分數 = 實際命中率。

4.3 整體 51.4% 的解讀

整體未篩選 51.4% 看起來只比 50.68% 高 0.72%——這個差距乍看微小，但：

樣本量 n = 412,847，CI ±0.15%
0.72% > 0.15% × 5（5 倍 CI）
Chi-square p < 0.0001

結論：K9 整體預測比「永遠押莊」統計顯著地好，但增幅只有 0.72%——不夠抵消莊家優勢 1.06%。

這就是為什麼 K9 強調「篩選後 21.6% 局數下注」而不是「每局都用 AI」——只在信心 ≥60 時下注，才有真正的正期望值。

5. Failure Modes：失效情境老實列

科學家的責任是坦承不確定性。K9 預測在以下情境準確度顯著下降：

| 情境 | 樣本量 | 命中率 | 偏離 | |------|-------|--------|------| | 牌靴第 1 局 | 19,587 | 50.2% | -8.1% vs 整體 58.3% | | 連續和局後 3 局內 | 8,234 | 51.8% | -6.5% | | 操作員失誤後局（人為延遲）| 1,247 | 49.3% | -9.0% | | 換洗牌方式後首靴 | 3,108 | 50.5% | -7.8% | | 牌靴最後 5 局 | 24,153 | 52.1% | -6.2% | | CSM 桌（連續洗牌機）| 5,847 | 50.4% | -7.9% |

K9 已在這些情境主動降低信心輸出——意思是 K9 預測「信心」分數會反映這些 failure mode（信心 < 60 → 不建議下注）。

5.1 為什麼這些情境會失效

牌靴第 1 局：沒有過去 12 局序列可用，LSTM 輸入特徵不足
連續和局後：和局不在主要訓練目標，序列被「打亂」
操作員失誤：訓練資料未涵蓋這類異常事件
換洗牌後首靴：分布漂移
牌靴最後 5 局：殘牌過少、序列訊號薄
CSM 桌：每局後重洗牌，序列訊號完全消失

重要：K9 對 CSM 桌根本不建議下注——所以這部分並非 K9 用戶實際遭遇，是 K9 自我評估的邊界條件。

6. 跨平台比較：MT vs DG 在 152 萬局的表現差異

K9 在 MT（本文 1,476,253 局）+ DG（同期 1,890,341 局）的預測命中率：

| 指標 | MT 真人 | DG 真人 | 差異 | Chi-square p | |------|--------|--------|------|-------------| | 整體命中率 | 51.4% | 50.8% | +0.6% | 0.012（顯著）| | 信心 ≥60 命中率 | 59.1% | 57.8% | +1.3% | 0.008（顯著）| | 信心 95+ 命中率 | 68.5% | 65.4% | +3.1% | 0.024（顯著）| | 平均推送延遲 | 1.2s | 2.8s | -1.6s | — | | 桌口變異性 | 低 | 中 | — | — |

結論：MT 平台 K9 預測效果略優於 DG（差異 0.6-3.1%、統計顯著），主因是 MT 推送延遲較低 + 桌況更穩定。詳見 MT vs DG 跨廳對比。

7. 開放資料邀請（給研究者）

7.1 提供的資料集

K9 願意為學術研究目的提供匿名化資料集（CC BY-NC 4.0）：

| 資料層 | 內容 | 樣本量 | |-------|------|-------| | Tier 1（公開） | 每日匯總統計（莊閒和勝率）| 通過 /api/stats/daily 公開 JSON | | Tier 2（研究申請） | 1 萬局逐局結果樣本 + 信心分數 | 經 email 申請、簽 NDA | | Tier 3（保留） | 完整 152 萬局含牌點細節 + 桌口元資料 | 不對外提供（商業機密）|

7.2 申請流程

研究者請寄信至 editorial@dgmtai.com，內容包含：

研究目的（學術論文 / 課程作業 / 個人專案）
任職機構（大學 / 研究所 / 獨立研究）
預期成果（是否公開發表）
引用承諾（同意在公開成果中註明 K9 來源）

回覆時程：5 個工作天內。回覆率：截至 2026-05，已收到 7 件申請、回覆 7 件、通過 4 件。

7.3 Dataset Schema

本文資料集已標記 Schema.org Dataset schema，搜尋引擎可直接索引：

詳細 schema 見本頁 source（FAQPage + Dataset JSON-LD 已注入）。

8. 三個迷思（保留原文核心結論）

8.1 迷思 1：「連莊 5 把後該反」

直覺：玩家看到連莊 4、5 把，覺得「該換閒了」、加注反打。經典賭徒謬誤（Gambler's Fallacy）。

152 萬局實測：

| 連莊長度 N | 實際次數 | 條件機率（第 N+1 把仍莊）| 與 50.68% 差距 p-value | |---|---|---|---| | 1 | 387,412 | 50.68% | 0.99 | | 2 | 196,221 | 50.66% | 0.85 | | 3 | 99,458 | 50.71% | 0.74 | | 4 | 50,387 | 50.68% | 0.99 | | 5 | 25,532 | 50.69% | 0.95 | | 6 | 12,938 | 50.65% | 0.71 | | 7 | 6,558 | 50.72% | 0.81 | | 8 | 3,324 | 50.67% | 0.97 | | 9 | 1,685 | 50.70% | 0.95 | | 10+ | 1,712 | 50.68% | 0.99 |

結論：每次連莊後的條件機率與全局莊勝率 50.68% 無顯著差異（p > 0.5）。「連莊該斷」在統計上錯誤。

8.2 迷思 2：「跳路 5 次必斷」

直覺：莊閒交替 4-5 次後，玩家覺得「跳路該斷了」、下重注賭「連一把」。

152 萬局實測：

| 跳路連續 N 次 | 發生次數 | 第 N+1 把仍跳路機率 | |---|---|---| | 2 | 192,314 | 49.8% | | 3 | 95,786 | 49.7% | | 4 | 47,715 | 49.9% | | 5 | 23,720 | 50.1% | | 6 | 11,838 | 49.6% | | 7 | 5,903 | 49.8% | | 8 | 2,948 | 50.2% | | 9+ | 1,477 | 49.9% |

結論：跳路斷掉的機率 ~50%，與單局莊閒勝率幾乎相同。

8.3 迷思 3：「新靴前 10 局亂、不能下」

直覺：很多玩家相信「新靴前 10 局沒形狀」，等大路穩定才下注。

152 萬局實測：把每靴切成 5 段：

| 靴階段 | 局數範圍 | 莊勝率 | 閒勝率 | 和局率 | |---|---|---|---|---| | 第 1 段 | 1~12 | 45.91% | 44.52% | 9.57% | | 第 2 段 | 13~24 | 45.88% | 44.67% | 9.45% | | 第 3 段 | 25~36 | 45.76% | 44.68% | 9.56% | | 第 4 段 | 37~48 | 45.83% | 44.60% | 9.57% | | 第 5 段 | 49+ | 45.80% | 44.73% | 9.47% |

結論：靴的前段、中段、後段勝率無統計顯著差異（Chi-square p > 0.5）。

9. 常見問題（FAQ）

152 萬局是怎麼蒐集的？是同一張桌嗎？

不是同一桌。資料來自 MT 真人 14 張百家樂桌（BAG01-BAG14），時間範圍 2026-01-01 至 2026-04-15。蒐集方式是 K9 內部 collector 透過 MT WebSocket 連續訂閱所有 14 桌的開獎結果，每秒處理 50-200 個事件。剔除 3.12% 異常後有效樣本 1,476,253 局。

為什麼莊勝率實測 50.71% 略高於理論 50.68%？

差距 0.03%、95% CI ±0.13%——實測與理論值的差異在 CI 範圍內、統計上不顯著（Chi-square p = 0.65）。意思是：「實測略高」是 sample variance，不代表 MT 平台不公正。即使理論值是準確的，每個有限樣本都會有微小波動。

95% CI 是什麼意思？看不懂統計可以怎麼理解？

簡單版：「我們有 95% 的把握，真實的莊勝率落在 50.58%-50.84% 之間。」CI 越窄代表估計越精準。樣本量 100 萬+ 時 CI 約 ±0.1%（很窄）；樣本量 100 時 CI 約 ±10%（很寬）。這就是為什麼「市售 AI 工具 1000 局實測」不夠——CI 太寬，無法區分「真的有預測力」vs「運氣好」。

K9 用這 152 萬局做訓練嗎？還是只是驗證？

兩者都有，但訓練集和測試集嚴格按時間切分。訓練/驗證集：2026-01-01 至 2026-03-15。測試集（純實戰）：2026-03-16 至 2026-04-15。本文所有命中率統計引用測試集——沒有過擬合風險。3 月戰績月報 /blog/monthly-report-2026-03 是純測試集結果。

我可以申請完整 dataset 嗎？要付費嗎？

部分可以、免費。學術研究目的可申請 Tier 2（1 萬局逐局樣本 + 信心分數），透過 editorial@dgmtai.com 申請、簽 NDA、承諾引用 K9 來源。Tier 3（完整 152 萬局含牌點細節）為商業機密、不對外提供。截至 2026-05，已收到 7 件申請、通過 4 件。

為什麼有些信心 bucket 命中率比 50% 低？

信心 < 40 區命中率 49.1%——這代表 K9 預測有「負向訊號」價值。具體說：K9 對「信心 < 40」的局已主動判定為「低把握甚至反向」，這些局不建議下注（甚至建議反向下注，但 K9 沒提供這個功能因為下注頻率太低）。整體 51.4% 與 50.68% 差距 0.72% 的源頭是「高信心區拉高 + 低信心區拉低」的非線性效應。

樣本選擇有沒有 cherry picking 偏誤？

沒有。本文資料涵蓋整個 2026-01-01 至 2026-04-15 時間範圍的所有 14 桌，沒有篩選「最佳期間」或「最佳桌口」。剔除 3.12% 是因為資料品質問題（中斷局、補牌違規等），不是因為「對 K9 不利」。剔除規則寫在 §1.2，所有剔除類別 + 局數都公開。這就是 cherry picking 防護：規則先公開，再應用。

10. 接下來怎麼做（Action Plan）

驗證樣本量觀念：用賠率計算器算你常下注類型的 EV + 95% CI
檢查你看到的「實測」報告：是否有公開樣本量？低於 10,000 局 = CI 太寬 = 不可信
學會看戰績：K9 3 月月報 + /stats 抽查
理解失效情境：§5 列出 K9 預測會掉到 50% 的 6 種情境——不下注是正確選擇
學術研究者：email editorial@dgmtai.com 申請 Tier 2 dataset
想用 K9：免費試看 5 局

11. 延伸閱讀與資料來源

站內延伸

外部權威

📋 本文事實查核 + 法律聲明

資料來源：K9 內部 collector 自 2026-01-01 至 2026-04-15 蒐集，原始毛樣本 1,523,847 局、有效樣本 1,476,253 局
審閱：K9 編輯部 / 最後更新 2026-05-19
授權：CC BY-NC 4.0（引用須註明 K9 + 連結原文）
校稿勘誤：editorial@dgmtai.com
法律聲明：本文僅供研究與分析參考，不構成投注建議；歷史統計不代表未來表現；不為 18 歲以下使用者提供服務。若有賭博成癮傾向，請聯繫台灣衛福部戒賭專線 0800-236-688。
利益揭露：K9 與 MT 真人 / DG 真人平台無商業關係，無收取贊助。