Dua pertanyaan, dua hasil berbeda
Perkalian n × p menjawab jumlah keberhasilan rata-rata dalam model, bukan peluang memperoleh minimal satu keberhasilan. Untuk 100 percobaan dan p = 0,01, E[X] = 1. Satu adalah rata-rata jumlah item; beberapa rangkaian dapat berisi nol item dan yang lain lebih dari satu.
Penurunan ini memerlukan percobaan independen dan peluang tetap. Jika ada pity, bonus event, atau pengundian saling bergantung, model perlu diubah.
Hitung 100 run secara terbuka
Peluang gagal seluruhnya adalah 0,99¹⁰⁰ = 0,366032. Peluang minimal satu drop adalah 0,633968. Peluang tepat satu item adalah 100 × 0,01 × 0,99⁹⁹ = 0,369730; sisanya, sekitar 26,42%, adalah peluang memperoleh dua item atau lebih. Ketiga bagian berjumlah 100%.
| Run | Minimal 1 item | 0 item | Rata-rata item |
|---|---|---|---|
| 1 | 1.0000% | 99.0000% | 0.01 |
| 50 | 39.4994% | 60.5006% | 0.5 |
| 69 | 50.0163% | 49.9837% | 0.69 |
| 100 | 63.3968% | 36.6032% | 1 |
| 230 | 90.0895% | 9.9105% | 2.3 |
| 459 | 99.0079% | 0.9921% | 4.59 |
Angka dibulatkan untuk tampilan. Run 69, 230, dan 459 adalah jumlah minimum untuk melewati peluang 50%, 90%, dan 99%. Target 99% masih menyisakan peluang gagal.
Setelah 100 kali gagal, apa yang berubah?
Dalam model independen dengan p tetap, peluang pada run berikutnya masih 1%. Seratus kegagalan sebelumnya tidak membuat item “berutang” kepada pemain. Peluang mendapat minimal satu item dalam 100 run tambahan tetap 63,40% jika asumsi yang sama masih berlaku.
Namun, jika kegagalan menaikkan pity, informasi riwayat memang mengubah peluang. Itulah alasan Anda perlu memeriksa mekanik game sebelum memilih rumus.
Cara memeriksa dengan kalkulator
- Buka kalkulator drop rate dengan JavaScript aktif.
- Isi drop rate 1, jumlah run 100, dan durasi 3 menit.
- Tekan Hitung peluang. Hasil minimal satu drop seharusnya 63,40%; target 90% membutuhkan 230 run atau 11,5 jam.
- Bedakan waktu rencana 100 run = 5 jam dari waktu untuk target 90%. Keduanya bukan jaminan waktu mendapatkan item.
Jika hasil berbeda, periksa satuan persen, input kosong, serta asumsi pity. Anda tidak perlu membeli atau menjalankan game untuk memeriksa contoh ini.
Kurva peluang dan tabel lintas drop rate
Hasil model: kurva berikut memakai peluang tetap 1% dan percobaan independen. Kurva tidak mengukur hasil pemain atau peluang akun tertentu.
Berapa run untuk target peluang?
Gunakan n = pembulatan ke atas dari ln(1 − q) / ln(1 − p), dengan p peluang per run dan q target peluang minimal satu item. Pembulatan ke atas diperlukan agar hasil mencapai target, bukan berhenti sedikit di bawahnya.
| Drop per run | Target 50% | Target 75% | Target 90% | Target 99% |
|---|---|---|---|---|
| 0,5% | 139 | 277 | 460 | 919 |
| 1,0% | 69 | 138 | 230 | 459 |
| 2,0% | 35 | 69 | 114 | 228 |
| 5,0% | 14 | 28 | 45 | 90 |
Contoh: drop 2% membutuhkan 69 run untuk mencapai sedikitnya 75%. Target peluang adalah pilihan skenario, bukan saran durasi bermain atau belanja. Jika p = 0%, target positif tidak tercapai; jika p = 100%, satu run cukup.
Mengapa muncul angka sekitar 63%?
Pada contoh n = 1/p yang bernilai bulat, peluang minimal satu item adalah 1 − (1 − p)1/p. Ketika p mendekati nol, angka ini mendekati 1 − e−1 ≈ 63,21%. Nilainya bukan selalu tepat 63,21%: p = 1% dan n = 100 memberi 63,40%; p = 5% dan n = 20 memberi 64,15%.
Interpretasi: nilai harapan satu item tidak berarti peluang mendapatkan item 100%. Jika game memiliki pity atau peluang berubah, gunakan model yang sesuai di kalkulator pity.
Pertanyaan umum
Apakah rata-rata satu item berarti setiap pemain mendapat satu?
Tidak. Rata-rata jumlah item dapat bernilai satu meskipun sebagian rangkaian menghasilkan nol dan sebagian menghasilkan lebih dari satu.
Apakah run 230 menjamin item?
Tidak. Pada p = 1% dan percobaan independen, 230 run baru mencapai peluang sedikit di atas 90%.
Bisakah saya memakai rumus ini pada sistem pity?
Hanya jika peluang tetap dan percobaan independen. Jika pity mengubah peluang setelah gagal, gunakan model yang memuat status tersebut.
Kesimpulan
Bedakan jumlah item rata-rata dari peluang memperoleh item. Periksa mekanik terlebih dahulu, lalu gunakan hasil sebagai pembanding skenario, bukan alasan untuk terus bermain.
Sumber dan analisis
NIST — Binomial Distribution mendasari distribusi jumlah keberhasilan. Tabel serta perbandingan nol, satu, dan lebih dari satu item dihitung dari model pada halaman ini. Rujukan diperiksa 12 November 2026. Lihat metodologi dan penjelasan pity.