尾部样本一多，均值就会偏移，中位数相对稳定。pc28预测与加拿大28预测共用同一份开奖记录，pc28预测看分布，加拿大28预测看口径。讨论pc28预测时绕不开加拿大28预测，两者的样本窗口和分桶边界应当写成同一套。pc28预测的结果要能和加拿大28预测对上：同一期号、同一和值、同一套统计。
把加拿大28预测拆成三层会更清楚：第一层是记录，期号与和值必须对得上；第二层是统计，频率、遗漏、区间厚度都从记录里算；第三层是判断，权重和结论都建立在前两层之上。三层里任何一层出问题，后面都会跟着歪。
它到底在预测什么
加拿大28预测里的“预测”两个字容易被放大。严格说，它做的是分布估计：根据历史样本，给出各个和值出现的相对可能性。概率最高的几个值，也只是相对更高，不代表必然出现。算法可以处理频率和遗漏，模型可以做加权和融合，但没有任何模型能改变单次开奖的随机性。把这一点放在前面，后面的数字才不会读歪。
把问题缩小以后，加拿大28预测讨论的对象其实很具体：三个数字相加得到一个和值，范围固定在0到27，一共28种结果。所谓预测，是拿最近若干期的记录去估计下一期的分布，而不是算出一个唯一答案。算法负责把频率、遗漏和区间厚度整理成可复核的表，模型再根据这张表给出概率排序。两者都只是工具，真正决定结论质量的，是样本口径有没有写清楚。
最近100期的分布长什么样
区间厚度可以用两张表交叉验证：一张按固定边界统计次数，一张按累计比例统计覆盖。两张表对不上，通常是边界定义不同。算法在做这件事时会把边界写进参数，模型读取的是同一套边界。
最近100期的统计结果是：均值13.3、中位数14、标准差4.7、偏度0.24。从分桶看，中间段最厚，两端逐渐变薄，这是三个均匀数字相加的典型形态。算法在这一步只做计数和比例，模型在这一步只读取分布参数。样本量100期不算大，比例会随窗口移动，所以页面把窗口和更新时间一起标出来。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 14 | 11 | 11.0% |
| 16 | 9 | 9.0% |
| 11 | 7 | 7.0% |
概率与区间厚度怎么读
把概率换成次数更好理解。一个理论概率约5%的和值，在100期里期望出现5次，实际出现2次或9次都不奇怪。区间越宽，波动看起来越小；区间越窄，单次结果的影响越大。加拿大28预测里讨论概率，必须把区间和样本量一起说。
概率工具最有用的地方，是帮你排除不可能的期待。知道某个结果的理论概率只有百分之几，就不会把偶尔命中当成方法有效，也不会把长期不中当成方法失效。
算法与模型在其中做什么
模型的输出需要校准。一个模型说某和值有三成概率，实际出现频率是否接近三成，要用一段独立样本检验。没校准的概率排序，只能当相对参考，不能当绝对数字用。
模型的可解释性和准确率经常此消彼长。加拿大28预测里用到的五类模型，时间序列和回归相对好解释，神经网络最难。选择哪一种，取决于你要的是结论还是过程；如果还要复盘，过程比结论更重要。
- 时间序列模型：按时间顺序读取和值序列，提取趋势与周期成分，输出下一期的概率分布。
- 马尔可夫链模型：把和值划分成状态，统计状态之间的转移频率，用转移矩阵给出概率。
- 神经网络模型：用多层非线性结构拟合特征组合，适合处理频率、遗漏与区间厚度的交互。
- 蒙特卡洛模型：通过大量随机模拟逼近分布，检验其他模型输出的稳定性与尾部风险。
- 回归模型：用均值、标准差、遗漏等变量解释和值位置，输出带置信区间的估计。
常见问题
样本会更新，结论会变，唯一不应该变的是口径。今天用这套窗口和边界，明天还用同一套，前后的数字才有可比性。加拿大28预测的长期价值，就藏在这种一致性里。
模型不是越多越好。模型池里的每个模型都有自己的假设，时间序列模型假设趋势可延续，马尔可夫链模型假设状态转移稳定，神经网络模型假设特征之间存在非线性关系。把这些模型放在一起，先看它们的输出是否互补，再谈权重。权重定好以后，还要用样本外数据验收，否则融合只是把同一种偏差平均一遍。
算法与模型的关系，可以理解为“算法管过程，模型管排序”。算法负责清洗、统计和分桶，模型负责在特征之上输出概率。任何一个模型输出异常，都应该能顺着算法记录回溯到具体步骤。模型可替换，算法记录不可省，这是整套方法能复算的前提。
28预测的讨论应该建立在可复核的样本上，而不是单次结果上。
把28预测当成记录方法，比当成确定答案更有用。
pc28预测的页面只要把样本窗口写清楚，结论就能被复算。
pc28预测里最有价值的部分是分布与概率，不是某一次命中。
把pc28预测当成记录方法，比当成确定答案更稳妥。
pc28预测的结论要带样本边界，否则读者无法判断适用范围。
把pc28预测的口径写成文字，换个人也能复算出同样的结果。
对普通读者来说，最实用的动作不是背结论，而是学会提问题：样本多长、窗口怎么选、概率怎么算、模型权重怎么定。问题问对了，数字才有意义；问题不问，再漂亮的图表也只是装饰。
术语一致性比术语数量更重要。同一篇文章里，概率、频率、比例应该各有明确所指；算法、模型、参数也不应该混着用。读者不需要记住所有术语，但需要知道每个数字是怎么算出来的。
读表的顺序建议固定下来：先看时间和窗口，再看均值和标准差，然后看区间厚度与概率排序，最后才看结论性描述。顺序固定以后，不同页面之间的数字才有可比性；顺序一乱，很容易把描述当成预测。
复盘记录的价值，在于它保留了当时的判断。只记结果不记过程，事后很容易把运气解释成能力；把期号、参数、预测值和实际结果一起记下来，才能看出某个方法在什么条件下有效、在什么条件下失效。