कुछ उपाय प्रस्तावित किए गए हैं, देखें
पहले पेपर से मूल विचार अनुमान लगाना है
skill = (potential learning effect) / (potential learning effect + potential random effect)
जो 0 और 1. अलास के बीच एक संख्या के रूप में कौशल देता है, ये प्रभाव केवल "आसान" गेम के लिए विश्लेषणात्मक रूप से कम्प्यूटेशनल हैं। एक खिलाड़ी के खेल के लिए, उपरोक्त समीकरण नीचे आता है
skill = (Gm - G0) / (Gu - G0)
जहां जी तीन खिलाड़ियों के शुद्ध शुद्ध लाभ हैं
'0': एक शुरुआती जो किसी के भोलेपन में खेल खेलता है जिसे खेल के नियमों में महारत हासिल है।
'एम': एक वास्तविक औसत खिलाड़ी जिसे विशाल बहुमत के खिलाड़ियों का प्रतिनिधित्व करने के लिए सोचा जा सकता है।
'यू': एक आभासी औसत खिलाड़ी जिसे हम पहले से बताते हैं (यानी इससे पहले कि उसे फैसला करना है) मौका तत्वों के परिणाम।
एक उदाहरण के रूप में वे अमेरिकन रूले के लिए गणना करते हैं: गुजरात = 35 और जीएम = -1/74, बाद वाला एक "सरल" खेल (उदाहरण के लिए रूज / नॉयर, जोड़ी / बिगड़ा)। G0 के लिए मूल्य वास्तव में बहस का विषय है, यहां तक कि इस खेल के लिए भी। यदि शुरुआत करने वाला एक सरल रणनीति के लिए जाता है, तो कौशल 0 स्पष्ट है। हालाँकि अगर G0 एक गैर-साधारण रणनीति (जैसे plein, cheval, carre ) के लिए है, तो G0 -1/37 (यानी बदतर औसत हानि) है। इसलिए बाद की धारणा के साथ, सीखने की एक छोटी क्षमता है, इसलिए कौशल। 0.0004। मेरा कहना है कि मैं थोड़ा संभल गया हूं कि वे अमेरिकी रूले के लिए फ्रांसीसी शब्दावली का उपयोग करते हैं; अफसोस है कि वे स्रोत का हवाला देते हुए आगे के विवरण के लिए डच में हैं।
लाठी के लिए वे एक कंप्यूटर सिमुलेशन से प्राप्त करते हैं जो Gm = 0.11, Gu = 27, और G0 = -0.057 को "डीलर की नकल" की रणनीति के लिए लेते हैं, और इससे 0.006 का कौशल प्राप्त होता है।
उन खेलों के लिए जहां खिलाड़ी सीधे प्रतिस्पर्धा करते हैं और सैंडबैगिंग या ब्लफ़िंग मामले जैसी रणनीतियां (ये गेम ही हैं जिन्हें गेम थ्योरी में मल्टी-प्लेयर गेम कहा जाता है), दूसरे पेपर में अधिक समझदार दृष्टिकोण है कि यह खिलाड़ियों को संभावित रूप से रणनीति बदलने का स्रोत मानता है बेतरतीबी का। वे ऊपर के रूप में एक ही कौशल सूत्र का उपयोग करते हैं (सिवाय इसके कि वे तीन प्रकार के खिलाड़ियों को शुरुआती, इष्टतम और काल्पनिक खिलाड़ी कहते हैं)। उनके दृष्टिकोण में अंतर यह है कि
खिलाड़ी के लिए एक संभावित खिलाड़ी के रूप में मुझे अपेक्षित लाभ अन्य खिलाड़ियों के गठबंधन के खिलाफ संबंधित दो-व्यक्ति शून्य-राशि के खेल के नैश संतुलन में अपने अपेक्षित लाभ के द्वारा दिया जाता है।
और "काल्पनिक" खिलाड़ी के लिए वे यह भी मानते हैं कि वह अपने विरोधियों के यादृच्छिककरण प्रक्रिया के परिणाम को जानता है।
काश कोई ऐसा उदाहरण न हो जो अंतराष्ट्रिय हो लेकिन यहाँ विस्तार से संबंधित होने के लिए पर्याप्त सरल हो। वे ड्रॉपर के सरलीकृत संस्करण के लिए 0.22 के कौशल की गणना करते हैं।
दोनों पेपर इस बात पर जोर देते हैं कि सटीक कौशल मूल्य शुरुआती व्यवहार की परिभाषा / धारणा पर निर्भर करता है।
व्यावहारिक रुचि के अधिक जटिल खेलों, जैसे, के लिए एक प्रयोगात्मक दृष्टिकोण की आवश्यकता है
अन्य खिलाड़ियों की तुलना में उन खिलाड़ियों ने -15 प्रतिशत की तुलना में 30% से अधिक के निवेश पर औसत रिटर्न हासिल करने के लिए अत्यधिक कुशल होने के नाते एक प्राथमिकता की पहचान की। रिटर्न में यह बड़ा अंतर इस विचार के समर्थन में मजबूत सबूत है कि पोकर कौशल का खेल है।