솔리테어 셔플이 어떻게 작동하는지, 딜이 정말 무작위인지, 알고리즘이 어떻게 게임을 생성하는지 알아보세요.
모든 온라인 솔리테어 게임은 셔플된 카드 덱으로 시작합니다. 즉, 플레이어가 받게 될 딜을 결정하는 과정을 통해 생성된 52장의 특정한 카드 순서가 먼저 존재합니다. 이 순서를 만들어 내는 구체적인 과정이 바로 셔플 알고리즘이며, 이것이 어떻게 작동하는지를 이해하면 매우 많은 솔리테어 플레이어를 괴롭히는 여러 질문이 해결됩니다. 딜은 정말로 무작위인가? 플랫폼이 어떤 카드가 나올지 예측하거나 조작할 수 있는가? 왜 어떤 세션은 유난히 어려운 딜이나 유난히 잘 풀리는 딜이 몰려 나오는 것처럼 느껴지는가? 번호가 붙은 FreeCell 딜은 저장된 목록에서 정확히 재생되는가, 아니면 그때그때 생성되는가? 이 모든 질문에 대한 답은 셔플 알고리즘이 어떻게 작동하는지를 이해하면 직접적으로 따라 나오며, 그 답은 온라인 솔리테어 딜 생성에 대해 가장 널리 퍼진 오해들과 꾸준히 충돌합니다.
모든 온라인 솔리테어 게임은 섞인 카드 덱으로 시작됩니다. 이는 플레이어가 받는 카드의 특정 순서를 생성하는 과정으로, 이 과정이 바로 셔플 알고리즘입니다. 셔플 알고리즘이 어떻게 작동하는지를 이해하면 많은 솔리테어 플레이어들이 궁금해하는 질문들에 대한 답을 얻을 수 있습니다: 딜이 정말로 무작위인가? 플랫폼이 어떤 카드가 나올지 예측하거나 조작할 수 있는가? 어떤 세션은 유난히 어려운 딜이나 협력적인 딜이 많다고 느껴지는 이유는 무엇인가? 번호가 매겨진 프리셀 딜은 저장된 목록에서 정확히 재생성되는 것인가, 아니면 필요에 따라 생성되는 것인가? 이러한 모든 질문에 대한 답은 셔플 알고리즘이 어떻게 작동하는지를 이해하는 것에서 비롯됩니다. 이는 온라인 솔리테어 딜 생성에 대한 일반적인 오해와 일관되게 모순됩니다.
셔플 알고리즘을 이해하는 것은 단순한 호기심을 넘어 실질적인 중요성을 가집니다. 딜이 조작된다고 믿는 플레이어들은 — 손실을 유도하거나 특정 플레이 패턴에 협력적으로 조작된다고 생각하는 경우 — 잘못된 모델에 기반하여 전략 결정을 내리게 됩니다. 이는 체계적인 오류로 이어질 수 있습니다: "조작된" 딜 시퀀스에 의해 처벌받는 것처럼 보이기 때문에 올바른 전략을 포기하거나, 행운의 딜이 계속되기 때문에 잘못된 전략을 고수하는 경우입니다. 실제 셔플 알고리즘의 수학적 특성을 이해하는 플레이어는 — 특히, 모든 가능한 카드 순서의 공간에서 편향되지 않은 샘플을 생성한다는 점을 이해함으로써 — 세션 결과를 정확하게 해석하고, 기대치를 올바르게 조정하며, 조작에 대한 믿음이 초래하는 심리적 왜곡을 피할 수 있습니다.
온라인 솔리테어에서 셔플 알고리즘은 52장의 카드로 구성된 정렬된 덱을 받아 새로운 정렬을 생성하는 계산 절차입니다. 이 과정에서 52! (약 8 × 10^67) 가능한 배열이 각각 동일한 확률로 선택됩니다. 이 특성을 가장 효율적이고 정확하게 달성하는 알고리즘은 피셔-예이츠 셔플(Fisher-Yates shuffle)로, 도널드 크누스(Donald Knuth)가 그의 기초 컴퓨터 과학 교과서에서 이를 대중화한 이후 크누스 셔플(Knuth shuffle)이라고도 불립니다. 피셔-예이츠 셔플은 다음과 같이 작동합니다: 덱의 마지막 카드(위치 52)에서 시작하여 1부터 52까지의 무작위 위치를 선택하고, 위치 52의 카드를 선택한 위치의 카드와 교환합니다. 그런 다음 위치 51로 이동하여 1부터 51까지의 무작위 위치를 선택하고 교환합니다. 이 과정을 위치 1에 도달할 때까지 계속합니다. 결과적으로 모든 배열이 동일한 확률로 발생하는 카드 덱의 순서가 생성됩니다 — 52장의 카드 배열 중 어느 것도 다른 배열보다 더 가능성이 높거나 낮지 않습니다.
피셔-예이츠 셔플의 수학적 정확성 — 모든 배열에 대한 균일 분포의 생성 — 은 각 단계에서 무작위 위치 선택의 품질에 달려 있습니다. 이 선택은 의사 난수 생성기(PRNG)에 의해 수행됩니다. PRNG는 통계적 무작위성 테스트를 통과하는 숫자 시퀀스를 생성하는 결정론적 계산 함수로, 물리적 의미에서 진정한 무작위는 아닙니다. PRNG는 시드(seed)라고 불리는 초기 값에서 시작하며, 동일한 시드는 항상 동일한 숫자 시퀀스를 생성합니다. 이러한 결정론적 특성 덕분에 번호가 매겨진 프리셀 딜은 재생성 가능하게 됩니다: 딜 번호가 시드로 사용되며, 해당 시드에서 생성된 동일한 PRNG 시퀀스는 항상 동일한 카드 순서를 생성합니다. 시드를 변경하면 시퀀스가 변경되고, 딜이 변경됩니다.
의사 난수와 진정한 난수의 구분은 기술적으로 중요하지만 온라인 솔리테어의 공정성에 있어서는 실질적으로 무의미합니다. 표준 통계적 무작위성 테스트 — 균일 분포, 연속 값 간의 독립성, 감지 가능한 패턴 없음 — 를 통과하는 PRNG의 출력은 플레이어의 관점에서 진정한 무작위 딜과 구별할 수 없는 딜을 생성합니다. PRNG가 생성하는 덱의 순서는 52! 배열의 전체 공간에서 균일하게 분포되어 있으며, 이는 모든 카드가 대규모 게임 샘플에서 모든 위치에 등장할 확률이 정확히 동일하다는 것을 의미합니다. 어떤 딜 구성도 체계적으로 더 가능성이 높거나 낮지 않으며, 이는 플레이어가 경험하는 협력적인 느낌의 연속과 어려운 느낌의 연속이 수학적으로 예측하는 바와 정확히 일치함을 의미합니다: 편향되지 않은 샘플에서의 무작위 군집입니다.
조작에 대한 오해는 "의사 난수"의 의미에 대한 오해에서 비롯됩니다. PRNG가 결정론적이기 때문에 — 동일한 시드가 동일한 시퀀스를 생성하므로 — 플랫폼이 미리 어떤 딜이 생성될지를 알고 특정 결과를 생성하는 시드를 선택할 수 있다고 결론짓는 경우가 있습니다. 이 추론은 기술적으로는 맞지만 실질적으로는 무의미합니다: 플랫폼은 특정 딜 구성을 생성하는 시드를 찾기 위해 시드 공간을 철저히 검색해야 하며, 이는 솔리테어 게임 자체를 해결하는 것과 동등한 계산 복잡성을 가집니다. 실제로 온라인 솔리테어 플랫폼은 시스템 엔트로피(현재 마이크로초 단위의 시간, 하드웨어 노이즈 또는 유사한 높은 변동성을 가진 입력)에서 각 게임에 대한 새로운 시드를 생성하며, 이는 미리 예측할 수 없고 특정 딜 결과를 생성하기 위해 제어되지 않습니다. 플레이어가 받는 딜은 모든 가능한 카드 순서의 공간에서 균일하게 무작위 샘플입니다.
진정한 무작위성 — 대기 소음이나 방사성 붕괴와 같은 물리적 과정에서 유래하는 무작위성 — 은 전문 서비스에서 제공되며 규제 준수 이유로 일부 온라인 게임 구현에서 사용됩니다. PRNG 기반 셔플과 물리적으로 무작위 셔플 간의 구분은 암호화 응용 프로그램에 의미가 있지만, 솔리테어 딜 품질에는 감지 가능한 차이를 만들지 않습니다. 두 방법 모두 올바르게 구현되면 카드 순서의 동일한 통계적 분포를 생성하기 때문입니다. 플레이어는 자신이 받은 딜에서 플랫폼이 PRNG를 사용하는지 진정한 무작위 생성을 사용하는지 알 수 없습니다; 딜 분포는 수학적으로 동일합니다.
편향되지 않은 카드 분배는 카드 클러스터에 대한 전략 조정 반응을 제거합니다. 각 카드 분배는 순열 공간에서 독립적이고 균일하게 무작위 샘플이기 때문에, N번째 카드 분배의 난이도는 N+1번째 카드 분배의 난이도에 대한 정보를 제공하지 않습니다. 연속적으로 어려운 카드 분배가 5번 발생하는 세션은 플랫폼이 난이도를 높이고 있거나 플레이어를 테스트하고 있다는 증거가 아닙니다. 이는 통계적으로 정상적인 클러스터로, 연속적으로 협조적인 카드 분배가 발생할 확률과 동일합니다. 이러한 이해는 가장 해로운 클러스터 반응 오류를 직접적으로 방지합니다: 어려운 카드 분배가 효과가 없는 것처럼 보이게 하여 올바른 전략을 변경하는 것입니다. 장기적으로 승률을 극대화하는 전략은 어려운 카드 클러스터를 포함한 모든 충분히 큰 샘플에서 승률을 극대화합니다. 단기적인 카드 난이도에 반응하여 전략을 조정하는 것은 신호가 아닌 잡음에 조정하는 것입니다.
시드 결정론은 의도적인 연습을 위한 정확한 카드 분배 재현을 가능하게 합니다. 시드는 카드 분배를 완전히 재현 가능하게 결정하므로, FreeCell의 번호가 매겨진 카드 분배(및 번호가 매겨진 시드를 사용하는 다른 구현)에서 동일한 카드 순서가 매번 나타납니다. 이 속성은 번호가 매겨진 카드 분배를 솔리테어에서 가장 효율적인 훈련 도구로 만듭니다. 플레이어는 동일한 카드 분배를 여러 번 연습하고, 다양한 접근 순서를 비교하며, 서로 다른 시도에서 어떤 이동이 다른 결과로 이어졌는지 식별하고, 알려진 고정 카드 배열에서 특정 위치 읽기 기술을 개발할 수 있습니다. FreeCell의 번호가 매겨진 카드 분배 1부터 32,000까지는 그 재현성 덕분에 솔리테어 커뮤니티에서 철저히 연구되었습니다. 이들은 알려진 난이도의 훈련 문제 집합으로, 반복할 수 없는 무작위 위치의 시퀀스가 아닙니다. 번호가 매겨진 카드 분배를 사용하여 의도적으로 연습하는 플레이어는 무작위로 생성된 카드 분배에서만 연습하는 플레이어보다 진단 및 순서 기술을 더 빠르게 개발합니다. 고정된 카드 분배는 특정 전략적 가설을 반복적으로 테스트할 수 있게 해줍니다.
균일 분포는 승률 통계가 큰 샘플에서 안정적이고 의미가 있음을 확인합니다. 카드 분배가 균일하게 분포되어 있기 때문에, 큰 샘플(100게임 이상)에서 관찰된 승률은 변형 및 플레이어의 기술 수준에 대한 진정한 전략적 승률로 수렴합니다. 셔플 알고리즘에서 발생하는 체계적인 편향이 없기 때문에 한 세션의 승률이 동일한 변형의 다른 세션의 승률과 구조적으로 다를 수 없습니다. 이는 장기적인 승률이 유효한 성과 지표가 되며, 수학 가이드에서 설명한 신뢰 구간 계산이 셔플 편향에 대한 조정 없이 적용된다는 것을 확인합니다. 200게임의 Klondike 승률이 38%인 플레이어는 현재 기술 수준에서 자신의 진정한 전략적 성과에 대한 신뢰할 수 있는 추정치라는 것을 확신할 수 있습니다. 이는 어떤 체계적인 카드 선택 효과에 의해 왜곡되지 않습니다.
시드 엔트로피를 이해하면 "동일한 시드" 오해를 방지할 수 있습니다. 일부 플레이어는 게임을 재시작하거나 페이지를 새로 고치거나 새로운 세션을 시작하면 이전 세션과 동일한 카드 분배가 생성될 수 있다고 믿습니다. 하지만 제대로 구현된 온라인 솔리테어에서는 이러한 일이 발생하지 않습니다. 시드 소스는 현재 시스템 상태(시간, 하드웨어 노이즈 등)의 엔트로피로, 셔플 함수 호출 시마다 다릅니다. 1밀리초 차이로 진행된 두 게임은 시드의 시간 기반 구성 요소가 서브 밀리초 해상도로 변경되기 때문에 서로 다른 시드를 가집니다. 실용적인 의미: 온라인 솔리테어에는 카드 분배의 "리셋 주기"가 없으며, 카드 분배는 어떤 실용적인 플레이 수평 내에서도 감지 가능한 패턴으로 반복되지 않습니다.
카드 클러스터를 플랫폼 조작에 귀속시키는 것. 온라인 솔리테어에 대한 가장 널리 퍼진 오해는 어려운 카드 클러스터 — 여러 연속 게임이 평균보다 더 어렵게 느껴지는 세션 — 가 플랫폼이 의도적으로 불리한 카드를 생성하기 때문이라는 것입니다. 이 믿음은 두 가지 이유로 잘못되었습니다. 첫째, 셔플 알고리즘은 균일한 분포를 생성하며, 이는 수학적으로 필요에 의해 유사한 난이도의 카드 클러스터가 무작위 시퀀스에서 나타나는 것과 동일한 빈도로 발생합니다. 연속적으로 어려운 카드 분배가 5번 발생하는 세션은 편향되지 않은 셔플에서 협조적인 카드 분배가 5번 발생하는 것과 동일한 확률을 가집니다. 둘 다 동일하게 가능하며, 어느 것도 체계적인 조작을 나타내지 않습니다. 둘째, 카드 난이도는 셔플 알고리즘이 계산하거나 제어하는 속성이 아닙니다. 알고리즘은 카드의 균일한 순서를 생성하며, 그 순서가 묻힌 에이스나 접근 가능한 에이스를 생성하는지는 순서의 결과이지 알고리즘이 목표로 하는 것이 아닙니다. 알고리즘은 카드 난이도의 개념이 없습니다.
단기 카드 품질을 사용하여 플랫폼 공정성을 평가하는 것. 20게임을 플레이하고 비정상적으로 어려운 세션을 경험한 플레이어는 플랫폼의 셔플이 편향되어 있다고 결론짓습니다. 수학 가이드에서 설명한 바와 같이, 20게임 세션은 35%의 진정한 승률에서 약 10.7 퍼센트 포인트의 표준 편차를 가집니다. 즉, 20%의 승률(20게임 중 5게임 승리)을 가진 세션은 정상적인 통계 범위 내에 있으며, 무작위 변동 외에 설명이 필요하지 않습니다. 20~50게임의 세션에서 플랫폼 공정성을 평가하는 것은 10번의 동전 던지기로 동전의 공정성을 평가하는 것과 같습니다. 샘플이 너무 작아 체계적인 편향과 무작위 변동을 구별할 수 없습니다. 의미 있는 공정성 평가를 위한 최소 샘플은 약 200~500게임입니다. 이 샘플 크기에서 의미 있는 크기의 진정한 알고리즘 편향이 통계적으로 감지될 수 있습니다.
전략이 셔플을 "해독"하여 향후 카드 분배를 예측할 수 있다고 믿는 것. 셔플 알고리즘은 시드에 따라 결정적이기 때문에, 일부 플레이어는 시드를 식별할 수 있다면 세션 내에서 향후 카드 분배를 예측하고 전략을 조정할 수 있다고 추론합니다. 이 추론은 기술적으로 맞지만 실용적으로 불가능합니다. 시드는 플레이어가 관찰할 수 없는 시스템 엔트로피 값에서 파생되며, 관찰 가능한 게임 결과에서 시드를 식별하기 위해 필요한 계산 작업은 PRNG 역전 문제를 해결해야 하며, 이는 계산적으로 불가능하도록 설계되었습니다. 온라인 솔리테어의 카드 분배는 플레이어의 정보 관점에서 진정한 무작위 추첨과 구별할 수 없습니다. 예측 가능성을 가정하는 전략은 독립적인 무작위 사건으로 카드 분배를 다루는 전략보다 성과가 낮습니다. 왜냐하면 예측 가능성 가정이 잘못되어 전략 조정이 유효한 근거 없이 이루어지기 때문입니다.
번호가 매겨진 카드 분배 시스템을 갖춘 FreeCell은 셔플 알고리즘 속성을 직접 경험하기에 가장 좋은 게임입니다. 특정 카드 분배 번호를 선택하면 시드 재현성을 보여주며(매번 동일한 카드 분배가 나타남), 쉬운 카드 분배와 어려운 카드 분배(예: 8개의 이길 수 없는 카드 분배)를 비교하면 카드 난이도가 플레이어의 성과가 아닌 카드 순서의 속성임을 보여줍니다. Pyramid Solitaire는 통계적 클러스터 현상을 생생하게 경험할 수 있는 높은 변동성의 카드 분배를 제공합니다. Pyramid의 25~40% 승률과 상대적으로 짧은 게임 길이는 세션 결과가 크게 변동하게 하여 플레이어가 셔플 알고리즘이 생성하는 자연 변동을 직접 경험할 수 있게 합니다. 50게임 Pyramid 샘플에서 승률을 추적하고 동일한 전략에도 불구하고 샘플 간의 변동성을 관찰하는 것은 모든 솔리테어 변형에서 정확한 성과 평가의 기초가 되는 통계 개념을 직관적으로 이해하는 가장 효율적인 방법 중 하나입니다. 이러한 통계적 속성을 성과 측정에 사용하는 완전한 프레임워크는 수학 가이드를 참조하시고, 이길 수 없는 카드 분배의 빈도에 대한 카드 분배의 함의는 이길 수 없는 카드 분배 가이드를 참조하십시오.
솔리테어 셔플의 무작위성을 다루기 위한 최선의 전략은 무엇인가요? 셔플 알고리즘이 작동하는 방식을 이해하면 세 가지 습관이 자연스럽게 따라옵니다. 첫째, 각 게임을 균일 분포에서 독립적인 샘플로 취급하세요 — 최근 게임의 난이도 패턴에 따라 전략을 조정하지 마세요. 셔플 알고리즘은 기억이 없으며, 최근 패턴은 다가오는 게임에 대한 정보를 제공하지 않습니다. 둘째, FreeCell에서 번호가 매겨진 게임을 사용하여 의도적인 연습을 하세요 — 시드 결정론 덕분에 번호가 매겨진 게임은 재현 가능한 훈련 문제를 제공합니다. 이는 특정 진단 및 순서 기술을 개발하는 데 있어 무작위로 생성된 게임보다 더 효율적인 연습 형식입니다. 셋째, 결론을 내리기 전에 최소 100게임 샘플에서 전략의 질을 평가하세요 — 셔플의 분산으로 인해 짧은 샘플의 승률은 기술 신호보다는 무작위성에 의해 지배됩니다. 짧은 샘플에 기반한 전략 변경은 진정한 성능 차이가 아닌 잡음에 반응하는 것입니다. 어떤 솔리테어 게임이 셔플의 무작위성이 결과에 미치는 영향을 가장 잘 보여주나요? 피라미드 솔리테어는 중간 승률(25–40%), 짧은 게임 길이(3–8분), 높은 게임 간 난이도 변동성을 결합하여 동일한 전략에도 불구하고 50게임 샘플 간 결과가 극적으로 변동하는 것을 보여줍니다. 동일한 전략으로 두 개의 연속적인 50게임 피라미드 세션을 추적하는 플레이어는 세션 간 승률 차이가 10~15% 포인트에 이를 것임을 자주 관찰하게 됩니다 — 이러한 차이는 전략 변화가 아닌 셔플 변동성에 전적으로 기인합니다. 이러한 대규모 변동성의 직접적인 경험은 수학 가이드의 통계적 추론을 즉각적으로 의미 있게 만들어 줍니다. FreeCell의 번호가 매겨진 게임 시스템은 시드 결정론을 보여줍니다 — 첫 번째 게임을 백 번 재생하면 매번 동일하게 나타납니다 — 이는 PRNG 메커니즘을 간접적으로 추론하는 것이 아니라 직접 관찰할 수 있게 합니다. 만약 셔플이 완벽하게 무작위라면 모든 솔리테어 게임이 해결될 수 있나요? 셔플은 실용적인 목적을 위해 이미 효과적으로 완벽하게 무작위입니다 — Fisher-Yates 알고리즘과 고품질 PRNG는 모든 순열에 대해 균일 분포를 생성하며, 이는 이 응용 프로그램에 대한 완벽한 무작위성의 수학적 정의입니다. 따라서 승리 가능성 질문은 셔플 품질이 아니라 게임 분포에 관한 것입니다: 완벽하게 균일한 셔플조차도 무승부 구성이 존재하는 변형에서는 일부 비승리 게임을 생성합니다. 완벽한 셔플 무작위성이 해결 가능한 게임을 보장하지는 않지만, 모든 순열 — 비승리 게임을 포함하여 —이 나타날 확률이 동일하다는 것을 보장합니다. 어떤 변형에서 비승리 게임의 비율은 변형 규칙과 52장 카드 덱의 고정된 수학적 속성이며, 셔플 품질의 결과가 아닙니다. 비승리 게임 가이드에서 다룬 바와 같이, FreeCell은 셔플 방법에 관계없이 비승리 게임이 0.001% 미만입니다; Forty Thieves는 셔플 방법에 관계없이 약 40–60%의 비승리 게임을 가지고 있습니다. 셔플 알고리즘은 이러한 비율이 어떻게 샘플링되는지를 결정하지만, 비율 자체를 변경하지는 않습니다.
답변: 셔플 알고리즘이 어떻게 작동하는지 이해하면 세 가지 습관이 직접적으로 도출됩니다. 첫째, 각 딜을 균등 분포에서 나온 독립 표본으로 취급하세요. 최근 딜들의 난이도 패턴에 따라 전략을 바꾸지 마세요. 셔플 알고리즘은 기억을 갖고 있지 않으며 최근 패턴은 앞으로 올 딜에 대해 아무 정보도 주지 않습니다. 둘째, FreeCell의 번호 딜을 의도적인 연습에 활용하세요. seed의 결정론성 덕분에 번호 딜은 재현 가능한 훈련 문제이며, 특정 진단 능력과 시퀀스 구성 능력을 기르는 데에는 무작위 생성 딜보다 훨씬 효율적입니다. 셋째, 전략의 품질은 최소 100게임 이상의 표본에서 평가한 뒤 결론을 내리세요. 셔플 변동성 때문에 짧은 표본의 승률은 기술 신호보다 무작위성이 지배하며, 짧은 표본을 근거로 한 전략 변경은 실제 성능 차이가 아니라 잡음에 반응하는 것입니다.
답변: Pyramid Solitaire가 셔플 변동성을 가장 생생하게 보여 줍니다. 중간 정도의 승률(25–40%), 짧은 게임 길이(3–8분), 그리고 딜마다 난이도가 크게 달라지는 특성이 결합되어, 같은 전략을 사용해도 50게임 표본 사이의 세션 결과가 극적으로 흔들리기 때문입니다. 동일한 전략으로 연속된 두 번의 50게임 Pyramid 세션을 추적하는 플레이어는, 세션 간 승률 차이가 10~15퍼센트포인트 나는 경우를 흔히 보게 됩니다. 그리고 이 차이는 전략 변화가 아니라 전적으로 셔플 변동성 때문입니다. 이처럼 충분한 규모에서 변동성을 직접 체험하면, 수학 가이드의 통계적 설명이 추상적인 문장이 아니라 직관적으로 이해되는 기준이 됩니다. FreeCell의 번호 딜 시스템은 seed 결정론성을 보여 줍니다. 딜 1번을 백 번 재생하면 백 번 모두 완전히 동일합니다. 이 덕분에 PRNG 메커니즘은 추론의 대상이 아니라 직접 관찰 가능한 것이 됩니다.
답변: 셔플은 실질적인 목적에서는 이미 거의 완벽하게 무작위입니다. 고품질 PRNG와 함께 쓰인 피셔-예이츠 알고리즘은 모든 순열에 대한 균등 분포를 만들어 내며, 이것이 바로 이 응용에서의 완벽한 무작위성의 수학적 정의입니다. 따라서 풀 수 있는가의 문제는 셔플 품질이 아니라 딜 분포의 문제입니다. 완전히 균등한 셔플도, 순열 공간 안에 애초에 불가능한 구성들이 존재하는 변형에서는 일정 비율의 불가능한 딜을 만들어 냅니다. 완벽한 무작위 셔플은 풀 수 있는 딜만을 보장하지 않습니다. 그것은 풀 수 없는 딜을 포함한 모든 순열이 동일한 확률로 나타난다는 사실만을 보장합니다. 어떤 변형에서 불가능한 딜이 차지하는 비율은 그 변형의 규칙과 52장 덱이 함께 만드는 고정된 수학적 성질이며, 셔플 품질의 결과가 아닙니다. 불가능한 딜 가이드에서 설명하듯, FreeCell은 셔플 방식과 무관하게 0.001% 미만의 불가능한 딜을 가지며, Forty Thieves는 셔플 방식과 무관하게 약 40–60%의 불가능한 딜을 가집니다. 셔플 알고리즘은 그 비율을 어떻게 표본화하느냐를 결정할 뿐, 그 비율 자체를 바꾸지는 않습니다.