Matemáticas de Juegos de Mesa: Probabilidad y Valor Esperado

Cada mecánica de un juego de mesa tiene una identidad matemática. Una tirada de dados tiene un valor esperado y una variación. Un robo de cartas tiene una distribución de probabilidad. El comercio de recursos tiene un tipo de cambio que puede expresarse como una proporción. Los diseñadores que entienden estas matemáticas toman mejores decisiones que los diseñadores que trabajan basándose en las sensaciones, no porque las matemáticas reemplacen a la intuición, sino porque la intuición frecuentemente no está de acuerdo con la realidad de maneras que las pruebas por sí solas tardan en corregir.

Este artículo cubre los conceptos matemáticos más importantes para el diseño y el juego de juegos de mesa: distribuciones de probabilidad, valor esperado, varianza y la brecha psicológica entre lo que dicen las matemáticas y lo que experimentan los jugadores. Ya sea que estés diseñando un juego o simplemente tratando de entender por qué tus sesiones de dados parecen tan catastróficamente desafortunadas, el marco aquí cambiará tu forma de pensar sobre la aleatoriedad en los juegos.

Por qué las matemáticas son importantes en el diseño de juegos

Un diseñador de juegos que no ha calculado el valor esperado de la economía de acción central de su juego no sabe si su juego funciona. Esto suena duro, pero es funcionalmente cierto. Si el ingreso esperado de la mejor acción disponible es de 4 recursos por ronda y el costo de la acción de condición de victoria es de 30 recursos, el diseñador necesita saber si esa tasa de ingreso se puede lograr durante la duración típica del juego, antes de probar el juego, no después de seis sesiones preguntándose por qué nadie gana.

Las matemáticas y las pruebas de juego son herramientas complementarias, no alternativas. Las matemáticas te dicen lo que predice la teoría. Las pruebas de juego te dicen si el comportamiento humano coincide con la teoría. La mayoría de las veces divergen, no porque las matemáticas sean incorrectas, sino porque los jugadores no siempre eligen la acción teóricamente óptima. La brecha entre el juego óptimo teórico y el juego humano real es en sí misma una variable de diseño: un juego en el que sólo el juego óptimo produce decisiones interesantes es peor que uno en el que el juego subóptimo también crea situaciones interesantes.

Cada mecánica tiene un valor esperado, y los diseñadores deben saberlo. Cuando un jugador de Neutronium: Parallel Wars obtiene ingresos de los Nuclear Port, recibe un valor esperado calculado con precisión por puerto y ronda. Cuando eligen atacar en lugar de construir, están tomando una decisión que tiene resultados esperados computables en diferentes escenarios. El diseñador que conoce estos números puede tomar decisiones de equilibrio significativas; el diseñador que no lo hace está adivinando.

La asimetría crítica es que la aleatoriedad se siente injusta incluso cuando está equilibrada. Un lanzamiento de moneda 50/50 produce cara seis veces seguidas aproximadamente el 1,6% de las veces; rara vez, pero no imposible. Cuando eso le sucede a un jugador en un juego, lo experimenta como si el juego se hubiera roto, no como un evento estadístico normal. Comprender por qué sucede esto (y cómo los diseñadores pueden estructurar la aleatoriedad para que resulte menos exigente y al mismo tiempo mantener las mismas probabilidades subyacentes) es la aplicación práctica más valiosa de las matemáticas del diseño de juegos.

Probabilidad de dados 101

El d6 único es la herramienta de aleatorización más común en los juegos de mesa y también una de las más incomprendidas. Un d6 estándar produce una distribución uniforme: cada cara (1 a 6) tiene una probabilidad de ocurrir de 1/6 y el valor esperado es 3,5. Los jugadores entienden esto intuitivamente, pero a menudo no entienden lo que significa tiradas repetidas durante una sesión.

La distinción entre un solo d6 y 2d6 es fundamental para comprender por qué las diferentes mecánicas de dados se sienten diferentes. Un solo d6 tiene una distribución de probabilidad plana: todos los resultados del 1 al 6 son igualmente probables.La suma de dos d6 produce una curva de campana: 7 es el resultado más probable (probabilidad 6/36 = 16,7%), mientras que 2 y 12 tienen cada uno una probabilidad de 1/36 = 2,8%. La distribución 2d6 concentra los resultados cerca del medio y hace que los resultados extremos sean raros. Esta es la razón por la que Catan, que utiliza 2d6 para la producción de recursos, resulta menos exigente en tiradas individuales que los sistemas de un solo dado: la distribución naturalmente limita los resultados extremos.

Los dados personalizados con distribuciones de caras no estándar brindan a los diseñadores un control preciso sobre los perfiles de probabilidad que los dados estándar no pueden proporcionar. Un dado con las caras [0, 0, 0, 1, 1, 2] tiene un carácter muy diferente a un d6: produce cero el 50% de las veces, uno el 33% de las veces y dos el 17% de las veces, con un valor esperado de 0,67. Neutronium: Parallel Wars utiliza dados D6 personalizados con caras codificadas por colores: las caras azules representan resultados de combate estándar, las caras rojas representan resultados críticos y las caras verdes representan activadores de habilidades especiales. La distribución de los tipos de rostros (no sólo el número de rostros) determina la probabilidad de cada resultado. Un dado con tres caras azules, dos caras rojas y una cara verde produce resultados azules el 50% de las veces, rojos el 33% y verdes el 17%. El diseñador puede ajustar estas proporciones cambiando el número de rostros en lugar de crear sistemas de resolución matemáticamente complejos.

Dados explosivos son dados que al tirar el valor máximo se vuelven a tirar y se suman los resultados. Un d6 que explota en 6 tiene un valor esperado de (1+2+3+4+5+6)/6 + (1/6 × valor esperado de un d6) = 3,5 + (1/6 × 3,5) = 3,5 + 0,583 = 4,083. La naturaleza abierta crea resultados teóricamente ilimitados (una secuencia afortunada de explosiones puede producir totales muy altos), lo que produce los momentos de "sentirse afortunado" que algunos juegos cultivan deliberadamente. La compensación es una alta variación y una tirada de suerte ocasional que define el juego.

Los dados acotados tienen la filosofía opuesta: limitar el resultado máximo para limitar la varianza. Los sistemas de reserva de dados en los que se lanzan varios dados y se obtienen solo los mejores N resultados (sistemas de ventajas como la mecánica de ventajas de D&D 5E o la toma de dados múltiples de Gumshoe) reducen matemáticamente la variación y mantienen la sensación probabilística. Tomar la mayor de dos tiradas de d6 cambia el valor esperado de 3,5 a 4,47 (una mejora del 28%) al tiempo que reduce significativamente la probabilidad de resultados bajos.

Valor esperado en juegos de recursos

Los juegos de acumulación de recursos (euros, fabricantes de motores, estrategias económicas) se basan en cálculos de valor esperado que el diseñador debe comprender con precisión incluso si nunca aparecen explícitamente en el libro de reglas. Cuando un jugador elige entre dos acciones, está comparando (conscientemente o no) el valor esperado de esas acciones en el horizonte temporal relevante.

Neutronium: Parallel Wars es un ejemplo explícito del valor esperado diseñado. La fórmula de ingresos establece que un jugador con N Nuclear Port recibe ingresos a una tasa que escala de forma no lineal con N. La fórmula específica: 1 puerto produce 2 unidades Neutronium por ronda; 10 puertos rinden 220 Nn por ronda, no es accidental.Es la declaración explícita del diseñador de que la acumulación de puertos debería producir retornos exponenciales en lugar de lineales, porque los retornos exponenciales crean el umbral de coalición que impulsa la dinámica competitiva del juego.

Esta fórmula es un diseño de juego intencional expresado como matemáticas. La brecha entre los ingresos de 7 puertos (42 Nn/ronda) y los ingresos de 10 puertos (220 Nn/ronda) es el argumento económico de por qué se forman coaliciones en el umbral de 7 puertos en lugar de esperar hasta 9 o 10 puertos. En 7 puertos, el jugador tiene ingresos suficientes para ser una amenaza, pero la acción de la coalición aún puede ser decisiva antes de que la ventaja de ingresos se vuelva matemáticamente insuperable. Un diseñador que haya llegado a estos números sólo mediante pruebas de juego podría acertar aproximadamente; un diseñador que entendiera la función exponencial desde el principio podría especificar el umbral con precisión.

El principio más amplio: cuando el escalado exponencial es un diseño de juego intencional, el diseñador debe documentar la función de escalado y verificar que los umbrales que crea estén donde los desea. Si el umbral de coalición debe ser de 6 puertos en lugar de 7, es necesario ajustar la fórmula de ingresos, lo que requiere saber cuál es la fórmula, no simplemente observar que "el juego se siente equilibrado".

Varianza y percepción del jugador

La varianza es la medida de cuánto se distribuyen los resultados reales alrededor del valor esperado. Una alta variación significa que los resultados individuales pueden diferir dramáticamente de las expectativas; Una varianza baja significa que los resultados se agrupan estrechamente alrededor del promedio. Para los diseñadores de juegos, la variación es una perilla de control que afecta tanto la equidad matemática del juego como la experiencia subjetiva de jugarlo.

La idea psicológica clave: la alta varianza se siente mal incluso cuando está matemáticamente equilibrada. Lanzar una moneda es perfectamente justo (50/50, valor esperado exactamente igual para ambos jugadores), pero jugar un juego en el que cada decisión se resuelve lanzando una moneda parece arbitrario y poco gratificante. Los jugadores necesitan sentir que sus decisiones importan, lo que significa que necesitan que la conexión causal entre buenas decisiones y buenos resultados sea perceptible durante la sesión de juego. La alta variación corta esa conexión.

El problema del hexágono de Catan 7 contra 2 ilustra esto claramente. En Catán, el número 7 está impreso en la mayoría de los hexágonos porque tiene la mayor probabilidad con 2d6 (16,7%). El número 2 está impreso en la menor cantidad de hexágonos (2,8%). Los jugadores experimentados saben priorizar los recursos en 6, 8, 5 y 9: hexágonos de alta probabilidad. Pero en cualquier sesión determinada, un jugador que coloca correctamente sus asentamientos iniciales en estos hexágonos puede tener un rendimiento significativamente inferior al de un jugador con ubicaciones de menor probabilidad si las tiradas de dados reales se desvían de los valores esperados. Esto no es injusto: es una variación estadística normal.Pero parece injusto porque la relación entre la decisión (buena ubicación) y el resultado (ingresos frecuentes por recursos) se ve oscurecida por la variación.

Las soluciones de diseño para gestionar la injusticia percibida por la variación incluyen: mecánicas de mitigación (nuevas tiradas, bancos de recursos, mecanismos de recuperación que se activan en carreras de mala suerte), puntos de decisión que siguen siendo significativos incluso después de la mala suerte (por lo tanto, un jugador que tira mal todavía tiene opciones interesantes), y varianza que favorece a los jugadores rezagados (ponerse al día a través de la varianza: el jugador líder quiere ingresos estables y predecibles; los jugadores rezagados se benefician de enfoques de alta varianza que pueden cerrar la brecha rápidamente, aunque el valor esperado sea el mismo).

Los momentos decisivos de los dados, donde una tirada aleatoria determina qué jugador gana o pierde en la ronda final, son los resultados de varianza más perjudiciales para la satisfacción del jugador. La solución no es eliminar los dados, sino estructurar el final del juego de modo que los resultados de los dados afecten el camino hacia la victoria en lugar de determinarlo directamente. Cuando varios jugadores tienen posiciones ganadoras viables de cara a la ronda final, una tirada de suerte es satisfactoria para el ganador, pero no se siente ilegítima para los perdedores, porque los perdedores también tenían un camino para ganar que podría haber sido habilitado por sus propias tiradas de suerte.

Pruebas de equilibrio con matemáticas

El marco MEQA (Mesurabilidad, Compromiso, Calidad, Accesibilidad) proporciona un enfoque estructurado para las pruebas de equilibrio del juego. El pilar de mensurabilidad (la M en MEQA) es donde las matemáticas entran formalmente en el proceso de diseño: antes de que comiencen las pruebas, el diseñador define qué significa "equilibrado" en términos mensurables.

Para un juego con facciones asimétricas como Neutronium: Parallel Wars, un equilibrio mensurable significa: cada facción debe lograr una tasa de victorias dentro de una banda de tolerancia definida en una muestra suficiente de juegos con niveles de habilidad comparables. Si el objetivo es una tasa de victorias del 50% (saldo puro) con un rango aceptable de ±10%, entonces una facción que gane el 42% de las partidas está dentro de la tolerancia y una facción que gane el 63% no. Pero lograr este estándar requiere conocer el objetivo antes de realizar la prueba, no declarar post hoc que las tasas de ganancia observadas son "lo suficientemente cercanas".

Definir métricas antes de probar el juego cambia lo que observas. Si sabes que estás midiendo la tasa de victorias por facción, realizas un seguimiento de las asignaciones de facciones y los resultados en las sesiones. Si sabes que estás midiendo la duración promedio del juego, registras marcas de tiempo. Estas decisiones deben tomarse antes de la primera sesión de prueba, porque las métricas retrospectivas no son confiables: la memoria es selectiva y los humanos recuerdan naturalmente las sesiones que respaldan las creencias existentes.

Los requisitos de tamaño de muestra para las conclusiones de balanzas suelen ser mayores de lo que esperan los diseñadores. Para un juego de 2 jugadores con 2 facciones, 30 juegos proporcionan datos de referencia para detectar desequilibrios superiores al 15 % con un 80 % de confianza. Para juegos de 4 jugadores con 6 facciones, el espacio de combinación es mucho mayor: 30 juegos te dan aproximadamente 5 juegos por par de facciones, apenas suficiente para detectar desequilibrios extremos e insuficiente para detectar ventajas sutiles.Los editores independientes rara vez cuentan con los recursos para una validación estadística rigurosa; el enfoque práctico es utilizar las matemáticas para verificar los valores esperados, realizar pruebas de juego para detectar valores atípicos y recibir comentarios de la comunidad después del lanzamiento para identificar los problemas que persisten.

Para obtener el marco completo, incluido cómo la Medición se integra con los otros pilares MEQA, consulte la guía del marco de equilibrio del juego MEQA, que cubre el enfoque completo para definir, medir y lograr el equilibrio en todos los sistemas de juego.

La fórmula de escalamiento de ingresos en Neutronium se conecta directamente con los detalles mecánicos en /mechanics/nuclear-port-scaling, donde la función exponencial se documenta junto con el razonamiento de diseño para cada valor de umbral.

Herramientas de probabilidad para diseñadores

Varias herramientas hacen que las matemáticas del diseño de juegos sean accesibles sin requerir capacitación estadística avanzada. Estos son los que funcionan en la práctica.

AnyDice (anydice.com) es la calculadora de probabilidad de dados estándar para diseñadores de juegos. Acepta notación de dados en lenguaje natural (2d6, d4+d8, 3d6 mantiene el 2 más alto) y devuelve distribuciones de probabilidad, valores esperados y probabilidades acumuladas. Para cualquier mecánica que involucre dados, AnyDice debe ser la primera herramienta consultada. Sus gráficos de salida hacen que las distribuciones sean inmediatamente legibles y comparables: pegue dos expresiones de dados diferentes una al lado de la otra para ver inmediatamente en qué se diferencian sus distribuciones.

Simulaciones de hojas de cálculo (Google Sheets, Excel) manejan cálculos que AnyDice no puede: acumulación de recursos en múltiples rondas, ingresos con múltiples fuentes, duración esperada del juego bajo diferentes suposiciones estratégicas. Un modelo de hoja de cálculo básico de la economía de un juego (con columnas para cada turno, filas para cada tipo de recurso y fórmulas que representan las mecánicas principales de ingresos y gastos del juego) tarda entre 2 y 3 horas en construirse y revela problemas de equilibrio que requerirían más de 20 pruebas de juego para descubrir empíricamente.

Simulación Monte Carlo es la herramienta de mayor precisión: ejecuta la mecánica de un juego miles de veces computacionalmente para producir distribuciones estadísticas en todos los resultados posibles. Para los diseñadores con experiencia en programación, Python con NumPy es suficiente para la mayoría de las necesidades de simulación de juegos. Para los diseñadores sin experiencia en programación, existen herramientas visuales Monte Carlo e incluso simulaciones basadas en hojas de cálculo que producen resultados significativos con conocimientos técnicos limitados. Monte Carlo es más valioso para juegos con interdependencias complejas donde el cálculo analítico es difícil: cuando interactúan múltiples eventos aleatorios, la simulación produce estimaciones de distribución más confiables que el cálculo manual.

Cuándo confiar en las matemáticas y cuándo realizar pruebas: utiliza las matemáticas para verificar el equilibrio teórico y detectar errores de diseño obvios antes de invertir en pruebas de juego. Utilice las pruebas de juego para descubrir cómo interactúa la psicología humana con las matemáticas: los lugares donde la estrategia óptima difiere de lo que realmente hacen los jugadores y los lugares donde las matemáticas predicen el equilibrio pero la experiencia parece injusta. Ambos son necesarios. Ninguno de los dos es suficiente por sí solo.

Preguntas frecuentes