보드 게임 수학: 확률, 기대 가치, 주사위가 불공평하다고 느끼는 이유

모든 보드 게임 메커니즘에는 수학적 정체성이 있습니다. 주사위 굴림에는 기대값과 분산이 있습니다. 카드 뽑기는 확률 분포를 갖습니다. 자원 거래에는 비율로 표현될 수 있는 환율이 있습니다. 이 수학을 이해하는 디자이너는 느낌으로 작업하는 디자이너보다 더 나은 결정을 내립니다. 수학이 직관을 대체하기 때문이 아니라 테스트만으로는 수정이 느리다는 점에서 직관이 현실과 자주 불일치하기 때문입니다.

이 기사에서는 보드 게임 디자인과 플레이에 가장 중요한 수학적 개념, 즉 확률 분포, 기대값, 분산, 수학이 말하는 것과 플레이어가 경험하는 것 사이의 심리적 격차를 다룹니다. 게임을 디자인하든, 단순히 주사위 세션이 왜 그토록 불운하게 느껴지는지 이해하려고 노력하든, 여기 프레임워크는 게임의 무작위성에 대한 생각을 바꿔줄 것입니다.

게임 디자인에서 수학이 중요한 이유

게임의 핵심 액션 경제에 대한 기대 가치를 계산하지 않은 게임 디자이너는 게임이 작동하는지 알 수 없습니다. 이는 가혹하게 들리지만 기능적으로는 사실입니다. 가능한 최선의 행동에서 예상되는 수입이 라운드당 4 리소스이고 승리 조건 행동의 비용이 30 리소스인 경우, 디자이너는 왜 아무도 이기지 못하는지 궁금해하는 6개의 세션 후에가 아니라, 플레이테스트 전에 그 수입률이 게임의 일반적인 기간 동안 달성 가능한지 여부를 알아야 합니다.

수학과 플레이 테스트는 대안이 아닌 보완적인 도구입니다. 수학은 이론이 예측하는 것을 알려줍니다. 플레이테스트는 인간의 행동이 이론과 일치하는지 알려줍니다. 대부분의 경우 그들은 서로 다릅니다. 수학이 틀려서가 아니라 플레이어가 항상 이론적으로 최적의 행동을 선택하지 않기 때문입니다. 이론적 최적의 플레이와 실제 인간 플레이 사이의 격차는 그 자체로 설계 변수입니다. 최적의 플레이만이 흥미로운 결정을 내리는 게임은 차선의 플레이도 흥미로운 상황을 만드는 게임보다 더 나쁜 게임입니다.

모든 기계공에는 예상 값이 있으며 설계자는 이를 알아야 합니다. Neutronium: Parallel Wars 플레이어가 핵 항구에서 수입을 얻으면 라운드당 포트당 정확하게 계산된 기대 값을 받게 됩니다. 구축보다는 공격을 선택하면 다양한 시나리오에서 예상되는 결과를 계산할 수 있는 결정을 내리는 것입니다. 이 숫자를 아는 디자이너는 의미 있는 균형 결정을 내릴 수 있습니다. 그렇지 않은 디자이너는 추측하는 것입니다.

중요한 비대칭성은 임의성이 균형을 이룬 경우에도 불공평하게 느껴진다는 것입니다. 50/50 동전 던지기에서는 약 1.6%의 확률로 6번 연속 앞면이 나옵니다. 드물지만 불가능한 것은 아닙니다. 게임 속 플레이어에게 이런 일이 발생하면 일반적인 통계적 사건이 아니라 게임이 중단되는 것처럼 경험하게 됩니다. 왜 이런 일이 발생하는지, 그리고 디자이너가 동일한 기본 확률을 유지하면서 처벌을 덜 느끼도록 무작위성을 구성할 수 있는 방법을 이해하는 것은 게임 디자인 수학의 가장 실질적으로 가치 있는 적용입니다.

주사위 확률 101

싱글 d6은 보드 게임에서 가장 일반적인 무작위 도구이자 가장 오해를 받는 도구 중 하나입니다. 표준 d6은 균일한 분포를 생성합니다. 즉, 각 면(1~6)의 발생 확률은 1/6이고 예상 값은 3.5입니다. 플레이어는 이를 직관적으로 이해하지만 세션에 걸쳐 반복되는 롤이 무엇을 의미하는지 이해하지 못하는 경우가 많습니다.

단일 d6과 2d6의 구별은 다양한 주사위 메커니즘이 다르게 느껴지는 이유를 이해하는 데 기초가 됩니다. 단일 d6은 균일한 확률 분포를 갖습니다. 즉, 1부터 6까지의 모든 결과가 동일할 가능성이 있습니다. 2개의 d6을 합하면 종형 곡선이 생성됩니다. 7이 가장 가능성이 높은 결과(확률 6/36 = 16.7%)인 반면, 2와 12는 각각 확률 1/36 = 2.8%입니다. 2d6 분포는 중간 근처에 결과를 집중시키고 극단적인 결과를 드물게 만듭니다. 이것이 자원 생산에 2d6을 사용하는 Catan이 단일 다이 시스템보다 개별 롤에 대한 처벌을 덜 느끼는 이유입니다. 분배는 자연스럽게 극단적인 결과를 제한합니다.

비표준 면 분포를 갖춘 맞춤 주사위를 사용하면 디자이너는 표준 주사위가 제공할 수 없는 확률 프로필을 정밀하게 제어할 수 있습니다. 면이 [0, 0, 0, 1, 1, 2]인 주사위는 d6과 매우 다른 특성을 갖습니다. 즉, 0은 50%, 1개는 33%, 2개는 17%를 생성하며 기대값은 0.67입니다. Neutronium: Parallel Wars은 색상으로 구분된 면이 있는 맞춤형 D6 주사위를 사용합니다. 파란색 면은 표준 전투 결과를 나타내고, 빨간색 면은 중요한 결과를 나타내고, 녹색 면은 특수 능력 트리거를 나타냅니다. 얼굴 수뿐만 아니라 얼굴 유형의 분포가 각 결과의 확률을 결정합니다. 세 개의 파란색 면, 두 개의 빨간색 면, 한 개의 녹색 면이 있는 주사위는 파란색 결과를 50%, 빨간색은 33%, 녹색은 17% 생성합니다. 디자이너는 수학적으로 복잡한 해상도 시스템을 만드는 대신 면 개수를 변경하여 이러한 비율을 조정할 수 있습니다.

폭발 주사위는 최대값을 굴릴 때 다시 굴려 결과가 추가되는 주사위입니다. 6일에 폭발하는 d6의 예상 값은 (1+2+3+4+5+6)/6 + (1/6 × d6의 예상 값) = 3.5 + (1/6 × 3.5) = 3.5 + 0.583 = 4.083입니다. 개방형 특성은 이론적으로 무한한 결과를 만들어냅니다. 행운의 연속 폭발은 매우 높은 총계를 생성할 수 있으며, 이는 일부 게임이 의도적으로 배양하는 "행운을 느끼는" 순간을 생성합니다. 그 대가는 높은 분산과 가끔 게임을 정의하는 행운의 굴림입니다.

제한된 주사위는 반대 철학입니다. 최대 결과에 상한을 두어 분산을 제한하는 것입니다. 여러 개의 주사위를 굴리고 가장 좋은 N 결과만 취하는 주사위 풀 시스템(D&D 5E의 이점 메커니즘 또는 Gumshoe의 다중 주사위 가장 높은 점수와 같은 이점 시스템)은 확률적 느낌을 유지하면서 수학적으로 분산을 줄입니다. 두 개의 d6 굴림 중 더 높은 값을 선택하면 기대값이 3.5에서 4.47로 이동하여(28% 개선), 낮은 결과가 나올 가능성이 크게 줄어듭니다.

리소스 게임의 기대 가치

자원 축적 게임(유로, 엔진 빌더, 경제 전략)은 규칙서에 명시적으로 나타나지 않더라도 설계자가 정확하게 이해해야 하는 기대 가치 계산을 기반으로 구축됩니다. 플레이어가 두 가지 행동 중 하나를 선택할 때 플레이어는 (의식적이든 아니든) 관련 기간 동안 해당 행동의 기대 가치를 비교합니다.

Neutronium: Parallel Wars의 원자력항 수입 시스템은 설계된 기대 가치의 명시적인 예입니다. 소득 공식은 N개의 핵 포트를 가진 플레이어가 N에 따라 비선형적으로 확장되는 비율로 소득을 얻도록 설정합니다. 특정 공식 — 1 포트는 라운드당 2 Neutronium 단위를 생성합니다. 10개의 포트는 라운드당 220Nn을 생성합니다. 이는 우연이 아닙니다. 기하급수적 수익이 게임의 경쟁 역학을 주도하는 연합 임계값을 생성하기 때문에 포트 축적이 선형이 아닌 기하급수적 수익을 창출해야 한다는 것이 디자이너의 명시적인 진술입니다.

이 공식은 수학으로 표현된 의도적인 게임 디자인입니다. 7포트 소득(42Nn/라운드)과 10포트 소득(220Nn/라운드) 사이의 격차는 연합이 9개 또는 10개 포트까지 기다리지 않고 7포트 임계값에서 형성되는 이유에 대한 경제적 주장입니다. 7개 항구에서 플레이어는 위협할 만큼 충분한 수입을 가지고 있습니다. 그러나 수입 이점이 수학적으로 극복할 수 없게 되기 전에 연합 조치가 여전히 결정적일 수 있습니다. 플레이 테스트만으로 이 수치에 도달한 디자이너는 대략적인 수치를 얻을 수도 있습니다. 처음부터 지수 함수를 이해한 디자이너라면 임계값을 정확하게 지정할 수 있습니다.

더 넓은 원칙: 지수 확장이 의도적인 게임 디자인인 경우, 디자이너는 확장 기능을 문서화하고 생성된 임계값이 원하는 위치에 있는지 확인해야 합니다. 연합 임계값이 7개가 아닌 6개 포트여야 한다면 소득 공식을 조정해야 합니다. 이를 위해서는 "게임이 균형 잡힌 느낌"을 관찰하는 것뿐만 아니라 공식이 무엇인지 알아야 합니다.

변화와 플레이어 인식

분산은 기대값을 중심으로 실제 결과가 얼마나 퍼져 있는지를 측정한 것입니다. 높은 분산은 개별 결과가 예상과 크게 다를 수 있음을 의미합니다. 낮은 분산은 결과가 평균을 중심으로 밀집되어 있음을 의미합니다. 게임 디자이너에게 변화는 게임의 수학적 공정성과 게임 플레이의 주관적인 경험 모두에 영향을 미치는 컨트롤 노브입니다.

주요 심리학적 통찰: 수학적으로 균형을 이룬 경우에도 변동이 크면 기분이 좋지 않습니다. 동전 던지기는 완벽하게 공평합니다(50/50, 두 플레이어의 기대 가치가 정확히 동일함). 그러나 모든 결정이 동전 던지기로 결정되는 게임을 플레이하는 것은 자의적이고 보람이 없는 것처럼 느껴집니다. 플레이어는 자신의 결정이 중요하다고 느껴야 합니다. 즉, 게임 세션 내에서 인지할 수 있으려면 좋은 결정과 좋은 결과 사이의 인과 관계가 필요하다는 의미입니다. 변동성이 크면 연결이 끊어집니다.

7 대 2 Catan 16진수 문제는 이를 명확하게 보여줍니다. 카탄에서는 숫자 7이 2d6(16.7%)으로 확률이 가장 높기 때문에 가장 많은 헥스에 인쇄됩니다. 숫자 2는 가장 적은 16진수(2.8%)에 인쇄됩니다. 숙련된 플레이어는 확률이 높은 헥스인 6, 8, 5, 9에서 리소스의 우선순위를 정하는 방법을 알고 있습니다. 그러나 특정 세션에서 이 헥스에 초기 정착지를 올바르게 배치한 플레이어는 실제 주사위 굴림이 예상 값에서 벗어나면 확률이 낮은 배치를 가진 플레이어에 의해 여전히 크게 저조할 수 있습니다. 이는 불공평한 것이 아닙니다. 이는 정상적인 통계적 변화입니다. 하지만 결정(좋은 배치)과 결과(빈번한 자원 수입) 사이의 관계가 차이로 인해 모호해지기 때문에 불공평하다고 느껴집니다.

변화로 인한 인지된 불공평함을 관리하기 위한 설계 솔루션에는 완화 메커니즘(재굴림, 자원 은행, 불운이 있을 때 활성화되는 따라잡기 메커니즘), 불운 후에도 의미가 유지되는 결정 지점(따라서 주사위 굴림이 좋지 않은 플레이어가 여전히 흥미로운 선택을 할 수 있음) 및 뒤따르는 플레이어에게 유리한 변화(변수를 통한 따라잡기: 선두 플레이어는 안정적이고 예측 가능한 수입을 원하고 뒤처지는 플레이어는 기대값이 동일하더라도 격차를 빠르게 줄일 수 있는 고분산 접근 방식).

킹메이커의 주사위 순간(무작위 굴림에 따라 최종 라운드에서 어느 플레이어가 승패를 결정하는지)은 플레이어 만족도에 가장 큰 피해를 주는 분산 결과입니다. 해결책은 주사위를 없애는 것이 아니라 주사위 결과가 승리를 향한 길을 완전히 결정하기보다는 승리에 영향을 미치도록 게임 후반을 구조화하는 것입니다. 여러 명의 플레이어가 최종 라운드에 진출할 수 있는 승리 위치를 갖고 있는 경우, 행운의 굴림은 승자에게 만족스럽지만 패자에게는 부당하다고 느껴지지 않습니다. 왜냐하면 패자에게도 자신의 행운의 굴림으로 승리할 수 있는 길이 있었기 때문입니다.

수학을 이용한 균형 테스트

MEQA 프레임워크(측정 가능성, 참여, 품질, 접근성)는 게임 밸런스 테스트에 대한 구조화된 접근 방식을 제공합니다. 측정 가능성 기둥(MEQA의 M)은 수학이 공식적으로 디자인 프로세스에 들어가는 곳입니다. 플레이 테스트가 시작되기 전에 디자이너는 측정 가능한 용어로 '균형'이 무엇을 의미하는지 정의합니다.

Neutronium: Parallel Wars과 같은 비대칭 세력이 있는 게임에서 측정 가능한 균형은 각 세력이 비슷한 기술 수준의 충분한 게임 샘플에서 정의된 허용 범위 내에서 승률을 달성해야 함을 의미합니다. 목표가 허용 가능한 범위 ±10%의 50% 승률(순수 밸런스)인 경우 42%의 게임 승리는 허용 범위 내에 있고 63%의 승리는 허용 범위 내에 없습니다. 하지만 이 표준을 달성하려면 테스트하기 전에 목표를 알아야 합니다. 관찰된 승률이 '충분히 가깝다'고 사후에 선언하는 것은 아닙니다.

플레이 테스트 전에 측정항목을 정의하면 관찰하는 내용이 변경됩니다. 팩션당 승률을 측정하고 있다는 것을 알고 있다면 세션 전반에 걸쳐 팩션 할당과 결과를 추적할 수 있습니다. 평균 게임 길이를 측정하고 있다는 것을 알고 있다면 타임스탬프를 기록합니다. 회고적 지표는 신뢰할 수 없기 때문에 첫 번째 플레이 테스트 세션 전에 이러한 결정을 내려야 합니다. 기억은 선택적이며 인간은 자연스럽게 기존 신념을 뒷받침하는 세션을 기억합니다.

균형 결론을 위한 샘플 크기 요구 사항은 디자이너가 기대하는 것보다 더 큰 경우가 많습니다. 2개의 세력이 포함된 2인 게임의 경우 30개의 게임은 80% 신뢰도에서 15%보다 큰 불균형을 감지하기 위한 기준 데이터를 제공합니다. 6개의 세력이 포함된 4인 게임의 경우 조합 공간이 훨씬 더 큽니다. 30개의 게임은 세력 쌍당 약 5개의 게임을 제공합니다. 이는 극단적인 불균형을 감지하기에는 거의 충분하지 않으며 미묘한 이점을 감지하기에는 충분하지 않습니다. 인디 출판사에는 엄격한 통계 검증을 위한 리소스가 거의 없습니다. 실용적인 접근 방식은 수학을 사용하여 예상 값을 확인하고, 플레이 테스트를 통해 이상값을 파악하고, 출시 후 커뮤니티 피드백을 통해 남아 있는 문제를 식별하는 것입니다.

측정 가능성이 다른 MEQA 핵심 요소와 통합되는 방법을 포함한 전체 프레임워크는 게임 시스템 전반에서 균형을 정의, 측정, 달성하는 전체 접근 방식을 다루는 MEQA 게임 균형 프레임워크 가이드를 참조하세요.

Neutronium의 소득 확장 공식은 /mechanics/nuclear-port-scaling의 역학 세부정보에 직접 연결됩니다. 여기서 지수 함수는 각 임계값에 대한 설계 추론과 함께 문서화되어 있습니다.

디자이너를 위한 확률 도구

고급 통계 교육 없이도 게임 디자인 수학에 접근할 수 있는 여러 도구가 있습니다. 이는 실제로 작동하는 것들입니다.

AnyDice(anydice.com)는 게임 디자이너를 위한 표준 주사위 확률 계산기입니다. 자연어 주사위 표기법(2d6, d4+d8, 3d6은 최고 2를 유지)을 허용하고 확률 분포, 기대값 및 누적 확률을 반환합니다. 주사위와 관련된 메커니즘의 경우 AnyDice가 가장 먼저 참조되는 도구여야 합니다. 출력 그래프를 통해 분포를 즉시 읽고 비교할 수 있습니다. 두 개의 서로 다른 주사위 표현식을 나란히 붙여넣어 분포가 어떻게 다른지 즉시 확인할 수 있습니다.

스프레드시트 시뮬레이션(Google Sheets, Excel)은 AnyDice가 할 수 없는 계산(여러 라운드에 걸친 리소스 축적, 여러 소스를 통한 수입, 다양한 전략적 가정에 따른 예상 게임 길이)을 처리합니다. 게임 경제의 기본 스프레드시트 모델(각 턴에 대한 열, 각 리소스 유형에 대한 행, 게임의 핵심 수입 및 지출 메커니즘을 나타내는 공식 포함)은 구축하는 데 2~3시간이 걸리고 경험적으로 발견하려면 20회 이상의 플레이 테스트가 필요한 균형 문제를 드러냅니다.

몬테카를로 시뮬레이션은 가장 정밀한 도구입니다. 즉, 게임 메커니즘을 수천 번 계산적으로 실행하여 가능한 모든 결과에 대한 통계적 분포를 생성합니다. 프로그래밍 배경이 있는 디자이너의 경우 NumPy가 포함된 Python은 대부분의 게임 시뮬레이션 요구 사항에 충분합니다. 프로그래밍 배경 지식이 없는 디자이너의 경우 제한된 기술 지식으로 의미 있는 결과를 생성하는 시각적 몬테카를로 도구는 물론 스프레드시트 기반 시뮬레이션도 있습니다. 몬테 카를로(Monte Carlo)는 분석 계산이 어려운 복잡한 상호 의존성을 지닌 게임에 가장 유용합니다. 여러 무작위 이벤트가 상호 작용할 때 시뮬레이션은 수동 계산보다 더 신뢰할 수 있는 분포 추정치를 생성합니다.

수학을 믿어야 할 때와 플레이 테스트를 해야 할 때: 플레이 테스트에 투자하기 전에 수학을 사용하여 이론적 균형을 확인하고 명백한 설계 오류를 찾아냅니다. 플레이 테스트를 사용하여 인간 심리학이 수학과 어떻게 상호 작용하는지 알아보세요. 최적의 전략이 플레이어가 실제로 하는 것과 다른 곳, 수학으로는 균형을 예측하지만 경험이 불공평하다고 느끼는 곳이 있습니다. 둘 다 필요합니다. 둘 다 혼자서는 충분하지 않습니다.

자주 묻는 질문