Brettspillmatematikk: sannsynlighet, forventet verdi og hvorfor terninger føles urettferdige

Hver brettspillmekaniker har en matematisk identitet. Et terningkast har en forventet verdi og en varians. Et korttrekk har en sannsynlighetsfordeling. En ressurshandel har en valutakurs som kan uttrykkes som et forholdstall. Designere som forstår denne matematikken tar bedre avgjørelser enn designere som jobber etter følelse – ikke fordi matematikk erstatter intuisjon, men fordi intuisjon ofte er uenig med virkeligheten på måter som testing alene er treg å korrigere.

Denne artikkelen dekker de matematiske konseptene som betyr mest for brettspilldesign og spill: sannsynlighetsfordelinger, forventet verdi, varians og det psykologiske gapet mellom det matematikken sier og det spillerne opplever. Enten du designer et spill eller bare prøver å forstå hvorfor terningøktene dine føles så katastrofalt uheldige, vil rammeverket her endre hvordan du tenker på tilfeldighet i spill.

Hvorfor matematikk er viktig i spilldesign

En spilldesigner som ikke har beregnet den forventede verdien av spillets kjernehandlingsøkonomi, vet ikke om spillet deres fungerer. Dette høres hardt ut, men det er funksjonelt sant. Hvis den forventede inntekten fra den beste tilgjengelige handlingen er 4 ressurser per runde og kostnaden for seier-betingelse handlingen er 30 ressurser, må designeren vite om denne inntektsraten er oppnåelig over spillets typiske varighet – før playtesting, ikke etter seks økter og lurer på hvorfor ingen noensinne vinner.

Matematikk og leketesting er komplementære verktøy, ikke alternativer. Matematikk forteller deg hva teorien forutsier. Playtesting forteller deg om menneskelig atferd stemmer overens med teorien. Mesteparten av tiden divergerer de - ikke fordi regnestykket er feil, men fordi spillere ikke alltid velger den teoretisk optimale handlingen. Gapet mellom teoretisk optimalt spill og faktisk menneskelig lek er i seg selv en designvariabel: et spill der bare optimalt spill produserer interessante avgjørelser er et verre spill enn et hvor suboptimalt spill også skaper interessante situasjoner.

Hver mekaniker har en forventet verdi, og designere må vite det. Når en Neutronium: Parallel Wars-spiller får inntekter fra Nuclear Ports, mottar de en nøyaktig beregnet forventet verdi per port per runde. Når de velger å angripe i stedet for å bygge, tar de en beslutning som har beregnede forventede utfall under forskjellige scenarier. Designeren som kjenner disse tallene kan ta meningsfulle balansebeslutninger; designeren som ikke gjør det, gjetter.

Den kritiske asymmetrien er at tilfeldighet føles urettferdig selv når den er balansert. En 50/50 myntflipp produserer hoder seks ganger på rad omtrent 1,6 % av tiden - sjelden, men ikke umulig. Når det skjer med en spiller i et spill, opplever de det som at spillet blir ødelagt, ikke som en vanlig statistisk hendelse. Å forstå hvorfor dette skjer – og hvordan designere kan strukturere tilfeldighet for å føle seg mindre straffende og samtidig opprettholde de samme underliggende sannsynlighetene – er den mest praktisk verdifulle anvendelsen av spilldesignmatematikk.

Terning sannsynlighet 101

Singelen d6 er det vanligste randomiseringsverktøyet i brettspill og også et av de mest misforståtte. En standard d6 gir en jevn fordeling: hver side (1 til 6) har 1/6 sannsynlighet for å inntreffe, og forventet verdi er 3,5. Spillere forstår dette intuitivt, men de forstår ofte ikke hva det betyr for gjentatte kast over en økt.

Distinksjonen single d6 versus 2d6 er grunnleggende for å forstå hvorfor forskjellige terningmekanikker føles forskjellige. En enkelt d6 har en flat sannsynlighetsfordeling - hvert utfall fra 1 til 6 er like sannsynlig. To d6 summert gir en klokkekurve: 7 er det mest sannsynlige resultatet (sannsynlighet 6/36 = 16,7%), mens 2 og 12 hver har sannsynlighet 1/36 = 2,8%. 2d6-fordelingen konsentrerer utfall nær midten og gjør ekstreme resultater sjeldne. Dette er grunnen til at Catan, som bruker 2d6 for ressursproduksjon, føles mindre straffende på individuelle kast enn enkeltmatrissystemer – distribusjonen begrenser naturligvis ekstreme utfall.

Egendefinerte terninger med ikke-standardiserte ansiktsfordelinger gir designere presis kontroll over sannsynlighetsprofiler som standardterninger ikke kan gi. En terning med flatene [0, 0, 0, 1, 1, 2] har en helt annen karakter enn en d6: den produserer null 50 % av tiden, en 33 % av tiden og to 17 % av tiden, med en forventet verdi på 0,67. Neutronium: Parallel Wars bruker tilpassede D6-terninger med fargekodede ansikter: blå ansikter representerer standard kampresultater, røde ansikter representerer kritiske resultater, og grønne ansikter representerer spesielle evneutløsere. Fordelingen av ansiktstyper - ikke bare antall ansikter - bestemmer sannsynligheten for hvert utfall. En terning med tre blå ansikter, to røde ansikter og ett grønt ansikt gir blått utfall 50 % av tiden, rødt 33 % og grønt 17 %. Designeren kan justere disse forholdstallene ved å endre ansiktsantallet i stedet for å lage matematisk komplekse oppløsningssystemer.

Eksploderende terninger er terninger som, når du kaster maksimalverdien, kastes igjen og resultatene legges til. En d6 som eksploderer på 6 har en forventet verdi på (1+2+3+4+5+6)/6 + (1/6 × forventet verdi av en d6) = 3,5 + (1/6 × 3,5) = 3,5 + 0,583 = 4,083. Den åpne naturen skaper teoretisk ubegrensede resultater - en heldig sekvens av eksplosjoner kan produsere svært høye totaler - som produserer "følelsen av heldige" øyeblikkene som noen spill med vilje dyrker. Avveiningen er høy variasjon og sporadiske spilldefinerende heldige kast.

Begrensede terninger er den motsatte filosofien: begrense maksimalt utfall for å begrense variansen. Terningbassengsystemer hvor du kaster flere terninger og tar kun de beste N-resultatene (fordelsystemer som D&D 5Es fordelsmekaniker, eller Gumshoes flere terninger som tar høyest) reduserer matematisk variansen samtidig som den opprettholder sannsynlighetsfølelsen. Å ta den høyeste av to d6-kast flytter den forventede verdien fra 3,5 til 4,47 – en forbedring på 28 % – samtidig som sannsynligheten for lave utfall reduseres betraktelig.

Forventet verdi i ressursspill

Ressursakkumuleringsspill – euro, motorbyggere, økonomiske strategier – er bygget på forventede verdiberegninger som designeren må forstå nøyaktig selv om de aldri vises eksplisitt i regelboken. Når en spiller velger mellom to handlinger, sammenligner de (bevisst eller ikke) den forventede verdien av disse handlingene over den relevante tidshorisonten.

Neutronium: Parallel Warss Nuclear Port-inntektssystem er et eksplisitt eksempel på designet forventet verdi. Inntektsformelen fastslår at en spiller med N Nuclear Ports mottar inntekt med en hastighet som skaleres ikke-lineært med N. Den spesifikke formelen — 1 port gir 2 Neutronium enheter per runde; 10 porter gir 220 Nn per runde — er ikke tilfeldig. Det er designerens eksplisitte uttalelse at portakkumulering bør gi eksponentielle snarere enn lineære avkastninger, fordi eksponentielle avkastninger skaper koalisjonsterskelen som driver spillets konkurransedynamikk.

Denne formelen er tilsiktet spilldesign uttrykt som matematikk. Gapet mellom 7-ports inntekt (42 Nn/runde) og 10-ports inntekt (220 Nn/runde) er det økonomiske argumentet for hvorfor koalisjoner dannes ved 7-ports terskelen i stedet for å vente til 9 eller 10 porter. Ved 7 porter har spilleren nok inntekt til å være truende — men koalisjonsaksjon kan fortsatt være avgjørende før inntektsfordelen blir matematisk uoverkommelig. En designer som kom frem til disse tallene gjennom playtesting alene, kan kanskje få dem tilnærmet riktig; en designer som forsto den eksponentielle funksjonen fra begynnelsen, kunne spesifisere terskelen nøyaktig.

Det bredere prinsippet: når eksponentiell skalering er tilsiktet spilldesign, må designeren dokumentere skaleringsfunksjonen og verifisere at tersklene den skaper er der de vil ha dem. Hvis koalisjonsterskelen skal være på 6 havner i stedet for 7, må inntektsformelen justeres - noe som krever at man vet hva formelen er, ikke bare observerer at "spillet føles balansert."

Varians og spilleroppfatning

Varians er et mål på hvor mye faktiske utfall spredt rundt forventet verdi. Høy varians betyr at individuelle resultater kan avvike dramatisk fra forventningene; lav varians betyr at resultatene klynger seg tett rundt gjennomsnittet. For spilldesignere er varians en kontrollknapp som påvirker både den matematiske rettferdigheten til spillet og den subjektive opplevelsen av å spille det.

Den viktigste psykologiske innsikten: høy varians føles dårlig selv når den er matematisk balansert. En myntflipp er helt rettferdig – 50/50, forventet verdi nøyaktig lik for begge spillere – men å spille et spill der hver avgjørelse blir løst med myntflipp føles vilkårlig og lite givende. Spillere må føle at avgjørelsene deres betyr noe, noe som betyr at de trenger årsakssammenhengen mellom gode avgjørelser og gode resultater for å kunne ses i spilløkten. Høy varians bryter den forbindelsen.

7 versus 2 Catan hex-problemet illustrerer dette tydelig. I Catan er tallet 7 skrevet ut på flest heksede punkter fordi det har høyest sannsynlighet med 2d6 (16,7%). Tallet 2 er trykt på færrest heksede linjer (2,8%). Erfarne spillere vet å prioritere ressurser på 6-ere, 8-ere, 5-ere og 9-ere - høysannsynlige hexes. Men i en gitt økt kan en spiller som plasserer sine innledende oppgjør på disse hexene, fortsatt bli betydelig underprestert av en spiller med lavere sannsynlighetsplasseringer hvis de faktiske terningkastene avviker fra forventede verdier. Dette er ikke urettferdig - det er normal statistisk variasjon. Men det føles urettferdig fordi forholdet mellom beslutningen (god plassering) og utfallet (hyppig ressursinntekt) er tilslørt av variansen.

Designløsningene for å håndtere opplevd urettferdighet fra variasjon inkluderer: begrensningsmekanikk (rerolls, ressursbanker, catch-up-mekanismer som aktiveres ved uflakskjøringer), beslutningspunkter som forblir meningsfulle selv etter uflaks (slik at en spiller som kaster dårlig fortsatt har interessante valgmuligheter), og favoriserer travarianser, og varians: den ledende spilleren ønsker stabile, forutsigbare inntekter, drar nytte av tilnærminger med høy varians som kan lukke gapet raskt, selv om den forventede verdien er den samme).

Kingmaker-øyeblikk fra terninger – der et tilfeldig kast avgjør hvilken spiller som vinner eller taper i siste runde – er de mest skadelige variansutfallene for spillertilfredshet. Løsningen er ikke å eliminere terninger, men å strukturere det sene spillet slik at terningresultatene påvirker veien til seier i stedet for å bestemme den direkte. Når flere spillere har levedyktige vinnerposisjoner som går inn i siste runde, er et heldig kast tilfredsstillende for vinneren, men det føles ikke illegitimt for taperne – fordi taperne også hadde en vei til å vinne som kunne vært muliggjort av deres egne heldige kast.

Balansetesting med matematikk

MEQA-rammeverket (Målbarhet, Engasjement, Kvalitet, Tilgjengelighet) gir en strukturert tilnærming til testing av spillbalanse. Målbarhetssøylen – M i MEQA – er der matematikken formelt kommer inn i designprosessen: før leketestingen begynner, definerer designeren hva "balansert" betyr i målbare termer.

For et spill med asymmetriske fraksjoner som Neutronium: Parallel Wars betyr målbar balanse: hver fraksjon skal oppnå en gevinstrate innenfor et definert toleransebånd over et tilstrekkelig utvalg spill på sammenlignbare ferdighetsnivåer. Hvis målet er 50 % gevinstrate (ren balanse) med ±10 % akseptabel rekkevidde, er en fraksjon som vinner 42 % av spillene innenfor toleranse og en fraksjon som vinner 63 % er det ikke. Men for å oppnå denne standarden kreves det at man kjenner målet før testing – ikke å erklære post-hoc at observerte gevinstrater er "nære nok."

Å definere beregninger før playtesting endrer det du observerer. Hvis du vet at du måler gevinstraten per fraksjon, sporer du fraksjonsoppdrag og resultater på tvers av økter. Hvis du vet at du måler gjennomsnittlig spilllengde, registrerer du tidsstempler. Disse avgjørelsene må tas før den første leketestøkten, fordi retrospektive beregninger er upålitelige – hukommelsen er selektiv og mennesker husker naturlig økter som støtter eksisterende tro.

Krav til prøvestørrelse for balansekonklusjoner er ofte større enn designere forventer. For et 2-spillers spill med 2 fraksjoner, gir 30 spill grunnlinjedata for å oppdage ubalanser større enn 15 % med 80 % konfidens. For 4-spillerspill med 6 fraksjoner er kombinasjonsplassen mye større: 30 spill gir deg omtrent 5 spill per fraksjonspar – knapt nok til å oppdage ekstrem ubalanse, og utilstrekkelig for å oppdage subtile fordeler. Indie-utgivere har sjelden ressurser til streng statistisk validering; den praktiske tilnærmingen er å bruke matematikk for å verifisere forventede verdier, leketesting for å fange avvikere og tilbakemeldinger fra samfunnet etter utgivelsen for å identifisere overlevende problemer.

For hele rammeverket – inkludert hvordan målbarhet integreres med de andre MEQA pilarene – se MEQA rammeverkveiledningen for spillbalanse, som dekker hele tilnærmingen til å definere, måle og oppnå balanse på tvers av spillsystemer.

Inntektsskaleringsformelen i Neutronium kobles direkte til mekanikkdetaljene på /mechanics/nuclear-port-scaling, der eksponentiell funksjon er dokumentert sammen med designbegrunnelsen for hver terskelverdi.

Sannsynlighetsverktøy for designere

Flere verktøy gjør spilldesignmatematikk tilgjengelig uten å kreve avansert statistisk opplæring. Det er disse som fungerer i praksis.

AnyDice (anydice.com) er standard terning sannsynlighetskalkulator for spilldesignere. Den aksepterer terningnotasjon med naturlig språk (2d6, d4+d8, 3d6 beholder høyest 2) og returnerer sannsynlighetsfordelinger, forventede verdier og kumulative sannsynligheter. For alle mekanikere som involverer terninger, bør AnyDice være det første verktøyet som konsulteres. Utgangsgrafene gjør distribusjonene umiddelbart lesbare og sammenlignbare – lim inn to forskjellige terninguttrykk side ved side for å se umiddelbart hvordan distribusjonene deres er forskjellige.

Regnearksimuleringer (Google Sheets, Excel) håndterer beregninger som AnyDice ikke kan: ressursakkumulering over flere runder, inntekt med flere kilder, forventet spilllengde under ulike strategiske forutsetninger. En grunnleggende regnearkmodell av et spills økonomi – med kolonner for hver runde, rader for hver ressurstype og formler som representerer spillets kjerneinntekter og forbruksmekanikk – tar 2–3 timer å bygge og avslører balanseproblemer som det vil ta mer enn 20 spilletester å oppdage empirisk.

Monte Carlo-simulering er det høyeste presisjonsverktøyet: kjører et spills mekanikk tusenvis av ganger beregningsmessig for å produsere statistiske fordelinger på tvers av alle mulige utfall. For designere med programmeringsbakgrunn er Python med NumPy tilstrekkelig for de fleste spillsimuleringsbehov. For designere uten programmeringsbakgrunn er det visuelle Monte Carlo-verktøy og til og med regnearkbaserte simuleringer som gir meningsfulle resultater med begrenset teknisk kunnskap. Monte Carlo er mest verdifull for spill med komplekse gjensidige avhengigheter der analytisk beregning er vanskelig – når flere tilfeldige hendelser samhandler, produserer simulering mer pålitelige distribusjonsestimater enn manuell beregning.

Når du skal stole på matematikk versus når du skal spilletest: bruk matematikk for å bekrefte teoretisk balanse og fange opp åpenbare designfeil før du investerer i leketesting. Bruk playtesting for å oppdage hvordan menneskelig psykologi interagerer med matematikken – stedene der den optimale strategien er forskjellig fra hva spillerne faktisk gjør, og stedene der matematikken forutsier balanse, men opplevelsen føles urettferdig. Begge er nødvendige. Ingen av delene er tilstrekkelig alene.

Ofte stilte spørsmål