Brädspelsmatematik: sannolikhet, förväntat värde och varför tärningar känns orättvist

Varje brädspelsmekaniker har en matematisk identitet. Ett tärningskast har ett förväntat värde och en varians. Ett kortdrag har en sannolikhetsfördelning. En resurshandel har en växelkurs som kan uttryckas som ett förhållande. Designers som förstår den här matematiken fattar bättre beslut än designers som arbetar efter känsla – inte för att matematik ersätter intuition, utan för att intuition ofta inte överensstämmer med verkligheten på ett sätt som bara tester är långsamma att rätta till.

Den här artikeln tar upp de matematiska begrepp som betyder mest för brädspelsdesign och spel: sannolikhetsfördelningar, förväntat värde, varians och det psykologiska gapet mellan vad matematiken säger och vad spelarna upplever. Oavsett om du designar ett spel eller bara försöker förstå varför dina tärningssessioner känns så katastrofalt otur, kommer ramverket här att förändra hur du tänker om slumpmässighet i spel.

Varför matematik är viktigt i speldesign

En speldesigner som inte har beräknat det förväntade värdet av sitt spels kärnverksamhetsekonomi vet inte om deras spel fungerar. Detta låter hårt, men det är funktionellt sant. Om den förväntade inkomsten från den bästa tillgängliga åtgärden är 4 resurser per omgång och kostnaden för seger-villkor-åtgärden är 30 resurser, måste designern veta om den inkomstnivån kan uppnås under spelets typiska varaktighet – innan speltestning, inte efter sex sessioner och undrar varför ingen någonsin vinner.

Matte och speltestning är kompletterande verktyg, inte alternativ. Matematik berättar vad teorin förutspår. Playtesting berättar om mänskligt beteende stämmer överens med teorin. För det mesta skiljer de sig åt — inte för att matematiken är fel, utan för att spelare inte alltid väljer den teoretiskt optimala handlingen. Gapet mellan teoretiskt optimalt spel och faktiskt mänskligt spel är i sig en designvariabel: ett spel där endast optimalt spel ger intressanta beslut är ett värre spel än ett där suboptimalt spel också skapar intressanta situationer.

Varje mekaniker har ett förväntat värde, och designers måste känna till det. När en Neutronium: Parallel Wars-spelare får inkomst från Nuclear Ports, får de ett exakt beräknat förväntat värde per port och omgång. När de väljer att attackera istället för att bygga, fattar de ett beslut som har beräknade förväntade utfall under olika scenarier. Designern som kan dessa siffror kan fatta meningsfulla balansbeslut; designern som inte gör det gissar.

Den kritiska asymmetrin är att slumpmässighet känns orättvist även när den är balanserad. En 50/50-myntvändning ger huvuden sex gånger i rad ungefär 1,6 % av tiden - sällan, men inte omöjligt. När det händer en spelare i ett spel upplever de det som att spelet är trasigt, inte som en normal statistisk händelse. Att förstå varför detta händer – och hur designers kan strukturera slumpmässighet för att känna sig mindre straffande samtidigt som de behåller samma underliggande sannolikheter – är den mest praktiskt värdefulla tillämpningen av speldesignmatematik.

Tärningssannolikhet 101

Singeln d6 är det vanligaste randomiseringsverktyget i brädspel och även ett av de mest missförstådda. En standard d6 ger en enhetlig fördelning: varje sida (1 till 6) har en 1/6 sannolikhet att inträffa, och det förväntade värdet är 3,5. Spelare förstår intuitivt detta, men de förstår ofta inte vad det betyder för upprepade kast under en session.

Skillnaden mellan enkel d6 och 2d6 är grundläggande för att förstå varför olika tärningsmekaniker känns olika. En enda d6 har en platt sannolikhetsfördelning — varje utfall från 1 till 6 är lika troligt. Två d6 summerade ger en klockkurva: 7 är det mest sannolika resultatet (sannolikhet 6/36 = 16,7%), medan 2 och 12 vardera har sannolikheten 1/36 = 2,8%. 2d6-fördelningen koncentrerar utfall nära mitten och gör extrema resultat sällsynta. Det är därför Catan, som använder 2d6 för resursproduktion, känns mindre straffande på individuella rullar än system med enkelmatris – distributionen begränsar naturligtvis extrema utfall.

Anpassade tärningar med icke-standardiserade ansiktsfördelningar ger designers exakt kontroll över sannolikhetsprofiler som standardtärningar inte kan tillhandahålla. En tärning med ytorna [0, 0, 0, 1, 1, 2] har en helt annan karaktär än en d6: den producerar noll 50 % av tiden, en 33 % av gångerna och två 17 % av gångerna, med ett förväntat värde på 0,67. Neutronium: Parallel Wars använder anpassade D6-tärningar med färgkodade ansikten: blå ansikten representerar standardstridsresultat, röda ansikten representerar kritiska resultat och gröna ansikten representerar utlösare för speciella förmågor. Fördelningen av ansiktstyper – inte bara antalet ansikten – avgör sannolikheten för varje resultat. En tärning med tre blåa ansikten, två röda ansikten och ett grönt ansikte ger blått resultat 50 % av gångerna, rött 33 % och grönt 17 %. Designern kan justera dessa förhållanden genom att ändra antalet ansikten istället för att skapa matematiskt komplexa upplösningssystem.

Exploderande tärningar är tärningar som, när maxvärdet rullas, rullas igen och resultaten läggs till. En d6 som exploderar på 6 har ett förväntat värde på (1+2+3+4+5+6)/6 + (1/6 × förväntat värde på en d6) = 3,5 + (1/6 × 3,5) = 3,5 + 0,583 = 4,083. Den öppna naturen skapar teoretiskt obegränsade resultat - en lycklig sekvens av explosioner kan producera mycket höga totaler - vilket producerar "känslan av tur"-ögonblick som vissa spel medvetet odlar. Avvägningen är hög varians och en och annan speldefinierande lucky roll.

Begränsade tärningar är den motsatta filosofin: att begränsa det maximala resultatet för att begränsa variansen. Tärningspoolsystem där du slår flera tärningar och tar bara de bästa N-resultaten (fördelssystem som D&D 5E:s fördelsmekaniker, eller Gumshoes multipla tärningar som tar högst) minskar matematiskt variansen samtidigt som sannolikhetskänslan bibehålls. Om du tar det högsta av två d6-rullningar skiftar det förväntade värdet från 3,5 till 4,47 – en förbättring på 28 % – samtidigt som sannolikheten för låga utfall minskar avsevärt.

Förväntat värde i resursspel

Resursackumuleringsspel – euro, motorbyggare, ekonomiska strategier – bygger på förväntade värdeberäkningar som designern måste förstå exakt även om de aldrig förekommer explicit i regelboken. När en spelare väljer mellan två åtgärder jämför de (medvetet eller inte) det förväntade värdet av dessa åtgärder över den relevanta tidshorisonten.

Neutronium: Parallel Warss Nuclear Port-inkomstsystem är ett explicit exempel på designat förväntat värde. Inkomstformeln fastställer att en spelare med N Nuclear Ports får inkomst i en takt som skalas icke-linjärt med N. Den specifika formeln — 1 port ger 2 Neutronium enheter per runda; 10 portar ger 220 Nn per runda — är ingen tillfällighet. Det är designerns uttryckliga uttalande att portackumulering bör ge exponentiell snarare än linjär avkastning, eftersom exponentiell avkastning skapar koalitionströskeln som driver spelets konkurrenskraftiga dynamik.

Denna formel är avsiktlig speldesign uttryckt som matematik. Gapet mellan 7-portars inkomst (42 Nn/runda) och 10-ports inkomst (220 Nn/runda) är det ekonomiska argumentet för varför koalitioner bildas vid 7-ports tröskeln snarare än att vänta till 9 eller 10 portar. Vid 7 hamnar har spelaren tillräckligt med inkomst för att vara hotfull — men koalitionsåtgärder kan fortfarande vara avgörande innan inkomstfördelen blir matematiskt oöverstiglig. En designer som kom fram till dessa siffror enbart genom playtesting kanske får dem ungefär rätt; en designer som förstod exponentialfunktionen från början kunde specificera tröskeln exakt.

Den bredare principen: när exponentiell skalning är avsiktlig speldesign måste designern dokumentera skalningsfunktionen och verifiera att tröskelvärdena den skapar är där de vill ha dem. Om koalitionströskeln ska vara vid 6 hamnar snarare än 7, måste inkomstformeln justeras - vilket kräver att man vet vad formeln är, inte bara att "spelet känns balanserat."

Varians och spelaruppfattning

Varians är måttet på hur mycket faktiska utfall sprids runt det förväntade värdet. Hög varians innebär att individuella resultat kan skilja sig dramatiskt från förväntningarna; låg varians innebär att resultaten ligger nära genomsnittet. För speldesigners är varians en kontrollratt som påverkar både spelets matematiska rättvisa och den subjektiva upplevelsen av att spela det.

Den viktigaste psykologiska insikten: hög varians känns dålig även när den är matematiskt balanserad. En myntvändning är helt rättvis – 50/50, förväntat värde exakt lika för båda spelarna – men att spela ett spel där varje beslut löses genom att kasta mynt känns godtyckligt och olönsamt. Spelare måste känna att deras beslut spelar roll, vilket innebär att de behöver orsakssambandet mellan bra beslut och bra resultat för att kunna uppfattas inom spelsessionen. Hög varians löser den kopplingen.

Hexproblemet 7 kontra 2 Catan illustrerar detta tydligt. I Catan är siffran 7 tryckt på de flesta hexadelarna eftersom det har högst sannolikhet med 2d6 (16,7%). Siffran 2 är tryckt på de minsta hexadelarna (2,8%). Erfarna spelare vet att de prioriterar resurser på 6:or, 8:or, 5:or och 9:or - hexes med hög sannolikhet. Men i en given session kan en spelare som korrekt placerar sina initiala avräkningar på dessa hexes fortfarande underpresteras avsevärt av en spelare med lägre sannolikhetsplaceringar om de faktiska tärningskasten avviker från förväntade värden. Detta är inte orättvist – det är normal statistisk variation. Men det känns orättvist eftersom förhållandet mellan beslutet (bra placering) och utfallet (frekventa resursinkomster) skyms av variansen.

Designlösningarna för att hantera upplevd orättvisa från varians inkluderar: reducerande mekanik (rerolls, resursbanker, catch-up-mekanismer som aktiveras vid oturskörningar), beslutspunkter som förblir meningsfulla även efter otur (så en spelare som rullar dåligt har fortfarande intressanta valmöjligheter) och som favoriserar travarianser, och varians: den ledande spelaren vill ha stabila, förutsägbara spelare dra nytta av högvariansmetoder som snabbt kan minska gapet, även om det förväntade värdet är detsamma.

Kingmaker-ögonblick från tärningar – där ett slumpmässigt kast avgör vilken spelare som vinner eller förlorar i sista omgången – är de mest skadliga variansresultaten för spelarnas tillfredsställelse. Lösningen är inte att eliminera tärningar utan att strukturera det sena spelet så att tärningsresultaten påverkar vägen till seger snarare än att avgöra den direkt. När flera spelare har livskraftiga vinnande positioner på väg in i den sista omgången, är en lucky roll tillfredsställande för vinnaren men känns inte olaglig för förlorarna – eftersom förlorarna också hade en väg att vinna som kunde ha möjliggjorts av deras egna lucky rolls.

Balanstestning med matematik

Ramverket MEQA (Mätbarhet, Engagemang, Kvalitet, Tillgänglighet) tillhandahåller en strukturerad metod för testning av spelbalans. Mätbarhetspelaren – M i MEQA – är där matematiken formellt kommer in i designprocessen: innan lektestningen börjar definierar designern vad "balanserad" betyder i mätbara termer.

För ett spel med asymmetriska fraktioner som Neutronium: Parallel Wars betyder mätbar balans: varje fraktion bör uppnå en vinstgrad inom ett definierat toleransband över ett tillräckligt urval av spel på jämförbara färdighetsnivåer. Om målet är 50 % vinstfrekvens (ren balans) med ett acceptabelt intervall på ±10 %, är en fraktion som vinner 42 % av spelen inom toleransen och en fraktion som vinner 63 % är det inte. Men för att uppnå denna standard krävs att man känner till målet innan man testar – inte deklarerar post-hoc att de observerade vinstfrekvenserna är "nära nog."

Att definiera mätvärden innan speltestning ändrar vad du observerar. Om du vet att du mäter vinstfrekvensen per fraktion spårar du fraktionsuppdrag och resultat över sessioner. Om du vet att du mäter den genomsnittliga spellängden, spelar du in tidsstämplar. Dessa beslut måste fattas före den första lektestsessionen, eftersom retrospektiva mätvärden är opålitliga – minnet är selektivt och människor kommer naturligtvis ihåg sessioner som stödjer befintliga föreställningar.

Samplestorlekskrav för balansslutsatser är ofta större än vad designers förväntar sig. För ett 2-spelares spel med 2 fraktioner ger 30 spel baslinjedata för att upptäcka obalanser större än 15 % med 80 % konfidens. För 4-spelares spel med 6 fraktioner är kombinationsutrymmet mycket större: 30 spel ger dig cirka 5 spel per fraktionspar — knappt tillräckligt för att upptäcka extrem obalans och otillräckligt för att upptäcka subtila fördelar. Indieförlag har sällan resurser för noggrann statistisk validering; det praktiska tillvägagångssättet är att använda matematik för att verifiera förväntade värden, speltestning för att fånga extremvärden och feedback från communityn efter utgivningen för att identifiera överlevande problem.

För hela ramverket – inklusive hur mätbarhet integreras med de andra MEQA-pelarna – se MEQA ramverksguide för spelbalans, som täcker hela tillvägagångssättet för att definiera, mäta och uppnå balans mellan spelsystem.

Inkomstskalningsformeln i Neutronium ansluter direkt till mekanikdetaljen på /mechanics/nuclear-port-scaling, där exponentialfunktionen dokumenteras tillsammans med designresonemanget för varje tröskelvärde.

Sannolikhetsverktyg för designers

Flera verktyg gör speldesign matematik tillgänglig utan att kräva avancerad statistisk utbildning. Det är de som fungerar i praktiken.

AnyDice (anydice.com) är standardkalkylatorn för tärningssannolikhet för speldesigners. Den accepterar naturligt språktärningsnotation (2d6, d4+d8, 3d6 behåll högsta 2) och returnerar sannolikhetsfördelningar, förväntade värden och kumulativa sannolikheter. För alla mekaniker som involverar tärningar, bör AnyDice vara det första verktyget som konsulteras. Dess utdatagrafer gör distributioner omedelbart läsbara och jämförbara – klistra in två olika tärningsuttryck sida vid sida för att direkt se hur deras fördelningar skiljer sig.

Simuleringar av kalkylark (Google Sheets, Excel) hanterar beräkningar som AnyDice inte kan: resursackumulering över flera omgångar, inkomst med flera källor, förväntad spellängd under olika strategiska antaganden. En grundläggande kalkylbladsmodell av ett spels ekonomi – med kolumner för varje tur, rader för varje resurstyp och formler som representerar spelets kärnintäkter och utgiftsmekanik – tar 2–3 timmar att bygga och avslöjar balansproblem som skulle ta 20+ speltester att upptäcka empiriskt.

Monte Carlo-simulering är verktyget med högsta precision: kör ett spels mekanik tusentals gånger beräkningsmässigt för att producera statistiska fördelningar över alla möjliga resultat. För designers med programmeringsbakgrund räcker Python med NumPy för de flesta spelsimuleringsbehov. För designers utan programmeringsbakgrund finns det visuella Monte Carlo-verktyg och till och med kalkylbladsbaserade simuleringar som ger meningsfulla resultat med begränsad teknisk kunskap. Monte Carlo är mest värdefullt för spel med komplexa ömsesidiga beroenden där analytisk beräkning är svår – när flera slumpmässiga händelser interagerar ger simulering mer tillförlitliga distributionsuppskattningar än manuell beräkning.

När man ska lita på matematik kontra när man ska testa: använd matematik för att verifiera teoretisk balans och fånga uppenbara designfel innan du investerar i speltestning. Använd playtesting för att upptäcka hur mänsklig psykologi interagerar med matematiken - de platser där den optimala strategin skiljer sig från vad spelare faktiskt gör, och de platser där matematiken förutspår balans men upplevelsen känns orättvis. Båda är nödvändiga. Ingendera är tillräckligt ensam.

Vanliga frågor