Гипергеометрическое распределение в геймдизайне

Модель выбора без возврата

Формально гипергеометрическое распределение описывает случайную величину X – количество «успехов» в выборке из конечной популяции.

Пусть:

• N – общее число объектов (карты в колоде, предметы в пуле наград)
• K – число «успехов» в популяции (целевых карт, редких предметов)
• n – размер выборки (количество карт в руке, наград за уровень)
• X – сколько из выбранных n оказались успехами.

Тогда вероятность получить ровно успехов равна:

P(X = k) = [(K /k ) (N - K / n - k)] / (N / n).

В числителе – количество благоприятных комбинаций: выбираем k успешных объектов из K, оставшиеся (n - k) – из неуспехов. В знаменателе – количество всех возможных выборок из N по n.

Ключевой момент для геймдизайнера: без возвращения карты в колоду – каждый выбор изменяет состояние системы. В отличие от биномиального распределения, где каждое испытание независимо, здесь вероятность успеха меняется по мере вытягивания карт или выдачи наград.

Коллекционные карточные игры

Самая очевидная область применения – колодостроительные игры: «Magic: The Gathering», «Hearthstone», «Marvel Snap» и им подобные.

Колода – конечная популяция:

• N – размер колоды (60 карт в MTG, 30 в Hearthstone)
• K – количество нужных копий (например, четыре копии ключевого заклинания)
• n – размер стартовой руки плюс доборы к нужному ходу.

Вопрос системного дизайна: как часто нужная карта окажется у меня в руке к моменту, когда она критична?

Шанс открыть нужную карту

Пусть в 60‑карточной колоде Magic: The Gathering есть четыре копии нужной карты (K = 4). Открываем стартовую руку из семи карт: n = 7. Вероятность увидеть хотя бы одну копию:

P (X 1) = 1 - P (X = 0) = 1 - [(60 - 4) / 7] / (60 / 7).

Расчёт отвечает на вопросы:

• будет ли колода «консистентной» по плану игры?
• нужно ли усиливать эффект добора, чтобы стабилизировать стратегию?
• не даёт ли слишком высокая вероятность ключевой комбинации дисбаланс?

Профессиональные игроки и аналитические сайты используют ровно эту формулу в калькуляторах MTG Odds и подобных калькуляторах гипергеометрических распределений для оценки вероятностей стартовых рук и комбо.

Для геймдизайнера это инструмент обратного проектирования: задав целевой уровень консистентности (например, 80% шанс иметь две земли ко второму ходу), можно подобрать допустимый диапазон K и N и выстраивать баланс именно через ограничения колоды и карты добора, а не только интуицией.

Рис. 1. Magic: The Gathering – игровой процесс

Кривая энергии и кривые угроз

Мана – наиболее частый термин, определяющий игровой ресурс (энергию) в играх. Гипергеометрия лежит в основе анализа мана‑кривой и кривой угроз – распределения стоимости карт по ходам.

Пусть в 30‑карточной колоде:

• 10 карт с ценой 1–2 маны
• 10 карт с ценой 3–4
• 10 карт с ценой 5+.

Мы хотим, чтобы к третьему ходу у игрока почти всегда была хоть одна «играбельная» карта (стоимость ≤ 3). Количество таких карт в колоде обозначим через K, а размер руки к третьему ходу – через n (стартовые карты + доборы). Вероятность «мёртвой» руки:

Р (нет играбельных карт к ходу 3) = [(N - K) / n] / (N / n).

Её можно явно ограничить: «не более 5%». Дальше геймдизайнер перебирает варианты K и добавляет/убирает дешёвые карты и эффекты добора, пока модель не удовлетворит целевой порог.

Такой подход позволяет:

• формализовать «чувство кривой» без опоры только на плейтесты
• строить разные кривые для архетипов (агро, контроль, комбо), держа консистентность в целевых диапазонах
• обосновывать ограничения (минимальный и максимальный размер колоды, лимит копий) через вероятность.

Комбинации и мультивариантная гипергеометрия

Одиночных карт мало – большинство Collectible Card Games (CCG) опираются на комбинации. Здесь используется мультивариантная гипергеометрия – расширение на несколько категорий.

Пусть в колоде есть:

• К₁ копий карты A
• К₂ копий карты B
• К₃ копий любого «ускорителя».

Нас интересует вероятность, что стартовая рука из n карт содержит хотя бы одну A, хотя бы одну B и хотя бы один ускоритель. Аналитики Magic и Yu‑Gi‑Oh используют формулу:

Далее суммируют по всем сочетаниям k_i, удовлетворяющим условию «не меньше одной в каждой категории».

Для геймдизайнера это отвечает на вопросы:

• при скольких копиях элементов комбо оно становится «слишком стабильным»?
• не создаёт ли новый поиск/добор карт излишнюю вероятность критической комбинации уже к ранним ходам?
• какому типу игроков (казуал, хардкорщик) мы хотим дать доступ к таким комбинациям – через вероятностные требования и не только через редкость?

Баланс сложных синергий становится управляемой моделью, позволяющей избежать слепых зон в расчётах. Интуиция заменяется вычислениями и превращается в управляемую величину.

Рис. 2. Magic: The Gathering – игровой процесс

Выпадения предметов и ограниченные ресурсы

Хотя гипергеометрия чаще ассоциируется с колодами, она полезна в любых системах, где пул наград ограничен и награды не возвращаются сразу в пул.

Примеры:

• roguelike‑подземелье, где определённое количество комнат гарантированно содержит полезные события
• сюжетная линия, где за серию действий игрок может получить только ограниченное количество уникальных ключей/ресурсов
• сезонный боевой пропуск, где важные предметы распределены по уровням так, чтобы средний игрок видел их с конкретной вероятностью до окончания сезона.

Если в подземелье есть N комнат, из них K содержат особую награду (например, алтарь или тайник), игрок успевает посетить n комнат за один прогон – гипергеометрия даёт вероятность увидеть ровно k таких наград.

Это позволяет:

• настраивать ощущение «редкости» события в пределах конкретной сложности
• оценивать риск, что игрок полностью пропустит важный опыт в рамках одной сессии
• проектировать системы «гарантированного выпадения» (например, минимум один особый бой за игровую сессию).

В более сложных экономических системах гипергеометрия сочетается с марковскими моделями и гача‑математикой (переход к геометрическому распределению при выборе с возвратом элементов).

Практическое внедрение

Гипергеометрическое распределение помогает ответить на прикладные вопросы без переизбытка сложных вычислений на этапе прототипирования. Практический подход выглядит так:

• Явно описать популяцию. Колода, множество наград, набор событий – фиксируем и разбиваем на категории (успех/неуспех или несколько типов успеха).
• Сформулировать геймдизайнерскую задачу как вероятность. «Как часто игрок должен видеть X к моменту Y?» превращаем в «P (X k) = ? при заданных N, K, n».
• Рассчитать текущие значения. Используем калькуляторы гипергеометрического распределения (MTG, Hearthstone и гача‑игр).
• Подобрать параметры до целевого диапазона. Меняем K (число нужных элементов), N (размер колоды/пула), n (объём выборки – стартовая рука) и фиксируем диапазон вероятностей. Например, 70–85% для «надёжной» стратегии, 30–50% для «рискованной» игры.
• Проверить на краевых случаях. Что будет, если игрок строит «экстремальную» колоду (максимум копий ключевых карт)? Не создаёт ли это доминирующую стратегию?
• Задокументировать модель вместе с правилами. Внутреннее описание системы должно включать ответы на вопросы «что делает механика?», «какие вероятности она обеспечивает?».

Практическая ценность гипергеометрии для геймдизайна – конкретный язык для разговора о консистентности и редкости. Вместо «мне кажется, комбо слишком часто заходит», можно сказать: «при текущих параметрах P (комбинация к ходу 4) = 68%, наша цель – не выше 40%».

Гипергеометрическое распределение, как и теория графов или марковские цепи, становится частью базового математического инструментария геймдизайнера. Везде, где игрок случайно выбирает из конечного набора без возврата – от стартовой руки до цепочки наград в рогалике, – такая модель позволяет превратить ощущения в числа и управлять ими.