Toda mecânica de jogo de tabuleiro tem uma identidade matemática. Um lançamento de dados tem um valor esperado e uma variação. Uma compra de cartas tem uma distribuição de probabilidade. Um comércio de recursos tem uma taxa de câmbio que pode ser expressa como um rácio. Designers que entendem essa matemática tomam decisões melhores do que designers que trabalham com base no sentimento — não porque a matemática substitui a intuição, mas porque a intuição frequentemente discorda da realidade de maneiras que os testes por si só demoram para corrigir.
Este artigo aborda os conceitos matemáticos mais importantes para o design e o jogo de jogos de tabuleiro: distribuições de probabilidade, valor esperado, variância e a lacuna psicológica entre o que a matemática diz e o que os jogadores vivenciam. Esteja você projetando um jogo ou apenas tentando entender por que suas sessões de dados parecem tão catastroficamente azaradas, a estrutura aqui mudará a forma como você pensa sobre a aleatoriedade nos jogos.
Por que a matemática é importante no design de jogos
Um designer de jogos que não calculou o valor esperado da economia de ação central de seu jogo não sabe se seu jogo funciona. Isso parece duro, mas é funcionalmente verdadeiro. Se a renda esperada da melhor ação disponível for de 4 recursos por rodada e o custo da ação de condição de vitória for de 30 recursos, o designer precisa saber se essa taxa de renda é alcançável durante a duração típica do jogo — antes do teste, e não depois de seis sessões se perguntando por que ninguém ganha.
Matemática e testes são ferramentas complementares, não alternativas. A matemática diz o que a teoria prevê. O playtesting informa se o comportamento humano corresponde à teoria. Na maioria das vezes, eles divergem – não porque a matemática esteja errada, mas porque os jogadores nem sempre escolhem a ação teoricamente ideal. A lacuna entre o jogo ideal teórico e o jogo humano real é em si uma variável de design: um jogo onde apenas o jogo ideal produz decisões interessantes é um jogo pior do que aquele em que o jogo abaixo do ideal também cria situações interessantes.
Toda mecânica tem um valor esperado, e os designers devem saber disso. Quando um jogador Neutronium: Parallel Wars obtém renda de Nuclear Ports, ele está recebendo um valor esperado calculado com precisão por porta e por rodada. Quando optam por atacar em vez de construir, estão a tomar uma decisão que tem resultados esperados computáveis em diferentes cenários. O designer que conhece esses números pode tomar decisões de equilíbrio significativas; o designer que não sabe está adivinhando.
A assimetria crítica é que a aleatoriedade parece injusta mesmo quando é equilibrada. Um lançamento de moeda 50/50 produz cara seis vezes consecutivas, aproximadamente 1,6% das vezes – raramente, mas não impossível. Quando isso acontece com um jogador em um jogo, ele sente que o jogo está quebrado, e não como um evento estatístico normal. Compreender por que isso acontece - e como os designers podem estruturar a aleatoriedade para parecer menos punitivo, mantendo as mesmas probabilidades subjacentes - é a aplicação mais valiosa em termos práticos da matemática do design de jogos.
Probabilidade dos dados 101
O d6 único é a ferramenta de randomização mais comum em jogos de tabuleiro e também uma das mais incompreendidas. Um d6 padrão produz uma distribuição uniforme: cada face (1 a 6) tem 1/6 de probabilidade de ocorrer e o valor esperado é 3,5. Os jogadores entendem isso intuitivamente, mas muitas vezes não conseguem entender o que significa rolagens repetidas durante uma sessão.
A distinção único d6 versus 2d6 é fundamental para entender por que diferentes mecânicas de dados parecem diferentes. Um único d6 tem uma distribuição de probabilidade plana – todos os resultados de 1 a 6 são igualmente prováveis. Dois d6 somados produzem uma curva em forma de sino: 7 é o resultado mais provável (probabilidade 6/36 = 16,7%), enquanto 2 e 12 têm cada um probabilidade 1/36 = 2,8%. A distribuição 2d6 concentra os resultados próximos ao meio e torna raros os resultados extremos. É por isso que Catan, que usa 2d6 para produção de recursos, se sente menos punitivo em testes individuais do que em sistemas de dado único – a distribuição naturalmente limita resultados extremos.
Dados personalizados com distribuições de faces não padronizadas oferecem aos designers controle preciso sobre perfis de probabilidade que os dados padrão não podem fornecer. Um dado com as faces [0, 0, 0, 1, 1, 2] tem um caráter muito diferente de um d6: produz zero 50% das vezes, um 33% das vezes e dois 17% das vezes, com um valor esperado de 0,67. Neutronium: Parallel Wars usa dados D6 personalizados com faces codificadas por cores: faces azuis representam resultados de combate padrão, faces vermelhas representam resultados críticos e faces verdes representam gatilhos de habilidades especiais. A distribuição dos tipos de faces – não apenas o número de faces – determina a probabilidade de cada resultado. Um dado com três faces azuis, duas faces vermelhas e uma face verde produz resultados azuis 50% das vezes, vermelhos 33% e verdes 17%. O designer pode ajustar essas proporções alterando a contagem de faces em vez de criar sistemas de resolução matematicamente complexos.
Dados explosivos são dados que, ao rolar o valor máximo, são lançados novamente e os resultados somados. Um d6 que explode em 6 tem um valor esperado de (1+2+3+4+5+6)/6 + (1/6 × valor esperado de um d6) = 3,5 + (1/6 × 3,5) = 3,5 + 0,583 = 4,083. A natureza aberta cria resultados teoricamente ilimitados – uma sequência de explosões de sorte pode produzir totais muito elevados – o que produz os momentos de “sentimento de sorte” que alguns jogos cultivam deliberadamente. A desvantagem é a alta variância e ocasionais lançamentos de sorte que definem o jogo.
Dados limitados são a filosofia oposta: limitar o resultado máximo para restringir a variância. Os sistemas de pool de dados em que você lança vários dados e obtém apenas os melhores N resultados (sistemas de vantagens como a mecânica de vantagem do D&D 5E ou os dados múltiplos do Gumshoe) reduzem matematicamente a variância, mantendo a sensação probabilística. Fazer o maior dos dois lançamentos d6 muda o valor esperado de 3,5 para 4,47 – uma melhoria de 28% – enquanto reduz significativamente a probabilidade de resultados baixos.
Valor esperado em jogos de recursos
Os jogos de acumulação de recursos – euros, construtores de motores, estratégias económicas – são construídos com base em cálculos de valor esperado que o designer deve compreender com precisão, mesmo que nunca apareçam explicitamente no livro de regras. Quando um jogador escolhe entre duas ações, ele está (conscientemente ou não) comparando o valor esperado dessas ações ao longo do horizonte de tempo relevante.
O sistema de renda Neutronium: Parallel Wars Nuclear Port é um exemplo explícito de valor esperado projetado. A fórmula de renda estabelece que um jogador com N Nuclear Ports recebe renda a uma taxa que aumenta de forma não linear com N. A fórmula específica — 1 porta rende 2 unidades Neutronium por rodada; 10 portas rendem 220 Nn por rodada – não é acidental. É a afirmação explícita do designer que a acumulação portuária deve produzir retornos exponenciais em vez de lineares, porque os retornos exponenciais criam o limiar de coligação que impulsiona a dinâmica competitiva do jogo.
Esta fórmula é um design de jogo intencional expresso como matemática. A diferença entre o rendimento de 7 portos (42 Nn/rodada) e o rendimento de 10 portos (220 Nn/rodada) é o argumento económico que explica porque é que as coligações se formam no limiar de 7 portos em vez de esperar até 9 ou 10 portos. Em 7 portos, o jogador tem rendimento suficiente para ser ameaçador – mas a acção da coligação ainda pode ser decisiva antes que a vantagem de rendimento se torne matematicamente intransponível. Um designer que chegasse a esses números apenas por meio de testes de jogo poderia acertá-los aproximadamente; um designer que entendesse a função exponencial desde o início poderia especificar o limite com precisão.
O princípio mais amplo: quando o escalonamento exponencial é um design de jogo intencional, o designer deve documentar a função de escalonamento e verificar se os limites que ela cria estão onde eles desejam. Se o limite da coalizão for de 6 portos em vez de 7, a fórmula de renda precisa ser ajustada – o que requer saber qual é a fórmula, e não apenas observar que “o jogo parece equilibrado”.
Variância e percepção do jogador
A variância é a medida de quanto os resultados reais se espalham em torno do valor esperado. A alta variação significa que os resultados individuais podem diferir drasticamente das expectativas; baixa variância significa que os resultados se agrupam fortemente em torno da média. Para designers de jogos, a variância é um botão de controle que afeta tanto a imparcialidade matemática do jogo quanto a experiência subjetiva de jogá-lo.
O principal insight psicológico: alta variância é ruim mesmo quando é matematicamente equilibrada. Um lançamento de moeda é perfeitamente justo – 50/50, valor esperado exatamente igual para ambos os jogadores – mas jogar um jogo em que cada decisão é resolvida por lançamento de moeda parece arbitrário e pouco recompensador. Os jogadores precisam de sentir que as suas decisões são importantes, o que significa que precisam que a ligação causal entre boas decisões e bons resultados seja percetível durante a sessão de jogo. A alta variação interrompe essa conexão.
O problema hexadecimal de Catan 7 versus 2 ilustra isso claramente. Em Catan, o número 7 é impresso na maioria dos hexágonos porque tem a maior probabilidade com 2d6 (16,7%). O número 2 é impresso no menor número de hexágonos (2,8%). Jogadores experientes sabem priorizar recursos em 6s, 8s, 5s e 9s – hexágonos de alta probabilidade. Mas em qualquer sessão, um jogador que coloca corretamente suas apostas iniciais nesses hexágonos ainda pode ter um desempenho significativamente inferior a um jogador com colocações de menor probabilidade se os lançamentos reais dos dados se desviarem dos valores esperados. Isto não é injusto – é uma variação estatística normal. Mas parece injusto porque a relação entre a decisão (boa colocação) e o resultado (receita frequente de recursos) é obscurecida pela variação.
As soluções de design para gerenciar a injustiça percebida a partir da variância incluem: mecânica de mitigação (novas jogadas, bancos de recursos, mecanismos de recuperação que são ativados em corridas de azar), pontos de decisão que permanecem significativos mesmo após azar (para que um jogador que joga mal ainda tenha escolhas interessantes) e variância que favorece os jogadores que estão atrás (atualização via variância: o jogador líder deseja uma renda estável e previsível; os jogadores que estão atrás se beneficiam da variância). abordagens de alta variância que podem fechar a lacuna rapidamente, mesmo que o valor esperado seja o mesmo).
Os momentos Kingmaker dos dados - onde um lançamento aleatório determina qual jogador ganha ou perde na rodada final - são os resultados de variância mais prejudiciais para a satisfação do jogador. A solução não é eliminar os dados, mas estruturar o final do jogo de modo que os resultados dos dados afetem o caminho para a vitória, em vez de determiná-lo completamente. Quando vários jogadores têm posições viáveis de vitória na rodada final, uma jogada de sorte é satisfatória para o vencedor, mas não parece ilegítima para os perdedores — porque os perdedores também tinham um caminho para vencer que poderia ter sido possibilitado por suas próprias jogadas de sorte.
Teste de equilíbrio com matemática
A estrutura MEQA (Mensurabilidade, Engajamento, Qualidade, Acessibilidade) fornece uma abordagem estruturada para testes de equilíbrio de jogos. O pilar de mensurabilidade — o M em MEQA — é onde a matemática entra formalmente no processo de design: antes do início do teste, o designer define o que "equilibrado" significa em termos mensuráveis.
Para um jogo com facções assimétricas como Neutronium: Parallel Wars, equilíbrio mensurável significa: cada facção deve atingir uma taxa de vitórias dentro de uma faixa de tolerância definida em uma amostra suficiente de jogos com níveis de habilidade comparáveis. Se a meta for uma taxa de vitória de 50% (equilíbrio puro) com um intervalo aceitável de ±10%, então uma facção que ganhe 42% dos jogos está dentro da tolerância e uma facção que ganhe 63% não está. Mas atingir esse padrão requer conhecer a meta antes do teste – e não declarar post-hoc que as taxas de vitória observadas estão “próximas o suficiente”.
Definir métricas antes do teste muda o que você observa. Se você sabe que está medindo a taxa de vitórias por facção, você monitora as atribuições e os resultados das facções em todas as sessões. Se você sabe que está medindo a duração média do jogo, registre os carimbos de data e hora. Essas decisões devem ser tomadas antes da primeira sessão de teste, porque as métricas retrospectivas não são confiáveis — a memória é seletiva e os humanos se lembram naturalmente das sessões que apoiam as crenças existentes.
Os requisitos de tamanho de amostra para conclusões de equilíbrio costumam ser maiores do que os projetistas esperam. Para um jogo de 2 jogadores com 2 facções, 30 jogos fornecem dados básicos para detectar desequilíbrios maiores que 15% com 80% de confiança. Para jogos de 4 jogadores com 6 facções, o espaço de combinação é muito maior: 30 jogos oferecem aproximadamente 5 jogos por par de facções — apenas o suficiente para detectar desequilíbrio extremo e insuficiente para detectar vantagens sutis. Os editores independentes raramente têm recursos para uma validação estatística rigorosa; a abordagem prática é usar matemática para verificar os valores esperados, testes para detectar valores discrepantes e feedback da comunidade pós-lançamento para identificar problemas remanescentes.
Para ver a estrutura completa, incluindo como a mensurabilidade se integra aos outros pilares MEQA, consulte o guia da estrutura de equilíbrio de jogo MEQA, que cobre a abordagem completa para definir, medir e alcançar equilíbrio entre sistemas de jogo.
A fórmula de escala de renda em Neutronium se conecta diretamente aos detalhes mecânicos em /mechanics/nuclear-port-scaling, onde a função exponencial é documentada junto com o raciocínio do projeto para cada valor limite.
Ferramentas de probabilidade para designers
Várias ferramentas tornam a matemática do design de jogos acessível sem a necessidade de treinamento estatístico avançado. Estes são os que funcionam na prática.
AnyDice (anydice.com) é a calculadora de probabilidade de dados padrão para designers de jogos. Ele aceita notação de dados em linguagem natural (2d6, d4+d8, 3d6 mantém o maior 2) e retorna distribuições de probabilidade, valores esperados e probabilidades cumulativas. Para qualquer mecânica envolvendo dados, AnyDice deve ser a primeira ferramenta consultada. Seus gráficos de saída tornam as distribuições imediatamente legíveis e comparáveis. Cole duas expressões de dados diferentes lado a lado para ver imediatamente como suas distribuições diferem.
Simulações de planilhas (Google Sheets, Excel) lidam com cálculos que AnyDice não consegue: acumulação de recursos em múltiplas rodadas, renda com múltiplas fontes, duração esperada do jogo sob diferentes premissas estratégicas. Um modelo básico de planilha da economia de um jogo — com colunas para cada turno, linhas para cada tipo de recurso e fórmulas que representam a receita principal e a mecânica de gastos do jogo — leva de 2 a 3 horas para ser construído e revela problemas de equilíbrio que levariam mais de 20 testes para serem descobertos empiricamente.
Asimulação de Monte Carlo é a ferramenta de maior precisão: executar a mecânica de um jogo milhares de vezes computacionalmente para produzir distribuições estatísticas em todos os resultados possíveis. Para designers com experiência em programação, Python com NumPy é suficiente para a maioria das necessidades de simulação de jogos. Para designers sem experiência em programação, existem ferramentas visuais de Monte Carlo e até simulações baseadas em planilhas que produzem resultados significativos com conhecimento técnico limitado. Monte Carlo é mais valioso para jogos com interdependências complexas onde o cálculo analítico é difícil — quando vários eventos aleatórios interagem, a simulação produz estimativas de distribuição mais confiáveis do que o cálculo manual.
Quando confiar na matemática versus quando testar: use a matemática para verificar o equilíbrio teórico e detectar erros óbvios de design antes de investir em testes. Use o playtesting para descobrir como a psicologia humana interage com a matemática – os lugares onde a estratégia ideal difere do que os jogadores realmente fazem e os lugares onde a matemática prevê equilíbrio, mas a experiência parece injusta. Ambos são necessários. Nenhum dos dois é suficiente por si só.
Perguntas frequentes
Um jogo onde a matemática foi projetada para ser visível
A escala de renda, os limites de coalizão e o sistema de dados do Neutronium: Parallel Wars são construídos com base em matemática de probabilidade explícita. Entre na lista de espera para atualizações de lançamento.
Entrar na lista de espera →