دارت‌هایم پخش‑اند — مسئلهٔ σ یا تراز؟

⚠️ سطح شواهد: 🔵 [MOD] — مدل گاوسی دومتغیره. اعداد σ از مدل‌سازی می‌آیند، نه از سنجش میدانی گسترده.

۱. کار امروز

۲. چطور انجام دهید

1. تخته را پیش از سنجش بچرخانید (مقالهٔ ۶.۳۲) و نور را چک کنید (≥ ۱۵۰۰ لوکس).
2. ۵۰ پرتاب را در ابتدای جلسه بزنید، نه پس از یک ساعت بازی.
3. اگر ابزار ندارید، از نقشهٔ حرارتی دستی استفاده کنید (مقالهٔ ۵.۳) یا از سامانه‌های خودکار مانند Autodarts با دقت ۹۹٪+ (مقالهٔ ۸.۷).
4. برای برآورد دقیق‌تر، مدل بیزی با ۶۲ ناحیهٔ هدف با همین ۵۰ پرتاب کار می‌کند (مقالهٔ ۵.۱۶).

۳. چطور بفهمید جواب داد

⚠️ σ کندتر از μ تغییر می‌کند. انتظار بهبود σ در دو هفته واقع‑بینانه نیست.

۴. چرا این کار می‌کند

• مدل گاوسی دومتغیره هدف بهینه را تابع σ می‌داند: در σ بالا، T19 به‑دلیل همسایگی امن‑تر (۷ و ۳) نسبت به T20 (۱ و ۵) برتری می‌یابد 🔵 [MOD] (مقالات ۵.۱ و ۵.۲).
• ارقام مرجع: پرتاب کاملاً تصادفی امتیاز مورد انتظار ۱۲٫۸۲ می‌دهد (۳۷۰۶۱۹٫۸۰۷۵ ÷ ۲۸۹۰۰)؛ بازیکن با σ بالا که T20 می‌زند ۱۰٫۲ می‌گیرد — یعنی بدتر از تصادفی 🔵 [MOD].
• در σ بسیار بالا (۶۴٫۶ mm) هدف بهینه به پایین‑چپ بولزآی منتقل می‌شود 🔵 [MOD].
• مزیت راهبرد بهینه کوچک اما واقعی است: ۰٫۲–۰٫۶٪ در هر لگ و ۲٫۳٪ در بهترین از ۳۵ 🔵 [MOD] (مقالهٔ ۵.۹).

⚠️ تناقض مستند در ارقام σ

سه عدد در ادبیات موجود است: ۱۷ mm، ۲۵ mm و ۲۶٫۹ mm. سیاست ما: ۲۶٫۹ نقطهٔ تعویض دقیق مدل و ۲۵ قاعدهٔ سرانگشتی است؛ ۱۷ توصیف σ بازیکن حرفه‌ای است، نه آستانه.

⚠️ آنچه نباید کرد

1. σ را از ۱۰ پرتاب برآورد نکنید.
2. برای σ بالا تجهیزات عوض نکنید — σ با تمرین کم می‌شود، نه با خرید.
3. هدف را وسط یک لگ عوض نکنید؛ دادهٔ واقعی PDC نشان می‌دهد ترجیح شخصی پایدار بر نظریه غلبه می‌کند (مقالهٔ ۵.۲۵).
4. σ سنجیده‑شده در تمرین را با σ مسابقه یکی نگیرید (مقالهٔ ۱۰.۱۰).

جمع‑بندی

1. ۵۰ پرتاب، دو عدد: μ و σ.
2. σ حرفه‌ای ~۱۷ mm، تفریحی ~۴۰ mm.
3. مرز تصمیم ۲۶٫۹ mm (سرانگشتی ۲۵).
4. σ بالا + T20 = ۱۰٫۲، بدتر از تصادفی ۱۲٫۸۲.
5. در σ خیلی بالا، بولزآی پایین‑چپ.
6. μ سریع اصلاح می‌شود، σ کند.
7. ⚪ توزیع σ در جمعیت بازیکنان هرگز میدانی سنجیده نشده.

❓ پرسش‌های متداول

σ را بدون نرم‌افزار چطور بسنجم؟ با شمردن دارت‌های داخل دایره‌های فرضی ۲۰، ۴۰ و ۶۰ میلی‌متری حول مرکز ابر.

σ من ۴۰ است؛ ناامیدکننده است؟ این σ نوعی بازیکن تفریحی است. تصمیم درست، تغییر هدف است نه تغییر خودتان.

آیا T19 همیشه برای مبتدی بهتر است؟ نه همیشه؛ فقط وقتی σ از مرز عبور کند 🔵 [MOD].

سود این تصمیم چقدر است؟ ۰٫۲–۰٫۶٪ در هر لگ — کوچک ولی رایگان.

σ چقدر سریع کم می‌شود؟ ⚪ منحنی یادگیری σ در دارت مدل‑سازی نشده است.

نقشهٔ حرارتی شخصی چیست؟ تصویر همان توزیع پرتاب‌ها (مقالهٔ ۵.۳).

📚 منابع

• σ حرفه‌ای ۱۷ mm · تفریحی ۴۰ mm · تعویض ۲۶٫۹ mm · ۶۴٫۶ mm — 🔵 [MOD]
• پرتاب تصادفی ۱۲٫۸۲ · σ بالا روی T20 ۱۰٫۲ — 🔵 [MOD]
• مزیت ۰٫۲–۰٫۶٪ در لگ، ۲٫۳٪ در بهترین از ۳۵ — 🔵 [MOD]
• Autodarts دقت ۹۹٪+ — 🟠 [PK]
• ⚪ [GAP] نبود دادهٔ میدانی توزیع σ

🔗 مطالعهٔ بیشتر

• ۵.۱ مدل گاوسی دومتغیره
• ۵.۲ آیا همیشه باید تریپل ۲۰ بزنید؟
• ۵.۳ نقشهٔ حرارتی شخصی
• ۵.۱۶ مدل بیزی با ۶۲ ناحیهٔ هدف
• ۸.۷ Autodarts، Scolia و Omni
• ۱۰.۱۲ σ خودتان را در ۲۰ دقیقه بسنجید

جمع‌آوری شده توسط بابک آقایی | بر پایهٔ سیستم مرجع دانش دارت نسخهٔ ۴٫۰ | بازبینی: ۱ اوت ۲۰۲۶