🎯 DartPro
خانه › 🟪 استراتژی و آنالیتیکس
5.0 استراتژی و آنالیتیکس[PR] [MOD] [AD] [PK] [GAP]

ریاضیات دارت: مرجع کامل

دارت یکی از معدود ورزش‌هایی است که کاملاً حل شده — به این معنا که برای هر موقعیت، یک پاسخ بهینهٔ قابل محاسبه وجود دارد. این مقاله سه لایهٔ ریاضی آن را معرفی می‌کند.

۱. چرا دارت یک مسئلهٔ ریاضی ایده‌آل است

دارت یک مهارت بسته، خودتنظیم، با کوشش‌های گسسته، بدون تداخل حریف و با هندسهٔ استاندارد است. به همین دلیل پژوهشگران آن را «محیطی تقریباً ایده‌آل» می‌دانند.

سه لایهٔ مدل‌سازی:

لایه پرسش ابزار
۱. مدل مهارت پرتاب من چقدر پراکنده است؟ گاوسی دومتغیره + EM
۲. تصمیم متوالی کجا نشانه بروم تا زودتر تمام کنم؟ فرآیند تصمیم مارکوف
۳. تعامل با حریف امتیاز حریف چگونه تصمیم من را عوض می‌کند؟ بازی مجموع‑صفر

۲. لایهٔ اول: مدل مهارت گاوسی

فرمول‌بندی پایه

پرتاب به‌صورت متغیر تصادفی گاوسی دومتغیره مدل می‌شود:

$$Z = \mu + \varepsilon, \quad \varepsilon \sim N(0, \sigma^2 I)$$

که μ نقطهٔ هدف و σ نمایهٔ مهارت است.

فرم کامل با پراکندگی ناهمسان

$$f(x, y) = \frac{1}{2\pi \sigma_x \sigma_y \sqrt{1-\rho^2}} \exp\left( -\frac{1}{2(1-\rho^2)} \left[ \frac{(x-\mu_x)^2}{\sigma_x^2} + \frac{(y-\mu_y)^2}{\sigma_y^2} - \frac{2\rho(x-\mu_x)(y-\mu_y)}{\sigma_x \sigma_y} \right] \right)$$

σ_x پراکندگی افقی، σ_y پراکندگی عمودی، ρ ضریب همبستگی.

محاسبهٔ امتیاز مورد انتظار

امتیاز مورد انتظار، کانولوشن چگالی گاوسی با تابع امتیاز بورد است:

$$(f_{\sigma^2} * s)(\mu)$$

که به‌طور کارآمد با دو FFT مستقیم و یک FFT معکوس روی شبکهٔ میلی‌متری بورد محاسبه می‌شود.

🔑 نبوغ روش: برآورد بدون مختصات

مسئله این بود: برای برآورد σ باید بدانید دارت‌ها کجا فرود آمده‌اند — اما ما فقط امتیاز را می‌دانیم.

راه‌حل: الگوریتم EM (Expectation-Maximization) موقعیت‌های فرود را به‌عنوان دادهٔ گمشده در نظر می‌گیرد و σ را فقط از روی امتیازها برآورد می‌کند.

حدود ۵۰ پرتاب به بولزآی کافی است.

برای گونه‌های غیرگاوسی، نمونه‌گیری اهمیت (Importance Sampling) به‌کار می‌رود.

۳. نتیجهٔ لایهٔ اول: جدول هدف بهینه

مهارت (σ) نقطهٔ هدف بهینه
σ = ۰ مرکز T20
σ = ۵ mm مرکز T20
σ ≈ ۲۶٫۹ mm T19، نزدیک مرز با ۷
σ ≈ ۶۴٫۶ mm فلات پایین‑چپ بولزآی

نقاط مرجع: حرفه‌ای ≈ ۱۷ mm | تفریحی ≈ ۴۰ mm

عدد کلیدی

بازیکن ضعیف روی T20: ۱۰٫۲ امتیاز در هر پرتاب — کمتر از ۱۲٫۸۲ امتیاز پرتاب کاملاً تصادفی.

عدد دقیق پرتاب یکنواخت: ۳۷۰۶۱۹٫۸۰۷۵ ÷ ۲۸۹۰۰ ≈ ۱۲٫۸۲

۴. لایهٔ دوم: فرآیند تصمیم مارکوف (MDP)

مسئلهٔ جدید

بیشینه‌سازی امتیاز در هر دارت کافی نیست. هدف واقعی: کمینه‌سازی امید ریاضی تعداد نوبت تا فینیش.

راه‌حل

بازی ۵۰۱ به‌صورت فرآیند تصمیم مارکوف مدل و با تکرار مقدار (Value Iteration) حل می‌شود.

این نخستین تحلیل کامل بازی تحت قوانین عادی و نخستین کاربرد یادگیری تقویتی در استراتژی دارت بود [MOD] [PR].

چرا مهم است

سیاست بهینه به امتیاز باقی‌ماندهٔ فعلی بستگی دارد، نه فقط به مهارت.

مثال: از ۲۲۹، زدن T20 (۶۰) شما را روی ۱۶۹ — یک عدد Bogey — می‌گذارد. زدن T19 (۵۷) باقی‌ماندهٔ ۱۷۲ می‌دهد که بوگی نیست. سه امتیاز کمتر، اما موقعیت بهتر.

تبار تاریخی

سال مشارکت
۱۹۸۲ Kohler — MDP شاخه‑و‑کران
۱۹۹۷ Stern & Wilcox — بیشینه‌سازی امتیاز تک‑دارت با توزیع وایبول
۱۹۹۹ Percy — همان مسئله
۲۰۱۱ Tibshirani et al. — مدل گاوسی + EM
۲۰۲۰ Baird — MDP کامل با قوانین واقعی

۵. لایهٔ سوم: بازی مجموع‑صفر پویا

مسئلهٔ سوم

تا اینجا حریف نادیده گرفته شده بود. اما امتیاز حریف باید تصمیم شما را عوض کند.

مدل

فرمول‑بندی بازی مجموع‑صفر پویا (ZSG) که تعادل و سیاست‌های بهترین‑پاسخ را در برابر حریف ثابت حل می‌کند — با دادهٔ ۱۶ نفر برتر فصل ۲۰۱۹.

📊 نتیجهٔ عددی

بازی راهبردی (با در نظر گرفتن امتیاز حریف) ارزش دارد: ۰٫۲ تا ۰٫۶ درصد احتمال برد در هر لگ تا ۲٫۳ درصد در بهترین از ۳۵

عدد کوچکی به نظر می‌رسد. اما در سطحی که فاصلهٔ بین نفر اول و بیستم جهان چند درصد است، همین تعیین‌کننده است.

منطق عملی

موقعیت سیاست
حریف روی چک‌اوت است ریسکی‌تر بازی کنید — امید نوبت‌های باقی‌مانده کم است
شما جلو هستید محافظه‌کارانه‌تر

۶. مدل‌های تکمیلی

مدل بیزی تجربی

دیریکله‑چندجمله‌ای با قرض‌گیری قدرت بین بازیکنان و نواحی بورد. مجموعه‌داده هر پرتاب را به‌صورت (ناحیهٔ هدف، امتیاز کسب‑شده، تعداد) روی ۶۲ ناحیهٔ هدف ممکن کدگذاری می‌کند. ارزیابی با قواعد امتیازدهی Brier و کروی.

پیش‌بینی نتیجه

مقایسهٔ پنج مدل (null، لجستیک، شبیه‌سازی، شبیه‌سازی زمان‑تعدیل‑شده، Massey وابسته به امتیاز):

مدل Massey وابسته به امتیاز بهترین عملکرد را داشت [MOD]

دست داغ

مدل‌های «hot hand» در دارت نتیجهٔ ضعیف داده‌اند.

۷. ترکیبیات چک‑اوت

حداکثرها

دارت حداکثر
۳ ۱۷۰
۴ ۲۳۰
۵ ۲۹۰
۶ ۳۵۰
۸ ۴۶۰

اعداد Bogey

سه‑داره: ۱۶۹، ۱۶۸، ۱۶۶، ۱۶۵، ۱۶۳، ۱۶۲، ۱۵۹ قاعده: ختم به ۲، ۳، ۵، ۶، ۸، ۹ | الگو: +۶۰ در هر سطح

اصل توان دو

D16 زنجیرهٔ نصف‑شدن چهارمرحله‑ای دارد (۳۲→۱۶→۸→۴→۲) که پنج تلاش متوالی می‌دهد؛ D20 پس از دو خطا می‌شکند (۴۰→۲۰→۱۰→۵، فرد).

اصل تعمیم‑یافته: باقی‌ماندهٔ توانی از ۲ بگذارید.

۸. ⚠️ محدودیت: نظریه در برابر داده

دادهٔ واقعی PDC نشان می‌دهد ترجیح شخصی بر نظریه غلبه می‌کند:

بازیکن یافته
مایکل اسمیت و گروین پرایس نزدیک ۸۰٪ روی D20
جانی کلیتون ۴۵٪ روی D16 از ۵۸۴ تلاش
دیمیتری فن‑دن‑برخ ۴۵٪ روی D18، اما تنها ۳۷٪ روی D20

🔑 مدل ریاضی فرض می‌کند همهٔ دبل‌ها برای شما یکسان‑اند. نیستند. جدول شخصی بسازید.

۹. ⚪ آیندهٔ ریاضیات دارت

بزرگ‌ترین فرصت بهره‑برداری‑نشده:

سیستم‌های امتیازدهی خودکار مختصات دقیق (x, y) میلیون‌ها دارت را تولید می‌کنند.

این دقیقاً همان داده‌ای است که مدل‌های گاوسی مجبور بودند از راه EM استنباط کنند. بازبرآورد مدل‌ها روی مختصات مشاهده‑شده به‌جای نهفته، هر نتیجهٔ MDP و ZSG پایین‌دستی را بهبود می‌دهد [GAP].

۱۰. جمع‌بندی

  1. سه لایه: مدل مهارت → تصمیم متوالی → تعامل با حریف
  2. σ با ۵۰ پرتاب و الگوریتم EM قابل برآورد است
  3. آستانهٔ سوئیچ T20→T19: σ ≈ ۲۶٫۹ mm
  4. بازی راهبردی ارزش ۰٫۲–۰٫۶٪ در هر لگ دارد
  5. باقی‌ماندهٔ توانی از ۲ بگذارید
  6. اما ترجیح شخصی بر نظریه غلبه می‌کند

❓ پرسش‌های متداول

مدل گاوسی دارت چیست؟ پرتاب به‌صورت توزیع نرمال دومتغیره حول نقطهٔ هدف مدل می‌شود؛ σ پراکندگی و نمایهٔ مهارت است.

چگونه σ را بدون دانستن مختصات محاسبه می‌کنند؟ با الگوریتم EM که موقعیت فرود را دادهٔ گمشده در نظر می‌گیرد. ~۵۰ پرتاب کافی است.

MDP در دارت چیست؟ فرآیند تصمیم مارکوف که امید تعداد نوبت تا فینیش را کمینه می‌کند — نه امتیاز را بیشینه.

آیا باید به امتیاز حریف توجه کنم؟ بله. ۰٫۲ تا ۰٫۶ درصد احتمال برد در هر لگ و تا ۲٫۳٪ در بهترین از ۳۵ [MOD].

بهترین مدل پیش‌بینی نتیجه کدام است؟ Massey وابسته به امتیاز در مقایسهٔ پنج مدل بهترین عملکرد را داشت.

📚 منابع

  1. Tibshirani, Price & Taylor — A Statistician Plays Darts, JRSS-A 174(1), 213–226 [MOD] [PR]
  2. Kohler (۱۹۸۲) — MDP شاخه‑و‑کران
  3. Stern & Wilcox (۱۹۹۷)؛ Percy (۱۹۹۹) — توزیع وایبول
  4. Baird — JORS 71(6), 1020–1037 — MDP کامل و تکرار مقدار [MOD] [PR]
  5. Haugh & Wang — بازی مجموع‑صفر پویا، ۰٫۲–۰٫۶٪ [MOD]
  6. مدل بیزی تجربی دیریکله‑چندجمله‌ای، ۶۲ ناحیهٔ هدف [MOD]
  7. Makhamra et al. — مقایسهٔ پنج مدل، Massey وابسته به امتیاز [MOD]
  8. TheDartScout — دادهٔ نرخ دبل PDC ۲۰۲۰ [AD]
  9. Darts Checkout Assistant — نردبان Bogey [PK]

🔗 مطالعهٔ بیشتر

آیا همیشه T20 بزنید؟ · نقشهٔ حرارتی شخصی · جدول کامل چک‑اوت · اعداد Bogey · تعادل نش روی اوچی

جمع‌آوری شده توسط بابک آقایی | بر پایهٔ سیستم مرجع دانش دارت نسخهٔ ۴.۰ | بازبینی: ۱ اوت ۲۰۲۶

→ آرتریت و دارت — ورزشی که تا سنین بالا قابل ادامه استمدل گاوسی دومتغیره — فرمولی که نقطهٔ هدف شما را تعیی ←