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

مدل گاوسی دومتغیره: فرمولی که نقطهٔ هدف شما را تعیین می‌کند

پرتاب دارت به‌صورت یک متغیر تصادفی گاوسی دومتغیره حول نقطهٔ هدف مدل می‌شود. پارامتر σ نمایهٔ مهارت است — و تعیین می‌کند کجا باید نشانه بگیرید [MOD].

۱. فرمول‌بندی پایه

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

نماد معنا
Z محل واقعی فرود دارت
μ نقطهٔ هدف (جایی که نشانه رفتید)
ε خطا
σ نمایهٔ مهارت — انحراف معیار خطا

به زبان ساده: دارت شما جایی حول نقطهٔ هدف می‌نشیند، و σ اندازهٔ ابر پراکندگی را نشان می‌دهد.

۲. فرم کامل با پراکندگی ناهمسان

مدل ساده فرض می‌کند پراکندگی افقی و عمودی یکسان است. در واقعیت نیست:

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

پارامتر معنا
σ_x پراکندگی افقی (چپ‑راست)
σ_y پراکندگی عمودی (بالا‑پایین)
ρ ضریب همبستگی بین این دو

🔑 چرا مهم است: بیشتر بازیکنان σ_y بزرگ‌تر دارند — چون زنجیرهٔ حرکتی دارت عمدتاً در صفحهٔ عمودی کار می‌کند (آرنج به‑عنوان محور).

پیامد عملی: نوارهای افقی ترپل سخت‑تر از نوارهای کناری دبل هستند.

۳. محاسبهٔ امتیاز مورد انتظار

برای اینکه بدانید از یک نقطهٔ هدف چه امتیازی انتظار دارید:

$$\text{امتیاز مورد انتظار} = (f_{\sigma^2} * s)(\mu)$$

این کانولوشن چگالی گاوسی با تابع امتیاز بورد است.

روش محاسبه

با دو FFT مستقیم و یک FFT معکوس روی شبکهٔ میلی‑متری بورد [MOD]

به زبان ساده: الگوریتم، ابر پراکندگی شما را روی نقشهٔ امتیاز بورد «می‌لغزاند» و برای هر نقطه، میانگین وزنی امتیاز را حساب می‌کند.

۴. مسئلهٔ بزرگ: مختصات را نمی‌دانیم

برای برآورد σ باید بدانید دارت‌ها کجا فرود آمده‌اند. اما شما فقط امتیاز را می‌دانید.

راه‑حل: الگوریتم EM

الگوریتم EM (Expectation-Maximization) موقعیت‌های فرود را به‑عنوان دادهٔ گمشده در نظر می‌گیرد و σ را فقط از روی امتیازها برآورد می‌کند [MOD]

نتیجه:

حدود ۵۰ پرتاب به بولزآی کافی است.

برای مدل‌های پیچیده‑تر

برای گونه‌های غیرگاوسی (مثلاً توزیع چوله)، از نمونه‑گیری اهمیت (Importance Sampling) استفاده می‌شود.

۵. خروجی: جدول هدف بهینه

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

نقاط مرجع

سطح σ
حرفه‌ای ~۱۷ mm
تفریحی ~۴۰ mm

۶. یافتهٔ کلیدی: پارادوکس T20

بازیکن ضعیف روی T20: ۱۰٫۲ امتیاز در هر پرتاب پرتاب کاملاً تصادفی به بورد: ۱۲٫۸۲ امتیاز

عدد دقیق

$$\frac{۳۷۰۶۱۹٫۸۰۷۵}{۲۸۹۰۰} \approx ۱۲٫۸۲$$

این امتیاز مورد انتظار پرتاب یکنواخت روی کل سطح بورد است.

چرا؟

T20 بین ۱ و ۵ محاصره شده. با پراکندگی بالا، بیشتر دارت‌های شما به کم‑امتیازترین نواحی می‌روند.

۷. مبنای هندسی: چرا چیدمان بورد این‑طور است

توالی استاندارد عمداً اعداد بالا را با اعداد پایین احاطه کرده تا بی‑دقتی را مجازات کند [MOD]

هدف همسایه‌ها میانگین
۲۰ ۱ و ۵ ۳
۱۹ ۷ و ۳ ۵

پژوهش بهینه‑سازی

دو تلاش برای طراحی چیدمان بهتر ثبت شده:

۱. Eiselt و Laporte توالی جایگزینی استخراج کردند که مجازات بازیکنان ناکامل را بیشینه می‌کند:

۲۰، ۱، ۱۹، ۳، ۱۷، ۵، ۱۵، ۷، ۱۳، ۹، ۱۱، ۱۰، ۱۲، ۸، ۱۴، ۶، ۱۶، ۴، ۱۸، ۲

۲. David Percy (سالفورد) چیدمانی ریسک‑بیشینه با تناوب زوج/فرد تولید کرد که یک سازنده اعلام کرد تولیدش می‌کند اما هرگز فراگیر نشد.

۸. کاربرد عملی: نقشهٔ حرارتی شخصی

روش سه‑گامی

گام ۱. ۲۵ تا ۵۰ دارت به دبل‑بول بزنید. گام ۲. فقط امتیاز هر دارت را ثبت کنید. گام ۳. اعداد را در یک ابزار نقشهٔ حرارتی وارد کنید.

ابزارها

ابزار ویژگی
ابزارهای آنلاین از ۲۵ تا ۵۰ پرتاب نقشه می‌سازند
بستهٔ darts در R پیاده‑سازی رسمی مدل
سیستم‌های خودکار مختصات دقیق (x, y) — بدون نیاز به EM

۹. ⚪ آیندهٔ مدل

سیستم‌های امتیازدهی خودکار مختصات دقیق (x, y) میلیون‌ها دارت را تولید می‌کنند [AD]

این دقیقاً همان داده‌ای است که مدل گاوسی مجبور بود از راه EM استنباط کند.

بازبرآورد مدل‌ها روی مختصات مشاهده‑شده به‑جای نهفته، هر نتیجهٔ MDP و بازی مجموع‑صفر پایین‑دستی را بهبود می‌دهد [GAP]

سخت‑افزار کلاس Autodarts عملاً مسئلهٔ دادهٔ گمشده را منسوخ می‌کند.

۱۰. محدودیت‌های مدل

محدودیت توضیح
فرض توزیع نرمال پرتاب واقعی ممکن است چوله باشد
فرض استقلال کوشش‌ها خستگی و مومنتوم لحاظ نمی‌شود
σ ثابت فرض می‌شود در واقعیت با خستگی و فشار تغییر می‌کند
حریف نادیده گرفته می‌شود لایهٔ بعدی (بازی مجموع‑صفر) این را حل می‌کند

⚠️ نویسندگان اصلی خودشان مدل‌های جایگزین (گاوسی با کوواریانس عمومی، چوله‑گاوسی) را بررسی کرده‌اند.

۱۱. جمع‌بندی

  1. پرتاب = توزیع نرمال دومتغیره حول هدف
  2. σ_x و σ_y معمولاً متفاوت‑اند — عمودی بزرگ‑تر
  3. الگوریتم EM σ را فقط از امتیازها برآورد می‌کند — ~۵۰ پرتاب
  4. آستانهٔ سوئیچ T20 → T19: σ ≈ ۲۶٫۹ mm
  5. پارادوکس: بازیکن ضعیف روی T20 (۱۰٫۲) بدتر از تصادفی (۱۲٫۸۲)
  6. ⚪ امتیازدهی خودکار می‌تواند مدل را متحول کند

❓ پرسش‌های متداول

مدل گاوسی دارت چیست؟ پرتاب به‑صورت توزیع نرمال دومتغیره حول نقطهٔ هدف مدل می‌شود؛ σ نمایهٔ مهارت است.

σ_x و σ_y چه فرقی دارند؟ پراکندگی افقی و عمودی. بیشتر بازیکنان σ_y بزرگ‑تر دارند.

چطور σ را بدون مختصات حساب می‌کنند؟ با الگوریتم EM که موقعیت فرود را دادهٔ گمشده در نظر می‌گیرد. ~۵۰ پرتاب کافی است [MOD].

FFT برای چیست؟ برای محاسبهٔ کارآمد کانولوشن چگالی گاوسی با تابع امتیاز بورد.

آیا پرتاب تصادفی واقعاً بهتر است؟ برای بازیکن بسیار ضعیف: ۱۲٫۸۲ در برابر ۱۰٫۲ [MOD]. توصیهٔ عملی نیست، اما شدت مسئله را نشان می‌دهد.

آیا چیدمان بهتری برای بورد وجود دارد؟ بله — Eiselt و Laporte و Percy توالی‌های جایگزین طراحی کرده‌اند، اما هیچ‑کدام فراگیر نشد.

📚 منابع

  1. Tibshirani, Price & Taylor — A Statistician Plays Darts, JRSS-A 174(1), 213–226: مدل گاوسی، EM، FFT، جدول σ، عدد ۱۲٫۸۲ [MOD] [PR]
  2. پیگیری برآورد عملی، JRSS-A 174(4) [MOD]
  3. The Conversation — ۱۰٫۲ در برابر ۱۲٫۸، توالی Eiselt-Laporte، طرح Percy [PK] [MOD]
  4. Darts501 — تاریخچهٔ چیدمان اعداد [PK]
  5. DolfDarts — نقاط مرجع σ و ابزار نقشهٔ حرارتی [PK]
  6. بستهٔ darts در R [MOD]
  7. Autodarts — ثبت مختصات (x, y) [AD]

🔗 مطالعهٔ بیشتر

۵.۰ ریاضیات دارت — مرجع کامل · ۵.۲ آیا همیشه T20 بزنید؟ · ۵.۳ نقشهٔ حرارتی شخصی · ۵.۹ فرآیند تصمیم مارکوف · ۵.۱۶ مدل بیزی ۶۲ ناحیه · ۱.۱۸ چرا بورد این چیدمان را دارد

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

→ ریاضیات دارت — مرجع کامل مدل گاوسی، MDP و تئوری بازیآیا همیشه باید تریپل ۲۰ بزنید؟ پاسخ ریاضی وابسته به ←