0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

ソシャゲのガチャを数学する:10の確率分布で読み解くガチャメカニクスとゲームデザイン

0
Posted at

ソシャゲのガチャを数学する:10の確率分布で読み解くガチャメカニクスとゲームデザイン

こんにちは。ソーシャルゲームのガチャ画面を見ているとき、ふと「この裏側ではどんな数学が動いているのだろう?」と考えたことはありませんか?

ガチャは一見すると単なる「運」ですが、その裏側は洗練された確率統計学の塊です。プレイヤーの体感確率の設計から、天井システムの計算、更にはゲーム全体の売上予測まで、すべて確率分布によってコントロールされています。

この記事では、ソーシャルゲームのガチャに関連する10種類の確率分布を、具体的なシチュエーションや数値とともに解説します。


1. ガチャの「引き」を制御する確率分布

まずは、プレイヤーがガチャを引く際の挙動を決定づける基本の確率分布です。

1.1 負の超幾何分布(Negative Hypergeometric Distribution)

~ ボックスガチャの数学 ~

引いたアイテムを箱に戻さない**「非復元抽出」**のルールで、目標のアタリ数を引くまでの試行回数を表します。

  • ユースケース: ボックスガチャ(総数100個、SSR 3個)で完凸(3個コンプ)を目指す。
  • 特徴: 引けば引くほど箱の中身が減り、アタリの確率が上昇する。
  • 期待値(平均回数):
    $$E[X] = r \times \frac{N + 1}{K + 1} = 3 \times \frac{100 + 1}{3 + 1} = \mathbf{75.75\text{回}}$$
  • ゲームデザイン上の意味: 100回引けば絶対(確率100%)にコンプできるため、プレイヤーに強い安心感を与える設計です。

1.2 負の二項分布(Negative Binomial Distribution)

~ 天井なし通常ガチャ(複数獲得)の数学 ~

引いた後も確率が変わらない**「復元抽出」**で、目標のSSR数を引き当てるまでの試行回数を表します。

  • ユースケース: 排出率3%の通常ガチャで、SSRを3個引くまで回す。
  • 期待値(平均回数):
    $$E[X] = \frac{r}{p} = \frac{3}{0.03} = \mathbf{100\text{回}}$$
  • ゲームデザイン上の意味: ボックスガチャと同じ「スタート時3%・目標3個」でも、平均回数は100回に跳ね上がります。また、理論上の最大値が無限大(底なし沼)になるため、現代のソシャゲでは「天井(Pity)」を実装して負の超幾何分布に近づける補正を行います。

1.3 幾何分布(Geometric Distribution)

~ 1体目が出るまでのハマり&「無記憶性」 ~

負の二項分布の「目標=1個($r=1$)」の特殊形です。「とにかく1体引くまで回す」ときの分布です。

  • ユースケース: ピックアップ率 1% のキャラを1体引くまで回す。
  • 平均回数: $1 / 0.01 = \mathbf{100\text{回}}$
  • 重要概念(無記憶性):
    幾何分布は「無記憶性」を持ちます。過去に99連敗していても、「100回目の試行で当たる確率」は変わらず 1% です。「そろそろ当たるはず」というUX上の錯覚(ギャンブラーの誤謬)を生み出す原因です。

1.4 二項分布(Binomial Distribution)

~ 「◯連ガチャ」の結果分布 ~

試行回数 $n$ が固定されているとき、成功回数 $k$ が何回になるかを表す分布です。

  • ユースケース: 「100連無料キャンペーン(SSR率3%)」で、自分が何個SSRを得られるか。
  • 計算例(100連の場合):
    • 平均獲得数: $100 \times 0.03 = \mathbf{3\text{個}}$
    • 0個(爆死)の確率: $(1 - 0.03)^{100} \approx \mathbf{4.8%}$ (約20人に1人)

1.5 多項分布(Multinomial Distribution)

~ 多レアリティ(SSR/SR/R)の同時判定 ~

二項分布を「3つ以上の選択肢」に拡張したものです。

  • ユースケース: SSR(3%)、SR(12%)、R(85%) のガチャを10連引いた時のレアリティ内訳。
  • ゲームデザイン上の意味:
    10連引いて「すべてR」になる確率は $(0.85)^{10} \approx \mathbf{19.69%}$(約5人に1人)発生します。ユーザーの体験低下(不満)を防ぐため、10枠目を「SR以上確定(条件付き多項分布)」にする処理が一般的です。

1.6 ポアソン分布(Poisson Distribution)

~ 超低確率ガチャと「$1/e$(36.8%)の法則」 ~

試行回数 $n$ が極めて大きく、確率 $p$ が極めて小さい場合に二項分布を近似する分布です。

  • ユースケース: 排出率 0.1% の超レアアイテムを 1,000連 引く。
  • $1/e$ の法則:
    確率 $p$ のイベントを $1/p$ 回(確率の逆数回)引いたとき、1回も当たらない確率は約 $36.8%$($= 1/e$)に収束します。
    「1000分の1だから1000回引けば当たるだろ」と思ったプレイヤーの約37%は爆死します。
# Pythonでのポアソン近似の確認
import math

n = 1000
p = 0.001
# 二項分布での爆死確率
p_exact = (1 - p) ** n
# ポアソン分布(lambda = n * p = 1)での k=0 の確率
p_poisson = math.exp(-1)

print(f"Exact (Binomial): {p_exact:.4f}")  # 0.3677
print(f"Poisson Approx:   {p_poisson:.4f}")  # 0.3679

2. エンジニアリング・検証の確率分布

次に、ガチャのシステム実装や、確率の不具合・不正の検証に使われる分布です。

2.1 連続一様分布(Continuous Uniform Distribution)

~ ガチャアルゴリズム(RNG)の基盤 ~

$[0, 1)$ の範囲で、すべての実数が完全に等確率で生成される分布です。

  • 実装手法: サーバー内部で擬似乱数生成器(PRNG)を呼び出し、一様分布から取得した浮動小数点数(rand)の範囲でレアリティを判定します。
import random


def draw_gacha():
    # 0.0 <= rand < 1.0 の連続一様分布
    rand = random.random()

    if rand < 0.03:
        return "SSR"  # 0.00 <= rand < 0.03 (3%)
    elif rand < 0.15:
        return "SR"  # 0.03 <= rand < 0.15 (12%)
    else:
        return "R"  # 0.15 <= rand < 1.00 (85%)

2.2 ベータ分布(Beta Distribution)

~ ベイズ統計による「確率サバ読み」の検証 ~

「真の排出率は何%か?」という確率パラメータ自体の不確実性を表す分布です。

  • ユースケース: 「公称3%」のガチャを1,000連引いて10個(1%)しか出なかった時、運営が確率を偽っている可能性を検証する。
  • 統計的推論:
    事前分布に無情報事前分布 $\text{Beta}(1, 1)$ を置き、1000試行10成功の観測データで更新すると、事後分布は $\text{Beta}(11, 991)$ となります。この分布から「真の確率が3%以上である確率」を計算すると0.001%以下となり、確率不正の強固な証拠(または不具合)となります。

3. マクロ経済・エコノミーの確率分布

最後に、ゲーム全体のユーザー挙動や売上構造を形作る大規模な分布です。

3.1 正規分布(Normal Distribution)

~ 中心極限定理とコミュニティ全体の「運」 ~

試行回数やサンプル数が十分に大きくなると、どのような分布も平均付近を中心とする美しい「ベルカーブ」に近づきます(中心極限定理)。

  • ユースケース: 10万人の全ユーザーがイベントで100連ガチャを引いたときの「SSR獲得数の分布」。
  • ゲームデザイン上の意味:
    個人レベルのガチャ結果は極端な偏りを見せますが、10万人単位の集団で見れば「平均3個」を中心とした綺麗な正規分布を描きます。ゲーム会社はこの性質を利用して、イベント全体の経済圏(獲得される総アイテム量や消費される無償石の総量)を正確に予測しています。

3.2 冪乗分布 / パレート分布(Power Law / Pareto Distribution)

~ ガチャビジネス(WhaleとF2P)の構造 ~

「全体のわずか一部が、大半の要素を占める」という極端な格差を表す分布です。

  • ユースケース: ゲーム全体の全ユーザーの「課金額分布」。
  • 80:20の法則:
    ソシャゲの収益構造は冪乗分布に従います。全ユーザーの数%(Whale:廃課金層)が、ゲーム全体の売上の80%以上を支えています。
  • ゲームデザイン上の意味:
    ガチャの天井(幾何分布の補正)や完凸仕様(負の二項分布の多重化)は、この冪乗分布のトップ(Whale)に満足してもらいつつ、ロングテール(無課金・微課金)の離脱を防ぐためのエコノミー設計そのものです。

まとめ:ガチャと確率分布の対比表

確率分布 ガチャのコンテキスト 決定する要素
負の超幾何分布 ボックスガチャ 完凸・底引きまでの必要回数
負の二項分布 通常ガチャ(複数目標) 完凸までの必要回数(天井なし)
幾何分布 通常ガチャ(1体目標) 最初の1体が出るまでの回数
二項分布 〇連無料ガチャ 固定回数でのアタリ獲得数
多項分布 10連ガチャ レアリティ(SSR/SR/R)の排出内訳
ポアソン分布 超低確率(<0.1%)ガチャ 大量試行時の爆死率(36.8%)
連続一様分布 サーバー内部処理(RNG) 乱数生成と判定ロジック
ベータ分布 監査・データ検証 実際の排出確率の推定
正規分布 マクロ分析 ユーザー全体の獲得アイテム総量
冪乗分布 課金エコノミー 重課金者(Whale)の収益構造

ソシャゲのガチャは、単にランダムにアイテムを出しているのではなく、これらの確率分布の特性を組み合わせて**「期待感」「安心感」「収益性」**のバランスを極限まで計算して設計されています。

次にガチャを引くときは、ぜひ画面の裏側で動いているこれらの数学モデルに思いを馳せてみてください!

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?