గణితంప్రీప్రింట్సిద్ధాంతంచదవడానికి 3 నిమిషాలు

రిఫరీ నిర్ణయాన్ని VAR ఎప్పుడు తోసిపుచ్చాలి?

2026 జూన్ 26న, ప్రపంచ కప్ గ్రూప్ దశ చివరి రౌండ్‌లో, సియాటిల్‌లో ఇరాన్ ఈజిప్ట్‌తో తలపడింది. రచయితలు స్టేడియంలో ఉన్నారు. 93వ నిమిషంలో, షోజా ఖలీల్‌జాదే (Shoja Khalilzadeh) విజయ గోల్‌లా కనిపించిన గోల్ చేశారు, మైదానంలోని రిఫరీ బృందం ఆ గోల్‌ను ఆన్‌సైడ్ (onside) అని ప్రకటించింది. నిమిషాల తరబడి చర్చ తర్వాత, వీడియో అసిస్టెంట్ రిఫరీ (VAR) ఆ నిర్ణయాన్ని తిరగరాసింది: దాని 3D పునర్నిర్మాణం ప్రకారం, గోల్ చేసిన ఖలీల్‌జాదే పాదంలోని ఒక చిన్న భాగం ఆఫ్‌సైడ్ స్థానంలో ఉంది. మ్యాచ్ డ్రాగా ముగిసింది. ది అథ్లెటిక్ (The Athletic) ప్రకారం, ఇరాన్‌కు నాకౌట్ రౌండ్లకు చేరే అవకాశం అప్పటికీ 92% ఉంది; మరుసటి రోజు ఫలితాలు దాన్ని సున్నాకు తెచ్చాయి.

రచయితల ప్రశ్న సరళమైనది: VAR నివేదించిన చాలా చిన్న ఆఫ్‌సైడ్ మార్జిన్, రిఫరీ నిర్ణయాన్ని తిరగరాయడానికి సరిపోవాలా?

ఒక ఫ్రేమ్ 17 సెంటీమీటర్ల పొడవు

తెరపై కచ్చితత్వం మైదానంలో కచ్చితత్వం కాదు. సెకనుకు 30 ఫ్రేమ్‌ల వద్ద రికార్డ్ చేసిన వీడియోలో, సెకనుకు 5 మీటర్ల వేగంతో పరిగెత్తే అథ్లెట్ వరుసగా వచ్చే రెండు ఫ్రేమ్‌ల మధ్య సుమారు 17 సెంటీమీటర్లు కదులుతారు. బంతిని ఆడిన కచ్చితమైన క్షణం గురించిన స్వల్ప అనిశ్చితి కూడా 3D నమూనా యొక్క మిల్లీమీటర్ల కంటే ఎక్కువ ప్రభావం చూపగలదు.

ప్రిన్స్‌టన్ విశ్వవిద్యాలయానికి (Princeton University) చెందిన అమీర్ అలీ అహ్మదీ (Amir Ali Ahmadi), అల్గాన్‌క్విన్ రీజినల్ హైస్కూల్‌కు (Algonquin Regional High School) చెందిన పార్సా, రదీన్ అలవీ (Parsa and Radeen Alavi) ఈ వివాదాన్ని ఒక సంభావ్యతా నమూనాగా మార్చారు. నిజమైన మార్జిన్ θ, అంటే ఆఫ్‌సైడ్ రేఖను దాటి అటాకర్ (attacker) ఉన్న దూరం: ధనాత్మకం అంటే ఆఫ్‌సైడ్. రిఫరీ దాన్ని σ_H వ్యాప్తి (spread) గల యాదృచ్ఛిక తప్పుతో గ్రహిస్తారు, కానీ అవును లేదా కాదు అని మాత్రమే చెబుతారు. VAR ఒక సంఖ్యను కొలుస్తుంది, σ_AI వ్యాప్తి గల తన సొంత యాదృచ్ఛిక తప్పుతో. రెండు తప్పులూ గాసియన్ (Gaussian), పరస్పరం స్వతంత్రమైనవి అని భావిస్తారు.

√(2/π) నియమం

గమనించిన దాన్ని — రిఫరీ నిర్ణయం, VAR ఇచ్చిన సంఖ్య — అత్యంత సంభావ్యం చేసే మార్జిన్ కోసం రచయితలు తర్వాత వెతుకుతారు; ఈ పద్ధతిని గరిష్ఠ సంభావ్యత (maximum likelihood) అంటారు. ఈ ఉత్తమ అంచనా ఎల్లప్పుడూ ఉంటుందని, అది ఏకైకమైనదని వారు నిరూపిస్తారు. ఇంకా మంచి విషయం, తుది నిర్ణయానికి ఎలాంటి గణనా అవసరం లేదు, ఒక పరిమితితో పోలిక మాత్రమే:

c = √(2/π) × σ_AI² / σ_H

రెండూ విభేదించినప్పుడు, VAR కొలిచిన మార్జిన్ c కంటే పెద్దదైతేనే అది రిఫరీ నిర్ణయాన్ని తిరగరాస్తుంది. దాని కంటే తక్కువైతే, రిఫరీ నిర్ణయమే నిలుస్తుంది. √(2/π) అనే సంఖ్య, సుమారు 0.80, గంట వక్రం (bell curve) నుంచే వస్తుంది.

సాధారణ తప్పు 10 cm ఉండే రిఫరీని, సాధారణ తప్పు 2 cm ఉండే VARను తీసుకోండి. పరిమితి 0.32 cm. విభేదించే 0.20 cm VAR మార్జిన్ రిఫరీ నిర్ణయాన్ని అలాగే ఉంచుతుంది; 0.50 cm మార్జిన్ దాన్ని తిరగరాస్తుంది. అటాకర్‌ను రేఖ దాటి ఉంచడం సరిపోదు: VAR అటాకర్‌ను స్పష్టంగా రేఖ దాటి ఉంచాలి.

సమానంగా తూగని రెండు తప్పులు

సూత్రంలో ఒక అసమానత దాగి ఉంది. పరిమితి VAR తప్పు యొక్క వర్గంతో పెరుగుతుంది, కానీ రిఫరీ తప్పుకు విలోమానుపాతంలో మాత్రమే ఉంటుంది: VAR తప్పును రెట్టింపు చేస్తే పరిమితి నాలుగు రెట్లు అవుతుంది, రిఫరీ తప్పును రెట్టింపు చేస్తే అది సగం మాత్రమే అవుతుంది. ఎక్కువ శబ్దం (noise) గల VARకు బలమైన ఆధారం కావాలి; ఎక్కువ శబ్దం గల రిఫరీని తోసిపుచ్చడం సులభం. ఈ భిన్న ఘాతాలకు కారణం రెండు రకాల సమాచారమని రచయితలు గుర్తించారు: VARకు ఒక సంఖ్య, రిఫరీకి కేవలం ఒక గుర్తు (sign).

రెండింటినీ కలపడం కూడా ఫలితాన్నిస్తుంది. 2 cm సమాన తప్పులు, 2 cm నిజమైన మార్జిన్ ఉన్నప్పుడు, రిఫరీ ఒక్కరే లేదా VAR ఒక్కటే 15.87% సందర్భాల్లో తప్పు చేస్తారు; కలిపిన నియమం, 9.70%.

నమూనా పక్షపాతాన్ని (bias) కూడా పరిగణిస్తుంది. సగటున 5 cm మేర ఆఫ్‌సైడ్ ప్రకటించే మొగ్గు ఉన్న రిఫరీకి రెండు వేర్వేరు పరిమితులు వస్తాయి: ఆఫ్‌సైడ్ నిర్ణయాన్ని తిరగరాయడానికి 0.20 cm, ఆన్‌సైడ్ నిర్ణయాన్ని తిరగరాయడానికి 0.46 cm. VARకే తెలిసిన 1 cm పక్షపాతం ఉంటే, దాన్ని విస్మరించడం తీర్పును తిప్పివేయగలదు.

నియమాన్ని ఉపయోగించడానికి, నాలుగు తప్పు పరామితులు (error parameters) కావాలి. నిజమైన మార్జిన్ తెలిసిన క్రమాంకన ఆటల (calibration plays) నుంచి వాటిని ఎలా అంచనా వేయాలో పత్రం చూపిస్తుంది: VARకు ఒక సాధారణ సగటు, వ్యాప్తి; రిఫరీ అవును-కాదు నిర్ణయాలకు ఒక “ప్రోబిట్” (probit) ఫిట్.

మైదానం ఆవల

ఒక మనిషి తీర్పు ఇచ్చి, ఒక యంత్రం అదే రాశికి కొలతను ఇచ్చే ప్రతిచోటా ఇదే నిర్మాణం కనిపిస్తుంది: ఒక AI ప్రాణాంతకత స్కోర్ (malignancy score) పక్కన ఒక గాయాన్ని (lesion) నిరపాయకరమైనది లేదా ప్రాణాంతకమైనది అని నిర్ణయించే డాక్టర్, లోప తీవ్రత స్కోర్ (defect-severity score) పక్కన ఒక విమాన భాగాన్ని ఆమోదించే ఇంజనీర్, ఒక నమూనా అంచనా వేసే ఆశించిన రాబడి (expected return) పక్కన ఒక ఫండ్ మేనేజర్. క్రమాంకనం సులభమైన చోట్ల — ఫైనాన్స్, వైద్య చిత్రీకరణ (medical imaging), ప్రిడిక్షన్ మార్కెట్లు (prediction markets) వంటివి — నియమపు నిజమైన ప్రభావాన్ని పరీక్షించాలని రచయితలు సూచిస్తున్నారు.

ఈ పత్రం ఒక బోధనా రచనగా, ప్రాథమిక సంభావ్యత, కలనగణితం (calculus) తెలిసిన అండర్‌గ్రాడ్యుయేట్ విద్యార్థులు, ఉన్నత స్థాయి హైస్కూల్ విద్యార్థుల కోసం రాయబడింది. దాని పరామితులు దృష్టాంతపూర్వకమైనవి: ఏ నిజమైన రిఫరీనీ లేదా VAR వ్యవస్థనూ క్రమాంకనం చేయలేదు. దాని చివరి వాక్యం కృతజ్ఞతల (acknowledgements) విభాగానిది; అక్కడ రచయితలు చిత్రాలు, ప్రూఫ్‌రీడింగ్, సరిచూసే తనిఖీల (sanity checks) కోసం ChatGPTని ఉపయోగించామని చెబుతారు, “AI తమ మానవ తీర్పును తిరగరాయకుండా చూసుకోవడానికి తమ √(2/π) నియమాన్ని పాటిస్తూనే”.