Come è nato il progetto
È partito da un foglio di calcolo. Uno di noi teneva una colonna di lanci, una di puntate e una di minuti; dopo quattro mesi il foglio ha detto una cosa che la memoria non aveva mai detto: le serate buone erano reali, ed erano anche quasi esattamente annullate da quelle ordinarie. Come matematica non sorprendeva. Come fatto personale era un’altra storia.
Il foglio però aveva un limite. Contare è facile; sapere se il conteggio significhi qualcosa non lo è. Un totale uscito nove volte su cinquanta lanci sembra notevole finché non calcoli quanto spesso accade per caso con dadi onesti — e la risposta è: di continuo. Ogni giocatore che abbia mai creduto di vedere uno schema ha provato esattamente questo, e nessun foglio ti dice da che parte della linea ti trovi.
Così il foglio è diventato un modello. Abbiamo raccolto lanci di craps registrati, calibrato per bene la distribuzione attesa e costruito qualcosa che rispondesse all’unica domanda che conta: questo scostamento è più grande di quanto il caso produca con comodo, oppure no? Craps Black 2.0 è la quarta riscrittura di quella risposta.
Il motore: prima la statistica
Apex 2.0 parte dal test formale di ipotesi, non dal riconoscimento di schemi. Per ogni totale, numero di casella, puntata di linea e fascia, il motore tiene una frequenza attesa ricavata dalle 36 combinazioni di due dadi — sei modi di fare 7, uno solo di fare 2, e tutto ciò che ne discende. Ogni conteggio osservato viene poi valutato contro quell’attesa come scarto standardizzato, così la differenza è riportata in deviazioni standard e non nel linguaggio dell’intuito.
Quest’ordine conta più di quanto sembri. Un modello che impara direttamente dai dati imparerà volentieri il rumore, e il craps è quasi tutto rumore. Fissando prima analiticamente la distribuzione attesa, alla parte appresa non resta nulla da inventare: può solo descrivere quanto la sessione si sia allontanata da una linea di base che non ha mai potuto scegliere.