Valor esperado e variância de um dado

Um dado justo com um número conhecido de faces é uma das variáveis aleatórias discretas mais limpas da probabilidade: cada inteiro de um até o número de faces é igualmente provável, e lançamentos independentes somam sem covariância. Estudantes, designers de jogos e analistas costumam precisar do valor esperado e da variância desse experimento — não da chance de um total específico, nem de uma face simulada.

O que valor esperado e variância significam para um dado justo

O valor esperado é a média de longo prazo da soma se você repetisse o mesmo experimento para sempre. Um dado padrão de seis faces tem, portanto, valor esperado três e meio; um de quatro faces, dois e meio; e um de vinte faces, dez e meio. A variância mede quão amplamente a soma se espalha em torno dessa média.

Um d6 tem, portanto, variância trinta e cinco doze avos; um dado degenerado de uma face tem variância zero, o que é honesto e não um caso especial. Quando você lança o mesmo dado justo várias vezes independentes e soma as faces, a linearidade da esperança multiplica a média pelo número de lançamentos, e a independência multiplica a variância pela mesma contagem. Dois dados padrão de seis faces têm, portanto, soma esperada sete e variância trinta e cinco sextos.

Esses dois números são o contrato desta capacidade: eles respondem quão grande o total tende a ser e quanto ele costuma oscilar, sem enumerar cada tupla nem amostrar faces ao acaso. Não são uma tabela de probabilidade para um alvo escolhido, nem um intervalo de mínimo a máximo, nem um gerador com semente. Se você precisa da chance de a soma ser sete, use uma ferramenta de probabilidade de soma de dados; se precisa de uma face simulada, use um rolador.

Aqui a pergunta é só o par de momentos, calculado em forma fechada para que a resposta seja exata na aritmética de ponto flutuante comum e idêntica cada vez que você perguntar.

Onde os momentos de um dado rendem em estudo, jogo e software

Salas de aula usam valor esperado e variância de um dado justo para introduzir momentos discretos antes dos modelos binomial ou normal. Um estudante que consegue derivar três e meio e trinta e cinco doze avos para um d6 está pronto para somar cópias independentes e ver por que dois dados se concentram em sete com uma dispersão maior. Geradores de prova precisam de um oráculo determinístico que rejeite um dado de zero faces em vez de devolver NaN em silêncio, o que um corretor defeituoso poderia tratar como acerto.

Designers de jogos comparam conjuntos poliédricos por médias e variâncias ao equilibrar faixas de dano, tabelas de recursos ou testes de habilidade: um ataque 3d6 e um 1d20 não são intercambiáveis só porque ambos podem imprimir números numa faixa parecida. Autores de simulação validam código Monte Carlo contra a forma fechada em casos pequenos antes de confiar numa corrida aleatória longa.

Mantenha os dois inteiros pequenos, fixe os momentos ecoados nos testes, e você obtém estatísticas reproduzíveis para lição de casa, mesas virtuais e workers de borda, sem rederivar as identidades da sequência aritmética cada vez que um conjunto de regras apresentar um novo tamanho de dado.