Comment le projet a commencé
Cela a commencé par un tableur. L’un de nous tenait une colonne de coups, une de mises et une de minutes ; au bout de quatre mois, le tableur a dit ce que la mémoire n’avait jamais dit : les bonnes soirées existaient bel et bien, et elles étaient presque exactement annulées par les ordinaires. Rien de surprenant sur le plan mathématique. Comme fait personnel, c’était tout autre chose.
Le tableur avait pourtant une limite. Compter est facile ; savoir si le compte veut dire quelque chose ne l’est pas. Un numéro sorti neuf fois en deux cents coups paraît remarquable jusqu’à ce qu’on calcule à quelle fréquence cela arrive par hasard sur une roue honnête — et la réponse est : sans arrêt. Tout joueur ayant cru voir un motif a ressenti exactement cela, et aucun tableur ne dit de quel côté de la ligne on se trouve.
Le tableur est donc devenu un modèle. Nous avons rassemblé des résultats enregistrés de roulette européenne, ajusté correctement la distribution attendue et construit de quoi répondre à la seule question qui vaille : cet écart dépasse-t-il largement ce que le hasard produit, ou non ? Roulette Black 2.0 est la quatrième réécriture de cette réponse.
Le moteur : la statistique d’abord
Apex 2.0 part d’un test d’hypothèse formel, pas d’une reconnaissance de motifs. Pour chaque numéro, couleur, douzaine, colonne et plage, le moteur conserve une fréquence attendue issue de la géométrie de la roue européenne : 1 sur 37, et tout ce qui en découle. Chaque comptage observé est ensuite noté face à cette attente comme écart normalisé, si bien qu’un décalage se lit en écarts-types et non dans le langage de l’intuition.
Cet ordre compte plus qu’il n’y paraît. Un modèle qui apprend directement des données apprendra volontiers le bruit, et la roulette n’est presque que du bruit. En fixant d’abord analytiquement la distribution attendue, la partie apprise n’a plus rien à inventer : elle ne peut que décrire l’éloignement de la session par rapport à une base qu’elle n’a jamais eu le droit de choisir.