Mathématiques des Jeux de Société: Probabilité et Valeur Attendue

Chaque mécanique de jeu de société a une identité mathématique. Un lancer de dé a une espérance mathématique et une variance. Un tirage de carte a une distribution de probabilité. Un échange de ressources a un taux de change exprimable sous forme de ratio. Les designers qui comprennent ces mathématiques prennent de meilleures décisions que ceux qui travaillent à l'intuition — non pas parce que les maths remplacent l'intuition, mais parce que l'intuition désaccorde fréquemment avec la réalité d'une façon que les tests seuls corrigent trop lentement.

Cet article couvre les concepts mathématiques qui importent le plus pour la conception et le jeu de jeux de société : distributions de probabilité, espérance mathématique, variance et l'écart psychologique entre ce que les maths disent et ce que les joueurs vivent. Que vous conceviez un jeu ou que vous cherchiez simplement à comprendre pourquoi vos sessions de dés semblent si catastrophiquement malchanceuses, ce cadre changera votre façon de penser le hasard dans les jeux.

Pourquoi les mathématiques importent dans la conception de jeux

Un designer de jeux qui n'a pas calculé l'espérance mathématique de l'économie d'action principale de son jeu ne sait pas si son jeu fonctionne. Cela semble sévère, mais c'est fonctionnellement vrai. Si l'espérance de revenu de la meilleure action disponible est de 4 ressources par tour et que le coût de l'action condition de victoire est de 30 ressources, le designer doit savoir si ce taux de revenu est atteignable sur la durée typique de la partie — avant les tests, pas après six sessions à se demander pourquoi personne ne gagne jamais.

Les maths et les tests sont des outils complémentaires, pas des alternatives. Les maths vous disent ce que la théorie prédit. Les tests vous disent si le comportement humain correspond à la théorie. La plupart du temps, ils divergent — non pas parce que les maths sont fausses, mais parce que les joueurs ne choisissent pas toujours l'action théoriquement optimale. L'écart entre le jeu optimal théorique et le jeu humain réel est lui-même une variable de conception : un jeu où seul le jeu optimal produit des décisions intéressantes est un moins bon jeu que celui où le jeu sous-optimal crée aussi des situations intéressantes.

Chaque mécanique a une espérance mathématique, et les designers doivent la connaître. Quand un joueur de Neutronium: Parallel Wars gagne des revenus des Ports Nucléaires, il reçoit une espérance mathématique précisément calculée par port et par tour. Quand il choisit d'attaquer plutôt que de construire, il prend une décision avec des résultats attendus calculables sous différents scénarios. Le designer qui connaît ces chiffres peut prendre des décisions d'équilibre significatives ; celui qui ne les connaît pas devine.

L'asymétrie critique est que le hasard semble injuste même quand il est équilibré. Un pile ou face à 50/50 produit six fois de suite pile environ 1,6 % du temps — rarement, mais pas impossiblement. Quand cela arrive à un joueur dans un jeu, il le vit comme si le jeu était cassé, pas comme un événement statistique normal. Comprendre pourquoi cela se produit — et comment les designers peuvent structurer le hasard pour qu'il semble moins punitif tout en maintenant les mêmes probabilités sous-jacentes — est l'application la plus pratiquement précieuse des mathématiques de conception de jeux.

Probabilité des dés 101

Le d6 unique est l'outil de randomisation le plus courant dans les jeux de société et aussi l'un des plus mal compris. Un d6 standard produit une distribution uniforme : chaque face (1 à 6) a une probabilité de 1/6 de survenir, et l'espérance mathématique est 3,5. Les joueurs comprennent intuitivement cela, mais ils ne comprennent souvent pas ce que cela signifie pour les lancers répétés au cours d'une session.

La distinction entre un d6 unique et 2d6 est fondamentale pour comprendre pourquoi différentes mécaniques de dés semblent différentes. Un d6 unique a une distribution plate — chaque résultat de 1 à 6 est également probable. Deux d6 sommés produisent une courbe en cloche : 7 est le résultat le plus probable (probabilité 6/36 = 16,7 %), tandis que 2 et 12 ont chacun une probabilité de 1/36 = 2,8 %. La distribution 2d6 concentre les résultats près du milieu et rend les résultats extrêmes rares. C'est pourquoi Catan, qui utilise 2d6 pour la production de ressources, semble moins punitif sur les lancers individuels que les systèmes à dé unique.

Les dés personnalisés avec des distributions de faces non standard donnent aux designers un contrôle précis sur les profils de probabilité que les dés standard ne peuvent pas fournir. Neutronium: Parallel Wars utilise des dés D6 personnalisés avec des faces codées par couleur : les faces bleues représentent les résultats de combat standard, les faces rouges représentent les résultats critiques et les faces vertes représentent les déclenchements de capacités spéciales. La distribution des types de faces — pas seulement le nombre de faces — détermine la probabilité de chaque résultat. Un dé avec trois faces bleues, deux faces rouges et une face verte produit des résultats bleus 50 % du temps, rouges 33 % et verts 17 %.

Les dés explosifs sont des dés qui, en roulant la valeur maximale, sont relancés et les résultats additionnés. Un d6 qui explose sur 6 a une espérance mathématique de (1+2+3+4+5+6)/6 + (1/6 × espérance d'un d6) = 3,5 + 0,583 = 4,083. La nature ouverte crée des résultats théoriquement illimités, ce qui produit les moments de « chance » que certains jeux cultivent délibérément. La contrepartie est une variance élevée et le lancer chanceux qui définit parfois la partie.

Les dés bornés sont la philosophie opposée : plafonner le résultat maximum pour contraindre la variance. Les systèmes de pool de dés où on lance plusieurs dés et garde seulement les N meilleurs résultats (systèmes d'avantage comme l'avantage de D&D 5E) réduisent mathématiquement la variance tout en maintenant la sensation probabiliste. Prendre le plus élevé de deux lancers de d6 décale l'espérance de 3,5 à 4,47 — une amélioration de 28 % — tout en réduisant significativement la probabilité des résultats bas.

Espérance mathématique dans les jeux de ressources

Les jeux d'accumulation de ressources — les Euros, les constructeurs de moteur, les stratégies économiques — sont construits sur des calculs d'espérance mathématique que le designer doit comprendre précisément même s'ils n'apparaissent jamais explicitement dans le livret de règles. Quand un joueur choisit entre deux actions, il compare (consciemment ou non) l'espérance mathématique de ces actions sur l'horizon temporel pertinent.

Le système de revenus des Ports Nucléaires de Neutronium: Parallel Wars est un exemple explicite d'espérance mathématique conçue. La formule de revenus établit qu'un joueur avec N Ports Nucléaires reçoit des revenus à un taux qui s'échellonne non linéairement avec N. La formule spécifique — 1 port rapporte 2 unités de Neutronium par tour ; 10 ports rapportent 220 Nn par tour — n'est pas accidentelle. C'est la déclaration explicite du designer que l'accumulation de ports devrait produire des rendements exponentiels plutôt que linéaires, parce que les rendements exponentiels créent le seuil de coalition qui conduit la dynamique compétitive du jeu.

Cette formule est une conception de jeu intentionnelle exprimée en mathématiques. L'écart entre le revenu à 7 ports (42 Nn/tour) et le revenu à 10 ports (220 Nn/tour) est l'argument économique expliquant pourquoi les coalitions se forment au seuil de 7 ports plutôt d'attendre 9 ou 10 ports. À 7 ports, le joueur a suffisamment de revenus pour être menaçant — mais l'action de coalition peut encore être décisive avant que l'avantage de revenu devienne mathématiquement insurmontable.

Le principe plus large : quand la mise à l'échelle exponentielle est une conception de jeu intentionnelle, le designer doit documenter la fonction de mise à l'échelle et vérifier que les seuils qu'elle crée sont là où il les veut. Si le seuil de coalition doit être à 6 ports plutôt que 7, la formule de revenus doit être ajustée — ce qui nécessite de savoir quelle est la formule, pas seulement d'observer que « le jeu semble équilibré ».

Variance et perception des joueurs

La variance est la mesure à quel point les résultats réels s'écartent autour de l'espérance mathématique. Une variance élevée signifie que les résultats individuels peuvent différer radicalement de l'espérance ; une variance faible signifie que les résultats se regroupent étroitement autour de la moyenne. Pour les designers de jeux, la variance est un bouton de contrôle qui affecte à la fois l'équité mathématique du jeu et l'expérience subjective d'y jouer.

L'insight psychologique clé : une variance élevée semble injuste même quand elle est mathématiquement équilibrée. Un pile ou face est parfaitement équitable — 50/50, espérance mathématique exactement égale pour les deux joueurs — mais jouer un jeu où chaque décision est résolue par pile ou face semble arbitraire et peu gratifiant. Les joueurs ont besoin de sentir que leurs décisions comptent, ce qui signifie qu'ils ont besoin que le lien causal entre bonnes décisions et bons résultats soit perceptible dans la session de jeu.

Le problème de l'hex 7 versus 2 dans Catan illustre cela clairement. Dans Catan, le chiffre 7 est imprimé sur le plus d'hexagones car il a la plus haute probabilité avec 2d6 (16,7 %). Les joueurs expérimentés savent prioriser les ressources sur les 6, 8, 5 et 9 — les hexagones à haute probabilité. Mais dans toute session donnée, un joueur qui place correctement ses premières colonies sur ces hexagones peut quand même être significativement sous-performé par un joueur avec des emplacements moins probables si les lancers réels dévient des valeurs attendues. Ce n'est pas injuste — c'est une variation statistique normale. Mais cela semble injuste parce que la relation entre la décision (bon placement) et le résultat (revenus fréquents) est obscurcie par la variance.

Les solutions de conception pour gérer l'injustice perçue due à la variance incluent : les mécaniques d'atténuation (relances, banques de ressources, mécanismes de rattrapage qui s'activent lors de mauvaises séries), les points de décision qui restent significatifs même après une mauvaise chance et la variance qui favorise les joueurs en retard (rattrapage via la variance : le joueur en tête veut des revenus stables et prévisibles ; les joueurs en retard bénéficient d'approches à haute variance qui peuvent combler l'écart rapidement).

Les moments kingmaker causés par les dés — où un lancer aléatoire détermine quel joueur gagne ou perd au dernier tour — sont les résultats de variance les plus dommageables pour la satisfaction des joueurs. La solution n'est pas d'éliminer les dés mais de structurer la fin de partie de sorte que les résultats des dés affectent le chemin vers la victoire plutôt que de le déterminer directement.

Tests d'équilibre avec les maths

Le cadre MEQA (Mesurabilité, Engagement, Qualité, Accessibilité) fournit une approche structurée aux tests d'équilibre des jeux. Le pilier Mesurabilité — le M dans MEQA — est l'endroit où les mathématiques entrent formellement dans le processus de conception : avant que les tests commencent, le designer définit ce que « équilibré » signifie en termes mesurables.

Pour un jeu avec des factions asymétriques comme Neutronium: Parallel Wars, l'équilibre mesurable signifie : chaque faction devrait atteindre un taux de victoire dans une bande de tolérance définie sur un échantillon suffisant de parties à des niveaux de compétence comparables. Si la cible est un taux de victoire de 50 % (équilibre pur) avec une fourchette acceptable de ±10 %, alors une faction gagnant 42 % des parties est dans la tolérance et une faction gagnant 63 % ne l'est pas.

Définir les métriques avant les tests change ce que vous observez. Si vous savez que vous mesurez le taux de victoire par faction, vous suivez les attributions de factions et les résultats entre les sessions. Si vous savez que vous mesurez la durée moyenne de partie, vous enregistrez les horodatages. Ces décisions doivent être prises avant la première session de test, car les métriques rétrospectives sont peu fiables.

Les exigences de taille d'échantillon pour les conclusions d'équilibre sont souvent plus grandes que les designers ne l'attendent. Pour un jeu à 2 joueurs avec 2 factions, 30 parties fournissent des données de base pour détecter des déséquilibres supérieurs à 15 % avec une confiance de 80 %. Pour les jeux à 4 joueurs avec 6 factions, l'espace de combinaison est beaucoup plus grand. Les éditeurs indépendants utilisent rarement les ressources pour une validation statistique rigoureuse ; l'approche pratique est d'utiliser les maths pour vérifier les espérances théoriques, les tests pour détecter les valeurs aberrantes et les retours de la communauté après la sortie pour identifier les problèmes survivants.

Outils de probabilité pour les designers

Plusieurs outils rendent les mathématiques de conception de jeux accessibles sans nécessiter une formation statistique avancée.

AnyDice (anydice.com) est le calculateur de probabilité de dés standard pour les designers de jeux. Il accepte la notation naturelle des dés (2d6, d4+d8, 3d6 garder les 2 plus élevés) et retourne des distributions de probabilité, des espérances mathématiques et des probabilités cumulées. Pour toute mécanique impliquant des dés, AnyDice devrait être le premier outil consulté.

Les simulations sur tableur (Google Sheets, Excel) gèrent des calculs qu'AnyDice ne peut pas : accumulation de ressources sur plusieurs tours, revenus avec plusieurs sources, durée de partie attendue sous différentes hypothèses stratégiques. Un modèle de tableur de base de l'économie d'un jeu prend 2 à 3 heures à construire et révèle des problèmes d'équilibre qui prendraient 20+ tests à découvrir empiriquement.

La simulation Monte Carlo est l'outil de plus haute précision : exécuter les mécaniques d'un jeu des milliers de fois par calcul pour produire des distributions statistiques sur tous les résultats possibles. Pour les designers avec une expérience en programmation, Python avec NumPy est suffisant pour la plupart des besoins de simulation de jeux. La simulation Monte Carlo est plus précieuse pour les jeux avec des interdépendances complexes où le calcul analytique est difficile.

Quand faire confiance aux maths versus quand tester : utilisez les maths pour vérifier l'équilibre théorique et détecter les erreurs de conception évidentes avant d'investir dans les tests. Utilisez les tests pour découvrir comment la psychologie humaine interagit avec les maths. Les deux sont nécessaires. Ni l'un ni l'autre n'est suffisant seul.

Foire aux questions