대부호 CPU 봇의 성적표는 처음부터 몬테카를로였고, 지금 운영 중인 봇은 상대 손패를 열여섯 번 뽑아 판 끝까지 두어 보고 수를 고릅니다. 시리즈가 검산하지 않고 남긴 장부의 위험 근사를 실제 게임의 3,479개 평가에서 몬테카를로로 다시 재고, 운영 봇의 탐색을 4,000개 표본으로 재현했습니다.

몬테카를로 시뮬레이션은 계산으로 구하기 어려운 확률을 무작위 시행을 세어서 구하는 방법입니다. 울람의 솔리테어에서 시작한 역사와 표본 평균, 1/√n 으로 줄어드는 오차를 정리하고, 몬티 홀·생일 문제·드 메레의 주사위를 Go 로 돌려 봅니다.

트롤리 딜레마가 철학 강의실을 나와 실험실과 현실로 간 이야기입니다. 2001년 조슈아 그린의 fMRI 연구가 연 이중 과정 이론, 가상의 질문과 실제 행동이 어긋난 브이소스의 “전환소” 실험과 생쥐 전기 충격 실험, 233개 나라와 지역에서 4천만 건의 결정을 모은 MIT 모럴 머신과 42개국 7만 명의 후속 연구가 보여 준 보편성과 문화 차이, 그리고 “사람의 속성으로 희생자를 고르지 말라” 고 정한 2017년 독일 자율주행 윤리위원회와, 필요성을 살인의 변명으로 인정하지 않은 1884년 영국의 구명보트 재판까지 다룹니다.

텔레비전이 죄수의 딜레마를 가장 정직하게 가져다 쓴 영국·미국 게임쇼들을 정리합니다. 『트러스트 미』와 『샤프티드』에서 시작해, 경제학자들이 “자연 실험” 으로 분석한 『프렌드 오어 포?』와 『골든 볼스』의 수백 회 기록, 상금이 커져도 절반은 나눈다는 결과와 “큰 땅콩” 효과, 약속은 내 행동은 예측하지만 상대를 움직이지는 못한다는 발견, 그리고 2012년 “나는 무조건 훔치겠다” 고 선언해 상대를 나눔으로 몰아넣은 닉 코리건의 장면까지. 『트레이터스』의 결승으로 이어진 계보도 함께 봅니다.

대부호 hard 봇의 최종 시험입니다. 시험 문제를 열기 전에 합격선 여섯 개를 커밋으로 못 박은 절차, 한 번도 쓰지 않은 딜 128개에서 한 번만 돌린 결과(easy 대비 −0.746, 4인 1등 비율 61%, 반칙패 0), 봇의 손패와 결정 단계를 수마다 눈으로 읽은 재생, 기본 봇으로 올리면서 남긴 뒷길, 그리고 이 결과로 말할 수 있는 것과 아직 말할 수 없는 것을 정리합니다.

대부호 hard 봇을 시뮬레이터로 잽니다. 운영 서버와 같은 결정 경로를 타면서 수 하나를 6ms 에서 30µs 로 줄인 메모리 엔진, 봇 하나를 셋 사이에 앉히는 양방향 비교가 왜 필요했는지, 같은 봇끼리 정확히 0 이 나오는 장치 검사, 그리고 hard 의 판단 항목을 하나씩 켜고 꺼 본 결과 규칙 세 개가 개선의 91% 를 차지했고 두 항은 해로워서 지웠으며 문턱 하나를 네 배로 올린 이야기입니다.

대부호 hard 봇이 무엇을 보는지 다룹니다. 사람 화면에 이미 보이는 것만 시야에 더한 이유, 54장을 내 손패·나온 카드·위치를 아는 카드·미확인 카드 넷으로 나누는 장부, 패스한 자리의 위험이 정확히 0 인 대부호만의 사정, 그리고 “이 수를 내면 누가 받을 수 있는가” 를 재는 위험 점수가 왜 확률이 아니라 근사 점수인지를 설명합니다.

잘 두는 사람에게서 찾은 세 가지 습관을 hard 봇에 넣었습니다. 바꾸기 전과 후의 판단 흐름을 그림으로 나란히 놓고, 새 봇이 구버전 봇들 사이에서 얼마나 세졌는지, 그리고 아직 말할 수 없는 것이 무엇인지를 코드 없이 정리합니다.

hard 봇을 열 판 중 여섯 판 이긴 사용자의 결정 6,746개를, 같은 순간 봇이 냈을 수와 하나씩 비교했습니다. 대부분은 같았습니다. 갈라진 자리는 셋이었습니다. 강한 한두 장으로 리드를 지키고, 초반에 최상위 카드를 아끼고, 받을 때 딱 이길 만큼만 씁니다.

hard 봇 세 명을 상대로 사람이 판의 59.8% 를 1등으로 끝냈습니다. 공정하다면 25% 여야 합니다. 가장 많이 플레이한 사용자에게는 hard 와 easy 의 차이가 0.2%p 였습니다. 코드 없이, 무엇을 어떻게 쟀고 왜 봇이 사람에게 읽혔는지를 정리합니다.

Part 1 부터 Part 4 까지는 코드와 수식이 많았습니다. 이번 편은 개발을 모르는 분도 읽을 수 있게, 달무티 CPU 두 종류가 각각 무엇을 보고 수를 고르는지, 어떻게 겨루게 했고 결과가 어땠는지, 그리고 왜 격차가 이토록 작았는지를 정리했습니다.

Part 1 부터 Part 6 까지는 코드와 수식이 많았습니다. 이번 편은 개발이나 수학을 모르는 분도 읽을 수 있게, 렉시오 CPU 두 종류가 각각 무엇을 보고 수를 고르는지, 둘을 어떻게 겨루게 했고 결과가 어땠는지, 그리고 무엇은 아직 말할 수 없는지를 정리했습니다.

가위바위보의 내쉬 균형은 왜 무작위화를 강제하는가. 비추이적 밸런스, 포커 GTO, 몬테카를로 시뮬레이션과 AI 자가 대전까지. 현대 스튜디오가 밸런스를 검증하는 de-facto 테크트리를 정리합니다. 게임 디자인과 랜덤성의 수학 3부작 완결편.

기댓값과 분산부터 기하분포·음이항분포·쿠폰 수집가 문제, PRD와 천장 시스템의 수학까지. 게임의 드랍률·가챠·확률 시스템을 실제 수식과 계산 예제로 분해합니다. 게임 디자인과 랜덤성의 수학 3부작 중 2편.

현대 게임에서 랜덤성이 맡는 역할, 잘못 설계했을 때 벌어진 실제 실패 사례들, 그리고 실패를 피하기 위한 확률·통계·게임이론의 기초와 밸런싱 검증 테크트리를 거시적으로 살펴봅니다. 게임 디자인과 랜덤성의 수학 3부작 중 1편.

2024~2025 두 시즌을 통해 본 KBO와 MLB의 최근 흐름. 김도영의 30-30, 다저스의 백투백, 그리고 KBO를 지배한 역대급 타고투저를 살펴봅니다.

전통적 지표 타율(AVG)과 현대 세이버메트릭스 지표 OPS는 같은 “강타자"를 두고도 전혀 다른 결론을 낸다. MLB 2025 시즌의 루이스 아라에스와 카일 슈와버, KBO 2024 시즌의 박민우와 매튜 데이비슨 사례를 통해 두 지표가 가리키는 서로 다른 강타자상을 비교 분석한다.

야구는 모든 메이저 스포츠 중에서 데이터 분석가의 욕망을 가장 완벽하게 충족시키는 종목입니다. Bill James의 Sabermetrics, Moneyball, Statcast 시대의 발견들, Fantasy Baseball과 OOTP, 그리고 데이터로 야구에 입문하는 실용 가이드까지. 시리즈의 마지막 편입니다.

실제 MLB 투수들의 데이터를 기반으로 투수 스타일을 분류하고, ERA 회귀 예측과 브레이크아웃 후보 발굴 등 미래 성적 예측 방법을 검증합니다.

야구 투수의 주요 성적 지표를 전통 지표와 세이버메트릭스 지표로 나누어 소개하고, 실제 MLB 투수들의 데이터와 함께 각 지표의 의미와 한계를 깊이 있게 분석합니다.