Como funciona na prática a planificação de um dado
A planificação de um dado é o processo de mapear todas as combinações possíveis de resultados e suas probabilidades associadas antes de qualquer rolagem acontecer. Não é mágica, é só matemática aplicada com organização. A maioria das pessoas pula essa etapa porque acha que intuitivamente já sabe como um d20 ou um d100 se comporta, e a intuição quase sempre falha quando o número de faces aumenta ou quando há modificadores envolvidos. Vou começar pela parte técnica porque é onde a maioria erra. A planificação de um dado exige que você entenda primeiro a diferença entre probabilidade teórica e distribuição empírica. Probabilidade teórica é o que a matemática diz que deve acontecer com volume infinito de dados. Distribuição empírica é o que realmente acontece quando você roda um sistema por algumas semanas. Elas se aproximam, mas nunca são idênticas, e confiar cegamente em uma para ajustar a outra é o erro mais comum que vejo em grupos que estão começando.
Planificação de um dado: o passo a passo real
O primeiro passo é definir exatamente o que você está planejando. Isso parece óbvio, mas quase todo mundo começa a montar tabelas sem saber se quer analisar um único dado de seis faces ou uma soma de múltiplos dados com modificadores de atributo. A estrutura muda completamente dependendo do escopo. Para um único dado, a planificação é simples. Cada face tem probabilidade igual a 1 dividido pelo número de faces. No d6, cada resultado tem 16,67% de chance. No d20, 5%. Você pode montar uma tabela básica em minutos, mas o problema real aparece quando você precisa considerar modifiers, vantagem, desvantagem, dados com faces diferentes sendo somados, ou sistemas que fazem rerolls condicionais.
Para sistemas mais complexos, eu uso uma abordagem baseada em convolução de distribuições. Basicamente, você pega a distribuição de probabilidade de um dado e a "convolui" com a do outro para gerar a distribuição conjunta. Para dois d6 somados, isso cria a famosa curva em sino, onde 7 é o resultado mais provável com cerca de 13,89% de chance, e 2 e 12 ficam em 2,78% cada. Fazer isso manualmente para três ou mais dados diferentes leva tempo demais, então eu desenvolvi uma planilha que automatiza o processo. Aqui vai algo que ninguém conta nos tutoriais básicos: a maioria dos sistemas de RPG que usa d20 com modificadores cria uma curva deslocada, não uniforme. Um modificador de +5 desloca toda a distribuição para a direita em cinco unidades, mas a forma da curva permanece basicamente a mesma. O erro grave é pensar que adicionar +5 ao ataque significa que você acerta cinco vezes mais frequentemente. Na realidade, o impacto depende completamente de onde o seu modificador base se posiciona em relação à CA do inimigo. Um +5 num personagem que já rola alto e ataca alvos difíceis tem um retorno decrescente muito maior do que o mesmo +5 num personagem fraco contra alvos fáceis.
Eu tive um problema específico com isso numa campanha onde estávamos equilibrando um sistema customizado. Tinham sido criadas tabelas de probabilidade que assumiam distribuição uniforme para todos os ataques, o que estava distorcendo drasticamente a balanceamento de inimigos. A solução foi refazer todas as simulações considerando a distribuição normalizada com os modificadores reais de cada personagem. Levou cerca de quatro horas para corrigir, mas identificamos pelo menos três inimigos que estavam essencialmente invencíveis matematicamente e outros dois que eram impossíveis de falhar em acertar. Sem a planificação correta, esses problemas passariam despercebidos por meses de jogo. O que você precisa para fazer isso direito é acesso a ferramentas de simulação. Planilhas com funções de distribuição de probabilidade resolvem para dados simples. Para sistemas com vantagens, desvantagens e rerolls, é melhor usar um script Python ou similar que possa simular milhares de rodadas em segundos. Eu recomendo pelo menos dez mil simulações para ter uma margem de erro aceitável abaixo de 1%. Com cinco mil, a variância já começa a incomodar em caudas de distribuição.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outro ponto que quase ninguém considera na planificação de um dado é a correlação entre rolagens consecutivas. Em sistemas onde resultados extremos triggeriam efeitos especiais, a probabilidade de pelo menos um sucesso crítico em N rolagens não é simplesmente N vezes a probabilidade de um único crítico. Você precisa calcular 1 menos a probabilidade de nenhum crítico em todas as N rolagens. Para um d20 com crítico em 20, a chance de pelo menos um 20 em 5 ataques é 22,6%, não 25%. Parece pouco, mas em sistemas competitivos essa diferença determina se um personagem é eficaz ou não. Se você está começando do zero, o caminho mais prático é este: comece mapeando a distribuição do seu dado base, depois adicione cada modificador individualmente e observe como a curva se deforma. Anote os pontos de inflexão. Depois, simule cenários reais do seu sistema e compare com a teoria. A divergência entre o previsto e o observado é onde estão os problemas de design que precisam de ajuste. Manter isso documentado em formato acessível faz diferença enorme quando você precisa revisar balanceamento meses depois.
O limitante principal dessa abordagem é que ela assume independência entre as rolagens. Se o seu sistema tem mecânicas que criam dependência entre resultados — como acumular fortuna, alterar probabilidades condicionais ou ter dados que se modificam com base em rodadas anteriores — a planificação teórica pura perde precisão. Nesses casos, a simulação computacional se torna indispensável, e até ela pode subestimar efeitos de longo prazo que só aparecem após dezenas de rodadas consecutivas. Para quem precisa de algo pronto, a estrutura básica que eu uso está disponível em formato de planilha compatível com Google Sheets e Excel. Ela calcula automaticamente distribuições para até cinco dados simultâneos, com suporte a modificadores lineares e simulação de dez mil rodadas. O download pode ser feito diretamente pelo repositório oficial do projeto.
Quando a planificação de um dado não funciona
A planificação de um dado é uma ferramenta poderosa, mas tem cenários onde ela simplesmente não se aplica. Sistemas com dados dinâmicos que mudam de número de faces, mecânicas de risco progressivo onde a probabilidade se altera a cada falha consecutiva, e pools de dados onde você descarta os piores resultados — nesses casos, a abordagem tradicional de convolução de distribuições não é suficiente. Você precisa de simulações Monte Carlo adaptativas que reflitam a evolução do estado do jogo ao longo do tempo. O custo de desenvolvimento também é real. Criar uma planificação completa e precisa para um sistema com meia dúzia de mecânicas interligadas pode levar dias de trabalho. Muitas vezes, o tempo gasto refinando a distribuição teórica é maior do que o ganho prático obtido durante as sessões. Nesses casos, uma aproximação empírica rápida — cem simulações, observação direta durante três sessões, ajuste baseado em feedback — costuma ser mais eficiente do que meses de modelagem matemática.
O que separa uma planificação útil de uma que gera confiança errada é a honestidade sobre as premissas. Anotar explicitamente quais suposições foram feitas, quais fatores foram ignorados e qual é a margem de erro esperada transforma a ferramenta de um documento bonito num instrumento de decisão real. Sem isso, você tem apenas números que parecem precisos mas que carregam vieses silenciosos.
