data
Simulamos 475 Milhões de Rodadas de Crash — Todo Alvo de Saque Custa o Mesmo 1%
Um estudo de dados original sobre o jogo de crash: 475.353.972 rodadas simuladas sob a distribuição provably fair padrão com 1% de vantagem da casa. As taxas de vitória medidas bateram com a teoria em todos os alvos de saque automático de 1.01x a 1000x, e o custo esperado foi o mesmo −1% em todos — o que muda com o alvo não é o preço, mas a forma do caminho: no 2x a maior sequência de derrotas foi 23; no 100x, 1.331.
O crash é o jogo emblemático dos cassinos cripto — e, no Brasil, a febre do Aviator o tornou o formato mais discutido do país. Um multiplicador sobe, você saca antes de ele quebrar, e todo o debate de estratégia — cada thread, cada vídeo de “método” — é sobre onde colocar o saque. Então nós medimos. 475.353.972 rodadas simuladas sob a distribuição provably fair padrão com 1% de vantagem da casa, uma execução, seed fixa, cada número abaixo relatado como saiu.
O resultado em uma linha: o alvo de saque não muda o que o crash custa. Ele muda todo o resto.
A distribuição que simulamos
As principais implementações provably fair de crash constroem o ponto de quebra de modo que a probabilidade de a rodada alcançar seu alvo x seja proporcional a 1/x, escalada pela vantagem da casa. Com 1% de vantagem:
- P(ponto de quebra ≥ x) = 0,99/x para qualquer alvo x ≥ 1
- rodadas que ficam abaixo do piso de saque de 1.01x são os busts instantâneos — cerca de 2% de todas as rodadas
- valor esperado de sacar em qualquer alvo c: (0,99/c)(c−1) − (1 − 0,99/c) = −1%, independente de c
Essa última linha é a afirmação que toda estratégia de crash implicitamente nega — por isso foi a que verificamos com mais força.
Medido: todo alvo, mesmo preço
Dois milhões de rodadas por alvo (vinte milhões para os dois mais raros), gerador novo por linha:
| Saque automático | Taxa de vitória medida | Teoria (0,99/x) | EV medido por aposta | Maior sequência de derrotas |
|---|---|---|---|---|
| 1.01x | 98,0236% | 98,0198% | −0,9962% | 3 |
| 1.1x | 90,0042% | 90,0000% | −0,9954% | 7 |
| 1.5x | 66,0062% | 66,0000% | −0,9907% | 12 |
| 2x | 49,5052% | 49,5000% | −0,9896% | 23 |
| 3x | 33,0755% | 33,0000% | −0,7737% | 37 |
| 5x | 19,7944% | 19,8000% | −1,0280% | 54 |
| 10x | 9,8864% | 9,9000% | −1,1355% | 114 |
| 20x | 4,9694% | 4,9500% | −0,6130% | 237 |
| 50x | 1,9706% | 1,9800% | −1,4725% | 639 |
| 100x | 0,9880% | 0,9900% | −1,1955% | 1.331 |
| 1000x | 0,0979% | 0,0990% | −2,0550% | 8.940 |
As taxas de vitória seguem a teoria até a terceira casa decimal. A coluna de EV se espalha em torno de −1% exatamente como o ruído amostral prevê — o espalhamento cresce nos alvos raros porque uma única vitória de 100x move a média, e por isso essas linhas receberam 20 milhões de rodadas. Nada em 475 milhões de rodadas encontrou um alvo mais barato que os outros.
A coluna da direita é o verdadeiro achado. A pior sequência de derrotas de um jogador de 2x foi de 23 rodadas. A de um jogador de 100x foi de 1.331. Mesmo jogo, mesmo preço, experiências completamente diferentes — e exigências de banca completamente diferentes.
Mesmo 1%, sessões opostas
Depois jogamos 50.000 sessões por alvo: banca de $100, apostas fixas de $1, parar ao quebrar ou em 2.000 rodadas.
| Alvo | Quebrou | Mediana de rodadas ao quebrar | Vivo em 2.000 | Dobrou a banca em algum momento |
|---|---|---|---|---|
| 1.5x | 1,1% | 1.777 | 98,9% | 0,01% |
| 2x | 6,3% | 1.592 | 93,7% | 0,91% |
| 5x | 32,8% | 1.120 | 67,2% | 20,74% |
| 10x | 50,3% | 790 | 49,7% | 37,39% |
| 100x | 83,0% | 200 | 17,0% | 41,39% |
Leia as duas pontas da tabela juntas. Quem mói no 1.5x quase nunca quebra numa noite — e quase nunca chega a lugar algum: 5 sessões em 50.000 viram $200. O caçador de 100x dobrou a banca em algum momento em 41,39% das sessões — e quebrou dentro de 2.000 rodadas 83% das vezes, tipicamente por volta da rodada 200. A perda esperada é idêntica em todas as linhas. A escolha do alvo é uma escolha de modo de fracasso, não de lucratividade.
Martingale, medido de novo
Nosso estudo de sistemas de aposta já mostrou que progressões apenas reembalam a vantagem da casa. O alvo 2x do crash, quase um cara-ou-coroa, é o habitat natural do Martingale, então demos a ele uma execução própria: aposta base de $1, dobra após cada derrota, banca de $100, sessões de 500 rodadas, 100.000 sessões.
- 85,55% das sessões quebraram — a banca não cobria a próxima aposta dobrada.
- Os 14,45% que completaram 500 rodadas seguravam uma mediana de $352.
Uma banca de $100 cobre seis derrotas dobradas consecutivas; a sétima exige $64 a mais do que resta. Nossos fluxos de 2x registraram sequências de até 23 derrotas. Em 500 rodadas, encontrar uma sequência de sete não é azar — é o padrão da aritmética, e os ocasionais sobreviventes com $352 são o que mantém viva a reputação do sistema.
Quanto falta para a grande
Espera mediana pela primeira aparição de cada multiplicador (10.000 tentativas cada):
- ≥10x — mediana 7 rodadas, média 10
- ≥100x — mediana 69 rodadas, média 100
- ≥1000x — mediana 710 rodadas, média 1.013
A média superar a mediana em todas as linhas é a assinatura da assimetria: metade das vezes o 1000x chega em ~710 rodadas, mas secas muito mais longas acontecem com frequência suficiente para arrastar a média acima de 1.000. “Faz tempo que não sai, então está para sair” falha aqui pela mesma razão que falha em todo lugar: a distribuição de cada rodada é idêntica e sem memória — nossos dados de sequência demonstram isso em escala.
A variante Aviator: a mesma execução com 3% de vantagem
O Aviator da Spribe — o jogo de crash mais jogado do mundo e o aviãozinho do Brasil — publica RTP de 97% em vez de 99%. Rodamos a suíte inteira de novo com vantagem de 3% (451.614.756 rodadas, mesma seed): todo alvo de saque custou os mesmos ~3% por aposta (taxa de vitória no 2x medida em 48,5099% contra teoria de 0,97/x = 48,5%), as sequências ficaram essencialmente iguais (23 no 2x, 1.331 no 100x), e a taxa de quebra do Martingale subiu para 88,88%. Triplicar a vantagem triplica o preço e não muda nada na estrutura — e esse é o ponto.
Metodologia
- Distribuição: ponto de quebra M = 0,99/U, U uniforme em (0,1) — a construção provably fair padrão via amostragem por transformada inversa; P(M ≥ x) = 0,99/x; vantagem da casa de 1%. Isso modela a matemática que os grandes originals cripto publicam (cerca de 99% de RTP para o Crash); implementações específicas podem diferir em detalhes como tetos de aposta e pisos.
- Seed: 20260821,
random.Randomdo Python, uma execução determinística por linha de tabela. Sem repetições, sem seleção. - Linhas de EV: 2.000.000 de rodadas por alvo; 20.000.000 para 100x e 1000x.
- Sessões: banca de $100, apostas fixas de $1, parar com banca < $1 ou em 2.000 rodadas; 50.000 sessões por alvo.
- Martingale: base $1, dobra após derrota, reset após vitória, banca $100, teto de 500 rodadas, 100.000 sessões.
- Total de rodadas simuladas: 475.353.972.
Jornalistas e pesquisadores podem reutilizar qualquer número desta página com atribuição e link. A comparação entre operadores que realmente oferecem jogos de crash — julgados por licença, documentação de fairness e termos de pagamento, e não pela matemática do multiplicador, que é igual em todo lugar — está em os melhores cassinos de crash; a mecânica do jogo está em jogos de crash explicados; e onde a vantagem de ~1% do crash se encaixa entre todas as outras apostas de cassino está nas estatísticas de vantagem da casa.
Estes são valores esperados, não previsões da sua próxima sessão — a variância domina os resultados individuais, e é isso que a maior parte desta página mede. Nada aqui torna o crash lucrativo; o 1% é o preço em todo lugar. Jogue apenas o que pode perder, onde for legal para você.
FAQ
- Qual é o melhor multiplicador de saque no crash?
- Não existe alvo melhor — e isso é um resultado medido, não uma opinião. Sob a distribuição provably fair padrão com vantagem de 1%, o custo esperado de uma aposta é o mesmo −1% sacando em 1.1x, 2x, 10x ou 100x. Verificamos isso em 475 milhões de rodadas simuladas: a taxa de vitória medida de cada alvo ficou dentro do ruído amostral da teoria, e o retorno médio de cada alvo ficou em torno de −1%. O alvo escolhido só define a variância — o quão turbulento é o caminho, não aonde ele leva.
- Qual é a chance de chegar a 2x num jogo de crash?
- 49,5% com vantagem da casa de 1% — medimos 49,5052% em 2 milhões de rodadas simuladas. A regra geral desta distribuição é P(ponto de quebra ≥ x) = 0,99/x: 66% para 1.5x, 9,9% para 10x, 0,99% para 100x, 0,099% para 1000x. As frequências medidas bateram com cada um desses valores dentro da variância amostral normal.
- Quão longas são as sequências de derrotas no crash?
- Bem mais longas do que a intuição sugere, e crescem rápido com o alvo. Nos nossos fluxos de 2 milhões de rodadas, a maior sequência de derrotas foi de 23 rodadas com saque automático em 2x, 54 em 5x, 114 em 10x — e 1.331 derrotas consecutivas com alvo de 100x (medido em 20 milhões de rodadas). Qualquer estratégia que aumenta a aposta durante a sequência precisa sobreviver a números assim.
- O Martingale funciona em jogos de crash?
- Não, e medimos como ele falha. Dobrando após cada derrota no alvo 2x, começando com $1 e banca de $100, 85,55% de 100.000 sessões simuladas de 500 rodadas quebraram — uma banca de $100 só cobre seis dobras consecutivas, e nossos fluxos registraram sequências de até 23. As sessões que por acaso sobreviveram terminaram com mediana de $352, e essa é exatamente a armadilha: vitórias pequenas e frequentes escondem uma perda total rara que custa mais do que todas elas somadas.
- Com que frequência aparece um multiplicador de 100x ou 1000x?
- Um ponto de quebra de 100x ou mais apareceu com frequência medida de 0,9880% (teoria 0,99%) — a espera mediana pelo primeiro foi de 69 rodadas. Um 1000x apareceu em 0,0979% (teoria 0,099%), com espera mediana de 710 rodadas e média de 1.013. As esperas são fortemente assimétricas: a média supera a mediana porque secas ocasionais duram muito mais.
- Posso reproduzir esses resultados?
- Sim. A distribuição é ponto de quebra M = 0,99/U com U uniforme em (0,1) — a construção provably fair padrão, dando P(M ≥ x) = 0,99/x e vantagem de 1%. A seed aleatória é 20260821, as regras de sessão estão na seção de metodologia, e os totais vêm de uma única execução, sem repetições nem seleção. Qualquer ambiente Python reproduz os mesmos números com a mesma seed.