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.

Publicado: 2026-08-22 · Atualizado: 2026-08-22 · 6min de leitura

Pratique Crash grátis — sem cadastro

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 automáticoTaxa de vitória medidaTeoria (0,99/x)EV medido por apostaMaior sequência de derrotas
1.01x98,0236%98,0198%−0,9962%3
1.1x90,0042%90,0000%−0,9954%7
1.5x66,0062%66,0000%−0,9907%12
2x49,5052%49,5000%−0,9896%23
3x33,0755%33,0000%−0,7737%37
5x19,7944%19,8000%−1,0280%54
10x9,8864%9,9000%−1,1355%114
20x4,9694%4,9500%−0,6130%237
50x1,9706%1,9800%−1,4725%639
100x0,9880%0,9900%−1,1955%1.331
1000x0,0979%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.

AlvoQuebrouMediana de rodadas ao quebrarVivo em 2.000Dobrou a banca em algum momento
1.5x1,1%1.77798,9%0,01%
2x6,3%1.59293,7%0,91%
5x32,8%1.12067,2%20,74%
10x50,3%79049,7%37,39%
100x83,0%20017,0%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.Random do 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.

Fontes