Cómo nació el proyecto
Empezó como una hoja de cálculo. Uno de nosotros llevaba una columna de tiradas, otra de apuestas y otra de minutos, y a los cuatro meses la hoja dijo algo que la memoria nunca había dicho: las buenas noches eran reales, y también quedaban casi exactamente anuladas por las corrientes. Como matemática no sorprendía nada. Como hecho personal era otra cosa.
Pero la hoja tenía un límite. Contar es fácil; saber si la cuenta significa algo, no. Un total que ha salido nueve veces en cincuenta tiradas parece notable hasta que calculas con qué frecuencia ocurre por azar con dados honestos, y la respuesta es: constantemente. Todo jugador que alguna vez sintió un patrón sintió exactamente esto, y ninguna hoja te dice de qué lado de la línea estás.
Así que la hoja se convirtió en modelo. Reunimos tiradas de craps registradas, ajustamos la distribución esperada como corresponde y construimos algo que respondiera a la única pregunta que vale: ¿este desvío es mayor de lo que el azar produce con holgura, o no? Craps Black 2.0 es la cuarta reescritura de esa respuesta.
El motor: estadística antes que nada
Apex 2.0 empieza por la prueba formal de hipótesis, no por el reconocimiento de patrones. Para cada total, número de caja, apuesta de línea y rango, el motor guarda una frecuencia esperada derivada de las 36 combinaciones de dos dados — seis maneras de hacer un 7, una sola de hacer un 2, y todo lo que se deduce de ahí. Cada recuento observado se puntúa contra esa expectativa como desviación estandarizada, de modo que la diferencia se informa en desviaciones típicas y no en el lenguaje de la corazonada.
Ese orden importa más de lo que parece. Un modelo que aprende directo de los datos aprenderá el ruido con mucho gusto, y el craps es casi todo ruido. Al fijar analíticamente primero la distribución esperada, a la parte aprendida no le queda nada que inventar: solo puede describir cuánto se ha alejado la sesión de una línea base que nunca pudo elegir.