Cómo nació el proyecto
Empezó como una hoja de cálculo. Uno de nosotros llevaba una columna de giros, 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 número que ha salido nueve veces en doscientos giros parece notable hasta que calculas con qué frecuencia ocurre por azar en una rueda honesta, 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 resultados registrados de ruleta europea, 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? Roulette Black 2.0 es la cuarta reescritura de esa respuesta.
El motor: estadística antes que nada
Apex 2.0 empieza por contraste formal de hipótesis, no por reconocimiento de patrones. Para cada número, color, docena, columna y rango, el motor guarda una frecuencia esperada derivada de la geometría de la rueda europea: 1 entre 37, y todo lo que se sigue de ahí. Cada recuento observado se puntúa contra esa expectativa como desvío estandarizado, de modo que la diferencia se informa en desviaciones típicas y no en el idioma 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 la ruleta 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.