너멜엠
LEARN · SIMULATE · VERIFY
확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼
당첨번호를 예측할 수 있다고 생각하시나요?
그렇다면 — 실제 데이터로 매주 검증해 봅시다. 통계 기법·LSTM·트랜스포머 vs 그냥 랜덤.
원하는 개념·랩·가이드를 검색해보세요
Ctrl K이번 주 실험 — 제1242회 · 추첨 전 공개
미리 공개한 시각: 2026. 9. 12. PM 1:21:34 · 판매 마감: 2026. 9. 19. AM 11:00:00 · 학습 데이터: 제1~1221회 (1241회차, 최근 20회는 검증용 홀드아웃) · 시드 규약: 회차×1000+기법번호 (재현 가능) · 마르코프 통계: 최근 199회차 공출현 전이확률, 현재 상태 = 제1241회 [7, 13, 16, 23, 24, 43], 상위 18개 후보 풀
균등 난수 (대조군)
아무 분석 없이 1~45에서 균등하게 6개를 뽑는다. 다른 기법이 이보다 나은지가 실험의 질문.1
24
28
36
37
38
41
2
5
13
16
18
26
27
3
4
10
16
23
40
43
4
1
4
12
14
27
33
5
3
17
19
20
27
34
통계 기법 — 마르코프 체인
최근 200회차의 번호 간 공출현으로 전이확률 P(Y|X)를 추정하고, 직전 회차 6개 번호를 현재 상태로 두어 다음 번호 점수를 합산. 상위 18개 후보에서 점수 비례 가중 샘플링. "함께 나온 번호" 전략의 정직한 구현(마르코프 체인 실험실과 동일 기법).1
3
12
31
33
38
45
2
12
20
31
38
40
45
3
6
19
20
35
40
44
4
3
6
19
31
37
44
5
19
28
30
31
36
45
LSTM (실제 학습)
당첨 이력 토큰 스트림으로 다음 토큰 예측을 실제 학습한 LSTM에서 자기회귀 샘플링.1
4
6
7
20
42
45
2
1
16
24
38
39
45
3
6
13
24
29
39
42
4
3
16
17
24
40
45
5
10
15
25
32
34
40
트랜스포머 디코더 (실제 학습)
같은 스트림으로 학습한 인과 트랜스포머 디코더에서 자기회귀 샘플링. 디코더 아틀라스와 같은 구조.1
5
9
15
24
31
37
2
5
9
20
24
41
43
3
3
6
8
27
38
45
4
3
21
26
43
44
45
5
6
12
30
31
38
40
제1241회 채점 결과 (2026-09-12)
당첨번호
7
13
16
23
24
43
+
9
(보너스)| 적중 개수 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 (초기하분포) |
|---|---|---|---|---|---|
| 0개 | 43 | 27 | 30 | 42 | 40.06 |
| 1개 | 43 | 44 | 44 | 40 | 42.41 |
| 2개 | 10 | 26 | 24 | 16 | 15.15 |
| 3개 | 4 | 3 | 2 | 2 | 2.24 |
| 4개 | 0 | 0 | 0 | 0 | 0.14 |
| 5개 🎯 | 0 | 0 | 0 | 0 | 2.9e-3 |
| 6개 🎯 | 0 | 0 | 0 | 0 | 1.2e-5 |
랜덤 평균 0.75개 · 최고 3개
통계 평균 1.05개 · 최고 3개
LSTM 평균 0.98개 · 최고 3개
트랜스포머 평균 0.78개 · 최고 3개
이론 기대 평균 0.80개
누적 통계 — 실험이 쌓일수록 결론이 선명해집니다
채점된 회차 3회 · 기법당 누적 300조합 (총 1200조합) · "통계" 열은 빈도 가중 2회(제1240회까지) + 마르코프 체인 1회(제1241회부터)의 합산
| 적중 개수 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 (초기하분포) |
|---|---|---|---|---|---|
| 0개 | 127 | 104 | 112 | 120 | 120.17 |
| 1개 | 129 | 132 | 131 | 123 | 127.24 |
| 2개 | 34 | 55 | 51 | 46 | 45.44 |
| 3개 | 10 | 8 | 6 | 9 | 6.73 |
| 4개 | 0 | 1 | 0 | 2 | 0.41 |
| 5개 🎯 | 0 | 0 | 0 | 0 | 8.6e-3 |
| 6개 🎯 | 0 | 0 | 0 | 0 | 3.7e-5 |
| 지표 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 |
|---|---|---|---|---|---|
| 회차 평균 적중 수 | 0.757 | 0.900 | 0.837 | 0.833 | 0.800 |
| 3개 이상 적중 (누적) | 10 | 9 | 6 | 11 | 7.15 |
| 역대 최고 적중 | 3개 | 4개 | 3개 | 4개 | — |
최근 회차별 평균 적중
| 회차 | 랜덤 | 통계 | LSTM | 트랜스포머 |
|---|---|---|---|---|
| 제1241회 | 0.75 | 1.05 | 0.98 | 0.78 |
| 제1240회 | 0.73 | 0.85 | 0.67 | 0.87 |
| 제1239회 | 0.79 | 0.80 | 0.86 | 0.85 |
왜 AI도 못 맞힐까 — 이 실험이 가르쳐 주는 것
- 모델이 멍청해서가 아닙니다. 같은 트랜스포머·LSTM은 패턴이 있는 시퀀스(텍스트 등)는 잘 학습합니다 — 검증 스크립트에서 패턴 데이터의 손실은 하한의 절반 이하로 떨어집니다. 무작위 추첨에는 배울 패턴 자체가 없을 뿐입니다.
- "형식은 배워도 내용은 못 배운다" — 모델 손실은 ln 45가 아니라 정렬 인코딩의 이론 하한 ln C(45,6)/7 ≈ 2.273까지는 내려갑니다(오름차순·구분자 규칙 학습). 하지만 본 적 없는 회차에서는 그 아래로 절대 못 내려갑니다. 그 벽이 바로 무작위성입니다.
- "많이 나온 번호"(빈도 가중)도, "함께 나온 번호"(마르코프 전이확률)도 마찬가지 — 무작위 추첨에서 빈도·공출현의 차이는 표본 오차일 뿐이라, 누적될수록 균등 난수와 구분되지 않습니다. 통계 기법은 제1240회까지 빈도 가중, 제1241회부터 마르코프 체인 실험실과 같은 기법입니다.
- 1등 확률은 조합당 1/8,145,060. 매주 400조합씩 1년을 돌려도 1등 기대값은 약 0.0026번입니다. 이 페이지의 누적 표가 그 산수를 실제 데이터로 재현해 갑니다.