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 — 제1240회 · 추첨 전 공개
미리 공개한 시각: 2026. 8. 29. PM 12:47:43 · 판매 마감: 2026. 9. 5. AM 11:00:00 · 학습 데이터: 제1~1219회 (1239회차, 최근 20회는 검증용 홀드아웃) · 시드 규약: 회차×1000+기법번호 (재현 가능)
균등 난수 (대조군)
아무 분석 없이 1~45에서 균등하게 6개를 뽑는다. 다른 기법이 이보다 나은지가 실험의 질문.1
13
14
20
21
29
33
2
19
24
28
34
39
45
3
3
4
17
28
32
42
4
12
17
23
24
31
37
5
9
16
18
24
42
43
통계 기법 — 빈도 가중
전체 이력에서 번호별 출현 횟수를 세어 그 비율로 가중 샘플링. "많이 나온 번호" 전략의 정직한 구현.1
2
9
10
20
25
27
2
5
23
31
33
39
43
3
3
5
15
20
21
33
4
7
10
12
18
25
34
5
4
6
12
35
38
44
LSTM (실제 학습)
당첨 이력 토큰 스트림으로 다음 토큰 예측을 실제 학습한 LSTM에서 자기회귀 샘플링.1
1
23
32
34
40
42
2
1
12
27
30
38
41
3
4
10
12
13
27
37
4
14
17
18
24
32
33
5
15
16
19
25
27
42
트랜스포머 디코더 (실제 학습)
같은 스트림으로 학습한 인과 트랜스포머 디코더에서 자기회귀 샘플링. 디코더 아틀라스와 같은 구조.1
5
10
26
28
29
39
2
3
5
6
8
9
11
3
3
9
14
15
23
36
4
2
3
10
18
28
31
5
14
17
29
35
41
44
제1239회 채점 결과 (2026-08-29)
당첨번호
11
13
22
32
33
36
+
8
(보너스)| 적중 개수 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 (초기하분포) |
|---|---|---|---|---|---|
| 0개 | 41 | 38 | 36 | 40 | 40.06 |
| 1개 | 42 | 47 | 45 | 42 | 42.41 |
| 2개 | 14 | 12 | 16 | 12 | 15.15 |
| 3개 | 3 | 3 | 3 | 5 | 2.24 |
| 4개 | 0 | 0 | 0 | 1 | 0.14 |
| 5개 🎯 | 0 | 0 | 0 | 0 | 2.9e-3 |
| 6개 🎯 | 0 | 0 | 0 | 0 | 1.2e-5 |
랜덤 평균 0.79개 · 최고 3개
통계 평균 0.80개 · 최고 3개
LSTM 평균 0.86개 · 최고 3개
트랜스포머 평균 0.85개 · 최고 4개
이론 기대 평균 0.80개
누적 통계 — 실험이 쌓일수록 결론이 선명해집니다
채점된 회차 1회 · 기법당 누적 100조합 (총 400조합)
| 적중 개수 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 (초기하분포) |
|---|---|---|---|---|---|
| 0개 | 41 | 38 | 36 | 40 | 40.06 |
| 1개 | 42 | 47 | 45 | 42 | 42.41 |
| 2개 | 14 | 12 | 16 | 12 | 15.15 |
| 3개 | 3 | 3 | 3 | 5 | 2.24 |
| 4개 | 0 | 0 | 0 | 1 | 0.14 |
| 5개 🎯 | 0 | 0 | 0 | 0 | 2.9e-3 |
| 6개 🎯 | 0 | 0 | 0 | 0 | 1.2e-5 |
| 지표 | 랜덤 | 통계 | LSTM | 트랜스포머 | 이론값 |
|---|---|---|---|---|---|
| 회차 평균 적중 수 | 0.790 | 0.800 | 0.860 | 0.850 | 0.800 |
| 3개 이상 적중 (누적) | 3 | 3 | 3 | 6 | 2.38 |
| 역대 최고 적중 | 3개 | 3개 | 3개 | 4개 | — |
최근 회차별 평균 적중
| 회차 | 랜덤 | 통계 | LSTM | 트랜스포머 |
|---|---|---|---|---|
| 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" 전략(빈도 가중)도 마찬가지 — 무작위 추첨에서 빈도 차이는 표본 오차일 뿐이라, 누적될수록 균등 난수와 구분되지 않습니다.
- 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.