넘스탯
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 — 제1239회
생성·잠금: 2026. 8. 24. PM 3:18:13 · 판매 마감: 2026. 8. 29. AM 11:00:00 · 학습 데이터: 제1~1218회 (1238회차, 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
12
16
17
27
32
33
2
17
18
21
36
38
45
3
5
8
24
37
40
45
4
2
6
7
30
40
45
5
2
9
29
31
38
41
통계 기법 — 빈도 가중
전체 이력에서 번호별 출현 횟수를 세어 그 비율로 가중 샘플링. "많이 나온 번호" 전략의 정직한 구현.1
2
11
20
30
38
43
2
5
20
30
38
41
42
3
3
22
23
24
41
44
4
10
18
21
29
32
41
5
5
8
25
27
34
44
LSTM (실제 학습)
당첨 이력 토큰 스트림으로 다음 토큰 예측을 실제 학습한 LSTM에서 자기회귀 샘플링.1
22
33
35
38
39
41
2
9
10
25
36
41
45
3
1
6
9
12
23
40
4
2
8
17
19
27
36
5
6
16
21
25
35
41
트랜스포머 디코더 (실제 학습)
같은 스트림으로 학습한 인과 트랜스포머 디코더에서 자기회귀 샘플링. 디코더 아틀라스와 같은 구조.1
4
9
19
24
27
36
2
3
4
8
11
16
19
3
1
5
10
11
43
45
4
1
4
19
23
32
44
5
1
12
22
25
28
36
누적 통계 — 실험이 쌓일수록 결론이 선명해집니다
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.