چرا مدل های ریاضی برای مگا میلیون جکپات اهمیت دارند

لاتاری Mega میلیون ها نفر را با جکپات های زندگی در حال تغییر، اما پشت سر تیتر جوایز میلیارد دلاری جهان از اعداد، احتمالات و الگوهای است که راه اندازی یک ابزار ساختار یافته برای تجزیه و تحلیل دقیق این که چگونه جکپات رشد می کند، زمانی که آنها ممکن است به اوج برسند، و چه عواملی باعث می شود که هیچ مدل برنده شود - میلیون ها نفر، پس از تمام تکنیک های علاقه مندان به یادگیری، حتی تجزیه و تحلیل داده های عملی را درک کنید، حتی با استفاده از تجزیه و تحلیل داده های آماری که می تواند به تجزیه و تحلیل داده های آماری از تجزیه و تحلیل های آماری دقیق و تحلیل داده های آماری را به سرعت تجزیه و تحلیل داده ها کمک کند، و تحلیل داده ها را به سرعت تجزیه و تحلیل داده ها را به سرعت تجزیه و تحلیل داده ها را به سرعت تجزیه و تحلیل کند، و تحلیل کند، اگر آنها را تغییر دهد، و تحلیل های آماری از نظر تحلیلگران را به سرعت تجزیه و تحلیل داده ها را تغییر دهد، اگر آنها را به سرعت تجزیه و تحلیل های گرافیکی را تغییر دهد، چه تغییرات داده ها را تغییر دهد، و تحلیل های آماری که آیا آنها را به سرعت تجزیه و تحلیل داده ها و تحلیل داده ها و تحلیل داده ها، چه اندازه گیری کند، چه تغییرات داده ها را نشان دهد

مکانیک رشد جکپات

برای پیش بینی روند مگا میلیون جکپات، ابتدا باید موتور را که آنها را هدایت می کند، درک کنید. جکپات در یک مقدار پایه شروع می شود - در حال حاضر 20 میلیون دلار - و هر بار که هیچ بلیط بلیط برای همه شش عدد مطابقت ندارد، افزایش سرعت ثابت نیست؛ این به معنی فروش بلیط بیشتر است، هر بلیط بیشتر به جکپات اضافه می کند ( بقیه می رود به جایزه، کمیسیون خرده فروشی، و رول در طول بلیط های فروش، زمانی که افزایش می یابد.

پارامترهای کلیدی که بر رشد تأثیر می گذارند عبارتند از:

  • حجم فروش بلیت : فروش بسیار متغیر است.یک طرح معمولی ممکن است 10-20 میلیون بلیط فروش، اما یک جکپات اجرا که به 500 میلیون دلار می رسد می تواند 100 -200 میلیون بلیط فروخته شده است.
  • قابلیت برنده شدن : احتمال ضربه زدن به مگا میلیون جکپات 1 در 302،575،350، که احتمال کوچک به معنی اکثر رولرها انتظار می رود.
  • قوانین رولفر : جکپات پس از یک پیروزی تنظیم به مقدار پایه و همچنین یک کلاه ثابت وجود دارد - اغلب حدود 1.5 میلیارد دلار - پس از آن جکپات نمی تواند بیشتر رشد کند و به جای آن به عنوان "پول" به طرح بعدی (هر چند ارزش اعلام شده هنوز ممکن است به نظر برسد افزایش).
  • [FLT: 1 ] [FLT: Mega میلیون ها ارائه می دهد دو گزینه پرداخت: یک ظرافت (بیش از 30 سال) و خلاصه توده (پول نقد) است که جکپات تبلیغ شده ارزش بی نظیری است که به طور متفاوتی از استخر پول نقد رشد می کند. تحلیلگران به طور معمول بر ارزش پول نقد برای مدل سازی تمرکز می کنند زیرا آن نشان دهنده پول واقعی است.

درک این مکانیک به شما اجازه می دهد تا مدل ریاضی مناسب را انتخاب کنید و خروجی های آن را به طور معنی دار تفسیر کنید.

مدل های رشد نمایی: ساده ترین نقطه شروع

یک مدل رشد نمایی فرض می کند که جکپات با درصد ثابتی که هر رولور در واقعیت افزایش می یابد، افزایش می یابد، عامل رشد متفاوت است، اما برای رول های اولیه (هنگامی که فروش نسبتا ثابت است)، این یک تقریب مناسب است:

[[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]

در جایی که J جکپات اولیه است، r میانگین رشد در هر نقاشی است، و n تعداد رولرها است، شما می توانید با نگاه کردن به داده های تاریخی، تخمین بزنید: به عنوان مثال، اگر جکپات از 20 میلیون دلار به 30 میلیون دلار پس از یک رول بدون برنده رشد کرد، اما 0.5٪ نیاز به کاهش زمان و افزایش قیمت فروش بیشتر است، زیرا هنوز هم به طور نسبی افزایش می یابد.

به عنوان مثال، اگر شما یک رشد ثابت 30٪ در هر نقاشی و یک جکپات شروع (از 20 × 1.3 ^7 ⁇ ) را در عمل فرض کنید، نرخ رشد به عنوان صعود جکپات به 100 میلیون دلار برسد، بنابراین شما باید برای مراحل پایین تر تنظیم کنید (از 20 × 1.3 ^7) شما می توانید داده های تاریخی مانند مدل dev را پیدا کنید.

مدل های بازگشت به آمار: یادگیری از تاریخ

تجزیه و تحلیل رگرسیون فراتر از منحنی های نمایی ساده با استفاده از یک تابع ریاضی به نقاط داده واقعی است.شما مقدار جکپات را به عنوان متغیر وابسته و تعداد نقاشی (یا زمان) به عنوان متغیر رگرسیون عمومی استفاده می کنید:

  • بازگشت به جلو [FLT 1]: فرض کنید جکپات با مقدار ثابت دلار رشد می کند هر طرح به ندرت برای مگا میلیون ها دقیق است، زیرا رشد شتاب می یابد، اما می تواند به مدت کوتاهی استفاده شود.
  • : منحنی های ضبط، مانند چهار برابر یا رشد مکعب، مدل چهار گانه (J = Bx + Cx2) می تواند رشد سریع دیده شده در نیمه اول از جکپات اجرا شود.
  • [[۱]:۰ [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]: گاهی اوقات هنگامی که رشد کاهش می یابد، مانند نزدیک به یک کلاه، مفید است.
  • [[۱] [۱۰] [[۱]] [۱۰] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱۰]] [FLT: ۴x این مدل ها به طور مستقیم رشد می کنند.

ساخت یک مرحله مدل بازگشتی با مرحله

برای ساخت مدل عقب نشینی خود، این مراحل را دنبال کنید:

  1. اطلاعات تاریخی را جمع آوری حداقل چند دوجین جکپات آخر (هر کدام از آنها از یک تنظیم مجدد به یک برد اجرا می شود) شامل مقدار جکپات پس از هر نقاشی، تاریخ نقاشی و اینکه آیا یک برنده رخ داده است.
  2. داده ها را پاک کنید : حذف اجراهایی که توسط یک کلاه یا یک ارتقاء ویژه به طور عادی برای بی توجهی در برابر ارزش های نقدی (پیش از آن نقد).
  3. (FLT:0) یک مدل را برش دهید: داده ها را خلاصه کنید - اگر منحنی به نظر می رسد به بالا خم شده است، سعی کنید به صورت نمایی یا چهار برابر باشد.
  4. مدل را پر کنید: از نرم افزار مانند اکسل (LINEST)، پایتون (scikit-learn)، یا R (lm) استفاده کنید، ضریب معادله و ارزش R2 (چگونه مناسب مدل) مناسب است.
  5. اعتبار : مدل را بر روی داده های ناشناخته تست کنید (به عنوان مثال، 20 درصد از اجراها) پیش بینی شده در مقابل جکپات های واقعی.
  6. Forecast : پلاگین در اعداد آینده طراحی برای پیش بینی جکپات، اما به یاد داشته باشید که هر پیش بینی با یک فاصله اعتماد (در مجموع شما پیش بینی بیشتر در آینده).

مثال: استفاده از رگرسیون نمایی در داده های یک اجرای 2022 که از 20 میلیون دلار به 1.337 میلیارد دلار بیش از 38 نقاشی رفته است، شما چیزی شبیه J ⁇ × 20 × 1.12 دریافت خواهید کرد که 12٪ رشد در هر نقاشی بسیار کمتر از 30٪ اولیه است - این نشان دهنده مدل های کاهشی است که از این داده ها استفاده می کنند.

شبیه سازی مونت کارلو: پذیرفتن تصادفی

در حالی که مدل های رگرسیون یک مسیر پیش بینی شده را ارائه می دهند، شبیه سازی مونت کارلو، تصادفی ذاتی فروش بلیط و رویداد برنده را تصدیق می کند. شبیه سازی کارلو هزاران آینده احتمالی را ایجاد می کند، هر کدام با ورودی های کمی متفاوت، و سپس نتایج را برای مشاهده دامنه نتایج احتمالی جمع آوری می کند، این به ویژه برای پاسخ به سوالات مانند "چه چیزی است که احتمال اینکه جکپات در 10 میلیارد دلار بیشتر از یک میلیارد دلار بیشتر خواهد شد؟"

چگونه یک شبیه سازی مونت کارلو را تنظیم کنیم

  1. توزیع ورودی اصلاح ؛ به جای شماره فروش بلیط ثابت، فروش را به عنوان توزیع احتمال مدل سازی می کنید.برای مثال، ممکن است فرض کنید فروش یک توزیع غیر طبیعی با یک معنی که بستگی به جکپات فعلی دارد (برای مثال، بازیکنان بیشتری جذب جکپات های بالاتر می شوند).
  2. احتمال برنده شدن را مدل کنید: شانس که حداقل یک برنده بلیط 1 - (1 - 1/3،575،350) ^ (تعداد بلیط های فروخته شده) افزایش می یابد.
  3. یک کارآزمایی واحد را اجرا کنید: با جکپات پایه شروع کنید، برای هر طرح، تعداد بلیط های فروخته شده از توزیع را نمونه کنید. احتمال برنده شدن با استفاده از این شماره بلیط را تکمیل کنید.اگر برنده وجود نداشته باشد، تعداد تصادفی را تکرار کنید.
  4. بارها : 100.000 یا 1000.000 کارآزمایی را اجرا کنید، جکپات نهایی هر اجرا (میزان بازدید از برنده) را ثبت کنید.
  5. نتایج حاصل از {FLT:1: شما در حال حاضر توزیع اندازه های جکپات ممکن و زمان برنده را دارید.شما می توانید متوسط، 90 درصدile یا احتمال بیش از آستانه مانند 1 میلیارد دلار محاسبه کنید.

شبیه سازی مونت کارلو نشان می دهد که حتی اگر جکپات انتظار می رود ۸۰۰ میلیون دلار پس از ۳۰ نقاشی باشد، احتمال دارد که این عدد به جای یک پیش بینی، از ۱.۵ میلیارد دلار فراتر رود و ۵ درصد احتمال دارد که هیچ برنده ای به ۴۰ قرعه کشی برسد و این بینش ها به خوانندگان کمک می کند تا گسترش احتمالات را درک کنند.

منابع داده و ابزار برای مدل های شما

شما مجبور نیستید همه چیز را از ابتدا بسازید، چندین منبع داده های آماده را برای استفاده فراهم می کنند:

  • میلیون ها سایت رسمی : دارای اعداد برنده و جکپات، اما آرشیو های تاریخی محدود.
  • [Lottery Post [lotterypost.com] : ردیابی داده های جکپات تاریخی برای همه بزرگ ترین قرعه کشی، به روز رسانی در هر نقاشی.
  • ایالات متحده آمریکا [USamega.com] : بایگانی مگا میلیون و پاوربال نتایج با ارزش های جکپات و برآورد فروش بلیط.
  • GitHub داده های باز : جستجو برای "mega میلیون ها جکپات تاریخ" - بسیاری از دانشمندان داده فایل های CSV تمیز نگه می دارند.

برای مدل های دویدن، می توانید از آن استفاده کنید:

  • مایکروسافت اکسل ؛ ابزار رگرسیون داخلی (Data Analysis Add-in) و ژنراتورهای عددی تصادفی ساده برای مونت کارلو پایه.
  • : کتابخانه هایی مانند پاندا، numpy، علمیpy و ماتlib.
  • R : قوی برای تجزیه و تحلیل آماری و تجسم؛ عملکرد "م" برای رگرسیون و "ample" برای شبیه سازی.
  • Google Sheets : بازگشت پایه از طریق LINEST و برخی از قابلیت های شبیه سازی تصادفی، هر چند برای هزاران کارآزمایی آهسته است.

ابزار را انتخاب کنید که با سطح راحتی شما مطابقت دارد، حتی کاربران صفحه گسترده می توانند یک مدل نمایی مناسب با چند فرمول ایجاد کنند.

قرص های معمول و چگونگی اجتناب از آن

مدل های ریاضی قدرتمند هستند، اما توپ های کریستالی نیستند و در اینجا اشتباهات مکرر و چگونگی هدایت واضح وجود دارد:

  • [FLT 1]: استفاده از یک ⁇ درجه بالا که متناسب با داده های تاریخی کاملا اما پیش بینی اجرای آینده نیست. Stick به مدل های ساده (eatic یا quadratic) با چند پارامتر.
  • تشخیص پول نقد در مقابل آن اختلاف نظر ؛ جکپات تبلیغ شده به طور متفاوتی از استخر واقعی پول نقد رشد می کند؛ همیشه ارزش نقدی را مدل می کند؛ ارزش بی ثباتی یک شماره بازاریابی بر اساس فرضیات نرخ بهره است.
  • افزایش رشد مداوم ؛ رشد اولیه (اولین تعداد رولرها) شیب دار است؛ پس از رشد صاف استفاده از یک مدل که اجازه می دهد نرخ رشد در طول زمان کاهش یابد، مانند منحنی لاگی یا یک مدل نمایی.
  • حسابداری برای جکپات Caps [FLT 1 ]: هنگامی که ارزش بی ارزش به کلاه ضربه می زند (به عنوان مثال 1.5 میلیارد دلار)، استخر پول نقد هنوز رشد می کند اما جکپات اعلام شده به طور متناسب افزایش نمی یابد مدل شما باید این فلات را اداره کند.
  • استفاده از داده های بسیار کوچک : یک جکپات اجرا تنها تعداد انگشت شماری از نقاط داده را فراهم می کند. ترکیب چندین اجرا (به عنوان مثال، 10 اجرا شده آخر) برای به دست آوردن یک مدل قوی تر از الگوی رشد.
  • اتصال کور با Causation : فروش بلیط رشد جکپات را هدایت می کند، اما فروش خود به عوامل بسیاری بستگی دارد (تقدم زدن، پوشش رسانه ای، فصلی بودن).

برنامه های کاربردی: پیش بینی جکپات بزرگ بعدی

با یک مدل معتبر، می توانید به سوالات دنیای واقعی پاسخ دهید:

  • چه زمانی جکپات به 1 میلیارد دلار دیگر می رسد؟ با استفاده از نرخ رشد متوسط تاریخی، شما می توانید تعداد رولور مورد نیاز را برآورد کنید، به عنوان مثال، اگر نرخ رشد متوسط در هر نقاشی 9٪ (از اجراهای اخیر)، جکپات که از 20 میلیون دلار شروع می شود، به حدود 48 رول نیاز دارد به 1 میلیارد دلار (x 90)، اغلب به فروش واقعی (در حدود 10، اما تقریبا 10).
  • احتمال اینکه جکپات بیش از ۵۰۰ میلیون دلار در ۲۰ نقاشی بعدی تجاوز کند چیست؟ مونت کارلو را با جکپات شروع فعلی و توزیع فروش معمولی آغاز می کند، ممکن است ۷۰ درصد شانس پیدا کنید، که به رسانه های خبری کمک می کند تا تصمیم بگیرند که چه زمانی پوشش را شروع کنند.
  • آیا من خرید بلیط زمانی که جکپات 600 میلیون دلار است؟ مدل ها می توانند ارزش انتظار (پریزه کردن × احتمال) پس از مالیات و هزینه های بی نظیری را محاسبه کنند، این یک محاسبه جداگانه است - به طور کلی، ارزش انتظار می رود منفی است، اما برخی از جکپات ها (بالای 800 میلیون دلار) می توانند به قلمرو مثبت نزدیک شوند اگر شما برای کاهش خطر لاتاری طراحی شده است، و سپس کاهش مالیات، حتی اگر شما را نادیده بگیرید.

بسیاری از تحلیلگران مالی و وبلاگ نویسان لاتاری از این تکنیک ها استفاده می کنند، به عنوان مثال، وب سایت Lottery Crite تجزیه و تحلیل آماری از هر طرح را منتشر می کند.شما می توانید تجزیه و تحلیل مشابهی در مورد وiki چگونه [FLT3) برای افزونه های اولیه احتمال.

محدودیت ها و ملاحظات اخلاقی

علی رغم کاربرد آن ها، مدل های ریاضی برای روندهای مگا میلیون جکپات دارای محدودیت های ذاتی هستند:

  • راندیوم غالب : هر طرح مستقل است.هیچ مدل نمی تواند پیش بینی دقیق که در آن یک برنده ظاهر خواهد شد.
  • قوانین تکان دادن : کمیسیون های قرعه کشی گاهی اوقات ماتریس (شماره، توپ پاداش) یا مکانیک رولور را اصلاح می کنند. مدل آموزش داده های پیش از 2020 ممکن است پس از 2020 شکست بخورد زمانی که شانس از 1:258،890،850 به 1:302،575،350 تغییر کرد.
  • عوامل نجات دهنده ؛ هیپنوتیزم رسانه ها، گرایش های رسانه های اجتماعی و حتی آب و هوا می تواند فروش بلیط را به گونه ای که هیچ مدل نمی تواند از زمان قبل ثبت کند، تحت تاثیر قرار دهد.
  • استفاده از تجربی : ترویج پیش بینی های لاتاری به عنوان "مطابق" یا "چیز مطمئن" گمراه کننده است، همیشه مدل های فریم به عنوان ابزار تحلیلی، نه استراتژی های برنده، تشویق بازی مسئول و تاکید بر این که لاتاری یک نوع سرگرمی است، نه یک سرمایه گذاری.

همچنین شایان ذکر است که برخی از حوزه های قضایی هشدارهای قانونی در مورد شانس را صادر کرده اند، در هنگام انتشار تجزیه و تحلیل شما، یک بیانیه روشن را شامل می شود که روندهای گذشته نتایج آینده را تضمین نمی کنند و لاتاری یک بازی شانس است.

نتیجه گیری: استفاده از مدل ها به عنوان یک ابزار در جعبه ابزار تحلیلی

مدل های ریاضی - معادلات رشد نمایی، تجزیه و تحلیل رگرسیون و شبیه سازی مونت کارلو - ارائه یک راه ساختار یافته برای درک و پیش بینی مگا میلیون ها جکپات روند، آنها داده های تاریخی خام را به پیش بینی تبدیل می کنند که می تواند به شما کمک کند تا زمانی که یک جک پیچیده بعدی را پوشش می دهد، چه سریع رشد می کند، و چه طیف وسیعی از احتمالات وجود دارد، این مدل ها تنها به عنوان بهترین نمونه های شبیه سازی طبیعی در پشت داده های تصادفی و حتی می توانند نتایج را اثبات کنند.