Laboratorio de IA de EuroMillones: entrena redes neuronales con los sorteos reales
¿Puede una red neuronal aprender algo de 1.992 sorteos de EuroMillones que anticipe el siguiente? Este laboratorio te permite entrenar cuatro modelos directamente en tu navegador (TensorFlow.js, no se sube nada). Cada modelo estima para cada número la probabilidad de salir en el próximo sorteo; los 5 más probables forman la apuesta. Esa apuesta se prueba después en sorteos que el modelo nunca ha visto, frente a la expectativa exacta del azar.
🔮 IA y test › · 🧪 Laboratorio de estrategias (backtest) ›
Los cuatro modelos
A · Modelo de secuencias LSTM
Ve los últimos W sorteos como una secuencia (cada sorteo como un vector de 50 ceros y unos); una LSTM resume la secuencia y 50 salidas sigmoides dan la probabilidad de cada número. Es la herramienta estándar para series temporales: si hubiera un patrón en el orden de los sorteos, aquí aparecería.
B · Red densa sobre características de los números
Para cada número, seis características que los jugadores usan de verdad: frecuencia en los últimos 10, 50 y 200 sorteos, intervalo actual (lineal y logarítmico) y si el número salió en el último sorteo. Dos capas ocultas aprenden la probabilidad a partir de ellas. Comprueba si “calientes”, “fríos” o “atrasados” ayudan en alguna combinación.
C · Regresión logística
Las mismas seis variables, pero un único paso lineal: la referencia para el modelo B. Los pesos aprendidos muestran directamente por qué apuesta el modelo. Si B no supera a C, la red más profunda no ha encontrado nada más.
D · Serie temporal SARIMA
Cada uno de los 50 números se trata como su propia serie temporal 0/1 (sorteado / no sorteado). Para cada número se ajusta un modelo ARIMA estacional (1,0,1)(1,0,1)ₛ por mínimos cuadrados condicionales; la estación s es, por ejemplo, el número de días de sorteo por semana. La previsión a un paso es la probabilidad estimada para el próximo sorteo. Sin red neuronal ni inicialización aleatoria: el mismo resultado en cada ejecución.
Método: los sorteos se dividen cronológicamente; el 20 % más reciente queda intacto para la prueba. Para cada sorteo de prueba, el modelo forma su apuesta solo con los sorteos anteriores. Se cuentan los aciertos por apuesta y se comparan con la distribución hipergeométrica, es decir, con lo que consigue una apuesta automática. Ningún modelo ve los números complementarios.
Curva de entrenamiento
La pérdida (entropía cruzada binaria) baja al principio porque la red aprende que cada número aparece en aproximadamente el 10,0 % de los sorteos. Si después la pérdida de validación deja de bajar, no ha encontrado nada más allá de esa tasa base.
Resultado
La apuesta del modelo para el próximo sorteo
Prueba con sorteos no vistos
| Aciertos | Modelo | Azar (esperado) |
|---|
Las últimas apuestas del test
| Fecha | Predicción | Aciertos |
|---|
Preguntas sobre el laboratorio de IA
¿Puede una red neuronal predecir los próximos números de la lotería?
No. Los sorteos de EuroMillones son sucesos aleatorios independientes y sin memoria: el sorteo de hoy no aporta ninguna información sobre el de mañana. Por eso, una red puede aprender como mucho la tasa base (todos los números salen con la misma frecuencia) y después elige igual de bien que el azar. Eso es exactamente lo que muestra la prueba con sorteos no vistos.
¿Por qué baja la pérdida durante el entrenamiento si no hay nada que aprender?
Porque la red aprende primero la tasa base: con pesos iniciales aleatorios estima las probabilidades totalmente mal; tras unas pocas épocas ya están cerca de K/N. Esa bajada es aprender la tasa base, no los sorteos. Después, la pérdida de validación se estanca.
¿Por qué la apuesta es distinta cada vez que entreno?
Los pesos iniciales son aleatorios y, como los datos no contienen ninguna señal, diferencias minúsculas de probabilidad deciden qué números entran en el top K. Un modelo con una señal real daría números parecidos en cada ejecución.
¿Qué significa un valor p inferior a 0,05?
Que una diferencia con el azar tan grande surge por casualidad solo el 5 % de las veces, es decir, una de cada 20 ejecuciones de entrenamiento de media. Quien vaya variando modelos, ventanas y épocas acabará topándose con una oscilación así. No se repite en otro periodo.
¿Qué datos ve el modelo?
Solo los números principales de los sorteos, en orden cronológico hasta el sorteo de prueba correspondiente. No se usan números adicionales, premios ni botes. Todo se ejecuta en tu navegador; no se transmite ningún dato.
Inspirado en proyectos de IA de lotería de libre acceso (LotteryAi, PowerballAi, Mega Millions AI). Su diseño se ha corregido aquí: predecir el próximo sorteo en lugar de reproducir el actual, una probabilidad por número en lugar de por posición, y pruebas solo con sorteos no vistos.