Cara Memprediksi Bilangan Berturut-turut Dalam Hasil Lotto

Cukup beberapa hasil lotere termasuk setidaknya satu pasangan angka yang berurutan. Skenario ini dapat mengejutkan beberapa pemain yang sering mengecualikan hasil tersebut dalam kombinasi mereka.

Tiga minggu terakhir dari NZ Lotto memberi kita contoh pola ini; di setiap baris ada satu pasang angka berturut-turut.


7,14,17,18,25,30
4,20,22,34,36,37
13,14,27,31,38,40

Menganalisis Kemungkinan Angka Berturut-turut

Hal pertama yang kami perhatikan adalah bahwa hanya ada satu grup per baris kemenangan, yang memberi kita indikasi probabilitas angka yang berurutan.

Menurut definisi, setiap pasangan akan mencakup satu nomor ganjil dan satu genap. Tetapi jika kita melihat contoh kecil kita masing-masing set termasuk prime sebagai angka ganjil yang membantu penelitian kita secara signifikan. Mari kita lihat mengapa bilangan prima menonjol dalam pasangan nomor berurutan.

Nomor Perdana Dan Pengelompokan Lotto Berturut-turut

Karena ada bilangan prima dalam jumlah terbatas di setiap gim, kita dapat memprediksi bagaimana angka-angkanya akan muncul di setiap grup nomor berurutan.


Primes antara 1 dan 40: 12
2,3,5,7,11,13,17,19,23,29,31,37

Persentase bilangan prima dalam permainan 40 bola adalah sekitar 30% dan dalam setiap 6 imbang bola kita dapat mengasumsikan rata-rata 2 bilangan akan diambil.

Karena kita tahu pola berturut-turut harus memasukkan angka ganjil, maka dua pertiga dari pengelompokan ini akan melibatkan bilangan prima.

Menggunakan Informasi Pola Berturut-turut Untuk Mengurangi Ukuran Investasi Lotre Anda

Dengan pengetahuan bahwa bilangan prima akan mendominasi pola berurutan kita dapat menggunakan informasi itu untuk mengecualikan setiap baris dengan bilangan berurutan yang tidak mengandung bilangan prima.

Dengan memasukkan pola bilangan prima ini memungkinkan kita untuk meninggalkan kelompok bilangan lainnya. Sebagai contoh jika kita memutuskan untuk menggunakan perdana secara berturut-turut maka kita mungkin mengabaikan bilangan prima lain dalam jarak dekat.

Pilihan tambahan mungkin untuk melihat "bilangan prima panas". Saya perhatikan dalam sampel NZ Lotto bahwa setiap bilangan prima dalam pola itu berbeda sehingga kita dapat menghilangkan pasangan berturut-turut yang mencakup bilangan prima yang baru-baru ini berada di garis kemenangan.

Ringkasan

Artikel ini telah memperkenalkan konsep nomor berturut-turut dalam hasil lotto. Ini menyimpulkan bahwa sebagian besar pola-pola ini akan mencakup bilangan prima. Ini meninggalkan banyak ruang untuk penelitian lebih lanjut dengan tujuan mengurangi ukuran kombinasi total pilihan lotre.

Cara Memprediksi Jika Prospek Berikutnya Anda Akan Membeli Menggunakan Regresi Logistik

Bukankah lebih bagus lagi jika ada cara yang lebih akurat untuk memprediksi apakah prospek Anda akan membeli daripada hanya mengambil tebakan? Nah, ada … jika Anda memiliki cukup data pada prospek Anda sebelumnya. Alat yang membuat ini mungkin disebut Regresi Logistik dan dapat dengan mudah diimplementasikan di Excel. Regresi Logistik dapat menjadi alat yang sangat berharga bagi seorang pemasar.

Skor Kualitas Pelanggan Diciptakan Dengan Regresi Logistik

Pemasar menggunakan Logistic Regression untuk memberi peringkat pada prospek mereka dengan skor kualitas yang menunjukkan kemungkinan prospek untuk membeli. Semakin banyak data yang Anda kumpulkan dari prospek sebelumnya, semakin akurat Anda akan dapat menggunakan Logistic Regression di Excel untuk menghitung kemungkinan pembelian prospek baru Anda. Mengapa itu berharga? Regresi Logistik dapat memungkinkan pemasar untuk menentukan prospek mana yang layak mendapat perhatian ekstra. Pepatah lama mengatakan: "Saya tidak ingin setiap penjualan, hanya yang berikutnya." Regresi Logistik sangat meningkatkan kemungkinan bahwa penjualan berikutnya yang Anda pilih untuk difokuskan akan berjalan sesuai keinginan Anda.

Apa itu Logistic Regression?

Logistic regression (LR) biasanya digunakan untuk menghitung probabilitas suatu peristiwa yang terjadi. Analisis regresi logistik dilakukan dengan memasukkan data ke kurva logistik fungsi regresi logit. Variabel input (variabel prediktor) dapat berupa angka atau kategoris (variabel input dummy).

LR sering disebut regresi logit, model logistik, atau regresi logit.

Menggunakan Regresi Logistik

Regresi logistik digunakan dalam ilmu sosial dan medis. Misalnya, satu penggunaan medis LR dapat digunakan untuk memprediksi apakah seseorang akan mengalami stroke berdasarkan tinggi, berat badan, dan usia seseorang. Pemasar sering menggunakan regresi logistik untuk menghitung kemungkinan apakah seorang prospek akan membeli atau tidak.

Berikut adalah bagaimana perhitungan dilakukan (tanpa membuang banyak waktu pada teori):

Probabilitas peristiwa yang terjadi diberikan sebagai berikut:

P (X) = e ** L / (1 + e ** L)

Satu-satunya variabel dalam persamaan di atas adalah L. L disebut Logit. Rumus untuk L tergantung pada variabel input. Sebagai contoh regresi logistik, jika kami mencoba memprediksi kemungkinan pembelian prospek baru berdasarkan usia dan jenis kelamin calon pelanggan, maka persamaan untuk Logit (L) adalah sebagai berikut:

L adalah Logit dan L = Konstan + A * Usia + B * Jenis Kelamin

Kita harus menyelesaikan untuk Konstan, A, dan B. Setelah kita menyelesaikannya, kita telah menyelesaikan untuk L. L kemudian dapat dicolokkan ke persamaan probabilitas P (X) di atas dan kita memiliki probabilitas pembelian prospek.

Jadi, pertanyaannya adalah: Bagaimana kita memecahkan Konstan, A, dan B?

Kami kembali ke data pelanggan dan prospek awal kami. Kami telah mencatat usia, jenis kelamin, dan apakah setiap prospek dibeli untuk semua dari ratusan prospek kami sebelumnya. Untuk setiap prospek kami sebelumnya, kami membuat persamaan berikut:

P (X) ** Y * [ 1 – P(X) ]** (1-Y)

Y = 1 jika prospek dibeli dan Y = 0 jika prospek tidak membeli.

P (X) adalah persamaan probabilitas dan P (X) = e ** L / (1 + e ** L)

L adalah Logit dan L = Konstan + A * Usia + B * Jenis Kelamin

Persamaan P (X) ** Y * [ 1 – P(X) ]** (1-Y) dimaksimalkan ketika P (X) mendekati 1 (100%) ketika Y = 1 dan ketika P (X) mendekati 0 ketika Y = 0.

Pada akhirnya apa yang kita lakukan adalah menentukan Constant, A, dan B yang akan memaksimalkan jumlah dari semua P (X) ** Y * [ 1 – P(X) ]** (1-Y) persamaan yang telah kami hitung untuk setiap prospek sebelumnya.

Ini akan sulit dilakukan dengan tangan. Cara terbaik adalah menggunakan alat seperti Excel Solver. Bahkan Anda dapat mempertimbangkan Excel untuk menjadi perangkat lunak LR Anda. Video terlampir menunjukkan ini sedang dilakukan.

Ketika Anda telah menemukan kombinasi ideal (Konstan, A, dan B) yang membuat P (X) yang paling akurat untuk sebanyak mungkin prospek sebelumnya, jumlah semua[P(X)**Y*[P(X)**Y*[ 1 – P(X) ]** (1-Y)]persamaan akan dimaksimalkan.

Setelah Anda menemukan bahwa Konstan, A, dan B yang memaksimalkan jumlah itu, Anda dapat memasukkan Konstan, A, dan B ke dalam persamaan Logit:

L = Konstan + A * Usia + B * Jenis Kelamin

Setelah ini, Anda memiliki Logit (L) yang benar, yang kemudian dapat dicolokkan ke dalam persamaan probabilitas: P (X) = e ** L / (1 + e ** L) dan Anda memiliki probabilitas paling akurat dari apakah Anda prospek baru akan membeli.

Blog saya memiliki artikel dengan video yang akan memperjelas bagaimana cara melakukan Logisitic Regression. Spreadsheet Excel dengan contoh kerja Regresi Logistik juga tersedia untuk diunduh dari artikel blog itu.

Kesimpulan

Regresi Logistik bukanlah analisis yang paling sederhana untuk dilakukan, tetapi bisa menjadi alat yang sangat berharga bagi pemasar.