Otimização de Apostas via Monte Carlo

Algoritmo de Otimização de Apostas da Mega-Sena e Lotofacil via Simulações de Monte Carlo, desenvolvido em Python apenas para motivos de estudos. Ele tem como objetivo otimizar a cobertura combinatória de 7 jogos de 6 dezenas (de 1 a 60), maximizando as chances de acertos menores (Quadra e Quina) e reduzindo sobreposição entre apostas.

---

🔧 Como executar o algoritmo

1. Requisitos

• Python 3.12+ instalado
• Bibliotecas: numpy, pandas

uv sync

2. Exemplos de execução:

# Mega-Sena
# Execução padrão (rápida / reprodutível)
uv run mega_monte_carlo_optimizer.py --n-candidates 1400 --shortlist 80 --draws 40000 --seed 2025 --out-prefix resultados/mega_opt

# Execução mais robusta (mais estável, mais lenta)
uv run mega_monte_carlo_optimizer.py --n-candidates 4000 --shortlist 120 --draws 120000 --seed 2025 --out-prefix resultados/mega_opt

# Execução exploratória (sem seed, resultados variam)
uv run mega_monte_carlo_optimizer.py --n-candidates 2000 --shortlist 100 --draws 60000 --out-prefix resultados/mega_opt

# Lotofacil
# Execução padrão (rápida / reprodutível)
uv run lotofacil_monte_carlo_optimizer.py --n-candidates 200 --shortlist 40 --draws 5000 --seed 2025 --out-prefix resultados/lf_fast

# Execução mais robusta (mais estável, mais lenta)
uv run lotofacil_monte_carlo_optimizer.py --n-candidates 2000 --shortlist 120 --draws 60000 --seed 2025 --out-prefix resultados/lf_opt

# Execução exploratória (sem seed, resultados variam)
uv run lotofacil_monte_carlo_optimizer.py --n-candidates 2000 --shortlist 120 --draws 60000 --out-prefix resultados/lf_opt

3. Parâmetros principais

Parâmetro	Descrição	Exemplo
--n-candidates	Número de conjuntos iniciais a gerar	1400
--shortlist	Quantos conjuntos passam para a simulação Monte Carlo	80
--draws	Quantidade de sorteios simulados	40000
--seed	Semente para reprodutibilidade	2025
--out-prefix	Caminho/prefixo dos arquivos CSV gerados	resultados/mega_opt

4. Saídas geradas

• <prefix>_best_set.csv → Melhor conjunto de 7 jogos otimizados
• <prefix>_topK_metrics.csv → Ranking dos melhores conjuntos com métricas de eficiência

5. Interpretação básica

O algoritmo não prevê resultados; ele gera conjuntos mais eficientes ao distribuir as dezenas de forma estatisticamente equilibrada, reduzindo sobreposição e maximizando a cobertura do espaço amostral.

---

O que o algoritmo faz

1. Gera candidatos (7 jogos de 6 dezenas) favorecendo:

   • Baixa sobreposição entre jogos (distância mínima alta)
   • Diversidade de décadas (1–10, …, 51–60) e finais (0–9)
   • Paridade equilibrada (3 pares e 3 ímpares por jogo)

2. Simula sorteios (Monte Carlo) para cada conjunto candidato e estima:

As simulações geram milhares de sorteios aleatórios e comparam cada jogo do conjunto com os resultados. Assim, o algoritmo estima a probabilidade empírica de cada faixa de premiação.

3. Seleciona o melhor conjunto priorizando:
   • Maior
   • Depois maior
   • Maior diversidade (mais dezenas únicas)
   • E finalmente maior

---

🧮 Fórmulas utilizadas

• Probabilidade combinatória básica
• Expectativas por sorteio (estimadas por Monte Carlo)
• Seleção do conjunto ideal

Consulte a documentação

---

📊 Observações importantes

• O algoritmo não prediz resultados: ele otimiza a dispersão e cobertura combinatória das apostas.
• O foco é aumentar a eficiência (probabilidade de pelo menos uma Quadra ou Quina) e evitar sobreposições entre jogos.
• A probabilidade de Sena permanece extremamente baixa, conforme a natureza do jogo.

---

📈 Interpretação dos resultados

Métrica	Significado
P(\ge Quadra)	Probabilidade de ao menos uma Quadra no conjunto
P(\ge Quina)	Probabilidade de ao menos uma Quina
P(Sena)	Probabilidade de ao menos uma Sena
E[Quadras]	Valor esperado de Quadras por sorteio
unique_numbers	Quantidade de dezenas distintas entre os 7 jogos
min_pairwise_distance	Menor distância entre dois jogos (6 - interseção)

Essas métricas permitem comparar conjuntos de jogos de maneira quantitativa, garantindo uma abordagem matematicamente consistente para otimização de apostas.

---

🤝 Contribuindo

Contribuições são bem-vindas! Se você quiser sugerir melhorias ou adicionar novo conteúdo:

1. Faça um fork do repositório
2. Crie uma nova branch
3. Envie um pull request
4. Abra uma issue issue para discussões

---

🔄 Status do Projeto

---

Entre em contato

---

Licença

Esse projeto está sob a licença MIT. Para mais detalhes acesse LICENSE.

---

Nota: Este repositório é destinado apenas para fins educacionais e de pesquisa.

---

Made with ☕ and ♥ by Daniel Nunes 👋