Matematyka Stochastyczna & Monte Carlo

Kalkulator Prawdopodobieństwa

Zbadaj teorię prawdopodobieństwa w praktyce: obliczaj dokładne szanse rozkładu dwumianowego i uruchamiaj masowe symulacje.

Liczba niezależnych prób Bernoulliego
Liczba sukcesów (k ≤ n)
Kryterium Sukcesu:
Teoretyczne Prawdopodobieństwo Dwumianowe Zdarzenia sprzyjające: 252 / 1024
24.61%
Średnio 1 na 4.1 prób przy powtarzaniu tego eksperymentu.
Zobacz Rozpisanie Matematyczne Krok po Kroku
P(X = 5) dla n=10, p=0.5 -> 0.246094 (24.61%)

Wzór Bernoulliego: P_n(k) = C(n, k) · p^k · (1-p)^(n-k), gdzie C(n, k) = n! / [k!(n-k)!] to współczynnik dwumianowy (liczba kombinacji).

Empiryczny Symulator Monte Carlo (10 000 Serii)

Zweryfikuj Prawo Wielkich Liczb Bernoulliego wykonując 10 000 symulacji w ułamku sekundy.

Rachunek prawdopodobieństwa narodził się w XVII wieku z korespondencji pomiędzy Blaise'em Pascalem a Pierre'em de Fermatem, którzy analizowali gry losowe z rzutami monetą i kośćmi. Dziś te same zasady stanowią fundament fizyki kwantowej, kryptografii internetowej, sztucznej inteligencji oraz wyceny instrumentów finansowych na Wall Street.

Trójwymiarowy wykres krzywej prawdopodobieństwa z symbolami orła i reszki
AI Visual
Krzywa rozkładu prawdopodobieństwa w miarę wzrostu liczby powtórzeń doświadczenia.

Klasyczna Definicja Prawdopodobieństwa Laplace’a

Jeżeli przestrzeń zdarzeń elementarnych Ω składa się ze skończonej liczby jednakowo prawdopodobnych zdarzeń, prawdopodobieństwo zajścia zdarzenia A wyraża się ilorazem liczby zdarzeń sprzyjających |A| do liczby wszystkich zdarzeń elementarnych |Ω|:

P(A) = |A| / |Ω|

Dla pojedynczego rzutu symetryczną monetą: |Ω| = 2 (Orzeł, Reszka). Dla zdarzenia A = „wypadł orzeł”: |A| = 1. Zatem prawdopodobieństwo wynosi dokładnie P(A) = 1 / 2 = 0,5 (czyli 50%). Wynik ten stanowi fundament rachunku prawdopodobieństwa stworzonego w XVII wieku przez Pierre'a de Fermata i Blaise'a Pascala w ich historycznej korespondencji dotyczącej problemu podziału stawki w grach hazardowych.

Niezależność Zdarzeń Losowych i Paradoks Hazardzisty

Dwa zdarzenia A i B są stochastycznie niezależne, jeśli zajście jednego nie modyfikuje rozkładu prawdopodobieństwa drugiego:

P(A ∩ B) = P(A) · P(B)

Moneta nie posiada pamięci mechanicznej, struktury nerwowej ani świadomości. Jeżeli w 10 kolejnych rzutach wypadł Orzeł, szansa na wypadnięcie Orła w 11. rzucie wynosi wciąż dokładnie 0,5 (50%). Powszechne przekonanie, że po serii orłów reszka staje się „bardziej prawdopodobna” w celu wyrównania bilansu, to klasyczny błąd poznawczy zwany paradoksem hazardzisty (lub złudzeniem Monte Carlo od słynnego zdarzenia z 1913 roku, gdy w kasynie kulka ruletki zatrzymała się na czarnym polu 26 razy z rzędu).

Prawo Wielkich Liczb Bernoulliego i Fluktuacje Próby

Zgodnie ze słabym prawem wielkich liczb sformułowanym przez Jakoba Bernoulliego w 1713 roku, wraz ze wzrostem liczby niezależnych prób n częstość empiryczna k/n dąży zbieżnością stochastyczną do teoretycznego prawdopodobieństwa p = 0,5. W małych próbach (np. 10 lub 20 rzutów) fluktuacje losowe rzędu 70% orłów i 30% reszek są całkowicie naturalnym zjawiskiem, wynikającym z dyskretnego rozkładu dwumianowego.

Dopiero przy próbach rzędu 1 000 lub 10 000 rzutów względne odchylenie częstości maleje proporcjonalnie do 1/√n, co sprawia, że wyniki empiryczne zbiegają się ku idealnej wartości 50,00%. W naszym symulatorze każde losowanie korzysta ze sprzętowego rejestru entropii procesora, zapewniając bezwzględną zgodność z aksjomatami Kołmogorowa.

Czym jest schemat Bernoulliego w rzucie monetą?

Schemat Bernoulliego to ciąg n niezależnych doświadczeń losowych, w których każde pojedyncze doświadczenie kończy się jednym z dwóch wyników: sukcesem (np. wypadnięciem orła z prawdopodobieństwem p) lub porażką (reszka z prawdopodobieństwem q = 1 - p).

Jak obliczyć prawdopodobieństwo k sukcesów w n próbach?

Stosujemy wzór Bernoulliego: P(X = k) = (n po k) * p^k * (1-p)^(n-k), gdzie (n po k) to współczynnik dwumianowy Newtona n! / (k! * (n-k)!).

Dlaczego symulacja Monte Carlo jest tak dokładna?

Zgodnie z Prawem Wielkich Liczb, im większa liczba losowych powtórzeń (np. 1 000 lub 10 000 prób), tym względna częstość wystąpienia zdarzenia staje się niemal identyczna z jego teoretycznym prawdopodobieństwem.