PL 
EnglishDomyślny
Українська🎲 Prawo wielkich liczb
Rzuć kośćmi tysiące razy i obserwuj, jak średnia bieżąca zbiega do wartości oczekiwanej (tryb LLN), albo losuj ze skośnego rozkładu i zobacz, jak histogram średnich z prób staje się normalny (tryb CLT).
O prawie wielkich liczb i centralnym twierdzeniu granicznym
Ten symulator demonstruje dwa filary rachunku prawdopodobieństwa. W trybie LLN losuje powtarzane, niezależne próby z wybranego rozkładu i wykreśla średnią bieżącą X̄ w funkcji liczby prób N, pokazując jej zbieganie do prawdziwej wartości oczekiwanej μ. W trybie CLT wielokrotnie losuje zestawy n wartości, uśrednia każdy zestaw i buduje histogram tych średnich z próby, który zbliża się do krzywej normalnej N(μ, σ²/n) niezależnie od kształtu rozkładu wyjściowego.
Przyciski Trybu przełączają między widokiem zbieżności a widokiem rozkładu średnich. Selektor Eksperymentu wybiera rozkład wyjściowy (uczciwa kostka d6, d4, uczciwa lub obciążona moneta, rozkład wykładniczy λ=1, rozkład dwumodalny, rozkład jednostajny), z których każdy ma znane μ i σ. Suwak rozmiaru próby n (2–100) w trybie CLT określa, ile losowań tworzy każdą średnią, a przyciski Prędkości (×1 do ×1k) ustalają, ile prób generowanych jest na klatkę. To właśnie ten mechanizm leży u podstaw sondaży, kontroli jakości i wszelkich wniosków wyciąganych ze średnich z próby.
Najczęściej zadawane pytania
Czym jest prawo wielkich liczb?
Prawo wielkich liczb mówi, że wraz z pobieraniem coraz większej liczby niezależnych prób z rozkładu, średnia tych prób zbiega do prawdziwej wartości oczekiwanej μ. W trybie LLN obserwujesz, jak linia średniej bieżącej osiada na przerywanej linii μ w miarę wzrostu liczby prób N.
Czym jest centralne twierdzenie graniczne?
Centralne twierdzenie graniczne mówi, że średnia n niezależnych, identycznie rozłożonych wartości z dowolnego rozkładu o skończonej wartości oczekiwanej i wariancji ma sama w sobie rozkład w przybliżeniu normalny, o średniej μ i wariancji σ²/n. W trybie CLT histogram średnich z próby staje się krzywą dzwonową nawet wtedy, gdy rozkład wyjściowy jest skośny lub dwumodalny.
Co robią poszczególne elementy sterowania?
Przyciski Trybu przełączają między zbieżnością LLN a rozkładem średnich CLT. Menu Eksperymentu wybiera rozkład wyjściowy, suwak n (od 2 do 100, tylko w trybie CLT) określa, ile losowań tworzy każdą średnią z próby, a przyciski Prędkości kontrolują, ile prób jest wykonywanych na klatkę animacji.
Z jakich rozkładów mogę losować?
Możesz wybrać uczciwą kostkę sześcienną (μ=3.5), kostkę czterościenną (μ=2.5), uczciwą monetę (μ=0.5), obciążoną monetę z p=0.3 (μ=0.3), rozkład wykładniczy z λ=1 (μ=1), mieszankę dwumodalną w punktach ±3 (μ=0) oraz rozkład jednostajny na [0,1] (μ=0.5). Każdy z nich ma znaną wartość oczekiwaną i odchylenie standardowe, wykorzystywane do rysowania teoretycznych nakładek.
Jaki jest kluczowy wzór na błąd standardowy?
Błąd standardowy średniej z próby wynosi σ/√n, gdzie σ to odchylenie standardowe rozkładu wyjściowego, a n to rozmiar próby. Panel wyświetla tę wartość na żywo i wyjaśnia, dlaczego histogram CLT zwęża się wraz ze wzrostem n oraz dlaczego pasmo LLN ±σ/√N kurczy się w miarę gromadzenia kolejnych prób.
Dlaczego pasmo zbieżności zwęża się wraz ze wzrostem N?
Zacieniowane pasmo wokół μ w trybie LLN to obszar ufności ±σ/√N, z bledszym pasmem ±2σ/√N na zewnątrz. Ponieważ szerokość maleje proporcjonalnie do odwrotności pierwiastka z N, czterokrotne zwiększenie liczby prób zmniejsza pasmo tylko o połowę, co tłumaczy, dlaczego precyzja poprawia się powoli wraz z ilością danych.
Czy symulacja jest wiernie odwzorowana pod względem statystycznym?
Tak. Każde losowanie wykorzystuje pseudolosowe liczby JavaScript przekształcone tak, by odpowiadały wybranemu rozkładowi, na przykład próbkowanie metodą odwrotnej dystrybuanty dla rozkładu wykładniczego oraz rozkład Gaussa Boxa–Mullera dla szumu dwumodalnego. Wykreślane wartości μ, σ i nakładki rozkładu normalnego wykorzystują dokładne wartości teoretyczne, dzięki czemu empiryczne histogramy i średnie bieżące odzwierciedlają prawdziwą teorię prawdopodobieństwa.
Czy CLT działa nawet dla skośnego lub dwumodalnego rozkładu wyjściowego?
Tak, i to jest najbardziej zaskakujące. Wypróbuj eksperyment wykładniczy lub dwumodalny: pojedyncze wartości są silnie nienormalne, a mimo to histogram ich średnich z próby wciąż zbliża się do kształtu dzwonowego wraz ze wzrostem n. CLT wymaga jedynie skończonej wartości oczekiwanej i wariancji, a nie normalnego rozkładu wyjściowego.
Jak duży powinien być rozmiar próby n?
Dla w miarę symetrycznych rozkładów wyjściowych średnie z próby wyglądają na normalne już przy n rzędu 10. Dla silnie skośnych rozkładów, takich jak wykładniczy, zwykle potrzeba większego n (30 lub więcej), zanim histogram wygląda przekonująco normalnie. Zwiększ suwak n i porównaj, jak szybko kształtuje się krzywa dzwonowa dla różnych eksperymentów.
Jaka jest różnica między widokiem LLN a widokiem CLT?
LLN dotyczy pojedynczej, rosnącej średniej: mówi, że średnia bieżąca zbiega do μ. CLT dotyczy rozkładu wielu oddzielnych średnich: mówi, jak te średnie są rozłożone wokół μ. LLN wyjaśnia, dlaczego duża próba jest dokładna; CLT wyjaśnia kształt i szerokość błędu wokół tego oszacowania.
Gdzie znajduje to zastosowanie w praktyce?
Razem te wyniki uzasadniają większość wnioskowania statystycznego. Sondaże opinii, testy A/B, kontrola jakości w produkcji, ubezpieczeniowe rozłożenie ryzyka i symulacje Monte Carlo — wszystkie opierają się na zbieganiu średnich z próby do prawdy oraz na przybliżeniu normalnym stosowanym do budowy przedziałów ufności i testów istotności na podstawie skończonych danych.