직답 — 큰수의 법칙은 같은 분포에서 얻은 관측값을 많이 평균낼수록 표본평균이 기댓값 가까이에 있을 확률이 커진다는 법칙입니다. 약한 큰수의 법칙은 모든 ε>0에 대해 P(|X̄_n−μ|≥ε)→0이라고 말합니다.
MATHNET · SEEDED IID SIMULATOR
누적 표본평균의 흔들림을 직접 확인하세요
독립 Bernoulli와 공정한 6면체 주사위만 지원합니다. 같은 입력·seed·버전은 같은 합성 난수열을 만듭니다.
n≤100,000, R≤1,000, n×R≤2,000,000. 범위 밖 입력을 자동으로 줄이거나 반올림하지 않습니다.
입력을 확인한 뒤 실행하세요.
| 시행 k | 관측값 | 누적합 | 표본평균 | |평균−μ| |
|---|
재현 영수증 · seed와 원자료 앞뒤 보기
아직 실행하지 않았습니다.
큰수의 법칙은 정확히 무엇을 보장하나
i.i.d. 확률변수의 표본평균을 X̄_n=(X_1+...+X_n)/n이라 하겠습니다.
모든 ε>0에 대해\nP(|X̄_n−μ| ≥ ε) → 0 (n→∞)큰 표본에서 평균이 정확히 μ가 된다는 말이 아니라, 정한 오차 바깥에 있을 확률이 작아진다는 말입니다.
동전과 주사위 평균을 직접 확인하기
김흑우평균은 흔들려도 비교 기준은 기댓값입니다.
AI 생성 캐릭터 컷- 1모형과 seed 고정
같은 버전·입력·seed를 재현 영수증에 남깁니다.
- 2첫 경로의 누적평균 확인
각 k의 평균이 위아래로 흔들리는 모습을 표와 곡선으로 함께 봅니다.
- 3R개 최종 평균 비교
ε 이상 벗어난 경험적 비율과 Chebyshev 상계를 다른 이름으로 표시합니다.
왜 표본평균의 분산은 1/n로 줄어드나
E[X̄_n]=μ\nVar(X̄_n)=σ²/n\nP(|X̄_n−μ|≥ε)≤σ²/(nε²)마지막 값은 실제 이탈확률의 정확값이 아니라 Chebyshev 상계입니다. 유한분산은 이 짧은 유도에 쓰는 충분조건이지 모든 약한 큰수의 법칙의 필요조건이 아닙니다.
동전 예제를 손으로 검산해 보기
관측열 1,0,1,1,0의 누적평균은 1, 1/2, 2/3, 3/4, 3/5입니다. p=0.5, n=100, ε=0.1이면 상계는 1/4, n을 1000으로 늘리면 1/40입니다.
주사위 평균은 왜 3.5로 향하나
μ=7/2=3.5\nσ²=35/12\nn=100, ε=1/2이면 상계=7/60유한한 모의실험에서 이탈률이 상계보다 높거나 낮아 보이는 한 번의 결과를 정리의 성공·실패로 판정하지 않습니다.
약한 법칙·강한 법칙·중심극한정리는 무엇이 다른가
| 개념 | 묻는 질문 | 이 페이지 |
|---|---|---|
| 약한 큰수의 법칙 | 평균이 μ와 멀 확률이 0으로 가는가 | 본문 중심 |
| 강한 큰수의 법칙 | 한 무한 경로에서 거의 확실히 수렴하는가 | 차이만 설명 |
| 중심극한정리 | 표준화한 오차 분포의 모양은 무엇인가 | 계산하지 않음 |
MATHNET 보존 원문은 무엇을 연구했나
김흑우보존 논문과 초급 시뮬레이터는 같은 정리가 아닙니다.
AI 생성 캐릭터 컷Dug Hun Hong과 Sung Ho Lee의 1998년 논문은 교환가능 확률변수열의 약한 큰수의 법칙을 연구합니다. de Finetti 혼합, 꼬리 조건, 절단 평균과 정규화가 들어간 연구 결과를 단순 Bernoulli 도구의 명세로 바꾸지 않습니다.
그래프를 보고 자주 하는 오해
- 시행이 늘어도 누적평균이 매 단계 더 가까워지는 것은 아님
- 독립 시행에서 연속 실패가 다음 성공확률을 높이지 않음
- 표본합의 절대 오차가 0이 된다는 법칙이 아님
- 한 번의 시뮬레이션은 수학적 증명이 아님
- Encyclopedia of Mathematics · Law of large numbers
- MIT OpenCourseWare · Introduction to Probability, Lecture 18
- Hong·Lee (1998), MATHNET 보존 31810.pdf
- PRNG: mulberry32-v1 · 합성 난수 · 암호학적 난수 아님 · 2026-08-30 KST 독립 검증 완료