Kim był Jakob Bernoulli?
Jakob Bernoulli (1654 lub 1655–1705) był szwajcarskim matematykiem z Bazylei i autorem pierwszego ścisłego dowodu prawa wielkich liczb. Źródła różnią się co do roku urodzenia: Seneta (2013) podaje 1654, Bolthausen i Wüthrich (2013) – 1655. Z woli ojca studiował filozofię i teologię; w 1676 r. uzyskał licencjat z teologii na Uniwersytecie w Bazylei, a matematyki uczył się prawie sam. W latach 1676–1682 był nauczycielem domowym i podróżował po Francji, Niemczech, Niderlandach i Anglii. Po powrocie wykładał fizykę, a w 1687 r. został profesorem matematyki w Bazylei i był nim do śmierci (Bolthausen i Wüthrich, 2013; Seneta, 2013).
Jego główne dzieło o prawdopodobieństwie, Ars Conjectandi („Sztuka przypuszczania”), ukazało się dopiero w 1713 r., osiem lat po jego śmierci. Wydał je bratanek, Nicolaus Bernoulli. W przedmowie napisał, że autor nie dokończył czwartej części z powodu długiej choroby, a on sam był zbyt młody, by ją uzupełnić (Seneta, 2013).
Najważniejsze pomysły
- Prawo wielkich liczb (twierdzenie Bernoulliego). W serii niezależnych prób z tym samym prawdopodobieństwem sukcesu p odsetek sukcesów X/n zbliża się do p, gdy n rośnie. Bernoulli udowodnił to dla losowania ze zwracaniem z urny i pokazał, jak duże n wystarczy, by odsetek z bardzo dużą szansą leżał blisko p (Bolthausen i Wüthrich, 2013). Dziś mówimy, że odsetek z próby jest estymatorem zgodnym p (Seneta, 2013).
- Próby Bernoulliego i rozkład dwumianowy. Doświadczenie o dwóch wynikach, powtarzane niezależnie, nazywamy dziś próbą Bernoulliego. Liczba sukcesów ma rozkład dwumianowy, którym Bernoulli posługiwał się w dowodzie.
- Od gier do nauki. Sylla (2014) opisuje Ars Conjectandi jako most między rachunkiem oczekiwań w grach losowych u Huygensa a rachunkiem prawdopodobieństwa u de Moivre’a. Bernoulli chciał stosować go do spraw cywilnych, moralnych i gospodarczych, czyli szacować nieznane proporcje z obserwacji. Tytuł nawiązywał do Ars Cogitandi, łacińskiej wersji Logiki z Port-Royal z 1662 r., roku śmierci Pascala (Seneta, 2013).
- Nazwa. Określenie „prawo wielkich liczb” pochodzi dopiero od Poissona z 1837 r. (Seneta, 2013).
Ciekawostka
W październiku 1703 r. Bernoulli opisał swój wynik w liście do Leibniza. Bolthausen i Wüthrich (2013) przytaczają ten fragment: nawet najmniej wykształcony człowiek wie z instynktu, że im więcej obserwacji, tym mniejsze ryzyko chybienia celu, ale ścisły dowód tego to zupełnie inna sprawa. Bernoulli był dumny, że dał go jako pierwszy. Leibniz nie podzielał entuzjazmu i uważał model urny za zbyt prosty na pytania z prawdziwego świata.
Jest też drugi wątek tej historii. W przykładzie liczbowym Bernoulli otrzymał, że potrzeba około 25 000 prób – znacznie więcej, niż trzeba naprawdę. Według Bolthausena i Wüthricha Stigler przypuszcza, że ta powolna zbieżność mogła Bernoulliego rozczarować i dlatego nie opublikował wyniku za życia. To hipoteza historyka, nie fakt z listów. Sam Bernoulli w liście tłumaczył opóźnienie złym zdrowiem i brakiem części o zastosowaniach.
Przykład: ile prób naprawdę trzeba?
Przykład Bernoulliego w zapisie Senety (2013): urna zawiera 30 przypadków „płodnych” i 20 „jałowych”, więc prawdopodobieństwo sukcesu wynosi 0.6. Odsetek sukcesów ma się mieścić w granicach ±1/50 = ±0.02 od p z szansą ponad 1000 do 1, czyli z prawdopodobieństwem większym niż 1000/1001. Wzór Bernoulliego w zapisie Senety daje w R n = 25 502 próby; Bolthausen i Wüthrich (2013) piszą o około 25 000.
Rachunek dokładny z rozkładu dwumianowego pokazuje, ile prób naprawdę trzeba. Warunek jest spełniony po raz pierwszy przy n = 6450, ale nie zawsze dla większych n: spośród 70 wartości od 6450 do 6519 aż 46 go nie spełnia. Odsetek X/n przyjmuje tylko wartości k/n, więc szansa trafienia „skacze” z n na n. Od n = 6520 warunek jest spełniony zawsze (sprawdziliśmy do 30 000). Tę samą liczbę 6520 podają Bolthausen i Wüthrich (2013), a według Senety (2013) jej wystarczalność sprawdził już Markow. Seneta podaje jako najmniejsze n = 6491; nasze przeszukanie wszystkich n znajduje wcześniejsze 6450, ale z opisaną przerwą. Granica Bernoulliego jest więc 3.91 raza za duża.
Inne podejścia: przybliżenie normalne de Moivre’a daje 6498 prób, a przy nieznanym prawdopodobieństwie (najgorszy przypadek, 0.5) – 6769. Za to prosta nierówność Bienaymé–Czebyszewa wymaga aż 600 601 prób. Przy 100 próbach szansa trafienia wynosi tylko .390, przy 1000 – .814, a przy 25 502 próbach szansa chybienia spada do 7.1 · 10−11.
Na rysunku
Co widać. Główne dzieło Bernoulliego ukazało się osiem lat po jego śmierci. Pomiędzy nimi leży doktorat bratanka Nicolausa z 1709 r., w którym ten korzystał z niewydanego rękopisu (Bolthausen i Wüthrich, 2013).
Na co uważać. Punkt urodzenia stoi przy 1655 r. za Bolthausenem i Wüthrichem; Seneta (2013) podaje 1654 r. Oś pokazuje tylko daty z cytowanych źródeł.
Podpis do pracy:
Co widać. Szansa chybienia (panel A) długo spada powoli, a potem coraz szybciej: przy 1000 próbach wynosi .186, a próg 1/1001 przekracza na stałe przy 6520. Granica Bernoulliego leży daleko na prawo, gdzie chybienie jest już praktycznie niemożliwe. Panel B pokazuje, że nawet pierwszy dowód z 1713 r. był ostrożniejszy od rachunku dokładnego około czterokrotnie, a ogólna nierówność Bienaymé–Czebyszewa – prawie stukrotnie.
Na co uważać. Obie osie panelu A i oś panelu B są logarytmiczne, więc równe odstępy oznaczają wielokrotności, nie różnice. Krzywą w panelu A narysowano co 50 prób, przez co nie widać drobnych „skoków” wokół n = 6450–6520. Wszystkie liczby dotyczą znanego prawdopodobieństwa 0.6; gdy jest ono nieznane – a tak jest w badaniach – liczy się wariant „najgorszego przypadku”.
Podpis do pracy:
Gdzie spotkasz Bernoulliego w swojej pracy
Pytanie Bernoulliego – ile obserwacji wystarczy do zadanej dokładności – to pytanie o liczebność próby. Spotkasz je, gdy:
- planujesz badanie ankietowe i liczysz margines błędu albo liczebność próby w ankiecie – przy nieznanym odsetku przyjmujesz 0.5, jak w wariancie „najgorszego przypadku” wyżej;
- podajesz przedział ufności dla proporcji – to odwrotne pytanie: jak dokładny jest odsetek przy danym n;
- wyznaczasz liczebność z wymaganej precyzji, a nie z mocy testu – zob. wpis Liczebność próby z precyzji (AIPE).
Spory, mity i trudne strony
- Twierdzenie graniczne czy przepis na n? Seneta (2013) podkreśla, że twierdzenie Bernoulliego ma dwie strony: graniczną (n → ∞) i dokładną, czyli wskazanie konkretnego n. Podręczniki zwykle zostawiają tylko pierwszą.
- Znane p a nieznane p. Bernoulli liczył n przy znanym p, a chciał szacować p nieznane. Odwrócenie twierdzenia było trudne i zajmowało jego następców, m.in. de Moivre’a, Czebyszewa i Markowa (Seneta, 2013).
- Model urny a rzeczywistość. Zarzut Leibniza wraca w każdym badaniu: prawo wielkich liczb wymaga niezależnych obserwacji o tym samym p.
Przykład Bernoulliego w R
Kod liczy dla przykładu Bernoulliego granicę z jego wzoru, dokładną liczbę prób z rozkładu dwumianowego, przybliżenia normalne i ograniczenie Bienaymé–Czebyszewa, a na końcu rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Ile prób wystarczy: rysunek 2
Kod R rysunku 2
# Jakob Bernoulli: twierdzenie z „Ars Conjectandi” (1713) – ile prób trzeba, by częstość z szansą 1000 do 1 trafiła w p
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(dokladnie = "#0072B2", granica = "#D55E00", inne = "grey35") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
# Przykład Bernoulliego w zapisie Senety (2013): urna z r = 30 kulami „płodnymi” i s = 20 „jałowymi”, losowanie ze zwracaniem.
r <- 30; s <- 20; t <- r + s; c_szanse <- 1000 # szansa trafienia ma być ponad 1000 razy większa niż chybienia (1000 do 1)
p <- r / t; eps <- 1 / t # p = 0.6; dopuszczalny błąd częstości ±1/50 = ±0.02
cel <- c_szanse / (c_szanse + 1) # wymagane prawdopodobieństwo trafienia: 1000/1001
# 1. Granica Bernoulliego – wzór (2) z artykułu Senety (2013), osobno dla obu ogonów
m1 <- log(c_szanse * (s - 1)) / (log(r + 1) - log(r))
m2 <- log(c_szanse * (r - 1)) / (log(s + 1) - log(s))
n_bernoulli <- ceiling(t * max(m1 * (1 + s / (r + 1)) - s / (r + 1), m2 * (1 + r / (s + 1)) - r / (s + 1)))
# 2. Rachunek dokładny: P(0.58n ≤ X ≤ 0.62n) dla X ~ Bin(n, 0.6), liczony dla każdego n
traf <- function(n) pbinom(floor(31 * n / 50), n, p) - pbinom(ceiling(29 * n / 50) - 1, n, p)
n_siatka <- 1:30000
P_traf <- traf(n_siatka)
n_dokladne <- min(n_siatka[P_traf > cel]) # pierwsze n spełniające warunek
n_zawsze <- max(n_siatka[P_traf <= cel]) + 1 # od tego n warunek jest spełniony już dla każdego n (do 30 000)
# 3. Przybliżenie normalne (de Moivre) przy znanym p i w najgorszym przypadku p = 0.5
z <- qnorm(1 - (1 - cel) / 2)
n_normalne <- ceiling(z^2 * p * (1 - p) / eps^2)
n_najgorszy <- ceiling(z^2 * 0.25 / eps^2)
# 4. Nierówność Bienaymé–Czebyszewa: P(|X/n − p| ≥ eps) ≤ p(1 − p) / (n eps²)
n_czebyszew <- ceiling(p * (1 - p) / (eps^2 * (1 - cel)))
wymagane_n <- c(dokladnie = n_dokladne, od_tego_n_zawsze = n_zawsze, normalne = n_normalne, najgorszy_p_0.5 = n_najgorszy,
Bernoulli_1713 = n_bernoulli, Bienayme_Czebyszew = n_czebyszew)
wymagane_n
c(n_niespelniajace_miedzy = sum(P_traf[n_dokladne:(n_zawsze - 1)] <= cel), sprawdzone_n_od_do = n_zawsze - n_dokladne)
round(c(m1 = m1, m2 = m2, cel = cel, z = z), 4)
# Prawdopodobieństwo chybienia (|X/n − 0.6| > 0.02) przy kilku liczbach prób
n_pokaz <- c(100, 1000, n_dokladne - 1, n_dokladne, n_zawsze - 1, n_zawsze, n_bernoulli)
data.frame(n = n_pokaz, P_trafienia = round(traf(n_pokaz), 6), P_chybienia = signif(1 - traf(n_pokaz), 3))
round(n_bernoulli / n_zawsze, 2) # ile razy granica Bernoulliego przekracza potrzebne n
# Rysunek 2A: prawdopodobieństwo chybienia w funkcji n (oś logarytmiczna)
krzywa <- data.frame(n = n_siatka, chybienie = 1 - P_traf)[seq(50, 30000, by = 50), ]
znaczniki <- data.frame(n = c(n_zawsze, n_bernoulli), etykieta = c(sprintf("dokładnie: n = %d", n_zawsze), sprintf("granica Bernoulliego: n = %d", n_bernoulli)))
pA <- ggplot(krzywa, aes(n, chybienie)) +
geom_hline(yintercept = 1 - cel, linetype = "dashed", colour = kol[["inne"]]) +
annotate("text", x = 60, y = (1 - cel) * 2.5, label = "1/1001 (szanse 1000 do 1)", hjust = 0, vjust = 0, size = 3.3, colour = kol[["inne"]]) +
geom_line(colour = kol[["dokladnie"]], linewidth = 0.9) +
geom_vline(data = znaczniki, aes(xintercept = n, linetype = etykieta), colour = kol[["granica"]], linewidth = 0.8) +
scale_linetype_manual(values = c("solid", "dotdash"), name = NULL) +
guides(linetype = guide_legend(ncol = 1)) +
scale_x_log10(breaks = c(100, 1000, 10000), labels = c("100", "1 000", "10 000")) +
scale_y_log10(breaks = 10^c(-12, -9, -6, -3, 0), labels = c("1e−12", "1e−9", "1e−6", "0.001", "1")) +
labs(title = "A. Szansa chybienia o więcej niż 0.02", x = "Liczba prób n (skala log)", y = "P(|X/n − 0.6| > 0.02)") +
motyw
# Rysunek 2B: ile prób wymaga każde podejście (oś logarytmiczna)
podejscia <- data.frame(
metoda = c("rachunek dokładny (dwumian)", "przybliżenie normalne", "przybliżenie normalne, p = 0.5",
"Czebyszew 1846 (za: Seneta, 2013)", "Bernoulli 1713", "nierówność Bienaymé–Czebyszewa"),
n = c(n_zawsze, n_normalne, n_najgorszy, 12242, n_bernoulli, n_czebyszew))
podejscia$metoda <- factor(podejscia$metoda, levels = rev(podejscia$metoda))
podejscia$rodzaj <- ifelse(podejscia$metoda == "rachunek dokładny (dwumian)", "dokładnie", "przybliżenie lub granica")
pB <- ggplot(podejscia, aes(n, metoda)) +
geom_segment(aes(x = 1000, xend = n, yend = metoda), colour = "grey75") +
geom_point(aes(shape = rodzaj, colour = rodzaj), size = 3.4) +
geom_text(aes(label = format(n, big.mark = " ")), hjust = -0.25, size = 3.3) +
scale_x_log10(limits = c(1000, 4e6), breaks = c(1000, 10000, 1e5, 1e6), labels = c("1 000", "10 000", "100 000", "1 000 000")) +
scale_shape_manual(values = c("dokładnie" = 16, "przybliżenie lub granica" = 17), name = NULL) +
scale_colour_manual(values = c("dokładnie" = kol[["dokladnie"]], "przybliżenie lub granica" = kol[["granica"]]), name = NULL) +
labs(title = "B. Ile prób wystarczy?", x = "Wymagana liczba prób n (skala log)", y = NULL) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.15))
p2Wynik w R
dokladnie od_tego_n_zawsze normalne najgorszy_p_0.5
6450 6520 6498 6769
Bernoulli_1713 Bienayme_Czebyszew
25502 600601
n_niespelniajace_miedzy sprawdzone_n_od_do
46 70
m1 m2 cel z
300.4650 210.5968 0.9990 3.2908
n P_trafienia P_chybienia
1 100 0.389930 6.10e-01
2 1000 0.814288 1.86e-01
3 6449 0.998959 1.04e-03
4 6450 0.999004 9.96e-04
5 6519 0.998987 1.01e-03
6 6520 0.999031 9.69e-04
7 25502 1.000000 7.10e-11
[1] 3.912. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Jakob Bernoulli (1654 lub 1655–1705) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1655, 1676, 1682, 1687, 1703, 1705, 1709, 1713),
opis = c("urodził się\n(1654 lub 1655)", "dyplom z teologii;\npotem podróże i nauczanie", "wykłady z fizyki\nw Bazylei",
"profesor matematyki\nw Bazylei", "list do Leibniza\no prawie wielkich liczb", "zmarł",
"doktorat bratanka\nNicolausa", "„Ars Conjectandi”\n(wyd. Nicolaus Bernoulli)"),
rodzaj = c("życie", "praca", "praca", "praca", "list", "życie", "kontekst", "publikacja"))
zdarzenia$strona <- c(1, -1, 1, -1, 1, -1, -1, 1) # etykiety nad (1) i pod (−1) osią
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.5, 0.5, 0.9, 0.9, 0.1, 0.1) # rozsunięcie bliskich etykiet (1703–1713)
ksztalty <- c("życie" = 21, "praca" = 22, "list" = 25, "publikacja" = 23, "kontekst" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "list" = "#CC79A7", "publikacja" = "#D55E00", "kontekst" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = 0.55 * strona), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = 0.62 * strona, label = paste0(rok, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie), size = 3.3, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1648, 1722), breaks = seq(1650, 1720, by = 10)) +
scale_y_continuous(limits = c(-1.25, 1.25)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (rozkład dwumianowy i normalny – funkcje pbinom() i qnorm() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Jakob Bernoulli?
Szwajcarskim matematykiem (1654 lub 1655–1705), z wykształcenia teologiem, od 1687 r. profesorem matematyki w Bazylei. W „Ars Conjectandi”, wydanej przez bratanka Nicolausa w 1713 r., podał pierwszy ścisły dowód prawa wielkich liczb.
Co mówi twierdzenie Bernoulliego?
Że w niezależnych próbach z tym samym prawdopodobieństwem sukcesu p odsetek sukcesów z rosnącą liczbą prób coraz pewniej leży blisko p. Bernoulli pokazał też, jak dobrać liczbę prób, by odchylenie większe niż zadane było bardzo mało prawdopodobne.
Ile prób wyszło Bernoulliemu w jego przykładzie?
Dla p = 0.6, dokładności ±0.02 i szans 1000 do 1 jego wzór daje 25 502 próby (w literaturze: około 25 000). Rachunek dokładny z rozkładu dwumianowego pokazuje, że od 6520 prób warunek jest spełniony zawsze – granica Bernoulliego była niemal czterokrotnie za ostrożna.
Skąd nazwa „prawo wielkich liczb”?
Sam Bernoulli jej nie używał. Określenie „loi des grands nombres” pojawiło się po raz pierwszy u Poissona w 1837 r.; wynik Bernoulliego nazywa się też twierdzeniem Bernoulliego albo słabym prawem wielkich liczb.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bolthausen, E., & Wüthrich, M. V. (2013). Bernoulli’s law of large numbers. ASTIN Bulletin, 43(2), 73–79. https://doi.org/10.1017/asb.2013.11 ● Otwarty dostęp
- Seneta, E. (2013). A tricentenary history of the law of large numbers. Bernoulli, 19(4), 1088–1121. https://doi.org/10.3150/12-bejsp12 ● Otwarty dostęp: pełny tekst
- Sylla, E. D. (2014). Tercentenary of Ars Conjectandi (1713): Jacob Bernoulli and the founding of mathematical probability. International Statistical Review, 82(1), 27–45. https://doi.org/10.1111/insr.12050
Cytowania BibTeX
@article{bolthausen2013bernoulli, author={Bolthausen, Erwin and Wüthrich, Mario V.}, title={{Bernoulli’s law of large numbers}}, journal={ASTIN Bulletin}, year={2013}, volume={43}, number={2}, pages={73--79}, doi={10.1017/asb.2013.11}}@article{seneta2013tricentenary, author={Seneta, Eugene}, title={{A tricentenary history of the law of large numbers}}, journal={Bernoulli}, year={2013}, volume={19}, number={4}, pages={1088--1121}, doi={10.3150/12-bejsp12}}@article{sylla2014tercentenary, author={Sylla, Edith Dudley}, title={{Tercentenary of Ars Conjectandi (1713): Jacob Bernoulli and the founding of mathematical probability}}, journal={International Statistical Review}, year={2014}, volume={82}, number={1}, pages={27--45}, doi={10.1111/insr.12050}}