Monte Carlo yanılgısı, bir olayın sonucunun geçmiş sonuçlardan etkilendiğine dair yanlış inanca verilen isimdir. Genellikle kumarhanelerde görüldüğü için bu ismi almıştır. En bilinen örneği, rulet masasındaki siyah ve kırmızı bahislerdir.
Örneğin, bir rulet çarkında üst üste birkaç kez siyah gelirse, insanlar bir sonraki seferde kırmızı gelme ihtimalinin arttığına inanabilir. Oysa rulet çarkında her dönüş bağımsızdır ve önceki sonuçlar, sonraki sonucu etkilemez. Monte Carlo yanılgısı, rastgele olayların geçmişine bakarak geleceği tahmin etmeye çalışmanın yanlış bir strateji olduğunu vurgular.
Monte Carlo yanılgısını daha teknik bir şekilde açıklayalım. Burada odaklanacağımız konu, olasılık teorisi ve bağımsızlık kavramıdır.
Olasılık Teorisi ve Bağımsızlık:
Bir olayın gerçekleşme olasılığı, önceden bilinen sonuçlarla değişmiyorsa bu olay bağımsız kabul edilir. İki olayın bağımsızlığı şu şekilde tanımlanır:
İki olay A ve B için, P(A), P(B) olayların olasılıklarıdır. Eğer A ve B’nin birlikte gerçekleşme olasılığı:
P(A ∩ B) = P(A) * P(B)
eşitliği ile sağlanıyorsa, bu iki olay birbirinden bağımsızdır. Yani A ve B olaylarından biri diğerini etkilemez.
Rulet Örneği (Teknik Bakış):
Rulet çarkında kırmızı veya siyah gelme olasılığı eşit olup, her bir dönüş bağımsız bir denemedir. Yani, bir önceki dönemde kırmızı ya da siyah gelmiş olması, bir sonraki dönemi etkilemez.
Bu tür deneyler, Bernoulli Denemeleri olarak adlandırılır. Bernoulli denemesi, iki olası sonucu olan ve her denemenin bağımsız olduğu bir denemedir (örneğin, yazı-tura atmak veya rulet oynamak).
Rulet çarkındaki her denemenin X bir Bernoulli denemesi olduğunu varsayalım. X_i, i’inci denemenin sonucunu temsil etsin ve bu sonuç iki değerden birini alabilir: X_i = 1 (siyah geldi) veya X_i = 0 (kırmızı geldi).
Her bir denemenin olasılık dağılımı şudur:
P(X_i = 1) = p = 1/2, P(X_i = 0) = 1 – p = 1/2.
Bu denemelerin her biri bağımsız olduğundan, X_1, X_2, …, X_n bağımsız rastgele değişkenlerdir. Yani:
P(X_1 = x_1, X_2 = x_2, …, X_n = x_n) = P(X_1 = x_1) * P(X_2 = x_2) * … * P(X_n = x_n).
Bu formül, her bir olayın bağımsız olduğunu ve birinin diğerinin sonucuna bağlı olmadığını açıkça gösterir.
Monte Carlo Yanılgısının Matematiksel İspatı:
Monte Carlo yanılgısının yanlış olduğunu göstermek için, n tane deneme sonucunda siyah gelme olasılığına bakalım. Üst üste n kez siyah gelme olasılığı şu şekildedir:
P(X_1 = 1, X_2 = 1, …, X_n = 1) = P(X_1 = 1) * P(X_2 = 1) * … * P(X_n = 1) = (1/2)^n.
Bu olasılık, n arttıkça küçülür, yani birçok kez siyah gelmiş olması nadir bir durumdur. Ancak, Monte Carlo yanılgısında yapılan hata, insanların bir sonraki denemenin olasılığının önceki denemelere bağlı olduğunu düşünmesidir.
Örneğin, 10 kez siyah geldikten sonra 11. kez siyah gelme olasılığı hala şudur:
P(X_{11} = 1 | X_1 = 1, X_2 = 1, …, X_{10} = 1) = P(X_{11} = 1) = 1/2.
Bu, önceki sonuçlar ne olursa olsun 11. denemenin bağımsız olduğunu ve olasılığın değişmediğini gösterir. Monte Carlo yanılgısının temel noktası, geçmiş sonuçların bağımsız olayların gelecekteki sonuçlarını etkilemeyeceği gerçeğini görmezden gelmektir.
Matematiksel olarak ispatlandığı gibi, bağımsız olaylarda (rulet dönüşleri gibi), her bir olayın olasılığı diğerlerinden etkilenmez. Bu bağımsızlık özelliği, Monte Carlo yanılgısının yanlış olduğunu kanıtlar.