Производится n опытов по схеме Бернулли с вероятностью успеха p . Пусть X - число успехов. Случайная величина X имеет область значений {0,1,2,...,n}. Вероятности этих значений можно найти по формуле: , где C m n - число сочетаний из n по m .
Ряд распределения имеет вид:

x	0	1	...	m	n
p	(1-p) n	np(1-p) n-1	...	C m n p m (1-p) n-m	p n

Этот закон распределения называется биноминальным .

Назначение сервиса . Онлайн-калькулятор используется для построения биноминальным ряда распределения и вычисления всех характеристик ряда: математического ожидания, дисперсии и среднеквадратического отклонения. Отчет с решением оформляется в формате Word (пример).

Число испытаний: n = , Вероятность p =
При малой вероятности p и большом количестве n (np формула Пуассона.

Видеоинструкция

Схема испытаний Бернулли

Числовые характеристики случайной величины, распределенной по биноминальному закону

Математическое ожидание случайной величины Х, распределенной по биноминальному закону.
M[X]=np

Дисперсия случайной величины Х, распределенной по биноминальному закону.
D[X]=npq

Пример №1 . Изделие может оказаться дефектным с вероятностью р = 0.3 каждое. Из партии выбирают три изделия. Х – число дефектных деталей среди отобранных. Найти (все ответы вводить в виде десятичных дробей): а) ряд распределения Х; б) функцию распределения F(x) .
Решение . Случайная величина X имеет область значений {0,1,2,3}.
Найдем ряд распределения X.
P 3 (0) = (1-p) n = (1-0.3) 3 = 0.34
P 3 (1) = np(1-p) n-1 = 3(1-0.3) 3-1 = 0.44

P 3 (3) = p n = 0.3 3 = 0.027

x i	0	1	2	3
p i	0.34	0.44	0.19	0.027

Математическое ожидание находим по формуле M[X]= np = 3*0.3 = 0.9
Проверка: m = ∑x i p i .
Математическое ожидание M[X] .
M[x] = 0*0.34 + 1*0.44 + 2*0.19 + 3*0.027 = 0.9
Дисперсию находим по формуле D[X]=npq = 3*0.3*(1-0.3) = 0.63
Проверка: d = ∑x 2 i p i - M[x] 2 .
Дисперсия D[X] .
D[X] = 0 2 *0.34 + 1 2 *0.44 + 2 2 *0.19 + 3 2 *0.027 - 0.9 2 = 0.63
Среднее квадратическое отклонение σ(x) .

Функция распределения F(X) .
F(xF(0F(1F(2F(x>3) = 1

1. Вероятность появления события в одном испытании равна 0.6 . Производится 5 испытаний. Составить закон распределения случайной величины Х – числа появлений события.
2. Составить закон распределения случайной величины Х числа попаданий при четырех выстрелах, если вероятность попадания в цель при одном выстреле равна 0.8 .
3. Монету подбрасывают 7 раз. Найти математическое ожидание и дисперсию числа появлений герба. Примечание: здесь вероятность появление герба равна p = 1/2 (т.к. у монеты две стороны).

Пример №2 . Вероятность появления события в отдельном испытании равна 0.6 . Применяя теорему Бернулли, определите число независимых испытаний, начиная с которого вероятность отклонения частоты события от его вероятности по абсолютной величине меньше 0.1 , больше 0.97 . (Ответ: 801)

Пример №3 . Студенты выполняют контрольную работу в классе информатики. Работа состоит из трех задач. Для получения хорошей оценки нужно найти правильные ответы не меньше чем на две задачи. К каждой задаче дается 5 ответов из которых только одна правильная. Студент выбирает ответ наугад. Какая вероятность того, что он получит хорошую оценку?
Решение . Вероятность правильно ответить на вопрос: p=1/5=0.2; n=3.
Эти данные необходимо ввести в калькулятор. В ответ см. для P(2)+P(3).

Пример №4 . Вероятность попадания стрелка в мишень при одном выстреле равна (m+n)/(m+n+2) . Производится n+4 выстрела. Найти вероятность того, что он промахнется не более двух раз.

Примечание . Вероятность того, что он промахнется не более двух раз включает в себя следующие события: ни разу не промахнется P(4), промахнется один раз P(3), промахнется два раза P(2).

Пример №5 . Определите распределение вероятностей числа отказавших самолётов, если влетает 4 машины. Вероятность безотказной работы самолета Р=0.99 . Число отказавших в каждом вылете самолётов распределено по биноминальному закону.

При практическом применении теории вероятностей часто приходится встречаться с задачами, в которых один и тот же опыт или аналогичные опыты повторяются неоднократно. В результате каждого опыта может появиться или не появиться событие А , причем нас интересует не результат каждого отдельного опыта, а общее число появлений события А в результате серии опытов. Например, если производится группа выстрелов по одной и той же цели, нас интересует не результат каждого выстрела, а общее число попаданий. Такие задачи решаются достаточно просто, если опыты являются независимыми .

Определение . Независимыми относительно события А испытаниями называются такие, в которых вероятность события А в каждом испытании не зависит от исходов других испытаний.

Пример. Несколько последовательных выниманий карты из колоды представляют собой независимые опыты при условии, что вынутая карта каждый раз возвращается в колоду и карты перемешиваются; в противном случае это – зависимые опыты.

Пример . Несколько выстрелов представляют собой независимые опыты только в случае, если прицеливание производится заново перед каждым выстрелом; в случае, когда прицеливание производится один раз перед всей стрельбой или непрерывно осуществляется в процессе стрельбы (стрельба очередью, бомбометание серией), выстрелы представляют собой зависимые опыты.

Независимые испытания могут производиться в одинаковых или различных условиях. В первом случае вероятность события А во всех опытах одна и та же, во втором случае вероятность события А меняется от опыта к опыту. Первый случай связан со многими задачами теории надежности, теории стрельбы и приводит к так называемой схеме Бернулли , которая состоит в следующем:

1) проводится последовательность n независимых испытаний, в каждом из которых событие А может появиться, либо не появиться;

2) вероятность появления события А в каждом испытании постоянна и равна , как и вероятность его не появления .

Формула Бернулли, с помощью которой находится вероятность появления события А k раз в n независимых испытаниях, в каждом из которых событие А появляется с вероятностью p :

. (1)

Замечание 1 . С возрастанием n и k применение формулы Бернулли связано с вычислительными трудностями, поэтому формула (1) применяется, в основном, если k не превосходит 5 и n не велико.

Замечание 2. В связи с тем, что вероятности по форме представляют собой члены разложения бинома , распределение вероятностей вида (1) называется биномиальным распределением.

Пример . Вероятность попадания в цель при одном выстреле равна 0,8. Найти вероятность пяти попаданий при шести выстрелах.

Решение. Так как , то , кроме того и . Пользуясь формулой Бернулли, получим:

Пример . Производится четыре независимых выстрела по одной и той же цели с различных расстояний. Вероятности попадания при этих выстрелах равны соответственно:

Найти вероятности ни одного, одного, двух, трех и четырех попаданий:

Решение. Составляем производящую функцию:

Пример . Производится пять независимых выстрелов по цели, вероятность попадания в которую равна 0,2. Для разрушения цели достаточно трех попаданий. Найти вероятность того, что цель будет разрушена.

Решение. Вероятность разрушения цели вычисляем по формуле:

Пример . Производится десять независимых выстрелов по цели, вероятность попадания в которую при одном выстреле равна 0,1. Для поражения цели достаточно одного попадания. Найти вероятность поражения цели.

Решение. Вероятность хотя бы одного попадания вычисляем по формуле:

3. Локальная теорема Муавра-Лапласа

В приложениях часто приходится вычислять вероятности различных событий, связанных с числом появлений события в n испытаниях схемы Бернулли при больших значениях n . В этом случае вычисления по формуле (1) становятся затруднительными. Трудности возрастают, когда приходится ещё суммировать эти вероятности. Затруднения при вычислениях возникают также при малых значениях p или q .

Лаплас получил важную приближенную формулу для вероятности появления события А точно m раз, если - достаточно большое число, то есть при .

Локальная теорема Муавра – Лапласа . Если вероятность p появления события А в каждом испытании постоянна и отлична от нуля и единицы , , величина ограничена равномерно по m и n, то вероятность появления события А ровно m раз в n независимых испытаниях приближенно равна

Пусть производится независимых испытаний, в каждом из которых вероятность появления событияА равна р . Другими словами, пусть имеет место схема Бернулли. Можно ли предвидеть какова будет примерно относительная частота появлений события? Положительный ответ на этот вопрос даёт теорема, доказанная Я.Бернулли 1 , которая получила название «закона больших чисел» и положила начало теории вероятностей как науки 2 .

ТЕОРЕМА Бернулли : Если в каждом из независимых испытаний, проводимых в одинаковых условиях, вероятностьр появления события А постоянна, то относительная частота появления события А сходится по вероятности к вероятности р – появления данного события в отдельном опыте, то есть

.

Доказательство . Итак, имеет место схема Бернулли,
. Обозначим через
дискретную случайную величину – число появлений событияА в -ом испытании. Ясно, что каждая из случайных величин может принимать лишь два значения:1 (событие А наступило) с вероятностью р и 0 (событие А не наступило) с вероятностью
, то есть

( )
Р	р

Нетрудно найти

Можно ли применить к рассматриваемым величинам теорему Чебышева? Можно, если случайные величины попарно независимы и дисперсии их равномерно ограничены. Оба условия выполняются. Действительно, попарная независимость величин
следует из того, что испытания независимы. Далее 3
при
и, следовательно, дисперсии всех величин ограничены, например числом
. Кроме того, заметим, что каждая из случайных величин
при появлении событияА в соответствующем испытании принимает значение, равное единице. Следовательно, сумма
равна числу
- появлений событияА в испытаниях, а значит

,

то есть дробь
равна относительной частотепоявлений события А в испытаниях.

Тогда, применяя теорему Чебышева к рассматриваемым величинам, получим:

что и требовалось доказать.

Замечание 1 : Теорема Бернулли является простейшим частным случаем теоремы Чебышева.

Замечание 2 : На практике часто неизвестные вероятности приходится приближённо определять из опыта, то для проверки согласия теоремы Бернулли с опытом было проведено большое число опытов. Так, например, французский естествоиспытатель XVIII века Бюффон бросил монету 4040 раз. Герб выпал при этом 2048 раз. Частота появления герба в опыте Бюффона приближённо равна 0,507. Английский статистик К.Пирсон бросал монету 12 000 раз и при этом наблюдал 6019 выпадений герба. Частота выпадения герба в этом опыте Пирсона равна 0,5016. В другой раз он бросил монету 24 000 раз, и герб при этом выпал 12 012 раз; частота выпадения герба при этом оказалась равной 0,5005. Как видим, во всех приведённых опытах частота лишь немного уклонилась от вероятности 0,5 – появления герба в результате одного бросания монеты.

Замечание 3 : Было бы неправильным на основании теоремы Бернулли сделать вывод, что с ростом числа испытаний относительная частота неуклонно стремится к вероятности р ; другими словами, из теоремы Бернулли не вытекает равенство
. В теоремеречь идёт лишь о вероятности того, что при достаточно большом числе испытаний относительная частота будет как угодно мало отличаться от постоянной вероятности появления события в каждом испытании. Таким образом, сходимость относительной частоты к вероятности р отличается от сходимости в смысле обычного анализа. Для того чтобы подчеркнуть это различие, вводят понятие «сходимости по вероятности» . Точнее, различие между указанными видами сходимости состоит в следующем: если стремится при
кр как пределу в смысле обычного анализа , то, начиная с некоторого
и для всех последующих значений, неуклонно выполняется неравенство
;если же стремится по вероятности к р при
, то для отдельных значенийнеравенство может и не выполняться.

Теоремы Пуассона и Маркова

Замечено, если условия опыта меняются , то свойство устойчивости относительной частоты появления события А сохраняется. Это обстоятельство доказано Пуассоном.

ТЕОРЕМА Пуассона : При неограниченном увеличении числа независимых испытаний, проводимых в переменных условиях, относительная частота появления события А сходится по вероятности к среднему арифметическому вероятностей появления данного события в каждом из опытов, то есть

.

Замечание 4 : Нетрудно убедиться, что теорема Пуассона является частным случаем теоремы Чебышева.

ТЕОРЕМА Маркова : Если последовательность случайных величин
(как угодно зависимых) такова, что при

,

то,
выполняется условие:
.

Замечание 5 : Очевидно, если случайные величин
попарно независимы, то условие Маркова принимает вид: при

.

Отсюда видно, что теорема Чебышева является частным случаем теоремы Маркова.

Центральная предельная теорема (Теорема Ляпунова)

Рассмотренные теоремы закона больших чисел касаются вопросов приближения некоторых случайных величин к определённым предельным значениям независимо от их закона распределения. В теории вероятностей, как уже отмечалось, существует другая группа теорем, касающихся предельных законов распределения суммы случайных величин. Общее название этой группы теорем – центральная предельная терема . Различные её формы различаются условиями, накладываемыми на сумму составляющих случайных величин. Впервые одна из форм центральной предельной теоремы была доказана выдающимся русским математиком А.М.Ляпуновым в 1900 году с использованием специально разработанного им метода характеристических функций.

ТЕОРЕМА Ляпунова : Закон распределения суммы независимых случайных величин
приближается к нормальному закону распределения при неограниченном увеличении(то есть, при
), если выполняются следующие условия:

,

Следует отметить, что центральная предельная теорема справедлива не только для непрерывных, но и для дискретных случайных величин. Практическое значение теоремы Ляпунова огромно. Опыт показывает, что закон распределения суммы независимых случайных величин, сравнимых по своему рассеиванию, достаточно быстро приближается к нормальному. Уже при числе слагаемых порядка десяти закон распределения суммы можно заменить на нормальный (в частности, примером такой суммы может быть среднее арифметическое наблюдаемых значений случайных величин, то есть
).

Частным случаем центральной предельной теоремы является теорема Лапласа. В ней, как вы помните, рассматривается случай, когда случайные величины
дискретны, одинаково распределены и принимают только два возможных значения: 0 и 1.

Далее, вероятность того, что заключено в интервале
можно вычислить по формуле

.

Используя функцию Лапласа, последнюю формулу можно записать в удобном для расчётов виде:

где
.

ПРИМЕР . Пусть производится измерение некоторой физической величины. Любое измерение даёт лишь приближённое значение измеряемой величины, так как на результат измерения оказывают влияние очень многие независимые случайные факторы (температура, колебания прибора, влажность и др.). Каждый из этих факторов порождает ничтожную «частную ошибку». Однако, поскольку число этих факторов очень велико, совокупное их действие порождает уже заметную «суммарную ошибку».

Рассматривая суммарную ошибку как сумму очень большого числа взаимно независимых частных ошибок, мы вправе заключить, что суммарная ошибка имеет распределение, близкое к нормальному. Опыт подтверждает справедливость такого заключения.

2 Доказательство, предложенное Я.Бернулли, было сложным; более простое доказательство было дано П.Чебышевым в 1846 году.

3 Известно, что произведение двух сомножителей, сумма которых есть величина постоянная, имеет наибольшее значение при равенстве сомножителей.

Перед изложением третьего вопроса лекции преподаватель обозначает проблему, вызывающую необходимость рассмотрения теоремы о повторении опытов, при этом отмечая, что в изучаемом курсе теории вероятностей будет рассматриваться только частная теорема, связанная с повторением независимых опытов, в каждом из которых событие А появляется с постоянной вероятностью.

После чего преподаватель показывает доказательство этой теоремы (вывод формулы Бернулли).

Для пояснения физической сущности рассматриваемой теоремы преподаватель использует оверхэд-проектор и подготовленные слайды.

В заключении лекции преподаватель поясняет почему распределение вероятностей появления события А в серии из n испытаний, в условиях когда они несовместны и образуют полную группу событий называют биномиальным и обращает внимание на важность знания этого распределения для решения прикладных задач.

До сих пор мы рассматривали комбинации сравнительного небольшого числа событий, когда непосредственное применение правил сложения и умножения вероятностей не вызывало больших вычислительных затруднений. Однако с увеличением числа событий или числа испытаний, в которых может появляться интересующее нас событие, изученный способ вычисления становится очень громоздким.

При этом задача решалась достаточно просто только в том случае, если опыты являлись независимыми.

Несколько опытов называются независимыми , если вероятность того или иного исхода каждого из опытов не зависит от того, какие исходы имели другие опыты.

На практике имеют место случаи, когда вероятность наступления события А во всех независимых опытах может быть либо одинаковой, либо меняться от опыта к опыту. Например, при корректировании огня после каждого выстрела вероятность попадания в цель с каждым выстрелом будет изменяться.

В случае, когда в независимых опытах вероятность наступления события от опыта к опыту изменяется, используют общую теорему о повторении опытов, а когда в независимых опытах вероятность наступления события от опыта к опыту не изменяется, используют частную теорему о повторении опытов.

В изучаемом нами курсе теории вероятностей мы рассмотрим только частную терему о повторении опытов, когда необходимо определить вероятность наступления события А в серии изnнезависимых опытов, в каждом из которых событие А появляется с одинаковой вероятностью.

Например, необходимо вычислить вероятность того, что при пяти выстрелах из орудия на постоянных установках будет получено ровно два попадания в цель, если выстрелы независимы и при каждом выстреле вероятность попадания в цель известна и не изменяется.

В случае, если составить возможные комбинации появления интересующего нас события А 1 , то получим:

Возможных комбинаций, в которых наступит событие А={получить 2 попадания при пяти выстрелах} будет 10.

Применив теорему о сумме и произведении независимых событий, будем иметь:

Увеличение числа интересующих нас событий или числа испытаний приведёт к еще большему увеличению объёма вычислительных операций, поэтому возникает задача отыскания менее трудоёмких способов расчёта.

Постановка задачи:

Пусть предполагается в одинаковых условиях произвести nнезависимых испытаний, результатом каждого из которых может быть наступление либо событияА , либо ему противоположного.

Обозначим через А 1 наступление событияА при первом испытании,А 2 – при втором испытании,А n – при последнем испытании.

В силу постоянства условий испытания:

Р(А 1 ) = Р(А 2 ) = … Р(А n ) = р

Нас интересует вероятность того, что событие А при nиспытаниях наступит ровноmраз, а в оставшихсяn-mиспытаниях – не наступит (т.е. наступит противоположное событию А событие -).

Допустим, что интересующее нас событие А наступает подрядmраз, начиная с первого, т.е. имеет место событие –Е .

Е= А 1 А 2 … А m -1 А m 
(1)

m n - m

По условию повторения испытаний, события, входящие в данную комбинацию, независимы, при этом вероятности наступления событий А 1 ,А 2 ,… А m -1 , А m одинаковы и равныр: Р(А 1 ) = Р(А 2 ) =…= Р(А m ) = р, а вероятности не наступления событий
так же одинаковы и равныq =1-р: .

Применяя правило умножения вероятностей для независимых событий к выражению 1 получим:

Р(Е) = Р(А 1 ) Р(А 2 ) … Р(А m -1 ) Р(А m ) Р(
= р m (1-р) n  - m = р m q n - m

В силу постоянства условий испытаний мы допустили, что интересующее нас событие А наступает подрядmраз, начиная с первого. Но событиеА вn испытаниях может наступить ровноm раз в различных последовательностях или комбинациях. При этом нам безразлично, в какой именно последовательности появляется событие А ровноm раз.

Число таких комбинаций равно числу сочетаний изnэлементов поm .

Так как эти комбинации событий (подобные комбинации Е) несовместны и нас не интересует последовательность наступления события А в испытании ровноm раз, то обозначив интересующую нас вероятность черезР m , получим:

Р m =
р m (1-р) n - m =
=

где
- число сочетаний изn элементов поm .

Данная формула носит имя формулы Бернулли.

Формула Бернулли позволяет получить ответ на вопрос: какова вероятность того, что при повторении nнезависимых испытаний некоторое событиеА наступает ровноm раз, если в каждом из этих испытаний вероятность наступления событияА постоянна и равнаР(А) = р.

Приведенная формула Бернулли имеет исключительно важное значение в теории вероятностей по той причине, что она связана с повторением испытаний в одинаковых условиях, т.е. с такими условиями, в которых как раз и проявляются законы теории вероятностей.

Заключение по лекции:

В лекции мы рассмотрели принципиальные вопросы теории вероятностей применительно к случайным величинам, ввели основной понятийный аппарат, необходимый для дальнейшего изучения дисциплины: определение случайной величины, их классификацию; понятия закона распределения и его формы для различных типов случайной величины.

В ходе подготовки к последующим лекциям и практическим занятиям вы должны самостоятельно при углубленном изучении рекомендованной литературы и решения предложенных задач дополнить свои конспекты лекций.

Кроме того, на последующих занятиях мы будем изучать теоремы и зависимости, позволяющие определить вероятность появления случайной величины требуемое число раз или на определенном интервале, например вероятность попадания в цель.

Изучить:

Вентцель Е.С. Теория вероятностей. Учебник. Издание восьмое, стереотипное. – М.: Высшая школа, 2002 г. - 575 с. – стр. 67-78, 80-84

Вентцель Е.С., Овчаров Л.А.. Теория вероятностей и ее инженерные приложения. Учебное пособие. Издание третье, переработанное и дополненное. – М.: «Академия», 2003 г. – 464 с. – стр. 73-93

Гмурман В.Е. Теория вероятностей и математическая статистика. Учебное пособие. Издание десятое, стереотипное.-М.:Высшая школа», 2004 г. – 480 с. Стр 64-73

Повторные независимые испытания называются испытаниями Бернулли, если каждое испытание имеет только два возможных исхода и вероятности исходов остаются неизменными для всех испытаний.

Обычно эти два исхода называются “успехом” (У) или “неудачей” (Н) и соответствующие вероятности обозначают p и q . Ясно, что p  0, q ³ 0 и p +q =1.

Пространство элементарных событий каждого испытания состоит из двух событий У и Н.

Пространство элементарных событий n испытаний Бернулли Ω содержит 2 n элементарных событий, представляющих собой последовательности (цепочки) из n символов У и Н. Каждое элементарное событие является одним из возможных исходов последовательности n испытаний Бернулли. Поскольку испытания независимы, то, по теореме умножения, вероятности перемножаются, то есть вероятность любой конкретной последовательности - есть произведение, полученное при замене символов У и Н на p и q соответственно, то есть, например: Р ( )={У У Н У Н... Н У }=p p q p q ... q q p .

Отметим, исход испытания Бернулли часто обозначают 1 и 0, и тогда элементарное событие в последовательности n испытаний Бернулли - есть цепочка, состоящая из нолей и единиц. Например:  =(1, 0, 0, ... , 1, 1, 0).

Испытания Бернулли представляют собой важнейшую схему, рассматриваемую в теории вероятностей. Эта схема названа в честь швейцарского математика Я. Бернулли (1654-1705), в своих работах глубоко исследовавших эту модель.

Основная задача, которая нас будет здесь интересовать: какова вероятность того события, что в n испытаниях Бернулли произошло m успехов?

При выполнении указанных условий вероятность того, что при проведении независимых испытаний событиебудет наблюдаться ровноm раз (неважно, в каких именно опытах), определяется по формуле Бернулли :

(21.1)

где - вероятность появленияв каждом испытании, а
- вероятность того, что в данном опыте событиене произошло.

Если рассматривать P n (m) как функцию m , то она задает распределение вероятностей, которое называется биномиальным. Исследуем эту зависимость P n (m) от m , 0£m £n .

События B m (m = 0, 1, ..., n ), состоящие в различном числе появлений события А в n испытаниях, несовместны и образуют полную группу. Следовательно,
.

Рассмотрим соотношение:

=
=
=
.

Отсюда следует, что P n (m+1 )>P n (m), если (n - m)p > (m+1)q , т.е. функция P n (m ) возрастает, если m < np - q . Аналогично, P n (m+1) < P n (m), если (n - m)p < (m+1)q , т.е. P n (m) убывает, если m > np - q .

Таким образом, существует число m 0 ,при котором P n (m) достигает наибольшего значения. Найдем m 0 .

По смыслу числа m 0 имеем P n (m 0)³P n (m 0 -1) и P n (m 0) ³P n (m 0 +1), отсюда

, (21.2)

. (21.3)

Решая неравенства (21.2) и (21.3) относительно m 0 , получаем:

p / m 0 ³ q /(n - m 0 +1) Þ m 0 £ np + p ,

q /(n - m 0 ) ³ p /(m 0 +1) Þ m 0 ³ np - q .

Итак, искомое число m 0 удовлетворяет неравенствам

np - q £ m 0 £np+p. (21.4)

Так как p +q =1, то длина интервала, определяемого неравенством (21.4), равна единице и имеется, по крайней мере, одно целое число m 0 , удовлетворяющее неравенствам (21.4):

1) если np - q - целое число, то существуют два значения m 0 , а именно: m 0 = np - q и m 0 = np - q + 1 = np + p ;

2) если np - q - дробное, то существует одно число m 0 , а именно единственное целое, заключенное между дробными числами, полученными из неравенства (21.4);

3) если np - целое число, то существует одно число m 0 , а именно m 0 = np .

Число m 0 называется наиболее вероятным или наивероятнейшим значением (числом) появления события A в серии из n независимых испытаний.