EssayAI
Блог
Блог
Математика и алгоритмы

Теорема Бернулли и закон больших чисел

8 ноября 2026Время чтения: 8 минут
#теорема бернулли#закон больших чисел#относительная частота#сходимость по вероятности#независимые испытания
Теорема Бернулли и закон больших чисел

Честная монета может дать семь орлов в десяти бросках, хотя вероятность орла в каждом из них равна половине. Если повторять опыт всё дольше, должна ли доля орлов стать ровно 50 %? Теорема Бернулли даёт более осторожный и полезный ответ: при большом числе независимых испытаний заметное отклонение частоты от вероятности становится маловероятным. Калькулятор показывает точную вероятность такого отклонения и позволяет менять условия опыта.

Условия и формулировка теоремы

Рассмотрим последовательность независимых испытаний с двумя исходами. Один исход назовём успехом; вероятность успеха pp одинакова при каждом испытании. После первых nn испытаний обозначим число успехов через KnK_n, а их относительную частоту через Wn=Kn/nW_n=K_n/n. Для такой схемы Бернулли число успехов имеет биномиальное распределение.

Теорема Бернулли: для любого заранее выбранного ε>0\varepsilon>0

lim⁡n→∞P(∣Knn−p∣<ε)=1.\lim_{n\to\infty}P\left(\left|\frac{K_n}{n}-p\right|<\varepsilon\right)=1.

Равносильная запись использует противоположное событие:

lim⁡n→∞P(∣Wn−p∣≥ε)=0.\lim_{n\to\infty}P(|W_n-p|\geq\varepsilon)=0.

Например, при p=0,5p=0{,}5 и ε=0,1\varepsilon=0{,}1 внутренняя полоса - это частоты строго между 0,4 и 0,6. Границы 0,4 и 0,6 относятся к событию отклонения не менее 0,1. Если выражать величины в процентах, ширина отклонения составляет десять процентных пунктов. Знак модуля учитывает уход как вверх, так и вниз.

Важно различать параметр pp и наблюдаемую частоту. Первый задаёт вероятность успеха в модели одного испытания. Вторая величина случайна: разные серии одинаковой длины дают разные значения. Теорема связывает эти величины при росте длины серии, но не превращает их в одно и то же число.

Что именно стремится к нулю

Представим много независимых серий по nn бросков. В каждой посчитаем долю орлов и отметим серии, в которых она отклонилась от половины хотя бы на 0,1. При увеличении nn вероятность попасть в такую группу стремится к нулю. Это утверждение называется сходимостью по вероятности: Wn→PpW_n\xrightarrow{P}p.

Точнее, для любого фиксированного положительного порога ε\varepsilon и любой сколь угодно малой положительной величины δ\delta существует такое NN, что при всех n≥Nn\geq N вероятность отклонения не менее ε\varepsilon меньше δ\delta. Порог выбирают до перехода к пределу и держат постоянным. Теорема сама по себе не отвечает на вопрос, как быстро может уменьшаться порог вместе с nn.

На видео изображён не путь одной конкретной монеты, а масштаб разброса распределения частоты. Золотой отрезок отложен на одно стандартное отклонение в каждую сторону от pp: он сужается при увеличении числа испытаний. Возврат параметра в конце нужен для повторения сравнения.

При увеличении числа испытаний золотой отрезок p ± σ сужается вокруг вероятности успеха 0,5, показывая уменьшение стандартного отклонения частоты.

Этот отрезок не означает, что все результаты обязаны оказаться внутри него, и не является фиксированным доверительным интервалом. Он показывает масштаб σ(Wn)\sigma(W_n), а не вероятность попадания. Например, серия из одних орлов возможна при любом конечном nn, хотя для честной монеты её вероятность равна 2−n2^{-n}.

Почему теорема верна

Введём индикатор XiX_i: он равен единице при успехе в ii-м испытании и нулю при неудаче. Тогда Kn=X1+⋯+XnK_n=X_1+\cdots+X_n, а частота - среднее этих индикаторов. Для каждого из них

E(Xi)=p,D(Xi)=p(1−p).E(X_i)=p,\qquad D(X_i)=p(1-p).

По линейности математического ожидания E(Wn)=pE(W_n)=p. Независимость позволяет сложить дисперсии: D(Kn)=np(1−p)D(K_n)=np(1-p). После деления на n2n^2 получаем

D(Wn)=p(1−p)n,σ(Wn)=p(1−p)n.D(W_n)=\frac{p(1-p)}{n},\qquad \sigma(W_n)=\sqrt{\frac{p(1-p)}{n}}.

Последняя формула объясняет сужение отрезка на видео. При увеличении nn в четыре раза стандартное отклонение уменьшается вдвое. Само значение E(Wn)E(W_n) не меняется: частота в среднем остаётся равной pp, но её разброс вокруг этого значения становится меньше. Свойства числа успехов подробнее разобраны в статье про математическое ожидание биномиального распределения.

Применим к частоте неравенство Чебышёва:

P(∣Wn−p∣≥ε)≤p(1−p)nε2≤14nε2.P(|W_n-p|\geq\varepsilon)\leq\frac{p(1-p)}{n\varepsilon^2}\leq\frac{1}{4n\varepsilon^2}.

При фиксированном ε>0\varepsilon>0 правая часть стремится к нулю, а вероятность слева неотрицательна. Значит, она тоже стремится к нулю. Это доказательство связывает конкретную теорему об успехах и частотах с законом больших чисел для средних независимых величин. Оценка может быть больше единицы; тогда она остаётся верной, но ничего не добавляет к общему ограничению вероятности.

Пример: три длины серии бросков

Пусть монета честная, p=0,5p=0{,}5, а порог ε=0,1\varepsilon=0{,}1. При n=100n=100 событие ∣K100/100−0,5∣≥0,1|K_{100}/100-0{,}5|\geq0{,}1 означает K100≤40K_{100}\leq40 или K100≥60K_{100}\geq60. Оба граничных значения включены. Суммируем вероятности по биномиальной формуле:

P=2∑k=040(100k)(0,5)100≈0,05689.P=2\sum_{k=0}^{40}\binom{100}{k}(0{,}5)^{100}\approx0{,}05689.

Получается около 5,69 %. Для сравнения, оценка Чебышёва равна 0,25/(100⋅0,12)=0,250{,}25/(100\cdot0{,}1^2)=0{,}25, то есть 25 %. Она гарантирует верхнюю границу, а не предсказывает точный процент. Точная вероятность требует полной модели распределения; оценка использует только дисперсию.

Для честной монеты вероятность отклонения частоты не менее чем на 0,1 составляет около 50,34 процента при 20 бросках, 5,69 процента при 100 и 0,57 процента при 200
Для честной монеты вероятность отклонения частоты не менее чем на 0,1 составляет около 50,34 процента при 20 бросках, 5,69 процента при 100 и 0,57 процента при 200

При тех же pp и ε\varepsilon точный расчёт даёт около 50,34 % для n=20n=20 и 0,57 % для n=200n=200. Это вероятности для отдельных серий, а не доли одной заранее известной последовательности. График в калькуляторе показывает и промежуточные значения. Он может немного подниматься на отдельных шагах: допустимое число успехов целочисленно, и при изменении nn граница события скачком включает или исключает очередной исход. Пределу это не противоречит.

При сравнении серий полезно различать абсолютное и относительное число успехов. Для честной монеты ожидаемое число орлов равно n/2n/2: оно растёт вместе с nn. Стандартное отклонение числа орлов тоже растёт и равно n/2\sqrt{n}/2, но после деления на nn масштаб отклонения частоты становится 1/(2n)1/(2\sqrt n). Поэтому закон больших чисел не обещает, что разность между числом орлов и n/2n/2 сама становится маленькой; он описывает эту разность относительно длины серии.

В калькуляторе можно выбрать другую вероятность успеха и сравнить графики при нескольких порогах. Меньший фиксированный порог обычно делает требование к точности строже: событие отклонения охватывает больше возможных результатов. При этом для доказательства важно сохранять выбранный порог неизменным, пока число испытаний растёт.

Где условия существенны

Независимость - свойство совместной модели, а не описание внешней непохожести опытов. Если вынуть из небольшой урны шар и не вернуть его, состав урны изменится; вероятность успеха следующего извлечения зависит от предыдущего результата. Для такой процедуры биномиальная формула и приведённое доказательство напрямую не подходят. Понятие зависимости и её проверка разобраны на примерах условной вероятности.

Рассмотрим более резкий пример. Один раз бросили монету и записали её результат как результат всех последующих «испытаний». Вероятность орла в каждой позиции равна 0,5, но исходы полностью зависимы. Частота всегда равна либо нулю, либо единице, поэтому при ε=0,1\varepsilon=0{,}1 вероятность отклонения равна единице при любом nn. Одного совпадения индивидуальных вероятностей недостаточно для вывода теоремы.

Постоянство pp также нужно для этой формулировки. Если вероятность успеха меняется от опыта к опыту, могут работать другие версии закона больших чисел, но центр и условия следует устанавливать отдельно. Большой объём данных сам по себе не устраняет систематическую ошибку измерения или зависимость наблюдений.

Как читать результат в прикладной задаче

Пусть успехом считается обнаружение дефекта при проверке изделия. Прежде чем подставлять числа, нужно определить, что представляет собой одно испытание, сохраняется ли способ проверки и можно ли считать результаты независимыми. Если прибор постепенно разлаживается, вероятность обнаружения дефекта может меняться; если проверяют несколько изделий одной партии, общая причина брака способна связать результаты. Эти обстоятельства относятся к устройству эксперимента и не исчезают при увеличении числа проверок.

Когда модель подходит, результат удобно записать словами вместе с событием: «вероятность отклонения доли обнаружений от заданного pp на ε\varepsilon или больше не превышает вычисленную границу». Так сразу видно, какая именно случайная величина рассматривается и включено ли равенство. Если по наблюдаемой частоте нужно оценить неизвестное pp, возникает обратная статистическая задача: её нельзя решить простой подстановкой неизвестного параметра как будто он заранее известен.

Частые ошибки

  • Требовать точного равенства Wn=pW_n=p. Теорема говорит о вероятности отклонения на любой фиксированный положительный порог, а не о точном совпадении.
  • Ждать компенсации неудач. Независимый следующий бросок имеет ту же вероятность успеха независимо от предыдущих результатов.
  • Считать оценку Чебышёва точной вероятностью. Она ограничивает вероятность сверху и может быть существенно больше неё.
  • Считать сближение монотонным. Частота конкретной серии способна удалиться от pp после очередного испытания; точная вероятность тоже может колебаться при переходе от nn к n+1n+1.
  • Игнорировать границы. Событие с ≥ε\geq\varepsilon включает равенство, а событие с >ε>\varepsilon его исключает; при конечном nn ответы могут различаться.

FAQ

Обязательно ли частота приблизится к pp в каждой последовательности? Нет. Сходимость по вероятности не утверждает этого для каждой возможной последовательности. Для независимых одинаково распределённых испытаний есть и более сильный закон больших чисел: сходимость почти наверное, допускающая исключительное множество вероятности ноль.

Как найти достаточное число испытаний для заданной гарантии? Если требуется, чтобы вероятность отклонения не менее ε\varepsilon не превышала δ>0\delta>0, достаточно выбрать целое n≥p(1−p)/(δε2)n\geq p(1-p)/(\delta\varepsilon^2). Это достаточная оценка по Чебышёву, не обязательно наименьшее число по точному биномиальному расчёту.

Что происходит при p=0p=0 или p=1p=1? Каждое испытание даёт соответствующий исход с вероятностью один, дисперсия равна нулю, и частота совпадает с pp почти наверное для каждого фиксированного nn. Теорема остаётся верной.

Коротко

Теорема Бернулли утверждает: в последовательности независимых испытаний с постоянной вероятностью успеха pp частота Kn/nK_n/n сходится к pp по вероятности. Для любого фиксированного ε>0\varepsilon>0 вероятность отклонения не менее ε\varepsilon стремится к нулю; оценка p(1−p)/(nε2)p(1-p)/(n\varepsilon^2) доказывает этот факт и даёт достаточную, хотя иногда грубую, количественную границу.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Состоятельная оценка параметра: определение и проверка

Состоятельная оценка параметра: определение и проверка

Состоятельная оценка параметра: строгое определение через сходимость по вероятности, разница со смещённостью, достаточные условия, закон больших чисел и примеры проверки оценок.

1 апреля 20266 минут
Вероятность отклонения частоты от вероятности

Вероятность отклонения частоты от вероятности

Как найти вероятность отклонения частоты от вероятности: точная биномиальная сумма, границы числа успехов, оценка Чебышёва и подробный пример с монетой.

8 ноября 20269 минут
Схема Бернулли: формула, условия и приближения

Схема Бернулли: формула, условия и приближения

Схема Бернулли: какие три условия обязаны выполняться, как выводится формула вероятности k успехов, чему равны np и npq и когда точный расчёт заменяют Пуассоном или Муавром-Лапласом.

24 сентября 202610 минут
Теорема Слуцкого: сходимость суммы и произведения

Теорема Слуцкого: сходимость суммы и произведения

Теорема Слуцкого простыми словами: как сходимость по распределению сочетается со сходимостью по вероятности к константе, формулировка, доказательство и применение в статистике.

20 июня 20267 минут
Закон больших чисел и неравенство Чебышёва: вывод формулы

Закон больших чисел и неравенство Чебышёва: вывод формулы

Разбираем неравенство Чебышёва, оценку вероятности отклонения через дисперсию и вывод закона больших чисел, с разбором типовых учебных задач и формул на числах.

11 июня 20268 минут
Абсолютная и относительная погрешность числа

Абсолютная и относительная погрешность числа

Абсолютная и относительная погрешность приближённого числа: формулы, расчёт в процентах, оценка при округлении и подробные примеры сравнения точности.

8 ноября 20268 минут