Биномиальное распределение часто используется для моделирования количества успехов в выборке размера n , взятой с заменой из популяции размера N. Если выборка осуществляется без замещения, выборки не являются независимыми, и поэтому результирующее распределение является гипергеометрическим , а не биномиальным. Однако для N , намного большего, чем n , биномиальное распределение остается хорошим приближением и широко используется.
Определения
Функция массы вероятности
В общем, если случайная величина X соответствует биномиальному распределению с параметрами n ∈ и p ∈ [0,1], мы пишем X ~ B( n , p ). Вероятность получения ровно k успехов в n независимых испытаниях Бернулли (с одинаковой частотой p ) определяется функцией массы вероятности :
для k = 0, 1, 2, ..., n , где
– биномиальный коэффициент , отсюда и название распределения. Формулу можно понять следующим образом: k успехов происходит с вероятностью p k и n − k неудач происходит с вероятностью . Однако k успехов могут произойти где угодно среди n испытаний, и существуют разные способы распределения k успехов в последовательности из n испытаний.
При создании справочных таблиц биномиального распределения вероятностей обычно таблица заполняется до n /2 значений. Это связано с тем, что при k > n /2 вероятность можно вычислить по ее дополнению как
Если посмотреть на выражение f ( k , n , p ) как на функцию k , то можно найти значение k , которое максимизирует его. Это значение k можно найти, вычислив
и сравнивая его с 1. Всегда существует целое число M , удовлетворяющее [2]
f ( k , n , p ) монотонно возрастает при k < M и монотонно убывает при k > M , за исключением случая, когда ( n + 1) p является целым числом. В этом случае есть два значения, при которых f максимально: ( n + 1) p и ( n + 1) p − 1. M — наиболее вероятный исход (т. е. наиболее вероятный, хотя это все же может быть маловероятным). в целом) испытаний Бернулли и называется модой .
Эквивалентно, . Взяв функцию пола , получим . [примечание 1]
Пример
Предположим, что при броске смещенной монеты выпадет орел с вероятностью 0,3. Вероятность увидеть ровно 4 орла за 6 бросков равна
Некоторые оценки в замкнутой форме для кумулятивной функции распределения приведены ниже.
Характеристики
Ожидаемое значение и дисперсия
Если X ~ B ( n , p ), то есть X — случайная величина с биномиальным распределением, где n — общее количество экспериментов, а p — вероятность того, что каждый эксперимент даст успешный результат, то ожидаемое значение X равно : [5] ]
Это следует из линейности ожидаемого значения, а также из того факта, что X представляет собой сумму n одинаковых случайных величин Бернулли, каждая из которых имеет ожидаемое значение p . Другими словами, если являются одинаковыми (и независимыми) случайными величинами Бернулли с параметром p , то и
Это показывает, что если , то не более чем постоянный множитель вдали от
Режим
Обычно мода биномиального распределения B ( n , p ) равна , где – функция пола . Однако, когда ( n + 1) p является целым числом и p не равно ни 0, ни 1, тогда распределение имеет два режима: ( n + 1) p и ( n + 1) p - 1. Когда p равно 0 или 1, режим будет 0 и n соответственно. Эти случаи можно резюмировать следующим образом:
Доказательство: Пусть
For имеет ненулевое значение только с . Ибо мы находим и для . Это доказывает, что мода равна 0 для и для .
Позволять . Мы нашли
.
Из этого следует
Итак, когда является целым числом, тогда и является модой. В том случае , это только режим. [9]
медиана
В общем, не существует единой формулы для нахождения медианы для биномиального распределения, и она может даже быть неоднозначной. Однако было установлено несколько особых результатов:
Если – целое число, то среднее значение, медиана и мода совпадают и равны . [10] [11]
Любая медиана m должна лежать в пределах интервала . [12]
Медиана m не может лежать слишком далеко от среднего значения: . [13]
Медиана уникальна и равна m = round ( np ) при (кроме случая, когда и n нечетно). [12]
Когда p — рациональное число (за исключением и n нечетного), медиана уникальна. [14]
Когда и n нечетно, любое число m в интервале является медианой биномиального распределения. Если и n четно, то это единственная медиана.
Хвостовые границы
Для k ≤ np верхние границы могут быть получены для нижнего хвоста кумулятивной функции распределения , вероятности того, что будет не более k успехов. Поскольку эти границы можно также рассматривать как границы верхнего хвоста кумулятивной функции распределения при k ≥ np .
что, однако, не очень плотно. В частности, для p = 1 мы имеем, что F ( k ; n , p ) = 0 (при фиксированном k , n с k < n ), но оценка Хеффдинга оценивается как положительная константа.
Более точную оценку можно получить из оценки Чернова : [15]
Асимптотически эта граница достаточно точна; подробности см. в [15] .
Можно также получить нижние оценки хвоста , известные как границы антиконцентрации. Аппроксимируя биномиальный коэффициент формулой Стирлинга, можно показать, что [16]
что подразумевает более простую, но более слабую оценку
Для p = 1/2 и k ≥ 3 n /8 для четных n можно сделать знаменатель постоянным: [17]
Статистические выводы
Оценка параметров
Когда n известно, параметр p можно оценить, используя долю успехов:
Оценка Байеса асимптотически эффективна и, когда размер выборки приближается к бесконечности ( n → ∞), она приближается к решению MLE . [18] Оценка Байеса смещена (насколько зависит от априорных значений), допустима и непротиворечива по вероятности.
При оценке p при очень редких событиях и небольшом n (например: если x=0) использование стандартной оценки приводит к тому, что иногда нереально и нежелательно. В таких случаях существуют различные альтернативные оценки. [19] Один из способов — использовать оценку Байеса, что приводит к:
Другой метод заключается в использовании верхней границы доверительного интервала , полученного с помощью правила трех :
Доверительные интервалы
Даже для довольно больших значений n фактическое распределение среднего существенно ненормально. [20] Из-за этой проблемы было предложено несколько методов оценки доверительных интервалов.
В приведенных ниже уравнениях доверительных интервалов переменные имеют следующее значение:
n 1 — количество успехов из n , общее количество попыток
Этот метод хорошо работает для и . [22] См. здесь . [23] Для использования метода Вильсона (оценка), приведенного ниже.
Арксинусный метод
[24]
Метод Вильсона (оценка)
Обозначения в приведенной ниже формуле отличаются от предыдущих формул в двух отношениях: [25]
Во-первых, z x имеет несколько иную интерпретацию в приведенной ниже формуле: она имеет свое обычное значение « х -й квантиль стандартного нормального распределения», а не является сокращением от «(1 - x )-й квантиль».
Во-вторых, эта формула не использует плюс-минус для определения двух границ. Вместо этого можно использовать для получения нижней границы или использовать для получения верхней границы. Например: для уровня достоверности 95% ошибка = 0,05, поэтому нижнюю границу можно получить с помощью , а верхнюю границу — с помощью .
[26]
Сравнение
Так называемый «точный» метод ( Клоппера–Пирсона ) является наиболее консервативным. [20] ( Точный не означает абсолютно точный; скорее, это указывает на то, что оценки не будут менее консервативными, чем истинное значение.)
Метод Вальда, хотя его обычно рекомендуют в учебниках, является наиболее предвзятым. [ нужны разъяснения ]
Связанные дистрибутивы
Суммы биномов
Если X ~ B( n , p ) и Y ~ B( m , p ) — независимые биномиальные переменные с одинаковой вероятностью p , то X + Y снова является биномиальной переменной; его распределение Z=X+Y ~ B( n+m , p ): [27]
Биномиально распределенную случайную величину X ~ B( n , p ) можно рассматривать как сумму n случайных величин, распределенных по Бернулли. Таким образом, сумма двух случайных величин с биномиальным распределением X ~ B( n , p ) и Y ~ B( m , p ) эквивалентна сумме n + m случайных величин с распределением Бернулли, что означает Z=X+Y ~ B( п+т , р ). Это также можно доказать непосредственно с помощью правила сложения.
Биномиальное распределение — это частный случай биномиального распределения Пуассона , которое представляет собой распределение суммы n независимых неидентичных испытаний Бернулли B( p i ). [28]
Отношение двух биномиальных распределений
Этот результат был впервые получен Кацем и соавторами в 1978 году. [29]
Пусть X ~ B( n , p1 ) и Y ~ B ( m , p2 ) независимы . Пусть Т = ( Икс / п ) / ( Y / м ) .
Тогда log( T ) примерно нормально распределяется со средним log( p 1 / p 2 ) и дисперсией ((1/ p 1 ) − 1)/ n + ((1/ p 2 ) − 1)/ m .
Условные биномы
Если X ~ B( n , p ) и Y | X ~ B( X , q ) (условное распределение Y при заданном X ), тогда Y — простая биномиальная случайная величина с распределением Y ~ B( n , pq ).
Например, представьте, что вы бросаете n мячей в корзину UX , берете попавшие мячи и бросаете их в другую корзину U Y . Если p — вероятность попасть в U X , то X ~ B( n , p ) — количество шаров, попавших в U X. Если q — вероятность попасть в U Y , то количество шаров, попавших в U Y , равно Y ~ B( X , q ) и, следовательно, Y ~ B( n , pq ).
Поскольку приведенное выше уравнение можно выразить как
Факторизация и вытягивание из суммы всех членов, которые не зависят от, теперь дает
Подставив в выражение выше, получим
Обратите внимание, что сумма (в скобках) выше равна по биномиальной теореме . Подстановка этого, наконец, дает
и так по желанию.
Распределение Бернулли
Распределение Бернулли является частным случаем биномиального распределения, где n = 1. Символически X ~ B(1, p ) имеет тот же смысл, что и X ~ Бернулли( p ). И наоборот, любое биномиальное распределение B( n , p ) представляет собой распределение суммы n независимых испытаний Бернулли , Бернулли ( p ), каждое с одинаковой вероятностью p . [30]
Нормальное приближение
Если n достаточно велико, то перекос распределения не слишком велик. В этом случае разумное приближение к B( n , p ) дается нормальным распределением
и это базовое приближение можно простым способом улучшить, используя подходящую поправку на непрерывность . Базовое приближение обычно улучшается по мере увеличения n (по крайней мере 20) и становится лучше, когда p не близко к 0 или 1. [31] Чтобы решить, достаточно ли велико n, а p достаточно далеко от крайние значения нуля или единицы:
Одно из правил [31] состоит в том, что для n > 5 нормальное приближение адекватно, если абсолютное значение асимметрии строго меньше 0,3; то есть, если
Более строгое правило гласит, что нормальное приближение подходит только в том случае, если все в пределах трех стандартных отклонений от его среднего значения находится в диапазоне возможных значений; то есть только если
Это правило трех стандартных отклонений эквивалентно следующим условиям, которые также подразумевают первое правило, приведенное выше.
[Доказательство]
Это правило полностью эквивалентно запросу,
Перемещение терминов по доходности:
Поскольку , мы можем применить квадрат мощности и разделить на соответствующие коэффициенты и , чтобы получить желаемые условия:
Обратите внимание, что эти условия автоматически подразумевают, что . С другой стороны, снова примените квадратный корень и разделите на 3,
Вычитание второго набора неравенств из первого дает:
и, таким образом, желаемое первое правило выполнено,
Другое часто используемое правило заключается в том, что оба значения и должны быть больше [32] [33] или равны 5. Однако конкретное число варьируется от источника к источнику и зависит от того, насколько хорошее приближение требуется. В частности, если вместо 5 использовать 9, правило подразумевает результаты, указанные в предыдущих параграфах.
[Доказательство]
Предположим, что оба значения и больше 9. Поскольку , мы легко получаем, что
Теперь нам нужно только разделить на соответствующие коэффициенты и , чтобы вывести альтернативную форму правила 3-х стандартных отклонений:
Ниже приведен пример применения поправки на непрерывность . Предположим , кто-то хочет вычислить Pr( X ≤ 8) для биномиальной случайной величины X. Если Y имеет распределение, заданное нормальным приближением, то Pr( X ≤ 8) аппроксимируется Pr( Y ≤ 8,5). Добавление 0,5 представляет собой поправку на непрерывность; неисправленное нормальное приближение дает значительно менее точные результаты.
Это приближение, известное как теорема Муавра – Лапласа , значительно экономит время при выполнении вычислений вручную (точные вычисления с большими n очень обременительны); исторически это было первое использование нормального распределения, представленное в книге Абрахама де Муавра «Доктрина шансов» в 1738 году. Сегодня это можно рассматривать как следствие центральной предельной теоремы , поскольку B( n , p ) является сумма n независимых, одинаково распределенных переменных Бернулли с параметром p . Этот факт является основой проверки гипотезы , «z-критерия пропорции», для значения p с использованием x/n , выборочной доли и оценки p , в общей тестовой статистике . [34]
Например, предположим, что кто-то случайным образом выбирает n человек из большой популяции и спрашивает их, согласны ли они с определенным утверждением. Доля согласных, конечно, будет зависеть от выборки. Если бы группы из n людей отбирались повторно и по-настоящему случайным образом, пропорции следовали бы приблизительно нормальному распределению со средним значением, равным истинной доле согласия p в популяции и со стандартным отклонением.
Пуассоновское приближение
Биномиальное распределение сходится к распределению Пуассона , когда количество испытаний стремится к бесконечности, а произведение np сходится к конечному пределу. Следовательно, распределение Пуассона с параметром λ = np можно использовать как аппроксимацию B( n , p ) биномиального распределения, если n достаточно велико, а p достаточно мало. Согласно эмпирическим правилам, это приближение хорошо, если n ≥ 20 и p ≤ 0,05 [35] такие, что np ≤ 1, или если n > 50 и p < 0,1 такие, что np < 5, [36] или если n ≥ 100 и np ≤ 10. [37] [38]
По поводу точности пуассоновской аппроксимации см. Новак, [39], гл. 4 и ссылки в нем.
Биномиальное распределение и бета-распределение представляют собой разные взгляды на одну и ту же модель повторяющихся испытаний Бернулли. Биномиальное распределение представляет собой PMF k успехов при n независимых событиях , каждое из которых имеет вероятность успеха p . Математически, когда α = k + 1 и β = n − k + 1 , бета-распределение и биномиальное распределение связаны [ необходимы пояснения ] коэффициентом n + 1 :
Учитывая единообразие априора, апостериорное распределение вероятности успеха p при условии n независимых событий с k наблюдаемыми успехами является бета-распределением. [41]
Генерация случайных чисел
Методы генерации случайных чисел , в которых маргинальное распределение является биномиальным, хорошо известны. [42] [43]
Одним из способов создания выборок случайных величин из биномиального распределения является использование алгоритма инверсии. Для этого необходимо вычислить вероятность того, что Pr( X = k ) для всех значений k от 0 до n . (Эти вероятности должны в сумме давать значение, близкое к единице, чтобы охватить все пространство выборок.) Затем, используя генератор псевдослучайных чисел для равномерной генерации выборок от 0 до 1, можно преобразовать вычисленные выборки в дискретные числа, используя вероятности, рассчитанные на первом этапе.
История
Это распределение было получено Якобом Бернулли . Он рассмотрел случай, когда p = r /( r + s ), где p — вероятность успеха, а r и s — положительные целые числа. Блез Паскаль ранее рассмотрел случай, когда p = 1/2, составив таблицу соответствующих биномиальных коэффициентов в том, что теперь известно как треугольник Паскаля . [44]
Лемма о накоплении , результирующая вероятность при выполнении XOR независимых логических переменных
Рекомендации
^ Вестленд, Дж. Кристофер (2020). Аудиторская аналитика: наука о данных для бухгалтерской профессии . Чикаго, Иллинойс, США: Спрингер. п. 53. ИСБН 978-3-030-49091-1.
^ Феллер, В. (1968). Введение в теорию вероятностей и ее приложения (Третье изд.). Нью-Йорк: Уайли. п. 151 (теорема в разделе VI.3).
^ Уодсворт, врач общей практики (1960). Введение в теорию вероятности и случайных величин . Нью-Йорк: МакГроу-Хилл. п. 52.
^ Джоветт, GH (1963). «Связь между биномиальным и F-распределениями». Журнал Королевского статистического общества, серия D. 13 (1): 55–57. дои : 10.2307/2986663. JSTOR 2986663.
^ См. Доказательство Wiki.
^ Кноблаух, Андреас (2008), «Выражения в замкнутой форме для моментов биномиального распределения вероятностей», SIAM Journal on Applied Mathematics , 69 (1): 197–204, doi : 10.1137/070700024, JSTOR 40233780
^ Нгуен, Дуй (2021), «Вероятностный подход к моментам биномиальных случайных величин и его применение», The American Statistician , 75 (1): 101–103, doi : 10.1080/00031305.2019.1679257, S2CID 209923008
^ Д. Але, Томас (2022), «Точные и простые границы для необработанных моментов биномиального распределения и распределения Пуассона», Статистика и вероятностные письма , 182 : 109306, arXiv : 2103.17027 , doi : 10.1016/j.spl.2021.109306
↑ См. также Николя, Андре (7 января 2019 г.). «Режим поиска в биномиальном распределении». Обмен стеками .
^ Нойманн, П. (1966). «Über den Median der Binomial- and Poissonverteilung». Wissenschaftliche Zeitschrift der Technischen Universität Dresden (на немецком языке). 19 :29–33.
^ Господи, Ник. (июль 2010 г.). «Биномиальные средние значения, когда среднее значение является целым числом», The Mathematical Gazette 94, 331–332.
^ Аб Каас, Р.; Бурман, Дж. М. (1980). «Среднее, медиана и мода в биномиальных распределениях». Статистика Неерландики . 34 (1): 13–18. doi :10.1111/j.1467-9574.1980.tb00681.x.
^ Хамза, К. (1995). «Наименьшая равномерная верхняя граница расстояния между средним значением и медианой биномиального распределения и распределения Пуассона». Статистика и вероятностные буквы . 23 : 21–25. дои : 10.1016/0167-7152(94)00090-U.
^ Новаковский, Sz. (2021). «Единственность медианы биномиального распределения с рациональной вероятностью». Успехи математики: Научный журнал . 10 (4): 1951–1958. arXiv : 2004.03280 . дои : 10.37418/amsj.10.4.9. ISSN 1857-8365. S2CID 215238991.
^ аб Арратиа, Р.; Гордон, Л. (1989). «Урок по большим отклонениям биномиального распределения». Бюллетень математической биологии . 51 (1): 125–131. дои : 10.1007/BF02458840. PMID 2706397. S2CID 189884382.
^ Роберт Б. Эш (1990). Теория информации . Дуврские публикации. п. 115. ИСБН9780486665214.
^ Матушек, Дж.; Вондрак, Дж. «Вероятностный метод» (PDF) . конспект лекций . Архивировано (PDF) из оригинала 9 октября 2022 г.
^ Уилкокс, Рэнд Р. (1979). «Оценка параметров бета-биномиального распределения». Образовательные и психологические измерения . 39 (3): 527–535. дои : 10.1177/001316447903900302. ISSN 0013-1644. S2CID 121331083.
^ Раззаги, Мехди (2002). «Об оценке биномиальной вероятности успеха при нулевом вхождении в выборку». Журнал современных прикладных статистических методов . 1 (2): 326–332. дои : 10.22237/jmasm/1036110000 .
^ Аб Браун, Лоуренс Д.; Кай, Т. Тони; ДасГупта, Анирбан (2001), «Интервальная оценка биномиальной пропорции», Statistical Science , 16 (2): 101–133, CiteSeerX 10.1.1.323.7752 , doi :10.1214/ss/1009213286 , получено 5 января 2015 г.
^ Агрести, Алан; Коулл, Брент А. (май 1998 г.), «Приблизительное лучше, чем« точное »для интервальной оценки биномиальных пропорций» (PDF) , The American Statistician , 52 (2): 119–126, doi : 10.2307/2685469, JSTOR 2685469 , получено 5 января 2015 г.
^ Гулотта, Джозеф. «Интервальный метод Агрести-Кулла». pellucid.atlassian.net . Проверено 18 мая 2021 г.
^ «Доверительные интервалы». itl.nist.gov . Проверено 18 мая 2021 г.
^ Пирес, Массачусетс (2002). «Доверительные интервалы для биномиальной пропорции: сравнение методов и оценка программного обеспечения» (PDF) . В Клинке, С.; Аренд, П.; Рихтер, Л. (ред.). Материалы конференции CompStat 2002 . Краткие сообщения и плакаты. Архивировано (PDF) из оригинала 9 октября 2022 г.
^ Уилсон, Эдвин Б. (июнь 1927 г.), «Вероятный вывод, закон последовательности и статистический вывод» (PDF) , Журнал Американской статистической ассоциации , 22 (158): 209–212, doi : 10.2307/2276774, JSTOR 2276774, заархивировано из оригинала (PDF) 13 января 2015 г. , получено 5 января 2015 г.
^ «Доверительные интервалы». Справочник по инженерной статистике . НИСТ/Сематех. 2012 . Проверено 23 июля 2017 г.
^ Деккинг, FM; Краайкамп, К.; Лопохаа, HP; Мистер, Л.Е. (2005). Современное введение в теорию вероятности и статистики (1-е изд.). Спрингер-Верлаг Лондон. ISBN978-1-84628-168-6.
^ Ван, Ю.Х. (1993). «О количестве успехов в независимых испытаниях» (PDF) . Статистика Синица . 3 (2): 295–312. Архивировано из оригинала (PDF) 03 марта 2016 г.
^ Кац, Д.; и другие. (1978). «Получение доверительных интервалов для соотношения рисков в когортных исследованиях». Биометрия . 34 (3): 469–474. дои : 10.2307/2530610. JSTOR 2530610.
^ Табога, Марко. «Лекции по теории вероятностей и математической статистике». statlect.com . Проверено 18 декабря 2017 г.
^ ab Box, Охотник и охотник (1978). Статистика для экспериментаторов . Уайли. п. 130. ИСБН9780471093152.
^ Чен, Зак (2011). Справочник по математике H2 (1-е изд.). Сингапур: Образовательное издательство. п. 350. ИСБН9789814288484.
^ «6.4: Нормальное приближение к биномиальному распределению - LibreTexts статистики» . 29 мая 2023 г. Архивировано из оригинала 29 мая 2023 г. Проверено 7 октября 2023 г.{{cite web}}: CS1 maint: bot: original URL status unknown (link)
^ NIST / SEMATECH , «7.2.4. Соответствует ли доля дефектов требованиям?» Электронный справочник по статистическим методам.
^ «12.4 - Аппроксимация биномиального распределения | STAT 414» . 28 марта 2023 г. Архивировано из оригинала 28 марта 2023 г. Проверено 8 октября 2023 г.{{cite web}}: CS1 maint: bot: original URL status unknown (link)
^ Чен, Зак (2011). Справочник по математике H2 (1-е изд.). Сингапур: Учебное издательство. п. 348. ИСБН9789814288484.
^ ab NIST / SEMATECH , «6.3.3.1. Контрольные диаграммы подсчета», электронный справочник по статистическим методам.
^ «Связь между распределениями Пуассона и биномиальным распределениями». 13 марта 2023 г. Архивировано из оригинала 13 марта 2023 г. Проверено 8 октября 2023 г.{{cite web}}: CS1 maint: bot: original URL status unknown (link)
^ Новак С.Ю. (2011) Методы экстремальной стоимости с применением к финансированию. Лондон: CRC/Чепмен и Холл/Тейлор и Фрэнсис. ISBN 9781-43983-5746 .
^ Маккей, Дэвид (2003). Теория информации, логический вывод и алгоритмы обучения . Издательство Кембриджского университета; Первое издание. ISBN978-0521642989.
^ «Бета-дистрибутив».
^ Деврой, Люк (1986) Генерация неоднородных случайных переменных , Нью-Йорк: Springer-Verlag. (Смотрите особенно главу X «Дискретные одномерные распределения»).
^ Кац, Виктор (2009). «14.3: Элементарная вероятность». История математики: Введение . Аддисон-Уэсли. п. 491. ИСБН978-0-321-38700-4.
^ Мандельброт, Б.Б., Фишер, А.Дж., и Кальвет, Л.Е. (1997). Мультифрактальная модель доходности активов. 3.2. Биномиальная мера – простейший пример мультифрактала.
^ За исключением тривиального случая , который необходимо проверять отдельно.
дальнейшее чтение
Хирш, Вернер З. (1957). «Биномиальное распределение — успех или неудача, насколько они вероятны?». Введение в современную статистику . Нью-Йорк: Макмиллан. стр. 140–153.
Нетер, Джон; Вассерман, Уильям; Уитмор, Джорджия (1988). Прикладная статистика (Третье изд.). Бостон: Аллин и Бэкон. стр. 185–192. ISBN 0-205-10328-6.
Внешние ссылки
Викискладе есть медиафайлы, связанные с биномиальными распределениями .
Интерактивная графика: одномерные отношения распределения
Калькулятор формулы биномиального распределения
Разница двух биномиальных переменных: XY или |XY|
Запрос биномиального распределения вероятностей в WolframAlpha
Доверительные (достоверные) интервалы для биномиальной вероятности, p: онлайн-калькулятор доступен на сайте causaScientia.org.