Ønsket gjennomsnitt er gitt ved ligning:
$ \ frac {N \ cdot p - N \ cdot (1-p)} {N} = .05 $
hvorfra følger at sannsynligheten for 1s
skal være .525
I Python:
x = np.vilkårlig.valg ([- 1,1], størrelse = int (1e6), erstatt = True, p = [.475, .525])
Bevis:
x.mean ()
0,050742000000000002
1000 eksperimenter med 1 000 000 prøver på 1 og 1 sek:
For fullstendighetens skyld (hattips til @Elvis):
importer scipy.stats som st
x = 2 * st.binom (1, .525) .rvs (1000000) - 1
x.mean ()
0,053859999999999998
1'000 eksperimenter med 1'000'000 prøver på 1s og -1s:
Og til slutt å tegne fra uniformfordeling, som foreslått av @ Łukasz Deryło (også i Python):
u = st.uniform (0,1) .rvs (1000000)
x = 2 * (u<.525) -1
x.mean ()
0,049585999999999998
1'000 eksperimenter med 1'000'000 prøver på 1s og -1s:
Alle tre ser nesten identiske ut!
EDIT
Et par linjer på sentralbegrensningsteorem og spredning av resulterende distribusjoner.
Først og fremst følger trekk av midler faktisk Normalfordeling.
For det andre gjorde @Elvis i sin kommentar til dette svaret noen fine beregninger på den nøyaktige spredningen av midlene trukket over 1000 eksperimenter (circa (0,048; 0,052)), 95% konfidensintervall.
Og dette er resultatene av simuleringene, for å bekrefte resultatene hans:
mn = []
for _ innen rekkevidde (1000):
mn.append ((2 * st.binom (1, .525) .rvs (1000000) - 1) .mean ())
np.percentil (mn, [2.5,97.5])
matrise ([0,0480773, 0,0518703])