Крепко надоели ваши бесконечные подтасовки. Например, вы пишете:
Данные модели имеют значительно меньшую величину отклонения

с вероятностью близкой к 1. Это более удобно и с практической точки зрения. Вы задаете вероятность и получаете точность, либо наоборот.
Какую "практическую точку зрения" вы имеете в виду? Кому нужна ваша "точность", если в основу ее расчета положены ничем не обоснованные предположения о "независимости" событий появления отдельных кортежей в натуральном ряду?
Идем дальше:
Известно, что доказанный Адамаром и Валле-Пуссеном закон о простых числах говорит, что значение количества простых чисел

асимптотически равно к интегральному синусу -

. Литтлвуд доказал, что

колеблется около функции

, принимая бесконечное множество раз значение меньше и больше. Поэтому интересен вопрос изучения амплитуды этих колебаний, т.е. отклонения

. Гипотеза Римана, если будет доказана, даст
почти предельно хорошую оценку этого отклонения -

. Ключевое слово здесь - почти. Литтлвуд считал, что может быть более сильная оценка. Вероятностные подход дает такую оценку (см. сообщение выше).
Данный подход дает также другие результаты. С вероятностью 0,6827 значение отклонения

не превосходит одного среднеквадратичного отклонения указанных выше вероятностных моделей. Это соответствует большим значениям

, для которых значение

уже известно. С другой стороны с вероятностью 0,3173 значение отклонения

превосходит одно среднеквадратичное отклонение указанных выше вероятностных моделей. Это возможно для очень больших значений

, для которых значение

еще пока не известно.
Опять подтасовка! Литтлвуд говорил не об оценке, полученной с какой-то там вероятностью на основе ничем не обоснованных фантазий о вероятностном распределении простых, их кортежей и т.п., а об оценке в общепринятом смысле этого слова: оценке в виде неравенств или об асимптотической оценке.
Не говоря уже о вот таких ляпах:
Поэтому на основании (35), (47) при

или

получаем:

, а при

плотность распределения случайной величины

:

.(48)
Почему плотность при интегрировании по всей числовой оси не дает 1?