.png){kind=icon}
研究技能
二项分布：公式、示例和简单规则
二项分布是一种离散概率分布，用于计算固定次数的独立试验中，某个结果出现特定次数的概率。使用二项分布必须满足四个条件：试验次数固定、每次只有两种可能结果、成功概率保持不变，以及各次试验相互独立。本文通过抛硬币、产品质量检测和电子邮件点击率等实际示例，详细介绍了二项分布公式、计算步骤、累积概率、均值、方差和标准差。同时，比较了二项分布与伯努利分布、正态分布、泊松分布等概率分布的区别，并总结了常见计算错误。读者还可以使用电子表格和统计软件验证计算结果。掌握这些基本概念，有助于更准确地分析概率问题、理解统计数据，并将二项分布应用于科学研究和日常决策。
二项分布（Binomial Distribution）用于计算在固定次数的试验中，某个结果恰好出现特定次数的概率。例如，假设你抛硬币 10 次，想知道恰好出现 6 次正面的概率。这就是一个二项分布概率问题。
它是一种离散概率分布，也就是说，它只计算整数。你可以得到 2 次正面或 3 次正面，但不可能得到 2.5 次正面。
二项分布必须满足的四个条件
只有同时满足以下四个条件，才能使用二项分布：
固定的试验次数。 在开始之前，你需要确定试验次数（用 n 表示）。例如，抛硬币 10 次，或者检查 20 件产品。
只有两种结果。 每次试验的结果只能是成功或失败。“成功”只是指你正在统计的目标结果，即使它代表不好的情况，例如发现一件损坏的产品。
每次成功的概率相同。 成功的概率（用 p 表示）必须保持不变。
试验相互独立。 一次试验的结果不会影响下一次试验。例如，硬币不会记住上一次抛掷的结果。
如果其中任何一个条件不满足，使用二项分布公式就会得到错误的答案。只有两种可能结果的单次试验称为伯努利试验（Bernoulli Trial）。二项分布模型就是用来统计多次伯努利试验中的成功次数。
二项分布公式
下面是计算恰好成功 k 次的概率所使用的二项分布公式：
P(X = k) = C(n, k) × p^k × (1 − p)^(n − k)
符号 | 含义 |
n | 试验次数 |
k | 期望的成功次数 |
p | 单次试验成功的概率 |
1 减去 p | 单次试验失败的概率 |
C(n, k) | 从 n 次试验中选择 k 次成功的组合数 |
其中，C(n, k) 是二项式系数，计算方法为 n! 除以 k! 与 (n − k)! 的乘积。如果没有这个系数，你只能计算某一种特定顺序出现的概率，例如先出现正面，最后出现反面。有时，整个公式也被称为概率质量函数（Probability Mass Function）。
计算示例
示例 1：抛硬币 10 次，恰好出现 6 次正面
抛一枚硬币 10 次，恰好出现 6 次正面的概率是多少？这里 n = 10，k = 6，p = 0.5。
从 10 次抛掷中选择哪 6 次出现正面，共有 210 种不同的组合。每一种完整的 10 次抛掷结果出现的概率都是 1/1024。因此，所求概率为 210/1024，约等于 0.205，也就是大约 20%。
示例 2：20 件产品中最多有 1 件次品
一台机器生产的产品中有 5% 是次品。你检查 20 件产品，出现 0 件或 1 件次品的概率是多少？
没有次品：约为 0.3585
恰好有 1 件次品：约为 0.3774
两种情况相加：约为 0.736，即 74%
这种“某个数量或更少”的概率称为累积概率（Cumulative Probability）。因此，出现 2 件或更多次品的概率约为 26%。
示例 3：发送 30 封电子邮件，至少获得一次点击
假设每封电子邮件被点击的概率为 3%。你发送 30 封邮件，至少获得一次点击的概率是多少？
不需要把 30 个概率逐一相加。可以反过来计算。一次点击都没有的概率约为 0.401。因此，至少获得一次点击的概率为 1 − 0.401，约等于 0.599，也就是接近 60%。
均值、方差和标准差
均值（Mean）表示平均情况下预期会出现的结果。计算方法很简单，只需要用 n × p。例如，抛硬币 10 次，预期大约会出现 5 次正面。
方差（Variance）表示结果的波动程度。计算公式为 n × p × (1 − p)。标准差则是方差的平方根。
对于次品率为 5% 的 20 件产品，均值为 1，方差为 0.95，标准差约为 0.97。因此，通常会看到 0 件、1 件或 2 件次品。如果出现 10 件次品，那将是非常令人意外的情况。
二项分布的图形会随着 p 值的变化而改变。当 p = 0.5 时，分布比较对称，看起来像一座小山。当 p 较小时，结果会集中在接近零的位置。当 p 较大时，分布形状则与前一种情况相反，呈现镜像效果。
二项分布与其他概率分布的区别
不确定二项分布是否适合你的问题？可以使用下面的表格进行判断。
你的情况 | 更合适的选择 |
只有一次试验 | 伯努利分布 |
试验次数固定、成功概率相同且相互独立 | 二项分布 |
小样本群体，抽取后不放回 | 超几何分布 |
计算直到第3次成功所需的试验次数 | 负二项分布 |
统计一段时间内发生的事件次数，没有固定上限 | 泊松分布 |
每次试验的成功概率不同 | 泊松二项分布 |
Very many trials 试验次数非常多 | 正态近似 |
当 n × p 和 n × (1 − p) 都约为 10 或更大时，正态近似通常效果较好。有些教材使用 5 作为判断标准，因此请按照课堂要求进行判断。
统计学论文可能比较难理解。AI 研究论文摘要可以帮助你快速掌握论文的主要内容。
常见错误
忽略二项分布必须满足的四个条件。
认为 p 值永远不会改变。
混淆“恰好”和“最多”的含义。
忘记使用二项式系数。
在试验次数不固定的情况下使用二项分布。
下面是第一个错误的例子。如果你从一副数量较少的扑克牌中抽牌，并且抽出后不放回，那么每次抽牌就不是相互独立的。
对于最后一个错误，可以考虑一小时内接到的电话数量。由于没有固定的试验次数 n，因此泊松分布（Poisson Distribution）更适合这种情况。
使用工具检查计算结果
二项分布计算器可以帮助你发现计算中的小错误。可以尝试以下工具：
Excel 或 Google Sheets： 使用 =BINOM.DIST(6, 10, 0.5, FALSE) 计算恰好成功 6 次的概率。如果要计算“最多成功 6 次”的概率，将 FALSE 改为 TRUE。
Python： 使用 binom.pmf(6, 10, 0.5) 计算恰好成功 6 次的概率，使用 binom.cdf(6, 10, 0.5) 计算最多成功 6 次的概率。首先需要通过 from scipy.stats import binom 导入相应的函数。
R： 使用 dbinom(6, 10, 0.5) 和 pbinom(6, 10, 0.5) 进行计算。
想了解研究人员如何使用二项分布吗？你可以查找相关研究论文。
常见问题（FAQ）
什么是二项分布？
二项分布用于统计固定次数的试验中成功出现的次数。每次试验的成功与否都独立于前一次试验的结果。
二项分布和正态分布有什么区别？
二项分布用于计算整数形式的结果，而正态分布则涵盖平滑曲线上的所有数值。当试验次数足够多时，二项分布的形状会逐渐接近钟形曲线。
二项分布和泊松分布有什么区别？
二项分布的试验次数是固定的。泊松分布则用于统计没有预先设定次数上限的事件，例如一小时内收到的电子邮件数量。
如何计算“最多成功 k 次”的概率？
将成功 0 次到成功 k 次的所有概率相加即可。在 Excel 中，可以将累积计算选项设置为 TRUE。
什么是 科言猫？
科言猫是一个可以搜索研究论文并阅读 AI 自动生成的论文摘要的网站。
总结
首先检查二项分布的四个条件。如果你的问题满足这些条件，就可以使用二项分布公式进行计算，然后利用工具再次核对结果。
你可以尝试用实际生活中能够计数的事情进行练习，例如电子邮件点击次数或产品缺陷数量。
当你熟练掌握二项分布后，还可以在 科言猫博客上找到更多相关指南。