Binomial · 独立重复试验

二项分布:把一个公式拆成 n 次抛掷

教材上那句 "在相同条件下重复做的 n 次试验",落到纸面就是一条公式。这里的三个滑块对应三个参数: n 是次数,p 是每次成功的概率,k 是你关心的成功次数。 拖一拖,你会看到分布怎么中心化、怎么变瘦、怎么偏斜。

P(X = k) 恰好的概率
—
—
P(X ≤ k) 不超过
—
—
E(X) 期望次数
—
= n·p,长期平均会发生几次
σ(X) 波动
—
= √(n·p·(1−p))
01

分布长什么样

每一根柱子是 "恰好成功 k 次" 的概率。青色那根是你选中的 k,虚线是最可能的结果(众数)。 点柱子可以换 k。

你选中的 k 众数 floor((n+1)p) 其余结果
02

教材怎么说的

在相同条件下重复做的 n 次试验称为 n 次独立重复试验。每次试验中事件 A 发生的概率为 p, 用 X 表示 n 次试验中 A 发生的次数,则称 X 服从 二项分布,记作 X ~ B(n, p)。 —— 人教 A 版 选择性必修第三册 §7.4 二项分布与超几何分布
P(X = k) = Cnk1 · pk · (1 − p)n−k , k = 0, 1, 2, …, n
—
拆成三块含义当前 n=10, p=0.50, k=5
C(n, k)哪些轮成功了:从 n 次里挑 k 个位置,共 C(n,k) 种—
pk(1−p)n−k每一种具体排法的概率(乘法原理)—
相乘加法原理:把所有排法加起来—
这三行就是公式的全部内容:选位置 × 算一种排法 × 加起来。教材上写的 Cnk pk(1−p)n−k,一个字都没多。
03

为什么所有概率加起来是 1

把 (p + q)n 展开,每一项的系数正好是 C(n,k),指数正好是 pkqn−k。 这就是 "二项分布" 这个名字的来历——它就是二项式定理的展开式。

C(n,k):从 n 次里挑 k 个位置,共几种排法 你选中的 k
—
04

至少成功一次

考试里最爱问的 "至少一次",正面算要加 n 项;反过来算只要一步: 1 − P(X = 0) = 1 − (1−p)n。

—
当前参数下,n 次全失败的概率是 —,所以至少成功一次是 —。
05

同一件事,写进 Python 只剩四行

1from math import comb# 组合数,标准库自带
2def pmf(n, k, p):# P(X = k)
3 return comb(n, k) * p**k * (1-p)**(n-k)—
4print(pmf(n, k, p))— ← 和上面完全一致
想用科学计算库也一样:scipy.stats.binom.pmf(k, n, p)。 教材的公式、上面的柱子、这四行代码,是同一件事的三种写法。
06

三个小问题

1. 掷 5 次均匀硬币,恰好 2 次正面朝上的概率是多少?
C(5,2) = 10 种排法,每种排法概率 (1/2)5 = 1/32,所以 10/32 = 5/16 ≈ 31.25%。
2. n 固定时,p 从 0.5 增大到 0.9,分布会怎样?
E = np 变大,所以重心右移;σ² = np(1−p) 在 p=0.5 时最大,p 越大越接近 1 就越小,柱子越挤。
3. 一批产品不合格率 0.02,抽 10 件,至少 1 件不合格的概率?
1 − 0.9810 ≈ 1 − 0.8171 = 0.1829。直觉上的 "2% × 10 = 20%" 会高估,因为重复检查有重叠。