高等数学 / 系统课时

二项分布

二项分布

当同一种二结果试验独立重复固定次数,并关心成功出现了多少次时,二项分布可以直接给出成功次数的概率。本课将判断其成立条件,推导概率公式,并完成一个典型计算。

学习目标

  • 判断实际问题是否满足二项分布的四个条件
  • 使用概率公式计算恰好成功 kk 次的概率
  • 通过补事件处理“至少一次”等累计概率问题

先检查四个成立条件

设随机变量 XX 表示 nn 次试验中的成功次数。只有同时满足以下条件,才能写作 X∼Binomial⁡(n,p)X\sim\operatorname{Binomial}(n,p)。

条件 判断问题
次数固定 试验是否预先确定重复 nn 次
结果二分 每次是否只有成功和失败两类结果
相互独立 某次结果是否不改变其他试验的概率
概率相同 每次成功概率是否都等于同一个 pp

任意一项不成立,都不能直接套用二项分布。例如从很小的总体中不放回抽样时,前一次结果会改变后一次成功概率,独立性和等概率条件通常不再满足。

从重复试验到成功次数

每次试验都可以看成一个伯努利变量,取值为 1 或 0。把 nn 个取值相加,就得到成功总数 XX,其可能取值为 0,1,…,n0,1,\ldots,n。

二项分布由重复伯努利试验形成

要恰好成功 kk 次,先从 nn 次试验中选择哪 kk 次成功,共有 (nk)\binom{n}{k} 种排列位置;每一种具体排列的概率都是 pk(1−p)n−kp^k(1-p)^{n-k}。因此:

P(X=k)=(nk)pk(1−p)n−k,k=0,1,…,nP(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,\ldots,n

组合数为:

(nk)=n!k!(n−k)!\binom{n}{k}=\frac{n!}{k!(n-k)!}

主示例:计算成功次数

某营销邮件被点击的概率为 0.30.3,假设 10 位用户是否点击相互独立,且每人的点击概率相同。令 XX 表示点击人数,则:

X∼Binomial⁡(10,0.3)X\sim\operatorname{Binomial}(10,0.3)

恰好有 4 人点击的概率为:

P(X=4)=(104)(0.3)4(0.7)6≈0.2001P(X=4)=\binom{10}{4}(0.3)^4(0.7)^6\approx 0.2001

结果表示,在这些假设成立时,10 人中恰好 4 人点击的概率约为 20.01%20.01\%。

若要求至少 1 人点击,逐项计算 P(X=1)+⋯+P(X=10)P(X=1)+\cdots+P(X=10) 较繁琐。使用补事件更直接:

P(X≥1)=1−P(X=0)=1−(0.7)10≈0.9718P(X\ge 1)=1-P(X=0)=1-(0.7)^{10}\approx 0.9718

因此,至少 1 人点击的概率约为 97.18%97.18\%。

均值、方差与直觉

二项分布的期望和方差分别为:

E(X)=npE(X)=np
Var⁡(X)=np(1−p)\operatorname{Var}(X)=np(1-p)

在示例中,E(X)=10×0.3=3E(X)=10\times0.3=3,表示大量重复开展同样的 10 人试验时,平均点击人数趋近于 3。期望不是说每一组都必然有 3 人点击,而是长期平均水平。

何时不能直接使用

  • 试验次数本身随机,例如“持续拨打电话直到首次接通”。
  • 每次成功概率变化,例如设备随使用次数增加而更容易故障。
  • 结果会互相影响,例如同一家庭成员的购买行为高度关联。
  • 单次结果不止两类,且无法合理合并为成功与失败。

遇到这些情况,应先重新定义随机变量,或选择更符合机制的离散分布模型。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

二项分布

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通