M1 学习笔记：二项分布
各位同学好！欢迎来到统计学其中一个最有用的课题笔记：二项分布 (The Binomial Distribution)。即使名称听起来很复杂也不用担心，其实它是一个非常实用、很有逻辑的工具，帮助我们理解日常生活中经常遇到的情况。
你有没有想过，在一份多项选择题测验里面，猜中答案的机会有多大？又或者一个篮球运动员投进若干个罚球的概率是多少？二项分布就是解答这些问题的关键！在这一章，你会学到：
- 什么是“伯努利试验”(Bernoulli trial)（它是最简单的构成要素）。
- 如何辨识符合二项分布的情况。
- 如何运用公式来计算概率。
- 如何快速找到平均值（期望值）和方差。
让我们一起深入了解吧，你就会发现它比想象中简单得多！
1. 基础构成：伯努利试验
在我们学会跑之前，我们必须先学会走。“二项分布”的“走”就是“伯努利试验 (Bernoulli trial)”。它的名称听起来很专业，但其实只是一个很简单的概念。
一个伯努利试验是指一个单次实验，而它只有两种可能的结果。
我们通常会将这两种结果标记为：
- 成功 (Success)：我们有兴趣计数的成果。
- 失败 (Failure)：另一个可能的结果。
重要提示：“成功”不一定是指一件好事！如果你是研究某件产品有缺陷的概率，那么发现一件“有缺陷”的产品，对这个实验来说就是“成功”。它只是一个标记，用来表示你正在计数的那样东西。
伯努利试验的例子：
- 掷一枚硬币一次： 成功 = 掷到正面，失败 = 掷到反面。
- 投一次罚球： 成功 = 投进，失败 = 投失。
- 生产线上的单一产品： 成功 = 产品有缺陷，失败 = 产品无缺陷。
在任何伯努利试验中，我们会用 \(p\) 代表成功的概率，而 \(1-p\) 就代表失败的概率。
重点提示
伯努利试验是一个单次实验，只有两个结果：成功或失败。它是二项分布的基本构成部分。
2. 什么是二项分布？
那么当我们连续进行多次伯努利试验的时候，会发生什么事呢？这个时候，我们就会得到一个二项分布 (Binomial distribution)！
二项分布描述了在固定次数的独立伯努利试验中，获得特定数目成功的概率。
让我们回到掷硬币的例子。
掷一次是一个伯努利试验。
连续掷五次就是一个二项实验。 我们就可以问类似“在这五次掷硬币中，恰好掷到 3 次正面的概率是多少？”这类问题。
符号表示：\(X \sim B(n, p)\)
这是表示一个随机变量符合二项分布的官方写法。它看起来像程序代码，但一拆开就简单易懂了：
- \(X\)：这是我们的离散随机变量，代表我们得到的成功次数。例如，\(X\) 可以是“在 5 次掷硬币中，掷到正面的次数”。
- \(\sim\)：这条小波浪线只是表示“服从…分布”。
- \(B\)：代表 Binomial (二项)。
- \((n, p)\)：这两个是分布的“参数 (parameters)”。
- \(n\) = 总试验次数。
- \(p\) = 任何单次试验成功的概率。
例子：如果我们掷一枚公平的硬币 10 次，以及我们计数掷到正面的次数，那么符号表示就会是 \(X \sim B(10, 0.5)\)。在这里，\(n=10\)，\(p=0.5\)。
3. 如何判断是不是二项分布问题？用 B.I.N.S. 口诀！
你不能将二项分布套用在所有问题上！一个情况必须符合四个特定条件。一个很好的方法去记住它们就是用口诀 B.I.N.S.
B.I.N.S. 清单：
B - Binary (二元)： 每次试验是不是只有两种可能结果 (成功/失败)？
例子：掷骰子掷到“4”(成功) 和 掷不到“4”(失败)。
I - Independent (独立)： 一次试验的结果是不是完全不受之前试验结果的影响？
例子：掷硬币是独立的。那枚硬币不会记得上次的结果。
非例子：从一副牌中不放回地抽取两张牌。第二张牌的概率取决于第一张牌是什么。
N - Number of Trials (试验次数)： 试验次数 \(n\) 是不是事先固定了？
例子：“我们会恰好掷硬币 20 次。”(固定)
非例子：“我们会一直掷硬币，直到掷到 3 次正面为止。”(无固定)
S - Same Probability (相同概率)： 成功的概率 \(p\) 是不是每次试验都相同？
例子：掷一个公平骰子掷到“6”的概率永远是 \(\frac{1}{6}\)，无论你掷多少次。
常见错误要避免
最常见的错误是在没有检查 B.I.N.S. 条件的情况下，就假设那个问题是二项分布。在开始计算之前，记得永远要在脑海中快速检查一次这份清单！
重点提示
如果一个情况符合所有四个 B.I.N.S. 条件，那么它就是一个二项分布问题。如果其中一个条件都不符合，你就不能用二项分布公式。
4. 公式：你的计算工具
好的，我们已经辨识到一个二项分布问题。那么如何找到概率呢？我们会用到二项概率公式 (Binomial Probability Formula)。
如果 \(X \sim B(n, p)\)，那么得到恰好 \(k\) 次成功的概率是：
\(P(X=k) = C_k^n p^k (1-p)^{n-k}\)
不要被它吓到！让我们将它拆开成三个简单部分：
- \(C_k^n\)
这个部分告诉我们在“\(n\)”次试验中，有“\(k\)”次成功的排列方式有多少种。你在核心数学 (Core Maths) 都见过它了！它就是组合公式，你可以在你的计算器上找到它的 nCr 功能键。（例如，\(C_2^5\) 意思是“在 5 件物品中，有多少种方法可以选出 2 件？”） - \(p^k\)
这是得到“\(k\)”次成功的概率。如果一次成功的概率是“\(p\)”，那么“\(k\)”次成功的概率就是 \(p\) 乘自己 \(k\) 次。 - \((1-p)^{n-k}\)
这是其余“\(n-k\)”次试验为失败的概率。如果成功的概率是“\(p\)”，那么失败的概率就是“\(1-p\)”。我们需要“\(n-k\)”次失败。
逐步示范例子
问题：一个篮球运动员投进任何一个罚球的机会是 70%。如果她投 5 球，她恰好投进 4 球的概率是多少？
步骤 1：识别 \(n\)、\(p\) 和 \(k\)。
- 这个情况是二项分布（检查 B.I.N.S.！）。
- 试验次数，\(n = 5\)。
- 成功概率（投进），\(p = 0.7\)。
- 我们想要的成功次数，\(k = 4\)。
所以，我们想找 \(P(X=4)\)。
步骤 2：代入公式。
\(P(X=4) = C_4^5 (0.7)^4 (1-0.7)^{5-4}\)
步骤 3：计算每个部分。
- \(C_4^5 = 5\) （用你的计算器的 nCr 功能）
- \((0.7)^4 = 0.2401\)
- \((1-0.7)^{5-4} = (0.3)^1 = 0.3\)
步骤 4：将它们相乘。
\(P(X=4) = 5 \times 0.2401 \times 0.3 = 0.36015\)
所以，她恰好投进 5 球中的 4 球，大约有 36% 的机会。
5. “恰好”以外：“最少”和“最多”
试题通常会要求你计算多于一个特定数字的概率。它们可能会问“最少 2 次成功”或者“最多 3 次成功”的概率。
“最多 \(k\) 次”成功：\(P(X \le k)\)
这个意思是指 \(k\) 次成功、或者 \(k-1\) 次、或者 \(k-2\) 次、...，一直到 0 次。你需要计算每个概率再将它们加起来。
\(P(X \le k) = P(X=0) + P(X=1) + \dots + P(X=k)\)
“最少 \(k\) 次”成功：\(P(X \ge k)\)
这个意思是指 \(k\) 次成功、或者 \(k+1\) 次、...，一直到 \(n\) 次。你可以将它们全部加起来，但有一个更快的方法：互补事件法则 (complement rule)。
所有结果的总概率是 1。所以，“最少 \(k\) 次”的概率等于 1 减去“少于 \(k\) 次”的概率。
\(P(X \ge k) = 1 - P(X < k)\)
\(P(X \ge k) = 1 - [P(X=0) + P(X=1) + \dots + P(X=k-1)]\)
例子：篮球运动员投进最少 4 球（总共 5 球）的概率是多少？
“最少 4 球”意思是指 \(P(X=4)\) 或者 \(P(X=5)\)。
\(P(X \ge 4) = P(X=4) + P(X=5)\)
我们之前已经找到 \(P(X=4) = 0.36015\)。
现在我们找 \(P(X=5)\)：
\(P(X=5) = C_5^5 (0.7)^5 (0.3)^0 = 1 \times 0.16807 \times 1 = 0.16807\)
所以，\(P(X \ge 4) = 0.36015 + 0.16807 = \mathbf{0.52822}\)。
6. 速学：期望值与方差
有时，我们不需要计算特定的概率。我们只是想知道平均结果，或者结果可能的分散程度。幸运的是，二项分布的期望值和方差公式都非常简单！
平均值或期望值，\(E(X)\)
这是如果你重复进行实验很多很多次，预期会得到的平均成功次数。
\(E(X) = np\)
方差，\(\text{Var}(X)\)
这个衡量了分布的“分散程度”。方差越大，代表结果越难预测。
\(\text{Var}(X) = np(1-p)\)
（课程备注：这些公式的证明不是考试要求。你只需要知道它们和如何运用它们！）
例子：
如果你掷一枚公平的硬币 100 次（\(n=100\)，\(p=0.5\)），预期掷到正面的次数和方差是多少？
平均值：
\(E(X) = np = 100 \times 0.5 = 50\)
这个结果完全合理！你预期会掷到 50 次正面。
方差：
\(\text{Var}(X) = np(1-p) = 100 \times 0.5 \times (1-0.5) = 100 \times 0.5 \times 0.5 = 25\)
你知道吗？
当 \(p = 0.5\) 的时候，二项分布的方差是最高的。这个意思是指当成功和失败的机会均等时（好似掷硬币一样），一个实验的结果最难预测！
章节总结：快速回顾
以下是你对二项分布需要记住的绝对重点。
- 伯努利试验： 单次实验，只有两个结果（成功/失败）。
- 二项条件 (B.I.N.S.)：
- Binary outcomes (二元结果)
- Independent trials (独立试验)
- Number of trials is fixed (试验次数固定)
- Same probability of success (成功概率相同)
- 符号表示：
\(X \sim B(n, p)\) - 概率公式：
\(P(X=k) = C_k^n p^k (1-p)^{n-k}\) - 平均值（期望值）：
\(E(X) = np\) - 方差：
\(\text{Var}(X) = np(1-p)\)
就是这么多！透过理解这些核心概念，你就掌握了一个强大的工具，可以解决各种各样的概率问题。勤奋练习使用 B.I.N.S. 清单以及公式，你很快就会精通这个课题了。祝你学习顺利！