欢迎来到二项分布的世界！
你好！今天，我们要深入探讨统计学中最实用的工具之一：二项分布（Binomial Distribution）。你有没有想过，抛 5 次硬币正好出现 3 次“正面”的概率是多少？或者工厂生产的一批产品中，有多少可能会是次品？二项分布正是用来计算这些问题的！
看完这份笔记，你将能够识别何时使用此模型，并学会计算其关键特性。如果现在觉得概率听起来有点“随机”，别担心，我们将一步步为你拆解。
1. 先修知识：什么是离散随机变量？
在研究二项分布之前，我们需要先了解它的“母类别”：离散随机变量（Discrete Random Variable）。
随机变量（Random Variable）（通常用大写字母如 \(X\) 表示）代表实验的数值结果。如果它只能取特定的、可数的数值（例如 0, 1, 2, 3...），它就是离散的。
例子： 一个班级中拥有笔记本电脑的学生人数就是一个离散随机变量。你可以有 20 个或 21 个学生，但你不可能有 20.5 个学生！
2. 二项分布：\(B(n, p)\)
二项分布是一种特定的离散概率分布。我们记作 \(X \sim B(n, p)\)。这个标记法只是简写，意思是：“变量 \(X\) 服从一个二项分布，其中 \(n\) 为试验次数，\(p\) 为成功的概率。”
我们何时可以使用二项分布模型？（B.I.N.S. 记忆法）
这是最重要的一部分！要使用二项分布模型，必须满足四个条件。你可以透过 B.I.N.S. 这个单词来记住它们：
1. B - Binary（二元性）： 每次试验只有两个可能的结果：“成功”或“失败”。
2. I - Independent（独立性）： 一次试验的结果不会影响另一次的结果。
3. N - Number of trials（试验次数固定）： 试验的次数是固定的 (\(n\))。
4. S - Same probability（成功概率相同）： 每次试验成功的概率 (\(p\)) 都是一样的。
你知道吗？ 即使结果多于两种（例如掷骰子），你通常也可以将其转化为二项分布的情况。例如，如果你只关心掷出“6”，那么“成功”就是掷出 6，“失败”就是掷出其他任何数（1, 2, 3, 4 或 5）。
关键提示： 在开始计算之前，务必检查该情况是否符合 B.I.N.S. 标准！
3. 计算二项概率
如果 \(X \sim B(n, p)\)，获得正好 \(r\) 次成功的概率公式为：
\(P(X = r) = \binom{n}{r} p^r (1-p)^{n-r}\)
拆解公式：
• \(\binom{n}{r}\)：这是组合（combination）（在计算器上通常称为 "\(nCr\)"）。它告诉我们在 \(n\) 次试验中排列 \(r\) 次成功的方法数量。
• \(p^r\)：这是成功概率的 \(r\) 次方，代表我们想要的成功次数。
• \((1-p)^{n-r}\)：这是失败概率 (\(1-p\)) 的 \(n-r\) 次方，代表失败的次数。
例子： 如果你抛一枚均匀的硬币 5 次 (\(n=5, p=0.5\))，正好出现 3 次正面的概率是多少 (\(r=3\))？
\(P(X = 3) = \binom{5}{3} (0.5)^3 (0.5)^{5-3} = 10 \times 0.125 \times 0.25 = 0.3125\)
避免常见错误： 确保你的 \(p\) 和你的 \(r\) 是对应的！如果你要寻找 3 个“次品”的概率，那么 \(p\) 必须是项目为“次品”的概率。
4. 二项分布的平均值与方差
有时候，我们想知道的不是某个特定结果的概率，而是我们应该预期的“平均”结果。
平均值（期望值）
平均值（Mean），记作 \(E(X)\) 或 \(\mu\)，是如果你重复多次该实验，预期会获得的平均成功次数。
\(E(X) = np\)
类比： 如果一名篮球运动员的罚球命中率是 80% (\(p = 0.8\))，并且进行 10 次投篮 (\(n = 10\))，你预期他平均会命中 \(10 \times 0.8 = 8\) 球。
方差
方差（Variance），记作 \(Var(X)\) 或 \(\sigma^2\)，衡量结果偏离平均值的散布程度。
\(Var(X) = np(1-p)\)
注意： 要找到标准差（Standard Deviation） (\(\sigma\))，只需对方差取平方根即可：\(\sigma = \sqrt{np(1-p)}\)。
速查小框：
• 平均值： \(np\)
• 方差： \(np(1-p)\)
• 小贴士： 由于 \(p\) 是一个概率（介于 0 到 1 之间），二项分布的方差总是小于平均值！
5. 使用图形计算器（GC）
在 H1 数学考试中，你会经常使用图形计算器来快速求得这些概率。通常有两个功能：
1. binompdf(n, p, r)： 用于“概率质量函数（Probability Density Function）”。当你 the 想求 \(P(X = r)\)（正好是某个次数）时使用。
2. binomcdf(n, p, r)： 用于“累积分布函数（Cumulative Distribution Function）”。当你想要求 \(P(X \leq r)\)（“至多”或“不大于”某个数）时使用。
鼓励一下： 如果你忘记哪个是哪个，别担心！只要记住：P 代表 Precise（精确的，即 \(X=r\)），而 C 代表 Cumulative（累积的，即 \(X \leq r\)）。
6. 总结与最后建议
• 检查 B.I.N.S.： 在计算之前，务必说明为什么适合使用二项分布模型。
• 总概率： 记住一个分布中所有概率之和必须等于 1。如果你需要求 \(P(X \geq 1)\)，这招很有用，可以直接用 \(1 - P(X = 0)\) 来计算。
• 小心阅读题目： 区分“大于 3”(\(X > 3\))、“至少 3”(\(X \geq 3\)) 和“小于 3”(\(X < 3\))。由于该变量是离散的，\(P(X > 3)\) 等同于 \(P(X \geq 4)\)！
关键总结： 二项分布的核心在于固定的试验次数、两个结果以及一致性。掌握 B.I.N.S. 条件和平均值/方差公式，你就能为统计学考试打下坚实的基础！