M1 學習筆記：二項分佈
各位同學好！歡迎來到統計學其中一個最有用的課題筆記：二項分佈 (The Binomial Distribution)。即使名稱聽起來很複雜也不用擔心，其實它是一個非常實用、很有邏輯的工具，幫助我們理解日常生活中經常遇到的情況。
你有沒有想過，在一份多項選擇題測驗裡面，猜中答案的機會有多大？又或者一個籃球員射入若干個罰球的機率是多少？二項分佈就是解答這些問題的關鍵！在這一章，你會學到：
- 什麼是「伯努利試驗」(Bernoulli trial)（它是最簡單的構成要素）。
- 如何辨識符合二項分佈的情況。
- 如何運用公式來計算機率。
- 如何快速找到平均值（期望值）和方差。
讓我們一起深入了解吧，你就會發現它比想像中簡單得多！
1. 基礎構成：伯努利試驗
在我們學會跑之前，我們必須先學會走。「二項分佈」的「走」就是「伯努利試驗 (Bernoulli trial)」。它的名稱聽起來很專業，但其實只是一個很簡單的概念。
一個伯努利試驗是指一個單次實驗，而它只有兩種可能的結果。
我們通常會將這兩種結果標籤為：
- 成功 (Success)：我們有興趣計數的結果。
- 失敗 (Failure)：另一個可能的結果。
重要提示：「成功」不一定是指一件好事！如果你是研究某件產品有缺陷的機率，那麼發現一件「有缺陷」的產品，對這個實驗來說就是「成功」。它只是一個標籤，用來表示你正在計數的那樣東西。
伯努利試驗的例子：
- 擲一枚硬幣一次： 成功 = 擲到正面，失敗 = 擲到反面。
- 射一次罰球： 成功 = 射入，失敗 = 射失。
- 生產線上的單一產品： 成功 = 產品有缺陷，失敗 = 產品無缺陷。
在任何伯努利試驗中，我們會用 \(p\) 代表成功的機率，而 \(1-p\) 就代表失敗的機率。
重點提示
伯努利試驗是一個單次實驗，只有兩個結果：成功或失敗。它是二項分佈的基本構成部分。
2. 什麼是二項分佈？
那麼當我們連續進行多次伯努利試驗的時候，會發生什麼事呢？這個時候，我們就會得到一個二項分佈 (Binomial distribution)！
二項分佈描述了在固定次數的獨立伯努利試驗中，獲得特定數目成功的機率。
讓我們回到擲硬幣的例子。
擲一次是一個伯努利試驗。
連續擲五次就是一個二項實驗。 我們就可以問類似「在這五次擲硬幣中，恰好擲到 3 次正面的機率是多少？」這類問題。
符號表示：\(X \sim B(n, p)\)
這是表示一個隨機變數符合二項分佈的官方寫法。它看起來像程式碼，但一拆開就簡單易懂了：
- \(X\)：這是我們的離散隨機變數，代表我們得到的成功次數。例如，\(X\) 可以是「在 5 次擲硬幣中，擲到正面的次數」。
- \(\sim\)：這條小波浪線只是表示「服從…分佈」。
- \(B\)：代表 Binomial (二項)。
- \((n, p)\)：這兩個是分佈的「參數 (parameters)」。
- \(n\) = 總試驗次數。
- \(p\) = 任何單次試驗成功的機率。
例子：如果我們擲一枚公平的硬幣 10 次，以及我們計數擲到正面的次數，那麼符號表示就會是 \(X \sim B(10, 0.5)\)。在這裡，\(n=10\)，\(p=0.5\)。
3. 如何判斷是不是二項分佈問題？用 B.I.N.S. 口訣！
你不能將二項分佈套用在所有問題上！一個情況必須符合四個特定條件。一個很好的方法去記住它們就是用口訣 B.I.N.S.
B.I.N.S. 清單：
B - Binary (二元)： 每次試驗是不是只有兩種可能結果 (成功/失敗)？
例子：擲骰擲到「4」(成功) 和 擲不到「4」(失敗)。
I - Independent (獨立)： 一次試驗的結果是不是完全不受之前試驗結果的影響？
例子：擲硬幣是獨立的。那枚硬幣不會記得上次的結果。
非例子：從一副牌中不放回地抽取兩張牌。第二張牌的機率取決於第一張牌是什麼。
N - Number of Trials (試驗次數)： 試驗次數 \(n\) 是不是事先固定了？
例子：「我們會恰好擲硬幣 20 次。」(固定)
非例子：「我們會一直擲硬幣，直到擲到 3 次正面為止。」(無固定)
S - Same Probability (相同機率)： 成功的機率 \(p\) 是不是每次試驗都相同？
例子：擲一個公平骰擲到「6」的機率永遠是 \(\frac{1}{6}\)，無論你擲多少次。
常見錯誤要避免
最常見的錯誤是在沒有檢查 B.I.N.S. 條件的情況下，就假設那個問題是二項分佈。在開始計算之前，記得永遠要在腦海中快速檢查一次這份清單！
重點提示
如果一個情況符合所有四個 B.I.N.S. 條件，那麼它就是一個二項分佈問題。如果其中一個條件都不符合，你就不能用二項分佈公式。
4. 公式：你的計算工具
好的，我們已經辨識到一個二項分佈問題。那麼如何找到機率呢？我們會用到二項機率公式 (Binomial Probability Formula)。
如果 \(X \sim B(n, p)\)，那麼得到恰好 \(k\) 次成功的機率是：
\(P(X=k) = C_k^n p^k (1-p)^{n-k}\)
不要被它嚇到！讓我們將它拆開成三個簡單部分：
- \(C_k^n\)
這個部分告訴我們在「\(n\)」次試驗中，有「\(k\)」次成功的排列方式有多少種。你在核心數學 (Core Maths) 都見過它了！它就是組合公式，你可以在你的計算機上找到它的 nCr 功能鍵。（例如，\(C_2^5\) 意思是「在 5 件物品中，有多少種方法可以選出 2 件？」） - \(p^k\)
這是得到「\(k\)」次成功的機率。如果一次成功的機率是「\(p\)」，那麼「\(k\)」次成功的機率就是 \(p\) 乘自己 \(k\) 次。 - \((1-p)^{n-k}\)
這是其餘「\(n-k\)」次試驗為失敗的機率。如果成功的機率是「\(p\)」，那麼失敗的機率就是「\(1-p\)」。我們需要「\(n-k\)」次失敗。
逐步示範例子
問題：一個籃球員射入任何一個罰球的機會是 70%。如果她射 5 球，她恰好射入 4 球的機率是多少？
步驟 1：識別 \(n\)、\(p\) 和 \(k\)。
- 這個情況是二項分佈（檢查 B.I.N.S.！）。
- 試驗次數，\(n = 5\)。
- 成功機率（射入），\(p = 0.7\)。
- 我們想要的成功次數，\(k = 4\)。
所以，我們想找 \(P(X=4)\)。
步驟 2：代入公式。
\(P(X=4) = C_4^5 (0.7)^4 (1-0.7)^{5-4}\)
步驟 3：計算每個部分。
- \(C_4^5 = 5\) （用你的計算機的 nCr 功能）
- \((0.7)^4 = 0.2401\)
- \((1-0.7)^{5-4} = (0.3)^1 = 0.3\)
步驟 4：將它們相乘。
\(P(X=4) = 5 \times 0.2401 \times 0.3 = 0.36015\)
所以，她恰好射入 5 球中的 4 球，大約有 36% 的機會。
5. 「恰好」以外：「最少」和「最多」
試題通常會要求你計算多於一個特定數字的機率。它們可能會問「最少 2 次成功」或者「最多 3 次成功」的機率。
「最多 \(k\) 次」成功：\(P(X \le k)\)
這個意思是指 \(k\) 次成功、或者 \(k-1\) 次、或者 \(k-2\) 次、...，一直到 0 次。你需要計算每個機率再將它們加起來。
\(P(X \le k) = P(X=0) + P(X=1) + \dots + P(X=k)\)
「最少 \(k\) 次」成功：\(P(X \ge k)\)
這個意思是指 \(k\) 次成功、或者 \(k+1\) 次、...，一直到 \(n\) 次。你可以將它們全部加起來，但有一個更快的方法：互補事件法則 (complement rule)。
所有結果的總機率是 1。所以，「最少 \(k\) 次」的機率等於 1 減去「少於 \(k\) 次」的機率。
\(P(X \ge k) = 1 - P(X < k)\)
\(P(X \ge k) = 1 - [P(X=0) + P(X=1) + \dots + P(X=k-1)]\)
例子：籃球員射入最少 4 球（總共 5 球）的機率是多少？
「最少 4 球」意思是指 \(P(X=4)\) 或者 \(P(X=5)\)。
\(P(X \ge 4) = P(X=4) + P(X=5)\)
我們之前已經找到 \(P(X=4) = 0.36015\)。
現在我們找 \(P(X=5)\)：
\(P(X=5) = C_5^5 (0.7)^5 (0.3)^0 = 1 \times 0.16807 \times 1 = 0.16807\)
所以，\(P(X \ge 4) = 0.36015 + 0.16807 = \mathbf{0.52822}\)。
6. 速學：期望值與方差
有時，我們不需要計算特定的機率。我們只是想知道平均結果，或者結果可能的分散程度。幸運的是，二項分佈的期望值和方差公式都非常簡單！
平均值或期望值，\(E(X)\)
這是如果你重複進行實驗很多很多次，預期會得到的平均成功次數。
\(E(X) = np\)
方差，\(\text{Var}(X)\)
這個衡量了分佈的「分散程度」。方差越大，代表結果越難預測。
\(\text{Var}(X) = np(1-p)\)
（課程備註：這些公式的證明不是考試要求。你只需要知道它們和如何運用它們！）
例子：
如果你擲一枚公平的硬幣 100 次（\(n=100\)，\(p=0.5\)），預期擲到正面的次數和方差是多少？
平均值：
\(E(X) = np = 100 \times 0.5 = 50\)
這個結果完全合理！你預期會擲到 50 次正面。
方差：
\(\text{Var}(X) = np(1-p) = 100 \times 0.5 \times (1-0.5) = 100 \times 0.5 \times 0.5 = 25\)
你知道嗎？
當 \(p = 0.5\) 的時候，二項分佈的方差是最高的。這個意思是指當成功和失敗的機會均等時（好似擲硬幣一樣），一個實驗的結果最難預測！
章節總結：快速回顧
以下是你對二項分佈需要記住的絕對重點。
- 伯努利試驗： 單次實驗，只有兩個結果（成功/失敗）。
- 二項條件 (B.I.N.S.)：
- Binary outcomes (二元結果)
- Independent trials (獨立試驗)
- Number of trials is fixed (試驗次數固定)
- Same probability of success (成功機率相同)
- 符號表示：
\(X \sim B(n, p)\) - 機率公式：
\(P(X=k) = C_k^n p^k (1-p)^{n-k}\) - 平均值（期望值）：
\(E(X) = np\) - 方差：
\(\text{Var}(X) = np(1-p)\)
就是這麼多！透過理解這些核心概念，你就掌握了一個強大的工具，可以解決各種各樣的機率問題。勤奮練習使用 B.I.N.S. 清單以及公式，你很快就會精通這個課題了。祝你學習順利！
