Situations leading to a binomial distribution

歡迎來到二項分佈！

在本章中，我們將探索統計學中最有用的「模型」之一。你可以把機率分佈想像成一個模板。如果一個現實生活中的情況符合這個模板，我們就可以運用特定的數學規則來預測可能發生的結果。二項分佈是模擬「是/否」或「成功/失敗」情境最著名的方法。

無論你是要預測籃球運動員能投進多少個罰球，還是檢查工廠裡有多少個燈泡是壞的，二項分佈都是你的得力工具。如果剛開始覺得這些概念有點抽象，別擔心——一旦你看出了當中的規律，就會變得簡單多了！

1. 我們何時可以使用二項分佈？

要使用這個模型，情況必須符合四個特定標準。只要缺少其中任何一項，二項分佈的模板就無法使用！要記住這些標準，一個很好的助記法是 BINS。

BINS 標準

• B – 二元性 (Binary)： 每次試驗必須剛好有兩種可能的結果。我們通常稱之為成功和失敗。
  例子：投擲硬幣出現正面（成功）或反面（失敗）。
• I – 獨立性 (Independent)： 一次試驗的結果不得影響另一次試驗的結果。
  例子：如果你擲骰子得到 6 點，這不會改變你下一次擲出 6 點的機率。
• N – 試驗次數 (Number of trials)： 必須有固定的試驗次數（我們稱之為 \(n\)）。你不能一直試驗直到得到想要的結果為止；你必須事先決定好嘗試的次數。
• S – 成功機率 (Success probability)： 成功的機率（我們稱之為 \(p\)）必須在每次試驗中都相同。

快速檢查盒：
要使用二項分佈模型，請問自己：是否有 2 種結果？它們是否獨立？試驗次數是否固定？機率是否恆定？如果全部答案都是「是」，那麼你就有了一個二項分佈！

2. 關鍵符號與術語

在 A Level 數學中，我們使用特定的「速記法」來描述這些情況。如果一個隨機變數 \(X\) 服從二項分佈，我們會這樣寫：

\[X \sim B(n, p)\]

這些字母代表什麼意思？

• \(X\)： 這是隨機變數 (Random Variable)。在本章中，\(X\) 代表「成功的次數」。
• \(\sim\)： 這個符號的意思是「服從……的分佈」。
• \(n\)： 試驗次數。
• \(p\)： 成功的機率。
• \(q\)： 失敗的機率。由於總機率必須為 1，我們計算為 \(q = 1 - p\)。

例子：如果你投擲一枚公正硬幣 10 次，想知道得到多少個正面，你的模型就是 \(X \sim B(10, 0.5)\)。這裡 \(n=10\)，\(p=0.5\)。

「你知道嗎？」

「成功」這個詞並不總是意味著好的事情！在統計學中，「成功」僅僅是你所尋找的事件。如果你正在研究有多少人感冒，那麼「感冒」在你的模型中就是「成功」。

3. 現實世界的例子 vs. 常見陷阱

讓我們看看兩個情境，看看它們是否符合二項分佈模型。

情境 A：品質控制檢查

一家工廠生產數以千計的螺栓，其中 5% 是次品。你隨機抽取 20 個螺栓，並計算有多少個是次品。這符合嗎？

• 二元性？ 是（次品或非次品）。
• 獨立性？ 是（一個螺栓是次品並不會讓下一個變成次品）。
• 試驗次數固定？ 是 (\(n = 20\))。
• 機率相同？ 是 (\(p = 0.05\))。

結果： 這是 \(X \sim B(20, 0.05)\)。它適用！

情境 B：一副撲克牌

你從一副牌中不放回地抽取 5 張牌，計算你得到了多少張「A」。這符合嗎？

• 二元性？ 是（是 A 或不是 A）。
• 獨立性？ 不是。 因為你不把牌放回去，機率就會改變。如果第一張牌是 A，那麼下一次抽牌時剩下的 A 就會變少。

結果： 這不是二項分佈，因為機率 (\(p\)) 並非恆定。

常見錯誤：
考試中最常見的陷阱是「不放回抽樣」。如果物品被拿出來而不放回去，試驗就不是獨立的，且機率會改變。這通不過 BINS 測試！

4. 期望頻率（平均值）

如果你知道試驗次數 (\(n\)) 和成功機率 (\(p\))，你可以輕鬆計算出平均預期會獲得多少次成功。這被稱為平均值 (Mean) 或期望值 (Expected Value)。

公式非常簡單：

\[\text{平均值 } E(X) = np\]

類比：如果你進行 20 次罰球投籃 (\(n=20\))，且你的成功率是 80% (\(p=0.8\))，你預期會投進 \(20 \times 0.8 = 16\) 球。這很合理，對吧？

重點總結： 「期望頻率」只是一種比較高級的說法，意思是「我們認為成功事件平均會發生的次數」。

5. 計算機率

雖然你通常會使用計算機的 Binomial CD 或 Binomial PD 功能，但理解求出恰好 \(r\) 次成功的機率背後的邏輯是很重要的：

\[P(X = r) = \binom{n}{r} \times p^r \times q^{n-r}\]

等等，那個 \(\binom{n}{r}\) 是什麼？

別被它嚇到了！那是二項係數 (Binomial Coefficient)（在你的計算機上通常稱為 "\(nCr\)"）。它告訴我們排列成功與失敗的方法數。

公式分步解析：
1. \(\binom{n}{r}\)： 我有多少種方法可以選出哪些試驗是成功的？
2. \(p^r\)： 得到恰好 \(r\) 次成功的機率。
3. \(q^{n-r}\)： 剩下幾次試驗為失敗的機率。

例子：如果你投擲硬幣 3 次，恰好出現 2 次正面的機率是多少？
這裡 \(n=3, p=0.5, q=0.5, r=2\)。
\(P(X=2) = \binom{3}{2} \times 0.5^2 \times 0.5^1 = 3 \times 0.25 \times 0.5 = 0.375\)。

章節總結

• 二項分佈模擬了在固定次數的獨立試驗中成功的次數。
• 一定要檢查 BINS 標準：Binary（二元）、Independent（獨立）、Number of trials fixed（試驗次數固定）、Same probability（機率相同）。
• 符號標記為 \(X \sim B(n, p)\)。
• 平均值（期望成功次數）為 \(np\)。
• 注意相關性——如果機率會改變（例如不放回抽牌），它就不是二項分佈！

如果公式起初看起來有點嚇人，別擔心。這一節大部分的工作都在於識別 "n" 和 "p" 的值，然後交給你的計算機來完成繁重的計算！