歡迎來到二項分佈的世界！
你好！今天，我們要深入探討統計學中最實用的工具之一：二項分佈（Binomial Distribution）。你有沒有想過，拋 5 次硬幣正好出現 3 次「正面」的機率是多少？或者工廠生產的一批產品中，有多少可能會是次品？二項分佈正是用來計算這些問題的！
看完這份筆記，你將能夠識別何時使用此模型，並學會計算其關鍵特性。如果現在覺得機率聽起來有點「隨機」，別擔心，我們將會一步步為你拆解。
1. 先修知識：什麼是離散隨機變量？
在研究二項分佈之前，我們需要先了解它的「母類別」：離散隨機變量（Discrete Random Variable）。
隨機變量（Random Variable）（通常用大寫字母如 \(X\) 表示）代表實驗的數值結果。如果它只能取特定的、可數的數值（例如 0, 1, 2, 3...），它就是離散的。
例子： 一個班級中擁有筆記型電腦的學生人數就是一個離散隨機變量。你可以有 20 個或 21 個學生，但你不可能有 20.5 個學生！
2. 二項分佈：\(B(n, p)\)
二項分佈是一種特定的離散機率分佈。我們記作 \(X \sim B(n, p)\)。這個標記法只是簡寫，意思是：「變量 \(X\) 服從一個二項分佈，其中 \(n\) 為試驗次數，\(p\) 為成功的機率。」
我們何時可以使用二項分佈模型？（B.I.N.S. 記憶法）
這是最重要的一部分！要使用二項分佈模型，必須滿足四個條件。你可以透過 B.I.N.S. 這個單字來記住它們：
1. B - Binary（二元性）： 每次試驗只有兩個可能的結果：「成功」或「失敗」。
2. I - Independent（獨立性）： 一次試驗的結果不會影響另一次的結果。
3. N - Number of trials（試驗次數固定）： 試驗的次數是固定的 (\(n\))。
4. S - Same probability（成功機率相同）： 每次試驗成功的機率 (\(p\)) 都是一樣的。
你知道嗎？ 即使結果多於兩種（例如擲骰子），你通常也可以將其轉化為二項分佈的情況。例如，如果你只關心擲出「6」，那麼「成功」就是擲出 6，「失敗」就是擲出其他任何數（1, 2, 3, 4 或 5）。
關鍵提示： 在開始計算之前，務必檢查該情況是否符合 B.I.N.S. 標準！
3. 計算二項機率
如果 \(X \sim B(n, p)\)，獲得正好 \(r\) 次成功的機率公式為：
\(P(X = r) = \binom{n}{r} p^r (1-p)^{n-r}\)
拆解公式：
• \(\binom{n}{r}\)：這是組合（combination）（在計算機上通常稱為 "\(nCr\)"）。它告訴我們在 \(n\) 次試驗中排列 \(r\) 次成功的方法數量。
• \(p^r\)：這是成功機率的 \(r\) 次方，代表我們想要的成功次數。
• \((1-p)^{n-r}\)：這是失敗機率 (\(1-p\)) 的 \(n-r\) 次方，代表失敗的次數。
例子： 如果你拋一枚均勻的硬幣 5 次 (\(n=5, p=0.5\))，正好出現 3 次正面的機率是多少 (\(r=3\))？
\(P(X = 3) = \binom{5}{3} (0.5)^3 (0.5)^{5-3} = 10 \times 0.125 \times 0.25 = 0.3125\)
避免常見錯誤： 確保你的 \(p\) 和你的 \(r\) 是對應的！如果你要尋找 3 個「次品」的機率，那麼 \(p\) 必須是項目為「次品」的機率。
4. 二項分佈的平均值與變異數
有時候，我們想知道的不是某個特定結果的機率，而是我們應該預期的「平均」結果。
平均值（期望值）
平均值（Mean），記作 \(E(X)\) 或 \(\mu\)，是如果你重複多次該實驗，預期會獲得的平均成功次數。
\(E(X) = np\)
類比： 如果一名籃球運動員的罰球命中率是 80% (\(p = 0.8\))，並且進行 10 次投籃 (\(n = 10\))，你預期他平均會命中 \(10 \times 0.8 = 8\) 球。
變異數
變異數（Variance），記作 \(Var(X)\) 或 \(\sigma^2\)，衡量結果偏離平均值的散布程度。
\(Var(X) = np(1-p)\)
注意： 要找到標準差（Standard Deviation） (\(\sigma\))，只需對變異數取平方根即可：\(\sigma = \sqrt{np(1-p)}\)。
速查小框：
• 平均值： \(np\)
• 變異數： \(np(1-p)\)
• 小貼士： 由於 \(p\) 是一個機率（介於 0 到 1 之間），二項分佈的變異數總是小於平均值！
5. 使用繪圖計算機（GC）
在 H1 數學考試中，你會經常使用繪圖計算機來快速求得這些機率。通常有兩個功能：
1. binompdf(n, p, r)： 用於「機率質量函數（Probability Density Function）」。當你想求 \(P(X = r)\)（正好是某個次數）時使用。
2. binomcdf(n, p, r)： 用於「累積分配函數（Cumulative Distribution Function）」。當你想求 \(P(X \leq r)\)（「至多」或「不大於」某個數）時使用。
鼓勵一下： 如果你忘記哪個是哪個，別擔心！只要記住：P 代表 Precise（精確的，即 \(X=r\)），而 C 代表 Cumulative（累積的，即 \(X \leq r\)）。
6. 總結與最後建議
• 檢查 B.I.N.S.： 在計算之前，務必說明為什麼適合使用二項分佈模型。
• 總機率： 記住一個分佈中所有機率之和必須等於 1。如果你需要求 \(P(X \geq 1)\)，這招很有用，可以直接用 \(1 - P(X = 0)\) 來計算。
• 小心閱讀題目： 區分「大於 3」(\(X > 3\))、「至少 3」(\(X \geq 3\)) 和「小於 3」(\(X < 3\))。由於該變量是離散的，\(P(X > 3)\) 等同於 \(P(X \geq 4)\)！
關鍵總結： 二項分佈的核心在於固定的試驗次數、兩個結果以及一致性。掌握 B.I.N.S. 條件和平均值/變異數公式，你就能為統計學考試打下堅實的基礎！