{
  "id": "binomial-distribution",
  "title": "二项分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "二项分布描述固定次数的独立试验中成功的次数，其中每次试验的成功概率相同。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "二项概率分布"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/binomial-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/binomial-distribution/",
      "json": "https://aiwiki.page/en/binomial-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "二项分布是一种离散概率分布，描述固定次数的独立试验中成功的次数；每次试验都有两种可能的结果，且成功的概率相同。它是统计学中用于二元观测和计数的基本模型。服从这一分布的随机变量通常记作 \\(X\\sim\\operatorname{Bin}(n,p)\\)，其中 \\(n\\) 为试验次数，\\(p\\) 为成功概率。“成功”只是对所计数结果的称呼，并不一定表示结果是理想的。(csrc.nist.gov)"
    },
    {
      "heading": "定义与假设",
      "text": "二项试验有四个基本条件：\n\n- 试验次数 \\(n\\) 固定。\n- 每次试验的结果分为成功或失败。\n- 各次试验满足统计独立性。\n- 各次试验的成功概率 \\(p\\) 相同。\n\n这些条件针对的是概率模型，而不只是观测结果的表面形式。如果各次结果相互影响，或其概率发生变化，那么一串二元结果并不必然服从二项分布。(online.stat.psu.edu)\n\n每次试验都可以用指示变量 \\(Y_i\\) 表示，成功时取 1，失败时取 0。每个 \\(Y_i\\) 都服从参数为 \\(p\\) 的伯努利分布，且\n\n\\[X=\\sum_{i=1}^{n}Y_i.\\]\n\n因此，二项随机变量是相互独立、同分布的伯努利随机变量之和。其可能取值为整数 \\(0,1,\\ldots,n\\)。当 \\(n=1\\) 时，二项分布就化为伯努利分布。(online.stat.psu.edu)"
    },
    {
      "heading": "概率公式",
      "text": "当 \\(0<p<1\\) 时，概率质量函数为\n\n\\[P(X=k)=\\binom{n}{k}p^k(1-p)^{n-k}, \\qquad k=0,\\ldots,n,\\]\n\n其中\n\n\\[\\binom{n}{k}=\\frac{n!}{k!(n-k)!}.\\]\n\n二项式系数表示从各次试验中选出 \\(k\\) 次成功试验的方式数。由独立性可知，每一种特定排列的概率都是 \\(p^k(1-p)^{n-k}\\)；将其乘以排列的数量，就得到上述公式。二项式定理表明，这些概率之和为 \\((p+(1-p))^n=1\\)。(online.stat.psu.edu)\n\n例如，假设将一枚均匀硬币独立抛掷十次，并把出现正面称为成功，则\n\n\\[P(X=3)=\\binom{10}{3}(0.5)^{10} =\\frac{120}{1024}\\approx0.1172.\\]\n\n这是恰好出现三次正面的概率，与正面出现的顺序无关。该计算直接将数值代入概率公式即可。(itl.nist.gov)\n\n累积分布函数在整数 \\(k\\) 处的值为\n\n\\[P(X\\le k)=\\sum_{j=0}^{k}\\binom{n}{j}p^j(1-p)^{n-j}.\\]\n\n因此，“至少 \\(k\\) 次”的概率是 \\(1-P(X\\le k-1)\\)，而不是 \\(1-P(X\\le k)\\)。当 \\(p=0\\) 时，全部概率集中在 0 处；当 \\(p=1\\) 时，全部概率集中在 \\(n\\) 处，这可以直接由试验的定义得出。(itl.nist.gov)"
    },
    {
      "heading": "均值、变异与分布形状",
      "text": "期望值、方差和标准差分别为\n\n\\[E[X]=np,\\qquad \\operatorname{Var}(X)=np(1-p),\\qquad \\sigma_X=\\sqrt{np(1-p)}.\\]\n\n这些表达式可以由伯努利分布的相应矩，以及独立随机变量的方差可加性推导出来。期望值是重复试验中的平均值，不一定是某次试验实际能够产生的整数计数。(online.stat.psu.edu)\n\n当 \\(n\\) 为正且 \\(0<p<1\\) 时，分布在 \\(p=0.5\\) 时对称，在 \\(p<0.5\\) 时右偏，在 \\(p>0.5\\) 时左偏。其偏度为\n\n\\[\\frac{1-2p}{\\sqrt{np(1-p)}}.\\]\n\n概率最大的计数为 \\(\\lfloor(n+1)p\\rfloor\\)；但当 \\((n+1)p\\) 为整数时，该整数及其前一个整数都是众数。(itl.nist.gov)"
    },
    {
      "heading": "比例与统计推断",
      "text": "当 \\(n>0\\) 时，样本比例为 \\(\\hat p=X/n\\)。其均值为 \\(p\\)，标准误为\n\n\\[\\sqrt{\\frac{p(1-p)}{n}}.\\]\n\n这将二项计数与比例的抽样变异联系起来：增加独立试验的次数会减小这种变异。(online.stat.psu.edu)\n\n在已知 \\(n\\) 并观测到 \\(x\\) 次成功的情况下，似然函数与 \\(p^x(1-p)^{n-x}\\) 成正比。最大似然估计给出 \\(\\hat p=x/n\\)。置信区间用于表达这一点估计之外的不确定性；精确二项置信区间可通过求解涉及二项分布尾部概率的方程获得。在样本量较小或失败次数极少时，基于正态分布的简单对称区间可能不够准确。(itl.nist.gov)\n\n在贝叶斯推断中，贝塔分布可作为 \\(p\\) 的共轭先验。如果先验分布为 \\(\\operatorname{Beta}(\\alpha,\\beta)\\)，那么在 \\(n\\) 次试验中观测到 \\(x\\) 次成功后，得到的后验分布为\n\n\\[p\\mid x\\sim\\operatorname{Beta}(\\alpha+x,\\beta+n-x).\\]\n\n这一结果可通过将贝塔分布的密度乘以二项似然推导出来。(bookdown.org)"
    },
    {
      "heading": "近似与模型适用边界",
      "text": "中心极限定理表明，当 \\(0<p<1\\) 固定时，随着 \\(n\\) 增大，标准化后的二项计数趋于标准正态分布。正态近似采用均值 \\(np\\) 和方差 \\(np(1-p)\\)。连续性校正将整数边界调整半个单位；例如，对于相应的正态随机变量 \\(Z\\)，用 \\(P(Z\\le k+0.5)\\) 近似 \\(P(X\\le k)\\)。(online.stat.psu.edu)\n\n当成功事件较为罕见时，参数为 \\(\\lambda=np\\) 的泊松分布是另一种近似。从严格的极限意义上说，当 \\(n\\) 增大、\\(p\\) 趋于零，且 \\(np\\) 趋于一个有限的正常数时，二项分布的概率趋于泊松分布的概率。(online.stat.psu.edu)\n\n从有限总体中进行不放回抽样，通常会产生超几何分布，因为相继抽取的结果并不独立。不过，当样本相对于总体很小时，二项近似仍可能有较好的效果。因此，仅凭二元分类并不能确定二项模型适用；抽样机制和试验假设仍然至关重要。(online.stat.psu.edu)"
    }
  ],
  "links": [
    "probability-distribution",
    "probability",
    "statistics",
    "random-variable",
    "statistical-independence",
    "bernoulli-distribution",
    "integer",
    "probability-mass-function",
    "binomial-coefficient",
    "binomial-theorem",
    "cumulative-distribution-function",
    "expected-value",
    "variance",
    "standard-deviation",
    "standard-error",
    "likelihood-function",
    "maximum-likelihood-estimation",
    "confidence-interval",
    "bayesian-inference",
    "beta-distribution",
    "conjugate-prior",
    "prior-distribution",
    "posterior-distribution",
    "central-limit-theorem",
    "normal-distribution",
    "poisson-distribution",
    "hypergeometric-distribution"
  ],
  "sources": [
    {
      "title": "csrc.nist.gov/glossary/term/Binomial_Distribution",
      "url": "https://csrc.nist.gov/glossary/term/Binomial_Distribution"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson10",
      "url": "https://online.stat.psu.edu/stat414/Lesson10"
    },
    {
      "title": "online.stat.psu.edu/stat500/Lesson04",
      "url": "https://online.stat.psu.edu/stat500/Lesson04"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda366i.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda366i.htm"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson28",
      "url": "https://online.stat.psu.edu/stat414/Lesson28"
    },
    {
      "title": "bookdown.org/kevin_davisross/stat415-handouts/beta-binomial.html",
      "url": "https://bookdown.org/kevin_davisross/stat415-handouts/beta-binomial.html"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson12",
      "url": "https://online.stat.psu.edu/stat414/Lesson12"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}