最后更新: 2025-12-17 11:08 查看: 602 次反馈能力测评会员8.2元/月赞助

离散型(二项分布)★★★★★

> 抽查一个产品，质量可能合格或者不合格，这是[两点分布](https://kb.kmath.cn/kbase/detail.aspx?id=959)。单纯抽查一次作用不大，可以抽查多次(**需要放回**)，这就是本节介绍的**二项分布**。
 
 
设对一随机试验 $\mathrm{E}$ ，我们只关心某个事件 $A$ 发生与否，此时试验的结果可以看成只有两种: $A$ 发生或者 $A$ 不发生。那么称这个试验为**伯努利试验**.

接下来将引入二项分布，考察二项分布的方法有两种．

**方法一**：我们可以每次拋掷一枚硬币，然后记录正面出现的次数，然后抛掷 $n$ 次。

**方法二**：我们有 $n$ 枚独立的硬币，并且每一枚硬币出现成功的概率都是 $p$ 。把他一次性的放在手里同时抛郑它们，并记录正面出现的次数。

这两种观点都很有用。很明显，在抛掷硬币的实验里，第一次抛掷的结果不影响第二次抛掷的结果，所以我们假设了硬币的独立性，因此这两种看法是等价的。**即一次抛掷 $n$ 枚硬币与抛郑一枚硬币 $n$ 次没什么区别。**

### 解读方法一
现在我们使用方法一对二项分布进行举例。
假设车间生产了一批产品，其中 $a$ 个是合格的，$b$ 个是不合格的。我们用 $A$ 表示＂取到产品是合格的＂，那么一次检测中，合格率为 $P(A)=\dfrac{a}{a+b}$ 。
 
若连续检测 $n$ 个产品（需要放回）抽样，这就是 $n$ 重伯努利试验。

以 $X$ 表示 $n$ 重伯努利试验中事件 $A$ 发生的次数，$X$ 是一个随机变量，我们来求它的分布律．$X$ 所有可能取的值为 $0,1,2, \cdots, n$ ．由于各次试验是相互独立的，

因此事件 $A$ 在指定的 $k(0 \leqslant k \leqslant n)$ 次抽查中发生，在其他 $n-k$ 次试验中 $A$不发生 的概率为：
 
$$
\begin{aligned}
\underbrace{p \cdot p \cdot \cdots \cdot p}_{k \uparrow} \cdot \underbrace{(1-p) \cdot(1-p) \cdot \cdots \cdot(1-p)}_{n-k \uparrow}=p^k(1-p)^{n-k} .
\end{aligned}
$$

这种指定的方式共有 $ C_n^k$ 种，它们是两两互不相容的，故在 $n$ 次试验中 $A$ 发生 $k$ 次的概率为 $ C_n^k p^k(1-p)^{n-k}$ ，记 $q=1-p$ ，即有

$$
P\{X=k\}= C_n^k p^k q^{n-k}, k=0,1,2, \cdots, n .
$$

### 解读方法二
现在我们对上面的例子用方法二进行解读：有3个产品，每个产品都有合格和不合格两种可能，那么，这3个产品的结果可以记为
$(0,0,0),(0,0,1),(0,1,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,1)$ 共$2^3=8$ 种可能。

其中$(0,0,0)$表示$3$个产品都不合格，$(1,1,1)$ 表示$3$个产品都合格，而$(0,0,1)$表示第一个第二个不合格，第三个合格。

以此类推，因为 $n$ 重伯努利试验的基本结果可以记作

$$
X=\left(x_1, x_2, \cdots, x_n \right),
$$

其中 $x_i$ 的值为 $A$, 或者为 $\bar{A}$. 这样的 $\omega$ 共有 $2^n$ 个, 这 $2^n$ 个样本点 $\omega$ 组成了样本空间 $\Omega$.
 
求 $X$ 的分布列, 即求事件 $\{X=k\}$ 的概率. 若某个样本点

$$
X=\left(x_1, x_2, \cdots, x_n \right) \in\{X=k\}
$$

意味着 $x_1, x_2, \cdots, x_n $ 中有 $k$ 个 $A, n-k$ 个 $\bar{A}$, 所以由独立性知,

$$
P(x)=p^k(1-p)^{n-k} .
$$

而事件 $\{X=k\}$ 中这样的 $x$ 共有 $C_n^k$ 个, 所以 $X$ 的分布列为

$$
P(X=k)=C_n^k p^k(1-p)^{n-k}, k=0,1, \cdots, n .
$$

这个分布称为**二项分布**, 记为 $X \sim B(n, p)$.

下面给出具体的定义

组合里，组合记法有苏联式记法和美国式记法。苏式记法是 $C_n^m$  而美式记法 $\left(\begin{array}{l}n \\ m\end{array}\right)$, 详见[此处](https://kb.kmath.cn/kbase/detail.aspx?id=202)

## 二项分布定义
若随机变量 $X$ 的分布律为

$$
P(X=k)=C_n^k p^k(1-p)^{n-k}, \quad k=0,1, \cdots, n,
$$

则称 $X$ 服从参数为 $n 、 p$ 的二项分布（Binomial Distribution）, 记为 $X \sim B(n, p)$.

当 $n=1$ 时, 二项分布就是上节介绍的 **$(0-1)$ 分布**, 故 $(0-1)$ 分布的分布律也可写成

$$
P(X=k)=p^k q^{1-k},
$$

其中 $q=1-p, k=0,1$.

> 在使用二项分布$X \sim B(n, p)$时，一定要明白哪个是$n$，哪个是$p$, 记法里$n$是实验次数，$p$是发生概率。

`例`某特效药的临床有效率为 0.95 , 今有 10 人服用, 问至少有 8 人治愈的概率是多少?
  解 设 $X$ 为 10 人中被治愈的人数, 则 $X \sim B(10,0.95)$, 而所求概率为

$$
\begin{aligned}
P(X \geqslant 8) & =P(X=8)+P(X=9)+P(X=10) \\
& =C_{10}^8 0.95^8 0.05^2+C_{10}^9 0.95^9 0.05+C_{10}^{10} 0.95^{10} \\
& =0.0746+0.3151+0.5987=0.9884 .
\end{aligned}
$$

10人种至少8人被治愈的概率为 0.9884

### 应用场景
二项分布是一种常用的离散分布,譬如,

- 检查 10 件产品, 10 件产品中不合格品的个数

其他版本
【高中数学】两点分布与二项分布

免费注册查看余下70%

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：离散型(两点分布)

下一篇：离散型(多项分布)

本文对您是否有用？有用 (0) 无用 (0)