1 基本概念
二项分布是一类用于刻画重复独立试验中“成功”次数的离散分布。它强调每次试验只有两种结果，并且每次试验的成功概率保持不变，因此非常适合描述计数型随机现象。
1.1 定义
若进行 \(n\) 次相互独立的重复试验，每次试验只有成功与失败两种结果，且每次成功的概率均为 \(p\)，则随机变量 \(X\) 表示这 \(n\) 次试验中成功的次数时，称 \(X\) 服从参数为 \(n,p\) 的二项分布，记作 \(X\sim B(n,p)\)。
1.2 适用条件
二项分布的成立依赖于一组较为明确的前提条件。只有在这些条件大体满足时，二项模型才具有较好的解释力和计算意义。
1.2.1 独立性
各次试验之间应当相互独立，即前一次试验的结果不会影响后一次试验的成功概率。独立性是二项分布最核心的前提之一。
1.2.2 固定试验次数
试验总次数在开始前就已确定，并且不会因中途结果而改变。二项分布描述的是“做了多少次”之后“成功了几次”，而不是持续直到某种条件出现为止的过程。
1.2.3 二元结果结构
每次试验必须可以明确划分为两类结果，通常称为成功和失败。这两类结果在建模时只需关心是否发生目标事件，而不必细分更多状态。
1.3 记号与参数
二项分布通常由两个参数决定：试验次数 \(n\) 与单次成功概率 \(p\)。这两个量分别控制分布的取值范围与形状。
1.3.1 n 的含义
\(n\) 表示重复试验的总次数，必须是非负整数。它决定随机变量 \(X\) 的可能取值只能是 \(0,1,2,\dots,n\)。
1.3.2 p 的含义
\(p\) 表示每次试验成功的概率，取值范围在 0 到 1 之间。它反映单次试验中目标事件发生的稳定程度。
1.3.3 成功次数 X 的定义
随机变量 \(X\) 记录在 \(n\) 次试验中成功出现的总次数。由于每次试验只有两种结果，\(X\) 实际上是对成功事件的计数。
2 概率质量函数
二项分布的概率质量函数给出了成功次数取各个整数值时对应的概率，是其最基本也是最常用的表达方式。
2.1 二项式公式
若 \(X\sim B(n,p)\)，则 \[ P(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,2,\dots,n. \] 该公式表明，成功 \(k\) 次与失败 \(n-k\) 次同时出现的概率，可以由组合数与单次概率相乘得到。
2.2 组合数的作用
组合数 \(\binom{n}{k}\) 表示在 \(n\) 次试验中选出 \(k\) 次成功位置的方式数。由于成功可以出现在任意一组位置上，必须把所有等可能的排列方式加总起来，这正是组合数在公式中出现的原因。
2.3 概率质量函数的图像特征
二项分布的图像通常由一系列离散柱形组成，其高度对应不同成功次数的概率值。随着参数变化，图形会呈现不同的集中程度与偏斜方向。
2.3.1 离散性
二项分布只在整数点上取值，因此其图像不是连续曲线，而是一组分离的概率柱。每个柱对应一个可能的成功次数。
2.3.2 形状变化
当 \(n\) 较小时，分布往往较为粗糙；当 \(n\) 增大时，图形会更平滑，概率质量也可能更加集中于某一范围。参数 \(p\) 的变化同样会明显改变峰值位置。
2.3.3 对称与偏态
当 \(p\) 接近 0.5 时，分布常较为对称；当 \(p\) 偏离 0.5 时，图形会出现不同程度的偏斜。偏态方向与成功概率大小密切相关。
3 统计性质
二项分布的若干基本统计量具有简洁的解析表达式，这使它在理论分析和实际计算中都十分方便。
3.1 数学期望
若 \(X\sim B(n,p)\)，则其数学期望为 \[ E(X)=np. \] 这表示在大量重复实验的平均意义下，成功次数约等于试验总次数乘以单次成功概率。
3.2 方差
二项分布的方差为 \[ D(X)=np(1-p). \] 它反映成功次数围绕均值波动的程度，并受 \(n\) 与 \(p\) 的共同影响。
3.3 标准差
标准差为方差的平方根： \[ \sigma=\sqrt{np(1-p)}. \] 标准差与原始计量单位一致，更便于直接理解离散程度。
3.4 众数
二项分布的众数通常位于 \((n+1)p\) 附近。更准确地说，当 \((n+1)p\) 不是整数时，众数唯一；当它是整数时，可能出现两个相邻众数。
3.5 偏度与峰度
二项分布的偏度反映分布左右不对称的程度，峰度则描述分布峰顶的尖峭程度。一般而言，\(p\) 远离 0.5 时偏度更明显；当 \(n\) 较大时，分布形态会逐渐趋于稳定。
4 分布特征
二项分布的形状并非固定不变，而是随参数取值呈现出不同的典型模式。
4.1 对称情形
当 \(p=0.5\) 时，二项分布具有较强的对称性，概率质量围绕 \(n/2\) 左右分布。这是最容易直观理解的一种情形。
4.2 偏斜情形
当 \(p\) 偏离 0.5 时，分布通常会向一侧拉长，另一侧较为陡峭，从而形成偏态。
4.2.1 p 小于 0.5
当 \(p<0.5\) 时，成功次数较少的情况更常见，分布通常右偏，即右侧尾部较长。
4.2.2 p 大于 0.5
当 \(p>0.5\) 时，成功次数偏多更有可能出现，分布通常左偏，左侧尾部相对更长。
4.3 边界情形
在极端参数下，二项分布会退化为更简单的形式，便于理解其与其他分布的联系。
4.3.1 p = 0
当 \(p=0\) 时，每次试验都不可能成功，因此 \(X\) 恒等于 0。
4.3.2 p = 1
当 \(p=1\) 时，每次试验都必然成功，因此 \(X\) 恒等于 \(n\)。
4.3.3 n = 1 时的伯努利分布
当 \(n=1\) 时，二项分布退化为伯努利分布，只描述一次试验是否成功。
5 与其他分布的关系
二项分布在概率论中处于基础位置，许多常见分布都可看作它的推广、近似或特殊情况。
5.1 伯努利分布
伯努利分布是二项分布的最基本单次试验形式。当 \(n=1\) 时，二项分布就与伯努利分布完全一致。
5.2 多项分布
多项分布可视为二项分布的多类别推广。若每次试验不止两种结果，而是多个互斥类别，则可用多项分布进行建模。
5.3 超几何分布
超几何分布描述的是不放回抽样中的成功次数。与二项分布相比，它不要求每次试验独立，因此在抽样来自有限总体时更合适。
5.4 泊松近似
当 \(n\) 很大而 \(p\) 很小时，且 \(np\) 保持适中时，二项分布可用泊松分布近似。这一近似常用于稀有事件计数。
5.5 正态近似
当 \(n\) 足够大时，二项分布在适当标准化后可近似为正态分布。这一性质在大样本场景下尤其有用。
6 累积分布与尾概率
除了单点概率外，二项分布还常用于计算不超过某个值、至少达到某个值等范围型概率。
6.1 累积分布函数
累积分布函数表示随机变量取值不超过某一阈值的概率，即 \[ F(k)=P(X\le k). \] 对二项分布而言，它通常需要把多个离散概率项逐一相加。
6.2 至少发生一次的概率
“至少一次成功”的概率可由补事件求得： \[ P(X\ge 1)=1-P(X=0)=1-(1-p)^n. \] 这种计算方式简洁，常用于事件触发类问题。
6.3 至多发生 k 次的概率
“至多 \(k\) 次成功”的概率为 \[ P(X\le k)=\sum_{i=0}^{k}\binom{n}{i}p^i(1-p)^{n-i}. \] 这是二项分布中最典型的累加型计算。
6.4 区间概率计算
区间概率可写为 \[ P(a\le X\le b)=\sum_{i=a}^{b}\binom{n}{i}p^i(1-p)^{n-i}. \] 在实际应用中，区间概率常用于判断结果是否落在可接受范围内。
7 参数估计与推断
二项分布不仅可用于描述概率模型，还常用于从样本数据反推参数，进而进行统计推断。
7.1 点估计
点估计的目标是用样本信息给出参数的单一估计值，通常关注 \(p\) 的估计。
7.1.1 极大似然估计
对于观测到的成功次数数据，成功概率 \(p\) 的极大似然估计通常等于样本成功比例，即成功次数除以试验总次数。
7.1.2 矩估计
矩估计通过令样本矩等于理论矩来求参数。对二项分布而言，利用均值 \(E(X)=np\) 可导出与样本均值相对应的估计形式。
7.2 区间估计
区间估计用于给出参数可能落入的范围，而不是单点值。对二项分布来说，常见目标是构造成功概率 \(p\) 的置信区间。
7.3 假设检验
假设检验常用来判断样本结果是否与某个给定比例相一致，尤其适合比例类问题。
7.3.1 单样本比例检验
单样本比例检验通常围绕“总体成功概率是否等于某一指定值”展开。它在质量控制和问卷分析中十分常见。
7.3.2 双侧检验与单侧检验
双侧检验关注参数是否偏离某个基准值，而单侧检验则只关心偏大或偏小的一侧。两者适用于不同的实际判断需求。
7.4 置信区间的构造
二项分布参数的置信区间常借助正态近似、精确法或改进近似法构造。样本量越大，区间估计通常越稳定。
8 近似计算方法
当二项分布参数较大、直接计算较繁琐时，常采用若干近似技巧来提高效率。
8.1 泊松近似条件
泊松近似适用于“大 \(n\)、小 \(p\)、中等 \(np\)”的情形。此时二项分布的尾部概率可用更简单的泊松分布近似计算。
8.2 正态近似条件
当 \(np\) 与 \(n(1-p)\) 都足够大时，二项分布可较好地近似为正态分布。该方法在大样本场景中非常实用。
8.2.1 连续性修正
由于二项分布是离散的，而正态分布是连续的，因此在近似时常加入连续性修正，以提高估算精度。
8.3 递推计算
二项概率可通过前一项递推出后一项，避免重复计算组合数和幂次。这在手工计算和编程实现中都较常见。
8.4 数值软件实现
现代统计软件和编程语言通常内置二项分布函数，可直接计算概率、累积概率、分位数及随机模拟结果，显著提升了实用性。
9 应用场景
二项分布的应用范围很广，只要问题满足“固定次数、独立重复、二元结果”的结构，往往都可以考虑使用它。
9.1 抛硬币模型
抛硬币是二项分布最经典的例子。若以正面为成功，则多次抛掷中正面出现的次数可直接用二项分布描述。
9.2 质量检测
在产品抽检中，常把“合格”视为成功、“不合格”视为失败。二项分布可以用于分析抽检中不合格品数量的可能范围。
9.3 医学与生物统计
在医学试验、检验结果统计以及生物实验中，事件是否发生往往可归结为二元结果，因此二项模型非常常见。
9.4 市场调研
在问卷调查中，受访者的回答常可编码为“是/否”“支持/不支持”等二元形式，二项分布可用于分析支持比例及其波动。
9.5 可靠性分析
对于多次独立运行中的成功率、故障率或通过率问题，二项分布常用于估计系统表现和风险水平。
9.6 游戏与随机模拟
在抽卡、掷骰子变体、随机事件触发等游戏机制中，二项分布常被用于描述某种结果在多次尝试中的出现次数。
10 典型例题与应用分析
二项分布的题目通常围绕“求概率”“反推参数”或“进行近似”展开，具有较强的模式化特征。
10.1 基础概率题
基础题常要求计算恰好成功若干次的概率，直接套用二项概率质量函数即可。关键在于明确 \(n\) 与 \(p\) 的含义。
10.2 参数求解题
此类题目通常已知期望、方差或某些概率条件，要求求出未知参数。解题时多借助均值公式、方差公式或联立条件。
10.3 近似计算题
当 \(n\) 较大时，题目往往鼓励使用泊松近似或正态近似。此时应先判断近似条件是否满足，再选择合适方法。
10.4 统计推断题
统计推断题一般给出样本成功次数，要求检验某一比例假设是否成立，或构造参数区间。此类题目更接近实际应用。
10.5 实际建模题
实际建模题会把现实场景抽象为成功与失败两类事件。建模的关键在于判断独立性、固定试验次数以及成功概率是否近似恒定。
11 性质与定理
二项分布具有若干重要的代数与解析性质，这些性质使其在理论推导中格外方便。
11.1 可加性相关性质
若若干独立二项随机变量具有相同的成功概率 \(p\)，则它们的和仍服从二项分布，参数为试验次数之和。这种可加性非常适合分段试验的合并分析。
11.2 生成函数
二项分布的概率生成函数为 \[ G(s)=(1-p+ps)^n. \] 它可以用于推导矩、概率和相关代数性质。
11.3 矩母函数
矩母函数为 \[ M(t)=(1-p+pe^t)^n. \] 通过对矩母函数求导，可以方便地得到各阶矩。
11.4 特征函数
特征函数可写为 \[ \varphi(t)=(1-p+pe^{it})^n. \] 它在理论证明和极限定理分析中具有重要作用。
11.5 协方差与相关扩展
在多个二项变量同时出现的模型中，若它们共享部分随机来源，则可能存在协方差结构。此时需要结合具体模型判断变量间的相关关系。
12 历史与发展
二项分布的形成与概率论早期的发展密切相关，后来又随着统计学成熟而获得更广泛的应用。
12.1 伯努利试验的提出
伯努利试验的思想源于早期概率研究中对重复事件的分析。它为“成功—失败”结构提供了基本框架，也成为二项分布的理论起点。
12.2 二项公式的历史背景
二项分布与二项式展开有天然联系，组合计数思想的发展推动了其概率公式的建立。随着数学分析与概率论逐步成熟，这一分布的表达形式也日益规范化。
12.3 在现代统计中的应用演变
进入现代统计阶段后，二项分布从单纯的计数模型扩展为参数估计、区间推断与假设检验的重要基础。如今，它仍是离散概率建模中最常见、最基础的工具之一。