概述与基本定义
伯努利分布（Bernoulli distribution）是概率论中最基础的离散分布之一，用于刻画“只有两种结果”的随机试验。一次试验可能以概率 \(p\) 产生“成功”，以概率 \(1-p\) 产生“失败”。其随机变量常被记作 \(X\)，并将成功编码为 1，失败编码为 0。该分布广泛用于硬币抛掷、某事件是否发生的建模，以及二元标签数据的概率描述。
随机试验的“两结果”表述
将随机试验抽象为：每次试验只能落在两个互斥结果之一。若用“成功/失败”的二元标签表示，则伯努利分布给出了这两个结果发生的概率，其中成功的概率为 \(p\)，失败的概率为 \(1-p\)。因此，伯努利分布可视为描述单次二元随机事件的规范模型。
伯努利随机变量的取值与参数
伯努利随机变量 \(X\) 只取两个值：
- \(X=1\)：表示成功
- \(X=0\)：表示失败
其唯一参数通常用 \(p\) 表示成功概率。参数取值应满足 \(p\in[0,1]\)，以保证概率在合理范围内。
概率质量函数（PMF）与概率表
伯努利分布的概率质量函数（PMF）可写为 \[ P(X=x)= \begin{cases} p, & x=1,\\ 1-p, & x=0. \end{cases} \] 对应的概率表为：\(P(X=1)=p\)，\(P(X=0)=1-p\)。由于 \(X\) 仅有两种取值，整体分布信息完全由参数 \(p\) 决定。
数学性质
伯努利分布的性质高度集中于其低阶矩、生成函数等工具。由于取值仅为 0 与 1，相关计算通常形式简洁，可直接用于后续更复杂分布的推导。
分布的期望与方差
期望为 \[ \mathbb{E}[X]=1\cdot p+0\cdot(1-p)=p. \] 方差可由 \(\mathrm{Var}(X)=\mathbb{E}[X^2]-(\mathbb{E}[X])^2\) 得到。注意到 \(X^2=X\)（因为 \(X\in\{0,1\}\)），因此 \[ \mathbb{E}[X^2]=\mathbb{E}[X]=p, \quad \mathrm{Var}(X)=p-p^2=p(1-p). \]
生成函数与矩的表示
伯努利分布的矩母函数（MGF）为 \[ M_X(t)=\mathbb{E}[e^{tX}]=(1-p)e^{0}+pe^{t}=(1-p)+pe^{t}. \] 由此可用于求任意阶矩：对 \(t\) 求导后在 \(t=0\) 处取值即可得到 \(\mathbb{E}[X^n]\)。在伯努利情形下，由于 \(X^n=X\)（\(n\ge1\)），因此对所有正整数 \(n\)，都有 \(\mathbb{E}[X^n]=p\)。
与互补事件的关系
若将“成功”事件记为 \(A\)，则 \(X\) 可理解为事件 \(A\) 的指示结果。此时“失败”对应互补事件 \(A^c\)。在概率层面，二者满足 \[ P(X=1)=P(A)=p,\quad P(X=0)=P(A^c)=1-p. \] 这种互补结构也意味着：只要成功概率确定，失败概率自动由 \(1-p\) 给出。
约束条件与参数解释（\(p\in[0,1]\)）
由于 \(p\) 表示成功的发生概率，它必须在区间 \([0,1]\) 内。特殊情形包括：
- \(p=0\)：成功不发生，\(X\) 恒为 0；
- \(p=1\)：成功必发生，\(X\) 恒为 1；
- \(p\in(0,1)\)：存在随机性，且期望为 \(p\)，波动大小体现在方差 \(p(1-p)\) 上。
计算与常见变体
在实际问题中，经常需要根据模型参数计算概率，并将伯努利分布与条件化、独立性与数据编码方式联系起来。
事件概率的直接计算
若要计算某个结果的概率，直接从 PMF 读取即可。例如：
- 成功概率：\(P(X=1)=p\)；
- 失败概率：\(P(X=0)=1-p\)。
由于变量只在两点取值，通常不需要复杂积分或求和。
条件概率与重加权情形（概念层面）
在更一般的场景下，成功概率可能并非固定常数，而是取决于某些条件或观测信息。此时常见建模思路是：令成功概率变为条件概率 \(p(\text{条件})\)，并将 \(X\) 理解为在给定条件下服从伯努利分布。进一步的“重加权”概念可用于描述当条件不完全可见或需要校准时的处理方式，但核心仍是：在给定条件后，两种结果的概率之和保持为 1。
多个伯努利变量的独立性讨论
若考虑多个试验，通常会出现多个伯努利随机变量 \(\{X_i\}\)。讨论它们的关系时，关键区分是是否独立：
- 独立情形：每次试验的成功与否互不受其他试验结果影响；
- 非独立情形：成功概率可能受到前后结果或外部因素影响。
独立性假设会显著影响后续合成分布的形式，例如在二项分布推导中扮演基础角色。
与指示变量（indicator variable）的对应
伯努利变量与指示变量在含义上高度一致。给定某个事件 \(A\)，定义 \[ I_A= \begin{cases} 1, & A \text{发生}\\ 0, & A \text{未发生} \end{cases} \] 则 \(I_A\) 就是一个伯努利随机变量。其成功概率为 \(P(A)\)。这种对应使得伯努利分布可以自然嵌入到统计建模与估计框架中。
与其他分布的联系
伯努利分布之所以重要，部分原因在于它是多种经典离散分布的基本构件。把“二元结果”视为最底层模块，可以组合出更复杂的随机结构。
二项分布：伯努利试验的多次相加
二项分布可视为独立伯努利试验的成功次数。若进行 \(n\) 次相互独立的试验，每次成功概率为 \(p\)，令 \[ S=\sum_{i=1}^{n} X_i, \] 其中每个 \(X_i\) 都服从伯努利分布，则 \(S\) 表示 \(n\) 次试验中成功的总数。二项分布描述的就是 \(S\) 的分布。
几何分布：首次成功的等待时间
几何分布与“在独立试验中首次成功出现的时刻”相关。直观上，把“每次都是伯努利试验”作为基础，当持续出现失败直到第一次成功时，所等待的试验次数就对应几何分布。其建模核心仍然依赖单次成功概率为 \(p\) 的伯努利结构。
负二项分布：成功次数驱动
负二项分布常用于刻画“在若干次成功之前会经历多少次试验”。在该框架下，可以把每次试验视为伯努利过程，变量关心的是达到第 \(r\) 次成功所需的试验总数。与几何分布相比，负二项分布将“首次成功”推广为“达到指定成功次数”。
马尔可夫/伯努利过程的直观关联（不涉及争议议题）
当伯努利试验被组织成时间序列，并引入状态随时间演化的观点时，可以形成与马尔可夫思想相关的直观连接：每一步的“成功/失败”决定状态的推进方式，从而形成具有转移结构的随机过程。此类关联强调的是“二元事件随时间发生并可追踪”的建模直觉，而具体形式通常需根据过程定义进一步说明。