伯努利试验 (Bernoulli trial)

伯努利试验 (Bernoulli Trial)

伯努利试验 (Bernoulli Trial) 是概率论中最基本的随机试验模型，由瑞士数学家雅各布·伯努利 (Jacob Bernoulli) 在17世纪系统提出并深入研究。它定义了一类结果仅包含两个可能性的单次随机试验，通常将其中一个结果记为「成功」(Success)，另一个记为「失败」(Failure)。该概念是整个古典概率论的逻辑起点，也是构建一系列重要概率模型的基础组件。

数学定义与核心特征

从测度论角度看，伯努利试验是在样本空间 $\Omega = \{0, 1\}$ 上定义的随机变量 $X$ 所对应的随机试验，该随机变量满足：

其中参数 $p \in [0, 1]$ 描述「成功」发生的概率，称为成功概率。其概率质量函数可紧凑写作：

其期望与方差可直接由定义得出：

方差 $p(1-p)$ 在 $p = 0.5$ 时达到最大值 $0.25$，在 $p \to 0$ 或 $p \to 1$ 时趋近于零，这直观地反映了试验不确定性随成功概率向边界移动而递减的内在逻辑。

与其他概率模型的关系

伯努利试验是若干重要概率模型的公理化基础。将单个伯努利试验独立重复进行 $n$ 次即构成伯努利过程。在此过程中，记录 $n$ 次试验中成功总次数 $S_n = \sum_{i=1}^{n} X_i$ 的随机变量服从二项分布 $S_n \sim \operatorname{Binomial}(n, p)$；记录首次成功出现前所需试验次数的随机变量服从几何分布 $Y \sim \operatorname{Geometric}(p)$；记录第 $r$ 次成功出现前所需试验次数的随机变量则服从负二项分布。这些衍生分布构成了离散随机过程理论的重要骨架。

从极限定理的角度看，当 $n \to \infty$ 且乘积 $np$ 保持为常数 $\lambda$ 时（即 $p \to 0$），二项分布收敛于泊松分布 $\operatorname{Poisson}(\lambda)$；这一结论由泊松定理（也称小数定律）精确描述，解释了为何泊松分布在稀有事件建模中广泛适用。当 $n$ 较大而 $p$ 适中时，棣莫弗-拉普拉斯定理进一步表明二项分布可由正态分布近似，即：

这一结论是大样本统计推断的核心理论支柱之一。

应用场景与实例

伯努利试验因其二元结果的简洁结构而在多个学科中广泛出现：

• 质量控制与工业工程：检测单一产品合格与否构成一次伯努利试验，$\hat{p}$ 的估计与置信区间构造构成比率参数的置信区间的基础。
• 医学与流行病学：临床试验中受试者的治愈／未愈、阳性／阴性等二元结局均可纳入伯努利框架，是病例对照研究与逻辑回归分析的起点。
• 经济学与金融学：贷款违约与否、保险事故是否发生、客户是否流失等二元决策事件自然而然被建模为伯努利试验，支持信用评分卡、精算模型和流失预测系统的构建。
• 社会科学与调查统计：民意调查中受访者支持／不支持某一候选人的应答构成伯努利试验，投票意向比例的估计及其标准误的推导均以此为基础。

伯努利试验不仅在概率论的逻辑演绎中占据公理化基元的地位，也因其实证建模上的灵活性持续为各应用领域提供模型构造原则与方法支撑。