KNOWECON WIKI

ARTICLE

Binomial distribution

二项分布 (Binomial Distribution) 二项分布（Binomial Distribution）是概率论与数理统计中最重要的离散概率分布之一，它描述了在 n 次独立重复的伯努利试验中恰好获得 k 次"成功"的概率。二项分布的名称来源于二项式定理，因为其概率质量函数恰好是二项式 (p + (1-p))^n 展开中的各项。该分布最早由瑞士数学家雅

浏览 0 更新 2025-10-26

二项分布 (Binomial Distribution)

二项分布（Binomial Distribution）是概率论与数理统计中最重要的离散概率分布之一，它描述了在 n n 次独立重复的伯努利试验中恰好获得 k k 次"成功"的概率。二项分布的名称来源于二项式定理，因为其概率质量函数恰好是二项式 (p+(1−p))n (p + (1-p))^n 展开中的各项。该分布最早由瑞士数学家雅各布·伯努利（Jakob Bernoulli，1654--1705）在其开创性著作《猜度术》（Ars Conjectandi，1713 年出版）中系统研究，并由此奠定了大数定律的雏形。如今，二项分布广泛应用于质量控制、临床医学、社会调查、机器学习分类评估以及金融风险管理等众多领域。

定义

若进行 n n 次独立的伯努利试验，每次试验的成功概率均为 p p ，令随机变量 X X 表示 n n 次试验中成功的总次数，则称 X X 服从参数为 n n 和 p p 的二项分布，记为：

X∼Binomial(n,p),n∈N+,  p∈[0,1]X \sim \text{Binomial}(n, p), \quad n \in \mathbb{N}^+,\; p \in [0, 1]

概率质量函数

二项分布的概率质量函数（Probability Mass Function, PMF）给出恰好 k k 次成功的概率：

P(X=k)=(nk) pk (1−p)n−k,k=0,1,2,…,nP(X = k) = \binom{n}{k} \, p^k \, (1-p)^{n-k}, \quad k = 0, 1, 2, \dots, n

其中二项式系数 (nk)=n!k! (n−k)! \binom{n}{k} = \frac{n!}{k!\,(n-k)!} 表示从 n n 次试验中选出 k k 次"成功"的方式总数。该公式的推导直观：任何一条恰好 k k 次成功、n−k n-k 次失败的特定序列的概率为 pk(1−p)n−k p^k(1-p)^{n-k} ，而这样的序列共有 (nk) \binom{n}{k} 条，且互不相交。

基本性质

期望与方差

二项分布的期望和方差具有简洁的封闭形式：

E[X]=np,Var(X)=np(1−p)\mathbb{E}[X] = np, \qquad \text{Var}(X) = np(1-p)

期望的推导可利用线性性质：将 X X 分解为 n n 个独立伯努利变量之和 X=∑i=1nXi X = \sum_{i=1}^n X_i ，其中 Xi∼Bernoulli(p) X_i \sim \text{Bernoulli}(p) ，则 E[X]=∑E[Xi]=np \mathbb{E}[X] = \sum \mathbb{E}[X_i] = np 。方差的推导类似：由于各 Xi X_i 独立，Var(X)=∑Var(Xi)=np(1−p) \text{Var}(X) = \sum \text{Var}(X_i) = np(1-p) 。

矩生成函数与累积生成函数

二项分布的矩生成函数（Moment Generating Function, MGF）为：

MX(t)=E[etX]=(1−p+pet)nM_X(t) = \mathbb{E}[e^{tX}] = (1-p + p e^{t})^n

由此可方便地导出各阶矩，例如 E[X2]=MX′′(0)=np(1−p)+n2p2 \mathbb{E}[X^2] = M''_X(0) = np(1-p) + n^2p^2 。其累积生成函数为 ψ(t)=nln⁡(1−p+pet) \psi(t) = n \ln(1-p + p e^{t}) 。

偏度与峰度

二项分布的偏度（Skewness）和峰度（Kurtosis）分别为：

γ1=1−2pnp(1−p),γ2=3+1−6p(1−p)np(1−p)\gamma_1 = \frac{1-2p}{\sqrt{np(1-p)}}, \qquad \gamma_2 = 3 + \frac{1-6p(1-p)}{np(1-p)}

当 p=0.5 p = 0.5 时，分布对称，偏度为零；当 p<0.5 p < 0.5 时分布右偏，p>0.5 p > 0.5 时左偏。随着 n n 增大，偏度和超值峰度均趋于零，分布逐渐逼近正态分布。

分布形态

二项分布的形态随参数 n n 和 p p 的变化而呈现丰富的多样性。

对称性： 当 p=0.5 p = 0.5 时，概率质量函数关于 k=n/2 k = n/2 完全对称；当 p≠0.5 p \neq 0.5 时分布呈现偏态，p p 越偏离 0.5，偏斜程度越大。

多众数性： 二项分布可能有一个或两个众数（最可能取值）。众数 m m 满足：

(n+1)p−1≤m≤(n+1)p(n+1)p - 1 \leq m \leq (n+1)p

若 (n+1)p (n+1)p 为整数，则 m=(n+1)p−1 m = (n+1)p - 1 和 m=(n+1)p m = (n+1)p 均为众数，此时分布呈双峰状；否则存在唯一的整数众数 m=⌊(n+1)p⌋ m = \lfloor (n+1)p \rfloor 。

单调性： 概率质量函数先从 k=0 k = 0 单调递增至众数，再单调递减至 k=n k = n ，呈单峰形态（p=0 p = 0 或 p=1 p = 1 的退化情形除外）。

重要定理与极限性质

棣莫弗--拉普拉斯定理

棣莫弗--拉普拉斯定理（De Moivre--Laplace Theorem）是中心极限定理在二项分布上的特例。该定理表明，当 n n 充分大时，标准化的二项随机变量近似服从标准正态分布：

X−npnp(1−p)→dN(0,1),n→∞\frac{X - np}{\sqrt{np(1-p)}} \xrightarrow{d} \mathcal{N}(0, 1), \quad n \to \infty

这一定理最早由亚伯拉罕·棣莫弗（Abraham de Moivre）在 1733 年发现，后由皮埃尔-西蒙·拉普拉斯（Pierre-Simon Laplace）推广，为统计推断中广泛使用的正态近似提供了理论基础。实践中，当 np≥5 np \geq 5 且 n(1−p)≥5 n(1-p) \geq 5 时，正态近似通常已足够精确。

泊松近似

当试验次数 n n 很大而成功概率 p p 很小时（即 np=λ np = \lambda 为常数），二项分布收敛于参数为 λ \lambda 的泊松分布：

(nk)pk(1−p)n−k≈e−λλkk!,n→∞,  p→0\binom{n}{k} p^k (1-p)^{n-k} \approx \frac{e^{-\lambda} \lambda^k}{k!}, \quad n \to \infty,\; p \to 0

这称为泊松极限定理（Poisson Limit Theorem）或"小数定律"，是稀有事件建模的重要依据。该近似在 n≥100 n \geq 100 、p≤0.01 p \leq 0.01 且 np≤20 np \leq 20 时效果尤佳。

与其它分布的关系

二项分布构成了概率分布网络中的枢纽节点，与众多分布之间存在深刻联系。

伯努利分布： 当 n=1 n = 1 时，Binomial(1,p) \text{Binomial}(1, p) 即退化为 Bernoulli(p) \text{Bernoulli}(p) 。

多项分布： 多项分布（Multinomial Distribution）是二项分布从二元结果向多元结果的直接推广，描述 n n 次独立试验中 m m 个类别的计数分布。

负二项分布： 负二项分布（Negative Binomial Distribution）描述达到固定成功次数所需的失败次数，与二项分布构成对偶关系。

超几何分布： 当从有限总体中无放回抽样时，成功次数的分布为超几何分布（Hypergeometric Distribution）。当总体容量 N→∞ N \to \infty 时，超几何分布趋近于二项分布。

贝塔分布： 在贝叶斯统计中，贝塔分布是二项分布似然函数的共轭先验。若 X∼Binomial(n,p) X \sim \text{Binomial}(n, p) 且先验 p∼Beta(α,β) p \sim \text{Beta}(\alpha, \beta) ，则后验分布为 p∣X∼Beta(α+X,β+n−X) p \mid X \sim \text{Beta}(\alpha + X, \beta + n - X) 。

参数估计

点估计

对于二项分布参数 p p ，最常用的估计量是极大似然估计（MLE）：

p^MLE=Xn\hat{p}_{\text{MLE}} = \frac{X}{n}

其中 X X 为观测到的成功次数。该估计量是无偏的（E[p^]=p \mathbb{E}[\hat{p}] = p ），方差为 Var(p^)=p(1−p)/n \text{Var}(\hat{p}) = p(1-p)/n 。在贝叶斯框架下，若采用 Beta(α,β) \text{Beta}(\alpha, \beta) 先验，后验均值估计为 p^Bayes=(X+α)/(n+α+β) \hat{p}_{\text{Bayes}} = (X + \alpha)/(n + \alpha + \beta) 。

区间估计

二项分布的比例（p p ）的置信区间构造有多种方法。Wald 区间（Wald Interval）是最基础的近似方法：

p^±zα/2p^(1−p^)n\hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}

但其覆盖率在 p p 接近 0 或 1 时严重不足。更稳健的替代方案包括Wilson 区间（Wilson Interval）、Agresti-Coull 区间以及Clopper-Pearson 精确区间（基于F 分布构造），后者虽保守但保证了名义置信水平。

应用场景

二项分布的应用横跨自然科学与社会科学诸领域。

质量控制： 在制造业中，从一批产品中随机抽取 n n 件进行检验，记录不合格品数量。利用二项分布可构造控制图（p p -chart）并实施验收抽样方案。

临床试验： 在药物有效性评价中，将 n n 名患者随机分为治疗组和对照组，记录治疗成功的例数。二项分布用于计算统计功效和样本量，以及进行有效性假设检验。

流行病学： 疾病发病率、感染率的估计与比较常基于二项分布模型。例如估计某地区某种疾病的患病率，或比较两种干预措施的感染率差异。

机器学习： 在分类问题中，准确率、精确率和召回率等评估指标均可用二项分布建模，用于计算评估指标的置信区间和进行模型比较的假设检验。

金融风险管理： 信用风险建模中，违约事件可视为伯努利试验，一定时期内（如一年）的违约次数服从二项分布，是信用风险度量模型（如 CreditRisk+）的基础。

生态学与野生动物管理： 在捕获-再捕获（Capture-Recapture）方法中，标记个体在二次捕获样本中的出现次数服从超几何分布，在大样本下可用二项分布近似。

民意调查与选举预测： 政党支持率、政策赞成率等民意指标的估计均基于二项分布模型。调查的误差范围（Margin of Error）直接源于二项分布的标准差公式 p(1−p)/n \sqrt{p(1-p)/n} 。

计算与数值问题

现代统计计算中，二项分布概率的计算通常借助内置函数（如 R 的 \texttt{dbinom()}、Python SciPy 的 \texttt{scipy.stats.binom.pmf()}），这些实现采用对数伽玛函数等数值稳定的算法。当 n n 极大（如 n>106 n > 10^6 ）时，直接计算二项式系数可能导致数值溢出，此时宜使用正态近似或泊松近似，或采用对数尺度计算。

累计分布函数（CDF）的计算需要求和概率质量函数或利用不完全贝塔函数的正则化形式：

P(X≤k)=I1−p(n−k,k+1)P(X \leq k) = I_{1-p}(n-k, k+1)

其中 Ix(a,b) I_x(a,b) 为正则化不完全贝塔函数。这一关系将二项分布的累计概率计算转化为连续分布的计算，数值更为稳定。

模拟与重采样

在蒙特卡洛模拟中，生成二项分布随机数的一种高效方法是先产生 n n 个 Bernoulli(p) \text{Bernoulli}(p) 变量再求和。当 n n 很大时，可利用二项分布的正态近似或逆变换法（Inverse Transform Method）生成。在Bootstrap重采样中，二项分布权重法（Bayesian Bootstrap）通过 Dirichlet 权重替代传统的多项式权重，其先验可视为 Dirichlet 分布，与二项分布似然形成共轭关系。

历史注记

二项分布的历史可追溯至 17 世纪。布莱兹·帕斯卡（Blaise Pascal）和皮埃尔·德·费马（Pierre de Fermat）在 1654 年的书信往来中讨论了点问题（Problem of Points），其中隐含了二项分布的思想。雅各布·伯努利在《猜度术》中正式奠定了二项分布的理论基础，并证明了大数定律的一个早期版本：随着试验次数 n n 的增加，观测到的成功频率 p^ \hat{p} 趋近于真实概率 p p 。18 世纪，棣莫弗进一步发展了正态近似，发现了如今称为棣莫弗--拉普拉斯定理的结果。19 世纪，弗朗西斯·高尔顿（Francis Galton）和卡尔·皮尔逊（Karl Pearson）将二项分布引入生物统计学和优生学，推动了推断统计学的发展。进入 20 世纪，二项分布成为假设检验和置信区间理论的基石，并在工业革命后的质量控制运动中发挥关键作用。

二项分布以其简洁的定义、丰富的数学性质和广泛的应用场景，不仅是概率论课程的核心内容，更是在各学科数据分析实践中不可或缺的工具。从抛硬币到基因遗传，从产品质量检验到人工智能模型评估，二项分布始终是连接理论与实践的桥梁。