什么是二项分布? 二项分布的概念是什么？
\u4e8c\u9879\u5206\u5e03\u662f\u4ec0\u4e48\uff1f\u4e8c\u9879\u5206\u5e03\u5373\u91cd\u590dn\u6b21\u72ec\u7acb\u7684\u4f2f\u52aa\u5229\u8bd5\u9a8c\u3002\u5728\u6bcf\u6b21\u8bd5\u9a8c\u4e2d\u53ea\u6709\u4e24\u79cd\u53ef\u80fd\u7684\u7ed3\u679c\uff0c\u800c\u4e14\u4e24\u79cd\u7ed3\u679c\u53d1\u751f\u4e0e\u5426\u4e92\u76f8\u5bf9\u7acb\uff0c\u5e76\u4e14\u76f8\u4e92\u72ec\u7acb\uff0c\u4e0e\u5176\u5b83\u5404\u6b21\u8bd5\u9a8c\u7ed3\u679c\u65e0\u5173\uff0c\u4e8b\u4ef6\u53d1\u751f\u4e0e\u5426\u7684\u6982\u7387\u5728\u6bcf\u4e00\u6b21\u72ec\u7acb\u8bd5\u9a8c\u4e2d\u90fd\u4fdd\u6301\u4e0d\u53d8\uff0c\u5219\u8fd9\u4e00\u7cfb\u5217\u8bd5\u9a8c\u603b\u79f0\u4e3an\u91cd\u4f2f\u52aa\u5229\u5b9e\u9a8c\uff0c\u5f53\u8bd5\u9a8c\u6b21\u6570\u4e3a1\u65f6\uff0c\u4e8c\u9879\u5206\u5e03\u5c31\u662f\u4f2f\u52aa\u5229\u5206\u5e03\u3002
二项分布就是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。
二项分布的平均数与标准差
如果二项分布满足p<q，np≥5，(或p>q，np≥5)时，二项分布接近正态分布。这时，也仅仅在这时，二项分布的x变量(即成功的次数)具有如下性质：
即x变量具有μ = np，的正态分布。
扩展资料：
二项分布的应用：
二项分布在心理与教育研究中，主要用于解决含有机遇性质的问题。所谓机遇问题，即指在实验或调查中，实验结果可能是由猜测而造成的。比如，选择题目的回答，划对划错，可能完全由猜测造成。凡此类问题，欲区分由猜测而造成的结果与真实的结果之间的界限，就要应用二项分布来解决。
下面给出一个例子。
已知有正误题10题，问答题者答对几题才能认为他是真会，或者说答对几题，才能认为不是出于猜测因素?
分析：此题p=q=1/2，即猜对猜错的概率各为0．5。np≥5，故此二项分布接近正态分布：
根据正态分布概率，当Z=1.645时，该点以下包含了全体的95%。如果用原分数表示，则为
它的意义是，完全凭猜测，10题中猜对8题以下的可能性为95%，猜对8、9、10题的概率只5%。因此可以推论说，答对8题以上者不是凭猜测，而是会答。但应该明确：作此结论，也仍然有犯错误的可能，即那些完全靠猜测的人也有5%的可能性答对8、9、10道题。
参考资料：百度百科-二项分布
二项分布指的是：
在概率论和统计学中，二项分布是n个独立的成功/失败试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n=1时，二项分布就是伯努利分布。
设每次试验中事件A发生的概率为p。用X表示n重伯努利试验中事件A发生的次数，则X的可能取值为0，1，…，n,且对每一个k（0≤k≤n）,事件{X=k}即为“n次试验中事件A恰好发生k次”，随机变量X的离散概率分布即为二项分布。
二项分布的应用：
在保险业务中，经常需要根据实际情况适当调整保费问题，以保证保险公司的利润达到一定要求，同时保险公司的业务量也达到要求，对于这一类问题，可以对已知实际情况做一定的概率分析。
例如某保险公司有10000客户购买人身意外保险，该公司规定每人每年付公司120元 ，若遇意外死亡，公司将赔偿10000元。
若每人每年死亡率为0.006，从而不难利用二项分布算出公司获利、亏本的各种情形了。实际上对于随机现象，了解其分布非常有意义，利用概率论讨论得到的结果对保险公司有一定的指导意义。
中文名称：
二项分布
英文名称：
binomial distribution
定义：
描述随机现象的一种常用概率分布形式，因与二项式展开式相同而得名。
二项分布即重复n次的伯努利试验。在每次试验中只有两种可能的结果，而且是互相对立的，是独立的，与其它各次试验结果无关，结果事件发生的概率在整个系列试验中保持不变，则这一系列试验称为伯努利实验。
统计学定义
在概率论和统计学中，二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概
二项分布与生活息息相关
率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n =
1时，二项分布就是伯努利分布。二项分布是显著性差异的二项试验的基础。
医学定义
在医学领域中，有一些随机事件是只具有两种互斥结果的离散型随机事件，称为二项分类变量（dichotomous
variable），如对病人治疗结果的有效与无效，某种化验结果的阳性与阴性，接触某传染源的感染与未感染等。二项分布（binomial
distribution）就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布。
考虑只有两种可能结果的随机试验，当成功的概率（π）是恒定的
二项分布公式
，且各次试验相互独立，这种试验在统计学上称为伯努利试验（Bernoulli
trial）。如果进行n次伯努利试验，取得成功次数为X（X=0,1,…，n）的概率可用下面的二项分布概率公式来描述：
P=C(X,n)*π^X*(1-π)^(n-X)
式中的n为独立的伯努利试验次数，π为成功的概率，（1-π）为失败的概率，X为在n次贝努里试验中出现成功的次数，表示在n次试验中出现X的各种组合情况，在此称为二项系数（binomial
coefficient）。
所以的含义为：含量为n的样本中，恰好有X例阳性数的概率。
二项分布（Binomial
Distribution），即重复n次的伯努利试验（Bernoulli
Experiment），用ξ表示随机试验的结果。
如果事件发生的概率是P,则不发生的概率p=1-p，N次独立重
二项分布公式
复试验中发生K次的概率是
P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k), 其中C(n, k) = n!/(k! *
(n-k)!)
注意！:第二个等号后面的括号里的是上标，表示的是方幂。
那么就说这个属于二项分布。.
其中P称为成功概率。
记作ξ~B(n,p)
期望：Eξ=np
方差:Dξ=npq
证明:由二项式分布的定义知，随机变量X是n重伯努利实验中事件A发生的次数，且在每次试验中A发生的概率为p.因此，可以将二项式分布分解成n个相互独立且以p为参数的（0-1）分布随机变量之和.
设随机变量X（k）(k=1,2,3...n)服从（0-1）分布，则X=X(1)+X(2)+X(3)....X(n).
因X(k)相互独立,所以期望：E(X)=E[X(1)+X(2)+X(3)....X(n)]=np.
方差：D(X)=D[X(1)+X(2)+X(3)....X(n)]=np(1-p).
证毕.
以上证明摘自高等教育出版社《概率论与数理统计》第四版
如果
1．在每次试验中只有两种可能的结果，而且是互相对立的；
2．每次实验是独立的,与其它各次试验结果无关;
3．结果事件发生的概率在整个系列试验中保持不变，则这一系列试验称为伯努利实验。
在这试验中,事件发生的次数为一随机事件，它服从二次分布.二项分布可
二项分布
以用于可靠性试验。可靠性试验常常是投入n个相同的式样进行试验T小时,而只允许k个式样失败，应用二项分布可以得到通过试验的概率.
若某事件概率为p，现重复试验n次，该事件发生k次的概率为：P=C(n,k)×p^k×(1-p)^(n-k).C(n,k)表示组合数，即从n个事物中拿出k个的方法数。
应用条件
1．各观察单位只能具有相互对立的一种结果，如阳性或阴性，生存或死亡等，属于两分类资料。
2．已知发生某一结果（阳性）的概率为π，其对立结果的概率为1-π，实际工作中要求π是从大量观察中获得比较稳定的数值。
二项分布公式
3．n次试验在相同条件下进行，且各个观察单位的观察结果相互独立，即每个观察单位的观察结果不会影响到其他观察单位的结果。如要求疾病无传染性、无家族性等。
性质
1．二项分布的均数和标准差在二项分布资料中，当π和n已知时，它的均数μ及其标准差σ可由式（7.3）和（7.4）算出。
μ=nπ（7.3）
σ=（7.4）
若均数和标准差不用绝对数表示，而是用率表示时，即对式（7.
二项分布公式
3）和（7.4）分别除以n，得
μp=π（7.5）
σp=（7.6）
σp是样本率的标准误的理论值，当π未知时，常用样本率p作为π的估计值，式（7.6）变为：
sp= （7.7）
2．二项分布的累计概率（cumulative
probability）常用的有左侧累计和右侧累计两种方法。从阳性率为π的总体中随机抽取含量为n的样本，则
（1）最多有k例阳性的概率
(7.8)
（2）最少有k例阳性的概率
（7.9）
其中，X=0,1,2,…，k,…，n。
3．二项分布的图形已知π和n，就能按公式计算X=0，1，…，n时的P（X）值。以X为横坐标，以P（X）为纵坐标作图，即可绘出二项分布的图形，如图7.1，给出了p=0.5和
p=0.3时不同n值对应的二项分布图。
二项分布的形状取决于π和n的大小，高峰在m=np处。当p接近0.5时，图形是对称的；p离0.5愈远，对称性愈差，但随着n的增大，分布趋于对称。当n→∞时，只要p不太靠近0或1，特别是当nP和n(1－P)都大于5时，二项分布近似于正态分布。关于二项分布近似为正态分布的判定条件，不同著述中存在争议，在甘怡群《心理与行为科学统计》中：当np>10且n（1-p）>10时，二项分布可以近似为正态分布（第72页）；在张厚粲《现代心理与教育统计学》中：当p（1-p）且n（1-p）≥5时，二项分布可以近似为正态分布（第178页）。
π=0.5时,不同n值对应的二项分布
π=0.3时， 不同n值对应的二项分布
图7.1二项分布示意
分布区别
两点分布又称伯努利分布
两点分布的分布列就是
x
0
1
P
1-p
p
不论题目有什么区别,只有两种可能，要么是这种结果要么是那种结果,通俗点，要么成功要么失败
而二项分布的可能结果是不确定的甚至是没有尽头的,
列一个二项分布的分布列就是
X 0 1 2 ……… n
P C(0)(n)·(1-p)^n C(1)(n)·p·(1-p)^(n-1)
……C(n)(n)·p^n·(1-p)^0
也就是说当n=1时，这个特殊二项分布就会变成两点分布,
即两点分布是一种特殊的二项分布
像其他地方说的二项分布是两点分布的多重实验也不无道理，因为两者都是独立的重复实验,只不过次数不同罢了
E(n) = np, var(n) = np(1-p) (n是实验次数，p是每次实验的概率）
描述随机现象的一种常用概率分布形式。
二项分布即重复n次的伯努利试验。在每次试验中只有两种可能的结果，而且是互相对立的，是独立的，与其它各次试验结果无关，结果事件发生的概率在整个系列试验中保持不变，则这一系列试验称为伯努利实验。
绛旓細浜岄」鍒嗗竷鐨勬柟宸叕寮忎负锛歏ar(X) = np(1-p)锛屽叾涓璶涓鸿瘯楠屾鏁帮紝p涓哄崟娆¤瘯楠屾垚鍔熺殑姒傜巼锛孷ar(X)涓洪殢鏈哄彉閲廥鐨勬柟宸備簩椤瑰垎甯冩槸鎸囧湪n娆＄嫭绔嬮噸澶嶇殑浼姫鍒╄瘯楠屼腑锛屾垚鍔熺殑娆℃暟X鏈嶄粠鐨勬鐜囧垎甯冦傚叾涓瘡娆¤瘯楠岀殑缁撴灉鍙湁涓ょ鍙兘锛氭垚鍔熸垨澶辫触锛屼笖鎴愬姛鐨勬鐜囦负p锛屽け璐ョ殑姒傜巼涓1-p銆傚湪姣忔璇曢獙涓紝鎴愬姛鍜...
绛旓細鍦ㄦ鐜囪鍜岀粺璁″涓紝浜岄」鍒嗗竷鏄痭涓嫭绔嬬殑鏄/闈炶瘯楠屼腑鎴愬姛鐨勬鏁扮殑绂绘暎姒傜巼鍒嗗竷锛屽叾涓瘡娆¤瘯楠岀殑鎴愬姛姒傜巼涓簆銆傝繖鏍风殑鍗曟鎴愬姛/澶辫触璇曢獙鍙堢О涓轰集鍔埄璇曢獙銆
绛旓細鎻忚堪闅忔満鐜拌薄鐨勪竴绉嶅父鐢ㄦ鐜囧垎甯冨舰寮忥紝鍥犱笌浜岄」寮忓睍寮寮忕浉鍚岃屽緱鍚嶃浜岄」鍒嗗竷鍗抽噸澶峮娆＄殑浼姫鍒╄瘯楠屻傚湪姣忔璇曢獙涓彧鏈変袱绉嶅彲鑳界殑缁撴灉锛岃屼笖鏄簰鐩稿绔嬬殑锛屾槸鐙珛鐨勶紝涓庡叾瀹冨悇娆¤瘯楠岀粨鏋滄棤鍏筹紝缁撴灉浜嬩欢鍙戠敓鐨勬鐜囧湪鏁翠釜绯诲垪璇曢獙涓繚鎸佷笉鍙橈紝鍒欒繖涓绯诲垪璇曢獙绉颁负浼姫鍔涜瘯楠屻
绛旓細浜岄」寮忓垎甯冨叕寮忥細P=C锛圶锛宯锛*蟺^X*锛1-蟺锛塣锛坣-X锛夈備竴銆浜岄」鍒嗗竷鐨勬蹇碉細浜岄」鍒嗗竷鏄敱浼姫鍒╂彁鍑虹殑姒傚康锛屾寚鐨勬槸閲嶅n娆＄嫭绔嬬殑浼姫鍒╄瘯楠屻傚湪姣忔璇曢獙涓彧鏈変袱绉嶅彲鑳界殑缁撴灉锛岃屼笖涓ょ缁撴灉鍙戠敓涓庡惁浜掔浉瀵圭珛锛屽苟涓旂浉浜掔嫭绔嬶紝涓庡叾瀹冨悇娆¤瘯楠岀粨鏋滄棤鍏筹紝浜嬩欢鍙戠敓涓庡惁鐨勬鐜囧湪姣忎竴娆＄嫭绔嬭瘯楠屼腑閮戒繚鎸佷笉...
绛旓細浜岄」鍒嗗竷涓秹鍙婂埌鐨勪袱绫讳簨浠朵箣闂寸殑鍏崇郴鏄浉浜掔嫭绔嬬殑銆備簩椤瑰垎甯冨氨鏄噸澶峮娆＄嫭绔嬬殑浼姫鍒╄瘯楠屻傚湪姣忔璇曢獙涓彧鏈変袱绉嶅彲鑳界殑缁撴灉锛岃屼笖涓ょ缁撴灉鍙戠敓涓庡惁浜掔浉瀵圭珛锛屽苟涓旂浉浜掔嫭绔嬶紝涓庡叾瀹冨悇娆¤瘯楠岀粨鏋滄棤鍏炽備簨浠跺彂鐢熶笌鍚︾殑姒傜巼鍦ㄦ瘡涓娆＄嫭绔嬭瘯楠屼腑閮戒繚鎸佷笉鍙橈紝鍒欒繖涓绯诲垪璇曢獙鎬荤О涓簄閲嶄集鍔埄瀹為獙锛屽綋璇曢獙娆℃暟涓1...
绛旓細缁勫悎銆傜粍鍚堬紙combination锛夛紝鏁板鐨勯噸瑕佹蹇典箣涓銆備粠n涓笉鍚屽厓绱犱腑姣忔鍙栧嚭m涓笉鍚屽厓绱狅紙0鈮鈮锛夛紝涓嶇鍏堕『搴忓悎鎴愪竴缁勶紝绉颁负浠巒涓厓绱犱腑涓嶉噸澶嶅湴閫夊彇m涓厓绱犵殑涓涓粍鍚堛傛墍鏈夎繖鏍风殑缁勫悎鐨勬绘暟绉颁负缁勫悎鏁帮紝杩欎釜缁勫悎鏁扮殑璁＄畻鍏紡涓
绛旓細绠鍗曠殑璇达紝涓ょ偣鍒嗗竷锛屼篃绉颁负0-1鍒嗗竷锛鏄簩椤瑰垎甯鐨勪竴绉嶆渶绠鍗曠殑鎯呭喌锛屾槸浜岄」鍒嗗竷鐨勪竴绉嶇壒渚嬨備袱鐐瑰垎甯冪殑鍒嗗竷灏辨槸涓嶈浠涔鎯呭喌,鍙湁涓ょ鍙兘,瑕佷箞鎴愬姛锛圥=1锛夎涔堝け璐(p=0)锛屽叾鍒嗗竷鍒楄〃濡備笅锛歑 0 1 P p 1-p 浜岄」鍒嗗竷鐨勫彲鑳界粨鏋滄槸涓嶇‘瀹氱殑鐢氳嚦鏄病鏈夊敖澶寸殑,浜岄」鍒嗗竷鐨勫垎甯冨垪鏄 P= C(0)(...
绛旓細浜岄」鍒嗗竷鍏紡涓猴細P锛圶=k)=C (n锛宬)锛坧^k锛* (1-p)^ (n-k)銆備笅闈㈡槸鍏充簬浜岄」鍒嗗竷鍏紡鐨勪竴浜涙嫇灞 1銆佷簩椤瑰垎甯冩槸n涓嫭绔嬬殑鎴愬姛/澶辫触璇曢獙涓垚鍔熺殑娆℃暟鐨勭鏁ｆ鐜囧垎甯冿紝鍏朵腑姣忔璇曢獙鐨勬垚鍔熸鐜囦负p銆傛槸鏄捐憲鎬у樊寮傜殑浜岄」璇曢獙鐨勫熀纭锛屽彲浠ュ府鍔╂垜浠簡瑙ｅ拰鐩戞帶鐢熶骇瀹炶返杩囩▼涓敱浜庢煇浜涘洜绱犺屽鑷寸殑娉㈠姩...
绛旓細浼姫鍒╁垎甯冪殑鍒嗗竷鍒楀涓嬪浘锛氬垯鏍规嵁绂绘暎鍨嬮殢鏈哄彉閲忕殑鍧囧煎拰鏂瑰樊瀹氫箟锛欵(X)=0*(1-p)+1*p=p D(X)=(0-E(X))2(1-p)+(1-E(X))2p=p2(1-p)+(1-p)2p=p2-p3+p3-2p2+p=p-p2=p(1-p)瀵逛簬浜岄」鍒嗗竷X~B(n,p)锛孹琛ㄧず鐨勬槸n娆′集鍔埄璇曢獙涓簨浠跺彂鐢熸鏁扮殑闅忔満鍙橀噺銆傜敤Xi琛ㄧず绗琲娆...
