第 14 章｜伯努利与二项分布：从一次成败到次数地图

00 / WHY DISTRIBUTIONS

只知道“成功率 60%”，还不知道重复十次会发生什么

模型常要回答的不只是下一次成功概率，还要回答“一批 10 次中成功几次最常见”“至少成功 8 次有多难”。概率分布把随机变量每个可能值和它的概率完整列出来。

1 次

伯努利分布

结果只能是 1 或 0，概率分别是 p 与 1−p。

n 次

二项分布

随机变量 X 记录 n 次里成功了几次，可能从 0 到 n。

概率分布解决的四个问题

看全局不是一个概率，而是所有可能值

找常见值看柱子最高处在哪里

算区间风险把多个次数概率累加

建立模型用少量参数描述随机规律

能区分频数、概率和随机变量
能写出伯努利分布的两个结果概率
能解释二项公式中组合数的作用
能调节 n、p、k 并读懂分布变化

01 / FROM FREQUENCY TO PROBABILITY

分布是一张地图：每个值出现多少，或可能性多大

原文记录 14 场比赛的总进球数：0 分出现 2 次、1 分 2 次、2 分 3 次、3 分 1 次、4 分 4 次、5 分 2 次。把频数除以 14，就得到概率分布。

总进球 X	频数	经验概率
0	2	2/14
1	2	2/14
2	3	3/14
3	1	1/14
4	4	4/14
5	2	2/14

20

21

32

13

44

25

X随机变量

把随机结果用数字记录，这里 X 是总进球数。

P(X=k)某个值的概率

例如 P(X=4)=4/14。

Σ=1全部概率之和

所有可能值互斥且完整，总概率必须等于 1。

频数不是概率：频数 4 表示数据中出现 4 次；经验概率 4/14 表示它占全部记录的比例。样本越多，经验分布通常越稳定。

02 / BERNOULLI TRIAL

伯努利试验：只问一个“是或否”的问题

1成功

目标事件发生，概率为 p。

OR

0失败

目标事件没发生，概率为 1−p。

P(X=k)=pᵏ(1−p)¹⁻ᵏ　　k∈{0,1}

k=1公式变成 p¹(1−p)⁰=p

k=0公式变成 p⁰(1−p)¹=1−p

0 次方非零数的 0 次方为 1，因此不需要的因子自动消失

两种结果只要能清楚定义目标事件，就不一定非得是硬币

例子：邮件是否为垃圾邮件、明天是否下雨、商品是否被点击、学生是否答对一道题，都可以先简化成一次伯努利试验。

03 / BERNOULLI LAB

拖动成功概率 p，两根柱子始终合计为 1

0/1

BERNOULLI BALANCE / 伯努利天平

橙色是成功 1，青色是失败 0

40%X=0 失败

60%X=1 成功

成功概率 p 0.60

P(X=1)0.60

P(X=0)0.40

概率总和1.00

可能取值{0,1}

成功更可能，但一次试验仍然可能失败。

04 / REPEATED TRIALS

三次试验有 8 种顺序，但成功次数只有 4 种

先不使用公式，把 S 当成功、F 当失败。三次独立试验共有 2³=8 个序列。我们只关心成功次数 k，就把顺序不同但次数相同的序列分到一组。

SSSk=3

SSFk=2

SFSk=2

FSSk=2

SFFk=1

FSFk=1

FFSk=1

FFFk=0

成功 0 次₃C₀=1

成功 1 次₃C₁=3

成功 2 次₃C₂=3

成功 3 次₃C₃=1

为什么出现组合数？某一个具体顺序（例如 SSF）的概率只是 p²(1−p)；但成功 2 次有 SSF、SFS、FSS 三种顺序，所以要再乘 ₃C₂=3。

05 / BINOMIAL DISTRIBUTION

二项分布公式：方法数 × 每一种顺序的概率

P(X=k)=n!k!(n−k)! pᵏ(1−p)ⁿ⁻ᵏ = ₙCₖpᵏ(1−p)ⁿ⁻ᵏ

n总共进行多少次独立且同概率的试验

k目标事件成功了多少次，范围 0 到 n

ₙCₖ把 k 次成功放进 n 个位置，有多少种排法

pᵏ(1−p)ⁿ⁻ᵏ任何一个含 k 次成功的具体序列概率

n=3，p=2/3，k=2：P(X=2)=₃C₂(2/3)²(1/3)=3×4/27=4/9

边界检查：ₙC₀=ₙCₙ=1，因为“全失败”或“全成功”都只有一种顺序。组合公式里会出现 0!，第 8 章已经说明 0!=1。当 n=1 时，二项分布就退回本章前面的伯努利分布。

使用二项分布的三个条件：固定 n 次试验；每次只有成功/失败；各次独立且成功概率 p 保持相同。不放回抽小样本时 p 会变化，不能直接套二项分布。

06 / BINOMIAL LAB

调节 n、p、k，看整条分布如何移动和变形

柱子代表从成功 0 次到 n 次的全部概率。点击任意柱子也可以选择 k。

nCk

DISTRIBUTION BUILDER / 二项分布生成器

初始值使用原文例子：n=3，p=2/3，观察 k=2

组合方法数：₃C₂=3

一个具体序列：(2/3)²(1/3)¹=0.1481

成功 k 次总概率：3×0.1481=0.4444

试验次数 n 3

每次成功概率 p 0.67

观察成功次数 k 2

P(X=k)0.4444

P(X≤k)0.7037

平均成功次数 np2.00

全部概率和1.0000

n=3、p≈2/3 时，成功 2 次最常见。

07 / CDF & LIKELIHOOD

同一条公式，还能回答“最多几次”和“哪个 p 更合理”

P(X=k)概率质量

只问刚好成功 k 次，读取一根柱子。

P(X≤k)累积分布

从 0 次一直加到 k 次，读取一段柱子的总和。

L(p)似然

固定已经观察到的 n、k，比较不同 p 让这份数据有多合理。

P(X≤k)=Σᵢ₌₀ᵏ P(X=i)

不要把 np 当成保证：实验器里的 np 是大量重复做“n 次试验”时的平均成功次数。一次具体实验完全可能比它多或少。

概率与似然看的方向不同：固定参数 p、让结果 k 变化时，是概率分布；固定已经看到的 k、让参数 p 变化时，同一个表达式可当作似然，用来估计最能解释数据的 p。

08 / MACHINE LEARNING

伯努利与二项分布为什么是机器学习基础？

二分类标签

猫/非猫、点击/未点击、答对/答错都能写成 1/0。模型输出 p，就是伯努利分布的参数。

批量成功次数

预测 100 次展示中会有多少次点击、20 道题大约答对几道，可以用二项分布建立基准。

学习概率参数

观察一批 0/1 数据后，模型寻找最能解释这些结果的 p；这连接似然、最大似然和后续贝叶斯更新。

模型不合适时不要硬套：若每次 p 不同、结果互相影响，或一次有三个以上类别，就需要别的分布或更复杂的模型。

09 / RECAP

把本章浓缩成四张卡片

概率分布列出随机变量全部值与概率

ΣP(X=k)=1

伯努利一次试验只有 0 或 1

P(1)=p

组合数成功 k 次有多少种顺序

ₙCₖ

二项分布n 次中成功 k 次的概率

ₙCₖpᵏ(1−p)ⁿ⁻ᵏ

10 / CHECK

知识检测：选择后立即诊断

题目覆盖分布阅读、公式条件、组合数和机器学习迁移。

VISUAL FIRST · 一图读懂

二项分布为什么会形成一排概率柱？

固定次数的成功数量只有有限几种可能。单次成功率改变时，最高的柱子会移动，但所有结果仍覆盖完整可能性。

重复二选一试验进入五个透明收集柱并形成概率高低的无文字插图 — HOW TO READ
读图顺序

**重复相同试验**
每一次都只有成功或失败，并保持相同成功率。

**按成功次数分组**
做完固定次数后，只记录一共成功了多少次。

**柱高就是可能性**
哪种成功次数更常出现，对应的收集柱就会更高。

伯努利 × 二项从一次成败到整张次数地图