二项分布计算器

🎯 Binomial Distribution

📐 工作原理与说明
描述 n 次独立伯努利试验中成功次数的概率分布。
  • 概率:P(X=k) = C(n,k)·p^k·(1−p)^(n−k),X ~ B(n, p)。
  • 数字特征:期望 E[X]=np,方差 Var=n·p·(1−p),标准差为方差开方。
  • 累积:P(X≤k) 逐项累加;P(X≥k) = 1 − P(X≤k−1)。
  • 近似:当 np 与 n(1−p) 均 ≥5 时,可用正态分布 N(np, np(1−p)) 近似。

📋 二项分布公式

P(X = k) = C(n, k) × pk × (1−p)n−k
前提:n 次独立试验,每次成功概率 p,X 为成功次数。
均值:μ = np
方差:σ² = np(1−p)
当 np≥5 且 n(1−p)≥5 时,可正态近似:X ~ N(np, np(1−p))

📚 深度解析:二项分布计算器

💡 常见使用场景

  • n 次独立试验、单次成功概率 p 时算恰好/至多 k 次成功。
  • 抽检方案评估:一批产品不良率 2%,抽 100 件,用该分布算出「检出 0 件不良」的概率仅约 13%,说明这个抽样量并不能可靠保证批质量。
n=10,p=0.5,k=5:P(X=5)=C(10,5)·0.5^10≈0.246(约 24.6%)。

❓ 常见问题(FAQ)

二项与伯努利关系?
单次伯努利是 n=1 的二项分布。
n 很大时还算得动吗?
n 较大时组合数 C(n,k) 会非常大,但 p 很小时可用泊松分布近似(λ = np),n 大且 p 不极端时可用正态近似(均值 np、方差 np(1−p))。近似能大幅降低计算量,但要注意适用条件:通常要求 np ≥ 5 且 n(1−p) ≥ 5。
⚠️ 使用说明与注意事项
📖关于「二项分布计算器」 ▼

📝工具简介

Compute binomial distribution probabilities and CDF in your browser for success/failure experiments.