如何检验一枚硬币是否均匀？

用二项分布的尾部概率：抛 n 次记录正面数 k，若 P(X≥k | p=0.5) 小于显著性水平（常用 0.05）则拒绝「硬币均匀」。例：抛 100 次得 62 正，P(X≥62) ≈ 0.0105 50 不等于「显著」，60 正时 p 值 0.057 尚不能拒绝；② 统计显著 ≠ 实际重要，抛 10 万次得 50.5% 正面也显著，但偏差幅度毫无实际意义。

二项分布计算器 - n 次试验恰好 k 次成功

Q: 为什么"恰好"的概率都很小？

因为概率被摊薄到 n+1 个可能结果上：抛 10 次硬币有 11 种结果，即使最可能的"5 次正面"也只有 24.6%。n 越大单点概率越小（约 1/√n 衰减），所以大样本问题都问"落在某个区间的概率"而不是"恰好等于某值的概率"——这正是连续分布中改用概率密度的原因。

Q: 彩票"连中两期"的概率怎么算？

若单期中奖概率 p、买 n 期恰好中 k 次，套二项分布即可。以双色球二等奖（约 1/118 万）为例：买 1000 期恰好中 1 次的概率 ≈ 1000 × p × (1−p)⁹⁹⁹ ≈ 0.085%，连中两次（k=2）约 0.000036%——媒体热炒的"奇迹"在数学上就是小概率事件的必然曝光。

Q: 期望为什么是 np？直觉怎么理解？

单次伯努利试验的期望就是 p（以概率 p 得 1、概率 1−p 得 0），期望的线性性让 n 次独立重复直接相加：E = p+p+…+p = np。直觉验证：抛 100 次均匀硬币，「平均说来」正面 50 次；命中率 80% 的球员出手 20 次，期望命中 16 次。方差同理可加（独立时）：Var = n·p(1−p)，在 p=0.5 时最大——不确定性在「五五开」时最高，接近必然或接近不可能时波动反而小，这与直觉一致。

Q: 「至少中一次」为什么不能把概率直接相加？

因为重复计数。买 10 张 1% 中奖率的彩票，错误算法 10×1% = 10%，错在把「第一张中且第二张也中」这类重叠情形算了多遍。若彩票 100 张各 1%，直接相加得 100%，荒谬（实际 1−0.99¹⁰⁰ ≈ 63.4%）。正确做法用对立事件：P(至少一次) = 1 − P(全部不中) = 1 − (1−p)ⁿ。概率可加的前提是事件互斥（不能同时发生），「第 i 张中奖」之间显然不互斥。

Q: 最可能的成功次数（众数）是多少？

众数是 ⌊(n+1)p⌋——当 (n+1)p 是整数时 k=(n+1)p−1 与 k=(n+1)p 并列众数。例：n=10、p=0.5，众数 ⌊5.5⌋=5；n=9、p=0.5，(n+1)p=5 为整数，k=4 与 k=5 概率并列最高。推导思路是比较相邻项比值 P(k+1)/P(k) = (n−k)p/((k+1)(1−p))，从大于 1 变小于 1 的拐点即众数。众数永远在期望 np 附近，差距不到 1。

Q: 二项分布什么时候能用泊松分布近似？

经验法则：n ≥ 100 且 p ≤ 0.05 且 np < 10，此时用 λ=np 的泊松分布计算又快又准。原理：n→∞、p→0 而 np=λ 固定时，C(n,k)pᵏ(1−p)ⁿ⁻ᵏ 的极限正是 λᵏe⁻λ/k!。例：每页排版错误率 0.002，500 页书求恰好 2 页有错：二项需算 C(500,2)×0.002²×0.998⁴⁹⁸，泊松直接 λ=1：1²e⁻¹/2! ≈ 0.184，两者相差不到 0.1%。稀有事件（事故、罕见病、服务器故障）建模几乎都用泊松。

Q: 连续答对/连中怎么算？

「恰好 k 次成功」不要求连续，「连续 k 次成功」是另一回事。n 次试验中出现至少一段长度 r 的连胜，没有简单闭式（用递推或马尔可夫链计算），但小 n 可枚举。直觉参考：抛 20 次硬币出现至少 4 连正的概率约 26%——比大多数人猜的高得多，这就是「热手谬误」的统计学背景：随机序列天然产生看似异常的连中 streak，不足以证明状态存在。体育数据分析用扫描统计量处理这类问题。

Q: 正态近似时为什么要连续性修正？

二项分布是离散的（X 取整数值），正态是连续的——直接套正态会把「P(X=10)」算成 0（连续分布单点概率为零）。连续性修正把整数 k 看作区间 [k−0.5, k+0.5]：P(X≤k) ≈ Φ((k+0.5−np)/√npq)。例：n=100、p=0.5 求 P(X≤45)，修正前 z=−1.0 → 15.9%，修正后 z=−0.9 → 18.4%，精确值 18.4%——修正后几乎无误差。n 大、p 接近 0.5 时修正影响小，但尾部概率计算中养成修正习惯更稳妥。

什么是二项分布计算器？

二项分布（Binomial Distribution）描述 n 次独立伯努利试验（每次只有成功/失败，成功概率 p 恒定）中成功次数 X 的分布。恰好 k 次的概率 P(X=k) = C(n,k) × p^k × (1−p)^(n−k)——组合数选位置、p 的幂算成功、(1−p) 的幂算失败，三部分各司其职。

以抛 10 次硬币恰好 3 次正面为例：C(10,3) × 0.5¹⁰ = 120 × 0.000977 = 0.1172，约 11.7%。而"最多 3 次"（累计概率 P(X≤3)）= 0.1719。注意"恰好"与"至少/最多"是不同问题——前者查单点概率，后者要把一侧全部加起来。

二项分布的期望 np 与方差 np(1−p) 极其实用：抽检 100 件产品、不良率 2%，期望 2 件不良、标准差 √1.96 ≈ 1.4 件——抽到 6 件不良就严重偏离期望，足以怀疑产线出了问题。n 大、p 小时二项分布趋近泊松分布；n 大时（np、n(1−p) 都 >5）可用正态近似。

二项分布描述「n 次独立伯努利试验中成功次数」的概率分布，成立需要四个条件：试验次数 n 固定、每次只有成败两种结果、成功概率 p 恒定、各次相互独立。概率公式 C(n,k)·pᵏ·(1−p)ⁿ⁻ᵏ 的结构非常直观：pᵏ(1−p)ⁿ⁻ᵏ 是「某特定序列出现 k 成 n−k 败」的概率，C(n,k) 则是这样的序列共有多少种排法。抛 3 次硬币求 2 正：特定序列「正正反」概率 0.125，共有 C(3,2)=3 种排法，合计 0.375。

n 足够大时二项分布逼近正态（棣莫弗-拉普拉斯定理）：当 np≥10 且 n(1−p)≥10，可用 N(np, np(1−p)) 近似计算，这是民调「±3% 误差」的理论来源。另一个重要极限是泊松近似：n 很大、p 很小、np=λ 适中时（经验 n≥100 且 p≤0.05），二项分布可用泊松分布近似——这就是「稀有事件」建模的桥梁。二项分布还是假设检验的基石：「连续 5 次猜对牌是不是真有特异功能」这类问题，答案就是计算 P(X≥5 | p=0.25, n=5) 这类尾部概率。

P(X=k) = C(n,k)·p^k·(1−p)^(n−k)；E(X)=np；Var(X)=np(1−p)

二项概率：P(X=k) = C(n,k)·pᵏ·(1−p)ⁿ⁻ᵏ。例：抛 10 次均匀硬币恰好 6 次正面：C(10,6)×0.5⁶×0.5⁴ = 210/1024 ≈ 20.5%。期望 E(X)=np=5，方差 Var(X)=np(1−p)=2.5，标准差 ≈1.58。正态近似条件：np ≥ 10 且 n(1−p) ≥ 10。

二项分布在各领域的典型参数与关注点
场景	n（试验次数）	p（单次成功率）	关注的问题
质量抽检	20~200（抽样量）	次品率 1~5%	不合格品 ≤ 上限的概率
医药试验	每组 50~500	有效率 60~90%	有效人数达到阈值的把握
体育罚球	赛季总出手	生涯命中率	k 连中 / 起伏是否异常
民调支持率	400~2000（样本）	真实支持率	误差范围（±3% 来源）
A/B 测试	各组流量	转化率	提升是否统计显著
设备冗余	并联元件数	单件可靠度	至少 1 件正常 = 1−(1−p)ⁿ

如何使用二项分布计算器

1
输入试验次数 n、单次成功概率 p（小数）与成功次数 k。
2
点击计算，得 P(X=k)、P(X≤k)、P(X≥k) 与期望方差。

计算示例

例 1抛 10 次硬币恰好 3 次正面

n=10、p=0.5、k=3：P(X=3) = 120 × 0.5¹⁰ ≈ 0.1172（11.7%）；P(X≤3) ≈ 0.1719；期望 5 次、方差 2.5。最可能的结果是 5 次正面（P ≈ 24.6%）。

例 2抽检决策

不良率 2% 的产线抽检 100 件（n=100、p=0.02）：期望 2 件不良。若抽到 6 件，P(X≥6) ≈ 2.3%——小概率事件发生了，合理怀疑不良率已超标，应停线排查。这就是统计质控的原型。

例 3质量控制抽检

生产线次品率 2%，随机抽 50 件，求「不超过 1 件次品」的接收概率。P(X=0)=0.98⁵⁰≈0.364；P(X=1)=50×0.02×0.98⁴⁹≈0.372；合计 0.736。即按此抽检方案，这批合格品（2% 其实是行业警戒线）仍有 26.4% 的概率被拒收——这就是抽检方案设计要平衡的「生产方风险」。

例 4罚球命中率波动

球员生涯罚球命中率 75%，某场 10 罚仅中 4，是否「状态失常」？P(X≤4) = Σ C(10,k)0.75ᵏ0.25¹⁰⁻ᵏ（k=0..4）≈ 0.0219。约 2.2% 的概率——统计上罕见但非不可能：一个赛季 82 场，出现 1~2 次这种夜晚完全在正常波动内，单场手感论大多是对随机性的过度解读。

例 5至少一次成功

单个传感器故障率 0.05，并联 3 个独立传感器，系统（任一正常即可）可靠度 = 1 − P(全坏) = 1 − 0.05³ = 0.999875。「至少一次」类问题的标准解法是反向算 1−pⁿ：买 10 张中奖率 1% 的刮刮乐，至少中一次的概率 = 1−0.99¹⁰ ≈ 9.6%，而不是错误直觉的 10%。

注意事项

三个前提缺一不可：试验独立、每次只有两种结果、概率 p 恒定——抽样不放回时严格说该用超几何分布。
"恰好 k 次"与"至少 k 次"别混淆：投保、质控场景通常关心后者（累计概率）。
p 用 0–1 小数输入（5% 输 0.05）；大 n 的精确计算依赖数值库，本工具用对数阶乘防溢出。
n 很大时可用正态近似 N(np, np(1−p)) 并做连续性修正（±0.5），误差随 n 增大而缩小。
「恰好」与「至少」是两种问法：P(X=k) 单点概率往往很小（n 大时即便最可能的 k 也只有几个百分点），「至少 k 次」要算尾部求和 P(X≥k)，千万别用单点概率回答区间问题。
不放回抽样严格说是超几何分布：从 100 件产品中抽 10 件检验，次品数服从超几何而非二项。当总体 N 远大于样本 n（经验 N>10n），两者数值接近才可用二项近似——这也是「无限总体」假设的含义。
独立性假设最易被忽视：同一场比赛中球员的多次罚球受体力、心态影响并不独立；家族成员的疾病事件共享遗传与环境。独立性被破坏时实际方差通常大于 np(1−p)（过离散），需要用更复杂的模型。

常见问题

看是否放回：有放回（或总体无限大）→ 二项分布（p 恒定）；不放回的有限总体 → 超几何分布（每抽一件 p 都在变）。经验法则：样本量 < 总体的 5% 时两者几乎无差别，可用二项近似；抽检 100 件占批量 1000 的 10%，就该用超几何了。