1. 为什么二项分布值得反复琢磨

我第一次真正把二项分布用明白，不是在课本上，而是在一个抽检场景里。当时业务方给了一批货，说抽 20 件看看有多少件不合格，问我"抽到 3 件以上不合格就退货，这个规则靠不靠谱"。我一开始凭直觉说"20 件里 3 件不合格，15% 的不良率，有点高吧"，结果被反问了一句："如果这批货真实不良率只有 5%，你抽 20 件出现 3 件以上不合格的概率有多大？"我当场卡住了。

这个问题的答案，就是二项分布要解决的事。二项分布描述的是在 n 次独立重复的伯努利试验中，成功次数所服从的概率分布。一句话拆开有三个硬条件：试验次数 n 是固定的、每次只有成功/失败两种结果、每次成功的概率 p 保持不变且各次之间互不影响。满足这三条，成功次数 X 就服从参数为 (n, p) 的二项分布，记作 X ~ B(n, p)。

它解决的是一类非常具体的问题：在重复做同一件事若干次的前提下，我想知道"成功几次"这件事的概率有多大。抛 10 次硬币正面朝上几次、100 个用户里有多少人点广告、一批零件抽 50 个有几个次品、投篮 20 次命中几个，本质上都是同一个模型。适合谁看？如果你是需要做质量抽检、A/B 实验评估、转化率判断、风控阈值设定的从业者，或者只是被"n 选 k 的概率"绕晕过的学生，这篇内容都能给你一条从头算到尾的清晰路径。

我下面不光讲公式长什么样，更重要的是讲清楚每个参数怎么来的、什么时候这个模型会失效、以及我在实操中踩过的那些坑。公式背下来十分钟就够，但知道它什么时候不能用，往往要花好几年。

2. 把二项分布拆开看：从一次抛硬币到 n 次重复

2.1 伯努利试验：整个模型的原子单位

二项分布的地基是伯努利试验，名字听着唬人，其实简单到不能再简单：一次试验只有两种结果，成功或者失败，成功概率记作 p，失败概率就是 1-p。抛一次硬币、点一次广告、检查一个零件，这些都是伯努利试验。

这里有个新手最容易忽略的点："成功"不代表好事。在质量抽检里，"成功"往往指的是"抽到次品"，因为我们关心的就是次品出现的次数。在医学统计里，"成功"可能指的是"出现不良反应"。所以看到 p 的时候，千万别默认它代表好消息，一定要回到具体场景确认 p 到底是谁的概率。我在早期做过一个错误判断，就是因为把"合格率"当成了 p 代进去算"不合格件数"，方向整个反了，结论自然也全错。

另一点是 p 必须固定。一个人投篮，体力下降后命中率会变，那就不满足固定 p 的要求；一台设备连续运行会升温，不良率会漂移，也不满足。伯努利试验强调的是"同一个人、同一状态、同一条件下重复"，这个"同一"是模型成立的前提，不是修辞。

2.2 独立性的真实含义：为什么它比 p 固定更容易被破坏

独立性说的是各次试验之间互不影响，前一次的结果不会改变后一次的概率。听起来理所当然，实际场景里反而是它更容易被违反。

举个生活化的例子：从一副牌里有放回地抽，每次抽到红桃的概率都是 1/4，各次独立，可以套二项分布；但如果是无放回地抽，第一张抽走了红桃，剩下的牌里红桃比例就变了，第二次的概率不再是 1/4，这时候要用的是超几何分布，不是二项分布。这个差别在样本量小的时候特别明显：总数 20 张抽 5 张，无放回和有放回算出来的概率能差出好几个百分点；但总数 10000 抽 5 张，差别小到可以直接忽略，工程上就常拿二项分布近似替代。

还有一种隐蔽的不独立：群体效应。比如一个班级里问"是否支持某个方案"，学生之间会互相讨论，前一个人的回答影响后一个人，这时候"独立"就破了。或者一条生产线上相邻的零件，共用同一批原料、同一个模具，缺陷往往是成簇出现的，一个出问题后面几个也容易出问题。这类数据用二项分布算出来的概率会偏乐观，因为它低估了波动。

提示：拿到一个问题先问自己三件事——n 是不是事先固定的？每次是不是只有两种结果？各次之间有没有互相影响？三个都是"是"，再往下用二项分布。

2.3 组合数从哪来：概率公式的前半截

假设 n=3，p=0.5，问恰好 1 次成功。成功可能发生在第 1 次、第 2 次或第 3 次，这是三种不同的排列。每种排列的概率都是 p × (1-p) × (1-p) = 0.5 × 0.5 × 0.5 = 0.125，三种加起来 0.375。

这里的"三种"就是组合数 C(3,1) = 3。一般地，n 次里恰好 k 次成功，成功位置的选法是 C(n,k) 种，每种选法对应的概率都是 p^k × (1-p)^(n-k)（因为 k 次成功各贡献一个 p，n-k 次失败各贡献一个 1-p，乘法交换律保证顺序不影响结果）。所以：

P(X = k) = C(n,k) × p^k × (1-p)^(n-k)

我建议你把这个公式读成一句话："先挑位置，再算这一种情况的概率，最后相乘"。C(n,k) 管挑位置，p^k 管成功那几次， (1-p)^(n-k) 管失败那几次。这样记比死背符号有用得多，也不容易把指数搞反。

顺便说一个常见的手算错误：C(n,k) 是对称的，C(10,3) = C(10,7) = 120，很多人在算"至少"类问题时会用错端点，比如算 P(X ≥ 8) 时只算了 P(X=8)，忘了 9 和 10。这种错误在实际报告里出现过不止一次，而且因为结果看起来"合理"，很难被肉眼发现。

2.4 期望与方差：两个数字看透分布形态

二项分布的期望是E(X) = np，方差是Var(X) = np(1-p)。这两个式子不用推，但要理解它们的含义。

期望 np 是"长期平均会发生多少次成功"。100 次试验、p=0.2，平均成功 20 次，这符合直觉。方差 np(1-p) 描述的是波动大小，它有个很有意思的性质：p=0.5 时方差最大，p 越靠近 0 或 1，方差越小。翻译成人话：当你做一件成败各半的事，结果的波动最剧烈；当你做一件几乎必成或几乎必败的事，结果非常稳定，几乎每次都一样。

这个性质在实操里很关键。同样是 n=100，p=0.5 时标准差是 5，意味着结果常在 45 到 55 之间晃；p=0.01 时标准差约 1，结果基本就在 0 到 2 之间。所以我做监控告警阈值时，一定会先看 np(1-p) 有多大，波动大的指标阈值要给宽，波动小的可以收紧，绝不能所有指标用同一套阈值。这一点我在早期吃过亏，给小概率事件设了对称的上下限，结果天天误报。

3. 手算一遍：5 分钟把公式跑通

3.1 一个完整的手算示例

还是用开头那个抽检场景：抽 20 件，真实不良率 5%，问恰好 3 件不合格的概率。

第一步，确认条件：n=20，p=0.05，k=3，各件之间独立（假设是从大批量里随机抽，无放回的影响可忽略）。

第二步，算组合数 C(20,3) = 20×19×18 ÷ (3×2×1) = 1140。

第三步，算 p^k = 0.05^3 = 0.000125。

第四步，算 (1-p)^(n-k) = 0.95^17。这个数手算麻烦，实际用计算器：0.95^17 ≈ 0.4181。

第五步，相乘：1140 × 0.000125 × 0.4181 ≈ 0.0596。

所以恰好 3 件不合格的概率约 5.96%。回到业务方的问题，"3 件以上不合格就退货"，需要算 P(X ≥ 3) = 1 - P(X ≤ 2)：

P(X ≤ 2) ≈ 0.9246，所以 P(X ≥ 3) ≈ 0.0754，也就是 7.5% 左右。换句话说，即使这批货完全合格（不良率就是 5%），也有约 7.5% 的概率会被这个规则判为退货。这就是第一类错误，业务方看到这个数字后才意识到规则定得偏严。

3.2 用代码替代手算

手算适合理解，生产环境肯定用代码。Python 里 scipy 是标准选择：

from scipy.stats import binom n, p = 20, 0.05 # 恰好 3 件不合格 print(binom.pmf(3, n, p)) # 0.05958... # 3 件及以上 print(binom.sf(2, n, p)) # 0.07548... (sf = 1 - cdf) # 不超过 2 件 print(binom.cdf(2, n, p)) # 0.92451... # 期望与标准差 print(n * p, (n * p * (1 - p)) ** 0.5) # 1.0 0.9747

这里有两个细节值得说。第一，求"至少 k 件"用 sf(k-1) 而不是 1-cdf(k)。cdf(k) 是 P(X≤k)，所以要 P(X≥k) 应该用 1-cdf(k-1)，或者直接用 sf(k-1)。写成 1-cdf(k) 会漏掉恰好等于 k 的那一项，这是极高频的 bug，我自己写过，也在别人的代码里见过好几次。第二，p 很小时 pmf 的数值会非常小，做报告时记得转成"每万次"之类的量级，不然读者看到 1.2e-08 会直接失去判断力。

如果不想装 scipy，用 math 库手搓也行，逻辑更透明：

from math import comb, pow def binom_pmf(k, n, p): return comb(n, k) * (p ** k) * ((1 - p) ** (n - k)) def binom_cdf(k, n, p): return sum(binom_pmf(i, n, p) for i in range(0, k + 1))

小样本下自己写反而更可控，也方便在不能装第三方库的环境里跑。但要提醒一句，n 大了以后直接用 comb 算组合数会有大整数溢出风险，工程上一般会转到对数空间用 lgamma 算，这个在 n 超过几百时就要考虑了。

3.3 参数怎么定：n 和 p 的确定顺序

实操中很多人卡在"p 从哪来"。我的经验是先定 n，再估 p，不要反过来。

n 是由实验设计决定的：抽检 20 件就是 20，跑 7 天每天 1000 次曝光就是 7000。n 应该是一个你事先就说清楚、事后不能改的数字。这点特别重要，因为事后调整 n 会让整个概率解释失效。我见过一种做法：先看数据，发现第 30 次的时候效果最好，就报"前 30 次的结果"，这在统计上是不成立的，因为 n 变成了一个随结果变化的东西。

p 的估计有两条路。有历史数据就用历史频率，比如过去三个月平均不良率 5%，就取 0.05；没有历史数据就做保守假设，取最坏情况或者做敏感性分析，把 p 从 0.01 扫到 0.10 看结论稳不稳。我强烈建议后者，因为单一 p 值算出来的结论往往给人一种虚假的确定感，而实际上 p 本身就有误差。

注意：如果 n 很大、p 很小、np 在 5 到 10 之间，可以用泊松分布近似，计算会简化很多；如果 n 很大而 p 接近 0.5，可以用正态近似。但近似的适用边界要守住，np 小于 5 的时候正态近似误差会很明显，尤其是尾部概率。

4. 实操场景：三个真实感的落地案例

4.1 质量抽检：把验收规则算清楚

抽检是二项分布最经典的应用。假设一批货 5000 件，约定不良率不超过 1% 就算合格，验收方案是抽 50 件，不合格数超过 2 件就退货。我们要评估这个方案的两种风险。

第一种风险叫弃真：货其实是好的（p=0.01），却被判退货。算 P(X ≥ 3 | n=50, p=0.01)：

binom.sf(2, 50, 0.01) # 约 0.0138

只有 1.4% 左右，说明误伤概率很低，这个方案对好货比较友好。

第二种风险叫存伪：货其实不行（比如 p=0.05），却被判合格。算 P(X ≤ 2 | n=50, p=0.05)：

binom.cdf(2, 50, 0.05) # 约 0.5405

高达 54%，意味着不良率 5% 的货有超过一半的概率能蒙混过关。这个结果一出来，业务方立刻明白 50 件的样本量太小了，后来把方案改成抽 200 件、不合格超过 6 件退货，再算一遍两种风险才达到可接受的水平。

这个案例我想强调的是：抽检方案的设计本质是在两条错误概率之间做权衡，而不是拍脑袋定一个"看起来合理"的数字。样本量越大，两条错误概率可以同时压低，但成本上升。二项分布在这里的作用，是让你在拍板之前就能看到每种方案的代价，而不是等出了事故再复盘。

4.2 转化率判断：A/B 实验里最容易踩的坑

假设某功能改版，对照组 1000 次曝光 100 次转化（10%），实验组 1000 次曝光 120 次转化（12%）。直觉上"提升了 20%"，要不要全量上线？

用二项分布的角度看，我们要问的是：如果两组真实转化率一样（都是 11% 左右），出现"一组比另一组多 20 次"这种差异的概率有多大。这里可以用两组独立二项分布之差来判断，也可以在单组内做近似检验。

import numpy as np from scipy.stats import binom, norm n, p0 = 1000, 0.11 # 单组标准差 sd = (n * p0 * (1 - p0)) ** 0.5 # 约 9.9 # 两组差异的标准差 sd_diff = (2 * n * p0 * (1 - p0)) ** 0.5 # 约 14.0 z = (120 - 100) / sd_diff print(z) # 约 1.43

z 大约 1.43，对应的单侧 p 值约 0.076，双侧约 0.15。这个差异在统计上并不显著，仅凭这组数据全量上线是有风险的。很多团队在这里犯错，是因为只看百分比不看绝对量和波动，12% 对 10% 看起来漂亮，但 1000 的样本量下这点差异完全可能是随机波动造成的。

我在实操中的做法是：先把 p 的历史值和 n 摆出来，算出"要检测出多大的提升才需要多少样本量"，再去决定实验要跑多久。这个顺序反过来——先跑一周再看数据够不够——就会陷入"数据不够但不想再等"的尴尬，最后往往靠主观判断收场。

4.3 异常检测：给监控指标设合理阈值

线上系统每天有 10000 次请求，历史失败率 0.3%，问每天失败次数在什么范围内算正常。

期望是 10000 × 0.003 = 30 次，标准差是 √(10000 × 0.003 × 0.997) ≈ 5.47。按正态近似的经验法则，95% 的情况下失败次数落在 30 ± 1.96×5.47，也就是大约 19 到 41 之间。

n, p = 10000, 0.003 lo = binom.ppf(0.025, n, p) # 约 20 hi = binom.ppf(0.975, n, p) # 约 41 print(lo, hi)

所以阈值可以设成"单日失败超过 41 次告警"，这样正常情况下误报率控制在 2.5% 左右。如果按固定比例设阈值（比如"失败率超过 0.5% 就告警"，对应 50 次），那就太松了，真有问题的日子也可能不报；如果按固定次数（比如超过 35 就报），又太紧，天天误报。

这个场景里我想说的是，阈值的合理性来自于对分布的定量理解，而不是"凭经验感觉"。p 和 n 一确定，正常波动范围就确定了，剩下只是选一个你能接受的误报率。而且这里还有个隐含前提：每天的请求互相独立。如果某次故障会导致连续多天失败率偏高，那独立性就破了，这时候应该考虑用更复杂的模型或者直接看趋势，而不是套二项分布。

5. 常见误区与排查实录

5.1 五个高频错误对照表

我在带人和做评审的过程中，反复见到的错误其实就那么几类，整理成表方便对照：

第三行的"5% 经验法则"值得展开一句：当抽样比例不到总体 5% 时，无放回带来的概率变化很小，二项分布的误差可以接受；超过这个比例，就该换模型或者加有限总体校正。这个 5% 不是铁律，但在工程上足够用。

5.2 一个我排查了很久的数值问题

有次做小概率事件的概率计算，n=500，p=0.001，要算 P(X ≥ 5)。用 1-cdf(4) 算出来是 0.0002 左右，但换成 sf(4) 却是 0.00018 左右，两者对不上，差了 10%。

原因是浮点数相减的精度损失。cdf(4) 的值接近 0.9998，用 1 去减，有效数字被吃掉了一大截。这种情况下必须用 sf，它是直接从尾部累积计算的，不经过"1 减"这一步。

from scipy.stats import binom n, p = 500, 0.001 print(1 - binom.cdf(4, n, p)) # 0.000200... 精度受损 print(binom.sf(4, n, p)) # 0.000183... 更准确

这个坑的教训是：凡是算尾部概率，一律优先用 sf 而不是 1-cdf。同理，算 P(X ≤ k) 用 cdf 没问题，但算接近 1 的概率时要留意精度。这类问题在报告里不会报错，只会给你一个看起来合理但偏差不小的数字，特别难发现。

5.3 模型失效的三个信号

有几个信号出现时，就该怀疑二项分布不适用了：

信号一，方差明显大于 np(1-p)。这就是统计学里说的过度离散。真实数据里非常常见，比如用户行为有聚集性、缺陷有成簇性。检验方法很简单，拿多组观测算样本方差，跟理论方差比，如果大出一截，说明独立性假设不成立。这时候可以考虑用贝塔二项分布，它允许 p 本身是个随机变量，能吸收掉额外的波动。

信号二，p 随时间漂移。做时间序列图，如果成功率有明显趋势或周期性，那 p 就不是常数。这时候应该分段建模，或者引入时间因素，而不是把整段数据揉成一个 p。

信号三，n 不固定。比如"每天记录当天发生的成功次数"，但每天的试验次数本身是随机的，那这其实是泊松过程的场景，不是二项分布。两者的区别在于 n 是否事先固定：n 固定用二项，n 随机用泊松。

提示：判断一个场景该用哪个分布，最简单的问法是"试验次数是我定的，还是自然发生的？"我定的是二项，自然发生的是泊松。

5.4 报告里怎么把概率讲清楚

最后一个坑是沟通。算出来 P(X ≥ 3) = 7.5%，直接丢给业务方，对方很可能没感觉。我的做法是换三种说法各讲一遍：第一种用频率，"每 100 次抽检大约有 7 到 8 次会被误判"；第二种用对比，"这比你要求的 5% 误判率还高一点，规则得放宽"；第三种用代价，"按每月抽检 20 批算，一年会误退大约 18 批"。

把概率翻译成次数和代价，决策者才能做判断。这一步看着不像技术活，但我认为它比公式推导更影响项目的实际价值。毕竟算得再准，如果没人能拿它做决定，这个分析就等于没做。

6. 我个人在实际操作中的几点体会

用二项分布这些年，我最大的感受是：它的难点从来不在公式，而在条件校验。公式四则运算就能算完，但要确认 n 固定、p 恒定、各次独立这三条，往往需要跟业务方来回问好几轮，甚至要去看数据是怎么采的、抽样是不是真的随机。

我现在的习惯是，动笔算之前先在纸上写三行：n 是多少、p 是什么事件的概率、各次之间有没有关联。这三行写不出来，就先别算。写出来了，后面基本是机械劳动。另外就是前面反复提到的，尾部概率一律用 sf，多组比较先算样本量再跑实验，这两条能避免掉大部分低级但致命的错误。

如果你要往下延伸，贝塔二项分布、泊松分布、超几何分布是三个自然的下一站，它们分别对应"p 不确定"、"n 不固定"、"无放回"这三种二项分布失效的情形。把这几条边界搞明白，比多背十个公式有用得多。