二項分佈計算器：如何手工計算概率
二項分佈計算器能快速回答一個問題：給定固定數量的試驗、恆定的成功概率和目標成功次數，確切的概率是多少？學生在處理涉及硬幣翻轉、缺陷率、罰球百分比或多選題猜測的功課時會使用二項分佈計算器——這些情況都是恰好兩種結果重複一定次數的情況。本指南從頭開始教授二項概率公式，逐步演示幾個實際例子，並展示如何手工計算均值、方差和標準差，讓你在信任計算器的輸出前完全理解它在計算什麼。
目錄
什麼是二項分佈？
二項分佈描述在固定數量獨立試驗中的成功次數，其中每次試驗恰好有兩種可能的結果——成功或失敗——且每次試驗的成功概率保持不變。翻轉硬幣10次並計算正面、檢測20個微芯片並計算缺陷單位、或投籃8次並計算進球都是二項分佈情況。使二項分佈計算器有用的是它用單一公式評估代替了長而容易出錯的手工計算，但該公式本身足夠簡單，一旦你理解了它的三個部分就可以手工計算：試驗數(n)、每次試驗的成功概率(p)和你要詢問的成功次數(k)。
二項概率公式：P(X = k) = C(n,k) × p^k × (1−p)^(n−k)，其中 C(n,k) = n! / [k!(n−k)!] 是從 n 次試驗中選擇 k 次成功的方法數。
二項分佈計算器如何工作？
每個二項分佈計算器要求相同的三個輸入，並根據你的需要返回幾個不同的輸出。理解這些輸入和輸出使得設置任何二項概率問題變得容易得多，無論你手工計算還是之後用計算器檢查你的工作。
1. 二項分佈計算器需要的輸入
n — 試驗或嘗試的總數(必須是固定的、已知的數字)。p — 單次試驗的成功概率，表示為 0 到 1 之間的小數(例如 0.05 表示 5% 的缺陷率，0.5 表示公平硬幣)。k — 你要計算概率的特定成功次數(0 到 n 的整數)。
2. 二項分佈計算器可以返回的輸出
P(X = k) — 恰好 k 次成功的概率。P(X ≤ k) 或 P(X ≥ k) — 最多或至少 k 次成功的累積概率，通過將幾個 P(X = k) 值相加得到。均值(μ = np)、方差(σ² = np(1−p))和標準差(σ = √[np(1−p)]) — 描述分佈中心和散布的摘要數字，無需計算每個單獨的概率。
3. 你為什麼仍然應該學習手工方法
功課和考試幾乎總是要求你展示設置——識別 n、p 和 k，寫出組合 C(n,k)，並代入公式——而不僅僅是最終小數。二項分佈計算器對於檢查答案或處理大的 n 值最快，但理解下面的手工步驟實際上是獲得學分並建立直覺的方式，你將需要這些直覺用於假設檢驗和課程後期的其他統計主題。
如何逐步計算二項概率
學習二項概率公式最清晰的方法是通過一個具有實際數字的現實例子，一次一個步驟。這是一個在統計功課中經常出現的質量控制情景。
1. 設置問題
一家工廠分批運送 20 個微芯片。歷史上，5% 的芯片有缺陷。隨機批次中恰好 2 個 20 個芯片有缺陷的概率是多少？識別三個值：n = 20(試驗)、p = 0.05(缺陷芯片的概率，我們計算的「成功」)、k = 2(我們要計算概率的缺陷芯片數)。
2. 計算組合 C(n,k)
C(20,2) = 20! / [2!(20−2)!] = 20! / (2! × 18!)。這簡化為 (20 × 19) / (2 × 1) = 380 / 2 = 190。有 190 種不同的方式選擇 20 個芯片中的哪 2 個有缺陷。
3. 計算 p^k
p^k = (0.05)² = 0.0025。這是任何 2 個特定芯片都有缺陷的概率。
4. 計算 (1−p)^(n−k)
(1−p)^(n−k) = (0.95)^18。重複平方：0.95² = 0.9025、0.95⁴ = 0.8145、0.95⁸ = 0.6634、0.95¹⁶ = 0.4401、0.95¹⁸ = 0.95¹⁶ × 0.95² = 0.4401 × 0.9025 ≈ 0.3973。這是剩餘 18 個芯片都沒有缺陷的概率。
5. 將三個部分相乘
P(X = 2) = C(20,2) × p² × (1−p)^18 = 190 × 0.0025 × 0.3973 ≈ 190 × 0.0025 = 0.475，然後 0.475 × 0.3973 ≈ 0.1887。答案：批次中恰好 2 個 20 個芯片有缺陷的概率約為 18.87%。二項分佈計算器會立即返回相同的 0.1887，但現在你可以自己驗證該數字並在紙上解釋每個步驟。
始終分別計算二項公式的三個部分——C(n,k)、p^k 和 (1−p)^(n−k)——然後在最後相乘。過早合併步驟是最常見的算術錯誤根源。
你如何找到二項分佈的均值和標準差？
與其計算每個單獨的概率，二項分佈有三個摘要值在一行中描述它：均值(預期成功次數)、方差和標準差(散布的度量)。這些公式比計算每個可能的 k 的 P(X = k) 快得多，任何二項分佈計算器都會報告它們以及個別概率。
1. 均值(期望值)
公式：μ = n × p。使用微芯片例子(n = 20、p = 0.05)：μ = 20 × 0.05 = 1。平均而言，你預期每批 20 個中有恰好 1 個缺陷芯片——儘管任何單個批次可能有 0 個、1 個、2 個或更多。
2. 方差
公式：σ² = n × p × (1−p)。使用相同的例子：σ² = 20 × 0.05 × 0.95 = 0.95。方差衡量可能的結果在均值周圍的散布程度，但它是平方單位，這就是為什麼標準差通常會被報告。
3. 標準差
公式：σ = √[n × p × (1−p)]。σ = √0.95 ≈ 0.97。這告訴你缺陷芯片數通常在均值 1 的約 ±0.97 內——所以在一批中看到 0 個、1 個或 2 個缺陷芯片是常見的，而看到 5 個或更多將是異常高。
4. 第二個實例：多選題猜測
一名學生在 10 道多選題測驗中隨機猜測，其中每道題有 4 個答案選項(p = 0.25 猜測正確的概率)。均值：μ = 10 × 0.25 = 純猜測預期 2.5 個正確答案。方差：σ² = 10 × 0.25 × 0.75 = 1.875。標準差：σ = √1.875 ≈ 1.37。這意味著隨機猜測者通常得分在約 1 到 4 正確答案之間(2.5 ± 1.37)，這在老師設置及格閾值時很有用。
二項分佈的均值：μ = np。標準差：σ = √[np(1−p)]。兩個公式只需要 n 和 p——無需對個別概率求和。
使用二項分佈必須滿足什麼條件？
二項分佈計算器僅當底層情況實際滿足四個特定條件時才給出正確答案。在違反這些條件的問題上使用二項公式是最常見的統計功課錯誤之一。
1. 固定數量的試驗(n)
試驗的數量必須提前設定並知道——檢查 20 個芯片、翻轉 10 次硬幣、投籃 8 次。一個你「直到第一次成功」才持續進行的情況是不同的分佈(幾何分佈)，不是二項分佈。
2. 每次試驗恰好兩種結果
每次試驗必須導致「成功」或「失敗」——有缺陷或沒有缺陷、正面或反面、進球或未進球。沒有第三類。如果一次試驗有超過兩種可能的結果，你需要不同的模型(例如多項分佈)。
3. 恆定的成功概率(p)
成功概率必須在每次試驗中保持相同。一名生涯平均罰球命中率為 80% 的籃球運動員在問題中每次嘗試都假設以 80% 進球——概率不會根據疲勞、勢頭或之前的進球失誤而改變。
4. 獨立試驗
一次試驗的結果不能影響另一次試驗。這就是為什麼有放回採樣(或從非常大的人口進行採樣)滿足二項模型，但從小人口無放回採樣不滿足——移除一個項目改變下一次抽取的概率。這種情況需要超幾何分佈，這是統計課程中常見的陷阱問題。
你如何計算累積二項概率？
許多二項問題要求「至少」或「最多」一定數量的成功而不是恰好一個值。二項分佈計算器通過將多個單獨的概率相加來處理此問題，對於少數項你也可以手工執行相同操作。
1. 設置一個「至少」問題
一個公平的硬幣被翻轉 10 次(n = 10、p = 0.5)。得到至少 7 個正面的概率是多少？「至少 7」意味著 P(X ≥ 7) = P(X = 7) + P(X = 8) + P(X = 9) + P(X = 10)——四個單獨的二項概率相加。
2. 計算每一項
因為 p = 0.5，每一項都共享相同的 p^k × (1−p)^(n−k) = 0.5¹⁰ = 1/1024。只有組合 C(n,k) 改變：C(10,7) = 120、C(10,8) = 45、C(10,9) = 10、C(10,10) = 1。每個概率是組合除以 1024：P(7) = 120/1024 ≈ 0.1172、P(8) = 45/1024 ≈ 0.0439、P(9) = 10/1024 ≈ 0.0098、P(10) = 1/1024 ≈ 0.0010。
3. 將各項相加
P(X ≥ 7) = (120 + 45 + 10 + 1) / 1024 = 176/1024 ≈ 0.1719。答案：翻轉 10 次公平硬幣得到 7 次或更多正面的概率約為 17.19%。對於「最多」問題，改為從 0 相加到 k，或使用快捷方式 P(X ≤ k) = 1 − P(X ≥ k+1) 當該邊有更少的項要相加時。
累積概率的快捷方式：如果「至少 k」需要許多項，計算補集——P(X ≥ k) = 1 − P(X ≤ k−1)——並相加哪一邊有更少的項。
使用二項分佈計算器時的常見錯誤
這些錯誤在經過評分的統計功課上不斷出現，無論計算是手工進行還是之後針對二項分佈計算器檢查。
1. 混淆「恰好 k」與「至少 k」或「最多 k」
P(X = k) 給出一個單獨的概率。如果問題使用「至少」、「最多」、「超過」或「少於」等詞語，你需要幾個 P(X = k) 值的累積總和，而不是只有一項。誤讀這是最常見的二項分佈錯誤。
2. 忘記 (1−p)^(n−k) 項
很容易計算 C(n,k) × p^k 然後停止，忘記將其乘以剩餘試驗都失敗的概率。跳過此項使每個答案太大——有時甚至大於 1，這是出錯的直接標誌。
3. 對 p 使用了錯誤的值
如果問題描述成功率為 92%，p = 0.92，不是 p = 0.08(那將是失敗率)。始終仔細檢查問題將哪個結果稱為「成功」——如果問題要求缺陷項目的概率，p 是缺陷率，不是及格率。
4. 當試驗不獨立時應用二項公式
從牌堆中無放回抽取，或從小班級無放回選擇學生改變每次抽取的概率——這違反了獨立條件並需要超幾何分佈而不是二項公式。
二項分佈練習問題與解決方案
通過這三個問題從最簡單到最難。在閱讀解決方案前嘗試每一個，然後根據所示的步驟檢查你的設置。
1. 問題 1(初級)：擲骰子
一個公平的六面骰子被擲 6 次。恰好擲一次 6 的概率是多少？解決方案：n = 6、p = 1/6(成功 = 擲出一個 6)、k = 1。C(6,1) = 6。P(X=1) = 6 × (1/6)¹ × (5/6)⁵ = 1 × (5/6)⁵。(5/6)⁵ = 3125/7776 ≈ 0.4019。答案：P(X=1) ≈ 0.4019，或約 40.19%。
2. 問題 2(中級)：罰球投籃
一名籃球運動員罰球命中率為 80%。她投籃 8 次罰球。她恰好投進 6 次的概率是多少？解決方案：n = 8、p = 0.8、k = 6。C(8,6) = 28。P(X=6) = 28 × (0.8)⁶ × (0.2)² = 28 × 0.262144 × 0.04 ≈ 28 × 0.010486 ≈ 0.2936。答案：P(X=6) ≈ 0.2936，或約 29.36%。
3. 問題 3(高級)：垃圾郵件過濾器準確性
垃圾郵件過濾器正確捕獲 90% 的垃圾郵件。在 15 封垃圾郵件中，過濾器捕獲至少 13 封的概率是多少？解決方案：n = 15、p = 0.9、需要 P(X ≥ 13) = P(13) + P(14) + P(15)。C(15,13) = 105、C(15,14) = 15、C(15,15) = 1。P(13) = 105 × (0.9)¹³ × (0.1)² ≈ 105 × 0.2542 × 0.01 ≈ 0.2669。P(14) = 15 × (0.9)¹⁴ × (0.1)¹ ≈ 15 × 0.2288 × 0.1 ≈ 0.3432。P(15) = (0.9)¹⁵ ≈ 0.2059。總和：0.2669 + 0.3432 + 0.2059 ≈ 0.8159。答案：捕獲 15 封垃圾郵件中至少 13 封的概率約為 81.59%。
學生關於二項分佈計算器還有什麼問題？
這些是伴隨二項分佈功課和考試複習最常出現的問題。
1. 我何時可以用正態分佈近似二項分佈？
當 n 很大且 np ≥ 10 和 n(1−p) ≥ 10 時，二項分佈可以用正態分佈近似，使用 μ = np 和 σ = √[np(1−p)]。對於手工計算單個二項項變得繁瑣的大 n 這很有用，但對於小 n(如上面的例子)，精確二項公式更準確且通常需要。
2. 二項分佈計算器能否直接處理「至少」和「最多」問題？
大多數二項分佈計算器包含一個累積概率模式，自動對單個項求和，所以你不需要每次都手工相加 P(X=7) + P(X=8) + P(X=9) + P(X=10)。手工執行至少一次仍然值得，因為考試通常需要完整設置。
3. 計算 C(n,k) 最快的方法是什麼？
與其計算完整的階乘，先取消項。C(20,2) = (20 × 19)/(2 × 1) 遠比分別計算 20! 和 18! 快。對於 C(n,k)，只在分子中寫出 k 項(n × (n−1) × ... 向下 k 項)並除以 k!。
4. 我何時應使用二項而不是泊松分佈？
當你知道固定的試驗次數(n)和成功概率(p)時使用二項分佈。當你只知道連續間隔上發生的平均速率(如「每小時缺陷」)且沒有自然的固定試驗次數時改用泊松分佈。當 n 非常大且 p 非常小時，泊松分佈 λ = np 緊密近似二項分佈。
獲得更多二項分佈功課幫助
一旦你習慣於識別 n、p 和 k，並能分別逐步進行組合、p 的冪和 (1−p) 的冪，二項概率問題就變成了仔細算術的問題而不是神秘公式。用「恰好」、「至少」和均值/標準差問題的混合練習，因為考試傾向於在同一部分混合所有三種。如果你在設置特定的二項分佈問題時卡住或想雙重檢查手工計算，Solvify 的逐步求解器可以通過本指南中所示的相同公式——組合、概率項和最終答案——來完成，所以你可以看到你自己的設置與正確答案的確切偏差。
在使用二項分佈計算器前，先從問題陳述中寫下 n、p 和 k。獲得這三個值正確是大多數二項功課分數實際贏或輸的地方。
相關文章
相關數學解題工具
逐步解決方案
二項概率計算的每一步都明確顯示——組合、指數和最終乘法。
智能掃描求解器
拍攝二項概率問題的照片，立即獲得完整的解題步驟。
AI 數學家教
對於組合、累積概率或何時使用二項分佈與其他分佈提出後續問題。