二项分布

二项分布

二项分布即重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。

统计学定义

在 概率论和统计学中，二项分布是n个独立的是/非

试验中成功的次数的离散 概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n = 1时，二项分布就是伯努利分布，二项分布是显著性差异的二项试验的基础。

二项分布 ^[1]  （Binomial Distribution），即重复n次的 伯努利试验（Bernoulli Experiment），用ξ表示 随机试验的结果。

二项分布公式

如果事件发生的 概率是P,则不发生的概率q=1-p，N次 独立重复试验中发生K次的概率是

P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k), 其中C(n, k) = n!/(k! * (n-k)!)注意！:第二个等号后面的括号里的是上标，表示的是方幂。

那么就说这个属于二项分布。.

其中P称为成功概率。

记作ξ~B(n,p)期望：Eξ=np

方差:Dξ=npq

其中q=1-p

二项分布，重复n次出现概率相同的某一事件，出现某种情况的可能概率。

在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。是最基本的数学特征之一。它反映随机变量平均取值的大小。

方差（variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个数据分别与其平均数之差的平方的和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。

设X是一个 随机变量，若

存在，则称

为X的方差，记为D(X),Var(X)或DX，其中E(X)指的是对X的预期值，而X是实际值 ^[1]   。

即

称为方差，而

称为标准差 （或 均方差 ）。它与X有相同的量纲。标准差是用来衡量一组数据的离散程度的 统计量 ^[2]  。

方差刻画了随机变量的取值对于其数学期望的 离散程度。（标准差、方差越大，离散程度越大。否则，反之)

若X的取值比较集中，则方差D(X)较小,若X的取值比较分散，则方差D(X)较大。

因此，D(X)是刻画X取值分散程度的一个量，它是衡量取值分散程度的一个尺度。

数学期望体现了随机变量取值的集中位置，他是随机变量的一个重要数字特征，方差体现了随机变量跟其平均值的离散程度。

dbinom(x, size, prob, log = FALSE)# 可用于计算二项= FALSE分布的概率。
pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE)
qbinom(p, size, prob, lower.tail = TRUE, log.p )
rbinom(n, size, prob)#产生数是独立实验成功的次数。

rbinom(n, size, prob)，n代表rbinom函数运行n次，size代表实验size次，prob是每次运行实验成功的次数。如果size=1，则是伯努利实验，产生结果只能是0或者1.

（该函数，是模拟实验生成而像分布的满足要求的x向量的数值）

dbinom(x, size, prob, log = FALSE)# 可用于计算二项= FALSE分布的概率。

##该函数计算公式p（x=k）的结果，即实验成功x=k次的概率。

x为实验成功次数，size为实验次数。

pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE)为二项分布的密度累计概率

qbinom(p, size, prob, lower.tail = TRUE, log.p )##是dbinom的逆，求该概率下实验成功的次数x