深入理解概率论核心工具：从数学本质到实际应用，全面解析 二项分布 的 期望 与 方差 计算逻辑。
在概率论中，二项分布（Binomial Distribution）是描述在n次独立的伯努利试验中，成功次数k的概率分布。如果一次试验只有两种可能结果：成功（概率为p）或失败（概率为1-p），且各次试验相互独立，那么随机变量X表示n次试验中成功的总次数，则X服从参数为n和p的二项分布，记作 X ~ B(n, p)。
其中，C(n, k) 是组合数，表示从n个不同元素中取出k个元素的组合数。理解这一概率质量函数是推导期望和方差的基础。许多初学者容易混淆二项分布与其他离散分布（如泊松分布、几何分布），关键在于识别“固定次数n”和“固定概率p”这两个核心特征。
期望（Expectation），又称均值，反映了随机变量取值的平均水平。对于二项分布 X ~ B(n, p)，其期望 E(X) = np。这一结论看似简单，但其推导过程蕴含了重要的数学思想。下面提供两种常见的推导方法。
根据离散型随机变量期望的定义：
代入二项分布的概率公式：
注意当k=0时，项为0，因此求和从k=1开始。利用组合恒等式 kC(n,k) = nC(n-1, k-1)，我们可以简化表达式：
提取n和p，令j = k-1：
根据二项式定理，Σ部分恰好是 (p + (1-p))^(n-1) = 1^(n-1) = 1。因此：
推导完毕。此方法展示了如何通过代数变换将复杂的求和转化为已知的恒等式。
这是更直观且常用的方法。我们将二项分布分解为n个独立的伯努利试验。
设 X_i 为第i次试验的指示变量：
显然，E(X_i) = 1p + 0(1-p) = p。
总成功次数 X = X_1 + X_2 + ... + X_n。
利用期望的线性性质（无论变量是否独立，和的期望等于期望的和）：
这种方法避免了复杂的求和运算，体现了概率论中“分解问题”的强大思想。
方差（Variance）衡量随机变量取值与其期望的偏离程度，反映了数据的离散度。对于二项分布，方差 D(X) = np(1-p)。推导方差通常先计算二阶原点矩 E(X²)，再利用公式 D(X) = E(X²) - [E(X)]²。
为了简化计算，我们先求 E(X(X-1)) 而非直接求 E(X²)。这是因为 X(X-1) 能与组合数 C(n,k) 中的 k(k-1) 项抵消。
利用 k(k-1)C(n,k) = n(n-1)C(n-2, k-2)，求和从k=2开始：
同样根据二项式定理，求和部分为1，故：
由于 E(X(X-1)) = E(X² - X) = E(X²) - E(X)，所以：
代入方差公式：
另一种更简便的方法是利用指示变量的独立性。由于 X_i 相互独立，方差具有可加性：
对于伯努利变量 X_i，D(X_i) = E(X_i²) - [E(X_i)]² = p - p² = p(1-p)。
因此：
这种方法再次证明了分解思想在简化计算中的优势。
理解公式背后的直观意义比记忆公式本身更重要。让我们通过下表对比不同参数下的期望和方差变化：
| 试验次数 n | 成功概率 p | 期望 E(X)=np | 方差 D(X)=np(1-p) | 离散程度分析 |
|---|---|---|---|---|
| 10 | 0.5 | 5 | 2.5 | 中等离散，对称分布 |
| 10 | 0.1 | 1 | 0.9 | 偏态分布，集中在左侧 |
| 100 | 0.5 | 50 | 25 | 相对离散度降低，趋向正态 |
| 100 | 0.01 | 1 | 0.99 | 接近泊松分布 |
理论必须结合实际才能发挥价值。以下是几个典型应用场景及易错点分析。
问题：某药有效率为 0.8，给10名患者服用，求恰好8人有效的概率及期望有效人数。
解析：X ~ B(10, 0.8)。
E(X) = 10 0.8 = 8 人。
P(X=8) = C(10,8) 0.8⁸ 0.2² ≈ 0.302。
注意：期望是平均值，实际结果可能偏离8人。
问题：购买100张彩票，中奖率0.01，求中奖次数的方差。
解析：X ~ B(100, 0.01)。
D(X) = 100 0.01 0.99 = 0.99。
标准差 σ ≈ 0.995，说明中奖次数通常在 1±1 范围内波动。
问题
解析：设次品数为Y，Y ~ B(50, 0.05)。 E(Y) = 50 0.05 = 2.5。 D(Y) = 50 0.05 0.95 = 2.375。
期望 E(X) 是数值（如5次），概率 P(X=k) 是可能性（如0.2）。不要将期望值直接当作概率使用，也不要认为期望是“最可能出现的值”（众数可能不同）。
二项分布要求试验独立。如果抽样无放回且总体有限，应使用超几何分布而非二项分布。例如，从10个球（3红7蓝）中无放回抽5个，不能用B(5, 0.3)。
常误记为 D(X) = np 或 D(X) = n²p(1-p)。牢记方差是“平均偏离平方”，量纲应与X一致，而np(1-p)符合这一要求。
对于二项分布 X ~ B(n, p)：
期望：E(X) = np
方差：D(X) = np(1-p)
其中 n 是试验次数，p 是单次试验成功的概率。
np 是泊松分布的期望和方差，适用于稀有事件（n大p小）。二项分布考虑了成功和失败两种结果的不确定性，(1-p) 项代表了失败的概率，反映了结果的波动性。当 p 接近 0 或 1 时，方差变小，结果更确定；当 p=0.5 时，方差最大，不确定性最高。
检查四个条件：
① 固定次数 n 的试验；
② 每次试验只有两种结果（成功/失败）；
③ 每次成功概率 p 相同；
④ 各次试验相互独立。
若全部满足，则为二项分布。
不一定。例如 B(10, 0.3) 的期望 E(X) = 3，是整数；但 B(10, 0.4) 的期望 E(X) = 4，也是整数；而 B(5, 0.6) 的期望 E(X) = 3，仍是整数。实际上，当 np 为整数时期望是整数，否则不是。但随机变量 X 本身只能取整数值，期望只是加权平均值。
标准差是方差的平方根：σ = √D(X) = √[np(1-p)]。它表示结果围绕期望的平均偏离程度，量纲与 X 一致，便于直观理解数据的离散范围。
本文系统阐述了 二项分布的期望和方差公式推导，从定义出发，通过代数变换和指示变量两种方法，严谨证明了 E(X)=np 和 D(X)=np(1-p)。这些公式不仅是概率论的核心结果，也是统计推断的基础工具。
理解推导过程有助于：
建议读者结合具体案例反复练习推导过程，并尝试使用软件验证结果，以深化对 二项分布 本质的理解。掌握这些知识，将为后续学习假设检验、置信区间等高级统计方法奠定坚实基础。