1. 伯努利分布的基本概念
伯努利分布(Bernoulli distribution)是概率论中最基础也最重要的离散概率分布之一。它描述了一个只有两种可能结果的随机试验,这种试验被称为伯努利试验。在实际应用中,伯努利分布经常被用来建模二元事件,比如硬币抛掷、产品合格与否、用户点击与否等场景。
1.1 定义与参数
伯努利分布由一个参数p定义,表示试验"成功"的概率。这里的"成功"是一个广义概念,可以代表任何我们感兴趣的事件。对应的,"失败"的概率就是q=1-p。随机变量X服从伯努利分布可以表示为:
X ~ Bernoulli(p)
其概率质量函数(PMF)为:
f(x) = p^x (1-p)^(1-x), x ∈
这个简洁的公式完美地捕捉了二元事件的核心特征:当x=1时概率为p,x=0时概率为1-p。
1.2 历史背景
伯努利分布以瑞士数学家雅各布·伯努利(Jacob Bernoulli)的名字命名,他是概率论发展史上的重要人物。伯努利在17世纪末研究了一系列只有两种结果的试验,这些工作后来被收录在他的著作《猜度术》(Ars Conjectandi)中,为概率论奠定了重要基础。
有趣的是,伯努利家族在数学史上非常著名,产生了多位杰出数学家。雅各布的弟弟约翰·伯努利以及约翰的儿子丹尼尔·伯努利都在数学和物理学上有重要贡献。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 伯努利分布的性质与特征
2.1 基本统计量
伯努利分布虽然简单,但它的统计性质非常重要:
期望值(均值):E[X] = p
方差:Var(X) = p(1-p) = pq
偏度:(1-2p)/√(pq)
峰度:[1-3p(1-p)]/(pq)
这些统计量在实际应用中非常有用。例如,方差p(1-p)在p=0.5时达到最大值0.25,这意味着当成功和失败概率相等时,结果的不确定性最大。
2.2 矩生成函数与特征函数
伯努利分布的矩生成函数(MGF)为:
M(t) = E[e^(tX)] = (1-p) + pe^t
特征函数为:
φ(t) = E[e^(itX)] = (1-p) + pe^(it)
这些函数在理论推导中非常有用,特别是在处理多个独立伯努利随机变量的和时(这会导致二项分布)。
2.3 与其他分布的关系
伯努利分布是许多重要分布的
