周末的商场里，小宇站在盲盒柜前。货架上摆着 6 款造型，店员悄悄告诉他，这几款的出货比例并不相同——最稀有的隐藏款每 20 个才出 1 个，而人气款几乎每 4 个就有 1 个。小宇深吸一口气，扫码、开盒、屏息……这个简单的动作背后，其实藏着一整套完整的数学语言——离散概率分布。每一次开盒，结果只能是那 6 款中的某一个，不会出现“半款”或“1.5 款”。这种“结果可以逐个列举”的随机现象，就是离散随机变量；而描述每个结果出现可能性大小的规则，就是离散概率分布。概率质量函数是盲盒店的出货台账，累积分布函数是累计收集进度条，期望是平均花多少钱能抽到心仪款，方差是开盒时的刺激波动；伯努利是单抽一次，二项分布是整箱整盒地抽，泊松分布统计店里每小时来多少客人，几何分布则回答“第几盒才会出第一个隐藏款”。这篇内容将带你从拆盒的惊喜与失望中，读出概率论写给现实世界的密码。

岗位关联

离散分布是 AI 从业者的“数据直觉基石”——无论做模型评估、A/B 测试还是异常检测，看懂分布就能读懂数据的性格，让你的分析不再靠猜。

目录
  1. 可视化演示
  2. 概率质量函数
  3. 累积分布函数
  4. 期望与方差
  5. 伯努利分布
  6. 二项分布
  7. 泊松分布
  8. 几何分布
  9. 分布近似关系
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

概率质量函数

盲盒店老板手里有一本“出货台账”，上面写着每种款式的出货比例：M1 占 5%、M2 占 10%、M3 占 15%、M4 占 20%、M5 占 25%、M6 占 25%。这本台账，就是概率质量函数的真身。在数学里，我们把“开盒结果”记为随机变量 X，它可能取到的每一个款式编号 x_k，都对应一个确定的概率 p_k。PMF 要做的事和台账一模一样：把每个可能结果和它的概率一一对应地列出来。

离散随机变量的特点是“取值可以逐个点名”：1 款、2 款、3 款……不会出现“2.5 款”。正因如此，我们才能用一张表把整个分布讲清楚。概率质量函数的名字里藏着理解它的钥匙：“质量”强调每一份概率像一块块实心的积木，稳稳地坐在某个取值上，而不是像连续分布那样铺成一片“密度”。

小宇翻开台账，发现了一件让他安心的事：6 个概率加起来不多不少正好是 100%。这就是概率世界的“守恒律”——无论随机性怎么折腾，总概率的盘子永远不会碎。掌握了 PMF，你就拿到了描述任何离散随机现象的第一把钥匙。

P(X=xk)=pk,k=1,2,…,n\displaystyle P(X = x_k) = p_k, \quad k = 1, 2, \ldots, n
这个式子就是“点名册”的数学写法：随机变量 X 恰好取到第 k 个可能值 x_k 时，概率是 p_k。所有 p_k 加起来必须等于 1，因为无论如何开盒，总有一个款式会出现在你手里。
  1. 随机变量 X开盒前结果未知的“变量”，开盒后才确定成某个具体数值。
    XX
  2. 可能取值 x_kX 能取到的第 k 个值，比如 6 款盲盒对应的编号 1 到 6。
    xk,k=1,2,…,nx_k, \quad k = 1, 2, \ldots, n
  3. 概率 p_k第 k 个取值出现的比例，必须非负，且所有 p_k 相加等于 1。
    pk≥0,∑k=1npk=1p_k \geq 0, \quad \sum_{k=1}^{n} p_k = 1

累积分布函数

单看某一款的概率很直接，但小宇真正关心的是另一个问题：“我想要的隐藏款编号比较大，那我抽到的编号不超过它（也就是它或比它小的款）的总概率有多大？”这就引出了累积分布函数（CDF）。它的思路很简单：把从最小取值到某个阈值 x 为止的所有概率像叠积木一样垒起来，得到一个“累计到 x 为止”的总概率。

累积分布函数回答的是“X 不超过 x”的概率。之所以叫“累积”，是因为它把 PMF 里一小块一小块的概率逐个累加。在图像上，CDF 是一条从左往右不断爬升的阶梯：每跨过一个可能的取值点，台阶就往上跳一级，所有取值点都跨过后，台阶到达高度 1。

小宇的“收集进度条”从此有了精确的刻度：当他想知道“抽到前四款（含 M4）的总概率”时，不再需要手动把 5% + 10% + 15% + 20% 加一遍，直接查 CDF 就行。从“点名册”到“进度条”，离散分布的全貌开始变得立体。

F(x)=P(X≤x)=∑xk≤xpk\displaystyle F(x) = P(X \leq x) = \sum_{x_k \leq x} p_k
F(x) 就是“累积进度条”：把所有不超过 x 的取值概率加在一起。利用它还能算区间概率：P(a < X ≤ b) = F(b) − F(a)，就像把“累计到 b”的积木塔减去“累计到 a”的积木塔，剩下的部分就是 (a, b] 区间内的概率。
  1. 函数 F(x)给一个阈值 x，就返回一个累计概率，因此它是 x 的函数。
    F(x)F(x)
  2. 事件 X ≤ x随机变量的取值不超过 x，这是 CDF 要累计的目标事件。
    P(X≤x)P(X \leq x)
  3. 求和符号把满足 x_k ≤ x 的所有概率 p_k 逐个相加。
    ∑xk≤xpk\sum_{x_k \leq x} p_k

期望与方差

小宇想给每款盲盒估个“惊喜值”：M1 值 10 元，M2 值 20 元……M6 值 60 元。那么长期来看，平均每盒值多少钱？直觉告诉他，不能简单地 (10+60)/2，因为 M6 出货率只有 5%，而 M5 却有 25%——概率不同，说话的分量就不同。期望 E[X] 干的就是这件事：把每个取值乘上它的概率再相加，得到“按概率加权的平均”。

期望告诉你去向，方差告诉你风险。如果大多数盒子都值 30 元左右，方差就小；如果有的盒子只值 10 元、有的值 60 元，方差就大。方差的计算方法是：先把每个取值减去期望（得到偏差），再平方（消除正负抵消），最后按概率加权平均。它度量的是“开盒结果在期望周围波动得多厉害”。

小宇算完期望后发现：“平均每盒值 45 元”并不意味着某款恰好值 45 元——那是所有盒子的综合气质。他又算了方差，发现自己心跳指数不低。但正是这两个数字，让他下次进货时既知道该备多少货（期望），也知道了现金流会怎么波动（方差）。这两个指标，是描述任何分布的“左右手”。

E[X]=∑kxkpk\displaystyle E[X] = \sum_{k} x_k p_k
Var(X)=∑k(xk−E[X])2pk\displaystyle \mathrm{Var}(X) = \sum_{k} \bigl(x_k - E[X]\bigr)^2 p_k
期望是长期平均的“心理价位”，方差是波动的“心跳指数”。方差越大，你每次开盒的心情起伏就越大；方差越小，开什么都差不多稳。
  1. 加权求和每个取值 x_k 乘上自己的概率 p_k，再加总。
    ∑kxkpk\sum_{k} x_k p_k
  2. 偏差每个取值与期望的差，表示“离平均中心有多远”。
    xk−E[X]x_k - E[X]
  3. 平方消号偏差平方后，正负不会互相抵消，只留下偏离幅度。
    (xk−E[X])2\bigl(x_k - E[X]\bigr)^2
  4. 加权平均偏离再乘 p_k 并求和，得到平均意义的偏离程度。
    ∑k(xk−E[X])2pk\sum_{k} \bigl(x_k - E[X]\bigr)^2 p_k

伯努利分布

最简单的盲盒，是只有两种款式的“双选盲盒”：要么抽中隐藏款，要么抽中普通款。小宇管这叫“一次定成败”。在概率论里，这种单次试验只有两种结果的分布，叫伯努利分布。它只有一个参数 p，表示成功的概率。成功记为 X=1，失败记为 X=0，非此即彼，干净利落。

伯努利分布是构建复杂分布的“乐高积木”。虽然它本身简单得只有两个取值，但它的期望和方差是一切后续分布的源头：期望 E[X]=p，方差 Var(X)=p(1-p)。你可以把 p 想象成“单次抽中隐藏款的出货率”，那么 1-p 就是出货失败率，二者相乘恰好刻画了单次试验的“不确定程度”——当 p=0 或 p=1 时结果完全确定，方差为 0；当 p=0.5 时最“没谱”，方差最大。

首次开盒的小宇手心冒汗：“中了就放假，没中就去加班。”这种只有两种可能的紧张感，就是伯努利分布的全部世界。但它并不孤单——只要把无数个“单抽”叠在一起，更精彩的分布就要登场了。

P(X=1)=p,P(X=0)=1−p,E[X]=p,Var(X)=p(1−p)\displaystyle P(X = 1) = p, \quad P(X = 0) = 1 - p, \quad E[X] = p, \quad \mathrm{Var}(X) = p(1-p)
伯努利分布就是“单抽一次”的数学模型：成功概率 p，失败概率 1−p。期望是 p，方差是 p(1−p)。p 越接近 0.5，结果越难猜，方差越大。
  1. 成功事件X=1 表示抽中隐藏款，概率为 p。
    P(X=1)=pP(X=1) = p
  2. 失败事件X=0 表示抽到普通款，概率为 1−p。
    P(X=0)=1−pP(X=0) = 1-p
  3. 期望E[X] = 1×p + 0×(1−p) = p，单次试验的成功“平均次数”就是 p。
    E[X]=pE[X] = p
  4. 方差Var(X) = (1−p)²p + (0−p)²(1−p) = p(1−p)。
    Var(X)=p(1−p)\mathrm{Var}(X) = p(1-p)

二项分布

小宇决定玩一把大的：一次性买 n 盒盲盒开个痛快。他现在关心的不再是“单盒中不中”，而是“这 n 盒里恰好有 k 盒是隐藏款”的概率。这就是二项分布出场的时候。二项分布的英文 Binomial 来自“bi“（两个）+”nomial”（名称），指的就是 n 次伯努利试验的总成功次数。

二项分布有两个参数：试验次数 n 和单次成功概率 p。概率公式由三部分拼成：组合数 C(n,k) 计算“从 n 盒中挑出哪 k 盒中奖”有多少种挑法；p^k 是这 k 盒同时成功的概率；(1−p)^(n−k) 是剩下 n−k 盒都失败的概率。三者相乘，就得到“恰好 k 盒中奖”的精确概率。它的期望是 np，方差是 np(1−p)。

小宇一口气买了 20 盒，用公式一算：当 p=0.15 时，最可能出现的中奖盒数约等于 np=3 盒，而“一盒都不中”的概率其实并不低。他终于明白，整箱盲盒的结果不是“灵不灵”的问题，而是一道精确的概率题——二项分布把“整箱开盒”的随机性算得明明白白。

P(X=k)=(nk)pk(1−p)n−k,k=0,1,…,n\displaystyle P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}, \quad k=0,1,\ldots,n
二项分布是“整箱盲盒”的记账本：n 盒里恰好 k 盒中奖的概率，等于“挑法数 × 成功概率 × 失败概率”。期望 np 告诉你平均能中几盒，方差 np(1−p) 告诉你中奖数的波动范围。
  1. 组合数从 n 盒中选出 k 盒中奖的位置，共有多少种选法。
    (nk)=n!k!(n−k)!\binom{n}{k} = \frac{n!}{k!(n-k)!}
  2. 成功部分选出的 k 盒每盒都中奖，概率是 p 连乘 k 次。
    pkp^k
  3. 失败部分其余 n−k 盒都没中奖，概率是 (1−p) 连乘 n−k 次。
    (1−p)n−k(1-p)^{n-k}
  4. 相乘得概率一种选法的概率乘以所有选法数，得到总概率。
    (nk)pk(1−p)n−k\binom{n}{k} p^k (1-p)^{n-k}

泊松分布

盲盒店店长关心的不是某个顾客买几盒，而是“下一个小时会有多少位顾客进店”。他发现，进店这件事有三大特征：人数每小时平均稳定在 λ 位；每位顾客来不来彼此独立；单看某一秒，有人进店是个很小概率的事件。这种“稀有事件计数”的分布，就是泊松分布，由法国数学家泊松（Poisson）提出，法语里 Poisson 还恰好是“鱼”的意思。

泊松分布的概率公式中，λ 是单位时间内事件的平均发生次数。λ^k 刻画“k 次同时发生”的基本可能性，e^(−λ) 是随机过程带来的自然衰减因子，k! 则用来消除“哪一次先发生”的重复计数。泊松分布还有一个惊人性：期望和方差都等于 λ。这意味着，平均来 5 个人时，来客数的波动也以 5 为尺度。

店长靠着泊松分布，在周五晚上算出了“下小时来 3 位顾客”的概率，提前安排店员调班。稀有、独立、稳定速率——这三个条件就像盲盒店门前的“营业许可证”。有了泊松分布，从呼叫中心到交通事故，所有“等待计数”的问题都有了统一答案。

P(X=k)=λke−λk!,λ>0,k=0,1,2,…\displaystyle P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad \lambda > 0, \quad k = 0,1,2,\ldots
泊松分布是“单位时间计数”的模型：λ 是平均事件数，公式给出恰好发生 k 次的概率。它的期望和方差都是 λ，像一个“参数自治”的小宇宙。
  1. 平均次数 λ单位时间内事件的平均发生次数，也是泊松分布唯一的参数。
    λ\lambda
  2. λ 的 k 次方把平均次数自乘 k 次，作为“发生 k 次”的基准。
    λk\lambda^k
  3. 衰减因子e^{−λ} 保证所有概率加起来恰好等于 1。
    e−λe^{-\lambda}
  4. 阶乘归一k! 消除 k 次事件先后顺序的重复计数。
    k!k!

几何分布

小宇立下一个 flag：每周抽一盒，直到抽中隐藏款为止。他想知道，自己究竟要等到第几周才能迎来第一次成功。这个“等待首次成功所需次数”的分布，就是几何分布。它的名字来自“几何级数”——因为概率值按 (1−p) 的幂次逐项衰减，像等比数列一样一级级缩小。

几何分布的逻辑非常直白：要想第 k 次才首次成功，必须前 k−1 次全部失败，然后第 k 次成功。因此概率是 (1−p)^(k−1) 乘以 p。它的期望是 1/p：如果出货率是 20%，平均要等 5 盒才见第一个隐藏款。它还有一个反直觉的“无记忆性”：已经抽了 9 盒没中，不意味着第 10 盒更容易中——下一次成功的概率仍然是 p。

小宇连抽了 9 盒都没出隐藏款，朋友劝他“下一盒必出”。但他翻开几何分布，笑着摇头：9 次失败不会给第 10 次“攒人品”，概率依然是那个冷冰冰的 p。这就是无记忆性——盲盒从不记得你为它熬过的夜。理解这一点，你就绕开了人生中最大的概率陷阱之一。

P(X=k)=(1−p)k−1p,k=1,2,3,…\displaystyle P(X = k) = (1-p)^{k-1} p, \quad k = 1,2,3,\ldots
几何分布回答“第几次才第一次成功”：前 k−1 次都失败，第 k 次成功。期望等待次数是 1/p。它没有“越抽越容易中”的记忆，每次都是全新的 p。
  1. 失败连乘前 k−1 次每次失败的概率是 1−p，连乘起来是全部失败的概率。
    (1−p)k−1(1-p)^{k-1}
  2. 最终成功第 k 次终于成功的概率是 p。
    pp
  3. 序列概率先失败后成功，整条路径的概率就是二者相乘。
    (1−p)k−1p(1-p)^{k-1} p

分布近似关系

店长发现一个偷懒的秘诀：当盲盒款式极多（n 很大）、每款出货率极低（p 很小）时，二项分布的组合数计算非常繁琐，但算出来的结果和泊松分布惊人地接近！这就是泊松定理：在 n 足够大、p 足够小、np 保持稳定的条件下，二项分布 B(n,p) 可以用参数 λ=np 的泊松分布来近似。工程上常用的经验标准是 n≥20 且 p≤0.05。

近似关系的背后，藏着一个更深刻的规律：当你一次次重复随机试验时，实际发生的频率会逐渐向理论概率靠拢。开盒 100 次时，M6 的频率可能还在 21% 和 28% 之间晃荡；开到 10000 次，频率就稳稳贴近 25%。这正是可视化演示中那根蓝色柱子不断向浅色理论框“认祖归宗”的过程——频率收敛于概率。

小宇望着可视化里逐渐“长高”又“归位”的蓝色柱子，终于懂了：数学规律不是纸上谈兵，而是无数次重复之后必然显现的秩序。离散概率分布这张“盲盒菜单”，从 PMF 的逐项点名，到近似关系的光速心算，让他从一个只会看运气的开盒少年，变成了能预测随机世界的“概率预言家”。

(nk)pk(1−p)n−k≈(np)ke−npk!\displaystyle \binom{n}{k} p^k (1-p)^{n-k} \approx \frac{(np)^k e^{-np}}{k!}
当 n 大、p 小时，二项分布的精确值可以用 λ=np 的泊松公式快速逼近。左边是“精确但费算”，右边是“近似但省事”，二者在极限条件下殊途同归。
  1. 左边精确值二项分布的完整概率公式，n 很大时组合数计算极繁。
    (nk)pk(1−p)n−k\binom{n}{k} p^k (1-p)^{n-k}
  2. 替换 λ令 λ=np，用泊松公式中的 λ 替代二项分布里的 np。
    λ=np\lambda = np
  3. 右边近似值泊松概率公式给出几乎一致的结果，计算却轻快得多。
    (np)ke−npk!\frac{(np)^k e^{-np}}{k!}

AI 应用场景

制造业质量检验：次品数建模

阶段：数据分析与建模

解决的问题：质检员抽查一批产品，最关心的是“这批货的次品数会不会超标”。传统做法是靠老师傅“凭感觉定阈值”，缺乏量化依据，容易误判整批产品。AI 工程师可以用二项分布建模：若这批产品数量为 n、历史次品率为 p，则次品数 X~B(n,p)，据此计算“次品数超过警戒值”的概率，让放行或退货的决定有数字撑腰。

具体案例：某电子厂每天抽 50 件产品检测，历史次品率 2%。质量工程师用 B(50, 0.02) 算得：次品超过 3 件的概率约 0.078，超过 5 件的概率约 0.004。于是把“抽查次品超过 3 件即整批预警”设为自动化规则，上线后误判退货率下降了 35%。

呼叫中心话务预测：排班优化

阶段：数据分布理解与特征工程

解决的问题：客服排班需要预测每个时段会来多少通电话。传统按“日均值”粗放排班，导致高峰时段电话排队、低峰时段人员闲置。用泊松分布拟合“每小时来电数”，从历史数据估计 λ，就能算出各来电数的概率分布，再结合服务水平目标（如“90% 的电话 20 秒内接起”）科学排班。这就像盲盒店长预测每小时进店顾客数，从而决定备多少货、排几个店员。

具体案例：某银行呼叫中心发现下午 2–3 点平均来电 λ=12 通，用 P(12) 计算得到“来电超过 20 通”的概率约为 2.5%，据此安排在这个时段增加两名兼职坐席，高峰期平均等待时长从 45 秒降到 18 秒。

A/B 测试点击率评估：效果显著性判断

阶段：模型评估与对比

解决的问题：新推荐算法上线后，点击率从 5.0% 涨到了 5.5%，这究竟是真实提升还是随机波动？传统做法只看点估计，容易把“运气”当“实力”。利用二项分布建模点击次数：每次曝光是一次伯努利试验，总点击 X~B(n,p)，结合期望 np 与方差 np(1−p) 算出波动范围，就能判断差异是否“超出随机噪声音量”，从而科学决定是否全量上线。

具体案例：某内容平台做 A/B 测试，对照组 10000 次曝光点击 500 次，实验组点击 620 次。工程师用二项分布计算得实验组提升幅度超过 2 个标准差，远高于随机波动区间，判定新算法显著有效，随即全量发布。

Python 演示

python39 行
import mathimport random  def comb(n, k):    if k < 0 or k > n:        return 0.0    return math.factorial(n) / (math.factorial(k) * math.factorial(n - k))  def binomial_pmf(n, p, k):    return comb(n, k) * (p ** k) * ((1 - p) ** (n - k))  def poisson_pmf(lam, k):    return (lam ** k) * math.exp(-lam) / math.factorial(k)  def simulate_binomial(n, p, trials):    freq = [0.0] * (n + 1)    for _ in range(trials):        hits = sum(1 for __ in range(n) if random.random() < p)        freq[hits] += 1.0    return [f / trials for f in freq]  def main():    n, p, trials = 20, 0.15, 5000    lam = n * p    theory = [binomial_pmf(n, p, k) for k in range(n + 1)]    freq = simulate_binomial(n, p, trials)    approx = [poisson_pmf(lam, k) for k in range(n + 1)]    print(f"{'k':>2} {'二项理论':>8} {'模拟频率':>8} {'泊松逼近':>8}")    for k in range(11):        print(f"{k:2d} {theory[k]:8.4f} {freq[k]:8.4f} {approx[k]:8.4f}")  if __name__ == "__main__":    main()
目的：模拟 5000 次“抽 20 盒盲盒”的实验，对比二项分布的理论概率、模拟频率与泊松逼近值，验证“n 大 p 小时二项≈泊松”的近似规律。
  1. def binomial_pmf(n, p, k):实现二项分布概率质量函数，接收试验次数、成功概率和目标成功次数。
  2. return comb(n, k) * (p ** k) * ((1 - p) ** (n - k))核心公式三件套：组合数 × 成功概率幂 × 失败概率幂。
  3. def poisson_pmf(lam, k):实现泊松分布概率质量函数，参数 λ 是平均发生次数。
  4. return (lam ** k) * math.exp(-lam) / math.factorial(k)泊松公式：λ^k 乘以衰减因子再除以阶乘。
  5. freq = [0.0] * (n + 1)初始化长度为 n+1 的计数数组，下标恰好对应“中奖 0 盒到 n 盒”。
  6. hits = sum(1 for __ in range(n) if random.random() < p)模拟一次“抽 n 盒”：逐个判断是否中奖，统计中奖总数。
  7. theory = [binomial_pmf(n, p, k) for k in range(n + 1)]一次性算出所有 k 的理论概率，方便后续逐行对比。
  8. approx = [poisson_pmf(lam, k) for k in range(n + 1)]用 λ=np 计算泊松近似，验证“二项转泊松”的效果。

常见误区

误区离散分布里的 P(X=k) 和连续分布里的概率密度函数 f(x) 差不多吧？都是描述概率的函数，我看到 PMF 和 PDF 长得挺像，应该可以互换使用。

正解二者有本质区别。PMF 的值就是货真价实的概率——盲盒台账写着“这款占 20%”，就是 20% 的机会。而 PDF 在连续分布中，f(x) 本身不是概率，必须对 x 的某段区间积分才能得到概率，单一密度值甚至可能大于 1。这就好比“每层楼的住户登记表”（PMF，直接数人头）和“人口密度地图”（PDF，要看一片区域的总人口），一个是数量，一个是浓度，不能混为一谈。

为何常见：教材常把 PMF 和 PDF 放在一起对照，符号和写法过于相似，初学者只记住了公式的“形状”，却忽略了离散与连续在语义上的根本分歧。

误区E[X]=2.7，那我觉得随机变量最可能取 2.7，或者说 2.7 这个值出现的概率最大。

正解期望是“概率加权后的长期平均”，它甚至可能根本不是随机变量的合法取值。比如 6 款盲盒价值分别是 10、20、30、40、50、60 元，按出货率加权算出的期望是 45 元，但没有哪款盲盒恰好值 45 元。期望回答的是“长期抽下去平均每盒值多少”，而不是“单次最可能抽到哪一款”。

为何常见：“期望”这个词在中文里天然带有“期待、最想要”的意味，直觉上容易被理解成“最可能的结果”，而不是冷静的加权平均数。

误区我已经连抽 9 盒都没出隐藏款了，下次出货率只有 20% 的话，再抽一盒怎么着也该出了，毕竟 10 次里至少出 1 次的概率高达 89% 呢！

正解几何分布算的“10 次内至少出 1 次的概率”是站在第 1 次之前的整体视角；但站在第 10 次开盒前，之前的 9 次结果已经发生、概率已经被“消耗”掉了。由于每次开盒相互独立，第 10 次成功的概率仍然是 p，不会因为你连跪 9 局就变成 89%。盲盒没有记忆，它不知道你前 9 盒的悲伤。

为何常见：人脑天生喜欢给随机故事找因果，把“整体累计概率”错误地套用到“单次独立试验”上，于是产生了“该翻盘了”的错觉。

误区只要是“数数”的问题就用泊松分布，只要是“做 n 次试验”就用二项分布，反正公式能算出数字就行。

正解每种分布都有自己的“性格前提”。二项分布要求 n 次试验相互独立、每次成功概率相同、结果只有成败两类；泊松分布要求事件独立、速率稳定、单次概率很小。如果盲盒店顾客呼朋引伴而来（不独立），或者生产线故障存在连锁效应（不独立），直接用标准公式就会产生系统性偏差。选分布就像挑盲盒——得先看清楚里面装了什么，不能只看封面。

为何常见：教材例题总是把条件提前备好，实战中的数据却充满“脏前提”，初学者跳过验证直接套公式，最容易翻车。

面试题

Q1. 设 X 服从伯努利分布，成功概率为 p，则 X 的期望 E[X] 等于？

单选题 · easy

  • A.等于成功概率 p← 正确答案
  • B.等于失败概率 1-p
  • C.等于乘积 p(1-p)
  • D.等于 p 的平方值

答案：A。伯努利分布取值只有 0 和 1，E[X] = 1×p + 0×(1−p) = p。就像单抽一次盲盒，“平均中隐藏款的次数”就是中奖概率本身。选项 C 是方差公式，B 是失败概率，D 是 p² 而非期望。

Q2. 若 X~B(n, p)，则 X 的方差 Var(X) 为？

单选题 · easy

  • A.等于 np(1-p) 值← 正确答案
  • B.等于 np 本身的数
  • C.等于 p(1-p) 值
  • D.等于 n 与(1-p) 积

答案：A。二项分布是 n 个独立伯努利试验的叠加，方差也按“独立可加”规则累乘为 n×p(1−p)。选项 B 是期望公式 np；C 只是单次伯努利方差；D 缺了乘 p。整箱盲盒中奖个数的波动，确实比单盒放大了 n 倍。

Q3. 几何分布描述的核心随机变量是？

单选题 · mid

  • A.n 次试验的成功个数
  • B.首次成功所需试验次数← 正确答案
  • C.单位时间的成功次数
  • D.单次试验的成功与否

答案：B。几何分布回答“第几次才第一次成功”，核心是等待次数。A 是二项分布，C 是泊松分布，D 是伯努利分布。就像蹲隐藏款的人问“我要抽几盒才出第一个”，而不是“抽 n 盒能中几个”。

Q4. 抛一枚均匀硬币 10 次，恰好出现 6 次正面的概率约为？

单选题 · mid

  • A.大约等于 0.117
  • B.大约等于 0.205← 正确答案
  • C.大约等于 0.246
  • D.大约等于 0.043

答案：B。用二项分布 B(10, 0.5)：C(10,6)×(0.5)^6×(0.5)^4 = 210/1024 ≈ 0.205。0.117 对应出现 7 次，0.246 对应出现 5 次（最可能值），0.043 对应出现 2 次。可见最可能值与“恰好 6 次”的概率并不相等。

Q5. 泊松分布 P(λ) 中，参数 λ 同时等于？

单选题 · mid

  • A.期望值和方差值← 正确答案
  • B.概率值和次数值
  • C.方差和标准差
  • D.期望和标准差

答案：A。泊松分布最著名的性质是“期望 = 方差 = λ”，这是它区别于二项分布的重要特征。标准差不等于 λ，而是 √λ。就像盲盒店“平均每小时来 5 人”时，各小时来客数的波动也是以 5 为中心。

Q6. 用泊松分布近似二项分布 B(n, p) 时，工程上通常要求？

单选题 · hard

  • A.n 至少 20 且 p 至多 0.05← 正确答案
  • B.n 至多 20 且 p 至少 0.05
  • C.n 至少 100 且 p 大于 0.5
  • D.n 至少 20 且 p 等于 0.50

答案：A。泊松定理要求 n 很大、p 很小且 np 适中；工程经验标准是 n≥20 且 p≤0.05，此时二项分布与 λ=np 的泊松分布结果非常接近。B 条件方向反了，C 的 p 过大，D 的 p=0.5 完全不满足“小概率”前提。

Q7. 概率质量函数 P(X=k) 的“非负归一”性质是指？

单选题 · easy

  • A.所有取值概率非负且总为 1← 正确答案
  • B.所有取值概率为正且总和为 0
  • C.取值概率一定大于等于 100
  • D.取值概率可为负但总和为 1

答案：A。概率质量函数要求每个 p_k≥0，且所有 p_k 加起来恰好等于 1——对应盲盒台账里“每款比例非负、总比例 100%”。B 的总和为 0 违反归一，C 的 ≥100 违反概率上限，D 的概率为负在现实中没有意义。

Q8. 下列随机变量中属于离散型随机变量的有？

多选题 · mid

  • A.掷骰子出现的点数← 正确答案
  • B.人的身高测量值
  • C.一天收到的邮件数← 正确答案
  • D.温度计的读数

答案：AC。离散型随机变量只能取有限或可列个值。骰子点数是 1–6 的整数，邮件数是自然数，都是离散的；身高和温度可以取任意实数，属于连续型。就像盲盒款号是整数值，而开盒称重可能是任何小数。

Q9. 关于几何分布，下列说法正确的有？

多选题 · hard

  • A.期望等于 1/p 值← 正确答案
  • B.具有无记忆性特征← 正确答案
  • C.方差与参数 p 无关
  • D.试验之间互不影响← 正确答案

答案：ABD。几何分布的期望是 1/p，方差是 (1−p)/p²，方差明显受 p 影响，所以 C 错误。无记忆性指“前 k−1 次失败不会改变下一次成功概率”，而试验相互独立是该分布的前提。就像盲盒不会因为你连抽多盒而改变单盒出货率。

Q10. 设 X~P(4)，即 λ=4 的泊松分布，下列计算结果正确的有？

多选题 · extreme

  • A.方差 Var(X) 等于 4← 正确答案
  • B.标准差数值大约为 2← 正确答案
  • C.期望值等于其方差值← 正确答案
  • D.P(X=3) 约等于 0.214

答案：ABC。泊松分布期望=方差=λ，所以 A、C 正确；标准差=√4=2，B 正确。P(X=3)=4³·e⁻⁴/3! ≈ 0.195，并非 0.214，D 是干扰项。此题要求同时掌握泊松分布的参数性质与具体概率计算，是综合考察的典型题。