核心要点
理解 n 次独立试验、成功概率 p
能写出 PMF 与均值 np、方差 np(1−p)
知道二项检验与 A/B 测试联系
简要回答
二项分布描述 n 次独立伯努利试验中成功次数；是比例推断、二项检验和许多分类问题的基础模型。
标准回答
一、先给出结论和背景
- 设定：进行
n次独立试验，每次成功概率p，成功次数X ~ Binomial(n, p)。 - PMF：
P(X=k) = C(n,k) p^k (1−p)^{n−k}，k = 0,1,...,n
二、拆开关键步骤和判断点
- 数字特征：
E[X] = np，Var(X) = np(1−p) - 作用：1. 比例建模：转化率、点击率、缺陷率
- 假设检验：二项精确检验、比例 z 检验（大 n 近似正态）
- 置信区间：Wilson score interval 比 Wald 更稳
- ML：逻辑回归输出可视为 p，多个 Bernoulli 组成似然
三、补上落地边界和取舍
- 近似：n 大时 Binomial(n,p) ≈ Normal(np, np(1−p))；p 小、n 大时 ≈ Poisson(np)。见 概率论基础。
面试里如果出现公式，建议先说 二项分布在统计学中的作用是什么 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。
回答思路
【定义】用一句话说清「二项分布在统计学中的作用」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。
追问
追问 1：Binomial 和 Bernoulli 有什么关系？
Bernoulli(1,p) 是一次试验；Binomial(n,p) 是 n 个独立 Bernoulli 之和。Binomial(1,p) 就是 Bernoulli。
追问 2：何时用二项检验而非卡方检验？
单比例 vs 理论值、两比例比较（小样本）用二项/精确 Fisher。多类别拟合优度用卡方。样本量小勿盲目用正态近似。
追问 3：负二项分布与二项有何不同？
二项：固定 n 次试验看成功数；负二项：固定成功次数 r，看所需试验次数。过离散计数数据（方差>均值）常用负二项而非二项/Poisson。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
