二项分布是统计学中描述在固定次数的独立伯努利试验中，成功次数概率分布的离散概率分布。其核心特征为：每次试验只有成功或失败两种结果，且每次试验的成功概率保持不变，试验之间相互独立。 二项分布的数学表达式为 \(P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}\)，其中 \(n\) 为试验次数，\(p\) 为单次成功概率，\(k\) 为成功次数。实际应用中，二项分布广泛用于质量控制、医学试验、市场调研等领域，例如检测一批产品中的次品率、评估药物疗效等。需要注意，二项分布要求试验次数固定且独立，若试验次数很大且概率较小，可近似为泊松分布；若样本量足够大，也可用正态分布近似。

【常见问题】

问题1：什么叫做二项分布的核心应用场景？

回答1：二项分布的核心应用场景包括任何包含固定次数独立试验且结果二元化的场景，例如掷硬币正面次数、生产线不合格品数量、临床试验中有效病例数等。

问题2：二项分布与泊松分布有何区别？

回答2：二项分布描述固定试验次数下的成功次数，而泊松分布用于描述单位时间（或空间）内随机事件发生次数，且通常适用于试验次数很大、成功概率很小的情形，此时二项分布可近似为泊松分布。

问题3：二项分布成立需要满足哪些条件？

回答3：二项分布需要满足三个条件：试验次数固定且独立，每次试验只有两种可能结果（成功或失败），每次试验的成功概率完全相同。

问题4：如何计算二项分布的期望和方差？

回答4：二项分布的期望 \(E(X)=np\)，方差 \(Var(X)=np(1-p)\)，其中 \(n\) 为试验次数，\(p\) 为单次成功概率。

问题5：什么叫做二项分布在现实中的典型例子？

回答5：典型例子包括：抛10次硬币，计算正面朝上的次数；检测100件产品，其中次品数量；调查1000人中支持某政策的人数，均可用二项分布建模。