一、什么是 n 重贝努里试验
在概率论中，n 重贝努里试验是最基础的”独立重复试验”模型。它描述的是这样一种场景：
在相同条件下独立重复进行 $n$ 次贝努里试验，每次试验只有两种可能结果——”成功”或”失败”，且每次成功的概率恒为 $p$，各次试验之间相互独立。
最简单的例子就是抛硬币：将一枚均匀硬币独立地抛掷 3 次（或者同时抛 3 枚），每一次的结果只可能是正面或反面，且出现正面的概率恒为 $\dfrac{1}{2}$。这种试验就构成了一个 $n=3$ 的 n 重贝努里试验。
n 重贝努里试验的本质是贝努里试验的自然推广，它将单次试验的概率思想扩展到了多次独立重复的情形，成为连接贝努里概率公式与二项分布的桥梁。
二、核心特征与概率模型
一个 n 重贝努里试验必须同时满足以下三个基本特征：
- 独立性：各次试验的结果互不影响，前一次的结果不会改变后续试验的概率分布。
- 等概率性：每次试验中，”成功”发生的概率保持不变，记为 $p$（$0 < p < 1$）。
- 二结果性：每次试验仅有两种可能 outcome——”成功”或”失败”，且失败概率恒为 $1-p$。
设随机变量 $X$ 表示 $n$ 次试验中成功出现的总次数，则 $X$ 服从参数为 $(n,\,p)$ 的二项分布，记作：
$$X \sim B(n,\,p)$$
其概率质量函数为著名的贝努里概率公式（二项概率公式）：
$$P(X = k) = C_n^k \; p^k \; (1-p)^{n-k}, \quad k = 0,\,1,\,2,\,\cdots,\,n$$
其中 $C_n^k = \dfrac{n!}{k!(n-k)!}$ 为组合数，表示在 $n$ 次试验中恰好选出 $k$ 次成功的不同方式数。
三、公式推导与计算示例
抛 3 枚硬币恰有 2 枚正面的概率
问题：将一枚均匀硬币独立地抛掷 3 次，求恰好出现 2 次正面（成功）的概率。
建模分析：每次抛掷是独立的，结果只有”正面”或”反面”两种，且成功概率 $p = \dfrac{1}{2}$ 恒定，属于典型的 $n=3$ n 重贝努里试验，$X \sim B\!\left(3,\,\dfrac{1}{2}\right)$。
计算过程：
代入公式，取 $k = 2$：
$$P(X=2) = C_3^2 \left(\frac{1}{2}\right)^2 \left(1-\frac{1}{2}\right)^{3-2} = 3 \times \frac{1}{4} \times \frac{1}{2} = \frac{3}{8}$$
因此，恰好出现 2 次正面的概率为 $\dfrac{3}{8} = 0.375$。
生产线不合格品检验
问题：某产品生产线的不合格率为 $p = 0.02$，现随机抽取 $n = 10$ 件产品独立检验。求：
（1）恰好有 2 件不合格的概率；
（2）至少有 1 件不合格的概率。
建模分析：每件产品是否合格构成一次贝努里试验，10 次相互独立且概率恒定，故 $X \sim B(10,\,0.02)$，其中 $X$ 为不合格品数量。
第（1）问计算：取 $k = 2$，
$$P(X=2) = C_{10}^2 \,(0.02)^2 \,(0.98)^8 = 45 \times 0.0004 \times (0.98)^8 \approx 0.0149$$
第（2）问计算：利用对立事件简化：
$$P(X \ge 1) = 1 – P(X = 0) = 1 – C_{10}^0 \,(0.02)^0 \,(0.98)^{10} = 1 – (0.98)^{10} \approx 1 – 0.8171 = 0.1829$$
结论：恰好 2 件不合格的概率约为 $0.0149$，至少有 1 件不合格的概率约为 $0.1829$。
四、常见误区辨析
误区一：误以为”成功”的具体对象必须相同
有些学习者认为 n 重贝努里试验要求每次试验的”成功”事件完全一致。实际上，只要每次试验成功的概率 $p$ 相同即可，具体事件可以不同。例如，10 名考生分别参加一场考试，每人通过的概率均为 $0.6$，这也构成 n 重贝努里试验模型。
误区二：混淆”独立”与”互斥”
n 重贝努里试验中各次试验是相互独立的，这意味着一次的结果不影响另一次的概率。而”互斥”是指两个事件不可能同时发生，两者是完全不同的概念，切勿混淆。
误区三：对非独立试验强行套用二项分布
最常见的错误是将不放回抽样直接套用二项分布公式。不放回抽样中，每次抽取后总体构成发生变化，各次试验不再独立，成功次数实际服从超几何分布，不能直接使用 $P(X=k)=C_n^k\,p^k(1-p)^{n-k}$。
判断准则：遇到题目时先问自己——各次试验是否真正独立？概率是否恒定？若不满足，则不能盲目套用二项分布。
五、模型扩展与应用
泊松近似
当试验次数 $n \to \infty$，单次成功概率 $p \to 0$，且 $np \to \lambda$（$\lambda > 0$ 为常数）时，二项分布可近似为泊松分布：
$$P(X=k) \approx \frac{\lambda^k \, e^{-\lambda}}{k!}, \quad k = 0,\,1,\,2,\,\cdots$$
这在稀有事件（如产品次品率极低、事故发生率极低）的概率估算中非常有用。
正态近似
当 $n$ 较大且 $p$ 接近 $0.5$ 时（通常要求 $np \ge 5$ 且 $n(1-p) \ge 5$），二项分布可用正态分布近似：
$$X \approx N\!\left(np,\; np(1-p)\right)$$
这是中心极限定理的直接应用，便于借助标准正态表进行快速计算。
实际应用
n 重贝努里试验模型广泛存在于工程与科学领域：
- 质量控制：抽检产品合格率评估；
- 医学检验：检测某疾病的阳性率；
- 通信工程：数据传输的错误率分析；
- 金融风控：贷款违约概率建模。
六、总结
n 重贝努里试验是概率论中最为核心的独立重复试验模型。其关键在于把握三个特征——独立、等概率、二结果，并熟练掌握二项分布概率公式 $P(X=k)=C_n^k\,p^k(1-p)^{n-k}$。
在实际应用中，首先要判断问题是否满足独立重复试验的前提条件，再选择合适的计算方法。对于 $n$ 较大或 $p$ 极值的情形，可灵活运用泊松近似或正态近似以简化计算。避免将非独立情形（如不放回抽样）误套二项分布，是正确建模的关键。