对伯努利过程的理解

伯努利过程是一系列独立同分布的随机事件，这个事件叫伯努利试验，试验的结果只有成功和失败，即

随机变量的取值只能为0或者1，且取值为1的概率为p,那么取值为0的改为为1-p，这也是伯努利分布

一般认为1是成功，0是失败

其涉及以下问题：

1.n次事件中成功k次的概率可用二项分布表示，其期望为np，方差为np(1−p)

2.成功r次时的失败次数为k次的概率（或成功r次时事件次数为n=r+k）可用负二项分布表示

3.成功1次所需要的随机事件（试验）次数k（或成功1次时失败的次数k-1）可用几何分布表示，几何分布是当r=1时的负二项分布

伯努利过程的合并

如果有两个伯努利过程A和B，A的事件发生概率为p,B中事件发生概率为q，可以将这两个事件合并起来得到一个新的伯努利过程C，其发生概率为1-(1-p)(1-q)=p+q-pq

【问题实例】

抛硬币

由于影响硬币的各种偶然因素非常多，因此通常认为硬币正面的概率为期望值，即0.5

如果一个人连续投掷了十次硬币，都是正面，那么下一次是正面的概率是多少？

在理想情况下，事件是独立同分布的，那么应该是下一次正面概率仍然为0.5

而在实际情况下，事件不一定是同分布的，或者硬币正面的概率不为0.5，因此，下一次正面的概率大于0.5

因为，同分布下连续10次正面的概率极低，基本不可能出现，如果出现了，可以反推硬币正面概率大于0.5

换个方式可能更好理解：一个被做了手脚的硬币，存在可控因素，每次事件分布不同，期望值不为0.5

掷骰子出现1点或6点的概率是不符合伯努利过程的，因为结果大于2。如果目标是点数是否大于3，那么只有两种可能，是符合的。

产品检验

若一批零件的合格率为99%，从中抽验部分零件，通过二项分布可以计算出该零件合格时的概率

例如一批2000个零件，抽验其中100个零件，有两个零件不合格

即给定了概率p = 0.99,通过二项分布可以计算100次中成功次数为98的概率P，如果P小于某个阈值，说明合格

也可以先设定阈值，计算100个中最低要有多少个合格

广告点击

用户是否会点击广告的影响因素太多，因此可以认为广告点击事件是随机的，每次展现的广告只有点击或不点击两种结果

同样的，我们假设用户每次点击广告的决策不受历史影响(尽管这个假设在直观上可能不成立)，这就满足了独立

我们通常默认是同分布的，即广告短时间内点击率不会发生变化

广告核心的指标是点击率：若10,000 次的广告展示中 120 次点击，可以计算出点击率1.2% 

进一步的，我们可以计算出想要获得n次成功点击时，需要投放的广告总次数，继而可以做成本核算

可以看到，相比而言，产品检查的伯努利过程更为合理些