---
title: "白努利分布（Bernoulli Distribution）"
slug: bernoulli-distribution
language: zh-TW
source: https://aiterms.tw/terms/bernoulli-distribution
updated_at: 2026-11-16
tags: [統計方法, 數學基礎, 機器學習, 伯努利分布, 伯努利分佈, 白努利分配, 伯努利分配, 柏努利分布, 白努利試驗, 伯努利試驗, 二項分布]
ipas_term: false
---

# 白努利分布（Bernoulli Distribution）

> **只有「是」或「不是」兩種結果的事情，機率要怎麼描述？**
>
> 白努利分布就是描述這種單次試驗的機率分布：成功記為 1、機率是 p，失敗記為 0、機率是 1−p。
>
> 它是二項分布的基本單位，同一種試驗獨立重複 n 次、每次成功機率都相同，成功的次數就是二項分布。名稱來自 17 世紀後期深入研究這類試驗的數學家 Jacob Bernoulli，中文也常音譯成伯努利，指的是同一個分布。

### 容易混淆

> **白努利分布 vs 二項分布**
>
> 白努利分布只看一次試驗的結果，值只有 0 或 1
> 二項分布看的是 n 次獨立、成功機率都相同的試驗裡總共成功幾次，值是 0 到 n 的整數
> 最關鍵的區別是試驗次數，白努利分布可以看成 n = 1 的二項分布。
>
> **二項分布 vs 常態分布**
>
> 二項分布是離散的，只能取 0、1、2、…、n 這些整數
> 常態分布是連續的鐘形曲線
> 常見的經驗法則是 np 與 n(1−p) 都大於 5 時，二項分布可以用常態分布近似，只看 n 大還不夠，p 很接近 0 或 1 時需要更多次試驗。
>

### 記住這句就好

> 一次試驗、兩種結果、成功機率 p，就是白努利分布。

### 實際案例

> **廣告點擊**
> 廣告每被看到一次，使用者不是點擊（1）就是沒點擊（0）。假設每次曝光互相獨立、點擊機率都是 0.02，每一次曝光就是 p = 0.02 的白努利試驗，1,000 次曝光的點擊數服從 n = 1,000、p = 0.02 的二項分布，期望值是 20 次。
>
> **Dropout**
> 訓練神經網路時，Dropout 會隨機把部分數值歸零，PyTorch 官方文件寫明歸零的元素在每次前向計算時獨立選出，取樣自白努利分布。
>

### 演算法與應用

> 機率質量函數：P(X = 1) = p，P(X = 0) = 1 − p，X 只能是 0 或 1。
> 期望值 E(X) = p，變異數 Var(X) = p(1 − p) = 1/4 − (p − 1/2)²，所以 p = 0.5 時變異數最大（0.25），兩種結果機會各半，最不確定。
> n 次獨立、成功機率都是 p 的白努利試驗加總起來是二項分布，期望值 np，標準差 √(np(1 − p))。
> Python 可以用 scipy.stats.bernoulli 計算機率或抽樣。會輸出機率的二元分類模型（例如邏輯迴歸）對每筆資料輸出的正類別機率，可以當成那筆資料的 p 來解讀。

### 情境判斷

> **Q1（直覺題）：檢查一個產品是不是瑕疵品，只記錄「是」或「否」，這一次檢查適合用哪一種分布描述？**
>
> → 白努利分布，結果只有兩種，瑕疵的機率就是 p。
>
> **Q2（判斷題）：做 400 次成功機率 0.1 的獨立試驗，成功次數可以用常態分布近似嗎？**
>
> → 可以。np = 40、n(1 − p) = 360，都大於常見的經驗門檻 5，二項分布可以用常態分布近似。
>

---

來源：https://aiterms.tw/terms/bernoulli-distribution
快查頁：https://aiterms.tw/terms/bernoulli-distribution
出處：
- scipy.stats.bernoulli（SciPy 官方文件，查核時為 v1.18.0）：https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.bernoulli.html
- Bernoulli Distribution（SciPy 官方教學文件）：https://docs.scipy.org/doc/scipy/tutorial/stats/discrete_bernoulli.html
- NIST/SEMATECH e-Handbook of Statistical Methods：1.3.6.6.18 Binomial Distribution：https://itl.nist.gov/div898/handbook/eda/section3/eda366i.htm
- 4.2 Binomial Distribution（OpenStax，Introductory Business Statistics 2e）：https://openstax.org/books/introductory-business-statistics-2e/pages/4-2-binomial-distribution
- 6.3 Estimating the Binomial with the Normal Distribution（OpenStax，Introductory Business Statistics 2e）：https://openstax.org/books/introductory-business-statistics-2e/pages/6-3-estimating-the-binomial-with-the-normal-distribution
- 1.1.11 Logistic regression（scikit-learn 官方使用者指南）：https://scikit-learn.org/stable/modules/linear_model.html
- torch.nn.Dropout（PyTorch 官方文件，2.15 版）：https://docs.pytorch.org/docs/2.15/generated/torch.nn.Dropout.html
最後更新：2026/11/16