在概率统计中，二项分布描述了n次独立伯努利试验中成功k次的概率分布。当n很大时，直接使用组合数公式会因为阶乘溢出而无法计算。通过取对数并递推，可以在不引入任何外部模块的情况下高效且稳定地求得结果。
二项分布基本公式与数值问题
二项分布概率质量函数为：
P(X=k) = C(n,k) * p^k * (1-p)^(n-k)
其中C(n,k)为组合数。若直接算阶乘，n超过170时双精度浮点就会溢出，且大规模计算效率低。
对数化与递推计算方案
对概率取自然对数可避免溢出：
logP = logC(n,k) + k*log(p) + (n-k)*log(1-p)其中logC(n,k)可通过递推对数组合数得到，从logC(n,0)=0开始：
import math
def log_comb(n, k):
# 利用递推关系计算对数组合数，避免直接计算阶乘
if k < 0 or k > n:
return float('-inf')
log_c = 0.0
# C(n,0)=1, log(1)=0
for i in range(1, k + 1):
# C(n,i) = C(n,i-1) * (n-i+1) / i
log_c += math.log(n - i + 1) - math.log(i)
return log_c
def binomial_prob(n, k, p):
# 不依赖外部模块的大规模二项分布概率计算
if p < 0 or p > 1:
raise ValueError('p must in [0,1]')
log_c = log_comb(n, k)
log_p = k * math.log(p) + (n - k) * math.log(1 - p)
log_total = log_c + log_p
return math.exp(log_total)
# 示例：n=1000, k=10, p=0.01
print(binomial_prob(1000, 10, 0.01))
效率与精度对比
下表列出不同方法在n=1000时的表现：
| 方法 | 是否溢出 | 相对速度 |
|---|---|---|
| 直接阶乘 | 是 | 慢 |
| 对数递推 | 否 | 快 |
注意事项
- 当p为0或1时需单独判断，避免log(0)报错
- 若只需比较概率大小，可直接使用对数结果而不指数化
- 对于极尾部分布，可结合正态近似做初步筛查
上述方案仅使用Python标准库math模块，适合在嵌入式或受限环境中部署，能够高效处理大规模二项分布概率计算需求。