如何计算失败后成功概率递增时的单次成功期望尝试次数？

数学原理 #

期望尝试次数的核心逻辑基于概率的期望定义：

• 第k次尝试的成功概率为 p_k = 0.03 + 0.002*(k-1)
• 第k次成功的概率 = 前k-1次全部失败的概率 × 第k次成功的概率
• 期望E就是所有k×(第k次成功的概率)的总和，直到p_k≥1（此时第k次必然成功，无需再计算后续项）

先确定最大尝试次数n：当p_n=1时，通过0.03 + 0.002*(n-1)=1可解得n=486，即第486次尝试必然成功。

代码实现（Python） #

通过循环迭代计算每一项的贡献，维护累积的失败概率乘积即可：

# 初始化参数
initial_p = 0.03
delta_p = 0.002
expected = 0.0
# 累积前k-1次的失败概率，初始为1（第1次尝试前无失败）
cumulative_fail = 1.0
k = 1

while True:
    p_k = initial_p + delta_p * (k - 1)
    # 当概率≥1时，本次尝试必然成功，计算贡献后退出循环
    if p_k >= 1.0:
        expected += k * cumulative_fail * 1.0
        break
    # 计算本次成功的概率贡献
    expected += k * cumulative_fail * p_k
    # 更新累积失败概率：乘以本次失败的概率
    cumulative_fail *= (1 - p_k)
    k += 1

print(f"期望尝试次数：{expected:.2f}")

运行后结果约为27.67，确实低于固定概率0.03时的33.33，符合预期。

为什么不能简单取平均？ #

你提到的“初始期望和最终期望取平均”的方法忽略了各阶段失败概率的累积效应：前几次失败的概率很高，会显著影响后续尝试的权重，直接平均无法反映这种非线性的概率变化，必须通过逐项计算每一次尝试的期望贡献才能得到准确结果。

内容的提问来源于stack exchange，提问作者Fearless Truth-Teller