如何计算特定场景下的失败概率及最大可承载用户规模

核心模型定义 #

这个问题本质是二项分布的逆求解问题，相关参数定义如下：

• n：待求的最大可承载群体规模（即每小时可支持的玩家数量）
• p：单个独立事件的发生概率（即单用户单次游戏的获胜概率）
• x：最多允许的事件发生次数（即最多允许的用户获胜次数，超过即判定失败/奖池耗尽）
• y：可接受的失败概率上限（单位%，即奖池耗尽的最大允许概率）

我们的目标是找到最大的整数n，满足：n个独立用户参与时，事件发生次数超过x的概率 ≤ y/100，等价于二项分布累积概率满足：P(k ≤ x) ≥ 1 - y/100，其中k为实际发生的事件次数，服从参数为(n,p)的二项分布。

通用求解方法 #

该问题没有封闭的代数解析式，可通过两种方式求解：

1. 精确迭代法 #

从n=x（最少需要x个用户才有可能出现x次事件）开始逐步增大n的取值，每次计算二项累积分布值，直到累积值刚好小于1 - y/100，此时的前一个n值就是最大可承载规模，结果完全精确。

2. 正态近似法（适合n较大的场景） #

当n足够大时，二项分布(n,p)可近似为正态分布N(np, np(1-p))，引入连续性修正后可以得到近似不等式：

Φ( (x + 0.5 - np)/sqrt(np(1-p)) ) ≥ 1 - y/100

其中Φ为标准正态分布的累积分布函数，z为标准正态分布的1 - y/100分位数（比如y=5%时，对应分位数z≈1.645），解该二次不等式后向下取整即可得到近似的最大n值，误差通常在可接受范围内。

你的场景计算示例 #

你给出的场景参数为：p=0.2，x=10，y=5
用精确迭代法计算可得：

• n=37时，P(k ≤ 10) ≈ 0.959 > 0.95，满足奖池耗尽概率低于5%的要求
• n=38时，P(k ≤ 10) ≈ 0.947 < 0.95，不满足要求
  因此该场景下最多可支持37名玩家同时参与，和正态近似法的计算结果一致。

常用工具实现代码示例 #

以下是R语言的实现代码，可直接代入不同参数计算结果：

# 自定义求解函数，p为单次概率、x为最大允许次数、y为失败概率上限（百分比数值）
cal_max_n <- function(p, x, y) {
  threshold <- 1 - y/100
  n <- x
  while(pbinom(x, n, p) >= threshold) {
    n <- n + 1
  }
  return(n - 1)
}

# 代入你的场景参数计算
cal_max_n(p=0.2, x=10, y=5)

运行上述代码返回结果为37，和手动计算结果一致。

内容的提问来源于stack exchange，提问作者statts