n次掷骰子试验中成功次数大于失败次数的概率求解及趋势分析

嘿，这个问题其实可以从精确计算和大样本近似两个角度来拆解，尤其是当n大到10亿次的时候，中心极限定理会帮我们省很多事～

首先明确几个关键变量：

• 设( X )为( n )次投掷中的成功次数，它服从二项分布( Binomial(n, p=2/3) )，其中单次成功概率( p=2/3 )，失败概率( q=1-p=1/3 )。
• 成功次数多于失败次数等价于：( X > n - X )，整理后得到( X > n/2 )。我们的目标就是计算( P(X > n/2) )。

小n场景的精确计算 #

如果n比较小（比如n≤20），可以直接用二项分布的概率公式硬算：
[ P(X > n/2) = \sum_{x=\lfloor n/2 \rfloor + 1}^{n} \binom{n}{x} p^x q^{n-x} ]
举个例子，n=3时，( X>1.5 )即X≥2，概率是：
[ \binom{3}{2}(2/3)^2(1/3) + \binom{3}{3}(2/3)^3 = 3*(4/9)*(1/3) + 8/27 = 20/27≈0.7407 ]

大n场景的近似（比如10亿次） #

当n极大时，二项分布可以用**中心极限定理（CLT）**近似为正态分布，这会让计算变得异常简单：

1. 先算( X )的期望和标准差：
   • 期望：( \mu = np = \frac{2}{3}n )
   • 方差：( \sigma^2 = npq = \frac{2}{9}n )，标准差( \sigma = \frac{\sqrt{2n}}{3} )
2. 对( X > n/2 )做标准化变换（把变量转化为标准正态分布( Z \sim N(0,1) )）：
   [ Z = \frac{X - \mu}{\sigma} ]
   代入( X = n/2 )，得到：
   [ Z = \frac{\frac{n}{2} - \frac{2}{3}n}{\frac{\sqrt{2n}}{3}} = -\sqrt{\frac{n}{8}} ]
3. 转化为标准正态分布的概率：
   [ P(X > n/2) = P(Z > -\sqrt{\frac{n}{8}}) = \Phi(\sqrt{\frac{n}{8}}) ]
   这里( \Phi(\cdot) )是标准正态分布的累积分布函数。

举个极端例子：n=10亿 #

计算( \sqrt{\frac{1e9}{8}} ≈ 11180 )。标准正态分布中，当z>4时，( \Phi(z) )就已经接近0.99997了，z=11180这个值远远超出了常规的分布范围，所以这个概率几乎等于1，误差小到完全可以忽略。

随着n不断变大，( \sqrt{\frac{n}{8}} )会持续增长，( \Phi(\sqrt{\frac{n}{8}}) )会单调递增并无限趋近于1。原因很直观：成功的期望次数( \mu=\frac{2}{3}n )比n/2多了( \frac{n}{6} )，这个差距是线性增长的，而标准差( \sigma )是根号级增长的——当n足够大时，期望和n/2的差距会远远超过标准差，成功次数几乎必然会多于失败次数。

如果是求( P(X > k) )，同样可以用正态近似快速解决：

1. 计算标准化后的z值：
   [ z = \frac{k - \mu}{\sigma} = \frac{k - \frac{2}{3}n}{\frac{\sqrt{2n}}{3}} ]
2. 对应的概率为：
   [ P(X > k) = 1 - \Phi(z) ]

• 如果k远小于( \mu )（比如k=n/2），概率趋近于1；
• 如果k接近( \mu )，可以查标准正态分布表或者用统计工具计算具体值；
• 如果k远大于( \mu )，概率会趋近于0。

内容的提问来源于stack exchange，提问作者Mystic_Quest