从抛硬币到马尔可夫链：3 种方法求解连续 N 次成功期望

从抛硬币到马尔可夫链3种方法求解连续N次成功期望想象你坐在赌场里面前放着一枚硬币。你开始反复抛掷它心里默默数着连续出现正面的次数。突然一个念头闪过平均需要抛多少次才能连续看到N次正面这个问题看似简单却蕴含着概率论中关于连续成功的深刻数学原理。无论是金融市场的连续上涨预测还是通信系统中的错误检测甚至是电子游戏中的连击机制都需要理解这类问题的本质。1. 递归方程法拆解期望的递推逻辑递归思维是解决复杂期望问题的利器。让我们从抛硬币这个经典案例入手逐步构建通用解法。对于连续两次正面的情况设E为所需抛掷次数的期望。第一次抛掷有两种可能反面出现概率1-p相当于浪费了一次抛掷仍需E次才能达到目标。此时总期望为1 E正面出现概率p进入新状态第二次抛掷再次正面概率p成功共用了2次反面概率1-p回到起点共用了1 1 E次由此可得方程E (1-p)(1 E) p[p×2 (1-p)(2 E)]解这个方程当p0.5时E6。这个结果验证了我们的直觉——连续成功比单次成功需要更多尝试。推广到连续N次成功的一般情况我们可以建立状态转移方程组。定义E_k为已有k次连续成功时达到N次所需的期望次数。关键递推关系为E_k 1 p×E_{k1} (1-p)×E_0 (k0,1,...,N-1) 边界条件E_N 0通过求解这个线性方程组我们得到通解公式E_0 (p^{-N} - 1)/(1 - p)这个优美的表达式揭示了期望与成功率p的指数关系。当p0.5时不同N对应的期望值连续次数N期望抛掷次数E1226314430562提示在实际应用中当p接近1时期望次数会急剧下降而p较小时需要做好长时间等待的准备。2. 马尔可夫链建模状态转移的视角马尔可夫链为这类问题提供了更系统的分析框架。我们将抛硬币过程建模为一个状态机每个状态代表当前连续正面的次数。以N3为例状态空间为{0,1,2,3}其中3是吸收态目标达成。转移矩阵为当前状态→状态0→状态1→状态2→状态301-pp0011-p0p021-p00p30001设从状态k到吸收态的期望步数为e_k可以建立方程e_0 1 (1-p)e_0 p e_1 e_1 1 (1-p)e_0 p e_2 e_2 1 (1-p)e_0 p×0解这个方程组我们再次得到与递归法一致的结果。马尔可夫链的优势在于可视化状态转移图直观展示整个过程可扩展性容易推广到更复杂的场景计算友好矩阵运算适合编程实现Python代码示例计算任意N和p的期望import numpy as np def expected_trials(N, p): # 构建转移矩阵不含吸收态 Q np.zeros((N, N)) for i in range(N): Q[i,0] 1-p if i N-1: Q[i,i1] p # 计算基础矩阵 I np.eye(N) F np.linalg.inv(I - Q) # 返回从状态0开始的期望步数 return F[0,:].sum() print(expected_trials(3, 0.5)) # 输出14.03. 概率生成函数法幂级数的魅力对于喜欢代数方法的读者概率生成函数提供了另一种优雅的解决方案。定义生成函数G(x) Σ P(k)x^k其中P(k)是在第k次抛掷时首次达到N次连续正面的概率。通过分析模式匹配pattern matching的性质可以推导出G(x) (px)^N / [1 - x (1-p)(px)^(N1)]期望E即为G在x1处的导数E G(1) (1 - p^N)/[p^N(1 - p)]这个方法虽然代数运算复杂但能一次性给出所有阶矩方差、偏度等的表达式适合需要全面分析分布特性的场景。4. 方法比较与实际应用三种方法各有优劣适用于不同场景方法优点缺点适用场景递归方程直观易懂计算简单推导复杂时容易出错简单问题快速估算马尔可夫链系统性强易于编程实现状态空间大时矩阵运算复杂复杂依赖关系模拟研究生成函数提供完整分布信息代数推导难度大理论分析高阶矩需求在实际工程中这些方法有广泛的应用质量控制连续生产N件合格品需要的平均时间金融分析连续上涨/下跌的天数预测通信系统检测连续错误帧的期望时间算法设计随机算法收敛性分析蒙特卡洛模拟验证N2, p0.5import random def simulate(N, p, trials100000): total 0 for _ in range(trials): count consecutive 0 while consecutive N: count 1 if random.random() p: consecutive 1 else: consecutive 0 total count return total / trials print(simulate(2, 0.5)) # 结果接近6理解这些方法的核心在于把握条件期望的思想——将复杂问题分解为更简单的子问题。这种分治策略不仅适用于概率问题也是解决许多工程难题的通用范式。