1. 项目概述从“损失次数”到“几何分布”的实战建模在风险控制、设备可靠性分析、市场营销乃至游戏抽卡机制的设计中我们常常会遇到一类核心问题在连续进行一系列相互独立的试验时需要多少次尝试才能“首次”获得成功更具体地说我们关心的是在成功到来之前我们会经历多少次“失败”或“损失”。这个“失败次数”就是我们今天要深入探讨的“损失次数”。而“几何分布”正是为这类“等待首次成功”场景量身定制的概率模型。它不像二项分布那样关心n次尝试中的总成功次数而是聚焦于那个转折点——第一次成功发生的位置。理解并应用几何分布意味着你能量化许多业务中的关键等待时间或成本。例如在信贷审批中需要审核多少份申请才能发现第一笔潜在欺诈交易损失次数是欺诈出现前的正常申请数在生产线质检中需要检查多少个零件才能找到第一个次品在互联网广告投放中一个用户平均要看多少次广告才会产生第一次点击这些问题都可以抽象为几何分布模型。掌握它你就能从“凭感觉”过渡到“用数据说话”为决策提供清晰的概率依据。2. 核心概念与模型原理深度拆解2.1 几何分布的定义与两种视角几何分布描述的是在一系列独立的伯努利试验每次试验只有“成功”或“失败”两种可能中首次获得成功所需要的试验次数。这里需要特别注意一个关键点对“次数”的定义不同会导致概率分布公式的细微差别这也是实践中容易混淆的地方。通常有两种定义方式定义一首次成功发生时的总试验次数记为X。这个次数包括最后那一次成功。例如第3次尝试才成功则 X3。其概率质量函数为P(Xk) (1-p)^(k-1) * p其中 k1,2,3,...p是单次试验的成功概率。定义二首次成功发生前的失败次数记为Y。这正是我们标题中强调的“损失次数”。例如第3次尝试成功则失败次数 Y2。其概率质量函数为P(Yk) (1-p)^k * p其中 k0,1,2,...。两者的关系很简单Y X - 1。在绝大多数涉及“等待”或“损失”的建模场景中我们更关心失败次数Y因为它直接对应着成本、损耗或等待时间。例如在设备故障分析中“故障前正常运行的小时数”对应的就是失败次数将每个小时看作一次“不故障”的试验。本文后续讨论将主要基于定义二损失次数Y展开因为它更贴合“损失次数模型”的直观含义。2.2 几何分布的核心性质与“无记忆性”几何分布有几个至关重要的性质理解它们对于正确应用模型至关重要。期望与方差对于损失次数Y其期望平均失败次数E(Y) (1-p)/p方差Var(Y) (1-p)/p²。这个期望公式非常直观成功概率p越小平均需要经历的失败次数就越多。例如如果抽中SSR卡的概率p0.011%那么平均需要经历(1-0.01)/0.01 99次失败才会迎来第一次成功。无记忆性这是几何分布最独特且强大的性质。它的意思是无论你已经经历了多少次失败下一次试验成功的概率仍然是p与过去的失败历史完全无关。用数学语言表达即P(Ymn | Ym) P(Yn)。注意“无记忆性”是几何分布的核心特征但也是应用时最大的陷阱。它成立的前提是每次试验必须严格独立且成功概率恒定。在实际业务中这个条件往往被违背。例如在连续拨打推销电话时用户的耐心会耗尽接听或转化的概率可能逐次下降这就破坏了“无记忆性”此时用几何分布建模会产生偏差。2.3 为何选择几何分布适用场景辨析选择几何分布本质上是基于对现实问题的以下假设判断试验独立性各次尝试的结果互不影响。概率恒定性每次尝试的成功概率p保持不变。关注“首次”分析的目标是首次成功发生的时间点或之前的累积损失。典型适用场景包括可靠性工程设备或元件在失效前的工作周期数。质量控制找到第一个缺陷品所需的检查次数。市场营销用户首次转化前的曝光次数或点击次数。风险管理出现第一笔坏账前的正常交易笔数。游戏设计玩家获得首个稀有道具所需的抽卡次数。不适用或需谨慎使用的场景成功概率随时间或状态变化如上述电话推销的例子。存在“保底”机制例如“十连抽必出SR”这直接破坏了最后一次试验的概率需要更复杂的模型如截断几何分布。关注多次成功如果关心的是n次尝试中的总成功数则应使用二项分布或负二项分布。3. 从理论到实践几何分布建模全流程3.1 数据准备与成功概率p的估计建模的第一步是获取数据并估计核心参数——成功概率p。你需要收集历史上多次“首次成功”事件的数据记录。实操步骤数据收集记录每一次“过程”中从开始到首次成功所经历的失败次数。例如记录100台新设备从运行到第一次故障的工作天数记录100个新用户从注册到第一次付费的登录次数。计算样本均值计算所有记录中失败次数的平均值记为ȳ。估计p利用几何分布的期望公式 E(Y) (1-p)/p ȳ。反解得到 p 的矩估计量p̂ 1 / (1 ȳ)。示例假设观测了50次游戏抽卡“首次抽出五星角色”前的失败次数计算得到平均失败次数ȳ 89。则成功概率的估计值为p̂ 1 / (189) 0.0111即大约1.11%。实操心得样本量要足够大。如果“首次成功”是一个稀有事件p很小你可能需要收集大量样本才能得到一个稳定的p估计值。一个经验法则是样本量至少应使n * p̂ 10以确保估计的准确性。3.2 模型拟合与检验获得参数估计后不能直接假设模型完美适用必须进行拟合优度检验。常用方法卡方拟合优度检验将观测到的失败次数0,1,2,...进行分组。由于长尾分布通常需要将较大次数合并为一组如“10次及以上”。根据估计的p̂计算几何分布下各组的理论期望频数。计算卡方统计量并与卡方分布临界值比较判断观测数据与几何分布模型是否有显著差异。Python代码示例使用scipyimport numpy as np from scipy import stats # 假设 observed_freq 是分组后的观测频数列表 # 假设 bins 是对应的分组边界如 [0,1,2,3,4,5,6,7,8,9, np.inf] # 根据分组边界和估计的p计算理论概率 p_hat 0.0111 probs [] for i in range(len(bins)-1): if bins[i1] np.inf: prob 1 - stats.geom.cdf(bins[i]-1, p_hat) # 注意scipy.geom定义是总次数X else: prob stats.geom.cdf(bins[i1]-1, p_hat) - stats.geom.cdf(bins[i]-1, p_hat) probs.append(prob) # 进行卡方检验 chi2, p_value stats.chisquare(observed_freq, np.sum(observed_freq)*np.array(probs)) print(f卡方统计量: {chi2:.3f}, p值: {p_value:.3f}) # 通常若p值大于0.05则认为没有充分证据拒绝数据服从几何分布的假设。3.3 模型应用概率计算与风险量化拟合好的模型可以用来回答一系列关键业务问题。常见计算精确概率计算在k次失败内获得成功的概率。即累积分布函数P(Y ≤ k) 1 - (1-p)^(k1)。分位数计算找到某个概率阈值对应的失败次数。例如“我们有95%的把握在多少次失败内看到成功” 即求解 k 使得 P(Y ≤ k) 0.95 k ceil(log(1-0.95)/log(1-p) - 1)。风险价值在风险管理中可以计算在给定容忍度下如99%最大可能损失次数即VaR。业务解读示例对于p0.01的抽卡我们有50次失败内抽中的概率1 - (1-0.01)^51 ≈ 40.1%。95%的把握在多少次失败内抽中计算得 k ≈ 298。这意味着如果你准备了进行299次抽卡经历298次失败的资源你就有95%的概率能获得该角色。这对预算规划至关重要。4. 超越基础几何分布的扩展与混合模型标准的几何分布假设有时过于理想。面对复杂现实我们需要对其进行扩展。4.1 考虑变概率混合几何分布如果成功概率p本身不是一个固定值而是来自一个群体例如用户群体中有“易转化用户”和“难转化用户”那么观测到的失败次数数据会表现出标准几何分布无法描述的特征如峰值过高或尾部过厚。此时可以使用混合几何分布。模型形式为P(Yk) Σ [w_i * (1-p_i)^k * p_i]其中 i 表示不同的子群体w_i 是该子群体的权重p_i 是其成功概率。拟合方法通常使用期望最大化EM算法来估计权重 w_i 和概率 p_i。这可以通过sklearn.mixture.GaussianMixture对变换后的数据间接实现或直接使用针对离散分布的EM算法。4.2 零膨胀几何分布在很多场景中存在大量“零失败”即第一次尝试就成功的观测值例如很多用户看到第一次广告就点击其比例超过了标准几何分布P(Y0)p所能解释的范围。这时可以使用零膨胀几何分布。它在标准几何分布的基础上增加了一个额外的参数 π 来表示“结构性零点”的概率。其概率函数为 P(Y0) π (1-π)p P(Yk) (1-π)[(1-p)^k * p] for k1应用场景非常适合分析用户首次转化时间其中一部分用户是“立即转化者”受膨胀零点影响另一部分用户则遵循标准的等待过程。4.3 有截断的几何分布当试验次数存在天然上限时需要使用截断几何分布。例如一个促销活动只持续10天我们关心在这10天内最多9次失败用户是否完成首次购买。此时概率分布需要重新归一化到截断区间上。5. 实战案例解析游戏抽卡保底机制建模让我们用一个复杂案例综合运用上述知识。假设某游戏抽卡规则如下单抽成功概率出五星p_base 0.006。保底机制连续89次失败后第90次抽卡成功率提升至100%。问题如何计算玩家获得第一个五星角色的平均抽卡次数期望分析这不再是一个标准的几何分布因为第90次试验的概率被强制修改为1。我们可以将其视为一个在k89处截断并将P(Y89)的概率质量全部集中到“第90次成功”的修改分布。计算期望的两种方法直接计算法E(Y) Σ_{k0}^{88} [k * (1-p)^k * p] 89 * [(1-p)^89]第一项是89次保底前就抽中的情况第二项是触发保底的情况经历了89次失败。计算这个求和即可得到平均失败次数再加1即得平均总抽卡次数。模拟法对于更复杂的规则如概率随失败次数递增蒙特卡洛模拟是最直观的方法。import numpy as np def simulate_one(): fails 0 while True: if fails 89: # 触发保底 return fails 1 # 总次数 失败次数 1 if np.random.rand() 0.006: # 普通概率抽中 return fails 1 fails 1 sim_results [simulate_one() for _ in range(1000000)] print(f平均抽卡次数: {np.mean(sim_results):.2f})模拟结果会非常接近理论计算值约62.3次。这个值远低于没有保底时的期望值(1/0.006≈166.7)清晰地量化了保底机制对玩家体验的改善。注意事项在建模保底机制时必须明确区分“失败次数Y”和“总次数X”。保底规则通常针对的是连续失败次数建模时使用Y更为方便。同时这种机制彻底破坏了“无记忆性”因此绝不能使用标准几何分布来简单套用。6. 常见陷阱、模型诊断与优化建议在实际应用中几何分布模型可能会以各种形式失效。以下是一些关键的诊断方法和应对策略。6.1 模型失配的识别与诊断过度离散检验计算数据的样本方差S²与样本均值ȳ。对于几何分布理论上有 S² /ȳ≈ 1/(p̂) 1因为ȳ(1-p)/p。如果样本方差远大于这个理论值可能存在过度离散暗示存在未观测到的异质性即混合分布。绘制概率-概率图将观测数据的经验累积分布函数与拟合的几何分布理论CDF画在散点图上。如果点大致分布在对角线附近则拟合良好如果出现系统性的弯曲或偏离则模型可能不合适。观察残差对于分组数据计算皮尔逊残差(观测频数-期望频数)/√期望频数。绝对值大于2或3的残差表明该分组拟合不佳。6.2 参数估计的稳定性问题当成功概率p非常小稀有事件时基于矩估计p̂ 1/(1ȳ)的方法可能方差很大。特别是当ȳ很大时p̂对ȳ的微小变化极其敏感。优化建议使用极大似然估计对于几何分布MLE也是p̂_MLE 1 / (1 ȳ)与矩估计相同。但MLE的理论性质更好在构建置信区间时更可靠。计算置信区间不要只给出点估计p̂一定要给出其置信区间如95% CI。可以使用似然比方法或参数Bootstrap法来获得。# Bootstrap法示例 n_boot 10000 boot_means [] for _ in range(n_boot): sample np.random.choice(original_data, sizelen(original_data), replaceTrue) boot_means.append(np.mean(sample)) boot_p 1 / (1 np.array(boot_means)) ci_lower, ci_upper np.percentile(boot_p, [2.5, 97.5])6.3 忽略“时间”或“尝试间隔”的异质性标准的几何分布将每次试验视为等间隔的。但在实际中尝试的间隔可能不同如用户每天登录次数不定。更精确的模型是指数分布连续时间版本或泊松过程。当尝试间隔时间变化不大时几何分布是很好的近似当间隔差异很大时应考虑更复杂的生存分析模型如参数回归模型。6.4 模型选择与比较如果标准几何分布拟合不佳应考虑前文提到的扩展模型。如何选择使用似然比检验或信息准则如AIC、BIC。分别拟合标准几何分布、零膨胀几何分布、混合几何分布等然后比较它们的AIC值。AIC值越小的模型在拟合优度和复杂度之间权衡得越好。实践流程用标准几何分布拟合进行诊断检验。若发现零点过多尝试零膨胀几何分布。若发现残差模式复杂或过度离散尝试2组分混合几何分布。计算各模型的AIC选择最优者。最终模型必须通过业务逻辑解释例如混合模型的两个组分对应哪两类用户群体。几何分布作为一个简洁而强大的模型是分析“首次成功”问题的起点。从理解其无记忆性的深刻内涵开始到熟练进行参数估计、模型检验再到能灵活运用其扩展形式应对复杂数据这个过程本身就是数据思维的一次锤炼。最关键的是要时刻记住模型背后的假设并用数据严谨地验证它。当数据告诉你假设不成立时正是深入业务细节、发现更深层规律的好时机。