说实话，刚开始碰几何时的那堆期望公式，我头也大。特别是那个 $E(X)$ 的推导，看着就眼晕。但你别慌，咱换个角度想，别一上来就搞那些复杂的求和符号，那是学术派的玩法。咱们搞SEO的，搞内容的，得把事说明白，让普通人也能听懂。

几何分布（Geometric Distribution），说白了就是“等到成功为止，你折腾了多少次”。

举个最土的栗子。你买彩票，中奖率是 $p$。你每买一张，要么中，要么不中。直到中奖为止。

你买第1张就中了，这是1次。

你前4张都没中，第5张中了，这就是5次。

那么，平均下来，你得买多少张才能中呢？这就是 $E(X)$ 在问你。

很多人死记硬背公式，知道 $E(X) = 1/p$。

但这玩意儿到底咋来的？为啥是倒数？

咱不用微积分去证，咱用逻辑推一下，心里踏实。

假设你得再买 $n$ 次。

第一次扔硬币，50%概率正面，那就完了，1次搞定。

如果是反面呢？那就亏了，你得重头再来。

这时候，别忘了，你刚才已经花了一次机会。

所以，期望值 $E = 1 + (1-E)$？不对，这里是几何分布，每次试验是独立的，没有“重头再来”的累积效应，而是条件期望。

严谨点说：

如果第一次就成（概率 $p$），次数是1。

如果第一次不成（概率 $1-p$），次数是 $1 + E$。

方程列出来：$E = p \times 1 + (1-p) \times (1 + E)$。

展开：$E = p + 1 + E - p - pE$。

化简一下：$E = 1 + E - pE$。

消掉两边的 $E$？不对，移项。

$pE = 1$。

所以 $E = 1/p$。

看到了吧，就这么简单。别搞那些花里胡哨的无穷级数求和，虽然那也能算出来，但没必要，脑子绕进去了容易死机。

那 $1/p$ 到底啥意思？

概率越小，你就要折腾越久。

比如你抛硬币，正面算成功，$p=0.5$。那平均要抛2次才出现正面。这好理解吧？一正一反，平均一下就是2次。

要是你是个非酋，中奖率只有 $0.01$。那你平均得买100次才能中。

这很符合直觉啊。

你想想，你要是去相亲，对方对你满意概率是0.1，那你平均得见10个才能成一个。

要是你长得特别帅，概率是0.9，那你基本见一个成一个，平均不到2次。

这里头有个坑，很多人分不清几何分布和帕尔累托分布。

帕尔累托是少数人掌握大部分资源，那个尾巴长得很。

几何分布是“第一次成功前的失败次数+1”。

注意哦，有的教材定义几何分布是“失败次数”，有的定义是“试验次数”。

如果是失败次数，期望就是 $(1-p)/p$。

如果是试验次数，期望就是 $1/p$。

这点必须得清楚，不然做题容易扯头花。

我一般是记“次数”，因为咱们关心的是“一共干了多少活”，而不是“白干了多少次”。

再说说现实中的应用。

搞SEO的都知道外链构建。

你发一篇文章，指望某个高权重网站给你链接。

这个概率可能很低，比如 $p=0.001$。

那你大概得联系1000个目标网站，才能换来一个链接。

这时候 $E(X)=1000$。

你如果指望每个都联系就有回报，那你心态早崩了。

你要知道，这是随机过程，期望只是平均值。

你运气好，第一个就中了；运气不好，联系完2000个还没响。

但长期来看，每1000个目标就能带来1个成功，这是概率的大数定律在起作用。

所以，别迷信单次测试的结果。

哪怕你测了10次一个反馈都没有，别急着否定，也许只是 $p$ 太小，或者你运气背。

调整策略，要么提高转化率（提高 $p$），要么加大样本量（增加 $n$）。

这就是geo函数期望给我们的启示。

它不是魔法，它只是一个冷冰冰的计算器，告诉你平均成本是多少。

理解了这点，你在做决策的时候，就不会被偶然性吓到。

比如投放广告，点击转化率 $p=2\%$，那平均50个访客出1单。

这50个访客里，前49个可能全在逛，只有最后1个掏钱。

别觉得那49个是浪费，他们是达成那1单所必须支付的“平均租金”。

写到这里，估计你也明白了。

公式没那么可怕。

就是 $1/p$。

概率分之1。

这就是时间成本。

你用多少时间去换取那一次成功，就是这个数。

搞清楚这个数，你就知道是该优化 $p$（提高成功率），还是接受这个漫长的过程。

别老想着走捷径，概率面前，人人平等。

除非你能把 $p$ 做大，否则只能靠次数堆。

这就是大数定律的残酷，也是它的公平之处。

咱做生意的，讲的就是个长期主义。

今天没转化，别急。

明天再来。

只要 $p$ 不变，$E$ 就在那儿摆着。

跑够那个次数，事儿就成了。

就这么回事儿。