在处理离散型随机变量（尤其是马尔可夫链中的“首达时间”、“等待步数”等非负整数变量）时，我们经常会遇到一个痛点：精确计算某件事在“恰好第 kk 步”发生的概率 P(T=k)P(T=k) 极其困难，但计算这件事“撑过第 nn 步还没发生”的概率 P(T>n)P(T>n) 却非常容易。

这时候，概率论中一个极其优美的公式就派上用场了——尾概率求和公式 (Tail Sum Formula)，或者形象地称之为千层饼表示法 (Layer Cake Representation)。

核心公式

对于任意取值为非负整数的随机变量 TT（即 T∈{0,1,2,… }T \in \{0, 1, 2, \dots\}），其期望值 E[T]\mathbb{E}[T] 可以表示为所有“尾概率”的无穷级数求和：

E[T]=∑n=0∞P(T>n)\mathbb{E}[T] = \sum_{n=0}^{\infty} P(T > n)

这个公式是怎么来的呢？这里有两种视角的证明：一种是直观的图形法，一种是严谨的代数法。

证明视角一：直观图形法（“换个方向切蛋糕”）

让我们回到期望值最朴素的定义。期望就是“变量取值”乘以“对应概率”的总和：

E[T]=∑k=1∞k⋅P(T=k)\mathbb{E}[T] = \sum_{k=1}^{\infty} k \cdot P(T = k)

我们可以把这个求和公式像铺砖一样，一行一行地全部展开写出来：

E[T]= P(T=1)+P(T=2)+P(T=2)+P(T=3)+P(T=3)+P(T=3)+P(T=4)+P(T=4)+P(T=4)+P(T=4)+…\begin{aligned} \mathbb{E}[T] =\ & P(T=1) \\ & + P(T=2) + P(T=2) \\ & + P(T=3) + P(T=3) + P(T=3) \\ & + P(T=4) + P(T=4) + P(T=4) + P(T=4) \\ & + \dots \end{aligned}

原始的期望公式，相当于横着（按行）把这些概率加起来。

见证奇迹的时刻到了： 我们现在不横着加了，我们**竖着（按列）**把它们加起来！

  • 第 1 列的总和：P(T=1)+P(T=2)+P(T=3)+…P(T=1) + P(T=2) + P(T=3) + \dots

    这不就是 TT 取所有 ≥1\ge 1 的值的概率总和吗？也就是 P(T≥1)P(T \ge 1)，等价于 P(T>0)P(T > 0)。

  • 第 2 列的总和：P(T=2)+P(T=3)+P(T=4)+…P(T=2) + P(T=3) + P(T=4) + \dots

    这是 T≥2T \ge 2 的概率总和，也就是 P(T≥2)P(T \ge 2)，等价于 P(T>1)P(T > 1)。

  • 第 3 列的总和：P(T=3)+P(T=4)+…P(T=3) + P(T=4) + \dots

    等价于 P(T>2)P(T > 2)。

  • 以此类推……

把每一列加起来的结果再求总和，我们就得到了：

E[T]=P(T>0)+P(T>1)+P(T>2)+…\mathbb{E}[T] = P(T > 0) + P(T > 1) + P(T > 2) + \dots

用求和符号浓缩一下，正是我们的目标公式：

E[T]=∑n=0∞P(T>n)\mathbb{E}[T] = \sum_{n=0}^{\infty} P(T > n)

证明视角二：严谨代数法（交换求和顺序）

如果你更喜欢纯逻辑的数学推导，我们可以利用双重求和的顺序交换（Double Summation Swap）来证明。

首先，一个整数 kk 可以写成 kk 个 11 连加的形式：

k=∑n=0k−11k = \sum_{n=0}^{k-1} 1

我们将这个替换代入到期望的原始定义中：

E[T]=∑k=1∞k⋅P(T=k)=∑k=1∞(∑n=0k−11)P(T=k)\mathbb{E}[T] = \sum_{k=1}^{\infty} k \cdot P(T = k) = \sum_{k=1}^{\infty} \left( \sum_{n=0}^{k-1} 1 \right) P(T = k)

将其写成双重求和的形式：

E[T]=∑k=1∞∑n=0k−1P(T=k)\mathbb{E}[T] = \sum_{k=1}^{\infty} \sum_{n=0}^{k-1} P(T = k)

这里求和的依赖关系是：外层 kk 从 11 到 ∞\infty，内层 nn 从 00 到 k−1k-1。这意味着必须满足不等式 n≤k−1n \le k-1，即 k≥n+1k \ge n+1。

现在我们交换求和符号的顺序。我们让 nn 作为外层循环，范围从 00 到 ∞\infty。对于每一个固定的 nn，为了满足 k≥n+1k \ge n+1 的条件，kk 必须从 n+1n+1 开始，一直到 ∞\infty。

所以交换顺序后变成：

E[T]=∑n=0∞(∑k=n+1∞P(T=k))\mathbb{E}[T] = \sum_{n=0}^{\infty} \left( \sum_{k=n+1}^{\infty} P(T = k) \right)

观察括号里的部分 ∑k=n+1∞P(T=k)\sum_{k=n+1}^{\infty} P(T = k)，它展开就是 P(T=n+1)+P(T=n+2)+…P(T = n+1) + P(T = n+2) + \dots

根据概率的定义，这完美等价于 P(T>n)P(T > n)！

代入进去，大功告成：

E[T]=∑n=0∞P(T>n)\mathbb{E}[T] = \sum_{n=0}^{\infty} P(T > n)

为什么这个公式在马尔可夫链中如此重要？

在诸如 Success Run Chain（成功连击链） 的马尔可夫链模型中，要求解首达时间（比如回到状态 0 的期望步数 E[T0]\mathbb{E}[T_0]）。

要精确计算 P(T0=k)P(T_0 = k) 意味着：“开局连续成功了 k−1k-1 次，并且恰好在第 kk 次失败”，这个表达式在状态转移概率随状态变化时，计算非常繁琐。

但是，利用 Tail Sum Formula，我们只需要计算 P(T0>n)P(T_0 > n)。

P(T0>n)P(T_0 > n) 的物理意义极其直白：“前 nn 步我一直没有回到 0”。在连击游戏中，这就等价于**“开局我连续成功了 nn 次，一次都没断过”**。这只需将前 nn 步的成功概率直接连乘即可得出，难度骤降。

这个公式完美地把极难计算的离散精确概率，转化成了极容易计算的连续存活概率的累加。