這個計算機能做什麼
這個工具可以估算你要抽多少次扭蛋、買多少顆轉蛋、開多少包集換卡或貼紙,才能把一整套裡的每一款都至少蒐集到一個。這就是機率論中經典的「贈券收集問題(Coupon Collector's Problem)」。計算結果是大量嘗試後的平均值:單次實際入坑可能比較幸運,也可能特別非洲。這套數學是通用的,無論你在哪個國家、用哪個平台都適用。
使用方法
輸入你想集滿的整套裡有幾種不同的款式(例如一組 6 款的轉蛋陣容,或一個 66 張的卡牌系列),就能看到期望的抽數。本計算機假設每次抽取時,每一款出現的機率都相同。
公式說明
若共有 n 種出現機率相同的款式,集滿整套的期望抽數為 $$E(\text{draws}) = \text{n} \sum_{k=1}^{\text{n}} \frac{1}{k}$$ 其中 \(H(n)\) 是第 \(n\) 個調和數:\(H(n) = 1 + 1/2 + 1/3 + \ldots + 1/n\)。直覺上來說:當你已經擁有 \(i-1\) 種不同款式時,下一抽抽到全新款式的機率是 \((n-(i-1))/n\),所以平均要抽 \(n/(n-(i-1))\) 次才能拿到第 \(i\) 種新款。把 \(i=1\) 到 \(n\) 全部加總起來,剛好等於 \(n\) 乘上 \(1/k\) 的總和。
實際範例
以一套 6 款為例:$$H(6) = 1 + \frac{1}{2} + \frac{1}{3} + \frac{1}{4} + \frac{1}{5} + \frac{1}{6} = 2.45$$ 所以 \(E = 6 \times 2.45 = \mathbf{14.7}\) 抽。第一款 1 抽必中,但光是最後那款最難入手的,平均就要再抽大約 6 次才會出現。
解讀您的結果
- 這是平均值,而非保證。 \(E(n)\) 是許多假設收集者的平均值。有些人會遠早於此完成,有些人則需要多得多的抽取次數。
- 分散程度。 變異數約為 \(\frac{n^2\pi^2}{6}\),因此標準差在 n 較大時約為 \(n\sqrt{\pi^2/6}\approx 1.28\,n\)。當 n = 100 時,平均值約為 519 次抽取,標準差約為 128 次抽取,因此分佈呈偏態,且上尾很長。
- 90% 或 95% 信心所需的抽取次數。 當 n 較大時,在 \(n\ln n + c\,n\) 次抽取內完成的機率約為 \(e^{-e^{-c}}\)。求解可得 90% 時 \(c\approx 2.25\),95% 時 \(c\approx 3.0\)。因此,90% 所需抽取次數約為 \(n(\ln n + 2.25)\),95% 所需抽取次數約為 \(n(\ln n + 3.0)\)。當 n = 100 時,\(\ln 100\approx 4.605\),90% 約需 100 × (4.605 + 2.25) ≈ 686 次抽取,95% 約需 100 × (4.605 + 3.0) ≈ 760 次抽取。這是漸近近似,對於較小的集合精確度較低。
- 最後一項是最耗費的。 當只缺少一項時,每次抽取有 1/n 的機率抽中它,因此最後這一項平均需要約 n 次抽取。這在總數中佔很大比例:當 n = 100 時,約佔預期 519 次抽取中的 100 次。
- 假設條件。 此公式僅適用於所有項目機率相等且每次抽取彼此獨立的情況。它不適用於掉落率不均等的情況(例如稀有與常見等級)、保底或保證機制、重複保護,或項目不放回抽取的密封盒。在這些情況下,實際抽取次數會有所不同:掉落率不均時通常較高,有保底或盒裝機制時通常較低。
這只是關於機率的一般資訊,並非購買建議。
常見問題
有稀有度分級或機率不一樣時,這個算法還適用嗎?不適用。本公式假設每一款出現的機率都相同。如果你的扭蛋有稀有與普通之分、各自機率不同,就要用更一般化的「加權贈券收集」模型,算出來的數字會更大。
這個答案是保證值嗎?不是,它是長期下來的平均值。你可能更快完成,也可能拖得很久;這個分布有很長的尾巴(極端值不少)。
怎麼估算花費?把期望抽數乘上你每抽的單價,就能得到預估的預算。