概率论 on kenji.blog

睡美人问题：硬币的概率是 1/2 还是 1/3？让概率论分裂的难题

Thu, 10 Sep 2026 09:00:00 +0900

1. 奇怪的实验规则

你（睡美人）被选为一项科学实验的受试者。实验从星期日进行到星期三。星期日晚上，你被喂下安眠药并陷入沉睡。

在你睡着后，实验者会抛掷一枚公平的硬币（出现正面和反面的概率完全各为 1/2）。然后，根据结果，实验者将按照以下时间表唤醒你。

【掷硬币结果为“正面”的情况】

星期一你会被唤醒一次，并被问一个问题。之后，你会被再次催眠，直到实验结束（星期三）都不会再醒来。

【掷硬币结果为“反面”的情况】

星期一你会被唤醒，并被问一个问题。之后，你会被喂下一种特殊的药物（消除记忆的药）并再次陷入沉睡。
星期二你会被再次唤醒，并被问相同的问题。之后，你再次被催眠，实验结束（星期三）。

※由于消除记忆药物的作用，每次醒来时，你都完全想不起“今天是星期几”或“过去是否曾被唤醒过”。

graph TD Sunday["星期日：美女入睡"] --> Toss{"掷硬币"} Toss -->|正面 (1/2)| Mon_Heads["星期一：唤醒＋提问
（之后实验结束）"] Toss -->|反面 (1/2)| Mon_Tails["星期一：唤醒＋提问
（之后消除记忆）"] Mon_Tails --> Tue_Tails["星期二：唤醒＋提问
（之后实验结束）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

现在，星期一（或星期二），你醒来了。房间里没有钟表也没有日历，你不知道今天是星期几。

这时，实验者走过来问你： “在你现在处于清醒的状态下，你认为刚才抛掷的硬币是‘正面’的概率是多少？”

你是一位精通数学的美女。那么，你会怎么回答？

2. 激烈碰撞的两大派别：1/2 还是 1/3

这个问题是在 1990 年代提出的，2000 年由哲学家亚当·埃尔加（Adam Elga）发表在学术期刊上。硬币的概率看似不言自明，但实际上，围绕这个问题，全世界的数学家、统计学家和哲学家分成了**“1/2派（Halfer）”和“1/3派（Thirder）”**两大阵营，至今仍在进行激烈的争论。

让我们来听听各自阵营的“完美逻辑”。

“1/2派（Halfer）”的主张

“既然这是一枚没有作弊的公平硬币，出现正面的概率理所当然是 1/2。无论在我睡着后实验者唤醒我多少次，或者消除我的记忆，这都完全不会影响硬币的物理结果。抛掷硬币时的概率就是 1/2，而我的醒来并没有提供任何新信息（推测是正面还是反面的线索）。因此，概率依然是 1/2。”

这是一个非常合理的观点，强调客观的物理现象和信息的不可更新性。

“1/3派（Thirder）”的主张

“你‘醒来’这个事实本身，就是改变概率的信息。假设我们将这个实验重复 100 次（100 周）。硬币应该有 50 次是‘正面’，50 次是‘反面’。

出现正面的 50 周，你在星期一只会醒来 1 次 $\rightarrow$ 在‘正面’情况下醒来的次数为 50 次

出现反面的 50 周，你在星期一和星期二会醒来 2 次 $\rightarrow$ 在‘反面’情况下醒来的次数为 100 次

也就是说，在你醒来的那一瞬间的情境中，总共 150 次醒来里，‘在正面情况下醒来的模式’有 50 次，‘在反面情况下醒来的模式’有 100 次。所以，你现在经历的这次醒来是‘正面’的概率是 50 / 150 ＝ 1/3！”

这是一个强有力的观点，基于“频率主义”和“人择原理”，将“自己现在存在（被观测到）”的状况本身作为概率空间的一个元素纳入计算中。

3. 使用贝叶斯定理进行计算

也有人尝试使用用于数学上更新概率的工具“贝叶斯定理”来解开这个问题。让我们从条件概率的角度来整理“1/3派”的逻辑。

醒来时的状态必然是以下三种之一：

$E_1$：硬币为“正面”，现在是“星期一”
$E_2$：硬币为“反面”，现在是“星期一”
$E_3$：硬币为“反面”，现在是“星期二”

出现“正面”的概率是 $1/2$，出现“反面”的概率是 $1/2$。然而，在反面的情况下，“星期一”和“星期二”是完全对称的（因为没有记忆所以无法区分），因此可以认为 $E_2$ 和 $E_3$ 发生的可能性相等。

由于所有概率的总和必须为 $1$，如果将每一次醒来分配为独立的“事件（观测点）”且概率相等，则： $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ 因此，结论是：“为正面的概率（$P(E_1)$）”变为 $1/3$。

另一方面，“1/2派”反驳道：“硬币为反面时的星期一和星期二（$E_2$ 和 $E_3$）仅仅是由同一个硬币结果衍生出来的相关事件，将它们作为独立的概率来计算本身就是错误的。”

4. 为什么这个问题得不到解决？

“睡美人问题”之所以让学者们如此头疼，并非因为单纯的计算错误或错觉。这是因为这个问题触及了概率论中最深刻的根本性疑问，即**“概率到底是什么？”**这个哲学问题。

对1/2派来说，概率是“硬币的物理性质”或“客观事实”。
对1/3派来说，概率是“观测者（美女）的信念程度”或“被观测的频率”。

量子力学中的“观测问题”，以及宇宙学中的“人择原理（从我们存在的事实倒推宇宙概率的想法）”等深渊般的主题，都浓缩在这个简单的掷硬币实验中。

5. 总结

如果你成为这个实验的受试者，当你醒来时，你会回答“1/2”吗？还是会回答“1/3”？

无论你回答哪一个，都会有世界顶级的数学家在你背后支持你。看似简单的数学定义，一旦与人类的“主观”和“存在”这样棘手的概念结合起来，竟然会如此轻易地崩塌。时至今日，悖论仍在继续动摇着我们的常识。

圣彼得堡悖论：期望值为“无限大”的赌博，你愿意付多少钱？

Thu, 10 Sep 2026 05:00:00 +0900

1. 期望值为“无限大”的梦幻赌博

当你在赌场里漫步时，发牌员邀请你参加一个全新的抛硬币游戏。

【游戏规则】

支付参与费开始游戏。
抛掷硬币。如果出现正面，奖金翻倍，并且可以再抛一次。
一旦出现反面，游戏结束。你可以获得截至那时累积的奖金。

初始奖金从2美元开始。

如果第1次抛出反面，获得2美元并结束。
如果第1次正面、第2次反面，获得4美元并结束。
如果第1次正面、第2次正面、第3次反面，获得8美元并结束。
…以此类推，只要持续出现正面，奖金就会以16美元、32美元、64美元…成倍增加。

graph TD Start["游戏开始"] --> Toss1{"第1次抛掷硬币"} Toss1 -->|反面 (1/2)| End1["结束：获得2美元"] Toss1 -->|正面 (1/2)| Toss2{"第2次抛掷硬币"} Toss2 -->|反面 (1/2)| End2["结束：获得4美元"] Toss2 -->|正面 (1/2)| Toss3{"第3次抛掷硬币"} Toss3 -->|反面 (1/2)| End3["结束：获得8美元"] Toss3 -->|正面 (1/2)| Toss4{"..."} Toss4 -.->|连续出现的次数越多| Infinite["奖金无限翻倍！"]

那么，现在问你一个问题。 如果这个游戏的参与费是“1万美元（约150万日元）”，你愿意参加吗？

可能大多数人都会回答“不参加”。因为有一半的概率在第一次抛掷时就会出现反面，只能拿到区区2美元，从而亏损惨重。

然而，如果严格按照数学中的概率论（期望值）进行计算，会得出一个惊人的事实。在数学上，无论参与费是1万美元还是1亿美元，哪怕借遍倾家荡产，你也应该参与这个游戏。

这到底是怎么回事呢？

2. 让我们来计算一下期望值

在数学中，用来判断一场赌博“划算与否”的指标叫做**“期望值”。期望值表示“如果你把这个游戏重复无数次，平均每次能赚多少钱”的数值。计算公式是将所有可能情况下的“（获得的奖金）×（该情况发生的概率）”相加**。

让我们来计算一下这次游戏的期望值。

第1次出现反面的概率： $\frac{1}{2}$ 奖金是 $2$ 美元。对期望值的贡献＝ $2 \times \frac{1}{2} = 1$ 美元
第2次出现反面的概率： 因为抛出了正面、反面，所以是 $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ 奖金是 $4$ 美元。对期望值的贡献＝ $4 \times \frac{1}{4} = 1$ 美元
第3次出现反面的概率： 因为抛出了正面、正面、反面，所以是 $(\frac{1}{2})^3 = \frac{1}{8}$ 奖金是 $8$ 美元。对期望值的贡献＝ $8 \times \frac{1}{8} = 1$ 美元
第$n$次出现反面的概率： $(\frac{1}{2})^n$ 奖金是 $2^n$ 美元。对期望值的贡献＝ $2^n \times (\frac{1}{2})^n = 1$ 美元

也就是说，无论游戏在第几次结束，每种情况对期望值的贡献始终是“1美元”。由于游戏有可能无限地进行下去，将这些期望值全部相加，结果如下：

$$ \text{总期望值} = 1 + 1 + 1 + 1 + \dots = \infty \text{（无限大）} $$

数学计算给出的答案是**“这个游戏的期望值是无限大”**。既然期望值是无限大，那么从理论上讲，无论参与费多高，它都绝对是一场“划算的赌博”。

这就是1713年由尼古拉斯·伯努利提出的**“圣彼得堡悖论”**。正确的数学计算结果（价值无限大）与人类的现实感觉（只愿意付几美元）之间，产生了剧烈的矛盾。

3. 解决数学与人类之间偏差的“效用”发现

解决这个悖论的人，是尼古拉斯的堂弟——天才数学家丹尼尔·伯努利。（因为他在圣彼得堡的科学院发表了这篇论文，所以得名。）

丹尼尔深入探讨了人类的心理。他认为，“人类并不是根据金钱的‘绝对金额’，而是根据金钱带来的‘满足感（效用）’来判断事物的”。

这被称为**“边际效用递减法则”**。

金钱的价值会随着持有量的增加而降低

例如，当你在沙漠中口渴难耐时，第1杯水对你来说有“即使花1万日元也想喝”的巨大价值（满足感）。然而，随着你喝下第2杯、第3杯，每杯水的价值会不断下降。到了第10杯，你甚至会觉得“白给都不要”。

金钱也是如此。

对于一个存款为零的人来说，得到“100万日元”拥有拯救生命的巨大价值。
但对于拥有百亿资产的埃隆·马斯克来说，得到“100万日元”带来的价值（满足感）大概就和掉在路边的1日元硬币差不多。

也就是说，即使奖金以 2美元 $\rightarrow$ 4美元 $\rightarrow$ 8美元 $\rightarrow$ 16美元… 无限增加，人类感受到的“喜悦（效用）”并不会与金额成正比地无限增加。

4. 使用“效用”重新计算期望值

丹尼尔·伯努利假设，“人类对金钱感受到的价值（效用），与金额的对数（$\log$）成正比”。

如果金额为 $x$，我们可以用对数函数来表示人类感受到的价值（效用） $u(x)$（这里我们考虑一个以2为底数的简单模型）。

$2$ 美元奖金的效用： $\log_2(2) = 1$
$4$ 美元奖金的效用： $\log_2(4) = 2$
$8$ 美元奖金的效用： $\log_2(8) = 3$
$2^n$ 美元奖金的效用： $\log_2(2^n) = n$

虽然金额是成倍增加的，但人类的“喜悦”却只能以 1, 2, 3… 的速度缓慢增加。利用这种“效用”，让我们再次计算一下期望值（期望效用）：

$$ \text{期望效用} = \sum_{n=1}^{\infty} \left( n \times \left(\frac{1}{2}\right)^n \right) $$ $$ = 1 \cdot \frac{1}{2} + 2 \cdot \frac{1}{4} + 3 \cdot \frac{1}{8} + 4 \cdot \frac{1}{16} + \dots $$

计算这个无穷级数的和，结果并不是“无限大”，而是收敛于“2”。通过逆向计算效用为“2”所对应的金额，得出 $2^2 = 4$ 美元。

也就是说，如果将人类的心理（效用）纳入计算，就能得出一个极其符合常识与现实的答案：“在人类的感觉中，这个游戏的价值大约只有‘4美元’左右”。正因如此，我们才不愿意花1万美元去参加这个游戏。

5. 总结：开启经济学大门的悖论

圣彼得堡悖论从数学上证明了“金额”这一客观数字与“人类满足感”这一主观价值并不一致，是一个具有划时代意义的悖论。

丹尼尔·伯努利提出的“效用（Utility）”概念，在经历了200年的时间后，成为了现代微观经济学和金融工程（如投资组合理论等）最重要的一项基础。我们购买保险、进行分散投资等行为，都可以用“边际效用递减（遭受巨额损失的痛苦，远大于获得巨额利润的喜悦）”这种人类心理机制来解释。

这原本只是一道关于赌博的计算题，却最终解读了人类的内心，成为了催生“经济学”这门庞大科学的契机。

蒙提·霍尔问题：背叛直觉的概率论陷阱与贝叶斯推断的完全解析

Thu, 10 Sep 2026 00:00:00 +0900

1. 舞台是电视问答节目：换作是你，会怎么做？

1990年，美国新闻杂志《Parade》的专栏“Ask Marilyn（问问玛丽莲）”中，收到了一位读者发来的如下问题：

你正在参加一个电视游戏节目。在你面前有 3扇门 (A, B, C)。其中1扇门后面是新车（大奖），剩下的2扇门后面是山羊（未中奖）。

首先，你选择了门A。

接着，知道新车在哪扇门后面的主持人蒙提·霍尔，在剩下的门中打开了藏有山羊的门B。

蒙提对你说：“现在你可以把选择更改为门C。你要怎么做？”

那么，你究竟应该改变选择吗？

直觉上，你可能会觉得：“剩下的门只有A和C两扇。新车在哪扇门后面完全是随机的，所以中奖的概率都是 $\frac{1}{2}$（50%）。因此，改不改变选择都一样。”

然而，专栏作家玛丽莲·沃斯·莎凡特（被吉尼斯世界纪录认定为拥有最高智商的人）回答说：“应该改变选择。如果你改变选择，中奖的概率将增加一倍。”

这个回答在全美引起了轰动，她收到了大约1万封抗议信（其中约1000封来自拥有数学博士学位的学者）。信中充满了尖锐的批评，比如“你根本不懂概率的基本原理”、“这就是女人的逻辑”等等。但是，从结论上来说，玛丽莲的回答在数学上是完全正确的。

2. 直觉与数学的偏差：用 Mermaid 看看概率的分支

为什么我们的直觉会产生“$\frac{1}{2}$”的错觉呢？首先，让我们把游戏的所有模式可视化。

graph TD Start["游戏开始"] --> CarA["新车在门A (概率1/3)"] Start --> CarB["新车在门B (概率1/3)"] Start --> CarC["新车在门C (概率1/3)"] CarA --> PickA1["你选择了门A"] CarB --> PickA2["你选择了门A"] CarC --> PickA3["你选择了门A"] PickA1 --> HostB_or_C["主持人打开B或C"] PickA2 --> HostC["主持人必然打开C"] PickA3 --> HostB["主持人必然打开B"] HostB_or_C --> Stay1["不改变: 中奖!"] HostB_or_C --> Switch1["改变: 未中奖..."] HostC --> Stay2["不改变: 未中奖..."] HostC --> Switch2["改变: 中奖!"] HostB --> Stay3["不改变: 未中奖..."] HostB --> Switch3["改变: 中奖!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

假设你选择了“门A”，以下3种情况将以相等的概率（$\frac{1}{3}$）发生。

情况1（新车在A）： 主持人打开有山羊的B或C。如果改变选择就会未中奖。
情况2（新车在B）： 主持人只能打开有山羊的C。如果改变选择就会中奖。
情况3（新车在C）： 主持人只能打开有山羊的B。如果改变选择就会中奖。

也就是说，3次中有2次（情况2和3）处于**“只要改变选择就必然中奖”的状态。因此，改变选择时的胜率为 $\frac{2}{3}$，是不改变选择时胜率 $\frac{1}{3}$ 的2倍**。

3. 基于贝叶斯定理的严格证明

为了在数学上严格解决这个问题，我们使用计算条件概率的“贝叶斯定理”。

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

在这里，我们将事件定义如下：

$C_A, C_B, C_C$ : 新车分别在门A, B, C的事件。先验概率为 $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
假设你最初选择了门A。
$M_B$ : 主持人打开有山羊的门B的事件。

我们想要计算的是“在主持人打开了门B的条件下，新车在门C的概率”，即后验概率 $P(C_C|M_B)$。

首先，根据新车所在的位置，考虑主持人打开门B的概率 $P(M_B|C_X)$。

当新车在门A时 ($C_A$) 主持人可以随机打开B或C。
$$ P(M_B|C_A) = \frac{1}{2} $$
当新车在门B时 ($C_B$) 因为主持人不能打开有新车的门，所以打开B的概率为零。
$$ P(M_B|C_B) = 0 $$
当新车在门C时 ($C_C$) 主持人不能打开A（你选择的）和C（有新车），因此必然只能打开B。
$$ P(M_B|C_C) = 1 $$

接着，利用“全概率公式”求出主持人打开门B的总概率 $P(M_B)$。

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

终于，我们可以应用贝叶斯定理，计算门A和门C的后验概率。

门A（不改变选择）有新车的概率：

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

门C（改变选择）有新车的概率：

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

数学公式的证明也明确地表明了**“改变选择能使中奖的概率增加一倍（2/3）”**。

4. 认知偏差：作为信息的“条件”的价值

为什么连许多天才数学家都在这个问题上直觉犯错了呢？这其中有人类大脑固有的“等概率偏差”以及“更新信息的失败”。

4.1. 等概率偏差 (Equiprobability Bias)

人类在面对未知的选项时，会有一种无意识中分配“剩下的选项概率总是均等的”的倾向。在看到只剩两扇门的瞬间，大脑就会自动将其标记为“$50\%$ : $50\%$”。

4.2. 主持人的“意图”这一信息

直觉出错的最大原因在于，忽略了主持人的行为并非随机这一点。如果规则是主持人“在不知道新车在哪里的情况下，随机打开一扇门，结果碰巧是山羊”（这被称为蒙提·霍尔变体问题/蒙提·佛尔问题），那么门A和门C的概率就都是 $\frac{1}{2}$。

但是在真实的蒙提·霍尔问题中，主持人的行动受到以下严格的限制：

不能打开参赛者选择的门。
不能打开有新车的门。

由于这些限制，主持人“打开门B”这一行为本身，就为我们提供了关于门C的巨大信息量。其中暗含了这样的无声信息：“我无法打开门C（因为那里有新车）”。

5. 用极端的例子纠正直觉

如果你仍然觉得难以信服，让我们把门的数量增加到 100万扇。

你在100万扇门中，选择了门1。（中奖概率是 $\frac{1}{1,000,000}$）
无所不知的主持人，在剩下的99万9999扇门中，打开了99万9998扇有山羊的门。
现在关着的，只有你选择的“门1”，以及主持人刻意留下的“门777,777”。

那么，你要改变选择吗？在这种情况下，如果你坚信自己一开始就碰上了“百万分之一”的奇迹，那就不该换。但在现实中，我们能直观地理解，新车在那扇**“主持人绝对无法打开的唯一一扇门”**后面的概率是 $\frac{999,999}{1,000,000}$。

蒙提·霍尔问题（3扇门），只不过是将这种“100万扇门”的规模缩小了的现象而已。

pie title "改变门的效果（100次模拟）" "改变并中奖 (约66.7%)" : 67 "不改变并中奖 (约33.3%)" : 33

6. 总结：概率论带给商业和人生的教训

蒙提·霍尔问题已经超越了单纯的谜题范畴，为我们带来了重要的教训。

直觉经常会出错：人类的大脑并未进化到能够直观地处理复杂的条件概率。在做重要的决策时，仅凭直觉判断是危险的。
用新信息更新概率（贝叶斯更新）：当情况发生变化，有了新的信息（例如主持人打开了哪扇门）时，能否不固执己见，灵活地更新概率和策略，是成功的关键。

“改变选择”这一小小的决定，或许能让你在人生中获得“新车”的概率翻倍。

生日悖论：只要有23人就超过50%？欺骗直觉的“组合”魔法

Thu, 10 Sep 2026 00:00:00 +0900

1. 直觉测试：聚集多少人概率才会超过50%？

在一个派对会场聚集了许多人。在这里，您认为要使**“会场中至少存在一对生日（月和日）完全相同的两人的概率超过50%”**，最少需要多少人？（※排除闰年，一年按365天计算，并假设每个生日的概率相等）。

人类的直觉很容易这样计算： “一年有365天之多。把人一个个放进365个框里直到重复，至少需要180人左右吧。即使保守估计，没有50到60人，概率也不会达到一半吧？”

然而，数学得出的正确答案仅为**“23人”**。如果是学校的一个班级（约30至40人），存在同生日配对的概率甚至会飙升到约70%至89%。如果有50人，该概率将达到97%，变成“没有人生日相同反而更罕见”的状态。

为什么我们的直觉与现实概率会产生如此巨大的偏差呢？

2. 直觉出错的原因：“我和某人”与“某人和某人”的区别

在这个问题上直觉出错的最大原因是，我们在潜意识里考虑的是**“与特定的一人（例如自己）生日相同的概率”**。

当您进入会场并寻找“有没有人和我生日相同？”时，在23人中与您生日相同的人存在的概率仅有约6.1%。（要使这个概率超过50%，实际上需要多达253人）。

但是，生日悖论所问的并不是“我和某人”的配对。而是**“在场所有人之间的所有可能组合（A与B，B与C，C与A……）”**中，只要有一对匹配即可。

graph TD subgraph "直觉的错觉：以“自己”为中心的比较" You["自己"] --- P1["A"] You --- P2["B"] You --- P3["C"] You --- P4["D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "现实：“所有人与所有人”的全面比较" A["A"] --- B["B"] A --- C["C"] A --- D["D"] B --- C B --- D C --- D end

即使是只有4人的小组，以“自己”为中心的比较只有3种情况，但所有人之间的比较则存在6种情况（${}_4 C_2 = 6$）。当人数增加到23人时，配对的组合数竟然会爆炸性地增加到253种（${}_{23} C_2$）。既然有253对组合，其中有一对抽中“365分之一”的概率，是不是感觉也就不奇怪了？

3. 数学证明：使用对立事件的巧妙解法

正面计算“至少有一对同生日的概率”非常困难（因为模式太多，例如只有一对相同，有两对相同，有三人同生日等等）。因此，我们使用概率论的基本技巧——“对立事件”。

对立事件是指“不发生的概率”。也就是说，计算**“所有人的生日都不一样（没有一对重复）的概率”**，然后用100%（1）减去它，就可以得出所求的概率。

$$ P(\text{至少有2人同生日}) = 1 - P(\text{全员生日均不同}) $$

那么，让我们想象人们依次进入会场来进行计算吧。

第1人：不用担心和任何人重复。概率是 $\frac{365}{365}$。
第2人：必须和第1人生日不同。剩下的364天都是安全的。概率是 $\frac{364}{365}$。
第3人：必须和前2人生日不同。剩下的363天都是安全的。概率是 $\frac{363}{365}$。

将这些相乘直到第 $n$ 人，就可以得出全员生日都不相同的概率 $P(n)'$ 的一般项。

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

因此，所求的“至少有2人同生日的概率 $P(n)$”如下所示。

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

将人数 $n$ 代入这个公式，你会发现概率以惊人的速度上升。

$n = 10$ 时，概率约 11.7%
$n = 23$ 时，概率约 50.7%（在此超过50%！）
$n = 40$ 时，概率约 89.1%
$n = 70$ 时，概率约 99.9%

pie title "聚集23人时的概率" "有同生日的配对 (50.7%)" : 50.7 "全都不一样 (49.3%)" : 49.3

4. 使用泰勒展开的近似计算

手动计算23次乘法很麻烦，所以我们用数学近似公式来更直观地理解一下。

考虑指数函数 $e^{-x}$ 的泰勒展开。当 $x$ 足够小时，以下近似成立。

$$ e^{-x} \approx 1 - x $$

将其应用到刚才的每一项 $\left(1 - \frac{k}{365}\right)$ 中，

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

将它们全部相乘（根据指数法则变成加法），

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

从1到 $n-1$ 的和为 $\frac{n(n-1)}{2}$（即组合数 ${}_n C_2$），所以，

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

在这个公式中，我们求当概率为 50% ($0.5$) 时的 $n$。

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

对两边取自然对数（$\ln 0.5 \approx -0.693$）。

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

如果近似为 $n^2 \approx 506$，则 $n = \sqrt{506} \approx 22.49$ 非常漂亮地得出了 $n \approx 23$ 这个答案！

5. 日常生活中的应用与“哈希碰撞”

这个悖论不仅仅是宴会上的谈资。在支撑现代IT社会的密码学和信息安全中，它扮演着极其重要的角色。

在计算机系统中，为了快速确认密码或文件的同一性，会使用名为“哈希函数”的机制。无论输入什么数据，哈希函数都会返回固定长度的随机字符串（哈希值）。然而，这种哈希值偶然变相同的现象被称为**“哈希碰撞（Hash Collision）”**。

哈希碰撞正是根据生日悖论的原理发生的。与人类“哈希值的种类是天文数字，所以几乎不会发生碰撞吧”的直觉相反，攻击者随机生成大量数据来寻找“某一个和某一个匹配（生日重复）的组合”这件事，比想象中要容易得多。

这被称为**“生日攻击（Birthday Attack）”**。设计安全系统的工程师，正是以这种“碰撞发生的速度比直觉快得多”的数学事实为前提，将哈希值的长度设置得非常长，以确保安全性。

6. 总结：人类直觉的局限性

生日悖论是一个完美的例子，证明了人类的直觉在面对“指数级增长”和“组合爆炸”时是多么脆弱。

我们对线性的（加法的）增长很敏感，却无法在脑海中模拟配对数量以 $n^2$ 的速度爆炸性增长的现象。在“与365这个大数字相比，23这个数字太小了”的直觉背后，其实交织着23人所构成的**“253条看不见的线（配对）”**。

下次去人群聚集的地方时，不仅要看肉眼可见的“人数”，请试着想象存在于他们之间无数的“组合之线”。你看待世界的方式应该会发生一点点数学上的改变。

双信封悖论：无限期望值引发的逻辑崩溃与决策陷阱

Thu, 10 Sep 2026 00:00:00 +0900

1. 终极选择：换还是不换？

你正站在一个游戏节目的最终关卡。面前的桌子上放着两个外观完全相同的信封（A和B）。主持人这样说道：

“其中一个信封里装着另一个信封两倍的钱。请选择其中一个。”

你犹豫再三，选择了信封A。正当你准备看里面的东西时，主持人发出了恶魔般的低语：

“现在的话，你可以把信封A和剩下的信封B进行交换。你要换吗？”

那么，你应该交换信封吗？

2. 期望值计算导出的“无限循环”

在这里，让我们稍微运用一下数学思维。假设你持有的信封A中的金额为 $X$ 日元。根据规则，信封B中的金额要么是“$X$ 日元的一半（$\frac{X}{2}$）”，要么是“$X$ 日元的两倍（$2X$）”。两者的概率各为 $\frac{1}{2}$（50%）。

那么，让我们来计算一下交换信封情况下的期望值（预期平均金额）。

$$ E = \frac{1}{2} \times \left(\frac{X}{2}\right) + \frac{1}{2} \times (2X) $$ $$ E = \frac{X}{4} + X = \frac{5}{4}X = 1.25X $$

得出了惊人的结果。仅仅是通过交换信封，期望值就从原本的 $X$ 日元跃升到了 $1.25$ 倍（提升25%）。结论就是“从数学角度来想，绝对是交换更划算！”。

然而，这里发生了逻辑崩溃。假设你换成了信封B。紧接着，如果主持人再次问你“还是要换回A吗？”会怎么样呢？完全相同的计算公式依然成立，这次会变成“从B换成A期望值会变成1.25倍”。

也就是说，仅仅是不断地“从A换到B”、“从B换回A”，理论上的期望值就会无限增加。这显然与现实相矛盾（信封里的内容从一开始就确定了，并不会因为交换而增加）。

graph TD Start["你选择信封A (里面有X日元)"] --> Think["计算交换是否更划算"] Think --> Case1["信封B是一半 (X/2日元) : 概率50%"] Think --> Case2["信封B是2倍 (2X日元) : 概率50%"] Case1 --> Calc["期望值 = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["交换成信封B！(里面有Y日元)"] SwitchToB --> ThinkAgain["再次计算"] ThinkAgain --> Case3["信封A是一半 (Y/2日元) : 概率50%"] ThinkAgain --> Case4["信封A是2倍 (2Y日元) : 概率50%"] Case3 --> Calc2["期望值 = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["再次交换成信封A！"] SwitchToA --> Start style Calc fill:#ff9999,stroke:#333,stroke-width:2px style Calc2 fill:#ff9999,stroke:#333,stroke-width:2px style SwitchToA fill:#ff4444,color:#fff,stroke:#333,stroke-width:4px

为什么看似完美的期望值计算，会产生这种奇怪的悖论呢？

3. 解密数学戏法：变量的偷换

这个悖论的陷阱在于**“随机变量 $X$ 的使用方式”**。

在刚才的计算公式中，我们将信封A的金额 $X$ 视为固定的常数，并假设信封B是“$\frac{X}{2}$ 或 $2X$”。然而，真正固定的应该是**“两个信封中装的金额总和”，或者是“较少的那个金额”**。

假设装有较少金额的信封里的金额为 $S$。那么，装有较多金额的信封里就有 $2S$ 的金额。游戏的所有可能情况只有以下2种模式（概率各为 $\frac{1}{2}$）。

模式1： 你选择的信封A是较少的那个 ($S$)，信封B是较多的那个 ($2S$)
模式2： 你选择的信封A是较多的那个 ($2S$)，信封B是较少的那个 ($S$)

在这里，我们来正确计算一下**“不交换时”和“交换时”**的期望值。

不交换时的期望值 $E_{stay}$：

$$ E_{stay} = \frac{1}{2} \times S + \frac{1}{2} \times 2S = \frac{3}{2}S = 1.5S $$

交换时的期望值 $E_{switch}$： 在模式1的情况下可以得到 $2S$，在模式2的情况下可以得到 $S$。

$$ E_{switch} = \frac{1}{2} \times 2S + \frac{1}{2} \times S = \frac{3}{2}S = 1.5S $$ $$ E_{stay} = E_{switch} $$

期望值完美地一致了！在最初错误的计算中，因为把模式1时的 $X$（实际上是 $S$）和模式2时的 $X$（实际上是 $2S$）这两个不同的值当作了同一个变量 $X$ 来处理，所以才产生了“交换期望值就会提高”的幻象。

pie title "期望值的真相（将较少金额设为S的情况）" "不交换的期望值 (1.5S)" : 50 "交换的期望值 (1.5S)" : 50

4. 如果把信封打开了会怎么样？

悖论似乎到此就解决了。但是，更深层的问题还在后头。

如果你在交换信封之前，看到了自己信封A里的内容会怎么样呢？当你打开信封A，发现里面装着**“1万日元”**。

这一瞬间，就有了 $X = 10000$ 这个确定的值。信封B里装着的，要么是“5,000日元”，要么是“20,000日元”。如果此时套用最初的计算公式会怎样呢？

$$ E_{switch} = \frac{1}{2} \times 5000 + \frac{1}{2} \times 20000 = 2500 + 10000 = 12500 $$

期望值是12,500日元。确实比现状的10,000日元要高。而且，这次 $X$ 成为了10,000日元这个“具体的常数”，因此前面“偷换变量”的反驳就不适用了。既然如此，绝对是交换更划算吗？

贝叶斯推断的反证：“先验分布”的缺失

对此，数学家们引出了**“金额的先验分布（先验概率）”**这个概念。疑问就是，5,000日元和20,000日元，真的能说各有 $\frac{1}{2}$ 的概率在里面吗？

举例来说，假设节目的最大预算是1亿日元。如果你打开信封A发现里面有“6,000万日元”，那么信封B里有“1亿2,000万日元”的概率就是零（因为超出了预算）。也就是说，信封A的金额越大，信封B是“两倍”的概率就越低，是“一半”的概率就越高。

假设有任意的先验分布 $P(x)$，利用贝叶斯定理计算期望值，数学上已经证明了：无论怎样现实的（总和为1的）概率分布，都不存在那种在所有金额 $X$ 下都“交换更划算”的魔法分布。

5. 无限的陷阱：与圣彼得堡悖论的联系

唯一存在一种“在所有 $X$ 下交换都更划算”的情况。那就是，只有在假设节目预算无穷大，且所有金额（1日元、2日元、4日元、8日元……无限）均匀出现的“反常概率分布（总和为无限大的分布）”时才会发生。

然而，现实世界中并不存在拥有无限资产的电视台。这种“无限大期望值”引发的bug，与圣彼得堡悖论（面对期望值为无限大的赌博，人们愿意支付多少钱的问题）有着极深的渊源。

6. 总结：概率与期望值的可怕之处

尽管“双信封悖论”仅由简单的乘法和加法构成，它还是给了我们以下教训：

定义模糊产生的错误：如果不明确变量指的是什么（$X$ 是否总是指同一金额），逻辑很容易就会崩溃。
“没有信息＝概率50%”的错觉：“因为不知道所以应该是一半一半吧”的前提（理由不充分原则），有时会引发致命的计算错误。
处理无限的困难：将无法应用于现实世界的“无限”概念引入计算公式中，会产生违反常理的结果。

下次在人生中当你觉得“这山望着那山高，换一换会更好”时，请想起这个悖论。也许只是在你心中的计算公式里，变量被偷换了而已。