第 1 讲 · 不确定性的根源、样本空间至高地位与古典概型三大名题

1.1 什么是“不确定性”？

在课程开篇（▶ P05 00:37），张颢老师提出了一个看似朴素却直击本质的问题：概率论究竟研究什么？ 日常经验告诉我们，任何一件事情在真正发生之前，其结果往往无法事先确知，只有做了之后才能揭晓。严格来说，现实世界中的一切现象都带有不确定性，区别仅在于某个结果出现的可能性是大是小（接近必然还是接近不可能）。

在科学史上，学者们围绕“世界究竟是决定的还是随机的”争论了数百年。张颢老师没有停留在抽象的哲学概念上，而是用三个极具代表性的物理与现实模型，将不确定性的来源拆解为三个截然不同的层次：

不确定性层次	课堂核心案例	底层规则状态	不确定性的真正根源	理想极限下的表现
第一类：算力与控制受限	手抛硬币（▶ P05 02:09）、斯坦福真空抛币机（▶ P05 05:55）	规则完全清晰（生物力学 + 刚体转动 + 空气流体力学 + 地面弹性碰撞）	人类缺乏精准测量初态与实时求解偏微分方程的计算与控制力量	若在真空容器中用精密机械抛币机抛掷，正反面几乎成为 100% 必然事件
第二类：耦合因素过多	未知黑白球罐摸球（▶ P05 07:09）、总统连任/世界杯夺冠（▶ P05 08:21）	规则自身模糊（影响因素浩如烟海，主次权重与耦合机制未知）	系统自由度极高，事先无法界定哪些变量起主导作用，无法建立确定性推演规则	即便拥有超强算力，因输入规则与隐变量缺失，依然无法作确定性预测
第三类：微观内禀随机	微观量子粒子运动（▶ P05 09:48）	演化方程清晰，但本质非决定论（波函数与测不准原理）	内禀（Intrinsic）不确定性——微观粒子的位置与速度天生不可能同时精确确定	即使实验条件绝对理想，也只能给出粒子落在某区域内的可能性大小（概率幅）

1.2 斯坦福真空抛硬币机实验的启示

在剖析第一类不确定性时，张颢老师特别引述了斯坦福大学统计学家 Persi Diaconis 团队著名的真空机械抛硬币实验（▶ P05 05:55–07:09）：

• 当人手抛硬币时，拇指施力的生物力学冲量、硬币在空气中翻转的刚体角动量、空气阻力的流体力学扰动以及落地瞬间的弹性碰撞恢复系数交织在一起；
• 但如果把硬币放进抽成真空的容器（彻底消除空气流体力学扰动），并用精密校准的机械装置以恒定初速度与角速度弹出硬币，实验发现：硬币落地哪一面朝上几乎变成了一个百分之百确定的必然事件！
• 这证明：以抛硬币、掷骰子为代表的古典模型，其物理规则本身是完全确定且清晰的；我们之所以将其视为随机现象，是因为在日常条件下我们缺乏（或无需付出）把全部力学过程算清楚的计算力量。

1.3 概率论的学科立场：拒绝哲学争吵，锻造数学工具

科学史上曾有不少学者对“承认不确定性”持负面态度（例如爱因斯坦著名的“上帝不掷骰子”），认为引入概率只是人类对自身算力与认知不足的妥协（▶ P05 11:19）。对此，张颢老师明确给出了本课程的方法论准则（▶ P05 11:56）：

“不确定性本身是一个哲学范畴的问题，但我们这门课不谈哲学，我们谈科学。概率论是用严格的数学工具去描绘、分析并解决带有不确定性的问题——我们要学会的是如何锻造并使用这套数学工具。”

2.1 统计实验与样本空间 $\Omega$：引入数学的第一步

在 ▶ P05 12:55，张颢老师指出概率论思考不确定性有一套极其成熟的套路：

1. 统计实验（Statistical Experiment）：任何在实验完成前无法准确预知唯一结果的试验或观测过程。
2. 样本空间（Sample Space，记作 $\Omega$，▶ P05 13:49）：把统计实验所有可能出现的结果“有一个算一个”全部装进一个集合，这个集合就称为样本空间 $\Omega$。
   • 关键提醒（▶ P05 14:40）：样本空间 $\Omega$ 中的元素（样本点 $\omega$）未必是数！它可以直接是物理对象或状态标签，例如：
     • 抛一枚硬币：$\Omega = \{\text{正面}, \text{反面}\}$；
     • 掷一颗骰子：$\Omega = \{\text{1点}, \text{2点}, \dots, \text{6点}\}$；
     • 明天的天气：$\Omega = \{\text{晴}, \text{阴}, \text{多云}, \text{雨}\}$；
     • 世界杯冠军归属：$\Omega = \{\text{巴西}, \text{法国}, \text{意大利}, \text{英格兰}, \dots\}$。
3. 概率赋值 $\mathbb{P}$（▶ P05 16:00）：为了刻画每个结果或事件子集 $A \subset \Omega$ 在实验中出现的可能性大小（Possibility），我们为其赋予一个非负实数 $\mathbb{P}(A)$（Probability）。

2.2 等可能性假设与古典概型（Classical Probability）

对于抛硬币、掷骰子、发扑克牌等模型，其最显著的特征是各个基本结果出现的可能性完全相同，即等可能性（Equally Likely，▶ P05 17:50）。

• 物理前提：等可能性绝非凭空成立，它需要物理现实的对称性予以支撑（硬币必须质地均匀、骰子重心不能偏置、扑克牌必须充分洗匀）。
• 历史渊源（▶ P05 19:14 & ▶ P06 00:00）：16 世纪意大利学者 Cardano（卡丹诺，1501–1576） 是公认最早用科学计数方法系统研究古典概率的先驱（他在赌场博弈研究中写下了《论赌博游戏》，尽管他在代数学史上因窃取发表三次方程求根公式而饱受争议）。
• 古典概型核心公式（▶ P06 01:23）：当样本空间 $\Omega$ 有限且所有样本点等可能出现时，任意事件集合 $A \subset \Omega$ 的概率仅需做两次计数与一次除法（张颢老师黑板用 $\#A$ 与 $\#\Omega$ 表示集合的元素个数）： $$\mathbb{P}(A) = \frac{\#A}{\#\Omega}$$ 因此在概率论发展初期，古典概率计算几乎与排列组合计数（Combinatorics）画等号。

2.3 张颢黑板规范训练：古典概型“三步法”

在 ▶ P06 03:11–12:50，张颢老师强调：哪怕面对再简单的题目，也必须严格遵循三步规范来训练概率思维：

• 第一步（最重要，没有之一）：明确统计实验，完整写出样本空间 $\Omega$ 的元素表达形式，并算出总元素个数 $\#\Omega$；
• 第二步：在同一个样本空间 $\Omega$ 的元素格式下，写出目标事件集合 $A$ 的限定条件，并算出 $\#A$；
• 第三步：代入古典概型公式 $\mathbb{P}(A) = \#A / \#\Omega$ 化简。

---

黑板例题 2.1：掷两颗骰子比大小（▶ P06 03:11–07:55）

问题：同时掷两颗均匀骰子，点数分别记为 $a_1, a_2$，求第一颗骰子点数严格大于第二颗骰子点数（$a_1 > a_2$）的概率。

• Step ① 明确样本空间 $\Omega$：每次实验结果由一个二维有序数组 $(a_1, a_2)$ 唯一刻画： $$\Omega = \bigl\{(a_1, a_2) \;\big|\; a_1, a_2 \in \{1, 2, 3, 4, 5, 6\}\bigr\}, \qquad \#\Omega = 6 \times 6 = 36$$
• Step ② 明确事件集合 $A$ 并利用对称性计数： $$A = \bigl\{(a_1, a_2) \in \Omega \;\big|\; a_1 > a_2\bigr\}$$ 如何最快算出 $\#A$？不必逐一枚举！在 $6 \times 6$ 网格中，主对角线 $a_1 = a_2$ 上共有 $6$ 个点 $\{(1,1),(2,2),\dots,(6,6)\}$；去掉主对角线后剩下的 $36 - 6 = 30$ 个点被对角线严格对称地平分为“下半三角 $(a_1 > a_2)$”与“上半三角 $(a_1 < a_2)$”两半，故： $$\#A = \frac{36 - 6}{2} = 15$$
• Step ③ 计算古典概率： $$\mathbb{P}(A) = \frac{\#A}{\#\Omega} = \frac{15}{36} = \frac{5}{12} \approx 41.67\%$$

---

黑板例题 2.2：桥牌发牌单家拿齐 4 张 A（▶ P06 08:24–12:50）

问题：去掉大小王的 52 张扑克牌均匀发给 4 位桥牌玩家（每人 13 张）。求某一位指定玩家手牌中把 4 张 A（Ace）全部拿齐的概率。

• Step ① 明确样本空间 $\Omega$：考察该指定玩家拿到的 13 张牌构成的牌型集合（不计发牌先后次序）。从 52 张牌中任取 13 张，共有： $$\#\Omega = \binom{52}{13}$$
• Step ② 明确事件集合 $A^{(4)}$：记 $A^{(4)}$ 为该玩家手牌中含有全部 4 张 A 的牌型集合。既然 4 张 A 已经确定发到了他手中，牌堆还剩 $52 - 4 = 48$ 张非 A 牌，他手中的 13 张牌还差 $13 - 4 = 9$ 张空位需要从这 48 张牌中任意补齐，因此： $$\#A^{(4)} = \binom{4}{4}\binom{48}{9} = \binom{48}{9}$$
• Step ③ 计算古典概率： $$\mathbb{P}\bigl(A^{(4)}\bigr) = \frac{\#A^{(4)}}{\#\Omega} = \frac{\binom{48}{9}}{\binom{52}{13}} = \frac{13 \times 12 \times 11 \times 10}{52 \times 51 \times 50 \times 49} = \frac{11}{4165} \approx 0.2641\%$$

3.1 问题建模与样本空间 $\Omega$（▶ P06 16:04–19:33）

问题：一个班级有 $N$ 个人（不考虑闰年，假定一年有 $C = 365$ 天，且每个人的生日等可能地分布在 365 天中的任意一天，彼此独立）。求班里至少有两个人生日相同（记为事件 $A$）的概率 $\mathbb{P}(A)$。

严格按照古典概型三步法：

• Step ① 明确样本空间 $\Omega$：将班里 $N$ 个人的生日依次记录为一个 $N$ 维有序数组： $$\Omega = \bigl\{(a_1, a_2, \dots, a_N) \;\big|\; a_i \in \{1, 2, \dots, 365\},\; i=1,\dots,N\bigr\}$$ 由于每个分量都有 $365$ 种等可能选择，样本空间的总元素个数为： $$\#\Omega = 365^N$$

3.2 正面突击的困境与“补集（Complement $A^c$）”迂回策略（▶ P07 00:33–05:53）

• 为什么不能正面硬算 $\#A$？ 事件 $A = \{\text{数组 }(a_1,\dots,a_N)\text{ 中至少有两个元素相同}\}$。如果从正面分类计数，不仅要算“恰好 2 人生日相同”，还要算“3 人生日相同”、“两对 2 人相同”、“4 人相同”……随着 $N$ 增大，分拆组合会陷入指数级爆炸！
• 反面迂回——考察补集 $A^c$（▶ P07 01:35）： 正面突击困难时，立即转向补集 $A^c = \Omega \setminus A$。$A$ 代表“至少有两个元素相同”，则其对立面 $A^c$ 的含义极其纯粹： $$A^c = \bigl\{(a_1, a_2, \dots, a_N) \in \Omega \;\big|\; a_1, a_2, \dots, a_N \text{ 两两互异}\bigr\}$$ 要在 $365$ 天中选出 $N$ 个互不相同的日期组成有序数组：先从 $365$ 天中无序选出 $N$ 个不同日子，有 $\binom{365}{N}$ 种选法；再将这 $N$ 个日子分配给 $N$ 个有序位置（全排列），有 $N!$ 种排法。因此： $$\#A^c = \binom{365}{N} N! = \frac{365!}{(365-N)!}$$ 利用补集概率关系 $\mathbb{P}(A) = 1 - \mathbb{P}(A^c)$，立即得到精确公式： $$\mathbb{P}(A) = 1 - \frac{\#A^c}{\#\Omega} = 1 - \frac{\binom{365}{N} N!}{365^N}$$

3.3 惊人的数值反差与世界杯 23 人大名单实证（▶ P07 06:30–09:49）

公式本身看似平淡无奇，但代入具体数值后却令所有人直觉大跌眼镜：

• 常人直觉认为：一年有 $365$ 天，要想让撞生日的概率达到 $50\%$，怎么也得有一两百人吧？
• 真实计算结果：
  • 当 $N = 23$ 时，$\mathbb{P}(A) \approx 50.73\% > \frac{1}{2}$！
  • 当 $N = 30$（清华大学一个行政班的人数）时，$\mathbb{P}(A) \approx 70.63\%$！
  • 当 $N = 50$ 时，$\mathbb{P}(A) \approx 97.04\%$；当 $N = 55$（典型中国中学班级人数）时，$\mathbb{P}(A) \approx 98.62\%$（超过九成八的把握班里有同生日同学）！
• 张颢老师课堂实证案例（▶ P07 08:10）：足球世界杯共有 $32$ 支参赛国家队，国际足联规定每支球队的正式报名大名单恰好是 $N = 23$ 人。有人专门统计过某届世界杯全部 32 支球队的球员生日，发现确实有超过一半（16 支以上）的球队队内存在同生日球员！

3.4 黑板重头戏：用微积分工具将连乘化为高斯型指数近似并反解 $N$（▶ P07 09:49–19:33）

在没有计算机的年代，面對 $365^{23}$ 这种天文数字，数学家是如何一眼看出“$N \approx 23$ 时概率过半”的？更进一步，如果反过来给定目标概率 $p_0 = 1/2$，如何解方程求出未知人数 $N$？ 张颢老师在黑板上将 $365$ 一般化为容量 $C$（将 $C$ 种等可能标签分给 $N$ 个人），完整推演了微积分工具如何攻克这一组合连乘：

1. 展开阶乘并配凑连乘因子（▶ P07 12:11）： $$\mathbb{P}(A^c) = \frac{\binom{C}{N} N!}{C^N} = \frac{\frac{C!}{N!(C-N)!}\cdot N!}{C^N} = \frac{C(C-1)(C-2)\cdots(C-(N-1))}{C^N} = 1 \cdot \left(1 - \frac{1}{C}\right)\left(1 - \frac{2}{C}\right)\cdots\left(1 - \frac{N-1}{C}\right)$$
2. 数学黄金套路：取指数与对数，化连乘为连加（▶ P07 14:47）： 在数学分析中，处理加法远比处理乘法容易。利用恒等式 $u = \exp(\ln u)$，将连乘搬到指数上方变为对数求和： $$\prod_{k=1}^{N-1}\left(1 - \frac{k}{C}\right) = \exp\left(\ln \prod_{k=1}^{N-1}\left(1 - \frac{k}{C}\right)\right) = \exp\left(\sum_{k=1}^{N-1} \ln\left(1 - \frac{k}{C}\right)\right)$$
3. 利用微积分一阶泰勒近似 $\ln(1-x) \approx -x$（▶ P07 15:57）： 当 $N \ll C$ 时，$x = k/C$ 是一个小量。由微积分熟知的泰勒展开 $\ln(1-x) = -x - \frac{x^2}{2} - \cdots \approx -x$，求和号内部瞬间化简为等差数列求和： $$\sum_{k=1}^{N-1} \ln\left(1 - \frac{k}{C}\right) \approx \sum_{k=1}^{N-1} \left(-\frac{k}{C}\right) = -\frac{1}{C}\sum_{k=1}^{N-1} k = -\frac{N(N-1)}{2C}$$
4. 获得解析近似公式并一行反解阈值 $N$（▶ P07 17:36–19:33）： 代回原式，立即得到生日碰撞概率的高斯型指数近似公式： $$\mathbb{P}(A) = 1 - \mathbb{P}(A^c) \approx 1 - \exp\left(-\frac{N(N-1)}{2C}\right)$$ 现在若要求 $\mathbb{P}(A) \approx \frac{1}{2}$，即 $\exp\bigl(-\frac{N(N-1)}{2C}\bigr) \approx \frac{1}{2}$，两边取自然对数立得关于 $N$ 的一元二次方程： $$-\frac{N(N-1)}{2C} = \ln\frac{1}{2} = -\ln 2 \implies N(N-1) = 2C \ln 2$$ 代入 $C = 365$，$2 \times 365 \times 0.69315 \approx 506$，而 $23 \times 22 = 506$，一步解出 $N = 23$！

4.1 1654 年的赌金分配难题（▶ P08 05:56–09:01）

在概率论发展史上，法国数学家 Pascal（帕斯卡） 与 Fermat（费马，费马大定理提出者） 在 1654 年的信件往来占据着里程碑式的地位。他们重点讨论了如下经典问题：

分赌本问题（Problem of Points）：甲、乙两位实力相当的选手（每局获胜可能性均为 $1/2$）进行网球比赛，约定先赢满 6 局者独得全部奖金 10,000 美元，败者分文不得。当比赛打到 甲 $5 : 3$ 乙 时，突降暴雨，比赛永久终止，无法继续。请问此时应当如何公平地就地瓜分这 10,000 美元？

4.2 三种历史分配方案的激烈交锋（▶ P08 09:01–19:33）

围绕“$5 : 3$ 时怎么分钱才合理”，历史上先后出现了三种代表性方案：

分配方案	提出者与历史背景	分配比例（甲 : 乙）	核心逻辑	致命缺陷或数学合理性
方案一：按已得比分	早期直觉派（▶ P08 09:01）	$5 : 3$	既然当前比分是 $5:3$，直接按已经拿到的局数比例分钱	错把“历史沉没得分”当成“未来获胜可能”：若赛制是先赢 100 局获胜，打到 $99:97$ 与打到 $5:3$ 同样是差两局，按 $5:3$ 与 $99:97$ 分显然自相矛盾。公平原则必须按双方“若继续比赛各自最终获胜的概率之比”来分！
方案二：按距赢差局比	Tartaglia（塔塔利亚）（▶ P08 10:30）	$3 : 1$	甲离赢满 6 局还差 $r=1$ 局，乙还差 $s=3$ 局（共差 4 局），甲获胜容易程度是乙的 3 倍	看到了未来差距，但缺乏等概样本空间概念：只差 1 局的甲距离胜利的真实概率优势远不止 3 倍！（注：张颢老师在 ▶ P08 11:42 顺带澄清了数学史公案——前文 Cardano 发表的三次方程求根公式，正是从这位 Tartaglia 处窃取的！）
方案三：等概样本空间法	Fermat（费马）（▶ P08 13:06）	$7 : 1$（正确解）	假想再打满最多所需的 3 局球，构造含 $2^3=8$ 个等可能三元组的样本空间 $\Omega = \{0,1\}^3$	严格满足古典概型等可能性：乙要想翻盘只有“连赢三局 $(0,0,0)$”华山一条路（占 $1/8$），甲获胜占其余 $7/8$！

4.3 费马的洞察：三元组样本空间 $\Omega = \{0,1\}^3$ 与“华山一条路”（▶ P08 13:29–18:03）

费马敏锐地指出：解决分赌本问题的唯一正途，是先把样本空间 $\Omega$ 搞清楚！

• Step ① 最多还要打几局才能决出胜负？（▶ P08 13:55） 当前甲 5 分（差 1 局）、乙 3 分（差 3 局）。注意：最多只需要再打 3 局球（而非 4 局！因为打满 3 局时，要么甲至少赢了 1 局从而达到 6 分，要么甲 1 局没赢即乙连赢 3 局达到 6 分，必然已经分出胜负）。 将接下来假想打满的 3 局球结果记为一个二进制三元组 $(a_1, a_2, a_3)$，其中 $a_i = 1$ 表示第 $i$ 局甲赢，$a_i = 0$ 表示第 $i$ 局乙赢： $$\Omega = \bigl\{(a_1, a_2, a_3) \;\big|\; a_i \in \{0, 1\},\; i=1,2,3\bigr\}, \qquad \#\Omega = 2^3 = 8$$
• Step ② 补集思想：“自古华山一条路”（▶ P08 16:32） 记事件 $A$ 为“甲最终获胜”，其补集 $A^c$ 为“乙最终翻盘获胜”。
  • 甲获胜的方式有很多种：可以第 1 局直接赢下，也可以先输 1 局再赢第 2 局，或者先输 2 局再赢第 3 局；
  • 反观乙要想从 $3$ 分追到 $6$ 分且不让甲拿到第 $6$ 分，自古华山一条路——他必须在接下来的 3 局中连赢 3 局，一场都不能输！ 因此在整个样本空间 $\Omega$ 的 8 个三元组中，对应乙获胜的子集 $A^c$ 只有唯一一个元素： $$A^c = \bigl\{(0, 0, 0)\bigr\}, \qquad \#A^c = 1$$ 与之相对，对应甲获胜的子集 $A = \Omega \setminus A^c$ 包含其余全部 7 个元素： $$\#A = 8 - 1 = 7$$
• Step ③ 确定奖金分配比例（▶ P08 18:03）： $$\mathbb{P}(A) = \frac{\#A}{\#\Omega} = \frac{7}{8}, \qquad \mathbb{P}(A^c) = \frac{\#A^c}{\#\Omega} = \frac{1}{8} \quad\Longrightarrow\quad \text{奖金应按 } \mathbf{7 : 1} \text{ 分配！}$$

4.4 课堂最核心的哲学解惑：为什么现实中打不出来的局，在样本空间里绝不能省？（▶ P08 18:03–19:33）

许多同学（乃至当年与费马讨论的学者）都会提出一个尖锐的质疑：

“如果第 1 局甲就已经赢了（$a_1 = 1$），比分变成 $6:3$，比赛当场就结束了，第 2 局和第 3 局在现实中根本不会打！那凭什么把 $(1,0,0), (1,0,1), (1,1,0), (1,1,1)$ 当成 4 个不同的样本点算进 $\Omega$ 里？”

张颢老师在 ▶ P08 18:28–19:33 给出了极其透彻的剖析：

• 如果你只按“实际比赛停下时的路径”来列样本空间，就会写出 4 条路径：$\{\text{甲第1局胜}(1),\; \text{甲第2局胜}(0,1),\; \text{甲第3局胜}(0,0,1),\; \text{乙连胜3局}(0,0,0)\}$；
• 但请注意：这 4 条长短不一的路径根本不是等可能的！
  • “第 1 局甲胜 $(1)$”发生的概率是 $\frac{1}{2} = \frac{4}{8}$；
  • “第 2 局甲胜 $(0,1)$”发生的概率是 $\frac{1}{4} = \frac{2}{8}$；
  • “第 3 局甲胜 $(0,0,1)$”与“乙连胜 3 局 $(0,0,0)$”发生的概率各是 $\frac{1}{8}$！
• 费马的伟大之处恰恰在于：通过假想“哪怕第 1 局已经分出胜负，也继续把后面两局硬币抛完”，将一条权重为 $1/2$ 的短路径 $(1,\,*\,,\,*)$ 等权重地拆解成了 4 条概率同为 $1/8$ 的三元组 $\{(1,0,0),(1,0,1),(1,1,0),(1,1,1)\}$！现实中“后面两局不用看”，绝不等于它们在古典等概计数中没有地位——恰恰是因为保留了这 4 个虚拟顺延分支，才保证了样本空间 $\Omega$ 中全部 8 个元素严格等可能，从而能直接套用 $\#A / \#\Omega$！

5.1 问题的提出：一条“随机弦”引发的百年争论（▶ P09 00:57–03:34）

在课程最后一部分（▶ P09 01:31），张颢老师请出了概率论历史上最著名的悖论之一——贝特朗悖论（Bertrand's Paradox）：

问题：给定一个半径为 $R$ 的圆，作其内接正三角形（边长为 $\sqrt{3}R$）。现在在圆上“随机地选取一条弦”，求这条弦的长度严格大于内接正三角形边长（记为事件 $A$）的概率 $\mathbb{P}(A)$。

正如张颢老师所指出的（▶ P09 03:01），这道题的命门完全浓缩在四个字上：“随机”（如何等概？） 与 “选取”（样本空间 $\Omega$ 是什么？）。下面按照课堂板书顺序，完整复原三种天经地义却导出不同数值的解法：

---

5.2 黑板三种随机选弦机制与三种样本空间推导（▶ P09 04:01–15:24）

解法 ①：固定一个端点，在圆周上等概选取另一个端点（▶ P09 04:01–08:13）

• 选取方式与样本空间 $\Omega_1$： 既然弦由圆周上的两个端点决定，不妨先固定住其中一个端点 $P_0$，由于旋转对称性，将内接正三角形的一个顶点旋转放置在固定端点 $P_0$ 处。此时“选一条弦”完全等价于在圆周上选取另一个端点 $P_1$： $$\Omega_1 = \text{整个圆周}, \qquad \text{测度（周长）}\; L(\Omega_1) = 2\pi R$$ 这里的“随机”定义为：另一端点 $P_1$ 落在圆周上任意位置是均匀等可能的。
• 有利事件集 $A_1$ 与概率计算： 画图立见，只有当另一端点 $P_1$ 落在正三角形底边所张的那一段圆弧（即正对 $P_0$ 的下方 $\frac{1}{3}$ 圆弧）上时，弦长才会超过内接正三角形边长 $\sqrt{3}R$： $$A_1 = \text{正三角形底边所截圆弧}, \qquad L(A_1) = \frac{1}{3} \times 2\pi R$$ $$\Longrightarrow \quad \mathbb{P}_1(A) = \frac{L(A_1)}{L(\Omega_1)} = \mathbf{\frac{1}{3}}$$

---

解法 ②：利用“弦 $\iff$ 弦中点”一一对应，在圆盘内等概选取中点（▶ P09 08:37–13:59）

• 选取方式与样本空间 $\Omega_2$： 在几何上（除直径退化情形外），圆内的任意一条弦都被它的中点 $M$ 唯一确定，反之亦然（连接圆心 $O$ 与中点 $M$，过 $M$ 作 $OM$ 的垂线，所得弦唯一）。因此“随机选一条弦”等价于在整个圆盘内部随机选一个点作为弦的中点 $M$： $$\Omega_2 = \text{整个大圆盘 } D_R, \qquad \text{测度（面积）}\; S(\Omega_2) = \pi R^2$$ 这里的“随机”定义为：中点 $M$ 在整个大圆盘面积内均匀等可能分布。
• 有利事件集 $A_2$ 与概率计算： 弦长大于内接正三角形边长 $\sqrt{3}R$，当且仅当弦中点 $M$ 到圆心 $O$ 的距离 $r < \frac{R}{2}$——也就是说，中点 $M$ 必须落在内接正三角形的内切圆圆盘 $D_{R/2}$（半径为大圆半径的一半 $R/2$）内部！ $$A_2 = \text{正三角形内切圆盘 } D_{R/2}, \qquad S(A_2) = \pi \left(\frac{R}{2}\right)^2 = \frac{1}{4}\pi R^2$$ $$\Longrightarrow \quad \mathbb{P}_2(A) = \frac{S(A_2)}{S(\Omega_2)} = \left(\frac{1/2}{1}\right)^2 = \mathbf{\frac{1}{4}}$$

---

解法 ③：固定半径方向，在半径线段上等概选取中点到圆心的距离（▶ P09 13:59–15:24）

• 选取方式与样本空间 $\Omega_3$： 同样考察弦的中点 $M$。由于圆具有完美的旋转对称性，任何中点 $M$ 与圆心 $O$ 的连线都落在某条半径上。如果我们先固定这条半径的方向，只考察弦中点 $M$ 落在该条半径线段上的位置： $$\Omega_3 = \text{整条半径线段 } [0, R], \qquad \text{测度（长度）}\; |\Omega_3| = R$$ 这里的“随机”定义为：中点 $M$ 在整条半径线段 $[0, R]$ 上均匀等可能选取。
• 有利事件集 $A_3$ 与概率计算： 要使弦长超过正三角形边长，中点 $M$ 必须落在半径靠近圆心的前半段 $[0, R/2]$（恰好位于内接正三角形边以内）上： $$A_3 = \text{半径前半段 } [0, R/2], \qquad |A_3| = \frac{R}{2}$$ $$\Longrightarrow \quad \mathbb{P}_3(A) = \frac{|A_3|}{|\Omega_3|} = \frac{R/2}{R} = \mathbf{\frac{1}{2}}$$

---

5.3 悖论的终极解答：为什么三个不同的答案全部正确？（▶ P09 15:24–19:33）

同一个题目、同样严密的逻辑，竟然算出了 $\frac{1}{3}$、$\frac{1}{4}$、$\frac{1}{2}$ 三个截然不同的数值！究竟哪一个是对的？ 张颢老师在 ▶ P09 15:59 一锤定音：

“它之所以成为悖论，恰恰在于这里给出的三个答案全是对的！不仅这三个答案对，我们还可以构造出无穷多种其他答案，它们也全是对的！凭什么全对？原因非常简单——因为每一个答案背后的【样本空间 $\Omega$】都发生了变化！”

解法对比	等价几何对象	样本空间 $\Omega_i$	“等概（随机）”的物理含义	有利子集 $A_i$	最终概率 $\mathbb{P}_i(A)$
解法 ①	固定端点后的另一端点	整个圆周（一维曲线）	另一端点在圆周弧长上均匀分布	下方 $1/3$ 圆弧	$\mathbf{1/3 \approx 33.3\%}$
解法 ②	弦的平面中点 $(x,y)$	整个大圆盘（二维区域）	中点在圆盘面积上均匀分布	半径 $R/2$ 的内切圆盘	$\mathbf{1/4 = 25.0\%}$
解法 ③	弦心距 $r \in [0, R]$	整条半径线段（一维区间）	弦心距 $r$ 在 $[0, R]$ 长度上均匀分布	半径前半段 $[0, R/2]$	$\mathbf{1/2 = 50.0\%}$

5.4 全课总结：为什么网络上关于概率问题的争吵大多毫无意义？（▶ P09 17:31–19:33）

在第一讲的尾声，张颢老师从 Bertrand 悖论提炼出了贯穿整门《概率论》的最高方法论准则：

1. 样本空间的地位至高无上，牵一发而动全身（▶ P09 16:29）：只要样本空间 $\Omega$ 变了，后面所有的事件集合与概率值必然随之改变，算出不同结果毫不奇怪。
2. 剖析生活中的“伪概率争论”（▶ P09 17:31–19:06）：我们在网络或日常讨论中经常看到人们对某个概率问题争得面红耳赤（“公说公有理，婆说婆有理”，如三门问题变体、生男生女悖论等）。仔细审视就会发现，这些引发争吵的题目几乎都有一个共同病灶——题干里虽然写了“随机”和“选取”四个字，但对“怎么选取（样本空间 $\Omega$ 是什么）”与“怎么随机（在哪个空间上赋等概测度）”语焉不详！
3. 结论（▶ P09 18:35）：当争论双方各自在脑海里默认了不同的样本空间时，他们得出的解决方案和概率数值不同实在是太正常了；在不统一样本空间的前提下争论谁对谁错，在数学上完全是 Nonsense（毫无意义）。任何概率研究，只有在明确界定样本空间 $\Omega$ 之后，才真正开始！