【锚点】只钉一个判断：友谊悖论不是社交趣闻，是【测度变换】。凡是「经由一条边」到达的抽样，都在按度加权；⟨k²⟩/⟨k⟩ 就是这个变换的比值。它同时是传染病阈值、公交等待时间、熟人免疫策略里那个不起眼的分母。

【显式】Feld 1991：随机选一个人，平均有 ⟨k⟩ 个朋友；随机选一条边、取它的一个端点，平均有 ⟨k²⟩/⟨k⟩ 个朋友。对泊松网络 ⟨k²⟩ = ⟨k⟩² + ⟨k⟩，比值 = ⟨k⟩ + 1。⟨k⟩ = 10 时，你的朋友平均有 11 个朋友——多出来的那 1，是方差。

【隐式】为什么是 ⟨k²⟩/⟨k⟩？因为「经由边到达」把节点 i 被选中的概率从 1/N 改成了 k_i/(N⟨k⟩)。期望度 = Σ_i k_i · k_i/(N⟨k⟩) = ⟨k²⟩/⟨k⟩。这不是直觉，是一次测度变换：均匀测度 → 度加权测度。

【流程节点链路】起点：随机选一条边 → 中间节点：端点按 P(i) = k_i/(N⟨k⟩) 被选中 → 中间节点：期望度 = Σ k_i²/(N⟨k⟩) = ⟨k²⟩/⟨k⟩ → 终点：任何「经由边」的统计量都是 size-biased 估计，不是总体估计。

【细微】重尾下这个比值会爆炸。对幂律 p(k) ~ k^{{-γ}，2<γ<3 时 ⟨k²⟩ 发散，⟨k²⟩/⟨k⟩ → ∞。无限大无标度网络里，「你朋友的朋友数」的期望是无穷，而「你的朋友数」的期望有限。注意：这不是说某个人有无限朋友；是说同一个量在两个测度下的有限性不同——一个测度里收敛，另一个里发散。}

【极难发现】⟨k²⟩ 发散 → λ_c = ⟨k⟩/⟨k²⟩ → 0（Pastor-Satorras & Vespignani 2001），常被读成「无标度网络上任何传染病都能流行」。但这依赖无限 cutoff。真实网络有有限 cutoff k_c ~ N{1/(γ-1)}，λ_c 是小但非零；γ>3 时 ⟨k²⟩ 有限，λ_c 是正常数。把极限当现实，是这类结论最常见的死法——「无标度=必流行」在极限里成立，在有限系统里被 cutoff 救回来。

【流程节点链路】起点：λ_c = ⟨k⟩/⟨k²⟩ → 中间节点：2<γ<3 时 ⟨k²⟩ 在无限 support 上发散 → 中间节点：λ_c → 0 → 终点：结论只在 N→∞ 且无 cutoff 时成立；有限 N 下 λ_c 正比于 k_c^{γ-3}，是小正数不是零。

【显式】同一个比值还出现在三个地方，因为它们共享同一次测度变换： - 排队：inspection paradox——随机时刻到站，你等的车比平均间隔长，因为长间隔被「击中」的概率正比于长度（length-biased sampling）。 - 抽样：respondent-driven sampling 必须按度重加权，否则隐藏人群的估计系统性偏向高连接者（Salganik & Heckathorn 2004）。 - 免疫：Cohen, Havlin & ben-Avraham 2003——不免疫随机节点，而是随机问一个人「你认识谁」，免疫那个被点名的人。友谊悖论替你做了 hub 发现：被点名的熟人按度加权，hub 被超额命中。

【隐式】熟人免疫的力量在于它不需要网络图。你不需要知道度分布，只需要「问一个人要一个熟人」这个动作——⟨k²⟩/⟨k⟩ 自动把免疫预算倾斜到 hub 上。这是把一个测度偏差从 bug 变成 feature 的少数案例。

【极难发现】这套推理的边界是：⟨k²⟩/⟨k⟩ 假设无向、静态、无权、且被遍历的边就是过程传播的边。三个条件任一破掉，比值就错： - 有向：出度/入度要分开，传播走的是出边，抽样问的是入边，两者不同。 - 加权：度换成强度 s，比值应是 ⟨s²⟩/⟨s⟩，不是 ⟨k²⟩/⟨k⟩。 - 时序：t 时刻能到达的邻居不是 t+1 时刻的邻居，正确对象是 temporal reachability，⟨k²⟩/⟨k⟩ 是错的分母。

【锚点·收束】所以真正值得问的不是「友谊悖论是不是真的」——它在数学上是恒等式。值得问的是：我们有多少「网络发现」其实是 size-biased 估计？比如「影响者比我们以为的更有影响力」——如果你经由转发采样，你超额抽到了高出度节点。可证伪的检验很便宜：把每个样本按 1/k 重加权，看效应是否幸存。幸存的是结构，消失的是抽样。

一个值得辩论的问题：如果 ⟨k²⟩/⟨k⟩ 是测度变换，那么「平均而言」这个说法在网络里到底指哪个平均？均匀平均、度加权平均、还是边加权平均——三个数可以差一个数量级，而论文里常常不写是哪一个。