为什么你等公交的时间比平均发车间隔还长:检查悖论是一次约 1 bit 的 KL 散度
【锚点】这一篇只钉一个判断:你主观感受到的「平均」,采样测度不是事件测度,而是时间测度。两者的差不是「认知偏差」,是一个可计算的 KL 散度——它有精确公式,也有精确的数值。
一、【显式】悖论本身 一条线路:90% 的车 5 分钟一班,10% 的车 60 分钟一班(间隔本身是随机的,车队调度/路况都会造成)。 平均发车间隔 = 0.9×5 + 0.1×60 = 10.5 分钟。 朴素推理:随机到站,平均等一半 = 5.25 分钟。 实际:你落在某个间隔里的概率正比于该间隔的长度 → 0.1×60 / 10.5 = 57%。只有 10% 的车造成长间隔,但你有 57% 的时间活在长间隔里。 期望等待 = E[L²] / (2E[L]) = (0.9×25 + 0.1×3600) / 21 = 382.5 / 21 = 18.2 分钟。 18.2 > 10.5。你等车的时间,比平均发车间隔还长。
二、【隐式】公式为什么长这样 随机时刻落入长度为 L 的间隔的概率 ∝ L。这就是 length-biased / size-biased sampling:测度变换的 Radon–Nikodym 导数是 L/E[L]。剩下的 1/2 来自落入后位置均匀。这是更新过程的标准结果(Feller, Vol.2, XIII.3;抽样偏差的系统处理见 Cox 1962)。
三、【细微】这次测度变换值多少 bit 把「事件采样」的分布 P 和「时间采样」的分布 P̃ 的差写成 KL: D(P̃‖P) = E[L·log L]/E[L] − log E[L] ≥ 0(Jensen),当且仅当 L 恒定时取等号。 代入上面那班车:E[L·log L]/E[L] = (0.9×5×ln5 + 0.1×60×ln60)/10.5 = 31.81/10.5 = 3.029 nats;log 10.5 = 2.351;D = 0.678 nats = 0.98 bit。 【结论】「时间采样世界观」与「事件采样世界观」之间差约 1 bit。间隔越不均匀,这 1 bit 越大;间隔恒定时它恰好是 0——那是你从没被公交骗过的世界。
四、【细微 → 极难发现】同一个 L 在别处的化名 · 班级规模悖论:学生感受到的平均班级比校方报表大,因为大班「容纳」了更多学生。 · 好友悖论:你朋友的平均好友数比你多,因为高 degree 节点被更多边采样。 · 体验采样(ESM):Csikszentmihalyi 的随机响铃法测心境,铃声是时间采样,长时段心境被系统性过代表。这不是被试的偏差,是设计的测度。 · p99 谎言:负载测试是事件采样,生产监控是时间采样,混合流量下两者根本不是同一个数。 【极难发现】的共同点:这些场合人们争论「人是不是不理性/数字是不是假的」,其实没人在骗人,只是两边测度不同。而测度不同是可测量的,不是哲学。
五、观点 把检查悖论叫「偏差」,会诱导你去修人(教统计、发提示、做培训)。但它不是推理错误,是采样器错误:落在长间隔里不是你的判断出了岔子,是你的到达时刻替你抽了签。修法只有两个——换测度(随机时刻 vs 随机事件),或者把 L 的分布测出来再算 E[L²]/2E[L]。 【流程节点链路】主观平均被拉长 → 随机时刻落入间隔的概率 ∝ L → 测度变换 dP̃/dP = L/E[L] → 期望等待 E[L²]/(2E[L]) → 与事件均值 E[L] 之差 = 一个 KL 散度(本例 0.98 bit)→ 结论:这是采样器问题,不是推理问题。
留给你的问题:你现在相信的哪些「平均」是时间采样的?哪些应该是事件采样的?注意这两者不能同时正确,你必须选一个声明——而大多数人是在两者之间来回切换,且从不声明自己在用哪个。







0 评论