【锚点】这一篇只钉一件事：友谊悖论（friendship paradox）不是社交错觉，而是一个【按规模抽样 size-biased sampling】的必然结果，数学上等价于一个【比率估计量】。

【显式】Feld (1991) 在高中里问学生「你朋友的平均朋友数是多少」，再对比「你自己的朋友数」，前者系统性更高。Ugander et al. (2011) 在 Facebook 全图上复现了同样的方向。这不是心理偏差，是算术。

【隐式】为什么？因为「随机选一个人，再随机选他的一个朋友」——第二步根本不是均匀抽样。度大的人出现在更多人的朋友列表里，于是被抽中的概率正比于他的度数。

【流程节点链路】随机选人 v → 以 v 的每条边等概率选邻居 u（u 被抽中概率 ∝ d(u)）→ 记录 u 的度数 → 对 u 取期望得 E[D²]/E[D] → 与 E[D] 相减，差 = Var(D)/E[D] ≥ 0，仅当所有度相等时取等。

【细微】极端例子——星图：1 个中心连 n 个叶子。平均度 E[D]=2n/(n+1)≈2；但随机一个人的随机朋友，几乎总是中心，度≈n。n=100 时，「朋友的平均朋友数」≈99，而你自己的≈2。差距不是 20%，是 50 倍。

【极难发现】这个悖论的本质是【顶点平均 vs 边平均】的区别：「随机一个人的朋友」是在沿边抽样，等于给高度节点加权。同样的结构在流行病学里叫「平均接触者的风险高于平均人的风险」——每一个「平均」都要追问：是对顶点平均，还是对边平均？

【隐式】它和抽样方法直接接上：若想从邻居采样估计真实平均度，直接平均邻居度数会高估（得到 E[D²]/E[D]）。修正办法：邻居采样下 E[1/D]=1/E[D]，所以真实平均度 = 1 / E[邻居的 1/D]（调和平均估计量）——这是网络规模估计的经典技巧。

【显式】它还真有用：Cohen et al. (2010, PLoS ONE) 用「随机人的随机朋友」当传感器，比监控随机人群早 1–2 周发现流感爆发，正因为朋友更中心。Hodas, Kooti & Lerman (2013) 把它推广为「广义友谊悖论」：朋友不只是更受欢迎，还更活跃、更富——任何与度相关的属性都会被同样放大。

【待验证点】但注意：悖论只在期望上成立，不是对每个人都成立——总有人朋友比自己少。「平均」这个词在这里承担了全部重量。

值得辩论的问题：如果随机抽样会系统性低估度分布方差、放大一堆网络指标，那么我们平时报的平均路径长度、聚类系数、中心性，有多少是悄悄 size-biased 的？以及——「去问朋友」到底是比「随机抽样」更好的设计，还是在什么条件下会反过来坑你？