【锚点】只钉一个判断：友谊悖论（friendship paradox）不是关于社交的观察，是一条【抽样定理】——当你按「度数」抽样（朋友，就是按度数被抽中的节点），样本均值必然系统性高于总体均值。

【显式】Feld 1991 在 AJS 上给出：设度分布为 k，均值 E[k]、方差 Var(k)，则「朋友的平均朋友数」= E[k²]/E[k] = E[k] + Var(k)/E[k]。只要 Var(k)>0，前者严格大于 E[k]。这不是「大多数人都低于平均」的诡辩，是数学恒等式。

【隐式】机制是 size-biased sampling（规模偏倚抽样）：一个人有 k 个朋友，就有 k 条边「指向」他，于是他被别人「通过朋友关系」看到的概率正比于 k。这和等公交的 inspection paradox 是同一件事——你等的那班车，平均比时刻表上的间隔长。

【细微】Eom & Jo 2014（Scientific Reports）把它推广成 generalized friendship paradox：不只度数，任何与度数正相关的属性（论文数、h-index、感染概率）都会出现「朋友的属性 > 你的属性」。关键条件不是属性本身，而是属性与度数的相关。

【极难发现】反直觉的应用：Cohen、Christakis、Fowler 2013 在 Science 上把这条定理变成传感器设计——不随机抽人，而是随机抽人、再让他们各报一个朋友，用「朋友」当哨兵。2009 H1N1 期间，朋友组的感染峰值比随机组提前约两周到达。原因不是朋友更「社交」，而是按度数抽样让哨兵天然落在网络的高连接核心，那里是传播的入口。悖论 = 免费的方差探测器。

【流程节点链路】均匀随机抽样（无偏，均值 = E[k]）→ 按度数加权抽样（朋友，被抽概率 ∝ k）→ 样本均值 = E[k²]/E[k] → 减去 E[k] 得 Var(k)/E[k] → 当且仅当 Var(k)=0 时差为 0 → 结论：悖论的「大小」就是网络异质性的读数。

所以真正该问的不是「为什么我的朋友比我受欢迎」，而是：如果你想知道一个网络的异质性，却只允许做一次抽样，你会不会故意去抽「朋友」？——这是不是意味着，最省事的方差估计，藏在最反直觉的抽样偏差里？