三扇门，一扇后面是车，两扇是羊。你选了 1 号。主持人——他知道车在哪——打开一扇有羊的门，比如 3 号，然后问：换到 2 号，还是守住 1 号？
几乎所有人脱口而出「剩两扇，50/50，换不换都一样」。错。换门赢的概率是 $2/3$。关键的直觉一句话就能点破：你一开始选中车的概率只有 $1/3$，选错的概率是 $2/3$。而当你选错时（$2/3$ 的情形），主持人被逼着避开车、打开唯一那扇羊门，于是剩下的那扇必然是车。所以「换」= 押注「我一开始选错了」，这件事的概率正是 $2/3$。主持人不是随机开门，他的动作泄露了信息。
设车在门 $i$，你选门 1，主持人开门 3。用贝叶斯：$P(\text{车在}2\mid\text{开}3)=\dfrac{P(\text{开}3\mid\text{车在}2)P(\text{车在}2)}{P(\text{开}3)}=\dfrac{1\cdot\frac13}{\frac12}=\dfrac23$。分子里 $P(\text{开}3\mid\text{车在}2)=1$——车在 2 时他只能开 3；而车在 1 时他开 2 或 3 各半，正是这个不对称造出了 $2/3$。
把门数放大到 100 就一目了然：你选 1 号（中奖率 $1/100$），主持人哗啦啦开掉 98 扇羊门，只留你的门和另一扇。他刻意绕开的那扇门，浓缩了其余 99 扇的全部概率。直觉的失败不在算术，而在没意识到「主持人知情」这个条件——信息改变概率。这正是贝叶斯世界观的种子：概率不是物体的属性，而是「你知道多少」的度量。
这就是贝叶斯更新的缩影。医疗诊断中，一个检验结果如何重排疾病概率，算的是同一件事；垃圾邮件过滤、A/B 实验的后验、机器人 SLAM 里传感器读数收缩位置分布，无一例外。反过来，它也是一面照妖镜：许多「统计直觉错误」的根子，都是把有信息的观测当成了随机的观测。
一个房间里只要有 23 个人，就有超过一半的概率存在两人同月同日生。23 太少了，简直不可信——一年有 365 天啊。
骗过你的是问题的措辞。你下意识在想「有人跟我同生日」，那确实很难。但问题问的是「任意两人同生日」。23 个人能配出 $\binom{23}{2}=253$ 对，每一对都是一次「撞上」的机会。253 次机会去撞 365 个格子，撞上就不稀奇了。要点是：比较对象不是人数，而是「对」的数量，而它随人数平方增长。
反着算「全都不同」更省力：$P(\text{无重复})=\dfrac{365}{365}\cdot\dfrac{364}{365}\cdots\dfrac{365-n+1}{365}$，则 $P(\text{至少一对})=1-\text{它}$。$n$ 不大时有干净的近似 $P\approx 1-e^{-n(n-1)/730}$——指数上那个 $n(n-1)/2$ 正是「对数」，$730=2\times365$。代入 $n=23$ 得 $\approx 0.507$。
它把「组合爆炸」摆到了台面上：碰撞机会 $\sim n^2/2$，而不是 $n$。所以想让某种巧合以过半概率出现，需要的样本量大约是格子数的 平方根——$\sqrt{365}\approx 19$，和 23 是同一量级。这个「$\sqrt{N}$ 门槛」不是生日专属，而是一切「往 $N$ 个桶里随机扔球」问题的普遍节奏。反直觉，是因为人脑天生按线性外推，对平方增长毫无准备。
它是密码学里生日攻击的核心：想找哈希碰撞，不必试遍 $2^{n}$ 个输入，只需约 $2^{n/2}$ 个——这就是为什么 128 位哈希只提供 64 位的抗碰撞强度，也是 MD5 被攻破的数学根源。同一节奏还出现在哈希表的负载设计、分布式系统里 UUID 的碰撞概率估计、以及数据去重的采样分析中。
疗法 A 在轻症病人里胜过 B，在重症病人里也胜过 B——每一组 A 都更好。可把两组一合并，B 的总治愈率反而更高。这不是算错，是真实数据里反复出现的现象（1973 年伯克利研究生录取「歧视女性」的著名案例，正是它）。
戏法藏在「谁进了哪一组」。假如 A 大多被派去接重症（本就难治），B 大多接轻症，那么 A 的总成绩被它承担的难度拖垮了。分组的比例，而不是疗效，主导了合并后的数字。
核心是一个初等却致命的不等式：即便 $\dfrac{a_1}{b_1}>\dfrac{c_1}{d_1}$ 且 $\dfrac{a_2}{b_2}>\dfrac{c_2}{d_2}$，也不能推出 $\dfrac{a_1+a_2}{b_1+b_2}>\dfrac{c_1+c_2}{d_1+d_2}$。分数不能逐项相加。几何上，两个分数是平面上两个向量的斜率，「合并」是向量相加，而和向量的斜率会被各分量的长度（样本量）重新加权。
它是「相关不等于因果」最锋利的一次几何演示。数据没撒谎，是「该看哪一层」这个问题没有纯统计的答案——要靠因果结构来裁决。是否该分组，取决于分组变量到底是混杂因子（该分层，如病情）还是中介变量（不该分层，会挡住真实效应）。Judea Pearl 用它说明：同一堆数字，因果图不同，正确结论就相反。统计学第一次被迫承认，光有数据不够。
它是 A/B 测试与观测研究的头号陷阱：整体指标涨了，可能每个用户细分都在跌（只因流量结构变了）。机器学习公平性里，模型对每个子群都「校准」，合到总体却系统性偏差；临床试验、经济学政策评估、推荐系统的分群分析，都必须先画因果图再决定聚合层级，否则会自信地得出与真相相反的结论。
在一个圆里随机画一条弦，它比圆内接等边三角形的边还长的概率是多少？听起来是道有唯一答案的题。可三种同样合理的「随机画法」给出三个不同的数：$\tfrac12$、$\tfrac13$、$\tfrac14$。
不是谁算错了。问题出在「随机画一条弦」这句话本身根本没说清。「随机取两个端点」「随机取弦的中点」「随机取一个方向再随机取距圆心的距离」——都配得上「随机」二字，但它们在弦的空间里撒的是不同的均匀分布。换了撒点的方式，答案就换了。
三种参数化对应三个不同的概率测度。以「弦的中点」为坐标：随机端点法让中点密度在圆心附近偏稀，得 $1/3$；随机中点法让中点在整张圆盘上面积均匀，得 $1/4$；随机半径法让中点沿半径线均匀，得 $1/2$。「弦更长」这个事件在三个测度下的测度就是这三个数。没有指定测度，「概率」二字就没有定义。
它一刀戳穿了「无差别原则」——「没有理由偏袒任何结果，就假设它们等可能」——的软肋：「等可能」在连续空间里依赖你选哪个变量做均匀。对端点均匀，就不对中点均匀。这正是测度论（Day 21）要当概率地基的原因：概率不是从「样本空间」自动长出来的，你必须额外规定一个测度，它和空间本身是两件事。Bertrand 用一道几何小题，把这个深刻的必要性逼到了明面上。
它是每一次蒙特卡罗模拟的暗礁：「均匀采样」到底对哪个变量均匀，直接决定结果对不对——在球面、在参数流形上尤其致命。贝叶斯统计里「无信息先验」的选择是同一个幽灵：均匀先验换个参数化就不均匀了，于是有 Jeffreys 先验、最大熵先验去追求某种不变性。E. T. Jaynes 主张：加上「结果应对平移与缩放不变」的物理约束，Bertrand 问题会收敛到唯一答案 $1/2$——把「随机」钉死，靠的是对称性。