企业官网建设流程全解析

“12:00 到 13:00 之间见面，先到的人等 15 分钟，等不到就走”——这道题几乎是概率论里最出名的口语化题目。标准答案 7/16 被无数教材当成几何概型的入门范例，但我见过太多人把 1-(45/60)² 这个式子背下来，却说不清 45 是怎么冒出来的；一旦把等待时间改成 10 分钟、把见面窗口改成两小时，立刻就卡壳。这篇东西打算把这道题从头拆一遍：先把“约会”翻译成平面上的一个点，再用面积算两人相遇的概率，然后用一段蒙特卡洛模拟代码做交叉验证，最后把常见变体、反直觉结论和踩坑清单列清楚。

读者面很宽——准备面试的、讲课需要素材的、想拿它练手写模拟程序的，以及纯粹被朋友问住了想弄明白的，都能从里面找到能直接抄走的东西。不需要什么高深前置知识，会画坐标系、会写十几行 Python 就够；哪怕完全没写过代码，前面几节的几何推导也能独立看懂。我尽量把每一步的“为什么”都讲透，因为这类题真正的价值不在于那个分数，而在于它示范了一整套处理随机问题的思维方式。

1. 题面拆解：三个没说出口的假设

1.1 光靠“12:00 到 13:00 之间”这句话，算不出概率

题目只说了“两人约在 12:00-13:00 之间到”，这句话本身信息量是不够的。想一下极端情况就明白了：如果这两个人都习惯踩点，几乎总是 12:00 到，那相遇概率接近 1；如果一个人永远 12:00 到、另一个永远 12:50 到，那概率接近 0。同样是“12:00 到 13:00 之间到”，答案能差出一整个区间。

所以“概率”这个词在这里不是免费的，它必须挂靠在某个到达时间的分布上。这也是我给别人讲这道题时最先强调的一点：不是题目有歧义，而是题目默认了一套大家心照不宣的约定。约定不写出来，答案就无从谈起；约定一变，答案跟着变。后面第 5 节我会专门拿几个“改了分布”的变体来演示这种敏感性。

1.2 为什么“均匀分布 + 连续时间”是最省事的一套建模

行业里处理这类问题的标准做法，是补上两条假设：两人各自独立地在 12:00 到 13:00 这个区间内均匀分布地随机到达；时间是连续的，可以精确到任意小数位。这两条一加，问题立刻变得规整——均匀分布意味着样本空间是一块面积均匀的平面区域，概率就等于面积占比，连积分都省了。

选“连续”而不是“按分钟离散”也有讲究。连续时间下，任何一个点的概率都是零，所以“等待不超过 15 分钟”到底是 ≤ 还是 <，对结果毫无影响，边界可以随便画。这个性质在推导时能省掉大量纠结。作为对比，如果老老实实按整分钟枚举，答案会漂到 0.4437，跟 0.4375 差出 0.6 个百分点——这个现象我在第 4 节会拿代码复现，它也是很多人“验算对不上”的元凶。

1.3 把生活语言换成符号，一行都不能省

设甲到达的时刻为 x，乙到达的时刻为 y，单位统一用“距 12:00 的分钟数”，于是 0 ≤ x ≤ 60、0 ≤ y ≤ 60。两人相遇的条件是：谁先到，谁就等对方，等待时长不能超过 15 分钟。翻译成不等式就是 |x − y| ≤ 15——两人到达时间之差的绝对值不超过 15 分钟。

这里有三个隐藏前提值得单独点出来。第一，“先到的人等 15 分钟”意味着后到的人不需要等，他到场就算碰上，所以只有一个方向的等待约束生效，但方向不确定，因此用了绝对值。第二，两人之间没有任何额外通信手段，不能打电话说“我堵车了”，否则概率直接变成 1，模型就废了。第三，等待策略是刚性的，不会因为“感觉对方快来了”而多等五分钟。这三条在现实里都未必成立，但它们是这道题能有一个干净答案的前提。

提示：写题解时把这几个假设明明白白列在开头，比直接甩公式专业得多。很多争论其实是假设不同，不是数学错了。

2. 画个正方形：7/16 是怎么来的

2.1 样本空间是一块 60×60 的正方形

把 x 当横轴、y 当纵轴，所有可能的到达组合就构成了平面上一块边长 60 的正方形，面积 3600。因为两人独立且均匀，这个正方形里每一个点被“抽中”的可能性是一样的，于是任何事件的概率就等于它对应区域的面积除以 3600。

这一步是整个解法的地基。我特别想提醒一句：这个 3600 是面积，不是“3600 种可能”。初学者最容易在这里把连续问题偷偷离散化，脑子里想成“每人有 60 种到达时刻，一共 60×60 种组合”，然后开始数格子。数格子不是不行，但会引入系统性偏差，后面会看到偏差有多大。

2.2 45 这个数字，必须掰开揉碎讲清楚

相遇区是两条平行斜线 y = x + 15 和 y = x − 15 夹出来的那条带子。反过来说，“错过”发生在带子外面的两个角落。以右上角为例：x − y > 15，意思是甲比乙晚到超过 15 分钟，乙早就走了。这个区域是什么形状？在正方形里，它由 y < x − 15 定义，也就是 y 从 0 一直取到 x − 15，而 x 最大只能到 60。

关键就在这儿：当 x = 15 时，y 的上界是 0，区域刚刚开始出现；当 x = 60 时，y 的上界是 45。所以这个三角形两条直角边分别是 60 − 15 = 45。很多人卡住就是因为直接拿 15 去算，或者拿 60 去算，唯独想不到是 60 减 15。你可以这样理解：x 要“浪费”掉前面 15 分钟才可能开始错过，剩下能用的跨度就只有 45 分钟。左下角对称，另一个三角形也是边长 45。

2.3 面积一除，答案落地

两个等腰直角三角形，每个面积 45×45÷2 = 1012.5，合计 2025。于是错过的概率是 2025/3600 = 0.5625 = 9/16，相遇的概率是 1 − 9/16 =7/16 = 0.4375，也就是 43.75%。

换成人话：这套约会安排其实相当不靠谱，超过一半的概率（56.25%）两个人根本碰不上面。我每次讲到这里都会停一下，让这个数字沉一沉——直觉上很多人觉得“等 15 分钟挺久了”，实际效果远没有想象中好。

2.4 拿极端值给公式做体检

算完别急着交卷，代入两个极端情形验一下。等待时间取 0 分钟：P = 1 − (60/60)² = 0，两个人必须分秒不差地同时到，概率为零，符合预期。等待时间取满 60 分钟：P = 1 − (0/60)² = 1，只要来了就一定能碰上，也对。

再看一个中间值，等待 30 分钟：P = 1 − (30/60)² = 0.75。等待时间翻了一倍，概率从 0.4375 涨到 0.75，涨幅约 71%，不是翻倍——这个非线性关系在第 6 节还会展开。养成用端点值验算的习惯，能挡掉绝大多数低级错误，这个动作花不了三十秒，收益极高。

3. 一般化：等待 t 分钟、窗口 T 分钟、两人还不一样

3.1 对称情形的通式只要一行

把 15 换成 t、60 换成 T，错过区的三角形直角边就是 T − t，面积 2 × (T − t)²/2 = (T − t)²。于是：

P = 1 − (T − t)² / T² = 2(t/T) − (t/T)²

这个式子有个特别漂亮的性质：概率只取决于 t/T 的比值，跟绝对时长无关。等待 15 分钟、窗口 60 分钟（比值 0.25），和等待 30 分钟、窗口 120 分钟（比值也是 0.25），答案完全一样，都是 0.4375。这个洞察非常实用——有人把题面里的“一小时”改成“两小时”想为难你，你只要看一眼等待时间是不是也跟着翻了倍，就知道答案变没变。

3.2 两人等待时长不同：先到者等 a、后到者等 b

现实里更常见的是不对称：比如一方愿意等 20 分钟，另一方只肯等 10 分钟。这时候条件变成 −a ≤ x − y ≤ b（x < y 时 x 先到、等 a 分钟；x > y 时 y 先到、等 b 分钟）。错过区还是两个三角形，直角边分别是 T − a 和 T − b，于是：

P = 1 − [(T − a)² + (T − b)²] / (2T²)

拿 a = 20、b = 10、T = 60 试一下：1 − (1600 + 2500)/7200 = 1 − 0.5694 ≈ 0.4306。作为对照，两人都等 15 分钟是 0.4375，两人各让一步反而不如一起等 15 分钟划算。这个结论挺有意思：在总等待预算固定的情况下，把等待时间平均分配效果最好，因为平方项对大的那一头惩罚更重。

再验一个退化情形：a = 15、b = 0，也就是只有先到的人等 15 分钟，后到的人一到就走。公式给出 1 − (2025 + 3600)/7200 = 0.21875，正好是 7/16 的一半左右。这个结果符合直觉——只有一半的场景（先到者确实是等的那一方）在起作用。

3.3 一张参数表，抄下来就能用

把常用组合算好放在这儿，遇到类似的题直接查：

注意最后两行和第四行：120/30 和 60/15 都是 0.25 的比值，答案一致；30/15 和 60/30 都是 0.5，也都落在 0.75。这张表本身就是“比值决定一切”的最好证据。

4. 代码验证：蒙特卡洛、离散化陷阱与收敛速度

4.1 模拟的骨架只有三步

思路朴素到不能再朴素：重复撒点、判断、统计。每次试验里，独立生成两个 [0, 60] 上的均匀随机数当作到达时刻，判断差的绝对值是否不超过 15，是就记一次“相遇”，最后用相遇次数除以总次数。大数定律保证这个比值会向真实概率收敛，样本越多贴得越近。

这套方法的价值不在于求这道题——解析解早就有了——而在于它是检验解析解的独立通道。人算面积的时候容易漏乘 2、容易把 45 写成 30，程序不会犯这类错。我在实际工作中养成了一个习惯：凡是能用模拟验证的推导，都用几十行代码验一遍，两边的数字对上了才敢往文档里写。

4.2 完整代码，直接跑

import numpy as np def sim_meet_prob(n, wait=15.0, window=60.0, seed=42): rng = np.random.default_rng(seed) a = rng.uniform(0.0, window, n) b = rng.uniform(0.0, window, n) hit = np.abs(a - b) <= wait p = hit.mean() se = np.sqrt(p * (1.0 - p) / n) # 标准误 return p, se for n in (1_000, 10_000, 100_000, 1_000_000, 10_000_000): p, se = sim_meet_prob(n) lo, hi = p - 1.96 * se, p + 1.96 * se print(f"n={n:>10,} p={p:.5f} se={se:.5f} 95%CI=[{lo:.5f}, {hi:.5f}]")

跑出来的典型结果大致是：n = 1000 时 p 落在 0.43 附近但抖动明显；n = 100000 时能稳定到 0.437 上下；n = 10000000 时基本能压到 0.4375 的第三位小数。理论值 0.4375 每次都应该落在 95% 置信区间里，如果连续几次都落在外面，那就说明代码有 bug，而不是运气问题。

注意：固定随机种子有好处也有坏处。好处是结果可复现，写文档、给别人演示都方便；坏处是容易掩盖“种子恰好偏了好运”的错觉。我的做法是至少换三个不同的种子各跑一遍，看结果是不是都在区间内。

4.3 想要几位小数精度，就得开多大的样本量

标准误的公式是 se = √(p(1−p)/n)。代入 p ≈ 0.4375，得到 p(1−p) ≈ 0.2461。想要 se ≤ 0.001（即小数点后三位大致可信），需要 n ≥ 0.2461 / 10⁻⁶ ≈ 24.6 万次。想要 se ≤ 0.0001，样本量得翻一百倍，到 2460 万次。

这个估算非常值得记住，它是判断“别人报的模拟结果靠不靠谱”的快速标尺。有人拿一万次模拟跑出 0.4361 就宣称验证了理论值，严格讲只能说“不相矛盾”，精度根本不够。反过来说，如果解析解是 0.4375 而模拟给了 0.44，你不用慌，多半只是样本量不够；如果模拟给了 0.5，那就一定是模型理解错了。

4.4 离散枚举出来的 0.4437 是什么鬼

有人喜欢用整分钟枚举：把时刻取成 0, 1, 2, …, 60 共 61 个整数点，均匀独立地挑两个，判断差值是否不超过 15。

from itertools import product hit = total = 0 for x, y in product(range(61), repeat=2): total += 1 if abs(x - y) <= 15: hit += 1 print(hit, total, hit / total) # 1651 3721 0.443697...

结果是 1651/3721 ≈ 0.4437，比 0.4375 高出了 0.6 个百分点。差值从哪来？离散化把“刚好差 15 分钟”这一整层格点都算进了相遇区，而在连续模型里，这条边界线的面积是零，完全没有权重。这就是离散化偏差的典型样貌——它不随机，是系统性的，样本量再大也消不掉，只会越来越稳地收敛到那个偏高的值。

顺带说一句，如果改用 0 到 59 共 60 个整点，答案会变成 0.45，偏差更大。所以“按分钟枚举”这件事，连格子怎么切都得说清楚，否则结果根本不可比。

5. 变体与反直觉结论

5.1 六个变体对照表

原题改一个条件，答案就可能面目全非。我整理了六种最常被问到的改法：

最后一行值得单独验证一下：甲固定在 12:00 到，乙均匀分布在 0 到 60 之间，两人相遇当且仅当乙在 0 到 15 分钟内到，概率 15/60 = 0.25。这个数字比原题的 0.4375 低不少，说明“一个人守时”并不能带来什么优势，反而压缩了随机性带来的容错空间。

5.2 等待时间翻倍，概率并没有翻倍

把 t 从 15 加到 30，概率从 0.4375 涨到 0.75，涨幅 71%；从 30 加到 45，从 0.75 涨到 0.9375，涨幅只有 25%。这就是 P = 2(t/T) − (t/T)² 里那个负的平方项在起作用：t 小的时候近似线性增长（斜率 2/T），t 一大就开始“减速”。

用这个凹函数的形状还能解释一个反直觉现象：等待时间从 0 加到 15 分钟，收益是 +0.4375；从 45 加到 60，收益只有 +0.0625。也就是说，前 15 分钟的等待最值钱。现实里约定的“等一刻钟就走”其实是个相当精明的选择，再往上加时间的边际收益掉得很快。

另一个反直觉点是窗口扩大的代价。同样是等 15 分钟，窗口从 1 小时拉到 2 小时，概率从 0.4375 掉到 0.2344，几乎腰斩。约一个“两小时之内”的模糊时间，比约一个“一小时内”的模糊时间要危险得多。这条结论放到任何需要双方随机到场的场景里都成立，比如临时碰头、上门取件、面试候场。

6. 高频坑与排查清单

6.1 六个最容易踩的坑

第一个坑，把 45 和 15 搞混。45 是错过区三角形的直角边（60 − 15），15 是等待时间。有人在面积公式里写 15²，得出 225/3600 = 0.0625 的错过率，方向就反了，答案会变成 0.9375。

第二个坑，算面积只算一个三角形。错过区是上下两块对称的，漏乘 2 会让答案变成 1 − 1012.5/3600 ≈ 0.719，错得离谱。

第三个坑，用线性估算。有人直接算 15/60 = 0.25 或者 30/60 = 0.5。这类估算连量级都不对，正确值 0.4375 几乎是 0.25 的两倍。

第四个坑，把离散和连续的边界处理混着用。连续模型下 ≤ 和 < 无所谓，离散枚举下就必须明确，会直接改变结果（0.4437 vs 更低的某个值）。

第五个坑，单位不统一。等待时间用“15 分钟”，窗口用“1 小时”，算面积时没换单位，结果变成 15²/1² 之类的东西。

第六个坑，误读等待规则。有人理解成“两个人都要等对方 15 分钟才算碰到”，这等价于要求 |x−y| ≤ 15 且双方都还没走，实际约束一样；但如果理解成“两人都得原地待满 15 分钟”，那就完全跑偏了。规则读清楚，比算得快更重要。

6.2 我自己的自查三步法

第一步，端点检验。把 t = 0 和 t = T 代进去，结果必须是 0 和 1。任何不满足这一条的公式，直接推倒重来。

第二步，模拟对照。跑一遍第 4 节的代码，看解析解是否落在 95% 置信区间内。这一步大概花两分钟，但能挡掉九成以上的计算错误。

第三步，量纲检查。最终答案必须是纯数字，不能带“分钟”这种单位。如果算出来是个带量纲的东西，说明面积比值那一步出问题了。

7. 迁移场景与动手练习

7.1 这套“面积法”在工程里的影子

同一套几何思路，在很多地方都能看到影子。比如两个服务进程在同一个时间窗内各自随机发起重试，如果重试间隔重叠，就会撞到一起；再比如客服系统的超时设置——用户和坐席各自随机在某个时间窗口内就绪，窗口重叠才有对话机会。这些场景的共同结构是：两个独立的均匀随机量，加一个容差阈值，问“两者之差在阈值内”的概率。

一旦识别出这个结构，问题就从“具体业务”抽象成了“正方形加一条带子”，直接套 P = 2k − k²（k 为容差与窗口之比）就能估算。我做过几次粗略的容量规划估算，用这个式子估出来的重叠率跟实测数据差得不多，作为快速判断已经够用。当然，真实系统里分布往往不是均匀的，比如用户请求会集中在整点前后，这时候得换分布重新算，方法是把正方形换成密度曲面，思路不变。

7.2 三个可以自己动手改的练习题

练习一：把窗口改成 45 分钟、等待改成 12 分钟，先手算，再用代码验证。这题的目的是练比值思维，答案应该和原题一致。

练习二：如果两人不是均匀到达，而是都在 12:30 附近正态分布（标准差 10 分钟），相遇概率会怎么变？提示：分布越集中，两人的到达时间越接近，概率会明显上升。这个用模拟比推导快得多。

练习三：三个人版。三个人各自独立均匀到达，先到的人等 15 分钟，其他人到场也算“碰上了”，问至少两人相遇的概率。这题的解析解要分好几种情况讨论，用模拟跑一下会轻松很多，也能顺便体会到解析方法的边界在哪。

最后分享一个我常用的讲法。给别人解释这道题时，我从来不上来就写公式，而是先画那个正方形，用手指沿着对角线比划一条带子，说“这就是能碰上的所有可能”，然后指着角落说“这两块是彻底错过的”。图一旦立住，45 这个数字就不需要背了——它是 60 减 15 减出来的，你甚至能当场推。公式会忘，图不会。