春季新版苏科版九年级数学下学期41统计学中的悖论精粹校本教材.docx
《春季新版苏科版九年级数学下学期41统计学中的悖论精粹校本教材.docx》由会员分享，可在线阅读，更多相关《春季新版苏科版九年级数学下学期41统计学中的悖论精粹校本教材.docx（17页珍藏版）》请在冰豆网上搜索。
春季新版苏科版九年级数学下学期41统计学中的悖论精粹校本教材
统计学中的悖论精粹
（一）
M：
吉斯莫先生有一个小工厂，生产超级小玩意儿．
M：
管理人员由吉斯莫先生、他的弟弟、六个亲戚组成．工作人员由5个领工和10个工人组成．工厂经营得很顺利，现在需要一个新工人．
M：
现在吉斯莫先生正在接见萨姆，谈工作问题．
吉斯莫：
我们这里报酬不错．平均薪金是每周300元．你在学徒期间每周得75元，不过很快就可以加工资．
M：
萨姆工作了几天之后，要求见厂长．
萨姆：
你欺骗我！
我已经找其他工人核对过了，没有一个人的工资超过每周100元．平均工资怎么可能是一周300元呢？
吉斯莫：
啊，萨姆，不要激动．平均工资是300元．我要向你证明这一点．
吉斯莫：
这是我每周付出的酬金．我得2400元，我弟弟得1000元，我的六个亲戚每人得250元，五个领工每人得200元，10个工人每人100元．总共是每周6900元，付给23个人，对吧？
萨姆：
对，对，对！
你是对的，平均工资是每周300元．可你还是蒙骗了我．
吉斯莫；我不同意！
你实在是不明白．我已经把工资列了个表，并告诉了你，工资的中位数是200元，可这不是平均工资，而是中等工资．
萨姆：
每周100元又是怎么回事呢？
吉斯莫：
那称为众数，是大多数人挣的工资．
吉斯莫：
老弟，你的问题是出在你不懂平均数、中位数和众数之间的区别．
萨姆：
好，现在我可懂了．我……我辞职！
统计学的解说可能是极富悖论性的，常常被完全误解．关于吉斯莫工厂的故事揭示出，误解产生的一个共同根源是不了解平均数、中位数（中值）和众数之间的差别．
“平均”这个词往往是“算术平均值”的简称．这是一个很有用的统计学的度量指标．然而，如果有少数几个很大的数，如吉斯莫的工厂中少数高薪者，“平均”工资就会给人错误的印象．
读者还可考虑一些类似的引起误解的例子．譬如，报纸上报道有个人在一条河中淹死了，这条河的平均深度仅只2尺．这不使人吃惊吗？
不！
你要知道，这个人是在一个10多尺深的陷坑处沉下去的．
一个公司可能报告说它的策略是由股东们民主制订的，因为它的50个股东共有600张选票，平均每人12票．可是，如果其中45个股东每人只有4票，而另外5人每人有84张选票，平均数确实是每人12票，可是只有那5个人才完全控制了这个公司．
还有一个例子：
为了吸引零售商到一个城里来，商会吹嘘道：
这个城市每个国民的平均收入非常高．大多数人看到这个就以为这个城的大多数市民都属于高收入阶层．可是，如果有一个亿万富翁恰好住在该城，其他人就可能都是低收入的，而平均个人收入却仍然很高．
统计学的报告有时甚至更加使人糊涂，这因为有时“平均”这个词不是指算术平均值，而是指中值或众数．中值（中位数）是按大小顺序排列的数值表中中心位置对应的数值．如果表中数值有奇数项，则中值就简单地是中间项的值．如果有偶数项，中值往往取中间两项的算术平均值．
中值对萨姆来说比算术平均值重要，但就是中值也使人对这个工厂的工资情况得出歪曲了的印象．萨姆反正要知道的是“众数”——表中段常出现的数．在这里，众数是发给工厂中数目最多的人的工资数．有时候这叫做典型情况，因为它比其他任何情况出现次数都多．在上面最后一个例子中，那个城里一个典型家庭代表收入为众数的家庭，它也许很穷，但由于有少数亿万富翁，这个城的平均收入也还非常高．
（二）
M：
近来很多人相信巧合是由星星或别的神秘力量引起的．
M：
譬如说，有两个互不相识的的人坐同一架飞机．二人对话：
甲：
这么说，你是从波士顿来的啰！
我的老朋友露茜·琼斯是那儿的律师．
乙：
这个世界是多么小啊！
她是我妻子最好的朋友！
M：
这是不大可能的巧合吗？
统计学家已经证明并非如此．
很多人在碰到一位陌生人，尤其是在远离家乡的地方碰到一个生人，而发现他与自己有一个共同的朋友时，他们都会成到非常惊讶．在麻省理工学院，由伊西尔领导的一组社会科学家对这个“小世界悖论”作了研究．他们发现，如果在美国随便任选两个人，平均每个人认识大约1000个人．这时，这两个人彼此认识的概率大约是
，而他们有一个共同的朋友的概率却急剧升高到
．而他们可由一连串熟人居间联系（如上面例举的二人）的概率实际上高于百分之九十九．换言之，如果布朗和史密斯是在美国任意选出的两个人，上面的结论就表示：
一个认识布朗的人，几乎肯定认识一个史密斯熟识的人．
最近心理学家斯坦利·米尔格拉姆用一种方法逼近小世界的问题，学生们很容易试一试它．他任意地选择了一组“发信人”，给每一个人一份文件，让他发给一个“收信者”，这个收信者是他不认识的
，而且住在这个国家另外一个很远的地方．做法是他把信寄给他的一个朋友（是一个他没有深交的朋友），也许他很可能认识那个收信者，这个朋友再接着发信给另一朋友，如此下去，直到将文件寄到认识收信者的某人为止，米尔格拉姆发现，在文件达到收信者手中之前，中间联系人的数目从2到10不等，其中位数是5．当你问别人这到底需要多少中间联系人时，他们多数猜想大约要100人．
米尔格拉姆的研究说明了人与人之间由一个彼此为朋友的网络联结得多么紧密．由于这一结果的启示，两个陌生人在离家很远的地方相遇而有着共同的熟人就不足为怪了．这种关系网络还可解释很多其他不寻常的统计学现象，例如流言蜚语和耸人听闻的消息不胫而走，新的低级趣味的笑话很快四处蔓延，同样地，一条可靠的情报也在料想不到的短时间里就为很多人知道了．
（三）
M：
这四个人第一次见面．如果他们四个至少有两个人属于黄道十二宫中的同一宫，这岂不是非常巧的偶合吗？
你也许以为，这是非常凑巧的事，而实际上这种巧合在十次中就会大约发生四次．
假定每个人都以相同的概率出生在十二宫之一，那么四个人中至少有两个人属于同一宫的概率是多少？
让我们用一副牌来模拟这种情况．先抽掉四张K.这副牌现在就是四种花色，每种12张．我们用一种花色代表一个人，每个点数代表一个宫．如果我们从每一种花色中任抽一张牌，四张牌里至少两张点数一样的概率是多少？
很明显，这就和四个陌生人中至少两人有同样的黄道宫的概率一样．
解决这个问题最简单的方法是先算出没有两张牌的点数相同的概率，再把它从1中减去，就得到我们所要的概率．
如果我们考虑两个花色，譬如说黑桃和红心，由于一张红心和十二张黑桃中的一张配对，只有一对是同点数的，故点数不同的概率是
．而一张梅花与黑桃、红心这两张牌的点数都不同的概率就是
，一张方块又不同于这其余三张牌的概率是
．这三个因子的乘积就是四张牌的点数彼此都不相同的概率，结果是
．用1减去这个数得到
，大约是
，它也既是四个人中至少有两个是属于同一宫的概率．这差不多是
，因此这种巧合毫不足怪．
这肯定是著名的生日悖论的翻版．如果有23个人无意中碰到一起，至少有两个人的生日是同一天的概率稍小于
．其计算过程类似于上面的黄道宫的算法，不过这里相乘的有22个因子：
乘积是0.5073+，或者说稍大于
（所求概率则稍小于
）．用小型计算器计算这个数是一个再好不过的练习了．如果人数多于23个，则生日相同的概率会迅速升高．如果你们班的同学有40人，那么至少有两人生日一样的概率是
.如果有100个学生，则至少有两人生日相同的概率比之谁的生日不一样的概率是3000000比1．
（四）
M：
π的数字排列是无规则的，可是让我们看看从第710154个数
以下的数字是怎样排列的：
一连串排有7个3．
π的数字从它是随机产生的这一点来讲，它不是没有规律的，可是从它的数字排列规律是“无章可循”这一点来讲，又是没有规律的．数学家对π的小数位不断增加作了很多试验，看是有什么“规律性”，可是毫无结果．π的小数位数字就像一个旋转圆盘可以旋到0至9任何一个数字那样毫无规律．
实际上，像这样一串7个3的数字在π中出现机会是很多的．但由于从某—位开始，出现一串7个3的概率是10-7，因此当π中从第7101
61位以后出现7个3时，乍一看是很觉惊奇的．可是，如果我们的注意力放在由7个数字组成的不寻常排列的话，就会发现这种特定排列的概率变得相当高．比如说，我们可以见到象4444444或8888888，或1212121，或1234567，或7654321，或其他引人吃惊的这类数字排列．由于我们预先并不知道下一次会出现什么样的7个数字组，所以猜一猜下一组数是什么是很有趣的．就像亚里斯多德曾经说过的，最不可能的事也是极可能的事．
（五）
M：
就是在洗牌时也会出现巧合．比如，几乎总是有6—7张牌是同一颜色的．
M：
恒星成群聚集称为星座，豌豆撒在桌面汇成小群．有一个古老的俗话说：
“祸不单行”．
随机事件以各种不同形式“成群”出现是熟识的现象，已经有很多关于统计学上称为“成群理论”的书．π中连续7个3就是随机成群的例子．如果你不断抛掷一枚硬币，或者老是旋转轮盘赌的圆盘，记下结果，你就会发现有时竟会一连串出现很长的同样结果．
密执安大学的一位工程师穆尔发现，有一个证明事件成群的惊人实验，你不妨试一试．穆尔因该实验使用了大量糖果，就称之为“糖果花纹”．这种糖果是一种制成球形的上了色冰糖、或球形彩色水果糖．取相当数量的红色球糖，相当数量的绿色球糖，将两种同样数量的糖放入玻璃瓶中．不断摇这个瓶子，直至两种色糖完全混合均匀为止．
注视瓶子的一边．你大概估计会看到两种色糖已均匀打散了，可是你看到的图案都是不规则的，大片红糖图案中点缀着许多小群的绿糖，且二者总面积相等．图案是如此出人意料，甚至数学家在乍看到时也会相信，大概有某种静电效应使得一种颜色的球糖粘住另一颜色球糖．实际上起作用的是偶然性．花纹是随机成群的正常结果．
如果你们不愿相信这一点，你
们可以用一张制图纸产生出同样的花纹．画一个20×20的方格图．用红绿二色来填每一小格，方法是用抛掷硬币来选颜色．在400个小格都用颜色填满时，你将会看到类似上述糖果瓶边所出现的那类图案．
成群过程中往往有一些非数字的因素．如果小汽车在高速公路上随机地分布着，我们从直升飞机上往下看，就会觉得这些汽车是成群结队的，但是实际上成群的原因远不能用偶然性来解释，因为司机一般不愿意老按同样的速度开车，当前面有很长距离没有汽车时，他们加大马力快开起来．地图上城镇的位置，下雨天接连不断，草地上三叶草、海蓬子等成块，除此以外还有很多其他成群事例都超过用偶然性可说明的程度．你可以试一试找出其他成群例证来说明有些是纯属偶然的原因，有些则是非偶然的因素造成的集群．
（六）
M：
假定有三个人——阿贝尔、伯恩斯和克拉克竞选总统．
M：
民意测验表明，选举人中有
愿意选A不愿选B，有
愿选B不愿选C．是否愿选A不愿选C的最多？
M：
不一定！
如果选举人像图中那样排候选人，就会引起一个惊人的悖论．我们让候选人来说明这一点．
甲（男）：
我是阿贝尔．选举人中有
喜欢我，不喜欢伯恩斯．
乙（女）：
我是伯恩斯小姐
．
的选举人喜欢我，超过克拉克．
丙（男）：
我是克拉克．
的选举人欢迎我超过阿贝尔！
这个悖论可追溯到18世纪，它
是一个非传递关系的典型，这种关系是在人们作两两对比选择时可能产生的．学生们也许已经很熟悉传递关系的概念．它适用于诸如“高于”“大于”“小于”“等于”“先于”“重于”等关系．一般讲，如果有一个关系R使得xRy（即x对y是R关系）、yRz成立时，则xRz成立，这时R就是可传递关系．
选举悖论使人迷惑，是因为我们以为“好恶”关系总是可传递的，如果某人认为A比B好，B比C好，我们自然就以为他觉得A比C好．这条悖论说明事实并不总是如此．多数选举人选A优于B，多数选举人选B优于C，还是多数选举人选C优于A.这种情况是不可传递的！
这条悖论有时称为阿洛悖论，肯尼思·阿洛曾根据这条悖论和其他逻辑理由证明了，一个十全十美的民主选举系统在原则上是不可能实现的，他因此而分享了1972年诺贝尔经济学奖金．
假定有三个对象，而且具有三种可以比较的指数，当我们将它们两两比较按各指标排列，再从中选择一个时，就可能出现上述矛盾．假定A、B、C是向一位姑娘求婚的三个人．上面图中那种排列情况可解释为这个姑娘就三个方面比较这三个人优劣的次序，例如第—列是智慧，第二列是
容貌，第三列是收入．如果两两相此，这个可怜的姑娘就发现，她觉得A比B好，B比C好，C又比A好！
数学家保罗·哈尔莫斯提出用A、B、C代表苹果酱馅饼（一种类似馅饼的果饼
）、浆果酱馅饼和樱桃酱馅饼．一个饭店每次只供给两种．上面图中A、B、C的三种排列表示一个顾客从饼的味道、新鲜程度和大小对三种饼的排列次序．对这位顾客而言，认为苹果比浆果好、浆果比樱桃好、樱桃比苹果好，这就是最完美的理解．
这个悖论还可以在产品检验中出现，一个统计学家也许发现，有
的美国家庭妇女喜好润肤霜A超过B，
的喜好B超过C.化学公司得知这一结果后也许就将润肤霜C作为最不受欢迎的一种而降低产量，岂不知第三个统计可能会表明还有
的人喜欢C超过A呢．
（七）
M：
有一个关于黑乌鸦的著名悖论，它说明罗尼哈特小姐遇到的问题并不是罕见的．
甚至有些专家也还在力求
搞清它．
M：
如果看到有3—4只乌鸦是黑色的，那么说“所有乌鸦都是黑色的”，这条科学定律的证据是不充分的．如果看到上百万只乌鸦都是黑的，这条定律的证据就比较充分．
甲：
嘎！
嘎！
我不是一只黑乌鸦．只要他们发现了我，他们就会知道他们的定律是错的．
M：
一条黄色的
毛毛虫起什么作用？
它可不可以当作这条定律的一个例证呢？
M：
要回答这个问题，让我们首先把这条定律改成在逻辑上仍然等价的另一个形式吧：
“凡是不黑的东西都不是乌鸦.”
乙：
嘿！
我已经找到一个不黑的东西了，它肯定不是只乌鸦，所以它证实了这条定律：
“凡是不黑的东西都不是乌鸦.”所以它必然也证实了等价的定律：
“凡是乌鸦都是黑的”．
M：
很容易找到成千上万不黑的又不是乌鸦的东西．它们是否也证实了定律：
“凡是乌鸦都是黑的”？
M：
卡尔·亨普尔教授设计了这条著名的悖论，他确信一条酱紫色的奶牛实际上使“所有乌鸦都是黑色的”概率稍为增大了一点．其他哲学家不同意这一点．你的看法如何？
这是近来发现的在证实理论方面的很多悖论中最惹人头痛的一个．尼尔森·古德曼（见下—条悖论的介绍）说道：
“坐在屋里不用出去受风吹雨淋就可以研究飞禽学这一前景是这样吸引人，使得我们知道其中必然有值得探讨的地方．”
问题是要把关键找出来．卡尔·亨普尔相信，一个不是乌鸦的客体不是黑的这件事实际上是证实了“所有乌鸦都是黑的”这个论断，不过只是在极微小的程度上得到证实．试想我们来做一个客体数量很小的假设检验，比如有10张扑克牌向下扑放在桌子上．我们假设所有黑牌都是黑桃．我们开始一张一张翻牌．显然，每当我们翻开一张黑桃时，我们就得到一个证实假设的例证．
现在，我们把这个假设用不同形式改述为：
“所有不是黑桃的牌都是红的．”两次我们翻出的牌不是黑桃时，它是红的，这肯定也像前面一样证实了我们的假设．确实，如果第一张牌是黑桃，其余9张都是红色的非黑桃牌，我们就知道我们的假设成立．
亨普尔说，当我们把上述过程用到乌鸦上，从不是乌鸦的客体不是黑的来证实我们的假设时，使人觉得别扭，其原因就在于地球上不是乌鸦的客体比起乌鸦来实在太多了，因而我们用上述说法来证实假设是不足取的．再则，如果我们环顾室内来找寻乌鸦，我们本已知道室
内根本没有乌鸦，那么在这里找不到任何不黑的乌鸦是毫不足怪的．
要是我们还没有上述这种补充知识，那么当我们发现了一个不黑的不是乌鸦的东西时，从理论意义上讲，它就算作证明“所有乌鸦都是黑的”的一个例证了．
亨普尔的反对者常要指出，按他这个理由，发现一条黄色的毛毛虫或一条酱紫色的奶牛肯定也是“所有乌鸦都是白的”这条“
规律”的例证．那末，一个同样的事实怎么会同时证实“所有乌鸦那是黑的”和“所有乌鸦都是白的”的例证呢？
关于亨普尔悖论的文章多不胜数；这个悖论在关于知识的证实方面的辩论中起着中心作用，而这正是后面的参考资料：
韦斯利·萨尔蒙的论文所讨论的课题．
（八）
M：
关于证实理论的另一条著名的悖论所依据的事实是，很多客体在某一个时候会改变颜色．绿色的苹果成熟变红，头发在年老时变白，银子变得黯然无光．
M：
尼尔森·古德曼把一个满足两个条件的客体称为“蓝绿”．第一，它直到本世纪末都是绿色的；第二，在那以后就是蓝色的了．
M：
现在试想两种说法：
“所有的绿宝石都是绿的”和“所有绿宝石都是蓝绿的．”哪一种说法最有依据？
M：
奇怪的是，两种说法都被证实了，上面的两个条件都是上面说法中的任何一种的例证，谁也不会看到有相反的例证！
要想解释清楚只一种说法可以接受，另一种说法不能接受是很困难的．
M：
亨普尔悖论和古德曼悖论向我们表明，我们对于将统计学纳入科学方法的准确途径了解得是多么少．我们确实知道，如果没有统计学这一不可估价的手段，科学将不能持续不断地探索那些支配我们这个神秘宇宙的规律．
尼尔森·古德曼的著名的“蓝绿”悖论也是很多哲学杂志文章讨论的课题．它就像亨普尔悖论一样，表明要以统计资料为依据来判定一个科学理论是多么“好”这是一件多么困难的事情．古德曼悖论证明，只有我们弄清楚了两个理论各有多少已观察到的证据之后，我们才可以比较二者的优劣．
在古德曼悖论中，“所有绿宝石都是绿的”和“所有绿宝石都是蓝绿的”得到同等数量例证的支持．我们比较喜欢头一种说法，因为在某种意义上讲，它比第二种要“简单些”．可是，我们现在就得解释“简单些”是什么意思．迄今为止，当哲学家或科学家面临两个理论均有同等数量的例证时，还没有谁能在寻找一种好办法来测度某种简单性方面取得进展，以便使我们定出一条定律，从这两个理论中选取—个．
这种关于证实理论的悖论看上去微不足道．但是正如逻辑悖论在发展现代演绎逻辑中起了重要作用一样，证实性悖论在力图为科学总结出“归纳”逻辑中也起了重要作用．在将来，这样一种逻辑兴许会成为科学家对支配我们宇宙的规律作永无止境的探索中的—个有价值的工具．
升级会员 