某个家庭有两个孩子。已知其中至少有一个是女孩。（假设男女各占一半，且两个孩子的性别独立。）
那么两个孩子都是女孩的概率是多少？
先做标准解法。两个孩子按出生顺序排，一共四种等可能的情况：
「至少有一个女孩」排除掉「男男」，剩下三种，其中「女女」占一种 → 1/3。
这个推理没有错。但它只对某一种问法成立，而日常语言几乎从不把那种问法说清楚。看下面四句话——它们听起来几乎一样：
| 你是怎么知道的 | 答案 |
|---|---|
| 统计局告诉你：这家「至少有一个女孩」 | 1 / 3 |
| 这家的老大是女孩 | 1 / 2 |
| 你在门口碰到这家一个孩子，是女孩 | 1 / 2 |
| 这家至少有一个周二出生的女孩 | 13 / 27 |
同一个家庭，同一个问题，四个不同的答案。差别不在这家有几个女儿，而在这条信息是通过什么机制到达你耳朵里的。
这一条最值得琢磨。表面上你也只知道了「至少有一个女孩」，凭什么答案不同？
因为「你能碰到女孩」这件事本身，在不同家庭里的概率不一样：
这正是 2.2 章的似然比在起作用。「统计局说至少有一个女孩」对三种家庭一视同仁（似然比都是 1）；「我随机碰到一个，是女孩」则对女女家庭更友好。同样的字面信息，不同的产生机制，携带的信息量完全不同。
「至少有一个周二出生的女孩」→ 13/27 ≈ 48.1%。多给一条看似完全无关的信息，答案居然从 33.3% 挪到了 48.1%，逼近 1/2。
为什么？还是数格子。把每个孩子标成「性别 × 星期几」，一共 14 种可能，两个孩子就是 14 × 14 = 196 格：
直觉上的解释是这样的：「周二」这个限定条件，把「两个都是女孩」的家庭救回来了一部分。在原来的题目里，「女女」只算一种情况；可一旦引入星期，女女家庭有两个孩子都可能是那个「周二出生的女孩」，于是它在幸存格子里占的比例被抬高了。限定条件越细（周二上午、某个具体时辰……），这个效应越强，答案越逼近 1/2。
这就是本章、也是整个 Part 3 的收束。3.1 章里，主持人知不知情决定了换门有没有用；这里，你是被统计局告知还是在门口碰见，决定了答案是 1/3 还是 1/2。概率不是事物的属性，它是「你的信息状态」的属性。而信息状态包括一件几乎总被忽略的事：这条信息是怎么来到你面前的。
下面这张网格是完整的样本空间：每一格是一种可能的家庭（老大的性别与出生星期 × 老二的性别与出生星期），共 196 格。切换问法，看哪些格子活下来。
红格 = 两个都是女孩，琥珀格 = 活下来但不是两个女孩，暗格 = 被这条信息排除。半透明的格子出现在「碰到一个女孩」模式下——那种家庭只算半个，因为你只有一半机会碰上女孩。
按顺序点一遍四个模式，注意格子的形状怎么变：
「统计告知」——排除的是右下角那整块 7×7 的「两个都是男孩」，剩下一个 L 形，147 格。「老大是女孩」——只留上半张图（98 格），左右对称，一眼就能看出是一半。「门口碰到」——格子和「统计告知」一样多，但右上和左下那两块变成了半透明，加权之后正好也是一半。
「周二女孩」最有意思：活下来的格子塌缩成一个细细的十字架（27 格），其中红色的 13 格集中在交叉处。那个十字的形状就是答案从 1/3 挪向 1/2 的全部原因——横竖两条线在中间重叠了一次，而重叠的部分正是女女家庭。
1959 年，Martin Gardner 在《Scientific American》的「Mathematical Games」专栏里出了一对题：
Gardner 给出的答案是 1/2 和 1/3。这组题立刻成了经典——它漂亮地展示了「指定一个孩子」和「只说存在一个」之间的差别。
但故事没有到此结束。读者来信随即指出：第二题的表述是有歧义的。「其中至少有一个是男孩」这个信息，是怎么产生的？
· 如果是从「所有至少有一个男孩的家庭」里随机抽出了琼斯家 → 答案是 1/3。
· 如果是随机抽了一个两孩家庭，然后随机挑了一个孩子报给你 → 答案是 1/2。
· 如果琼斯先生只是碰巧提到了他有个儿子，而他也可能提到女儿 → 答案取决于他怎么决定说哪一个。
Gardner 后来公开承认这道题的表述确实不够严密，并指出问题的答案依赖于获得信息的具体程序——而原题并没有把那个程序说清楚。这是一件相当漂亮的事：一个把毕生精力投入数学普及的人，用自己最著名的题目之一演示了「题干含糊比算错更危险」。
2010 年，Gary Foshee 在纪念 Gardner 的「Gathering 4 Gardner」大会上抛出了「周二」变体：「我有两个孩子，其中一个是周二出生的男孩，两个都是男孩的概率是多少？」他给出 13/27，随即在数学圈里引发了新一轮争论——争论的焦点又一次不是算术，而是这句话到底该怎么建模。（如果「周二」是他在两个孩子中挑了一个报出来的，答案会不同。）
本章的实用价值就在这里。你不会在生活里遇到「两个孩子」这道题，但你每天都在处理别人转述给你的信息。「有个客户投诉了这个功能」——是所有客户里只有一个投诉，还是客服随机抽了一条给你看，还是他专门挑了最激烈的那条？三种情况下，这条信息的含义完全不同，而说话的人通常不会告诉你是哪一种。养成追问一句「这条信息是怎么到你手上的」的习惯，比记住 1/3 有用得多。
套用同一个数格子的办法。每个孩子有 2 × 168 = 336 种可能，两个孩子共 336² 格。
没有任何「该时段出生的女孩」的格子：335² 。所以活下来的 = 336² − 335² = 336 + 335 = 671 格。
其中两个都是女孩的 = 168² − 167² = 168 + 167 = 335 格。
→ 335 / 671 ≈ 49.93%，几乎正好是 1/2。
趋势很清楚：限定条件越具体，答案越逼近 1/2。极限情况下，一个足够精确的描述（精确到出生的秒）实际上就唯一指定了一个孩子——而一旦指定了某个孩子，另一个孩子的性别就是独立的一半一半。
这也反过来解释了 1/3 是怎么来的：「至少有一个女孩」之所以给出 1/3，恰恰因为它没有指定是哪一个。「周二」是介于两者之间的半步——它部分地、但不完全地指定了一个孩子。
那个家庭有几个女儿，确实是客观事实，而且早就确定了，不会因为你怎么问而改变。这一点没有争议。
变的是你的概率。概率在这里衡量的不是「世界有多不确定」，而是「你有多不确定」——它描述的是你的信息状态和客观事实之间的距离。不同的信息渠道给了你不同的信息，所以你的概率不同。两个人对同一个既成事实给出不同的概率，可以都是对的，只要他们各自的信息不同。
这正是 1.1 章说的贝叶斯派立场。一个更极端的例子：一枚硬币已经抛下并盖住了。它是正面还是反面，早就是客观事实。但对没看的你来说是 50%，对偷看过的人来说是 0% 或 100%。硬币没有变，变的是谁在说话。
实用推论：当有人报给你一个概率时，那个数字里包含着「他知道什么」的信息。「医生说手术成功率 90%」——这是所有病人的统计，还是像你这样条件的病人的统计，还是他看过你的片子之后的判断？三个 90% 的含义完全不同。
核心追问只有一句：「这个报告是怎么到你这里的？」它有几种截然不同的可能，对应截然不同的影响面估计：
（a）主动全量排查后发现只有一个用户受影响——那是真的「只有一个」，影响面小。这对应「统计局告知」。
（b）客服收到一条工单，转给了你——这是个随机（甚至有偏）的样本。经验上，愿意提交工单的用户只是受影响用户中很小的一部分（各家产品的比例差异很大，但通常是个位数百分比量级）。看到 1 条，实际可能是几十上百人。
（c）某个大客户的对接人直接找到了你——这条信息的产生机制带着强烈的选择性：它更多反映「谁有渠道找到你」，而不是「有多少人受影响」。影响面可能很大也可能很小，这条证据本身几乎不含信息量。
（d）你自己在日志里搜出来的——那取决于你搜了什么。如果搜的是特定报错码，你只会找到会报这个错的那部分。
这就是本章在工程上的日常用法：「有一个用户报告」这句话，在 (a) 和 (b) 之间，影响面估计能差两个数量级。而这个差别完全不在句子本身里，只在信息的产生机制里。这也是 4.4 章幸存者偏差要处理的问题。
争议的根源：这道题在数学上没有争议，在语言上无法确定。一旦你把信息的产生机制说清楚，答案是唯一的、无可辩驳的。问题在于自然语言不携带这个机制——「其中至少有一个是女孩」这句话，在中文和英文里都无法区分「统计筛选」和「随机报出」。
所以争论双方常常是在回答两道不同的题，还各自以为对方算错了。这也是为什么它平息不了：语言的歧义无法用更多的算术来消除。
对出题的启示：凡是涉及条件概率的题，必须把「信息是如何获得的」写进题干，而不是只写「已知……」。3.1 章的现代标准表述就是这么做的——它会明确写出「主持人知道门后是什么，且必定打开一扇有羊的门」。题干里省掉的每一个程序细节，都会变成答案里的一个分歧。
对读题的启示，也是更重要的一条：当你看到「已知 A」时，问一句「已知是怎么已知的」。现实世界里没有出题人，所有信息都带着它的来路——这条数据是全量统计还是抽样？这个案例是随机挑的还是特意选的？这个人告诉你这件事，是因为你问了，还是因为他想让你知道？
Part 3 的四章其实在讲同一件事：3.1 是主持人的规则，3.2 是你数了多少次机会，3.3 是数据被怎样分了组，3.4 是信息被怎样报给了你。四种「生成过程」，四种翻车方式。接下来的 Part 4 会转向一个更根本的问题：当根本不存在生成过程、一切纯属随机时，人类会怎样凭空看出规律来。