🔢 数理与计算科学 · 数学科普

七次找到你：0~100 猜数游戏与离散分布

一个「大了 / 小了」的小游戏，藏着一整棵数学大树
Find You in Seven Tries — The Number-Guessing Game and Discrete Distributions

1 · 先来玩一局

规则很简单：我心里想一个 0~100 的整数，你每次猜一个数，我只回答三个字——小了、大了，或者 猜中。

EN: The rules are simple: I pick an integer from 0 to 100, and you guess one number at a time. I can only answer with three words — “too low”, “too high”, or “correct!”

下面换过来：你在心里想一个 0~100 的数，让机器来猜。点击下面的数字条选一个数（或按「随机想一个」），然后看机器怎么一步步缩小范围找到它——注意看绿色的区间是怎么收缩的。👇

EN: Now let's switch roles: YOU think of a number from 0 to 100, and let the machine guess it. Tap a spot on the number bar (or press “Pick a random one”), then watch the machine close in step by step — keep an eye on how the green interval shrinks! 👇

🎮 小游戏：机器猜你心里想的数 · Mini-Game: The Machine Reads Your Mind

① 在数字条上点一个数（或点「随机想一个」）→ ② 点「开始猜！」→ ③ 看区间一步步收缩
EN: ① tap the number bar (or “Pick a random number”) → ② press “Start” → ③ watch the range shrink step by step
🎯 你心里想的数：50 Your number: 50
0255075100

EN: Think of a number from 0 to 100 and watch the machine narrow it down by always cutting the remaining range in half.

2 · 为什么「砍半」这么厉害？

🧠 先停下来想一想：0~100 猜数，只有「砍半」这一种办法吗？还有其他更好的方法吗？
Are there OTHER ways to play — or even better ones? Think first before you read on!
👉 如果是你，会怎么猜？脑海里先冒出几个方案，再往下看，看看你有没有把它们都想到～

先把规则钉死：每次只能猜一个数，对方只回答「大了 / 小了 / 猜中」。只要遵守这两条，什么方法都合法——所以这个游戏确实藏着好几种算法。下面把大家最容易想到的四种摆在一起，逐个评一评 👇

1️⃣ 顺序查找 Linear Search ✅ 规则允许

从 0 开始：1、2、3、4……一个挨一个往上猜，像查字典从第一页翻起。

❓ 想一想：对方想的是 100，你从头猜起要猜几次？——100 次！因为每猜一次，只排除掉 1 个数。
最坏 100 次 · 平均 ≈50 次🐌 慢
EN: Guess 0,1,2,3… in order. Worst case: 100 guesses (each guess removes just 1 number).
2️⃣ 倒着找 / 跳着找 Reverse or Step-by-Step ✅ 规则允许

从 100 往下试；或者隔 10 个一跳：0、10、20、30……

❓ 想一想：目标 73，用「0、10、20…」怎么找？——先跳到 70（小了）→ 80（大了）→ 知道躲在 71~79 → 还得挨个再试最多 9 次 → 一共约 19 次。比顺序快，但还是慢。
最坏 ≈19 次🐢 还是慢
EN: Guess 0,10,20… then search the gap. ~19 guesses for 73 — better, but not great.
3️⃣ 随机乱猜 Random Guess ✅ 合法但…

想到哪个数就报哪个，完全看心情。

❓ 想一想：它合法吗？合法。但它聪明吗？——它可能重复猜同一个数，运气差时几百次也猜不中，而且没有任何「越猜越接近」的趋势。
最坏：说不准，全靠运气🎲 赌运气
EN: Legal but reckless — it can repeat guesses and never gets closer. Pure luck.
4️⃣ 二分查找 Binary Search ⚡ 刚才机器用的

每次都猜当前范围的正中间：先猜 50，再根据回答把范围对半切开，继续猜新的中间。

💡 想一想它凭什么快？——不管回答是「大了」还是「小了」，剩下的数字都只剩一半：猜 50 → 小了 → 还剩 51~100 共 50 个；大了 → 还剩 0~49 共 50 个。一次排除约 50 个数！
最坏 7 次🚀 最快
EN: Always guess the middle. Every answer halves the range: 101 → 50 → 25 → 12 → 6 → 3 → 1.

把四种方法放在一起看

方法能用在这个游戏？最坏猜几次每猜一次排除几个数
1️⃣ 顺序查找✅ 能100 次1 个
2️⃣ 倒着 / 跳着找✅ 能≈19 次1 个（跳着 10 个）
3️⃣ 随机乱猜⚠️ 能但不推荐说不准靠运气
4️⃣ 二分查找✅ 能，且最优7 次 ←一半 ≈50 个
🔑 发现秘密了吗？猜得快的秘诀不在「猜得准」，而在「排除得多」：慢方法一次排除 1 个数，二分一次排除一半。101 个数被砍 7 次半就只剩 1 个——7 次的来历就在这里。

EN: Compare the four strategies. The winner isn't about guessing “luckily” — it removes the most numbers per guess: half the range each time.

❓ 交给你想想

  1. 上面四种方法，哪种最慢？哪种最聪明？你能给它们排个名次吗？
  2. 如果让你当设计师，能发明一种比「砍半」还快的方法吗？（提示：规则只允许一次猜一个数、回答只有三个字哦）
  3. 「7 次」到底是一个好方法碰巧的结果，还是这个游戏的极限？下一节见分晓 👇

EN: Your turn: rank the four strategies — and try to invent a faster one. Spoiler: next section proves 7 is the game's hard limit, not a lucky coincidence.

3 · 为什么最多 7 次？（两个版本的证明）

结论先亮出来：0~100 一共 101 个数，任何策略最坏都要 7 次，而二分查找正好 7 次搞定——它是最优的。

为什么是 7？因为 2⁶ = 64 < 101 ≤ 128 = 2⁷。下面的证明分两个难度，选一个你喜欢的读法。

🧒 小学生版 · 翻倍的魔法

把问题反过来想

每猜一次，你只能得到两种回答。那么反过来问：猜 k 次，最多能区分多少个数？

猜 1 次最多区分 2 个数（比如 0 和 1，先猜 0）
猜 2 次最多区分 4 个数
猜 3 次最多区分 8 个数
猜 k 次最多区分 2 × 2 × … × 2 = 2ᵏ 个数

每一次回答，都让「你能搞定的数字」翻一倍：

1 → 2 → 4 → 8 → 16 → 32 → 64 → 128 EN: 1, 2, 4, 8, 16, 32, 64, 128 — doubling seven times finally passes 101.

101 个数，翻倍到第 7 次（128）才第一次超过 101。
所以：最坏 7 次，一次不多，一次不少。🧙

EN (for kids): Each “higher/lower” answer doubles how many numbers you can handle. Doubling 1→2→4→…→128 takes 7 steps, and 128 ≥ 101. So 7 guesses always suffice.

🎓 进阶版 · 信息论（Information Theory）

每次回答 = 1 个「比特」

「大了 / 小了」是一个二选一的回答。二选一的信息量，恰好是 1 bit（比特）——计算机里 1 bit 只能表示 0 或 1 两种状态。

猜 k 次 = 最多收集 k 个 bit = 最多区分 2ᵏ 种情况。

目标可能有 101 种，所以需要的比特数 k 必须满足：

2ᵏ ≥ 101  ⇔  k ≥ ⌈log₂ 101⌉ = ⌈6.66…⌉ = 7 EN: since 2⁶ = 64 < 101 ≤ 128 = 2⁷, six bits are not enough — you need seven.

⌈⌉ 是向上取整。因为 2⁶ = 64 装不下 101 种情况，6 个 bit 是不够的——这给出了任何策略都绕不开的下界（lower bound）：

任何猜数策略，最坏情况都 ≥ 7 次 EN: No strategy in the world can guarantee success in fewer than 7 guesses.

而二分查找每次回答都恰好提供满 1 bit（范围严格对半），所以它达到下界 = 最优算法。

一般化：N 个数猜一个，最坏需要 ⌈log₂ N⌉ 次。

EN: Each answer carries at most 1 bit. Distinguishing 101 possibilities needs ⌈log₂101⌉ = 7 bits, so no strategy can beat 7 worst-case guesses — and binary search achieves it.

🧒 给小朋友的尺子演示 · Ruler Demo

拿一把 0~100 的尺子，看「最倒霉的情况」——假设对方想的是 100，机器会这样一刀一刀切：

下面 7 行 = 切了 7 刀之后的尺子。🎨 斜纹灰块 = 已经被排除的数；彩色条 = 还剩下的数；黑色气泡 = 分切点（这次猜的数，紧贴在彩条最前面）。注意：每一刀都从彩条最前面切下去，彩条被越推越短。

第 1 次
Guess 1
50
小了 ↑剩 50 个
第 2 次
Guess 2
75
小了 ↑剩 25 个
第 3 次
Guess 3
88
小了 ↑剩 12 个
第 4 次
Guess 4
94
小了 ↑剩 6 个
第 5 次
Guess 5
97
小了 ↑剩 3 个
第 6 次
Guess 6
99
小了 ↑剩 1 个
第 7 次
Guess 7
100
🎯 猜中了！就是 100
0255075100

👀 看懂了吗？每一个黑色气泡（50 → 75 → 88 → 94 → 97 → 99 → 100）都紧贴在彩条最前面——那里就是分切点：这一刀切下去，气泡左边全部变成斜纹灰块（不可能了），右边的彩条就是剩下的范围。彩条越来越短：101 → 50 → 25 → 12 → 6 → 3 → 1。第 7 刀切完，整把尺子只剩 100 一个格子——想不猜中都难！目标若不是 100，会更快；但任何数都逃不出 7 刀。

EN: Each black bubble marks the cutting point, always pressed against the FRONT of the colored strip — everything to its left turns grey (excluded), the colored part is what remains. The strip shrinks 101→50→25→12→6→3→1; after the 7th cut only the cell “100” is left.

4 · 每个数字，要猜几次？——一棵树的秘密

不是每个数字都刚好 7 次：如果你一次就猜中 50，只要 1 次。那每个数字到底要猜几次？把整个猜数过程画成一棵决策树（decision tree），答案就写在树上：

🎄 从根 50 出发，每个节点分出两条路：目标更小走左边，目标更大走右边

大了 小了 50 24 75 11 37 62 88 每一层都继续分叉 ×2，一直长到第 7 层…

树上每一个数字就是一个节点，数字在第几层，猜到它就要几次：根 50 在第 1 层 → 1 次就中；第 2 层的 24、75 → 2 次；第 3 层的 11、37、62、88 → 3 次。EN: A number on level k needs k guesses — the tree tells you instantly.

🧭 走法示例：心里想 88——猜 50（1）→「小了」走右 → 猜 75（2）→「小了」走右 → 猜 88（3）中！一路「小了」就是沿着树最右边往下走。

每一层有哪些数字、一共多少个？把它们从树上全部摘下来，做成一张表——注意：1、2、4、8、16、32、38 这个形状不是巧合，是「分叉法」本身造成的分布特点：每猜一次就分 2 叉，所以每层最多翻一倍，越往下层能猜中的数字越多。

第几次能猜中能猜中的数字（从小到大）一共多少个
第 1 次501
第 2 次24、752
第 3 次11、37、62、884
第 4 次5、17、30、43、56、68、81、948
第 5 次2、8、14、20、27、33、40、46、53、59、65、71、78、84、91、9716
第 6 次0、3、6、9、12、15、18、22、25、28、31、35、38、41、44、48、51、54、57、60、63、66、69、73、76、79、82、86、89、92、95、9932
第 7 次1、4、7、10、13、16、19、21、23、26、29、32、34、36、39、42、45、47、49、52、55、58、61、64、67、70、72、74、77、80、83、85、87、90、93、96、98、10038
🔍 看到两层奇怪的地方了吗？
① 第 7 层本该有 64 个节点（再 ×2），却只有 38 个——因为 101 个数放进前 6 层（1+2+4+8+16+32 = 63 个）后，只剩 101 − 63 = 38 个了，树装不满。
② 校验：1 + 2 + 4 + 8 + 16 + 32 + 38 = 101 ✔ 一个不多，一个不少。

EN: Every node has 2 children, so each level doubles: 1, 2, 4, 8, 16, 32 — and finally 38 at depth 7, because 101 − 63 = 38: the tree cannot be filled completely. Total: exactly 101.

⚠️ 重要：这张表有「前提条件」！这个 1、2、4、8、16、32、38 的形状，不是猜数游戏的普遍规律，而是两个条件同时成立时才出现：
① 特定游戏：0~100 共 101 个数，一次只猜一个，回答只有「大了 / 小了 / 猜中」；
② 特定算法：用二分查找（每次都猜正中间）。
只要换一样，分布就完全变样：换成顺序查找 → 1~100 次几乎均匀分布；换成随机乱猜 → 靠运气、还可能重复；范围换成 0~1000 → 还是翻倍形状，但最深到第 10 层（⌈log₂1001⌉ = 10）。
结论：分布的形状 = 游戏规则 × 算法，两者一起决定。 EN: This distribution is NOT universal — it holds only for THIS game (0–100, three answers) played with binary search. Change the game or the strategy and the shape changes completely.
🧪 想亲手验证这张表？从表里挑一个数——比如第 3 层的 88 或第 7 层的 100——回到第 1 节的小游戏，在数字条上点这个数，看机器是不是真的正好第 3 / 7 次猜中！
🎮 回到 1 · 先来玩一局，亲自试试

5 · 平均要猜几次？

如果对方心里的数是随机的（0~100 等概率），平均要猜几次？把上一节的表加权平均：

平均次数 = (1×1 + 2×2 + 3×4 + 4×8 + 5×16 + 6×32 + 7×38) ÷ 101 = 587 ÷ 101 ≈ 5.81 次

也就是说：随便想一个数来玩，平均不到 6 次机器就能找到你；最坏也不过 7 次。
对比一下顺序乱猜（从 1 试到 100）：平均要 (1+100)/2 ≈ 50.5 次。二分查找把平均次数压缩了将近 9 倍。⚡

EN: Expected number of guesses = 587/101 ≈ 5.81 — under 6 on average, never more than 7. Linear guessing averages ~50.5.

6 · 亲眼看看分布——3000 局实测的直方图

下面这张直方图，是程序真实模拟过 3000 局之后画出来的（每局随机想一个 0~100 的数，用二分查找猜）。柱子越高，说明猜这么多次的局数越多——看，形状和上一节表格完全对上了：

34
67
115
243
478
955
1108
猜 1 次猜 2 次猜 3 次猜 4 次猜 5 次猜 6 次猜 7 次
⬆ 柱顶数字 = 实际局数（3000 局里猜这么多次的共有几局）
猜的次数 k1234567
实测局数（3000 局）34671152434789551108
理论期望（≈）≈30≈59≈119≈238≈475≈950≈1129
⚖️ 为什么「≈」？随机模拟有波动（random fluctuation）：这次第 1 次猜中的是 34 局，再跑一次可能是 30，也可能是 38——每次都不会一模一样。但只要柱子大致是 1 : 2 : 4 : 8 : 16 : 32 : 38 的「翻倍阶梯」形状，就说明规律对了。细小的波动不重要，形状才重要。
📌 猜 1~5 次的柱子都很矮，6、7 次的柱子最高——分布的重心偏向右边。
为什么柱子参差不齐而不是一样高？因为二分查找树每一层能容纳的数字个数本来就不同（1、2、4、8、16、32、38），这一层节点多，随机目标落到这一层的概率就大。分布的形状，是树的结构决定的。

EN: This histogram shows one real run of 3000 random games: 34, 67, 115, 243, 478, 955, 1108 games needed 1, 2, …, 7 guesses. Expect ≈30, ≈59, …, ≈1129 — random runs wiggle a little, but the doubling shape 1:2:4:8:16:32:38 stays.

再看一眼：这个分布的长相，三个特征

第 4 节的表格、上面的直方图——它们指向同一个形状，这个形状有三个特征（下一篇还会用到）：

特征含义直观理解
🎯 离散 Discrete次数只能是整数 1~7，中间没有「2.5 次」柱子之间有空隙，不是一条连续曲线
➡️ 右偏 Right-skewed矮的柱子（次数少）在左，高的在右「很快猜中」很难得，「多猜几次」是常态
✂️ 硬截断 Hard cut-off最多 7 次，不可能有 8、9 次右边没有尾巴——树只有 7 层，封顶了
它像一座往右堆高的阶梯：左边低、右边高、第 7 级戛然而止。它不是中间高两边低的钟形（正态分布），也不是每条一样高的均匀分布。

7 · 离散分布能解决什么？

猜数的「次数」是一个离散随机变量——它只能取 1~7 这些整数。别小看这种「结果只能数出整数」的变量：现实里有一大类问题都靠它来解决。先记住定义：

🎯 离散分布 Discrete distribution：随机变量只能取有限个 / 可数个孤立数值（整数居多），用来描述计数类、次数类、个数类的随机现象。
EN: A discrete distribution describes random variables that take finite or countable isolated values (mostly integers) — used for counting-type random phenomena.

核心能干什么（四件事）

1️⃣
算「事件发生恰好 k 次」的概率 P(exactly k)例：抛 10 次硬币刚好 3 次正面；抽检 20 个样品出现 5 个次品。
2️⃣
求期望、方差 expectation & variance例：平均会出现多少次故障？结果波动大概有多大？
3️⃣
预测与风险评估 prediction & risk例：服务器一小时收到多少请求？一台机器一周故障几次？
4️⃣
假设检验、统计建模 hypothesis testing & modeling例：判断缺陷数量是否符合预期；构建计数类机器学习模型。

常见的离散分布家族（认脸）

🪙 二项分布 Binomial
条件：n 次独立试验，每次只有「发生 / 不发生」，成功概率 p。
回答：n 次试验里恰好成功 k 次的概率。
EN: number of successes in n independent trials.
❓ 例：投 20 颗种子，发芽 12 颗的概率；200 人投票，多少人投赞成票。
☎️ 泊松分布 Poisson
条件：单位时间 / 空间内，独立稀有事件的发生次数。
回答：单位区间内事件发生多少次。
EN: how many rare events happen per unit time or space.
❓ 例：每分钟来电数量；一页书的错别字个数；路口一小时的事故数。
💡 记忆：二项分布 n 很大、p 很小时，可以用泊松近似。
🏀 几何分布 Geometric
条件：独立试验，一直试到第一次成功为止。
回答：要试验多少次才等到第一次成功。
EN: number of trials until the first success.
❓ 例：投篮，投到第几次才命中；抽检几次才抽到第一个次品。
📦 超几何分布 Hypergeometric
条件：有限总体、不放回抽样。
回答：抽出的样本里恰好有 k 个目标。
EN: drawing k target items without replacement from a finite population.
❓ 例：一箱 100 件有 10 件次品，抽 20 件恰好 4 件次品的概率。

离散 vs 连续：一分钟对比

离散 Discrete连续 Continuous
问什么恰好等于某个值：P(X = k)单点概率 = 0，只能问区间概率 P(a < X < b)
用什么描述概率质量函数 PMF概率密度函数 PDF
直觉「正好 3 次」有意义身高正好 170.0000…cm 概率为 0

现实里在哪用

🧪 质量检测：次品数量概率 ☎️ 排队论：请求 / 到达人数 🛡️ 风控：违约用户数 🧬 生物：子代个数、突变次数 📈 A/B 测试：转化用户数统计
🔙 回到猜数游戏：我们这篇的「猜几次」其实也是一种离散分布——只不过它不是上面四种经典模型，而是由「砍半的树」决定的。但它一样能算概率：第 k 次猜中的概率 = 第 k 层的数字个数 ÷ 101（比如 7 次才中的概率 = 38 ÷ 101 ≈ 37.6%）。

EN: Discrete distributions answer counting questions: probability of exactly k successes (Binomial), rare events per unit time (Poisson), trials until first success (Geometric), and draws without replacement (Hypergeometric). Our guessing-count distribution is discrete too — P(k-th guess hits) = level k size / 101.

8 · 小结 + 思考题

这一篇你带走了什么

  1. 猜 0~100 的任意整数，二分查找最坏 7 次，且任何策略都不可能更少——⌈log₂101⌉ = 7
  2. 101 个数在决策树上的分布是 1、2、4、8、16、32、38，平均猜 5.81 次
  3. 这个分布离散、右偏、在 7 截断——它的形状由「每次砍半」的树结构决定

🧒 想一想（小朋友版）

  1. 范围改成 0~1000（1001 个数），最坏要几次？（提示：2⁹=512 < 1001 ≤ 1024=2¹⁰）
  2. 如果对方可以撒谎一次，问题会变难多少？你还能保证找到吗？
  3. 顺序乱猜平均 ≈50.5 次，二分平均 ≈5.81 次——快了多少倍？这个倍数随范围变大还会增长吗？

🎓 想一想（进阶版）

  1. 如果范围恰好是 127 个数（2⁷−1）或 128 个数（2⁷），分布表会变成什么样？「树装不满」的现象会消失吗？
  2. 试着证明：二分查找的「每层节点数翻倍」意味着——随机目标下，猜 k 次的概率是 2ᵏ⁻¹/101（前六层），这解释了为什么柱高逐级翻倍。

🔮 下一篇预告：《钟形曲线从哪里来？》——猜数次数这种「树形分布」永远长不成钟形；而身高、考试分数却能长成完美的钟。为什么？钟形曲线其实是从加法里长出来的，到时候用骰子实验亲眼看它成形。敬请期待～

9 · 三门核心数学，极简对照

Concise comparison table of three core mathematics subjects

学完了「离散分布」，正好把三块最常打交道的数学摆在一起认个脸——它们的研究对象完全不同：

科目核心对象解决什么典型问题代表工具典型产出
🧮 离散数学
Discrete Math		 分离、不连续的对象：集合、命题、点边、有限集合 逻辑推理、计数、结构、关系；不关心随机性 逻辑、集合、排列组合、图、树、群 证明、方案总数、路径、分类；给计算机打理论基础
🎲 概率论-离散分布
Discrete Dist.		 离散型随机变量（整数、计数） 随机事件发生多大可能性；多少次、多少件的概率 PMF、二项 / 泊松 / 几何 / 超几何、期望方差 P(X = k)、发生 k 次的概率、风险预测
📈 微积分（连续数学）
Calculus		 连续实数、连续变化的函数 连续量变化、面积、速度、累积变化 导数、积分、极限 瞬时变化率、总累积量、曲线下面积

EN: Discrete math — separated objects (logic, counting, graphs). Probability (discrete) — chance of each integer outcome. Calculus — smooth continuous change.

🔗 它们之间的关键联系

  1. 离散数学里的排列组合，是计算离散分布概率的计算工具。
    e.g. 二项分布的系数 Cnk 来自组合数学。
    EN: the binomial coefficient Cnk comes from combinatorics.
  2. 离散分布属于概率论，不属于离散数学——离散数学一般不研究「概率多大」。
  3. 微积分可以用来近似离散问题；离散数学用来建模计算机世界；概率论处理随机不确定性。

🗣️ 通俗大白话版本

🧮
离散数学：世界有哪些结构，总共有多少种可能，逻辑上对不对。——没有随机EN: what structures exist, how many possibilities, is it logically valid. (No randomness)
🎲
概率论（离散分布）：在随机情况下，每种可能出现的机会是多少。——有随机EN: given randomness, what is the chance of each possibility. (With randomness)
📈
微积分：事物连续变化的时候，变化快慢、积累多少。——连续平滑变化EN: for continuously changing things — rate of change and total accumulation. (Smooth & continuous)

💻 在计算机里分别干什么

  1. 离散数学：最短路径算法、逻辑电路、数据库关系、密码学、统计一共有多少种密码组合。
    EN: shortest-path, logic circuits, database relations, cryptography, counting passwords.
  2. 离散概率分布：服务器每秒收到多少请求的概率、A/B 测试转化概率、故障发生次数预估。
    EN: request-rate probabilities, A/B-test conversion, estimating failure counts.
  3. 微积分：神经网络梯度下降优化。
    EN: gradient-descent optimization in neural networks.
🔗 一个串联小例子（把三门数学串起来）：
① 离散数学先算：从 100 个产品里抽 5 个，总共有 C(100,5) 种抽法（数方案）；
② 概率论接着算：随机抽取恰好抽到 2 个次品的概率（用上面那个组合数算可能性）；
③ 微积分最后上：当样本极大时，用连续的正态分布去近似这个离散概率（连续近似离散）。 EN: ① Discrete math counts C(100,5) possible draws. ② Probability turns that count into the chance of exactly 2 defects. ③ Calculus approximates the discrete answer with a normal curve when samples are huge.
📐 数学科普 · 猜数游戏与离散分布  |  blog.leo-lai.cn  |  中英双语：中文为主，英文注脚为辅
✍️ 作者：LEO爸爸 与 Phys 🐷Authors: Leo's Dad & Phys