连续四个周六早上，我都差一点赶上地铁 18 号线，又都眼睁睁看着它关门开走。

那个连续四次“就差一点”的人，就是我。

本来这只是一个很普通的通勤小崩溃。但把概率算出来之后，我突然觉得这事不太普通了：如果一个人能连续四次踩进这么窄的倒霉窗口，这个概率低到足够让我认真考虑一下，是不是该顺路去买张彩票。

有些小事很适合拿来练数学建模，尤其是这种发生在自己身上的小事。

比如周六早上 9 点左右去坐地铁 18 号线。如果发车间隔大约 10 分钟，列车在站台停 30 秒，人跑步速度按每秒 3 米算，那么一个乘客“刚好赶上车”的概率有多大？如果连续 4 次都赶上，又有多夸张？

反过来，如果列车关门的那一刻，人已经冲到离列车 50 米以内，但还是没赶上，这种“非常倒霉”的概率又是多少？连续 4 次都这么倒霉，是不是已经可以拿来讲故事？

先把最小模型的结论放前面。看完这张表，再回头想“连续四个周六都差一点没赶上”，就知道为什么我会想到买彩票了。

问题	概率
单次赶上车	5%
连续 4 次都赶上	0.000625%，约 16 万分之一
单次非常倒霉	2.78%
连续 4 次都非常倒霉	0.0000595%，约 168 万分之一

这几个数不是拍脑袋，而是一个很标准的“时间窗口 / 总周期”模型。

但这也正是这道题最有意思的地方：如果只按题目给出的信息计算，它非常简单；如果把“人距离车门多远”“从哪个入口进站”“跑步路径是否通畅”都放进模型，它马上就会变成一个带空间分布的概率模型，甚至会用到积分。

所以这篇文章不只算一个数，而是把这个问题当成一个小型数学建模案例：先做最小模型，再讨论模型怎么升级。

原始 Prompt

这篇文章来自下面这个问题。我把原始指令也放出来，方便以后复盘 Codex 是怎么把自然语言问题变成可计算模型的。

需要解决一个数学问题：假设每周六早上9点左右地铁18号线的发车间隔是10分钟，列车在站台上停车时间为30秒，如果乘客在这30秒内位于能够跑步达到车内的距离，就认为乘客能赶上车，人的跑步速度假设为每秒3米，帮我计算这个时间点赶上18号线地铁的概率，连续4次都能赶上的概率是多少。另一个问题，同样的假设，如果乘客在列车关门的这一刻，正好位于距离列车50米之内的距离而没能赶上列车，认为这个乘客是非常倒霉，计算一下非常倒霉的概率，再计算一下连续四次倒霉的概率。整个分析和计算结果生成一篇博客文章，包括输入给codex的prompt指令。

从自然语言到数学模型

题目里给了三个数字：

• 发车间隔：10 分钟，也就是 600 秒；
• 停车时间：30 秒；
• 跑步速度：3 米/秒。

题目还给了一个判断规则：如果乘客在列车停站的 30 秒内，位于能够跑步达到车内的距离，就认为能赶上。

这句话里其实藏着两个变量。

第一个变量是时间：乘客是在列车开门后的第几秒到达可奔跑区域的？

第二个变量是距离：这一刻，他离能进车厢的位置还有多远？

写成符号，可以这样定义：

H = 600 秒        发车周期
S = 30 秒         停站开门时间
v = 3 米/秒       跑步速度
D = 50 米         “非常倒霉”的距离阈值
T = 乘客到达时刻在一个发车周期内的位置
X = 乘客到达时离车门的距离

这样一来，“能赶上”不是一句口语判断，而是一个不等式：

0 <= T <= S
并且
X <= v × (S - T)

意思是：你必须在车门还开着的时候到达，而且剩下的开门时间足够你跑完剩余距离。

“非常倒霉”也可以写成一个窗口：车门已经关了，但按 3 米/秒折算，你离车门不到 50 米，也就是只晚了不到 16.67 秒。

0 < T - S <= D / v

在这一步，问题已经从生活描述变成了一个概率模型。

最小模型：先只看时间

换成人话，就是你不是掐着点来的，也不是每次都看实时到站信息，而是把你到站台附近的时间看成落在一个 600 秒周期里的随机点。

最小模型做两个简化。

第一，只看时间，不细分站台空间。也就是说，只要乘客落在 30 秒开门窗口里，就认为他已经在可跑进车厢的范围内。

第二，乘客到达时间在 600 秒周期内均匀分布。也就是每一秒到达的可能性一样。

这个假设会让问题变得很干净：概率就是“能赶上的时间窗口”除以“总发车周期”。

如果要算更真实的概率，还需要更多信息，比如站台长度、入口到车门的距离、乘客通常从哪个口进站、人在站台上出现的位置分布、是否有楼梯电梯阻挡、是否允许跑、列车是否准点。这些题目没有给，所以这篇文章不编这些变量。

这也是建模时很重要的一点：题目没有给的信息，不要假装知道。可以列为模型扩展，但不要塞进最小模型里硬算。

会不会用到微积分

最小模型不需要微积分。它只需要除法：

概率 = 有利时间窗口 / 总时间窗口

但如果我们把距离变量 X 也放进去，就会自然出现积分。

在更完整的模型里，乘客到达时间 T 在 0 到 600 秒之间随机，距离 X 也有自己的分布。赶上车的条件是：

0 <= T <= S
X <= v × (S - T)

如果用 F_X(x) 表示距离 X 的累积分布函数，也就是“距离不超过 x 的概率”，那么赶上车的概率可以写成：

P(赶上) = (1 / H) × ∫[0 到 S] F_X(v × (S - t)) dt

这就是一个积分。

它表达的意思并不玄：在开门后的每一秒，都看看“剩余时间还能跑多远”，再计算有多少乘客处在这个距离以内，最后把这些可能性沿着 30 秒开门时间加起来。

如果我们进一步假设 X 在 0 到 L 米之间均匀分布，而且 L 大于 90 米，那么：

F_X(x) = x / L
P(赶上) = (1 / H) × ∫[0 到 S] v × (S - t) / L dt
       = v × S^2 / (2 × L × H)

你会看到，跑步速度这时就不再只是解释文字，而是真正进入概率公式。

不过题目没有给 L，也没有给 X 的分布。所以正式结论仍采用最小时间模型；积分版本只是告诉我们，如果要把问题做成更严肃的数学建模，它应该往哪里扩展。

赶上车的概率

先回到最小模型。列车停站 30 秒。只要乘客在这 30 秒内位于“能跑进车厢”的距离，就认为能赶上。

人的速度是 3 米/秒，所以如果列车刚开门时，人最多可以在：

3 米/秒 × 30 秒 = 90 米

也就是说，题目里的跑步速度给出了一个空间解释：开门那一刻，如果你离车门不超过大约 90 米，而且中间没有障碍、能直接跑到车内，那么理论上能赶上。

在最小模型里，我们把“是否处在可达距离内”折叠进题目条件，不再单独建距离分布。因此概率本身由时间窗口决定。一个发车周期是 600 秒，能赶上的窗口是 30 秒：

P(单次赶上) = 30 / 600 = 0.05 = 5%

这个 5% 其实挺直观：10 分钟里只有半分钟是“列车在站台且门还开着”的状态。你随机到达，刚好落进这半分钟，概率就是二十分之一。

如果用积分语言重写这个最小模型，它就是：

P(单次赶上) = (1 / 600) × ∫[0 到 30] 1 dt
            = 30 / 600
            = 5%

这里的被积函数是 1，意思是：在这 30 秒内，模型认为条件都满足；在窗口外，条件不满足。正因为被积函数是常数，最后才退化成简单除法。

如果连续 4 次都能赶上，并且把每次出行看成相互独立，那么：

P(连续 4 次赶上) = 0.05^4
              = 0.00000625
              = 0.000625%

换成更好理解的说法，大约是：

1 / 160000

也就是 16 万分之一。

这里的“连续 4 次都能赶上”不是说每天都准点赶上地铁，而是在这个简化模型里，每次都随机到达，结果每次都落在那 30 秒窗口里。这个概率已经很小了。

“非常倒霉”的概率

第二个问题更有意思。

题目定义的“非常倒霉”是：列车关门的那一刻，乘客正好位于距离列车 50 米以内，但没能赶上。

这个描述本来是空间条件。为了用题目给出的速度把它转成时间窗口，我们可以把 50 米折算成跑步时间：

50 米 / 3 米/秒 = 16.666... 秒

也就是说，关门那一刻如果你距离车门 50 米以内，你大概只差不到 16.67 秒的奔跑时间。按时间窗口理解，这相当于：你错过了关门，但错过得非常近，只差一个 16.67 秒以内的窗口。

所以“非常倒霉”的时间窗口是 16.67 秒。总周期仍然是 600 秒：

P(单次非常倒霉) = 16.666... / 600
              = 0.027777...
              = 2.78%

如果写成积分，也只是：

P(单次非常倒霉) = (1 / 600) × ∫[30 到 46.666...] 1 dt
              = 16.666... / 600
              = 2.78%

这说明它不是另一个神秘事件，只是关门之后紧挨着的一个窄时间窗口。

这个概率比“赶上车”的 5% 小一些，但没有小到离谱。它大约是 36 分之一。

2.78% ≈ 1 / 36

所以，偶尔遇到一次“车门刚关，我人已经快到了”，不算玄学。它本来就可能发生。

真正离谱的是连续 4 次都这样。

P(连续 4 次非常倒霉) = (1/36)^4
                  = 1 / 1679616
                  ≈ 0.000000595
                  ≈ 0.0000595%

换句话说，大约是 168 万分之一。

如果一个人连续四个周六都在同一时间去坐车，每次都在关门时离车 50 米以内却没赶上，那就不只是“今天运气差”了。要么他的出门节奏稳定地卡在了一个很糟糕的位置，要么这个“随机到达”的假设已经不成立。

为什么连续事件要乘起来

很多概率题容易在“连续几次”这里出错。

如果每次事件相互独立，连续发生的概率就是逐次相乘。

单次赶上是 5%，连续 4 次就是：

5% × 5% × 5% × 5%

单次非常倒霉是 2.78%，连续 4 次就是：

2.78% × 2.78% × 2.78% × 2.78%

关键在“独立”两个字。

如果你每周六都是同一套动作：同一时间出门、同一路口等红灯、同一个安检口、同一个电梯、同一个步速，那这些事件未必独立。你可能不是随机落在 600 秒周期里，而是稳定地落在某个区间附近。

这时连续几次都赶上，或者连续几次都刚好错过，就不再只是概率问题，而是你的出行流程和地铁时刻之间发生了同步。

这也解释了一个生活现象：有些人总觉得自己“每次都差一点”。很多时候不是命运针对你，而是你的出门节奏刚好让你反复落在同一个糟糕窗口。

这题为什么不止是简单概率

如果只问“30 秒占 600 秒多少”，确实太简单。

但建模的重点不是把题做复杂，而是把边界说清楚。这个例子至少有三层模型。

第一层是时间窗口模型。它只看发车间隔和停车时间，得出 5% 和 2.78%。这是本文最终采用的答案，因为它严格依赖题目已给条件。

第二层是时间加距离模型。它把乘客与车门的距离 X 放进来，赶上车变成：

X <= v × 剩余开门时间

这一层会用到距离分布，也就会用到积分。

第三层是行为模型。现实里人不是随机均匀到站：有人看实时到站，有人固定时间出门，有人会在闸机、电梯、扶梯处被打断。连续四次都赶上或连续四次都倒霉，往往说明行为节奏和列车时刻发生了稳定关系，而不是每次独立随机。

所以这道题的计算不难，难的是别把模型讲错。简单模型可以给出明确答案，复杂模型能告诉我们还缺哪些数据。

用一段 Python 验证

这个最小模型也可以用很短的 Python 代码验证。

interval = 10 * 60
stop_time = 30
speed = 3
unlucky_distance = 50

catch_probability = stop_time / interval
four_catches = catch_probability ** 4

unlucky_window = unlucky_distance / speed
unlucky_probability = unlucky_window / interval
four_unlucky = unlucky_probability ** 4

print(catch_probability, four_catches)
print(unlucky_probability, four_unlucky)

输出对应：

0.05 0.00000625
0.027777777777777776 0.0000005954...

换成百分比：

事件	小数	百分比	约等于
单次赶上	0.05	5%	1 / 20
连续 4 次赶上	0.00000625	0.000625%	1 / 160000
单次非常倒霉	0.0277778	2.78%	1 / 36
连续 4 次非常倒霉	0.000000595	0.0000595%	1 / 1679616

这个结论怎么用

单次赶上车的概率是 5%，说明如果你完全随机到站，不能指望靠运气撞上刚开门的车。

单次非常倒霉的概率是 2.78%，说明“刚关门我就到了”并不罕见。一个人坐地铁次数多了，总会遇到几次。

连续 4 次都赶上，约 16 万分之一；连续 4 次都非常倒霉，约 168 万分之一。这样的连续事件如果真的发生，更可能说明你的出门节奏不是随机的，而是稳定地和列车时刻发生了某种对齐。

所以最实际的建议不是“祈祷运气变好”，而是把出门时间整体前移一两分钟。

对 10 分钟一班的地铁来说，提前 2 分钟不是小变化。它相当于把你从一个很窄的倒霉窗口里推出来，进入更宽的安全区。概率题算到最后，结论还是很朴素：别卡点。

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。