第 8 讲 · 离散随机变量与金融二叉树期权定价：风险中性概率 p*、二项分布与 Poisson 极限

1.1 离散随机变量的严格界定与两点分布（Bernoulli 分布，▶ P42 02:08–12:23）

在第 8 讲开篇（▶ P42 02:44–04:46），张颢老师再次强调了贯穿全课的基石观念：

• 随机变量自身没有任何随机性（▶ P42 03:15）：在概率空间 $(\Omega, \mathcal{F}, \mathbb{P})$ 中，随机变量 $X: \Omega \to \mathbb{R}$ 是一个从样本空间映射到实数轴的确定性函数（“一点不确定性都没有，随机变量这个名字其实有点 misleading”）。真正的不确定性出现在样本点 $\omega \in \Omega$ 上——每次做统计实验前，你不知道哪一个 $\omega$ 会浮出水面。
• 离散随机变量与原像概率分布（▶ P42 04:14–07:34）：当样本空间 $\Omega$（或 $X$ 的值域）是可数集（Countable Set，可与自然数子集一一对应，能一个个数出来）时，称 $X$ 为离散随机变量。平时我们简写分布列为 $p_k = \mathbb{P}(X = x_k)$，但心里必须清楚其严格的集合论原像定义（▶ P42 05:43）： $$p_k = \mathbb{P}\bigl(\{\omega \in \Omega : X(\omega) = x_k\}\bigr), \qquad p_k \ge 0, \quad \sum_{k} p_k = 1$$
• 两点分布（Bernoulli 分布，▶ P42 09:16–12:23）： 教科书为什么只收录寥寥几种典型分布？因为只有用途极其广泛的分布才能流传下来名垂青史（▶ P42 08:12）。最简单却无处不在的离散分布就是伯努利分布（两点分布）： $$X = \begin{cases} 1, & \text{概率为 } p \;(\text{对某事有贡献 / 明天晴天 / 股票上涨}) \\ 0, & \text{概率为 } 1-p \;(\text{对某事无贡献 / 明天不晴 / 股票下跌}) \end{cases}, \qquad \mathbb{E}[X] = 1\cdot p + 0\cdot(1-p) = p$$

---

1.2 为什么需要期权（Option）？——风险管理与“活着最重要”（▶ P42 12:23 – ▶ P43 04:47）

为了展示两点分布的惊人威力，张颢老师在 ▶ P42 12:23 引入了金融工程中最核心的课题——期权定价（Option Pricing）：

1. 股票（高风险）vs 现金（无风险，▶ P42 13:16–16:22）：
   • 股票（证券）价格剧烈波动，风险极高（一旦买在手里，“就像一条摆上案板的鱼任人宰割”，因为明天是涨是跌只有上帝知道，▶ P42 17:09）；
   • 现金（银行存款）以固定无风险利率 $r$ 稳定增值（无风险，但收益慢）。
2. 折中工具——期权（Option，▶ P42 16:22–21:10 & ▶ P43 00:00–03:48）： 假设某只股票今天（$t=0$）的价格是 $S_0 = 10$ 元。你看涨它明天（$t=1$）会涨到 $S_u = 12$ 元，但又怕它明天跌到 $S_d = 8$ 元导致惨重亏损。于是你今天不直接买股票，而是花一笔小钱（比如几毛钱的期权费 $P_0$）向股票持有者购买一份权利（看涨期权 Call Option）：

   合约规定：明天（$t=1$），无论股票实际市价涨跌到多少，你都有权利以约定的交割价（行权价）$K = 11$ 元从对方手里买入 1 股该股票！

   • 如果明天股票真涨到了 $12$ 元（甚至 $15$ 元，▶ P42 20:35, ▶ P43 01:26）：你果断行使权利，花 $11$ 元买进，转手在市场上按 $12$ 元卖出，净赚 $12 - 11 = 1$ 元！而卖期权给你的人虽然少赚了一点，但他以 $11$ 元卖出依然高于今天的 $10$ 元，双方皆大欢喜；
   • 如果明天股票跌到了 $8$ 元（▶ P43 00:00, 01:58）：你又不是傻瓜，当然不会花 $11$ 元去买市价 $8$ 元的股票！你大不了把期权合约一撕（放弃行权），明天收益为 $0$，最大损失仅仅是今天买期权花掉的那几毛钱；而卖期权的人虽然手里的股票跌了，但收到的期权费弥补了一部分下跌损失。
   • 张颢老师谈金融风险管理哲学（▶ P43 02:27–03:48）：“赚的时候控制你不要赚得太疯，赔的时候控制你不要赔得太惨，始终留在可控区间内——因为控制了风险，你才能确保留在圈子里不出局，活着最重要，活着后面才有大把接金币的机会！”

---

1.3 单步二叉树对冲定价完整黑板推导：风险中性概率 $p^*$ 的诞生（▶ P43 04:47 – ▶ P44 15:42）

现在核心数学问题来了：今天这份期权究竟应该卖多少钱（记 0 时刻期权公平价格为 $P_0$）？ 不能拍脑袋定五毛或七毛（▶ P43 04:21）！

• 为什么不能直接用真实上涨概率 $p$ 算期望？ 因为在现实市场中，明天股票上涨的真实概率 $p$ 和下跌概率 $1-p$ 只有上帝知道，人类根本无从知晓（▶ P43 19:52–20:50）！
• 对冲与复制组合（Hedging & Replicating Portfolio，▶ P43 05:24–19:28）： 金融数学家想出了一个绝妙的主意：我不直接猜期权值多少钱，而是用$\Delta$ 份股票和一笔银行现金存款去构建一个投资组合（Portfolio），使得明天无论股票是涨到 $S_u$ 还是跌到 $S_d$，这个投资组合的终端价值都与期权的终端赔付一模一样（完全对冲掉不确定性）！ 设今天（$t=0$）股票价格为 $S$（即 $S_0$），无风险利率为 $r$；明天（$t=1$）股票只有两种可能（两点模型）：
  • 若涨（Up）：股价变为 $S_u$，期权价值变为确定值 $P_u$（例如 $\max(S_u - K, 0)$）；
  • 若跌（Down）：股价变为 $S_d$，期权价值变为确定值 $P_d$（例如 $\max(S_d - K, 0)$）。 构建投资组合：在 $t=0$ 时刻买入 $\Delta$ 份股票（花费 $\Delta S$），并在银行存入现值为 $\frac{C}{1+r}$ 的现金（使得 $t=1$ 时刻连本带利恰好变成确定的现金 $C$，▶ P43 11:07, 16:46）。

1. 列写 $t=1$ 时刻涨跌两态的价值匹配方程组（▶ P43 16:46–17:23）： $$\begin{cases} \Delta S_u + C = P_u & (\text{若明天股票上涨}) \\ \Delta S_d + C = P_d & (\text{若明天股票下跌}) \end{cases}$$
2. 解二元一次方程组求对冲参数 $(\Delta, C)$（▶ P43 17:23–18:51）： 两式相减消去 $C$，立即解出需要持有的股票对冲份额 $\Delta$ 与银行存款现值 $\frac{C}{1+r}$： $$\Delta = \frac{P_u - P_d}{S_u - S_d}, \qquad C = \frac{P_d S_u - P_u S_d}{S_u - S_d} \implies \text{现值 } \frac{C}{1+r} = \frac{1}{1+r}\,\frac{P_d S_u - P_u S_d}{S_u - S_d}$$
3. 代入 $t=0$ 时刻无套利定价并按 $P_u, P_d$ 重新合并（▶ P44 00:00–07:40）： 既然该组合在明天无论涨跌都与期权价值完全相等，根据无套利原则（No-Arbitrage，世界上没有稳赚不赔的免费午餐，▶ P43 07:47），今天（$t=0$）期权的价值 $P_0$ 必须严格等于构建该组合的初始成本 $\Delta S + \frac{C}{1+r}$： $$P_0 = \Delta S + \frac{C}{1+r} = \frac{P_u - P_d}{S_u - S_d}\,S + \frac{1}{1+r}\,\frac{P_d S_u - P_u S_d}{S_u - S_d}$$ 张颢老师在黑板上提出公因子 $\frac{1}{1+r}$，并将含有 $P_u$ 的项与含有 $P_d$ 的项分别合并整理（▶ P44 01:48–05:24）： $$P_0 = \frac{1}{1+r}\left[ \underbrace{\frac{(1+r)S - S_d}{S_u - S_d}}_{\text{记为 } p^*\;(\text{黑板记 } p')} \cdot P_u + \underbrace{\frac{S_u - (1+r)S}{S_u - S_d}}_{=\, 1 - p^*} \cdot P_d \right]$$
4. 见证奇迹：风险中性概率 $p^*$ 与三点课堂精辟总结（▶ P44 07:10–15:42）： 观察括号内 $P_u$ 与 $P_d$ 前面的两个系数：分子相加恰好是 $(1+r)S - S_d + S_u - (1+r)S = S_u - S_d$，与分母完全相同，两项系数之和恒等于 $1$（▶ P44 07:10）！于是令： $$p^* \triangleq \frac{(1+r)S - S_d}{S_u - S_d}, \qquad 1 - p^* = \frac{S_u - (1+r)S}{S_u - S_d}$$ 单周期期权定价公式就化为了极其优美的紧凑形式： $$P_0 = \frac{1}{1+r}\Bigl[ p^* P_u + (1 - p^*) P_d \Bigr] = \frac{1}{1+r}\,\mathbb{E}^*[P_1]$$ 张颢老师在黑板前对这一公式作了三点振聋发聩的评注（▶ P44 08:49–15:42）：
   • 第一点（它是数学期望，▶ P44 08:49）：括号里的 $p^* P_u + (1-p^*) P_d$ 用一个概率乘一个取值再相加，形式上 100% 是在算 $t=1$ 时刻期权随机变量 $P_1$ 的数学期望！
   • 第二点（真实概率 $p$ 彻底消失，人造概率 $p^*$ 登场，▶ P44 10:26–13:20）：算这个期望所使用的概率 $p^*$，与股票真实上涨或下跌的概率 $p$ 没有半毛钱关系（真实涨跌概率只有上帝知道），它只依赖于如果涨能涨到多少（$S_u$）、如果跌能跌到多少（$S_d$）（例如在有涨跌停板的市场中很容易估计上下界，▶ P44 12:28）！这个在对冲消元中人造出来的概率 $p^*$，金融学上称为风险中性概率（Risk-Neutral Probability）。
   • 第三点（折现期望原理，▶ P44 13:20–15:42）：零时刻的确定性期权价格 $P_0$，恰好等于一时刻随机期权价格 $P_1$ 在风险中性概率 $p^*$ 下的数学期望再除以无风险增值因子 $(1+r)$！
   • 代回课堂数值验证：取 $S=10, S_u=12, S_d=8, K=11, r=0$，则 $P_u = 12-11=1, P_d = 0$，风险中性概率 $p^* = \frac{10-8}{12-8} = 0.5$，故 $P_0 = 0.5 \times 1 + 0.5 \times 0 = \mathbf{0.5\text{ 元（五毛钱）}}$（恰好用 $\Delta = \frac{1-0}{12-8} = 0.25$ 股股票与 $C = -2$ 元借款完全对冲）！

2.1 从单周期迈向多周期：为什么必须引入比例涨跌假设 $S_u = uS, S_d = dS$？（▶ P44 15:42–21:10 & ▶ P45 00:00–01:28）

在 ▶ P44 15:42，张颢老师指出：单周期定价只跨越了 $t=0 \to t=1$ 一个时间步。如果期权到期日是 $n$ 个时间步之后（多周期模型），股价每天都在不断分叉展开：$P_0 \to (P_1^u, P_1^d) \to (P_2^{uu}, P_2^{ud}, P_2^{du}, P_2^{dd}) \to \cdots$（▶ P44 16:44）。 虽然我们在树的每一个局部分叉点上都可以套用刚才的单步风险中性公式，但会立刻遇到一个棘手障碍（▶ P44 18:16–19:13）：

• 原公式 $p^* = \frac{(1+r)S - S_d}{S_u - S_d}$ 中含有当前节点的股票价格 $S$ 以及下一步的 $S_u, S_d$；如果不同层级、不同节点上的 $p^*$ 都不一样，整棵树算起来就会乱成一团！
• 破局假设（Cox–Ross–Rubinstein 比例模型，▶ P44 19:13–21:10）： 我们假定股票在每一步上涨和下跌都是按固定的乘法比例因子 $u$ 和 $d$ 变化的： $$S_u = u \cdot S, \qquad S_d = d \cdot S \qquad (0 < d < 1+r < u)$$ 一旦引入这个理想化假设，代入 $p^*$ 公式，分子分母中的当前股价 $S$ 瞬间被上下约掉（▶ P44 20:10）： $$p^* = \frac{(1+r)S - d\cdot S}{u\cdot S - d\cdot S} = \frac{(1+r) - d}{u - d}$$ 这一步带来了两大决定性好处（▶ P45 00:00–01:28）：
  1. 各节点风险中性概率完全统一：在整棵二叉树的任意一层、任意一个分叉节点上，风险中性上涨概率全部等于同一个常数 $p^* = \frac{1+r-d}{u-d}$！
  2. 二叉树路径自动重组（Recombining Tree）：因为实数乘法满足交换律 $u \cdot d = d \cdot u$，所以“先涨后跌（$udS$）”与“先跌后涨（$duS$）”到达的是完全相同的股价节点（▶ P45 00:25）！这使得股价只取决于一共涨了几次、跌了几次，而与涨跌的先后次序无关！

---

2.2 二项分布 $\operatorname{Bin}(n, p^*)$ 的自然涌现与多期期权定价公式（▶ P45 01:28–16:51）

现在考察第 $n$ 层（到期交割日 $t=n$）上的节点状态（▶ P45 01:28–04:14）：

• 在全部 $n$ 个时间步中，设股票一共上涨了 $i$ 次、下跌了 $n-i$ 次（$i = 0, 1, \dots, n$），记该节点处的到期期权价值为 $P_{n,i}$。
• 从根节点走 $n$ 步到达“涨 $i$ 次、跌 $n-i$ 次”这一节点，一共有多少条不同的涨跌路径？由于无需关心哪 $i$ 个时间步上涨，路径总数恰好是组合数 $\binom{n}{i}$，且每条路径的风险中性概率权重均为 $(p^*)^i (1 - p^*)^{n-i}$。合并同类节点后，到达第 $(n,i)$ 节点的概率恰恰构成了二项分布（Binomial Distribution）$\operatorname{Bin}(n, p^*)$（▶ P45 02:51–04:47）： $$\mathbb{P}^*(I = i) = \binom{n}{i} (p^*)^i (1 - p^*)^{n-i}, \qquad i = 0, 1, \dots, n$$
• 到期交割日的边界条件 $P_{n,i}$（▶ P45 06:51–09:20）： 在到期交割日 $t=n$ 那一天，股票的当日市价已经确定为 $S_0 u^i d^{n-i}$，而期权合约约定的买入交割价为 $K$（张颢老师黑板记作 $X$）：
  • 若当日股价高于交割价（$S_0 u^i d^{n-i} > K$），你立即行权净赚差价 $S_0 u^i d^{n-i} - K$；
  • 若当日股价低于交割价（$S_0 u^i d^{n-i} \le K$），你直接撕毁合约（“擦鼻涕都嫌硬”，收益为 $0$，绝不会倒贴钱强行交易，▶ P45 08:20）。 因此，到期日第 $i$ 个节点的期权价值确定为： $$P_{n,i} = \max\bigl(S_0 u^i d^{n-i} - K,\; 0\bigr) = (S_0 u^i d^{n-i} - K)^+$$
• 反向折现求期望：多周期期权定价基本公式（▶ P45 05:17–06:51, 13:29–16:51）： 从第 $n$ 层一步步反向取风险中性折现期望退回 $t=0$ 时刻，立得著名的 Cox–Ross–Rubinstein 多周期二叉树期权定价公式： $$P_0 = \frac{1}{(1+r)^n} \sum_{i=0}^{n} \binom{n}{i} (p^*)^i (1 - p^*)^{n-i} P_{n,i} = \frac{1}{(1+r)^n} \sum_{i=0}^{n} \binom{n}{i} (p^*)^i (1 - p^*)^{n-i} \max\bigl(S_0 u^i d^{n-i} - K,\; 0\bigr)$$ 张颢老师特别强调（▶ P45 09:45）：不要以为这只是一个课堂玩具，这套多周期二叉树模型至今仍是华尔街与全球各大金融机构日常实操定价的核心工具！

3.1 稀有事件的数学刻画：为什么令 $n \to \infty,\; p \to 0$ 且保持 $np = \lambda$？（▶ P45 17:29–21:10 & ▶ P46 00:00–01:03）

在 ▶ P45 17:29，张颢老师指出：当二项分布 $\operatorname{Bin}(n,p)$ 的参数 $n$ 较大时，直接计算组合数阶乘很不方便，概率论中通常走两条逼近路线：一是用高斯分布逼近（中心极限定理，后续章节详述），二是用泊松分布（Poisson Distribution）逼近。

用射击模型来直观理解泊松逼近的物理场景（▶ P45 19:41 – ▶ P46 01:03）：

• 假设一共打了 $n$ 枪，各枪独立，单枪命中率为 $p$，命中 $k$ 枪的概率为 $\mathbb{P}(X=k) = \binom{n}{k}p^k(1-p)^{n-k}$；
• 现在考察一种极端情形：打的枪数越来越多（$n \to \infty$），但单枪命中率却越来越低（$p \to 0$）——也就是说，命中变成了一个需要极长耐心等待才会偶尔发生的稀有事件（Rare Event）（在金融上好比彻底的熊市，上涨概率极低，▶ P46 09:57）！
• 但是，如果任由 $p$ 无限趋于 $0$ 而不加约束，命中就会变成不可能事件。为了维持稀有事件在宏观统计上的稳定发生水平，我们加上一条核心约束：保持二项分布的期望（平均命中枪数）恒为常数 $\lambda > 0$（▶ P45 20:55, ▶ P46 00:32）： $$n \cdot p = \lambda \;(\text{常数}) \quad\Longleftrightarrow\quad p = \frac{\lambda}{n}$$

---

3.2 黑板三项极限严格推导：从 $\operatorname{Bin}(n,p)$ 到 $\operatorname{Poisson}(\lambda)$（▶ P46 01:03–06:13）

将 $p = \frac{\lambda}{n}$ 代入二项分布概率公式，并把组合数阶乘展开（▶ P46 01:03–02:35）： $$\begin{aligned} \binom{n}{k} p^k (1-p)^{n-k} &= \frac{n!}{k!(n-k)!}\left(\frac{\lambda}{n}\right)^k \left(1 - \frac{\lambda}{n}\right)^{n-k} \\ &= \frac{n(n-1)\cdots(n-k+1)}{k!}\cdot \frac{\lambda^k}{n^k}\cdot \left(1 - \frac{\lambda}{n}\right)^{-k}\left(1 - \frac{\lambda}{n}\right)^n \end{aligned}$$ 张颢老师在黑板上首先将与极限变量 $n$ 完全无关的因子 $\frac{\lambda^k}{k!}$ 提到最前面，把剩余含 $n$ 的部分整理为三个清晰的乘积项（▶ P46 02:35–04:38）： $$\binom{n}{k} p^k (1-p)^{n-k} = \frac{\lambda^k}{k!} \cdot \underbrace{\frac{n(n-1)\cdots(n-k+1)}{n^k}}_{\text{第 (1) 项}} \cdot \underbrace{\left(1 - \frac{\lambda}{n}\right)^{-k}}_{\text{第 (2) 项}} \cdot \underbrace{\left(1 - \frac{\lambda}{n}\right)^n}_{\text{第 (3) 项}}$$ 现在固定 $k$，令 $n \to \infty$，逐项考察极限（▶ P46 03:37–04:38）：

1. 第 ① 项极限：分子是从 $n-0$ 到 $n-(k-1)$ 共 $k$ 个含 $n$ 的一次因子相乘，分母也是 $k$ 个 $n$ 相乘（$n^k$），最高次幂系数比恒为 $1$： $$\lim_{n\to\infty} \frac{n(n-1)\cdots(n-k+1)}{n^k} = \lim_{n\to\infty} 1\cdot\left(1-\frac{1}{n}\right)\cdots\left(1-\frac{k-1}{n}\right) = 1$$
2. 第 ② 项极限：因为指数上方的 $-k$ 是与 $n$ 无关的固定常数，当 $n\to\infty$ 时 $\frac{\lambda}{n} \to 0$，故： $$\lim_{n\to\infty} \left(1 - \frac{\lambda}{n}\right)^{-k} = (1 - 0)^{-k} = 1$$
3. 第 ③ 项极限：这是微积分中最经典的重要极限： $$\lim_{n\to\infty} \left(1 - \frac{\lambda}{n}\right)^n = e^{-\lambda}$$ 三项合并，水到渠成地导出了大名鼎鼎的泊松分布（Poisson Distribution，▶ P46 04:38）： $$\lim_{\substack{n\to\infty,\; p\to 0 \\ np = \lambda}} \binom{n}{k} p^k (1-p)^{n-k} = \frac{\lambda^k}{k!} e^{-\lambda}, \qquad k = 0, 1, 2, \dots$$

---

3.3 巧借二项分布极限秒杀 Poisson 分布的期望与方差（▶ P46 06:35–09:34）

如果直接从级数定义 $\sum_{k=0}^\infty k \frac{\lambda^k}{k!}e^{-\lambda}$ 与 $\sum_{k=0}^\infty k^2 \frac{\lambda^k}{k!}e^{-\lambda}$ 去算 Poisson 分布的期望与方差，还需要写不少级数错位技巧。张颢老师在黑板上展示了极其潇洒的极限继承法（▶ P46 06:35–09:34）：

• 数学期望 $\mathbb{E}[X]$（▶ P46 06:35–07:58）：因为 Poisson 分布是在保持二项分布期望 $np = \lambda$ 恒定不变的条件下逼近过来的，故极限分布的期望自然保持为 $\lambda$： $$\mathbb{E}[X] = \lambda$$
• 方差 $\operatorname{Var}(X)$（▶ P46 07:58–09:34）：已知二项分布 $\operatorname{Bin}(n,p)$ 的方差为 $np(1-p)$。将 $p = \frac{\lambda}{n}$ 代入并令 $n \to \infty$： $$\operatorname{Var}(X) = \lim_{n\to\infty} n p (1 - p) = \lim_{n\to\infty} \lambda \left(1 - \frac{\lambda}{n}\right) = \lambda$$ 重要结论（▶ P46 09:07）：Poisson 分布的均值与方差完全相同，都等于唯一的参数 $\lambda$！

---

3.4 课堂压轴升华：当 Bernoulli 变量不再独立——生日问题配对数分布的 Poisson 逼近（▶ P46 10:35–20:52）

在课程最后 10 分钟，张颢老师抛出了一个令全班耳目一新的高阶问题（▶ P46 10:35–14:45）：

• 二项分布是 $n$ 个相互独立且成功概率极低的 Bernoulli 变量之和，我们可以用 Poisson 分布去逼近它；
• 但如果这一堆 Bernoulli 随机变量之间【并不相互独立】（存在复杂的相关性），根本写不出二项分布，还能不能用 Poisson 分布去逼近它们的和？

案例实战：生日问题升级版——恰好有 $k$ 对人生日相同的概率 $\mathbb{P}(N=k)$（▶ P46 11:37–20:52）

• 问题对比（▶ P46 12:00–14:45）： 在第 1 讲中，我们只算过“班里 $n$ 个人中至少有两个人生日相同”的概率（那只相当于算同生日配对数 $N = 0$ 的概率 $\mathbb{P}(N=0)$，然后用 $1 - \mathbb{P}(N=0)$）。 今天我们要问一个难得多的问题：若两个人同生日就称他们“配成一对”，求班里 $n$ 个人中配成的同生日总对数 $N$ 服从什么分布？即求 $\mathbb{P}(N = k)\;(k=0,1,2,\dots)$！
• Step ① 拆解为 $\binom{n}{2}$ 个两点分布之和（▶ P46 14:45–16:33）： $n$ 个人两两组合，一共可以组成 $M = n' = \binom{n}{2}$ 个人员配对。对第 $m$ 个配对（$m = 1, 2, \dots, \binom{n}{2}$），定义示性随机变量： $$N_m = \begin{cases} 1, & \text{第 } m \text{ 对所涉及的两个人生日相同} \\ 0, & \text{第 } m \text{ 对所涉及的两个人生日不同} \end{cases} \quad\Longrightarrow\quad \text{总同生日对数 } N = \sum_{m=1}^{\binom{n}{2}} N_m$$ 显然，单独看任意一对人，他们撞生日的概率都是一个极小的稀有概率 $p' = \frac{1}{365} \approx 0.00274$。
• Step ② 为什么 $N_1, N_2, \dots, N_M$ 不相互独立？（▶ P46 16:33–18:21） 张颢老师在黑板前生动地解释道：假设“我跟你”生日相同（$N_1 = 1$），“你跟那位同学”生日也相同（$N_2 = 1$），那么我们三个人就连成一串了——“我跟那位同学”的生日必然百分之百相同（$N_3$ 必然等于 $1$，一共形成 3 对而非 2 对）！ 因此，$N_1, N_2, N_3$ 之间存在明显的传递相依关系，绝不相互独立！正因为不独立，总对数 $N$ 根本不服从二项分布！
• Step ③ 跨过二项分布，直接施展 Poisson 逼近（▶ P46 18:21–20:52）： 尽管没有二项分布作跳板，张颢老师指出：在弱相依稀有事件下，Poisson 逼近照样管用（这正是现代概率论中著名的 Chen–Stein 泊松逼近定理）！ 直接令等效试验次数与单次成功概率为： $$n' = \binom{n}{2} = \frac{n(n-1)}{2}, \qquad p' = \frac{1}{365} \quad\Longrightarrow\quad \lambda' = n' p' = \frac{\binom{n}{2}}{365} = \frac{n(n-1)}{730}$$ 则班里恰好有 $k$ 对同生日同学的概率直接由 Poisson 分布给出： $$\mathbb{P}(N = k) \approx \frac{(\lambda')^k}{k!} e^{-\lambda'}, \qquad k = 0, 1, 2, \dots$$
  • 与第 1 讲完美闭环验证：取 $k = 0$（没有任何一对同生日，即所有人互异），上式给出 $\mathbb{P}(N=0) \approx e^{-\lambda'} = \exp\bigl(-\frac{n(n-1)}{2\times 365}\bigr)$——这与我们在第 1 讲（P07）费尽周折用阶乘展开 + 对数泰勒近似推导出的高斯指数公式分毫不差！ 而现在用 Poisson 逼近，不仅瞬间拿到了 $k=0$，还一举拿到了任意 $k=1,2,3,\dots$ 的完整分布列！