3. 37%法则推导：数学推导过程，为什么是1/e？

好，咱们直接进入正题。上一节我们聊了秘书问题的直觉，这一节我们来硬核推导。为什么最优停止比例是37%？为什么是1/e？

说实话，我第一次看到这个结果时，第一反应是：这也太巧了吧？后来自己动手推了一遍，才发现这背后是数学的美。嗯，咱们一步步来。

3.1 问题重述与符号定义

先把问题说清楚。假设有n个候选人，按随机顺序面试。你每次只能决定「要」或「不要」，不能回头。目标是选中最优的那个人。

定义几个符号：

• n：总人数
• k：观察阶段的人数（先看k个，不选）
• r：k/n，即观察比例
• P(k)：采用策略「观察前k个，之后选第一个比前k个都好的」时，选中最优的概率

3.2 概率公式的建立

现在来算P(k)。这个概率可以拆成两部分：

1. 最优的人必须出现在后n-k个中（否则你永远选不到他）
2. 在最优的人出现之前，不能有任何人比前k个中的最好者更优

我习惯用条件概率来想这个问题。设最优的人在第i个位置出现（i从1到n）。那么：

• 如果i ≤ k，概率为0 —— 你把他放过了
• 如果i > k，概率为：前k个中最好的人，恰好是全局前i-1个中最好的

为什么？因为如果前k个中最好的人不是全局前i-1个中最好的，那在i之前就会出现一个比前k个都好的候选人，你会提前选错人。

所以，给定最优者在位置i，选中的概率是：

P(选中最优 | 最优在位置i) = k / (i - 1)

这个公式的意思是：前i-1个人中，最好的那个必须落在前k个里。而最好的那个落在前k个的概率，就是k/(i-1)。

于是总的概率：

P(k) = Σ_{i=k+1}^{n} (1/n) × (k / (i-1))

这里1/n是最优者在位置i的概率（均匀分布）。

3.3 从离散到连续：积分近似

上面这个求和，说实话手算很麻烦。当n很大时，我们可以用积分来近似。

令 x = i/n，dx = 1/n。当n→∞时：

P(k) ≈ ∫_{k/n}^{1} (k/n) / x dx
     = r × ∫_{r}^{1} (1/x) dx
     = r × [ln(x)]_{r}^{1}
     = r × (ln(1) - ln(r))
     = -r × ln(r)

这里r = k/n。你看，概率变成了一个关于r的函数：P(r) = -r·ln(r)。

3.4 求最大值：为什么是1/e？

好，现在我们有P(r) = -r·ln(r)。要最大化它，求导：

dP/dr = -ln(r) - 1

令导数为0：

-ln(r) - 1 = 0
ln(r) = -1
r = e^{-1} = 1/e ≈ 0.3679

看，37%就这么来了。代入回P(r)：

P(1/e) = -(1/e)·ln(1/e) = -(1/e)·(-1) = 1/e ≈ 0.3679

有意思的是，最优概率也是1/e。也就是说，用37%法则，你有37%的概率选到最优。

3.5 一个直观的SVG图

下面这张图展示了P(r)随r的变化趋势。你可以看到，它在r=0.37附近达到顶峰。

你看，曲线在r=0.37处达到最高点，然后逐渐下降。如果r太小（观察太少），你建立的标准不够可靠；如果r太大（观察太多），你错过了太多候选人，可选空间太小。

3.6 数值验证：用Python算一下

光推导不够，我习惯用代码验证一下。下面这个脚本直接计算离散情况下的最优k：

import numpy as np

def secretary_probability(n, k):
    """计算n个候选人，观察前k个时的最优选择概率"""
    prob = 0.0
    for i in range(k+1, n+1):
        prob += (1/n) * (k / (i-1))
    return prob

# 测试不同n值
for n in [10, 50, 100, 1000]:
    best_k = 0
    best_prob = 0
    for k in range(1, n):
        p = secretary_probability(n, k)
        if p > best_prob:
            best_prob = p
            best_k = k
    print(f"n={n:5d}: 最优k={best_k:4d}, 比例={best_k/n:.3f}, 概率={best_prob:.4f}")

输出结果：

n=   10: 最优k=   3, 比例=0.300, 概率=0.3987
n=   50: 最优k=  18, 比例=0.360, 概率=0.3743
n=  100: 最优k=  37, 比例=0.370, 概率=0.3710
n= 1000: 最优k= 368, 比例=0.368, 概率=0.3682

看到了吗？随着n增大，最优比例越来越接近37%，概率也越来越接近37%。

3.7 为什么是1/e？一个更深的视角

你可能会问：为什么偏偏是1/e？这个数到底有什么特殊之处？

我个人的理解是这样的：e是自然增长的极限。在秘书问题中，你面临的是「信息积累」和「机会消耗」之间的权衡。每多观察一个人，你的信息增加一点，但可选的余地减少一点。这两个力量恰好以e为平衡点。

换个角度想：如果你观察了n/e个人，那么你看到最优的概率是1/e，你错过最优的概率也是1/e。剩下的概率分布在其他位置。这种对称性，其实很优雅。

观察比例 r	选中最优概率 P(r)	含义
0.1	0.230	观察太少，标准不可靠
0.2	0.322	接近但还不够
0.37	0.368	最优平衡点
0.5	0.347	观察太多，机会浪费
0.7	0.250	可选空间太小
0.9	0.095	几乎没得选

嗯，到这里你应该明白了。37%法则不是玄学，是数学推导出来的最优解。它告诉我们：在信息不完全的情况下，最好的策略不是追求完美，而是设定一个合理的标准，然后果断执行。