费米问题例题

题目

（1）一个正常成年人有多少根头发？
（2）北京有多少个加油站？
（3）胡同口的煎饼摊子一年能卖多少个煎饼？
（4）一辆公交车里能装下多少个乒乓球？
…

解决问题核心思想

这类问题英文称之为Fermi problem。即「费米问题」。解决此类问题的方法有很多种。个人推荐 Top-down，bottom-up法则。
这个法则的中心思想是：
首先，分别从两个角度展开。一是先从宏观层面，由上层往下推。二是由某个点横向切入，反推上去。

其次，拿两次推测得到的结果进行对比，如果相差在一定的范围内。那么我们认为这个结论是可以信任的。

最后，为了使结论更具有客观性。我们需要补充上可能出现「误差」的地方，以及误差对结果的影响。

举例------题目1：假如需估算深圳市丰田汽车的数量？

步骤一：先top-down分析：

假设已知深圳市全市共有机动车300万辆
在深圳市几个车流密集区域采样，记录每100辆车中丰田车的占比，取平均占比。假如为25%
300万×25%=75万辆

步骤二：再bottom-up分析：

*假设已知深圳全市有「特斯拉」8万辆
*在某地多点采样得出，在每100辆汽车车中，「特斯拉」车的占比为2%，丰田车的占比为20%。
8万／2%20%=80万辆

不难看出，以上两个分析的出发角度是不同的。
前者从宏观往下，取得平均占比后，乘以总数，得到丰田车的数量。
后者从微观往上，以另一款汽车「特斯拉」作为切入，反推丰田车的数量。

得到75万，80万的这两个数字，差距在一定的范围内，则认为这个数据是可以取信的。

最后，我们还需要进行误差分析。

1.在对丰田汽车采样的时候，若只取了口岸附近的车流密集区，则占比有可能偏高（香港牌的保姆车绝大多数是丰田埃尔法：http://mini.eastday.com/mobile/161119115415503.html）

2.在对特斯拉进行采样时，若取样地点是「特斯拉充电桩」附近，同样也会造成数据偏高的情况。
当然这里对于误差的分析，可以再多些维度。比如日本企业聚集区，特斯拉某次大促后的时间点，采样的时间是工作日还说周末等都可能是造成误差的因素，这里就不再展开了。有了估算数据和误差分析，基本上一个费米问题的解答就算是OK了。

「费米问题」又被称作理科生的脑筋急转弯。这里附上来自马里兰州大学的费米问题库http://www.physics.umd.edu/perg/fermi/fermi.htm。
内容涵盖了理工科多个领域。感兴趣的朋友可以去看看。

留下一个问题：

如果让你来估算「北京某胡同口的煎饼摊一年能卖出多少个煎饼？」你的思路是什么？
可以把你的思路留言在文末。我们一起探讨探讨吧！