مبرهنة بايز on kenji.blog

هل نتيجة 'إيجابي' في الفحص تعني 'المرض'؟: مغالطة معدل الأساس

Thu, 10 Sep 2026 21:00:00 +0900

إذا ظهرت نتيجة “إيجابية (يوجد خلل)” في الفحص الطبي أو فحص السرطان، فمن المؤكد أن أي شخص سيصاب بالذعر. ولكن، إذا كانت لديك معرفة بالإحصاء والاحتمالات، فقد تتمكن من أخذ نفس عميق والهدوء. لأنه “حتى لو كانت نتيجة الفحص عالي الدقة إيجابية”، فهذا لا يعني بالضرورة أن “احتمالية إصابتك بالمرض بالفعل عالية”.

هذا ما يسمى “مغالطة معدل الأساس (Base Rate Fallacy)” أو “إهمال الاحتمال القبلي”، وهو انحياز معرفي نموذجي حيث تخطئ فيه البديهة البشرية بشكل كبير في حساب الاحتمالات.

مسألة الفحص الطبي المرعبة

تخيل الموقف التالي.

في مدينة ما، يوجد مرض مجهول يصيب شخصًا واحدًا من بين كل 10,000 شخص (0.01%). لاكتشاف هذا المرض، تم تطوير مجموعة فحص ممتازة بـ “دقة 99%”. (* دقة 99% تعني أنه إذا خضع شخص مريض للفحص، فسيتم تشخيصه بشكل صحيح على أنه “إيجابي” باحتمال 99%، وإذا خضع شخص سليم للفحص، فسيتم تشخيصه بشكل صحيح على أنه “سلبي” باحتمال 99%).

إذا خضعت أنت لهذا الفحص بالصدفة، وكانت النتيجة “إيجابية”. الآن، ما هو الاحتمال الحقيقي لإصابتك بهذا المرض بالفعل؟

سيجيب الكثير من الناس ببديهية: “بما أن دقة الفحص هي 99%، فإن احتمال أن أكون مريضًا هو 99% أيضًا”. ومع ذلك، فإن الإجابة الرياضية الصحيحة هي “حوالي 0.98% (أقل من 1%)”.

لماذا إذن، على الرغم من دقة الـ 99%، يصبح الاحتمال الفعلي أقل من 1%؟

مبرهنة بايز وتصور الصورة الكاملة

المفتاح لحل هذه المسألة لا يكمن فقط في دقة الفحص، بل في الأخذ بعين الاعتبار “مدى ندرة هذا المرض في الأصل (معدل الأساس / الاحتمال القبلي)”. دعونا نتصور هذه الظاهرة التي تتعارض مع البديهة باستخدام مجموعة كبيرة تتكون من مليون شخص.

إجمالي عدد الأشخاص: 1,000,000 شخص
المرضى الفعليون (1 من كل 10,000): 100 شخص
الأشخاص الأصحاء: 999,900 شخص

سنجري الفحص بـ “دقة 99%” على جميع هؤلاء المليون شخص.

1. عند فحص المرضى الفعليين (100 شخص)

بما أن الدقة هي 99%، فإن عدد الذين سيتم تشخيصهم بشكل صحيح على أنهم “إيجابيون” هو: 100 شخص × 99% = 99 شخصًا (إيجابي حقيقي)

2. عند فحص الأشخاص الأصحاء (999,900 شخص)

بما أن الدقة هي 99%، هناك احتمال 1% بأن يتم تشخيص أشخاص بشكل خاطئ على أنهم “إيجابيون” (إيجابي كاذب): 999,900 شخص × 1% = 9,999 شخصًا (إيجابي كاذب)

graph TD A["إجمالي السكان (1,000,000 شخص)"] --> B["المرضى (100 شخص)"] A --> C["الأصحاء (999,900 شخص)"] B -->|99% صحيح| B1["إيجابي حقيقي (99 شخصًا)"] B -->|1% خطأ| B2["سلبي كاذب (شخص واحد)"] C -->|99% صحيح| C1["سلبي حقيقي (989,901 شخص)"] C -->|1% خطأ| C2["إيجابي كاذب (9,999 شخصًا)"] B1 -.-> D{"إجمالي من قيل لهم 'إيجابي': 10,098 شخصًا"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

الاحتمال الحقيقي لكونك مريضًا

الآن، أخبرك الطبيب أن النتيجة “إيجابية”. هذا يعني أنك دخلت في مجموعة “إجمالي من قيل لهم ‘إيجابي’ (10,098 شخصًا)” الموجودة في أسفل يمين المخطط.

ضمن هذه المجموعة، ما هي نسبة “الأشخاص المرضى بالفعل (إيجابي حقيقي)”؟

$$ \text{احتمالية أن تكون مريضًا بالفعل} = \frac{\text{إيجابي حقيقي}}{\text{جميع من قيل لهم إيجابي}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

نتيجة الحساب هي حوالي 0.98%. على الرغم من أنه قيل لك إن النتيجة “إيجابية”، إلا أن احتمالية أن تكون بصحة جيدة (إيجابي كاذب) أعلى بكثير (حوالي 99%).

لماذا تخطئ البديهة؟

هذه الظاهرة تُشرح رياضيًا بواسطة “مبرهنة بايز” التي تحسب الاحتمال الشرطي، لكن الدماغ البشري سيء جدًا في إجراء هذا الحساب.

السبب وراء ارتكابنا للأخطاء هو تشتت انتباهنا بالمعلومات الفردية والقوية المقدمة أمامنا (“نتيجة فحصك إيجابية! والدقة 99%!")، وتجاهلنا للبيانات الإحصائية الضخمة والمملة الموجودة في الخلفية (“في المقام الأول، لا يصاب بهذا المرض سوى شخص واحد من كل 10,000 شخص (معدل الأساس)”).

نظرًا لأن “ندرة المرض (0.01%)” أكثر تطرفًا بكثير من “عدم دقة الفحص (1%)"، فإن الأخطاء الطفيفة في الفحص تبتلع أعداد المرضى الحقيقيين بسرعة.

“مغالطة معدل الأساس” الكامنة في المجتمع

هذا الوهم لا يسبب الذعر والقرارات الخاطئة في المجال الطبي فحسب، بل في مواقف مختلفة أيضًا.

أنظمة التعرف على الوجوه والإرهابيون: حتى لو التقطت كاميرا للتعرف على الوجوه بدقة 99.9% “إرهابيًا” في المطار، نظرًا لأن الاحتمال الأساسي لوجود إرهابي منخفض للغاية، فإن معظم الذين سيتم القبض عليهم هم أشخاص أبرياء عاديون تتشابه وجوههم (إيجابي كاذب).
حوادث المرور والسائقون المسنون: حتى لو شعرت بالخطر عند مشاهدة أخبار تقول “〇〇% من السيارات التي تسببت في حوادث كان يقودها مسنون”، إذا لم تأخذ في الاعتبار “نسبة السائقين المسنين من بين جميع السائقين على الطريق في المقام الأول (معدل الأساس)"، فلا يمكنك معرفة ما إذا كانت فئة عمرية معينة أكثر عرضة للتسبب في حوادث المرور بالفعل.

تُعلّمنا “مغالطة معدل الأساس” أهمية التفكير الإحصائي، وتحديدًا عندما نرى أرقامًا صادمة أو حالات فردية، يجب علينا العودة إلى السؤال: “ما مدى احتمالية حدوث ذلك في الإجمالي في المقام الأول؟ (معدل الأساس)”.

مسألة الجميلة النائمة: هل احتمال العملة 1/2 أم 1/3؟ المعضلة التي تقسم نظرية الاحتمالات

Thu, 10 Sep 2026 09:00:00 +0900

1. قواعد التجربة الغريبة

تم اختيارك (الجميلة النائمة) لتكوني خاضعة لتجربة علمية معينة. تجرى التجربة من الأحد إلى الأربعاء. في ليلة الأحد، يتم إعطاؤك حبوباً منومة وتغطين في النوم.

بعد أن تنامي، يقوم المجرب برمي عملة نقدية عادلة (عملة يكون احتمال ظهور الصورة أو الكتابة فيها 1/2 تمامًا). وبناءً على النتيجة، سيتم إيقاظك وفقًا للجدول التالي:

【إذا كانت نتيجة رمي العملة “صورة”】

يتم إيقاظك مرة واحدة فقط يوم الاثنين وتُسألين سؤالاً. بعد ذلك، يتم تنويمك مرة أخرى، ولن تستيقظي حتى انتهاء التجربة (يوم الأربعاء).

【إذا كانت نتيجة رمي العملة “كتابة”】

يتم إيقاظك يوم الاثنين وتُسألين سؤالاً. بعد ذلك، تُعطين دواءً خاصاً (دواء لمحو الذاكرة) وتنامين مرة أخرى.
يتم إيقاظك مرة أخرى يوم الثلاثاء ويُطرح عليك نفس السؤال. بعد ذلك، يتم تنويمك مرة أخرى، وتنتهي التجربة (يوم الأربعاء).

※ بسبب تأثير دواء محو الذاكرة، لن تتذكري عند استيقاظك “ما هو اليوم” أو “ما إذا كان قد تم إيقاظك في الماضي” على الإطلاق.

graph TD Sunday["يوم الأحد: الجميلة تنام"] --> Toss{"رمي العملة"} Toss -->|صورة (1/2)| Mon_Heads["الاثنين: استيقاظ + سؤال
（بعد ذلك تنتهي التجربة）"] Toss -->|كتابة (1/2)| Mon_Tails["الاثنين: استيقاظ + سؤال
（بعد ذلك يتم محو الذاكرة）"] Mon_Tails --> Tue_Tails["الثلاثاء: استيقاظ + سؤال
（بعد ذلك تنتهي التجربة）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

الآن، استيقظتِ إما يوم الاثنين أو الثلاثاء. لا توجد ساعة أو تقويم في الغرفة، ولا تعرفين أي يوم نحن اليوم.

يأتي المجرب إليكِ ويسألكِ هذا السؤال: “بما أنك مستيقظة الآن، ما هو في اعتقادك احتمال أن تكون العملة التي رُميت هي ‘صورة’؟”

أنتِ فتاة جميلة ذات خبرة في الرياضيات. حسنًا، كيف ستجيبين؟

2. صدام بين فصيلين: 1/2 أم 1/3

ابتُكرت هذه المسألة في التسعينيات ونُشرت في مجلة أكاديمية عام 2000 من قبل الفيلسوف آدم إلغا. قد يبدو احتمال العملة بديهيًا، ولكن في الواقع، وبسبب هذه المسألة، انقسم علماء الرياضيات والإحصاء والفلاسفة في جميع أنحاء العالم إلى معسكرين: “فريق 1/2 (Halfers)” و “فريق 1/3 (Thirders)”، ويستمر الجدل العنيف بينهما حتى يومنا هذا.

دعونا نستمع إلى “المنطق المثالي” لكل معسكر.

حجة “فريق 1/2 (Halfers)”

“بما أن العملة عادلة وليست مزيفة، فمن الطبيعي أن يكون احتمال ظهور الصورة هو 1/2. بغض النظر عن عدد المرات التي يوقظني فيها المجرب بعد أن أنام، أو يمحو ذاكرتي، فإن ذلك لا يؤثر على الإطلاق على النتيجة الفيزيائية للعملة. كان الاحتمال وقت رمي العملة 1/2، وحقيقة أنني استيقظت لا تقدم أي معلومات جديدة (تلميح لتخمين ما إذا كانت صورة أم كتابة). لذلك، يبقى الاحتمال 1/2.”

هذا رأي سليم للغاية يؤكد على الظواهر الفيزيائية الموضوعية وعدم تحديث المعلومات.

حجة “فريق 1/3 (Thirders)”

“حقيقة أنكِ ‘مستيقظة’ بحد ذاتها هي معلومة تغير من الاحتمال. لنتخيل أننا كررنا هذه التجربة 100 مرة (100 أسبوع). من المفترض أن تظهر العملة ‘صورة’ 50 مرة، و’كتابة’ 50 مرة.

في الـ 50 أسبوعًا التي تظهر فيها الصورة، تستيقظين مرة واحدة فقط يوم الاثنين $\rightarrow$ عدد مرات الاستيقاظ في حالة ‘الصورة’ هو 50 مرة

في الـ 50 أسبوعًا التي تظهر فيها الكتابة، تستيقظين مرتين يومي الاثنين والثلاثاء $\rightarrow$ عدد مرات الاستيقاظ في حالة ‘الكتابة’ هو 100 مرة

هذا يعني أن الموقف الذي تستيقظين فيه، من إجمالي 150 مرة، يتضمن 50 مرة ‘للاستيقاظ على الصورة’ و 100 مرة ‘للاستيقاظ على الكتابة’. لذا، فإن احتمال أن يكون الاستيقاظ الذي تواجهينه الآن هو ‘صورة’ هو 50 / 150 ＝ 1/3!”

هذا رأي قوي يعتمد على “المدرسة التكرارية” أو “المبدأ الإنساني”، حيث يتم إدراج حقيقة “أنني موجود (ألاحظ) الآن” كعنصر في فضاء الاحتمال ضمن الحسابات.

3. محاولة الحساب باستخدام مبرهنة بايز

هناك أيضًا محاولات لحل هذه المسألة باستخدام “مبرهنة بايز”، وهي أداة رياضية لتحديث الاحتمالات. دعونا نرتب منطق “فريق 1/3” من منظور الاحتمال الشرطي.

عند الاستيقاظ، تكون الحالة واحدة من الحالات الثلاث التالية:

$E_1$: العملة هي “صورة”، واليوم هو “الاثنين”
$E_2$: العملة هي “كتابة”، واليوم هو “الاثنين”
$E_3$: العملة هي “كتابة”، واليوم هو “الثلاثاء”

احتمال ظهور “الصورة” هو $1/2$، واحتمال ظهور “الكتابة” هو $1/2$. ولكن، في حالة الكتابة، يكون “الاثنين” و “الثلاثاء” متماثلين تمامًا (لا يمكن التمييز بينهما لأنه لا توجد ذاكرة)، لذلك يُعتبر أن احتمالية حدوث $E_2$ و $E_3$ متساوية.

بما أن مجموع الاحتمالات الكلية يجب أن يكون $1$، وإذا خصصنا احتمالات متساوية لكل استيقاظ كـ “حدث (نقطة مراقبة)” مستقل: $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ وبالتالي، فإن النتيجة هي أن “احتمال أن تكون صورة ($P(E_1)$)” يصبح $1/3$.

من ناحية أخرى، يعترض “فريق 1/2” قائلين: “في الأساس، الاثنين والثلاثاء في حالة العملة الكتابة ($E_2$ و $E_3$) هما مجرد أحداث تابعة مشتقة من نتيجة عملة واحدة، ومن الخطأ حسابهما كاحتمالات مستقلة”.

4. لماذا لا تُحل هذه المسألة؟

السبب الذي يجعل “مسألة الجميلة النائمة” تحير العلماء إلى هذا الحد ليس مجرد خطأ في الحساب أو وهم. هذه المسألة تتطرق إلى أعمق سؤال جوهري في نظرية الاحتمالات، وهو السؤال الفلسفي: “ما هو الاحتمال حقًا؟”

بالنسبة لـ فريق 1/2، الاحتمال هو “خاصية فيزيائية للعملة” أو “حقيقة موضوعية”.
بالنسبة لـ فريق 1/3، الاحتمال هو “درجة اعتقاد المراقب (الجميلة)” أو “التردد المُلاحَظ”.

هذا الموضوع العميق، الذي يتقاطع مع “مشكلة القياس” في ميكانيكا الكم، أو “المبدأ الإنساني” في علم الكونيات (فكرة حساب احتمالية الكون بشكل عكسي انطلاقًا من حقيقة وجودنا)، يتكثف في هذه التجربة البسيطة لرمي العملة.

5. الخلاصة

إذا أصبحتِ موضوع هذه التجربة، فهل ستجيبين بـ “1/2” أم “1/3” عند استيقاظكِ؟

أيًا كان الجواب الذي تختارينه، فسيقف وراءكِ علماء رياضيات من الطراز العالمي للدفاع عنكِ. كيف يمكن للتعريفات الرياضية التي تبدو بسيطة أن تنهار بمجرد ارتباطها بمفاهيم شائكة مثل “الذاتية” و “الوجود” الإنساني. وحتى اليوم، تستمر المفارقات في زعزعة الفطرة السليمة لدينا.

معضلة مونتي هول: فخ الاحتمالات الذي يخون الحدس والحل الشامل باستخدام استدلال بايز

Thu, 10 Sep 2026 00:00:00 +0900

1. المسرح هو برنامج مسابقات تلفزيوني: ماذا ستفعل؟

في عام 1990، في عمود “Ask Marilyn” (اسأل مارلين) في المجلة الإخبارية الأمريكية “Parade”، أرسل أحد القراء السؤال التالي:

أنت مشارك في برنامج ألعاب تلفزيوني. أمامك 3 أبواب (A, B, C). خلف أحد الأبواب توجد سيارة جديدة (الفوز)، وخلف البابين الآخرين يوجد ماعز (الخسارة).

أنت أولاً اخترت الباب A.

بعد ذلك، قام المقدم مونتي هول، الذي يعرف أين توجد السيارة الجديدة، بفتح الباب B الذي يوجد خلفه ماعز من بين الأبواب المتبقية.

يقول لك مونتي: “الآن يمكنك التغيير إلى الباب C. ماذا ستفعل؟”

هل يجب عليك تغيير الباب؟

حدسياً يبدو الأمر وكأن “الأبواب المتبقية هي اثنان: A و C. نظرًا لأن موقع السيارة الجديدة عشوائي تمامًا، فإن احتمال الفوز لأي منهما هو $\frac{1}{2}$ (50%). لذلك، التغيير وعدم التغيير هما نفس الشيء”.

ومع ذلك، أجابت كاتبة العمود مارلين فوس سافانت (صاحبة أعلى معدل ذكاء مسجل في موسوعة غينيس): “يجب عليك التغيير. إذا غيرت، سيتضاعف احتمال فوزك”.

أثارت هذه الإجابة ضجة كبيرة في جميع أنحاء أمريكا، وانهالت حوالي 10 آلاف رسالة احتجاج (حوالي 1000 منها من علماء يحملون درجة الدكتوراه في الرياضيات). كانت هناك عاصفة من الانتقادات اللاذعة مثل “أنت لا تفهمين أساسيات الاحتمالات” و"هذا منطق نسائي". ولكن، في النهاية، كانت إجابة مارلين صحيحة تمامًا من الناحية الرياضية.

2. الفجوة بين الحدس والرياضيات: تفرع الاحتمالات كما نراه في Mermaid

لماذا ينخدع حدسنا ونعتقد أن الاحتمال هو “$\frac{1}{2}$"؟ دعونا أولاً نتصور جميع أنماط اللعبة.

graph TD Start["بداية اللعبة"] --> CarA["السيارة في الباب A (احتمال 1/3)"] Start --> CarB["السيارة في الباب B (احتمال 1/3)"] Start --> CarC["السيارة في الباب C (احتمال 1/3)"] CarA --> PickA1["أنت تختار الباب A"] CarB --> PickA2["أنت تختار الباب A"] CarC --> PickA3["أنت تختار الباب A"] PickA1 --> HostB_or_C["المقدم يفتح الباب B أو C"] PickA2 --> HostC["المقدم يفتح دائماً الباب C"] PickA3 --> HostB["المقدم يفتح دائماً الباب B"] HostB_or_C --> Stay1["لا تغير: فوز!"] HostB_or_C --> Switch1["تغير: خسارة..."] HostC --> Stay2["لا تغير: خسارة..."] HostC --> Switch2["تغير: فوز!"] HostB --> Stay3["لا تغير: خسارة..."] HostB --> Switch3["تغير: فوز!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

بافتراض أنك اخترت “الباب A”، ستحدث السيناريوهات الثلاثة التالية باحتمال متساوٍ ($\frac{1}{3}$).

السيناريو 1 (السيارة في A): يفتح المقدم الباب B أو C الذي يحتوي على ماعز. إذا غيرت الباب، ستخسر.
السيناريو 2 (السيارة في B): المقدم لا يمكنه سوى فتح الباب C الذي يحتوي على ماعز. إذا غيرت الباب، ستفوز.
السيناريو 3 (السيارة في C): المقدم لا يمكنه سوى فتح الباب B الذي يحتوي على ماعز. إذا غيرت الباب، ستفوز.

أي أنه في حالتين من أصل 3 حالات (السيناريوهان 2 و 3)، تكون في وضع “إذا غيرت الباب ستفوز بالتأكيد”. لذلك، نسبة الفوز إذا غيرت الباب تصبح $\frac{2}{3}$، وهي ضعف نسبة الفوز $\frac{1}{3}$ إذا لم تغير.

3. إثبات دقيق باستخدام مبرهنة بايز

لحل هذه المشكلة بدقة رياضية، نستخدم “مبرهنة بايز” التي تحسب الاحتمال الشرطي.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

هنا، نعرّف الأحداث على النحو التالي:

$C_A, C_B, C_C$ : أحداث وجود السيارة في الباب A، B، C على التوالي. الاحتمال المسبق هو $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
لنفترض أنك اخترت الباب A أولاً.
$M_B$ : حدث فتح المقدم للباب B الذي يحتوي على ماعز.

ما نريد حسابه هو “الاحتمال أن تكون السيارة في الباب C بشرط أن المقدم قد فتح الباب B”، أي الاحتمال اللاحق $P(C_C|M_B)$.

أولاً، بناءً على موقع السيارة، نأخذ في الاعتبار احتمال أن يفتح المقدم الباب B وهو $P(M_B|C_X)$.

إذا كانت السيارة في الباب A ($C_A$) يمكن للمقدم فتح B أو C عشوائيًا.
$$ P(M_B|C_A) = \frac{1}{2} $$
إذا كانت السيارة في الباب B ($C_B$) بما أن المقدم لا يستطيع فتح الباب الذي توجد فيه السيارة، فإن احتمال فتحه للباب B هو صفر.
$$ P(M_B|C_B) = 0 $$
إذا كانت السيارة في الباب C ($C_C$) بما أن المقدم لا يستطيع فتح الباب A (الذي اخترته) والباب C (حيث توجد السيارة)، فمن المحتم أن يفتح الباب B.
$$ P(M_B|C_C) = 1 $$

بعد ذلك، نحسب الاحتمال الكلي لفتح المقدم للباب B وهو $P(M_B)$ من “مبرهنة الاحتمال الكلي”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

أخيرًا، نطبق مبرهنة بايز لحساب الاحتمال اللاحق للباب A والباب C.

احتمال وجود السيارة في الباب A (إذا لم تغير):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

احتمال وجود السيارة في الباب C (إذا غيرت):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

حتى من خلال الإثبات الرياضي، تم توضيح أن “تغيير الباب يضاعف احتمال الفوز (2/3)” بوضوح.

4. التحيز المعرفي: قيمة المعلومات في “الاشتراط”

لماذا أخطأ الكثير من علماء الرياضيات العباقرة بشكل حدسي في هذه المشكلة؟ يكمن السبب في “تحيز الاحتمال المتساوي” و"الفشل في تحديث المعلومات” المدمجين في العقل البشري.

4.1. تحيز الاحتمال المتساوي (Equiprobability Bias)

يميل البشر، عند إعطائهم خيارات غير معروفة، إلى الافتراض اللاواعي بأن “احتمالات الخيارات المتبقية متساوية دائماً”. بمجرد رؤية بابين متبقيين، يطلق الدماغ تلقائيًا تسمية “$50\%$ : $50\%$”.

4.2. معلومات عن “نية” المقدم

السبب الرئيسي في خطأ الحدس هو تجاهل حقيقة أن تصرف المقدم ليس عشوائيًا. إذا كانت القاعدة هي “إذا فتح المقدم بابًا عشوائيًا دون أن يعرف مكان السيارة، وصادف أنه ماعز” (تُعرف باسم مشكلة مونتي فول)، فإن احتمال كل من الباب A والباب C سيكون $\frac{1}{2}$.

ولكن في معضلة مونتي هول الحقيقية، يتصرف المقدم وفقًا للقيود الصارمة التالية:

لا يمكنه فتح الباب الذي اختاره المشارك.
لا يمكنه فتح الباب الذي يحتوي على السيارة.

بسبب هذه القيود، فإن فعل المقدم “بفتح الباب B” في حد ذاته يعطينا معلومات هائلة حول الباب C. إنه يحمل رسالة صامتة مفادها: “لم أستطع فتح الباب C (لأن السيارة هناك)”.

5. تصحيح الحدس بمثال متطرف

إذا كنت لا تزال غير مقتنع، فلنحاول زيادة عدد الأبواب إلى مليون باب.

من بين مليون باب، اخترت أنت الباب 1. (احتمال الفوز هو $\frac{1}{1,000,000}$)
المقدم الذي يعرف كل شيء يفتح 999,998 بابًا تحتوي على ماعز من أصل 999,999 بابًا متبقيًا.
الأبواب المغلقة هي “الباب 1” الذي اخترته و"الباب 777,777" الذي تركه المقدم عمدًا.

الآن، هل ستغير اختيارك؟ في هذه الحالة، إذا كنت تعتقد أنك جذبت معجزة “واحد في المليون” في البداية، فلا ينبغي لك التغيير. ومع ذلك، في الواقع، ستفهم حدسيًا أن احتمال وجود السيارة في “الباب الوحيد الذي لم يستطع المقدم فتحه مطلقًا” هو $\frac{999,999}{1,000,000}$.

معضلة مونتي هول (3 أبواب) هي مجرد تصغير لنطاق ظاهرة “المليون باب” هذه.

pie title "تأثير تغيير الباب (100 محاكاة)" "الفوز بتغيير الباب (حوالي 66.7%)" : 67 "الفوز بدون تغيير الباب (حوالي 33.3%)" : 33

6. الخلاصة: دروس في الأعمال والحياة من نظرية الاحتمالات

تتجاوز معضلة مونتي هول كونها مجرد مسابقة لتقدم لنا دروسًا مهمة.

الحدس يخطئ غالبًا: لم يتطور الدماغ البشري لمعالجة الاحتمالات الشرطية المعقدة بشكل حدسي. في اتخاذ القرارات المهمة، من الخطر الاعتماد على الحدس وحده.
تحديث الاحتمالات بمعلومات جديدة (تحديث بايز): عندما تتغير الظروف ويتم توفير معلومات جديدة (مثل أي باب فتحه المقدم)، فإن القدرة على تحديث الاحتمالات والاستراتيجيات بمرونة دون التمسك بالأفكار الموجودة مسبقًا هي مفتاح النجاح.

القرار الصغير بـ “تغيير الباب” قد يضاعف من احتمال حصولك على “السيارة الجديدة” في حياتك.