機率論 on kenji.blog

睡美人問題：硬幣的機率是 1/2 還是 1/3？讓機率論分裂的難題

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

1. 奇妙的實驗規則

妳（睡美人）被選為某項科學實驗的受試者。實驗將從星期日進行到星期三。星期日的晚上，妳會被餵食安眠藥並進入夢鄉。

在妳入睡後，實驗者會擲出一枚公平的硬幣（出現正面和反面的機率完全是1/2的硬幣）。然後，根據擲硬幣的結果，實驗者會依照以下時間表將妳喚醒。

【擲硬幣結果為「正面」的情況】

在星期一被喚醒一次，並被問一個問題。之後，妳會再次被迷暈入睡，直到實驗結束（星期三）前都不會再醒來。

【擲硬幣結果為「反面」的情況】

在星期一被喚醒，並被問一個問題。之後，妳會被餵食一種特殊的藥物（消除記憶的藥），然後再次入睡。
在星期二再次被喚醒，並被問同樣的問題。之後，妳會再次入睡，直到實驗結束（星期三）。

※由於失憶藥物的效果，妳在醒來時完全無法想起「今天是星期幾」以及「過去是否曾被喚醒過」。

graph TD Sunday["星期日：睡美人入睡"] --> Toss{"擲硬幣"} Toss -->|正面 (1/2)| Mon_Heads["星期一：喚醒＋提問
（之後實驗結束）"] Toss -->|反面 (1/2)| Mon_Tails["星期一：喚醒＋提問
（之後消除記憶）"] Mon_Tails --> Tue_Tails["星期二：喚醒＋提問
（之後實驗結束）"] 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

現在，星期一（或星期二），妳醒來了。房間裡沒有時鐘也沒有日曆，妳不知道今天是星期幾。

這時實驗者走了進來，向妳提出這樣的問題： 「在妳現在醒著的狀態下，妳認為擲出的硬幣為『正面』的機率是多少？」

妳是一位精通數學的睡美人。那麼，妳會怎麼回答呢？

2. 激烈衝突的兩大派系：1/2 還是 1/3

這個問題是在 1990 年代被提出，並在 2000 年由哲學家亞當·埃爾加（Adam Elga）發表於學術期刊上。硬幣的機率看似不言自明，但實際上圍繞著這個問題，全世界的數學家、統計學家和哲學家分成了**「1/2派（Halfer）」與「1/3派（Thirder）」**兩大陣營，至今仍展開著激烈的爭論。

讓我們來聽聽各自陣營的「完美邏輯」。

「1/2派（Halfer）」的主張

「因為硬幣是沒有作弊的公平硬幣，所以出現正面的機率理所當然是 1/2。無論實驗者在我睡著後喚醒我多少次、或者消除我的記憶，那都完全不會影響硬幣的物理結果。擲出硬幣那一刻的機率就是 1/2，而我醒來這件事並沒有提供任何新的資訊（推測是正面或反面的線索）。因此，機率仍然是 1/2。」

這是一個非常合理的觀點，重視客觀的物理現象和資訊的非更新性。

「1/3派（Thirder）」的主張

「妳『正醒著』的這個事實本身，就是會改變機率的資訊。假設我們將這個實驗重複 100 次（100 週）。硬幣應該會有 50 次是『正面』，50 次是『反面』。

出現正面的 50 週，只會在星期一醒來 1 次 $\rightarrow$ 在『正面』下醒來的次數是 50 次

出現反面的 50 週，會在星期一和星期二醒來 2 次 $\rightarrow$ 在『反面』下醒來的次數是 100 次

也就是說，在妳醒來那一瞬間的情境，在總共 150 次之中，『因為正面而醒來的模式』有 50 次，『因為反面而醒來的模式』有 100 次。所以，妳現在所經歷的這次醒來，硬幣是『正面』的機率是 50 / 150 ＝ 1/3！」

這是一個強而有力的觀點，基於「頻率主義」和「人擇原理」，將「自己現在存在（觀測）」的狀況本身作為機率空間的元素納入計算。

3. 試著用貝氏定理來計算

也有人嘗試使用數學上更新機率的工具「貝氏定理」來解開這個問題。讓我們從條件機率的觀點來整理一下「1/3派」的邏輯。

醒來時的狀態，會是以下三種之一：

$E_1$：硬幣是「正面」，現在是「星期一」
$E_2$：硬幣是「反面」，現在是「星期一」
$E_3$：硬幣是「反面」，現在是「星期二」

出現「正面」的機率是 $1/2$，出現「反面」的機率是 $1/2$。然而，在反面的情況下，「星期一」和「星期二」是完全對稱的（因為沒有記憶所以無法區分），因此可以認為 $E_2$ 和 $E_3$ 發生的可能性相等。

由於所有機率的總和必須是 $1$，如果將每一次的醒來作為獨立的「事件（觀測點）」並平均分配機率的話： $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ 這就是結果。因此，「硬幣是正面的機率（$P(E_1)$）」就是 $1/3$，這就是他們的結論。

另一方面，「1/2派」反駁說：「硬幣為反面時的星期一和星期二（$E_2$ 和 $E_3$），本身只是從同一個硬幣結果衍生出來的相依事件，將它們作為獨立機率來計算是錯誤的。」

4. 為什麼這個問題無法解決？

「睡美人問題」之所以讓學者們如此苦惱，並不僅僅是因為單純的計算錯誤或錯覺。這是因為這個問題觸及了機率論最深層的根本疑問，也就是**「機率到底是什麼？」**這個哲學層面的探討。

對於1/2派來說，機率是「硬幣的物理性質」或「客觀事實」。
對於1/3派來說，機率是「觀測者（睡美人）的信念程度」或「被觀測到的頻率」。

這個簡單的擲硬幣實驗，濃縮了與量子力學中的「觀測問題」以及宇宙論中的「人擇原理（從我們存在的事實來反推宇宙機率的思考方式）」相通的深奧主題。

5. 總結

如果妳成為了這個實驗的受試者，當妳醒來時，妳會回答「1/2」還是「1/3」呢？

無論妳回答哪一個，背後都會有世界頂尖的數學家為妳辯護。看似單純的數學定義，一旦與人類的「主觀」或「存在」這些麻煩的概念結合在一起，是多麼容易崩潰。今天，悖論依然持續動搖著我們的常識。

聖彼得堡悖論：期望值為「無限大」的賭局，你願意付多少錢？

Thu, 10 Sep 2026 05:00:00 +0900

1. 期望值為「無限大」的夢幻賭局

當你走在賭場裡，莊家邀請你參加以下這個全新的擲硬幣遊戲。

【遊戲規則】

支付參加費後遊戲開始。
擲硬幣。如果出現正面，獎金就會翻倍，並且可以再擲一次。
一旦出現反面，遊戲即告結束。你可以獲得直到該時間點累積的獎金。

初始獎金從 2 美元開始。

第 1 次出現反面，獲得 2 美元後結束。
第 1 次正面、第 2 次反面，獲得 4 美元後結束。
第 1 次正面、第 2 次正面、第 3 次反面，獲得 8 美元後結束。
…之後，只要持續出現正面，獎金就會以 16 美元、32 美元、64 美元… 呈倍數增加。

graph TD Start["遊戲開始"] --> Toss1{"第 1 次擲硬幣"} Toss1 -->|反面 (1/2)| End1["結束：獲得 2 美元"] Toss1 -->|正面 (1/2)| Toss2{"第 2 次擲硬幣"} Toss2 -->|反面 (1/2)| End2["結束：獲得 4 美元"] Toss2 -->|正面 (1/2)| Toss3{"第 3 次擲硬幣"} Toss3 -->|反面 (1/2)| End3["結束：獲得 8 美元"] Toss3 -->|正面 (1/2)| Toss4{"..."} Toss4 -.->|連續次數越多| Infinite["獎金無限倍增！"]

那麼，現在問你一個問題。 如果這個遊戲的參加費是「1 萬美元」，你會參加嗎？

恐怕大多數人都會回答「不參加」。因為有一半的機率，在第一次擲硬幣時就會出現反面，結果只能拿到區區 2 美元，從而損失慘重。

然而，如果嚴格按照數學機率論（期望值）來計算，將會得出一個驚人的事實。在數學上，不管參加費是 1 萬美元還是 1 億美元，你甚至應該借盡全副身家來參加這個遊戲。

這到底是為什麼呢？

2. 讓我們來計算期望值

在判斷一個賭博是「賺」還是「賠」時，數學上的指標稱為**「期望值」。期望值代表的是「當這個遊戲重複進行多次時，平均每次可以賺多少錢」的數值。計算公式為將所有的「（獲得的獎金）×（其發生的機率）」相加起來**。

讓我們來計算一下這次遊戲的期望值。

第 1 次出現反面的機率： $\frac{1}{2}$ 獎金為 $2$ 美元。對期望值的貢獻＝ $2 \times \frac{1}{2} = 1$ 美元
第 2 次出現反面的機率： 出現正面、反面，所以是 $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ 獎金為 $4$ 美元。對期望值的貢獻＝ $4 \times \frac{1}{4} = 1$ 美元
第 3 次出現反面的機率： 出現正面、正面、反面，所以是 $(\frac{1}{2})^3 = \frac{1}{8}$ 獎金為 $8$ 美元。對期望值的貢獻＝ $8 \times \frac{1}{8} = 1$ 美元
第 $n$ 次出現反面的機率： $(\frac{1}{2})^n$ 獎金為 $2^n$ 美元。對期望值的貢獻＝ $2^n \times (\frac{1}{2})^n = 1$ 美元

也就是說，無論遊戲在第幾次結束，該模式的期望值永遠都是「1 美元」。由於遊戲有無限進行下去的可能性，將這些期望值全部相加就會變成這樣：

$$ \text{總期望值} = 1 + 1 + 1 + 1 + \dots = \infty \text{（無限大）} $$

數學計算出的答案是**「這個遊戲的期望值為無限大」**。既然期望值是無限大，那麼無論參加費有多高，在理論上這絕對是一個「划算的賭局」。

這就是 1713 年由尼古拉斯·伯努利（Nicolaus Bernoulli）所提出的**「聖彼得堡悖論」**。數學上正確的計算結果（具有無限大的價值）與人類現實的直覺（只願意付幾美元）產生了強烈的矛盾。

3. 解決數學與人類之間落差的「效用」發現

解決這個悖論的，是尼古拉斯的堂弟，天才數學家丹尼爾·伯努利（Daniel Bernoulli）。（因為他在聖彼得堡的科學院發表了這篇論文，所以以此命名。）

丹尼爾深入探討了人類的心理。他認為，「人類在判斷事物時，依據的不是金錢的『絕對金額』，而是金錢所帶來的『滿足度（效用）』」。

這被稱為**「邊際效用遞減法則」**。

金錢的價值會隨著擁有的數量而下降

例如，當你在沙漠中口渴難耐時，第 1 杯水具有「就算付 1 萬日圓也想喝」的價值（滿足度）。但是，隨著你喝下第 2 杯、第 3 杯，1 杯水的價值會不斷下降。到了第 10 杯，可能就會變成「免費給我也不要」。

金錢也是一樣的。

對於一個存款為零的人來說，獲得「100 萬日圓」有著能拯救人生的巨大價值。
然而，對於資產高達 100 億美元的伊隆·馬斯克來說，獲得「100 萬日圓」的價值（滿足度），可能就和掉在路邊的 1 日圓硬幣差不多。

換句話說，即使獎金以 2 美元 $\rightarrow$ 4 美元 $\rightarrow$ 8 美元 $\rightarrow$ 16 美元… 無限增加，人類所感受到的「喜悅（效用）」並不會與金額成正比無限增加。

4. 使用「效用」重新計算期望值

丹尼爾·伯努利假設：「人類所感受到金錢的價值（效用），與金額的對數（$\log$）成正比」。

假設金額為 $x$，我們用對數函數來表示人類感受到的價值（效用） $u(x)$（這裡考慮以 2 為底數的簡單模型）。

獎金 $2$ 美元的效用： $\log_2(2) = 1$
獎金 $4$ 美元的效用： $\log_2(4) = 2$
獎金 $8$ 美元的效用： $\log_2(8) = 3$
獎金 $2^n$ 美元的效用： $\log_2(2^n) = n$

雖然金額呈倍數增長，但人類的「喜悅」卻只以 1, 2, 3… 緩慢增加。讓我們使用這個「效用」來重新計算期望值（期望效用）。

$$ \text{期望效用} = \sum_{n=1}^{\infty} \left( n \times \left(\frac{1}{2}\right)^n \right) $$ $$ = 1 \cdot \frac{1}{2} + 2 \cdot \frac{1}{4} + 3 \cdot \frac{1}{8} + 4 \cdot \frac{1}{16} + \dots $$

計算這個無窮級數的和，結果並不會變成「無限大」，而是收斂於「2」。將效用為「2」反推回金額，得到 $2^2 = 4$ 美元。

也就是說，如果將人類的心理（效用）納入計算，就會得出一個極為符合常識且現實的答案：「在人類的感覺中，這個遊戲的價值大約是『4 美元』左右」。這正是為什麼我們不願意為這個遊戲支付 1 萬美元的原因。

5. 總結：開啟經濟學大門的悖論

聖彼得堡悖論是一個劃時代的悖論，它在數學上證明了「金額」這種客觀的數字，與「人類滿足度」這種主觀的價值並不一致。

丹尼爾·伯努利所提出的「效用（Utility）」概念，在經過 200 年後，成為了現代個體經濟學和金融工程學（如投資組合理論等）最重要的基礎。我們購買保險、進行分散投資等行為，也全都可以用這種「邊際效用遞減（損失慘重的痛苦，遠遠大於賺大錢的喜悅）」的人類心理機制來解釋。

一個單純的賭博計算題，竟成為了解讀人類心理，並催生出經濟學這門龐大學科的契機。

生日悖論：只要23人就有超過50%機率？欺騙直覺的「組合」魔法

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

1. 直覺測試：聚集多少人機率才會超過50%？

某個派對會場聚集了一群人。這時候，您認為要讓**「會場中，至少有一組生日（月和日）完全相同的兩人的機率超過50%」**，最少需要多少人？（※排除閏年，一年以365天計算，並假設每天作為生日的機率相等）。

人類的直覺往往會這樣計算：「一年有365天這麼多。把人隨機放入365個格子中，如果要發生重複，至少也需要180人左右吧。保守估計，沒有個50到60人，機率應該不到一半吧？」

然而，數學算出的正確答案，竟然只有**「23人」**。如果是一個學校班級（約30人到40人），有生日相同的配對存在的機率，會暴增到約70%到89%。如果有50人，這個機率更會高達97%，變成「沒有人生日相同反而比較稀奇」的狀態。

為什麼我們的直覺與現實的機率會有如此巨大的落差呢？

2. 直覺出錯的原因：「我與某人」和「某人與某人」的差異

這個問題中，直覺會出錯的最大原因，是因為我們會在無意識中思考**「有人的生日和特定一人（例如自己）相同的機率」**。

當您走進會場，想尋找「有沒有人的生日和我一樣呢？」時，在23人之中有與您生日相同的人的機率，僅僅只有約6.1%。（要讓這個機率超過50%，實際上需要多達253人）。

但是，生日悖論所問的，並不是「我與某人」的配對。而是**「會場中所有人的所有可能組合（A先生和B先生、B先生和C小姐、C小姐和A先生……）」**中，只要有一組一致就可以了。

graph TD subgraph "直覺的錯覺：以「自己」為中心的比較" You["自己"] --- P1["A先生"] You --- P2["B先生"] You --- P3["C小姐"] You --- P4["D先生"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "現實：「所有人與所有人」的交叉比較" A["A先生"] --- B["B先生"] A --- C["C小姐"] A --- D["D先生"] B --- C B --- D C --- D end

即便只有4人的小組，以「自己」為中心的比較只有3種，但所有人互相比較的話則有6種（${}_4 C_2 = 6$）。當人數增加到23人時，配對的組合更是爆炸性地增加到253種（${}_{23} C_2$）。既然有高達253組配對，其中有一組抽中「365分之1」的機率，是不是就讓人覺得不那麼不可思議了呢？

3. 數學的證明：使用餘事件的巧妙解法

要正面計算「至少有一組生日相同的機率」非常困難（因為要考慮只有1組相同、有2組相同、有3個人同一天生日等各種情況，模式太多了）。因此，我們要使用機率論的基本技巧**「餘事件（Complementary Event）」**。

餘事件是指「不會發生的機率」。也就是說，只要計算出**「所有人的生日都不一樣（連一組都沒有重複）的機率」**，再用100%（即1）去減，就能得出我們想求的機率。

$$ P(\text{至少有2人相同}) = 1 - P(\text{所有人生日皆不同}) $$

那麼，我們想像人們依序進入會場來計算看看。

第1人：不用擔心跟任何人重複。機率是 $\frac{365}{365}$。
第2人：生日必須和第1人不同。只要在剩下的364天就安全。機率是 $\frac{364}{365}$。
第3人：生日必須和前2人不同。只要在剩下的363天就安全。機率是 $\frac{363}{365}$。

將這些機率乘到第 $n$ 人，就能得出所有人的生日都不同的機率 $P(n)'$ 的一般項。

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

因此，所求的「至少有2人具有相同生日的機率 $P(n)$」就會變成以下公式。

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

如果將人數 $n$ 代入這個公式，就會發現機率以驚人的速度上升。

當 $n = 10$ 時，機率約為 11.7%
當 $n = 23$ 時，機率約為 50.7% （在這裡超過了50%！）
當 $n = 40$ 時，機率約為 89.1%
當 $n = 70$ 時，機率約為 99.9%

pie title "聚集23人時的機率" "有相同生日的配對 (50.7%)" : 50.7 "全部分散不重複 (49.3%)" : 49.3

4. 泰勒展開的近似計算

要手動計算23次乘法實在太辛苦了，所以讓我們用數學的近似公式來更直覺地理解。

考慮指數函數 $e^{-x}$ 的泰勒展開式。當 $x$ 夠小時，下列近似式成立。

$$ e^{-x} \approx 1 - x $$

將這個公式應用到剛才的各項 $\left(1 - \frac{k}{365}\right)$，

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

將它們全部相乘（根據指數定律會變成相加），

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

從1到 $n-1$ 的總和是 $\frac{n(n-1)}{2}$ （也就是組合數 ${}_n C_2$），所以

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

在這個公式中，我們要求當機率為 50% ($0.5$) 時的 $n$。

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

將兩邊取自然對數（$\ln 0.5 \approx -0.693$）。

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

如果近似為 $n^2 \approx 506$，則 $n = \sqrt{506} \approx 22.49$ 完美地推導出了 $n \approx 23$ 這個答案！

5. 日常生活的應用與「雜湊碰撞」

這個悖論並不只是宴會上的話題。在支撐現代IT社會的密碼學與資訊安全中，它扮演著極為重要的角色。

在電腦系統中，為了快速確認密碼或檔案的同一性，我們會使用一種稱為「雜湊函數（Hash Function）」的機制。雜湊函數無論輸入什麼資料，都會回傳固定長度的隨機字串（雜湊值）。然而，這種雜湊值偶然變得相同的現象，就被稱為**「雜湊碰撞（Hash Collision）」**。

雜湊碰撞正是以和生日悖論相同的原理發生。違反了人類直覺中「雜湊值的種類是天文數字，所以應該幾乎不會發生碰撞」的想法，攻擊者隨機產生大量資料來找出「某個和某個一致（生日重複）的配對」，其實比想像中容易得多。

這被稱為**「生日攻擊（Birthday Attack）」**。設計安全系統的工程師們，就是以這個「碰撞發生的速度遠比直覺更快」的數學事實為前提，將雜湊值的長度設定得非常長，藉此確保安全性。

6. 總結：人類直覺的極限

生日悖論是一個完美的例子，顯示了人類的直覺對於「指數性增長」或「組合的爆炸」是多麼地脆弱。

我們雖然擅長處理線性（加法性）的增長，但卻無法在腦內模擬配對數量以 $n^2$ 的速度爆炸性增加的現象。在「與365這個大數字相比，23這個數字太小了」的直覺背後，其實交織著由23人所創造出的**「253條看不見的線（配對）」**。

下次當您前往人群聚集的地方時，除了眼睛看得到的「人數」，也不妨想像一下存在於他們之間無數的「組合的線」。您看世界的方式，應該會變得稍微有數學味一點。

兩個信封悖論：無限期望值引發的邏輯崩潰與決策陷阱

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

1. 終極的選擇：該交換，還是不該交換？

你正站在一個遊戲節目的最終關卡。眼前的桌子上放著兩個外觀完全相同的 信封（A和B）。主持人這麼說：

「其中一個信封裡，裝有另一個信封 兩倍的獎金。請選擇其中一個。」

你猶豫了一下，選擇了 信封A。正當你想看裡面的內容時，主持人卻像惡魔般在耳邊低語：

「現在的話，你可以把那個信封A，和剩下的信封B 進行交換喔。你要交換嗎？」

那麼，你應該交換信封嗎？

2. 期望值計算導出的「無限迴圈」

在這裡，讓我們稍微運用一下數學思維。假設你持有的信封A裡面的金額為 $X$ 元。根據規則，信封B裡面的金額只有可能是「$X$ 元的一半（$\frac{X}{2}$）」或「$X$ 元的兩倍（$2X$）」。兩者的機率各為 $\frac{1}{2}$（50%）。

那麼，讓我們來計算一下 交換信封時的期望值（預期平均金額）。

$$ E = \frac{1}{2} \times \left(\frac{X}{2}\right) + \frac{1}{2} \times (2X) $$ $$ E = \frac{X}{4} + X = \frac{5}{4}X = 1.25X $$

得出了令人驚訝的結果。只要交換信封，期望值就會從原本的 $X$ 元飆升到 $1.25$ 倍（增加25%）。結論是：「從數學上來思考，交換絕對比較划算！」

但是，這裡發生了 邏輯的崩潰。假設你換成了信封B。就在那之後，如果主持人又問：「要不要再換回A呢？」會發生什麼事？完全相同的計算公式依然成立，這次變成了「如果從B換回A，期望值會變成1.25倍」。

也就是說，只要不斷重複「從A換到B」、「從B換到A」，理論上的期望值就會無限增加。這顯然與現實矛盾（信封裡的內容物從一開始就決定好了，並不會因為交換而增加）。

graph TD Start["你選擇了信封A (裡面是X元)"] --> Think["計算交換是否比較划算"] Think --> Case1["信封B是半價 (X/2元) : 機率50%"] Think --> Case2["信封B是兩倍 (2X元) : 機率50%"] Case1 --> Calc["期望值 = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["交換成信封B! (裡面是Y元)"] SwitchToB --> ThinkAgain["再次計算"] ThinkAgain --> Case3["信封A是半價 (Y/2元) : 機率50%"] ThinkAgain --> Case4["信封A是兩倍 (2Y元) : 機率50%"] Case3 --> Calc2["期望值 = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["再次交換成信封A!"] SwitchToA --> Start style Calc fill:#ff9999,stroke:#333,stroke-width:2px style Calc2 fill:#ff9999,stroke:#333,stroke-width:2px style SwitchToA fill:#ff4444,color:#fff,stroke:#333,stroke-width:4px

為什麼看似完美的期望值計算，會產生如此荒謬的悖論呢？

3. 數學把戲的解密：變數的偷換

這個悖論的陷阱在於 「隨機變數 $X$ 的使用方式」。

在剛才的計算公式中，我們把信封A的金額 $X$ 當成一個 固定的常數 來處理，並假設信封B是「$\frac{X}{2}$ 或 $2X$」。然而，真正固定的是 「兩個信封裡的金額總和」，或者是 「較少的那個金額」。

假設裝有較少金額的信封裡有 $S$ 元。那麼，裝有較多金額的信封裡就有 $2S$ 元。遊戲的所有情境只有以下兩種模式（機率各為 $\frac{1}{2}$）。

模式1： 你選擇的信封A是較少的 ($S$)，信封B是較多的 ($2S$)
模式2： 你選擇的信封A是較多的 ($2S$)，信封B是較少的 ($S$)

現在，讓我們正確地計算 「不交換」 和 「交換」 時的期望值。

不交換時的期望值 $E_{stay}$：

$$ E_{stay} = \frac{1}{2} \times S + \frac{1}{2} \times 2S = \frac{3}{2}S = 1.5S $$

交換時的期望值 $E_{switch}$： 在模式1的時候能得到 $2S$，在模式2的時候能得到 $S$。

$$ E_{switch} = \frac{1}{2} \times 2S + \frac{1}{2} \times S = \frac{3}{2}S = 1.5S $$ $$ E_{stay} = E_{switch} $$

期望值完美地一致了！在最初錯誤的計算中，因為把模式1的 $X$（實際上是 $S$）和模式2的 $X$（實際上是 $2S$）這 兩個不同的值當作了同一個變數 $X$ 來處理，所以產生了「交換就能提升期望值」的幻覺。

pie title "期望值的真相（假設較少的金額為S）" "不交換的期望值 (1.5S)" : 50 "交換的期望值 (1.5S)" : 50

4. 如果打開了信封會怎麼樣？

悖論看起來似乎已經解決了。但是，更深層的問題還在後頭。

如果你 在交換信封之前，先看了自己信封A裡面的內容，那會怎麼樣呢？當你打開信封A，發現裡面裝著 「10,000元」。

在這個瞬間，$X = 10000$ 變成了一個確定的值。信封B裡面裝的，不是「5,000元」就是「20,000元」。如果套用最初的計算公式會變成怎樣呢？

$$ E_{switch} = \frac{1}{2} \times 5000 + \frac{1}{2} \times 20000 = 2500 + 10000 = 12500 $$

期望值是 12,500 元。絕對比現狀的 10,000 元還要高。而且，這次 $X$ 已經變成了 10,000 元這個「具體的常數」，所以剛才「偷換變數」的反駁已經行不通了。這樣的話，是不是 絕對交換比較划算 呢？

貝氏推論的有力反證：「事前分配」的缺失

針對這一點，數學家們提出了一個名為 「金額的事前分配（事前機率）」 的概念。也就是「5,000元和20,000元，真的可以說是各有 $\frac{1}{2}$ 的機率在裡面嗎？」這樣的疑問。

舉例來說，假設節目的預算最高只有1億元。如果你打開信封A發現裡面有「6,000萬元」，那麼信封B裡有「1億2,000萬元」的機率就是零（因為超出了預算）。也就是說，信封A的金額越大，信封B為「兩倍」的機率就會下降，而為「一半」的機率則應該會上升。

假設存在任意的事前分配 $P(x)$，並使用貝氏定理來計算期望值，數學上已經證明：在任何符合現實的（總和為1的）機率分配下，都不存在一種神奇的分配，能讓所有金額 $X$ 都符合「交換比較划算」的結果。

5. 無限的陷阱：與聖彼得堡悖論的關聯

唯一能讓「在所有 $X$ 的情況下交換都比較划算」成立的情況只有一種。那就是，假設節目的預算是 無限大，並且所有金額（1元、2元、4元、8元……無限）都以相等的機率出現，這種「非正則機率分配（總和為無限大的分配）」的假設。

然而，現實世界中並不存在擁有無限資產的電視台。這種「無限大的期望值」所引發的 bug，與 聖彼得堡悖論（面對一個具有無限期望值的賭博，人們願意支付多少錢的問題）有著極深的同源性。

6. 總結：機率與期望值的可怕之處

「兩個信封悖論」雖然只由簡單的乘法和加法構成，卻帶給我們以下教訓：

定義模糊所產生的錯誤：如果不將變數所指代的東西（$X$ 是否總是代表相同金額）明確化，邏輯就會輕易崩潰。
「沒有資訊＝機率50%」的錯覺：基於「因為不知道所以各半吧」的前提（不充分理由原則），有時會導致致命的計算錯誤。
處理無限的困難：如果將不適用於現實世界的「無限」概念帶入計算公式，就會得出違反常理的結果。

下次當你在人生中覺得「外國的月亮比較圓，交換一定比較划算」的時候，請想起這個悖論。或許只是在你的計算公式中，變數被偷換了而已。

蒙提霍爾問題：背叛直覺的機率論陷阱與貝氏估計的完全解明

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

1. 舞台是電視問答節目：換作是你會怎麼做？

1990年，美國新聞雜誌《Parade》的專欄「Ask Marilyn（問問瑪麗蓮）」中，收到了一位讀者寄來的以下問題：

你是電視遊戲節目的參賽者。你的面前有 3扇門 (A, B, C)。其中1扇門的後面是新車（大獎），剩下2扇門的後面是山羊（沒中）。

你首先選擇了門A。

接著，知道哪扇門後有新車的主持人蒙提·霍爾，打開了剩下的門中藏有山羊的門B。

蒙提對你說：「現在你可以改選門C。你要換嗎？」

究竟，你應該改變選擇嗎？

直覺上會認為「剩下的門只有A和C這2扇。新車在哪裡完全是隨機的，所以中獎的機率都是 $\frac{1}{2}$（50%）。因此換不換都一樣」。

然而，專欄作家瑪麗蓮·沃斯·莎凡特（被金氏世界紀錄認定為擁有最高IQ的人）回答道：「應該換。如果改變選擇，中獎的機率會變成兩倍」。

這個回答在全美引起了轟動，並湧入了大約1萬封的抗議信（其中約0封來自擁有數學博士學位的學者）。引發了諸如「你根本不懂機率的基礎」、「這是女人的邏輯」等嚴厲批評的風暴。但是，先說結論，瑪麗蓮的回答在數學上是完全正確的。

2. 直覺與數學的落差：用Mermaid來看機率的分支

為什麼我們的直覺會產生「$\frac{1}{2}$」的錯覺呢？首先，讓我們將遊戲的所有模式視覺化。

graph TD Start["遊戲開始"] --> CarA["新車在門A (機率1/3)"] Start --> CarB["新車在門B (機率1/3)"] Start --> CarC["新車在門C (機率1/3)"] CarA --> PickA1["你選擇門A"] CarB --> PickA2["你選擇門A"] CarC --> PickA3["你選擇門A"] PickA1 --> HostB_or_C["主持人打開B或C"] PickA2 --> HostC["主持人必定打開C"] PickA3 --> HostB["主持人必定打開B"] HostB_or_C --> Stay1["不換: 中獎!"] HostB_or_C --> Switch1["換: 沒中..."] HostC --> Stay2["不換: 沒中..."] HostC --> Switch2["換: 中獎!"] HostB --> Stay3["不換: 沒中..."] HostB --> Switch3["換: 中獎!"] 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

假設你選擇了「門A」，以下3種情境將會以相等的機率（$\frac{1}{3}$）發生。

情境1（新車在A）： 主持人打開有山羊的B或C。如果換門就會沒中。
情境2（新車在B）： 主持人只能打開有山羊的C。如果換門就會中獎。
情境3（新車在C）： 主持人只能打開有山羊的B。如果換門就會中獎。

也就是說，在3次之中有2次（情境2和3）是處於**「只要換門就一定會中獎」的狀態。因此，如果改變選擇，勝率將為 $\frac{2}{3}$，是不改變選擇時勝率 $\frac{1}{3}$ 的2倍**。

3. 透過貝氏定理的嚴密證明

為了在數學上嚴密地解開這個問題，我們使用計算條件機率的「貝氏定理」。

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

在這裡，我們將事件定義如下：

$C_A, C_B, C_C$ : 分別代表新車在門A, B, C的事件。事前機率為 $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
假設你一開始選擇了門A。
$M_B$ : 主持人打開有山羊的門B的事件。

我們想要求的是「在主持人打開門B的條件下，新車在門C的機率」，即事後機率 $P(C_C|M_B)$。

首先，根據新車所在的位置，思考主持人打開門B的機率 $P(M_B|C_X)$。

新車在門A的情況 ($C_A$) 主持人可以隨機打開B或C。
$$ P(M_B|C_A) = \frac{1}{2} $$
新車在門B的情況 ($C_B$) 因為主持人不能打開有新車的門，所以打開B的機率為零。
$$ P(M_B|C_B) = 0 $$
新車在門C的情況 ($C_C$) 主持人不能打開A（你選的）和C（有新車），因此必然只能打開B。
$$ P(M_B|C_C) = 1 $$

接著，由「全機率定理」求出主持人打開門B的總機率 $P(M_B)$。

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

終於要應用貝氏定理，來計算門A與門C的事後機率了。

新車在門A（不換的情況）的機率：

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

新車在門C（換的情況）的機率：

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

即使是透過數學公式證明，也明確地顯示了**「換門中獎的機率會變成2倍（2/3）」**。

4. 認知偏誤：「制約」這種情報的價值

為什麼連許多天才數學家們都會在直覺上弄錯這個問題呢？原因在於人類大腦中內建的「等機率偏誤」與「資訊更新的失敗」。

4.1. 等機率偏誤 (Equiprobability Bias)

當人類面對未知的選項時，會有一種無意識將「剩下的選項機率總是均等分配」的傾向。在看到剩下2扇門的瞬間，大腦便會自動貼上「$50\%$ : $50\%$」的標籤。

4.2. 主持人「意圖」的資訊

直覺出錯最大的原因，在於忽略了主持人的行為並非隨機這一點。如果主持人的規則是「不知道新車在哪裡，隨機開門，結果剛好是山羊」（這被稱為蒙提·佛爾問題），那麼門A與門C的機率就都會是 $\frac{1}{2}$。

但在實際的蒙提霍爾問題中，主持人在行動時受到了以下嚴格的限制：

不能打開參賽者選擇的門。
不能打開有新車的門。

因為這些限制，主持人「打開門B」的這個行為本身，就給予了我們關於門C的巨大情報。這等同於傳達了一個無言的訊息：「我無法打開門C（因為那裡面有新車）」。

5. 用極端的例子來矯正直覺

如果你還是無法接受，那麼讓我們把門的數量增加到 100萬扇 吧。

你從100萬扇門中，選擇了門1。（中獎機率為 $\frac{1}{1,000,000}$）
全知的主持人，在剩下的99萬9999扇門中，把有山羊的 99萬9998扇門全部打開了。
現在關著的，只有你選擇的「門1」，以及主持人刻意留下的「門777,777」。

那麼，你要換嗎？在這種情況下，除非你相信自己一開始就創造了「百萬分之一」的奇蹟，否則你應該換。而在現實中，大家都能直覺地理解到，**「主持人絕對無法打開的那唯一一扇門」**藏有新車的機率是 $\frac{999,999}{1,000,000}$。

蒙提霍爾問題（3扇門），只不過是將這個「100萬扇門」的規模縮小後的現象而已。

pie title "換門的效果（模擬100次）" "換門且中獎 (約66.7%)" : 67 "不換且中獎 (約33.3%)" : 33

6. 總結：機率論所教導的商業與人生啟示

蒙提霍爾問題超越了單純的問答遊戲範疇，教導了我們重要的啟示。

直覺經常出錯：人類大腦的演化，並不是為了直覺地處理複雜的條件機率。在重要的決策中，僅憑直覺來判斷是危險的。
用新資訊更新機率（貝氏更新）：當狀況改變，帶來了新資訊（如主持人打開了哪扇門等）時，不固執於原有的想法，能夠彈性地更新機率與策略，這才是成功的關鍵。

「換門」這個小小的決定，或許會讓你在人生中獲得「新車」的機率變成2倍。