Featured image of post 能贏的骰子還有剋星？非傳遞性機率的數學奇蹟與賽局理論深淵
数学

能贏的骰子還有剋星？非傳遞性機率的數學奇蹟與賽局理論深淵

在人类日常的逻辑认知中，“傳遞性（Transitivity）”被视为不可动摇的公理：如果实体 $A$ 强于 $B$，且 $B$ 强于 $C$，那么在常理推导下 $A$ 必然强于 $C$。这一规律在实数轴（若 $a > b$ 且 $b > c$，则 $a > c$）、物理质量、长度及财富度量中普遍成立。

然而，当多维比较与随机变量相遇时，这种基于标量线性排序的直觉将彻底失效。

最普遍的直观反例是“剪刀石头布”：石头克剪刀，剪刀克布，而布克石头，构成一个没有绝对优胜者的封闭闭环。许多人会认为，这仅仅是因为该游戏属于定性规则，若改为具有确定点数的物理骰子比大小，则数字的偏序性质必将迫使傳遞性成立。

然而，数学家们证明：只需精心设计六面体骰子上的数字分布，即可构造出真实存在的非傳遞性骰子（Nontransitive Dice）——骰子 $A$ 高機率战胜 $B$，$B$ 高機率战胜 $C$，$C$ 高機率战胜 $D$，而 $D$ 却反过来以压倒性機率击败 $A$。更有甚者，如果两位玩家各自掷两枚相同的骰子比拼总和，原本的胜负克制关系竟会全盘颠倒！

本文深入剖析非傳遞性骰子的数学架构、埃弗隆骰子（Efron’s Dice）的全機率测度推导、期望值与随机占优的根本脱节、格萊姆骰子（Grime Dice）在卷积下的逆转机制，以及其在孔多塞投票悖論、阿羅不可能定理与进化賽局理論中的深远意义。

1. 傳遞性直觉的破灭：标量与機率测度的断层

1.1 实数全序关系的认知偏误

人类大脑倾向于将复杂事物简化为一个单一的标量评估值 $f(x) \in \mathbb{R}$。实数集合拥有严格的全序性质（Total Order）：对于任意实数 $x, y, z$，满足完全性、反对称性与傳遞性。一旦评估值被映射到一维数轴上，傳遞性自然得以保持。

1.2 期望值的线性陷阱

在機率决策中，人们常依赖期望值 $E[X]$。由于期望算子具有严格的线性性质：

$$ E[X - Y] = E[X] - E[Y] $$

若以期望值大小作为衡量骰子“强弱”的基准，则关系必然满足傳遞性：若 $E[A] > E[B]$ 且 $E[B] > E[C]$，则必有 $E[A] > E[C]$。

然而，在点对点的独立对决中，决定胜负的并非差值的期望大小，而是指示函数（Indicator Function）的积分配准：

$$ P(X > Y) = \iint_{\mathbb{R}^2} \mathbf{1}_{\{x > y\}} \, dF_X(x) \, dF_Y(y) $$

由于示性函数 $\mathbf{1}_{\{x > y\}}$ 是高度非线性的跳跃阶跃函数（无论赢多赢少均计为1，落败计为0），导致两两对决的胜率 $P(X > Y)$ 无法分解为一元势能函数的差值。正是这种微观非线性，孕育了非傳遞性的循环闭轨。

2. 埃弗隆骰子（Efron’s Dice）：经典的四骰环系统

由斯坦福大学著名统计学家布拉德利·埃弗隆（Bradley Efron）设计的四枚六面体骰子，是非傳遞性系统最完美的范例。

2.1 骰子配置与面值分布

四枚完全均匀平衡的正六面体骰子 $A, B, C, D$，其六个面分别刻有以下特定点数：

骰子六个面的点数配置点数分布说明期望值 $E[\cdot]$
骰子 $A$$4, 4, 4, 4, 0, 0$4个面为4，2个面为0$E[A] = \frac{16}{6} = \frac{8}{3} \approx 2.667$
骰子 $B$$3, 3, 3, 3, 3, 3$6个面全为3$E[B] = \frac{18}{6} = 3.000$
骰子 $C$$6, 6, 2, 2, 2, 2$2个面为6，4个面为2$E[C] = \frac{20}{6} = \frac{10}{3} \approx 3.333$
骰子 $D$$5, 5, 5, 1, 1, 1$3个面为5，3个面为1$E[D] = \frac{18}{6} = 3.000$
$$ E[C] = 3.333 > E[B] = 3.000 = E[D] = 3.000 > E[A] = 2.667 $$

直觉上骰子 $C$ 最强，骰子 $A$ 最弱。

2.2 严格胜率推导（36维样本空间展开）

两枚独立六面骰对投时，共有 $6 \times 6 = 36$ 种等機率基本事件。逐对计算胜率：

  flowchart LR
    A["骰子 A<br/>(4: 4面, 0: 2面)"] -->|"胜率 2/3 (66.7%)"| B["骰子 B<br/>(3: 6面)"]
    B -->|"胜率 2/3 (66.7%)"| C["骰子 C<br/>(6: 2面, 2: 4面)"]
    C -->|"胜率 2/3 (66.7%)"| D["骰子 D<br/>(5: 3面, 1: 3面)"]
    D -->|"胜率 2/3 (66.7%)"| A

  1. $A$ 对战 $B$：

    • $B$ 恒出 $3$；$A$ 以 $4/6 = 2/3$ 的機率掷出 $4$，$2/6 = 1/3$ 的機率掷出 $0$。
    • $A=4$ 时 $A$ 获胜（$4 > 3$）。
    • 胜率：$P(A > B) = 4/6 = 2/3 \approx 66.67\%$。

  2. $B$ 对战 $C$：

    • $B$ 恒出 $3$；$C$ 以 $2/6 = 1/3$ 掷出 $6$，$4/6 = 2/3$ 掷出 $2$。
    • $C=2$ 时 $B$ 获胜（$3 > 2$）。
    • 胜率：$P(B > C) = 4/6 = 2/3 \approx 66.67\%$。

  3. $C$ 对战 $D$：

    • $C=6$（2面）对 $D$ 的任何点数必胜（$2 \times 6 = 12$ 种）。
    • $C=2$（4面）对 $D=1$（3面）获胜（$4 \times 3 = 12$ 种）。
    • $C$ 获胜组合总数：$12 + 12 = 24$ 种。
    • 胜率：$P(C > D) = 24/36 = 2/3 \approx 66.67\%$。

  4. $D$ 对战 $A$（循环闭合）：

    • $D=5$（3面）对 $A$ 的任何点数必胜（$3 \times 6 = 18$ 种）。
    • $D=1$（3面）对 $A=0$（2面）获胜（$3 \times 2 = 6$ 种）。
    • $D$ 获胜组合总数：$18 + 6 = 24$ 种。
    • 胜率：$P(D > A) = 24/36 = 2/3 \approx 66.67\%$！
$$ P(A > B) = P(B > C) = P(C > D) = P(D > A) = \frac{2}{3} $$

2.3 賽局理論视角：后手绝对占优博弈

在賽局理論中，这一结构赋予后手玩家（Second Mover）无可争议的必胜优势。 设博弈规则为：挑战者先在 $A, B, C, D$ 中任选一枚骰子，庄家随后从剩余三枚中自选一枚，双方各掷一次比大小。

无论先手玩家选哪一枚骰子，后手庄家总能选出一枚对其拥有 $66.7\%$ 胜率的克制骰子：

  • 选 $A$，后手选 $D$（庄家胜率 $66.7\%$）
  • 选 $B$，后手选 $A$（庄家胜率 $66.7\%$）
  • 选 $C$，后手选 $B$（庄家胜率 $66.7\%$）
  • 选 $D$，后手选 $C$（庄家胜率 $66.7\%$）

此博弈不存在纯策略纳什均衡的最优选择，打破了“先手拥有最大选择权”的直觉误区。

3. 格萊姆骰子（Grime Dice）：双骰对决的惊天大反转

数学家詹姆斯·格莱姆（James Grime）于2009年发现的五色骰子系统，展示了更加震撼的逆转现象：当每位玩家同时投掷两枚相同的骰子比拼总和时，整个环形优势序列会彻底反向逆转！

3.1 五色格萊姆骰子面值

五枚六面骰分别为红（Red, $R$）、蓝（Blue, $B$）、橄榄绿（Olive, $O$）、黄（Yellow, $Y$）、洋红（Magenta, $M$）：

  • 红 ($R$): $4, 4, 4, 4, 4, 9$ （5个4，1个9，期望 $4.833$）
  • 蓝 ($B$): $2, 2, 2, 7, 7, 7$ （3个2，3个7，期望 $4.500$）
  • 橄榄绿 ($O$): $0, 5, 5, 5, 5, 5$ （1个0，5个5，期望 $4.167$）
  • 黄 ($Y$): $3, 3, 3, 3, 8, 8$ （4个3，2个8，期望 $4.667$）
  • 洋红 ($M$): $1, 1, 6, 6, 6, 6$ （2个1，4个6，期望 $4.333$）

3.2 单骰对战与双骰对战的对比

在单骰单挑中，胜率形成顺时针循环：

  • 红胜蓝：$P(R > B) = 21/36 \approx 58.33\%$
  • 蓝胜绿：$P(B > O) = 21/36 \approx 58.33\%$
  • 绿胜黄：$P(O > Y) = 20/36 \approx 55.56\%$
  • 黄胜洋红：$P(Y > M) = 20/36 \approx 55.56\%$
  • 洋红胜红：$P(M > R) = 20/36 \approx 55.56\%$

然而，当双方各自投掷两枚同色骰子并比较总和时（样本空间扩充至 $6^4 = 1,296$ 种），利用离散機率卷积计算：

  • 红骰两枚之和 ($2R$): $8$（機率 $25/36$）、$13$（機率 $10/36$）、$18$（機率 $1/36$）。红骰极大機率（近 $70\%$）锁死在总和 $8$。
  • 蓝骰两枚之和 ($2B$): $4$（機率 $9/36$）、$9$（機率 $18/36$）、$14$（機率 $9/36$）。蓝骰有高达 $75\%$ 的機率出现至少一个 $7$，使总和达到 $9$ 或 $14$。
$$ P(2B > 2R) = \frac{765}{1296} = \frac{85}{144} \approx 59.03\% $$

单骰胜出的红骰在双骰对战中沦为败者！全环五对组合全部发生反转：

  • 蓝胜红：$P(2B > 2R) \approx 59.03\%$
  • 绿胜蓝：$P(2O > 2B) \approx 54.17\%$
  • 黄胜绿：$P(2Y > 2O) \approx 56.64\%$
  • 洋红胜黄：$P(2M > 2Y) \approx 56.17\%$
  • 红胜洋红：$P(2R > 2M) \approx 51.70\%$

这深刻揭示了系统规模扩大时（独立同分布求和卷积），機率质量的重新富集如何彻底颠覆微观层面的优劣格局。

4. 孔多塞投票悖論与阿羅不可能定理

非傳遞性骰子在数学拓扑上与政治哲学中的社会选择理论（Social Choice Theory）完全同构。

4.1 孔多塞悖論（Condorcet Paradox）

$$ A \succ B \succ C \succ A $$

骰子的每个“面”等价于一名选民，点数高低等价于选民对候选人的效用评分。骰子胜率 $P(X > Y) > 1/2$ 正是在全部状态空间上的简单多数决。

4.2 阿羅不可能定理（Arrow’s Impossibility Theorem）

1951年肯尼斯·阿罗证明，在候选人超过三名时，没有任何选举汇总规则能同时满足无限制定义域、帕累托最优、独立于无关备选方案（IIA）与非独裁性。非傳遞性骰子以具象的物理载体证明了：在多维機率测度投影下，试图构建不依赖情境的全局最优序是不可能的。

5. 自然选择与现实决策的启示

5.1 側斑蜥蜴的三色繁衍博弈

在演化生物学中，加州側斑蜥蜴（Uta stansburiana）雄性的三种喉部颜色代表了三种稳定的交配策略：

  • 橙喉（霸权型）克制 蓝喉（专守型）
  • 蓝喉（专守型）克制 黄喉（潜入型）
  • 黄喉（潜入型）克制 橙喉（霸权型）

大自然利用这种非傳遞性的博弈循环，避免了单一基因型的大一统，从而永续维系了生态系统的遗传多样性。

5.2 多属性决策的非傳遞性根源

特沃斯基（Amos Tversky）指出，人类在多属性抉择（如考虑汽车的动力、油耗与售价）时，由于设置了边际容忍阈值，微观局部的无差异传递必然会在宏观累积下诱发非传递偏好。非傳遞性不是非理性的体现，而是有限理性智能体在多维环境下进行信息压缩与权衡的数学必然。

6. 结语

非傳遞性骰子打破了“凡物必有绝对排名”的线性幻想。无论是埃弗隆之环还是格莱姆的卷积反转，機率论以其非凡的深度提醒我们：优势是相对的、情境化的，在由機率与维度交织的世界中，寻找永远不败的终极之选，本身就是一种数学上的徒劳。

comments powered by Disqus