統計學 on kenji.blog

你的朋友比你擁有更多朋友：友誼悖論

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

「身邊的人好像都比我朋友多，看起來好開心啊……」看著社群媒體時，你是否曾有過這樣的感覺？

其實，你會這麼覺得，並不是因為你的性格，也不是因為你不受歡迎。這被稱為**「友誼悖論（Friendship Paradox）」**，是透過網絡理論與統計學所證明的數學事實。

這個悖論由社會學家斯科特·菲爾德（Scott Feld）於1991年發現，它解釋了一個違反直覺的現象：「大多數人的朋友數量，都比自己朋友的朋友數量還要少。」

為什麼「朋友的朋友會比較多」？

直接說結論，這是因為**「朋友多的人（受歡迎的人）會出現在很多人的朋友名單中」**，一種單純的抽樣偏差。

讓我們用一個簡單的網絡（圖）來思考一下。

graph TD A["愛麗絲 (1個朋友)"] --- C["查理 (3個朋友)"] B["鮑勃 (1個朋友)"] --- C C --- D["大衛 (1個朋友)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

在這個小世界裡，有愛麗絲、鮑勃、查理和大衛4個人。查理是「受歡迎的人」，與其他3個人都是朋友。而其他3個人都只跟查理是朋友。

我們來看看每個人的朋友數量：

愛麗絲的朋友數：1人
鮑勃的朋友數：1人
大衛的朋友數：1人
查理的朋友數：3人 所有人的平均朋友數為：$(1 + 1 + 1 + 3) / 4 = 1.5人$。

接下來，我們來計算「每個人『朋友的朋友數』的平均」。

愛麗絲的朋友（查理）的朋友數：3人
鮑勃的朋友（查理）的朋友數：3人
大衛的朋友（查理）的朋友數：3人
查理的朋友（愛麗絲、鮑勃、大衛）的朋友數平均：$(1 + 1 + 1) / 3 = 1人$

現在，我們比較每個人的「自己」與「自己朋友的平均」。

愛麗絲：自己(1) < 朋友的平均(3)
鮑勃：自己(1) < 朋友的平均(3)
大衛：自己(1) < 朋友的平均(3)
查理：自己(3) > 朋友的平均(1)

4個人中有3個人（75%的人）處於「自己的朋友比自己擁有更多朋友」的狀態。受歡迎的查理的存在，強烈拉高了周圍所有人「朋友的平均」。

數學證明：變異數是關鍵

讓我們用數學公式來表示這個現象。在網絡理論中，假設某個人 $v$ 的朋友數（節點度數）為 $k(v)$。網絡整體的平均朋友數為 $\mu$，朋友數的變異數為 $\sigma^2$。

根據菲爾德的證明，「隨機挑選出的朋友的朋友數」之期望值如下：

$$ \text{朋友的朋友數平均} = \mu + \frac{\sigma^2}{\mu} $$

變異數 $\sigma^2$ 永遠大於或等於0。也就是說，除非在每個人擁有的朋友數完全相同（$\sigma^2 = 0$）這種不可能的情況下，以下的不等式將永遠成立：

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

「朋友的朋友數平均」永遠必定大於「整體的平均朋友數」。

在現實社會或社群媒體（如X或Instagram等）中，極少數人擁有數百萬的粉絲（朋友），而大多數人只有數十到數百人。這意味著變異數 $\sigma^2$ 巨大無比，因此這個悖論的效果會更加強烈。

應用：大流行與疫苗接種

友誼悖論不僅僅停留在社群媒體的心理學層面。在現實的社會問題中，特別是在傳染病對策上，它有著非常有效的應用。

假設我們只有數量有限的疫苗，且猶豫不知道該給誰接種。有一種比隨機接種更有效的方法。

隨機挑選一群人。
不給這些人接種，而是給這群人指出「這是我的朋友」的對象接種疫苗。

為什麼呢？因為根據友誼悖論，隨機挑選出的人的「朋友」，平均而言有更高的機率擁有更多的連結（也就是核心節點）。優先給連結多的人施打疫苗，能夠戲劇性地延緩感染在整個網絡中的擴散。

結論

當你看著社群媒體覺得「大家都比我朋友多、生活更充實」時，那並不是你的錯覺，而是網絡結構所產生的數學必然。

因為受歡迎的人會出現在很多人的網絡中，我們無可避免地被迫只觀察到這些「平均以上的受歡迎者」作為樣本。下次在社群媒體上感到沮喪時，請務必回想這個公式：

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

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。

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。