貝氏定理 on kenji.blog

「檢驗陽性」＝「生病」？：基準率謬誤

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

在健康檢查或癌症篩檢中，如果出現「陽性（有異常）」的結果，任何人大概都會感到恐慌。然而，如果具備統計學與機率的知識，或許就能深呼吸並冷靜下來。因為，「在準確率高的檢驗中呈陽性」，並不代表「實際罹病的機率就一定很高」。

這被稱為**「基準率謬誤（Base Rate Fallacy）」**或「忽略事前機率」，是人類直覺在計算機率時產生嚴重誤判的典型認知偏誤。

恐怖的健康檢查問題

請想像一下以下的情況。

在某個城鎮中，有一種未知疾病，每 1 萬人中會有 1 人（0.01%）感染。為了發現這種疾病，人們開發出了一款**「準確率 99%」**的優良檢驗試劑。（※準確率 99% 的意思是：如果生病的人接受檢驗，有 99% 的機率會正確判定為「陽性」；如果健康的人接受檢驗，有 99% 的機率會正確判定為「陰性」。）

你碰巧接受了這項檢驗，而結果是**「陽性」。那麼，你真正感染這種疾病的機率**是多少呢？

許多人會直覺地回答：「既然檢驗準確率是 99%，那我生病的機率應該也是 99% 吧。」然而，數學上的正確答案是**「約 0.98%（不到 1%）」**。

究竟為什麼明明有 99% 的準確率，實際罹病的機率卻不到 1% 呢？

貝氏定理與整體的視覺化

解開這個問題的關鍵在於，除了檢驗準確率之外，還必須考量**「這種疾病原本有多罕見（基準率・事前機率）」**。讓我們用 100 萬人這個龐大的群體，將這個違反直覺的現象視覺化吧。

總人數：1,000,000 人
實際生病的人（1 萬人中的 1 人）：100 人
健康的人：999,900 人

我們對這 100 萬人全部進行「準確率 99%」的檢驗。

1. 實際生病的人（100 人）接受檢驗的情況

因為準確率是 99%，所以被正確判定為「陽性」的人數是： 100 人 × 99% = 99 人（真陽性）

2. 健康的人（999,900 人）接受檢驗的情況

因為準確率是 99%，所以有 1% 的機率會被錯誤判定為「陽性」（偽陽性）： 999,900 人 × 1% = 9,999 人（偽陽性）

graph TD A["總人口 (1,000,000人)"] --> B["生病的人 (100人)"] A --> C["健康的人 (999,900人)"] B -->|99%正確| B1["真陽性 (99人)"] B -->|1%錯誤| B2["偽陰性 (1人)"] C -->|99%正確| C1["真陰性 (989,901人)"] C -->|1%錯誤| C2["偽陽性 (9,999人)"] B1 -.-> D{"被判定為『陽性』的總人數: 10,098人"} 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

你罹患疾病的真實機率

那麼，醫生告訴你：「你是陽性」。這意味著你進入了圖表右下方「被判定為『陽性』的總人數（10,098 人）」這個群體。

在這個群體中，**「真正生病的人（真陽性）」**的比例是多少呢？

$$ \text{真正生病的機率} = \frac{\text{真陽性}}{\text{被判定為陽性的總人數}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

計算結果是約 0.98%。儘管被判定為「陽性」，但你其實很健康（偽陽性）的機率卻壓倒性地高（約 99%）。

為什麼直覺會出錯？

這個現象可以透過計算條件機率的**「貝氏定理」**來進行數學上的解釋，但人類的大腦非常不擅長進行這種計算。

我們會犯錯的原因在於，我們被眼前提供的強烈個別資訊（「你的檢驗結果是陽性！準確率 99%！」）轉移了注意力，從而忽略了背景中龐大而枯燥的統計數據（「原本罹患這種疾病的人就只有 1 萬人中的 1 人（基準率）」）。

因為「疾病的罕見程度（0.01%）」比「檢驗的不準確度（1%）」還要極端得多，所以些微的檢驗誤差，就會瞬間淹沒原本真正生病的人數。

潛藏在社會中的「基準率謬誤」

這種錯覺不僅在醫療領域，在各種場合都會引發恐慌或錯誤的判斷。

臉部辨識系統與恐怖分子：即使準確率高達 99.9% 的臉部辨識攝影機在機場發現了「恐怖分子」，但由於恐怖分子的基本機率極低，因此被抓到的幾乎都會是長相相似的無辜平民（偽陽性）。
交通事故與高齡駕駛：即使看到「發生事故的車輛中有〇〇% 是高齡者」的新聞而感到危險，但如果不考慮「原本在道路上行駛的所有駕駛中，高齡者所佔的比例（基準率）」，就無法得知特定的年齡層是否真的更容易引發事故。

「基準率謬誤」告訴我們統計思考的重要性：越是看到令人震驚的數字或個別案例時，我們就越應該回頭去思考**「這在整體中原本發生的機率有多高（基準率）」**。

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。

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。