1. 前言：賭場的期望收益與波動

短期內玩家也可能贏得大筆金錢。在規則固定的模型下，彙集大量獨立的押注，可以讓平均收益接近期望值。大數法則支持這種思路，但不保證賭場在有限期間內獲利，也不保證其經營成功。

本文將全面解析機率論中最基本且最重要的定理「大數法則」，從直觀理解到嚴格的數學定義。此外，我們還將深入探討日常中的誤解以及它在社會中的應用。

2. 什麼是大數法則？

大數法則（LLN）指出：對於滿足 \(E[|X_1|]<\infty\) 的獨立同分布隨機變數，樣本平均值收斂於其期望值。對事件的0–1指示變數，觀察到的相對次數趨近該事件的機率。並非事件本身的機率隨試驗而改變。

想像一下擲硬幣。正面朝上的機率是 \(1/2\)（\(50\%\)）。但是，僅僅擲10次，並不意味著一定會有5次正面、5次反面。有時可能會有7次正面，或者只有2次。 對獨立的公平硬幣投擲，正面比例以機率1收斂至50%。這不保證有限次投擲後恰好達到50%，也不保證誤差每一步都減小。

  graph TD
    A["試驗次數少"] -->|"結果高度分散"| B["偏離理論值"]
    C["試驗次數多"] -->|"結果收斂"| D["趨近理論值"]
    B --> E["短期運氣（賭徒視角）"]
    D --> F["滿足條件時的長期穩定"]

這種「短期波動」與「長期穩定」之間的差距正是機率的本質，也是人類直覺上容易誤解的地方。

3. 莊家優勢與平均收益

莊家優勢（House Edge）是賭場的期望利潤占押注金額的比例。此處考慮理想的美式輪盤：1至36、0和00共38個槽，各槽出現的機率相同。

如果你押注「紅色或黑色」，中獎的機率是 \(18/38\)（約 \(47.37\%\)）。雖然賠率是1賠1（贏了得2倍），但由於勝率低於 \(50\%\)，單次押注的期望值為負。

也就是說，平均每押注1美元，玩家將損失約 \(5.26\) 美分。 在各次旋轉獨立、每次以相同金額押紅色的模型下，賭場每次押注的平均利潤以機率1收斂至押注金額的 \(1/19\approx5.26\%\)。這不表示總利潤收斂，也不保證有限次押注後獲利。營運費用、金額差異與資金限制須另行考慮。

  sequenceDiagram
    participant P as "玩家"
    participant C as "賭場"
    P->>C: "單次押注（運氣成分大）"
    C-->>P: "輸贏的波動（短期）"
    loop "數萬次試驗"
        P->>C: "持續押注"
        C-->>C: "每次押注的平均利潤趨近期望值"
    end
    C-->>C: "有限期間仍可能虧損"

4. 大數法則的數學定義

根據收斂強度的不同，大數法則分為 大數弱法則 （Weak Law of Large Numbers, WLLN）和 大數強法則 （Strong Law of Large Numbers, SLLN）兩種。其嚴格的數學表述如下。

4.1. 大數弱法則 (WLLN)

弱法則基於「依機率收斂」的概念。 設 \(X_1,X_2,\dots\) 獨立同分布（i.i.d.），滿足 \(E[|X_1|]<\infty\)，且 \(E[X_1]=\mu\)。對樣本平均值 \(\bar{X}_n=\frac{1}{n}\sum_{i=1}^n X_i\)，任意 \(\epsilon>0\) 都有：

這意味著「隨著樣本量 \(n\) 的增大，樣本平均值偏離真實期望值超過 \(\epsilon\) 的機率趨近於 \(0\)」。

4.2. 大數強法則 (SLLN)

強法則基於更強的「幾乎處處收斂（以機率1收斂）」的概念。

弱法則指出，對足夠大的各個n，誤差超過固定容許範圍的機率趨小。在相同的獨立同分布與可積條件下，強法則指出，整列樣本平均值收斂於期望值的事件具有機率1。機率為0的例外仍可能存在；兩者均不保證有限次試驗後恰好等於理論值，或此後持續獲利。

4.3. 利用切比雪夫不等式證明弱法則

此處額外假設變異數有限，即 \(\sigma^2<\infty\)，再以切比雪夫不等式證明弱法則。獨立同分布情形下，弱法則本身並不要求有限的變異數。 設隨機變數 \(Y\) 的期望值為 \(\mu_Y\)，變異數為 \(\sigma_Y^2\)，則切比雪夫不等式表示為：

這裡令 \(Y = \bar{X}_n\)。若每個 \(X_i\) 的變異數為 \(\sigma^2\)，則樣本平均值 \(\bar{X}_n\) 的變異數為 \(\sigma^2 / n\)。 將其代入切比雪夫不等式：

當 \(n \to \infty\) 時，右邊趨近於 \(0\)。因此，左邊的機率也收斂於 \(0\)，從而證明了弱法則。

5. 賭徒謬誤（Gambler’s Fallacy）

由於對大數法則的誤解，產生了一個著名的心理偏差，即 賭徒謬誤 。

當在輪盤賭中看到「紅色」連續出現10次時，許多人會想「接下來該出黑色了」。這種錯誤推理基於「根據大數法則，紅黑的比例應該收斂於 \(50\%\)，因此為了抵消之前的偏差，黑色出現的機率會增加」。

對各次旋轉獨立的理想38槽輪盤，無論過去結果如何，下次出現紅色與黑色的機率各為 \(18/38\)。因為有0和00，兩者的極限比例都不是50%。大數法則不表示存在抵消過去偏差的力量，也不會改變下一次結果的機率。

6. 使用Python進行模擬

讓我們實際使用程式設計來視覺化大數法則。我們將模擬擲骰子，觀察擲出的點數平均值如何收斂於期望值3.5。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import numpy as np
import matplotlib.pyplot as plt

# 模擬參數
n_trials = 10000  # 試驗次數
expected_value = 3.5  # 骰子點數的期望值

# 隨機生成1到6的點數
np.random.seed(42)
rolls = np.random.randint(1, 7, size=n_trials)

# 計算累計平均值
cumulative_average = np.cumsum(rolls) / np.arange(1, n_trials + 1)

# 繪製結果
plt.figure(figsize=(10, 6))
plt.plot(cumulative_average, label=r"$\bar{X}_n$", color="blue", alpha=0.7)
plt.axhline(y=expected_value, color="red", linestyle="--", label=r"$E[X]=3.5$")
plt.title(r"$\bar{X}_n$")
plt.xlabel(r"n")
plt.ylabel(r"$\bar{X}_n$")
plt.legend()
plt.grid(True)
plt.show()

這個範例呈現累積平均值在3.5附近波動的情形。有限次模擬能幫助建立直覺，但不是定理的證明。平均值在過程中也可能遠離期望值，並不一定恰好等於3.5。

7. 大數法則不成立的情況：柯西分布

大數法則並非萬能。它的一個前提條件是「期望值（平均值）必須是有限的」。 柯西分布沒有有限的絕對期望值，平均值未定義；這不等於平均值是正無窮大。它的二階動差為無窮大，也沒有通常意義下的有限變異數。

獨立標準柯西變數的樣本平均值對每個 \(n\) 仍服從標準柯西分布，因此不依機率收斂至常數。對真實資料，不能只因重尾就斷言大數法則不適用，應檢查可積性、相依關係等模型條件。

8. 在現實社會中的應用實例

大數法則不僅用於賭場，還被廣泛應用於支撐我們社會根基的各種系統中。

8.1. 保險業務

保險中，多份契約的平均損失有助於預測整體風險。但契約數量本身不保證高精度；模型仍須考慮共同災害、損失間的相關性、群體差異，以及損失分布或制度的變化。

8.2. 統計品質管制

在工廠的產品製造中，從成本和時間的角度來看，對所有產品進行全數檢查往往是不可能的。因此，會隨機抽取一部分產品（樣本）進行檢驗，並根據結果推算整體的不良品率。在這裡，大數法則同樣是根據樣本推斷母體性質的強有力依據。

8.3. 機器學習與大數據

機器學習中，對固定模型而言，若損失獨立同分布且可積，大數法則可支持觀測平均損失趨近期望損失。從訓練資料中選擇模型後的泛化仍須額外論證。增加資料量本身不能消除抽樣偏差、分布改變或模型設定錯誤。

9. 結語

大數法則是我們理解高度不確定性世界、做出合理決策的強大工具。從賭場的獲利結構，到保險、AI技術，這一法則在現代社會的各個角落都在安靜而確實地發揮著作用。

下次再擲硬幣或擲骰子時，不妨想想每一次偶然背後隱藏的宏大而美麗的數學法則。不再因短期的運氣而患得患失，擁有長遠的眼光，或許會讓這個世界在你眼中變得有些不同。

參考資料

• MIT 18.05: Central Limit Theorem and the Law of Large Numbers
• Mathlib: The strong law of large numbers
• MIT: Cauchy Distribution