0

0
0

文字

分享

0
0
0

恆正的平均餘命,永遠活下去

賴 以威
・2014/10/01 ・3864字 ・閱讀時間約 8 分鐘 ・SR值 453 ・五年級

先前介紹完貝氏定理後,有讀者反應講太快,應該先解釋貝氏定律裡最重要的觀念——條件機率。機率量化了一件事情發生的可能性。而條件機率嘛,比如說,你家樓下住了一位每天慢跑10公里的爺爺,傍晚你們在樓梯間遇到

「爺爺明天70歲生日嗎,都看不出來哎~」

爺爺能順利切到70歲蛋糕的機率,鐵定比台灣人平均能活到70歲的機率大上許多,因為健康的他只要再活一天就可以了。

給定某個條件下某個事件發生的可能性,即稱為條件機率。如果還不清楚,請想像這樣的場景:

-----廣告,請繼續往下閱讀-----

Photo Credit:Matty Ring
Photo Credit:Matty Ring

星期五傍晚,珮穎獨自走在夕陽下。她晚上沒行程,只是單純不想加班。她討厭現在的公司文化,老闆總喜歡把員工綁在公司,綁越久越好。

又不是定存,放著也不會生利息。

她想起離開時,主管的視線越過隔板上方盯著她,心裡忍不住埋怨。

-----廣告,請繼續往下閱讀-----

從馬路轉入小巷子,單行道兩側停滿車子,前方路口有個攤販在準備營業。一位穿西裝的上班族經過攤販,彎進巷子裡。逆光的夕陽將男子剪成一片瘦高的黑影,走近點,他的臉孔從黑影中浮現,一對修長秀氣的眼睛,以男生來說算白的膚色,給人秀氣的感覺,但不是柔弱,是無論面對甚麼事情,彷彿都能從容不迫處理的氣質。

珮穎注意到他的識別證還掛在身上,正想偷瞥一眼,男子突然加快腳步閃進路旁兩台車的縫隙間,對珮穎招手。

嗯?

還沒反應過來,珮穎聽見身後引擎聲響。回頭一看,一台老舊發財車要通過。男子還在對自己招手,遲疑一會兒,珮穎也縮進兩台車的縫隙間。

-----廣告,請繼續往下閱讀-----

「我跟妳換位子吧。」

他高舉包包,與珮穎擦身而過,一陣清新的木香調香水氣味傳來。發財車捲起灰塵離去,男子揮揮手咳了幾聲。珮穎這下看清楚他的識別證了。

那年珮穎25歲,子威29歲。距離台灣男女平均壽命,各自還有57年與47年。

-----廣告,請繼續往下閱讀-----

星期五傍晚,珮穎在夕陽下踱步,落日的餘溫被玻璃隔絕在外,窗戶這側只剩冰冷的空調,醫療儀器的聲響替時間畫下一道道刻度。珮穎坐回病床旁,病房裡總是充滿消毒水的氣味,但一靠近子威,還是可以聞到那股木香調的香水氣味。

子威伸過手來握住珮穎,兩人相視微笑。只要看見夕陽,珮穎就會想起他們第一次見面的畫面,這點子威比誰都清楚。

「50年了,這一切過得真快。」

這一年,珮穎75歲,距離台灣女性平均壽命還有7年;子威79歲,超過男性平均壽命3年。

-----廣告,請繼續往下閱讀-----

巷子裡邂逅後,他們陷入熱戀。2年後的婚禮上,子威開頭第一句話是

「我要謝謝一位發財車司機——」

他們擁有標準的平凡的幸福的生活。生兒育女,儘管偶爾免不了吵架,但只要一到傍晚,總有一方會提議去散步,然後在夕陽下言歸於好。幾十年過去,小孩成家。雖然退休了,他們還得幫忙帶孫子。又過了幾年,孩子總算將孫子接回去自己帶。

-----廣告,請繼續往下閱讀-----

那年子威72歲,珮穎68歲。

正準備好好享受生活,子威卻突然診斷出罹患癌症。美好的生活像紙糊似的,輕易地被命運撞出一個大洞。

Photo Credit:skippyjon
Photo Credit:skippyjon

剛知道病情時,子威很消沉,一度想放棄治療。

「李子威,你滿腦子想死就去死好了!我告訴你,台灣男人平均壽命是76歲,你才72歲,最好你打算這麼丟臉,讓你老婆比別人多守4年寡!」

-----廣告,請繼續往下閱讀-----

說到最後,珮穎分不清自己是在罵人還是在哭泣。子威坐在客廳沙發,一整晚沒回話。隔天傍晚他們去散步,子威給珮穎看了他今天去醫院的診斷報告。一小時後,他住院接受癌症療程。

當晚,珮穎靠在病床上的子威替他削水果。

「第一次見面時,我不是走到前面幫妳擋灰塵嗎?」

珮穎點點頭。子威繼續說

「其實啊,我一直都沒講,當時我有刻意從妳的左側走過去噢。」

「啊?」

「因為心臟在左側,人通常是右撇子,身子會無意識往左傾斜。走在妳左側,妳會錯以為,怎麼自己一直往我身上靠,是不是喜歡我。」

「聽你亂說。」

珮穎嗤嗤地笑著,子威露出認真的表情

「真的,不然為什麼我們跑步都逆時針呢?就是逆時針跑時,靠左傾斜會自動產生向心力,跑起來比較順。」

珮穎半信半疑,卻看到子威似笑非笑地盯著自己,珮穎這才發現自己左半邊靠在子威身上。

「那麼老了還開這種玩笑。」

珮穎作勢打他,但她心底明白,子威是故作若無其事,想讓她安心。儘管受到影響,但他已經恢復成原本那位替她著想,總是把她擺在比自己更重要地位的男人。

Photo Credit:Free Grunge Textures
Photo Credit:Free Grunge Textures

「這幾年辛苦妳了。」

子威拿下氧氣罩,氣若游絲,距離診斷出癌症的那天到現在過了7年,前天他才剛從加護病房出來。醫生覺得子威能活到現在已經是奇蹟了。

珮穎知道這才不是奇蹟,是子威堅強意志力的展現。

「你才辛苦,已經超過平均壽命3年了,你做的很棒。」

珮穎開玩笑地說。子威搖搖頭,眼神望向床頭櫃上的筆記本,珮穎替他拿過來,裡面滿滿的數學式子

「還沒,我還沒贏過我這年紀的預期平均壽命。」

「你這年紀的平均壽命?」

子威休息了一下,一個字一個字慢慢說

「我後來才知道,平常說的是平均壽命是指『剛出生時所預期的平均壽命』,是最短的預期平均壽命。隨著年紀,我們預期能夠活的平均壽命就會慢慢變長。」

「為什麼?」

珮穎不懂,平均壽命就是平均壽命,怎麼會隨著年齡改變呢?

「舉個例子來說,4個同時出生的人,各自活到4歲、10歲、60歲、70歲。這樣平均壽命是幾歲?」

「36歲。」

「5歲時,剩下3個人,這3人的平均壽命是46.7歲。」

子威停下來喘口氣,現在他的光說話就得費上很大的力氣。

「換句話說,給定活到5歲時,平均壽命從剛出生的36歲,提升到46.7歲。增加了10.7年。」

「聽起來有點像條件機率?」

珮穎回答,他們夫妻的數學都不錯。

「年紀越大,樣本空間裡年輕早逝的人被排除在外,我們預期他們能夠活的平均壽命就會越來越長。假設y是表示壽命的隨機變數,則x歲時的壽命期望值為,」

筆記本上寫著

永遠恆正的平均餘命_Eq1

「其中,P(y|x)是指給定x歲的人,壽命為y歲的條件機率。只要活到40歲,能活到70歲的機率就會比20歲時能活到70歲的機率更大。用數學式子表示是P(y=70|x=40) > P(y=70|x=20)。」

子威接過筆記本,翻頁又是一大堆算式。

永遠恆正的平均餘命_Eq2

「我們再來定義一個『x歲的平均餘命』,意思是x歲的人平均還能再活幾年。它的數學式子是,」

他指著第二個加總符號說

「取k’=k+1,可以得到結果為,」

永遠恆正的平均餘命_Eq3

「換句話說,x歲的平均餘命,就是把『給定x歲後,還會活k年的機率』,從k=1到k=∞累加起來。」

子威笑了,那笑容像在草地裏撿到彈珠的小男孩,跑回來跟朋友炫耀的表情。

「我查過了台灣官方的國民生命表。在我這年紀的男性……竟然平均餘命還有8.3年。照你的標準來要求…我還有8年要努力呢……做你的老公……真辛苦。」

子威突然一陣咳嗽,笑容還沒褪去,痛苦的表情湧上混雜在一起。珮穎眼前一陣模糊,她知道子威又在安慰她了。她吸了吸鼻子,試圖讓聲音平穩

「那就辛苦你了,請再為了我多活幾年。」

當晚半夜,子威緊急被送回加護病房。凌晨,珮穎簽下放棄急救同意書。

Photo Credit:Beverly & Pack
Photo Credit:Beverly & Pack

星期五傍晚,珮穎站在夕陽下。紙蓮花被包覆在更大的、火焰形成的蓮花中。已經過了好幾次夕陽,她卻還沒跟子威說到話。這次的冷戰好久。

應該不可能習慣身邊沒有子威吧。不,不是不可能習慣,是我不希望習慣。

「奶奶妳還好嗎?」

孫女打斷了珮穎的思緒。

「爺爺還在的。只是我們看不到而已。」

孫女安慰她。珮穎想起她們相遇時,她正是孫女這個年紀吧。

「奶奶妳搬過來跟我們住好了,這樣爺爺也不用跑太多地方,可以更常回來。」

孫女試探性地問。珮穎知道孫女擔心獨居的自己觸景生情。有很多案例,感情深厚的夫妻一個先離開,另一個走不出來,也很快離開了。

「妳放心,奶奶很堅強,可以照顧好自己,還能活很多年的。妳爺爺教過我一套觀念……」

珮穎向孫女解釋起應用到條件機率的平均餘命。

「照你爺爺的說法,我還有11年好活。太早去鐵定會挨妳爺爺罵的。」

一旁還在念高中的小孫子插嘴說道

「可是奶奶,這觀念有點奇怪,因為機率恆正,不管到幾歲,平均餘命永遠是正的,表示當下的預期平均壽命永遠會大於當下的年紀,那不就是說,人類可以永遠活下去——」

「你閉嘴啦!」

孫女出言制止她那搞不清楚狀況的弟弟。

的確,這聽起來有點像芝諾悖論:烏龜跟阿基里斯賽跑,每當阿基里斯快要追上烏龜,烏龜都會趁著阿基里斯追趕所花的時間,再往前移動一點,阿基里斯又得再追趕。不論靠多近,烏龜永遠有一小段時間可以再前進,阿基里斯永遠追不上烏龜。

小孫子沒說錯,給定現在的年齡,只要沒破人瑞紀錄,永遠有人活得更久。平均餘命永遠大於零,永遠可以活下去。

但跟芝諾悖論不一樣,芝諾悖論有數學上的問題;餘命的觀念儘管看起來不合理,但在數學上完全正確,沒有漏洞。餘命永遠恆正,但那終究只是期望值,還是會有很多人在沒活到那年紀之前就先離開。

這是體貼的子威留給她最後的禮物,一道用完美數學構成的甜言蜜語。

他的意思是,他將永遠陪在她身邊。就像第一次見面一樣,他告訴她車來了,體貼地閃到前方幫她擋灰塵。

「奶奶自己住沒關係,」

珮穎打斷了孫女與孫子的爭執

「這樣爺爺如果回家了,才有人幫他開門啊。」

她朝左望去,夕陽在腳下拉出一道長長的影子,她閉上眼睛,彷彿聞到了子威身上那股淡淡的木香調香水氣味。

註: 更多賴以威的數學故事,請參考《超展開數學教室

Photo Credit:Ruth and Dave
Photo Credit:Ruth and Dave

註:更多賴以威的數學故事,請參考《超展開數學教室》。

-----廣告,請繼續往下閱讀-----
文章難易度
賴 以威
32 篇文章 ・ 10 位粉絲
數學作家、譯者,作品散見於聯合報、未來少年、國語日報,與各家網路媒體。師大附中,台大電機畢業。 我深信數學大師約翰·馮·諾伊曼的名言「If people do not believe that mathematics is simple, it is only because they do not realize how complicated life is」。為了讓各位跟我一樣相信這句話,我們得先從數學有多簡單來說起,聊聊數學,也用數學說故事。 歡迎加入我與太太廖珮妤一起創辦的: 數感實驗室

0

0
0

文字

分享

0
0
0
AI 可以設計散熱,但誰敢讓它出貨?林唯耕談算力背後的物理現實
鳥苷三磷酸 (PanSci Promo)_96
・2026/08/20 ・2819字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

本文由 高柏科技 合作,泛科學撰文

林唯耕剛回台灣任教時,曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏,那股刺鼻的氣味瞬間瀰漫整棟大樓,引來眾多師生抗議。

「從此以後,我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中,帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言:在理論模型中,氨是太空熱控系統的理想介質;但在現實的辦公大樓裡,它首先是逼人逃竄的臭味。公式本身沒有錯,但現實世界永遠比公式更複雜——它包含了人、成本、風險,以及必須為後果負責的工程師。

-----廣告,請繼續往下閱讀-----

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ,曾任職於美國 OAO 工程部熱流組,深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球,他鑽研一輩子的老問題再次被推向科技產業的核心:當晶片運算速度無止境攀升,那股伴隨而生的熱,究竟該往哪裡去?

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗,彷彿進步毫無邊界。然而,每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護。在物理現實面前,再動聽的發表會敘事也必須低頭。

晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護 / 圖片:envato

回顧個人電腦發展早期,晶片幾乎不需專屬散熱元件。隨後,鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級,其實更像是對空間的極限勒索:晶片功率翻倍,發熱源的面積卻沒變大,機箱空間也不可能無限擴張。

林唯耕指出,散熱設計的核心只有三要素:功率、熱源面積與空間限制。他舉例,在標準的 1U 機箱中,若發熱面積約為三十乘三十毫米,氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數,而是取決於空間、面積與氣流的動態平衡。最現實的代價在於,風扇轉速提升的背後,是噪音、電力損耗與空間占用。

-----廣告,請繼續往下閱讀-----

因此,「液冷技術」的興起並非單純為了追求酷炫,而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱,卻也將新的挑戰帶入機房:漏液風險、流道堵塞、材料相容性,以及維運時的難度。工程的進步,本質上鮮少是徹底消滅問題,更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的,不是把答案搬回地面

太空熱控工程之所以迷人,是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中,沒有空氣能讓風扇製造對流;受光面溫度破百度,陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射,以及熱管與環路型熱管(LHP)來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱,冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力:在他設定的特定條件下,實心銅塊約能傳導 120 瓦的熱能;但若每秒有一立方公分的水發生蒸發相變,移熱量可瞬間拉升至 2.4 千瓦(kW)。他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。

儘管如此,太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度,偏好無馬達幫浦的被動式設計;但地面 AI 伺服器面臨更高的熱負載與環境溫度,往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒:技術是否「先進」,與它是否「適合」當下的場景,始終是兩回事。

-----廣告,請繼續往下閱讀-----
他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。/圖片:envato

好論文,為什麼仍可能造不出好產品

學術研究致力於證明「可行性」,而工業現場則要求「可重複性」——不僅要能運作,還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據,在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時,也曾遇過實驗數據無法複製,或研究方向偏離產業需求。這未必是雙方努力不夠,而是彼此對「成功」的標準不同。為了解決這道鴻溝,高柏科技推動「柏苗啟航創新培育計畫」,每年投入逾千萬資金與成大、中山、台科大等校合作,並指派專業人才在過程中持續微調、校正,確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測,但由於儀器預設以「水」校正,換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算,卻發現缺乏重複性,數據甚至推導出不合理的蒸發率。最後團隊回歸基本面,改用秤重法搭配能量平衡進行交叉驗證,才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號,而在於那段不夠優雅的挫折:假設失效、數據混亂、方法砍掉重練。也正是在這種時刻,企業需要的不只是會算數的人才,而是能洞察研究何時「走鐘」,並有權力喊停、要求重來的關鍵決策者。

-----廣告,請繼續往下閱讀-----

林唯耕坦言,過去在校園裡總認為「技術第一、成本第二」,進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽,卻是產品能否進入市場的殘酷真相。再卓越的散熱設計,若無法穩定生產或贏得客戶信任,也僅止於一份精美的報告。

AI 會給答案,誰來負責出貨?

訪談尾聲,主持人國威提出了一個時代難題:假設 AI 能在彈指間生成散熱架構、材料配方與流道設計,企業該選擇全面擁抱 AI 的速度,還是保留緩慢但穩定的工程驗證,以規避潛在的失效風險?

林唯耕拒絕落入二選一的框架。他的觀點是:兩者並存。AI 擅長處理資訊、生成草案;但工程師仍須實作原型,進行嚴苛的性能與可靠度測試,最終由人決定是否出貨。這並非盲目崇拜人類直覺,而是基於一項事實:AI 的資料庫裡,通常沒記載下一次「意外洩漏」或「材料疲勞」的細節,且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代,最稀缺的未必是熟練下指令(Prompt)的人,而是具備這種能力的人:能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來,並且願意為最終的量產品質負起責任。

-----廣告,請繼續往下閱讀-----

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中,雲端是由龐大的機房架構而成,裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張,都會在實體世界留下發熱的足跡。散熱工程師的價值,就是不讓這筆物理帳單,被埋沒在光鮮亮麗的投影片背後。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
249 篇文章 ・ 320 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

2
1

文字

分享

0
2
1
天氣預報到底是不是在騙人?我整個就不爽了!從生活案例看條件機率——《跟著網紅老師玩科學》
時報出版_96
・2019/08/23 ・1984字 ・閱讀時間約 4 分鐘 ・SR值 438 ・四年級

許多人說,現在科學這麼發達,為什麼天氣預報總是不準呢?

這裡涉及一個數學問題,稱為「條件機率」。

什麼是條件機率呢?例如我們要確定 6 月 15 日是不是下雨,根據往年資料,下雨的機率有 40% ,不下雨的機率為 60% ,這就稱為「機率」。如果在前一天,天氣預報說 6月15 日下雨,這就稱為「條件」, 在這種條件下, 6 月 15 日真正下雨的機率就稱為「條件概率」。

圖/《跟著網紅老師玩科學》提供

你哭著對我說,天氣預報裡都是騙人的

天氣預報根據一定的氣象參數推測是否會下雨,由於天氣捉摸不定,即便預報下雨,也有可能是晴天。假設天氣預報的準確率為 90% ,即在預報下雨的情況下,有 90% 的機率下雨,有 10% 的機率不下雨;同樣,在預報不下雨的情況下,有 10% 的機率下雨,有 90% 的機率不下雨。

-----廣告,請繼續往下閱讀-----

這樣一來, 6 月 15 日的預報和天氣就有四種可能:預報下雨且真的下雨,預報不下雨但是下雨,預報下雨但是不下雨,預報不下雨且真的不下雨。

我們把四種情況列在下面的表格中,並計算相應的機率。

下雨 不下雨
預報下雨 40% × 90% = 36% 60% × 10% = 6%
預報不下雨 40% × 10% = 4% 60% × 90% = 54%

計算方法就是兩個機率的乘積。例如下雨機率為 40% ,下雨時預報下雨的機率為 90% ,因此預報下雨且下雨這種情況出現的機率為 36% 。同理,我們可以計算出天氣預報下雨但是不下雨的機率為 6% ,二者之和為 42% ,這就是天氣預報下雨的機率。

在這 42% 的可能性中,真正下雨占 36% 的可能,比例為\( 36 \div 42=85.7 \)%,而不下雨的機率為 6% ,占 \( 6 \div 42=14.3 \) %。

也就是說,假設天氣預報的準確率為 90% ,預報下雨的條件下,真正下雨的機率只有 85.7% 。

我們會發現:

-----廣告,請繼續往下閱讀-----

預報下雨時是否真的下雨,不光與預報的準確度有關,同時也與這個地區平時下雨的機率有關

圖/《跟著網紅老師玩科學》提供

檢查報告說我中獎了,我就真的生病了嗎?

與這個問題類似的是在醫院進行重大疾病檢查時,如果醫生發現異常,一般不會直接斷定生病了,而會建議到大醫院再檢查一次,雖然這兩次檢查可能完全相同。為什麼會這樣呢?

假設有一種重大疾病,患病人群占總人群的比例為\(\frac{1}{7000} \) 。也就是說, 隨機選取一個人,有\(\frac{1}{7000} \) 的機率患有這種疾病,有\(\frac{6999}{7000} \) 的機率沒有患這種疾病。

有一種先進的檢測方法,誤診率只有萬分之一,也就是說,患病的人有\(\frac{1}{10000} \) 的可能性被誤診為健康人,健康人也有\(\frac{1}{10000} \) 的可能性被誤診為患病。

-----廣告,請繼續往下閱讀-----

我們要問:在一次檢查得到患病結果的前提下,這個人真正患病的機率有多大?

患病 健康
檢測患病 \(\frac{1}{7000} \times \frac{9999}{10000}\)\(= \frac{9999}{70000000}\)  \(\frac{6999}{7000} \times \frac{1}{10000}\)\(= \frac{6999}{70000000}\)
檢測健康 \(\frac{1}{7000} \times \frac{1}{10000}\)\(= \frac{1}{70000000}\)  \(\frac{6999}{7000} \times \frac{9999}{10000}\)\(= \frac{69983001}{70000000}\)

我們仿照剛才的計算方法,檢測出患病的總機率為:\(\frac{9999}{70000000}+\frac{6999}{70000000} \) \(=\frac{16998}{70000000}\)
患病且檢測出患病的機率為:\(\frac{9999}{70000000}\)

所以在檢測患病的條件下,真正患病的機率為:\( \frac{9999}{70000000} \div  \frac{16998}{70000000}\) \(=\frac{9999}{16998}\) \( \approx 58.8 \)%

顯而易見,即便是萬分之一誤診的情況,一次檢測也不能完全確定這個人是否患病。

-----廣告,請繼續往下閱讀-----

圖/《跟著網紅老師玩科學》提供

那麼,兩次檢測都是患病的情況又如何呢?

大家要注意,在第一次檢測結果為患病的前提下,此人患病的機率已經不再是所有人群的 \(\frac{1}{7000}\) ,而變為自己的 58.8% ,健康的機率只有 41.2% 。

此處的機率就是條件機率,所以第二次檢測的表格變為:

-----廣告,請繼續往下閱讀-----
患病 健康
檢測患病 58.8% × \(\frac{9999}{10000}\)= 58.794%  41.2% × \(\frac{1}{10000}\)= 0.004%
檢測健康  58.8% × \(\frac{1}{10000}\)= 0.006%  41.2% × \(\frac{9999}{10000}\)= 41.196%

兩次檢測都是患病的條件下,此人真正患病的機率為:\(\frac{58.794}{58.794+0.004}\)\(=99.99 \) % 基本確診了。

日常生活超有感──貝式定理

對這個問題進行詳細討論的人是英國數學家貝葉斯

圖/《跟著網紅老師玩科學》提供

貝葉斯指出:如果 A 和 B 是兩個相關的事件, A 有發生和不發生兩種可能, B 有 B1 、 B2 、……、 Bn 共 n 種可能。

-----廣告,請繼續往下閱讀-----

那麼在 A 發生的前提下, Bi 發生的機率稱為:條件機率 \( P(B_i|A) \)

要計算這個機率,首先要計算在 Bi 發生的條件下 ,A 發生的機率,公式為:\( P(B_i)P(A|B_i) \)

然後,需要計算事件A發生的總機率

方法是用每種Bi情況發生的機率與相應情況下A發生的機率相乘,再將乘積相加。
\( P(B_1)P(A_1|B_1)+P(B_2)P(A_2|B_2)+\cdots+P(B_n)P(A_n|B_n) \)

最後,用上述兩個機率相除,完整的貝式定理公式就是:

\( P(B_i|A) \) \(=\frac{P(B_i)P(A|B_i)}{P(B_1)P(A|B_1)+P(B_2)P(A|B_2)+\cdots+P(B_n)P(A|B_n)} \)

貝式定理在社會學、統計學、醫學等領域,都發揮著巨大作用。

-----廣告,請繼續往下閱讀-----

下次遇到天氣誤報、醫院誤診,不要完全怪氣象臺和醫院啦!有時候這是個數學問題。

——本文摘自《跟著網紅老師玩科學》,2019 年 4 月,時報出版

-----廣告,請繼續往下閱讀-----
時報出版_96
174 篇文章 ・ 38 位粉絲
出版品包括文學、人文社科、商業、生活、科普、漫畫、趨勢、心理勵志等,活躍於書市中,累積出版品五千多種,獲得國內外專家讀者、各種獎項的肯定,打造出無數的暢銷傳奇及和重量級作者,在台灣引爆一波波的閱讀議題及風潮。

0

0
2

文字

分享

0
0
2
用我大數學的語言傳授幸運法則!? ── 《幸運的科學》書評
賴 以威
・2019/02/15 ・3128字 ・閱讀時間約 6 分鐘 ・SR值 512 ・六年級

過年期間,我讀了這本《幸運的科學》。「裡面有提到貝氏定理(數學)。」朋友跟我說的時候,我還有點存疑,畢竟這書名怎麼看都有點像是那種、打著科學招牌,講一些科學「目前」還幫不上忙的領域。

讓我決定翻開的原因是作者之一 Barnaby Marsh 曾是哈佛大學、牛津大學的訪問學者,如今正在普林斯頓高等研究院訪問。前兩間是知名的大學,普林斯頓高等研究院更是當年匯集了馮·諾伊曼、愛因斯坦、奧本海默等留名青史學者的研究機構。

能訪問這些赫赫有名大學研究機構的學者所說的話,應該還蠻值得一看的吧?我的偏見這樣告訴我。

說到底,偏見也可以用機率來解釋:
如果今天只是一般人講幸運的科學,我們以為穿鑿附會的機率很高;但如果有像作者這樣的經歷,我們就下意識的認為可信度高一些,這是條件機率教我們的。

-----廣告,請繼續往下閱讀-----

沒想到我翻開書讀起來,還真的有貝氏定理!

貝式定理。圖/Flickr

天助自助者,怎麼讓隨機事件成功機率增加?

格雷茨基在一九八〇年代與一九九〇年代先後四次奪得斯坦利盃 (Stanley Cup) 冠軍,創下至今無人能超越的得分紀錄。當他被問到如何打進這麼多球時,他永遠只有一個答案:「我滑到冰球會到的地方。」

這是一本有趣的書,作者用了兩三百頁的分量來解釋「天助自助者」、「趨吉避凶」這些我們自以為熟知,卻不太清楚該如何徹底落實在生活中的概念。其中有些重點精準的運用了「數學語言」來描述,讓讀者(至少我)更了解他想傳遞的概念。

比方說,成功或多或少都參雜了些機運,因此作者把成功定義為一個「隨機事件」。沒有人能控制隨機事件,無法讓隨機變成確定。

但透過兩件事,能讓成功更容易發生:

-----廣告,請繼續往下閱讀-----

一、德蕾莎修女搭頭等艙事件 ── 增加成功機運

圖/wikipedia

「以照顧貧苦病痛之人為己任的修女,竟然也有想要追求享受的一面,是想在旅途中舒服些嗎?」書中提到德雷莎修女搭頭等艙這行為受到一些批評。

你可以想像,這件事如果在台灣鐵定會上報紙頭條,然後被媒體公審。我自己查了網路資料,有一說是德雷莎修女在搭飛機時,常會被航空公司自動升級到頭等艙。但其實德雷莎修女是為了尋求更多的募款機會,精準一點的說,是「尋求更多遇到有錢人的機會」。

沒人能保證一次募款能否成功,但修女利用搭頭等艙來增加遇見富人的機率,進而提升募款次數。用個熟悉的數學例子來說,就是你無法改變丟硬幣出現正面的機率,但你可以多丟幾次。

-----廣告,請繼續往下閱讀-----

只是生活中很多情境不像丟銅板那麼簡單,無法輕易的增加嘗試次數。有時候增加嘗試次數需要過高的成本,不一定值得去做,例如買彩券;或者,「嘗試增加次數」本身就是一個隨機事件,就像募款的例子。你沒辦法說「1 個富人沒用,那我就來遇 10 個富人吧!」。只是寫 10 封 E-mail 可能也只是徒勞的嘗試,因為這些信件通常都不會被認真看待,還是得要面對面的交流;搭頭等艙雖然不保證能遇到富人,但至少比起在便利商店遇到要來得機率高。

募款成功的機率不能被改變,但遇到富人的機率可以被改變,而這連帶會影響到募款成功的次數,所以這便是值得去做的一件事。

至於為什麼遇到富人的機率可以被改變,這就牽扯到書中的第二個重點 ── 條件機率

二、嬰兒該不該和父母同床事件 ── 條件機率

我發現,即使是那些斷言一切都是命中注定、我們不可能改變的人,他們過馬路時仍然會注意兩邊來車。

圖/pixabay

-----廣告,請繼續往下閱讀-----

書裡舉的例子是作者跟他太太在女兒出生時,曾經討論過要不要讓她跟她們一起睡。太太認為不妥,因為跟父母同睡的嬰兒發生意外的機率,是睡在嬰兒床上的 5 倍高,因為同床的嬰兒比較容易被悶住或被大人壓到 ── 但這是一般論的結果。

作者仔細研究後發現,許多意外是發生在父母喝醉、過度肥胖、教育程度不高的情況下(這邊作者沒有解釋清楚,但我想背後是指教育程度不高的父母,有相對高的比例會選擇不準備嬰兒床);另外,床鋪過軟、沙發、水床、過多的毛毯也都是問題。

作者根據自己家裡的情況考量後,發現他們與女兒同床的風險是低於千分之一的。

換句話說,以下兩種機率是相差很多的:

-----廣告,請繼續往下閱讀-----
  1.  嬰兒跟父母同床發生意外的機率。
  2.  給定 king size 床,且夫妻各用一條單人被的條件下,嬰兒跟父母同床發生意外的機率。

再用我們習慣的骰子做例子:丟骰子出現六點的機率是 1/6,但相信很多人小時候(或現在依然是)丟骰子時,會刻意把六點的那一面朝上或朝下,因為我們不知怎麼地,以為這樣比較容易出現六點 ── 這就是試圖以增加條件,把機率變成條件機率,進而趨吉避凶。不過六點這面朝上,這個方法事實上可能沒什麼效就是了。

我們會刻意把六點的那一面朝上或朝下,試圖把機率變成條件機率,不過這個方法事實上可能沒什麼效。
圖/pixabay

說說其他例子:以前有一位老師跟我說:「大家都說:『創業成功的機率只有 5%,所以創業很難。』這是錯的。舉個極端一點的例子:可能是有 99% 的人缺乏某些特質,注定失敗,有 1% 的人怎麼創業都成功。重點不在成功的機率,而在於你有沒有具備哪些條件。」

平均的機率或統計有一定的代表意義,但在套到自己身上時都必須根據自身的條件重新去思考。反過來說,我們可以不斷增加各種條件,讓自己想實現的事件,變成機率值越來越高的條件機率。

-----廣告,請繼續往下閱讀-----

作者對此有一個很漂亮的說法:有一個打敗機率的方法,就是將它們個人化。

再回到前面過馬路的例子來說,被車撞到是隨機事件,而過馬路前先左右張望,不也就是再增加條件,把它變成條件機率嗎?

要如何更幸運?

這本書有好幾個段落當讓我覺得很有趣:早就學過的機率知識,許多正面思考的書籍中常見的情境與道理,串在一起後卻讓人有種「原來還能從這個角度看啊」的新奇感,就好像看見老朋友不曾見過的那面一樣。

從這樣實用面來介紹條件機率,也比「給定出現的點數是奇數,求出現 3 點的機率是多少?」這樣的題目,更讓人有感、覺得數學好玩有用 …… 說到最後有點離題了。

本書的主旨是講如何更幸運,範圍非常廣泛,從工作、愛情、到育兒都講了。雖然這不是我的專長,但裡面的一些觀點卻讓我覺得有趣,或許也會放在心上,想找機會用用看(像是我個人很喜歡教養那邊,作者認為孩子需要的是「能辨認他們眼前所有可能導致快樂的途徑的能力」),雖然這都只是很個人主觀的看法而已。

-----廣告,請繼續往下閱讀-----

不過如果對機率有興趣,想看看專家怎麼把機率與幸運做結合,相信書中前面的幾章,你應該會讀得蠻開心的。

圖/pixabay

-----廣告,請繼續往下閱讀-----
賴 以威
32 篇文章 ・ 10 位粉絲
數學作家、譯者,作品散見於聯合報、未來少年、國語日報,與各家網路媒體。師大附中,台大電機畢業。 我深信數學大師約翰·馮·諾伊曼的名言「If people do not believe that mathematics is simple, it is only because they do not realize how complicated life is」。為了讓各位跟我一樣相信這句話,我們得先從數學有多簡單來說起,聊聊數學,也用數學說故事。 歡迎加入我與太太廖珮妤一起創辦的: 數感實驗室