# 三門問題作為箭頭幻覺案例：從視角混淆、概率類型錯誤到時序本體壓平的推理路徑審計

## The Monty Hall Problem as a Case of Arrow Illusion  
### An Arrow Audit from Perspective Confusion and Probability-Type Error to Temporal-Ontological Flattening

- **文件編號**：EML-LOGIC-2026-MONTY-ARROW-AUDIT-v0.1  
- **作者**：Neo.K & GPT-5.5 Thinking  
- **機構**：EveMissLab（一言諾科技有限公司）  
- **日期**：2026-07-12  
- **版本**：v0.1  
- **狀態**：方法論案例研究 / 箭頭真假理論應用稿 / 非數學定理證明  
- **前置依據**：
  - 《箭頭真假：符號間推理路徑的證成剛性、語義守恆與因果可達性》
  - 《三門問題的敘述歧義分析：視角混淆與信息結構缺陷的系統性研究》
  - 《三門問題的概率定義缺陷：補充研究》
  - 《三門問題的本體論層缺陷：補充研究（二）》
  - 《線性語言對時序本體的壓平：一個範疇錯誤的跨領域分析》

---

## 摘要

本文將經典三門問題（Monty Hall Problem）重新定位為「箭頭真假」理論的第一個完整案例研究。本文不重新爭辯標準條件下換門勝率是否為 \(2/3\)；在主持人知道車的位置、必定開出山羊門、參賽者完全知曉並信任規則、主持人策略透明且穩定等條件成立時，換門策略具有更高期望收益，這一點本文不否認。本文真正研究的是另一個問題：三門問題從自然語言敘述到標準答案「換門勝率 \(2/3\)」之間，究竟經過了哪些箭頭？這些箭頭是否被明確證成？哪些箭頭是邏輯蘊涵，哪些是概率框架轉換，哪些是時序壓平，哪些只是敘述壓縮？

本文延續「箭頭真假」框架，主張大量三門問題爭議並非源於大眾單純不懂機率，而是問題敘述中多條關鍵箭頭被偷渡、壓平或未加標註：全知敘述者信息被默認轉換為參賽者可用信息；主持人知道車的位置被默認轉換為參賽者知道主持人知道；頻率模擬比例被默認轉換為單次決策概率；時序狀態轉化過程被默認轉換為靜態條件概率空間；理性人模型被默認轉換為所有真實參賽者的決策規範。

本文將上述問題統一稱為 **三門問題的箭頭幻覺**。其核心不是「2/3 是否錯」，而是「\(2/3\) 的成立路徑是否被完整標註」。本文提出一個箭頭審計表，將標準論證拆為多個局部箭頭：

\[
N \to I_G \to I_P \to P(C\mid P,H) \to F_{\text{sim}} \to \pi^*=\text{switch}
\]

並逐一審查其關係類型、定義域、語義守恆、概率框架、時序壓平與主體假設。本文結論是：三門問題的標準答案在充分條件化後是合法的，但將其以「唯一無條件正確答案」形式呈現，會掩蓋其依賴的箭頭鏈。三門問題因此應從「條件機率謎題」升級為「推理箭頭審計、信息結構教育與模型假設透明化」的跨學科案例。

---

## 0. 一句話

> 三門問題真正值得重新審查的，不是「換門是否等於 \(2/3\)」，而是從原始敘述走到「你應該換門」之間，那一整串箭頭是否都有存在權。

---

## 1. 問題的重新定位

三門問題通常被理解為條件概率或貝葉斯更新的經典案例。標準版本大意如下：

1. 有三扇門，一扇門後有車，兩扇門後有羊。
2. 參賽者先選一扇門。
3. 主持人知道車的位置，並打開另一扇有羊的門。
4. 參賽者可以選擇保持原門或換到剩下的門。
5. 問：是否應該換門？

標準答案是：

\[
P(\text{win by switching})=\frac{2}{3}.
\]

這個答案在充分明確的模型下可以成立。本文不否認這一點。本文要問的不是：

\[
\frac{2}{3}\text{ 是否可算出？}
\]

而是：

\[
\text{原始敘述}\to\frac{2}{3}\to\text{你應該換門}
\]

這條推理路徑是否被完整證成。

換言之，本文關心的不是端點，而是箭頭。

---

## 2. 箭頭真假框架的引入

在《箭頭真假》中，我們提出：

> 研究一個論證時，不能只問 \(A\) 與 \(B\) 是否為真，還要問 \(A\to B\) 中的箭頭是否成立。

一個推理鏈可寫為：

\[
\Pi:
X_0=A\to X_1\to X_2\to\cdots\to X_n=B.
\]

其強度可初步表示為：

\[
R(\Pi)=\min_i R(X_i\to X_{i+1}).
\]

也就是說，一條推理鏈不由平均可信度決定，而由最弱箭頭限制。

三門問題正是一個極佳案例，因為它表面上非常簡單，實際上卻包含多種不同箭頭：

- 敘述視角箭頭；
- 信息可及箭頭；
- 知識模態箭頭；
- 概率定義箭頭；
- 頻率比例到單次概率的箭頭；
- 靜態條件概率到時序決策的箭頭；
- 模型理性人到真實參賽者的箭頭；
- 計算結果到行為建議的箭頭。

這些箭頭常被自然語言中的「所以」一口氣壓成：

> 所以你應該換門。

本文要做的，就是把這些箭頭重新拆開。

---

## 3. 標準答案與條件性

在充分定義的標準模型中，可以設：

- 車位置 \(C\) 在三門中均勻分布；
- 參賽者初選 \(P\) 與 \(C\) 獨立；
- 主持人知道 \(C\)；
- 主持人永遠不打開 \(P\)；
- 主持人永遠打開一扇羊門；
- 若主持人有兩扇羊門可開，其選擇規則已知或不影響換門結論；
- 參賽者知道且相信以上規則；
- 參賽者效用函數為贏車最大化。

在此模型中，保持原門勝率為：

\[
P(C=P)=\frac{1}{3}.
\]

換門勝率為：

\[
P(C\neq P)=\frac{2}{3}.
\]

此處推理可成立，因為主持人的開門行為在 \(C\neq P\) 時會將唯一剩餘的車門保留下來，而在 \(C=P\) 時換門必輸。

因此，若模型條件全部成立，換門是更優策略。

本文不反對此結論。本文反對的是將此條件化結論表述為：

> 三門問題的答案就是 \(2/3\)，你應該換門。

這種說法省略了大量箭頭條件。

---

## 4. 第一條問題箭頭：全知敘述者信息到參賽者信息

三門問題原始敘述中常出現：

> the host, who knows what's behind the doors

即「主持人知道門後內容」。

這句話在敘述層面上由全知敘述者給出。問題是：參賽者是否知道主持人知道？這不是同一件事。

令：

\[
K_H
\]

表示「主持人知道門後內容」。

令：

\[
K_P(K_H)
\]

表示「參賽者知道主持人知道門後內容」。

則：

\[
K_H\not\Rightarrow K_P(K_H).
\]

主持人知道，不推出參賽者知道主持人知道。

這裡存在第一條未證成箭頭：

\[
I_{\text{narrator}}\to I_{\text{participant}}.
\]

如果敘述只告訴讀者「主持人知道」，但讀者同時被代入「你是參賽者」視角，就會產生視角混淆。讀者到底是全知分析者，還是參賽者？若是參賽者，該信息是否進入他的可用信息集？

這是三門問題最根本的敘述箭頭缺陷。

---

## 5. 第二條問題箭頭：主持人知道到主持人策略透明

即使參賽者知道：

\[
K_P(K_H)=\text{true},
\]

仍然不夠。

因為標準答案還需要主持人遵守特定策略：

1. 必定開門；
2. 必定開羊門；
3. 必定不開參賽者已選的門；
4. 開門行為不是惡意誘導、節目效果策略或其他隱藏規則；
5. 若可選兩扇羊門，選擇規則不改變參賽者可用後驗，或該規則已知。

令主持人行為規則為：

\[
\rho.
\]

則標準答案依賴：

\[
K_P(\rho).
\]

但：

\[
K_P(K_H)\not\Rightarrow K_P(\rho).
\]

主持人知道車在哪裡，不代表參賽者知道主持人會如何運用這個知識。

因此第二條問題箭頭是：

\[
\text{host knows}\to\text{host follows standard rule}.
\]

這條箭頭不自動成立。

---

## 6. 第三條問題箭頭：觀察到羊門到貝葉斯更新

參賽者觀察到主持人打開羊門 \(H\)。標準論證要求參賽者據此更新：

\[
P(C\mid P,H).
\]

但這個更新只在參賽者知道 \(H\) 的生成機制時才有明確意義。

貝葉斯更新不是單純由事件 \(H\) 觸發，而是由：

\[
P(H\mid C,P,\rho)
\]

這個似然結構觸發。

若主持人策略未知，則參賽者需要對 \(\rho\) 有先驗：

\[
P(\rho).
\]

真正的更新應是：

\[
P(C\mid P,H)
=
\int P(C\mid P,H,\rho)P(\rho\mid P,H)d\rho.
\]

標準答案等同於把 \(P(\rho)\) 壓縮為單點：

\[
P(\rho=\rho_{\text{standard}})=1.
\]

因此第三條問題箭頭是：

\[
H\to P(C\mid P,H)=\frac{2}{3}.
\]

這條箭頭只在主持人策略已定義且參賽者知道策略時成立。

---

## 7. 第四條問題箭頭：頻率比例到概率

電腦模擬常被用來說明三門問題。典型模擬重複大量試驗，得到：

\[
\hat p_{\text{switch}}\approx\frac{2}{3}.
\]

然而，模擬輸出的是頻率比例：

\[
\hat p=\frac{k}{n}.
\]

它描述的是已發生樣本集合中成功次數的比例。

而單次參賽者面對的是一次決策，不是 \(n\) 次重複試驗。他需要的是某種決策相關的概率或信念：

\[
P_{\text{agent}}(\text{win by switching}\mid I_P).
\]

因此，從模擬比例到單次概率存在一條橋：

\[
\hat p_{\text{sim}}\to P_{\text{agent}}.
\]

這條橋可以成立，但需要明確概率框架：

- 若採頻率主義，則陳述應限於重複試驗集合；
- 若採貝葉斯主義，則需說明參賽者信息集與先驗；
- 若採決策論，則還需效用函數與行為規則。

沒有這些條件，模擬只能證明：

\[
\text{在模擬假設成立時，重複換門策略的成功比例趨近 } \frac{2}{3}.
\]

它不能無條件證明：

\[
\text{這一次的你，換門概率就是 } \frac{2}{3}.
\]

因此第四條問題箭頭是：

\[
\text{frequency ratio}\to\text{single-case probability}.
\]

---

## 8. 第五條問題箭頭：概率到行為建議

即使已得到：

\[
P(\text{win by switching})=\frac{2}{3},
\]

仍然還有一條箭頭：

\[
P=\frac{2}{3}\to\text{you should switch}.
\]

這不是純概率箭頭，而是決策論箭頭。

它需要效用函數。

若參賽者只在意贏車，且沒有其他心理成本、策略偏好、風險態度或節目互動因素，則期望效用最大化支持換門。

但若效用函數不同，例如：

- 參賽者討厭被主持人操控；
- 參賽者有額外外部信息；
- 參賽者認為主持人可能具有操縱策略；
- 參賽者不是單純最大化車的獲得概率；

則行為建議需要重新計算。

因此：

\[
P_{\text{switch}}>P_{\text{stay}}
\]

到：

\[
\pi^*=\text{switch}
\]

需要決策論橋樑：

\[
\text{probability}\to\text{expected utility}\to\text{action}.
\]

這條橋也不應被省略。

---

## 9. 第六條問題箭頭：時序狀態轉化到靜態條件概率

三門問題在本體論上是一個時序狀態轉化系統：

\[
S_0\xrightarrow{e_1}S_1\xrightarrow{e_2}S_2\xrightarrow{e_3}S_3.
\]

可具體拆為：

- \(t_0\)：車被放置；
- \(t_1\)：參賽者選擇；
- \(t_2\)：主持人根據 \(C,P,\rho\) 開門；
- \(t_3\)：參賽者根據信息狀態決策。

標準解法常將其壓縮為：

\[
P(C\mid P,H).
\]

這是一個合法的數學壓平，但它不是原時序系統的完整等價物。

壓平操作可記為：

\[
\pi:
(S_0\to S_1\to S_2\to S_3)
\to P(C\mid P,H).
\]

問題不在於 \(\pi\) 不能用，而在於它常被當成無損等價：

\[
S_{\text{temporal}}\cong P(C\mid P,H).
\]

這不成立。

因為壓平後丟失了：

- 主持人行為在不同狀態下的非均勻確定性；
- 信息如何從 \(t_1\) 到 \(t_2\) 演化；
- 參賽者何時知道哪些規則；
- 主體是否信任規則；
- 開門行為作為行動而非單純事件的本體論地位。

因此第六條問題箭頭是：

\[
\text{temporal state-transformation system}\to\text{static probability space}.
\]

這條箭頭需要被明確標註為壓平，而不是等價。

---

## 10. 第七條問題箭頭：理性人到真實主體

標準答案常假定一個理性人：

\[
A_{\text{rational}}.
\]

這個主體：

- 知道規則；
- 信任規則；
- 沒有額外信息；
- 以獲勝概率最大化為唯一目標；
- 可與其他參賽者互換；
- 對主持人策略有標準模型。

但真實參賽者可能具有完整個體狀態：

\[
A_i=(I_i,B_i,U_i,M_i,H_i,\dots)
\]

其中：

- \(I_i\)：個體信息；
- \(B_i\)：信念；
- \(U_i\)：效用函數；
- \(M_i\)：對主持人與節目機制的模型；
- \(H_i\)：歷史經驗。

標準答案將所有主體壓縮為：

\[
A_i\to A_{\text{rational}}.
\]

這是主體均質化箭頭。

它可用於教學模型，但不是對所有真實個體的完整描述。

因此第七條問題箭頭是：

\[
\text{real agent}\to\text{interchangeable rational agent}.
\]

---

## 11. 三門問題的完整箭頭鏈

將以上箭頭整合，三門問題標準論證可寫為：

\[
N_0
\xrightarrow{T_1}
I_G
\xrightarrow{T_2}
I_P
\xrightarrow{T_3}
\rho_{\text{standard}}
\xrightarrow{T_4}
P(C\mid P,H)
\xrightarrow{T_5}
\frac{2}{3}
\xrightarrow{T_6}
\pi^*=\text{switch}.
\]

其中：

- \(N_0\)：自然語言敘述；
- \(I_G\)：全知者信息集；
- \(I_P\)：參賽者信息集；
- \(\rho_{\text{standard}}\)：主持人標準策略；
- \(P(C\mid P,H)\)：靜態條件概率；
- \(\frac{2}{3}\)：換門勝率；
- \(\pi^*\)：行為建議。

每一條 \(T_i\) 都必須審查。

如果其中任何一條未被明確證成，則最終答案仍可能在標準模型中成立，但不能宣稱原始敘述已經充分支持它。

---

## 12. 箭頭審計表

| 編號 | 箭頭 | 類型 | 問題 |
|---|---|---|---|
| \(T_1\) | 敘述 → 全知信息 | 語義 / 視角 | 敘述者知道不等於參賽者知道 |
| \(T_2\) | 全知信息 → 參賽者信息 | 信息可及 | 缺少信息轉換函數 |
| \(T_3\) | 主持人知道 → 標準策略 | 機制 / 規則 | 知道不等於遵守某策略 |
| \(T_4\) | 時序系統 → 靜態概率 | 壓平 / 模型化 | 壓平不是無損等價 |
| \(T_5\) | 模擬比例 → 概率 | 概率框架轉換 | 頻率比例不等於單次信念 |
| \(T_6\) | 概率優勢 → 應該換門 | 決策論 | 需要效用函數 |
| \(T_7\) | 理性人 → 真實個體 | 主體壓縮 | 主體差異被抹除 |

此表顯示：三門問題的核心困難不是算不出 \(2/3\)，而是標準敘述將七條不同類型的箭頭壓成一條自然語言中的「所以」。

---

## 13. 三門問題的箭頭幻覺定義

本文定義：

> **三門問題的箭頭幻覺**：在三門問題中，論證者將敘述視角轉換、信息可及性、主持人策略、概率框架、時序壓平、主體均質化與決策論橋樑等多個不同類型的箭頭，壓縮為單一無條件推理「所以換門勝率為 \(2/3\)，你應該換門」，並將此壓縮結果誤認為原始敘述的直接結論。

形式上：

\[
N_0\to \pi^*
\]

被錯誤地當成一條直接箭頭。

實際上它應被展開為：

\[
N_0
\to I_G
\to I_P
\to \rho
\to P(C\mid P,H)
\to \frac{2}{3}
\to EU(\text{switch})
\to \pi^*.
\]

---

## 14. 為何標準答案仍可成立？

本文不是反標準答案。本文的精確立場是：

> 在充分定義的標準模型中，換門勝率為 \(2/3\) 是正確的；但標準模型不是原始敘述的無條件自然推出，而是經過一系列補充假設、壓平操作與箭頭證成後得到的模型結論。

因此，本文區分：

### 14.1 條件化正確

\[
A_{\text{required}}\Rightarrow P(\text{switch wins})=\frac{2}{3}.
\]

其中 \(A_{\text{required}}\) 包含完整規則、知識、信任、策略與概率框架。

### 14.2 無條件宣稱

\[
N_0\Rightarrow P(\text{switch wins})=\frac{2}{3}.
\]

本文認為後者不應直接成立，除非 \(N_0\) 已明確包含 \(A_{\text{required}}\)。

---

## 15. 三門問題不是「認知偏誤」的單向教育案例

傳統教育常將三門問題用作：

> 你的直覺錯了，數學告訴你答案是 \(2/3\)。

本文認為這種教育方式不完整。

更好的教育方式是：

> 你的直覺可能混淆了信息結構；標準答案也依賴若干隱含條件。真正要學的是：先審查問題定義，再計算概率，再說明結論有效域。

這不是削弱數學，而是使數學更加誠實。

---

## 16. 與線性語言壓平的關係

三門問題之所以容易引發爭議，與線性語言的壓平能力直接相關。

原始事件是一個多層時序結構：

\[
t_0,t_1,t_2,t_3
\]

但自然語言必須線性敘述：

> 你選了一扇門，主持人開了一扇羊門，問你是否換門。

這種線性敘述會壓平：

- 時間；
- 視角；
- 信息；
- 主體；
- 機制；
- 條件；
- 模型假設。

壓平不是錯。沒有壓平，人類無法溝通。錯的是：

> 把壓平後的敘述當作未壓平結構的完整等價物。

因此，三門問題可以被視為線性語言壓平在數學教育中的經典案例。

---

## 17. 改寫三門問題：箭頭透明版本

為避免箭頭幻覺，問題可改寫如下：

> 有三扇門，其中一扇門後有車，兩扇門後有羊。車的位置在遊戲開始前由均勻隨機機制決定。參賽者知道此機制。參賽者先選一扇門，但不知道車的位置。主持人知道車的位置，且參賽者知道主持人知道。主持人遵守固定規則：他必定打開一扇未被參賽者選中且後面是羊的門；如果有兩扇可開的羊門，他依照已知對稱規則選擇其中一扇。參賽者知道並信任上述全部規則。參賽者的唯一目標是最大化贏得汽車的概率。現在主持人打開一扇羊門後，參賽者應保持原門還是換到剩下的門？

這個版本明確了：

- 概率來源；
- 主持人知識；
- 主持人規則；
- 參賽者知識；
- 規則信任；
- 決策效用；
- 模型範圍。

在此版本下，答案：

\[
\text{switch}
\]

勝率：

\[
\frac{2}{3}
\]

才是清楚成立的。

---

## 18. 箭頭透明版本的形式鏈

改寫後可寫為：

\[
A_1\land A_2\land\cdots\land A_8
\Rightarrow
P(\text{switch wins})=\frac{2}{3}.
\]

其中：

- \(A_1\)：車位置均勻；
- \(A_2\)：主持人知道車的位置；
- \(A_3\)：主持人必定開羊門；
- \(A_4\)：主持人不開參賽者初選門；
- \(A_5\)：主持人策略穩定；
- \(A_6\)：參賽者知道 \(A_1-A_5\)；
- \(A_7\)：參賽者信任規則；
- \(A_8\)：參賽者效用為最大化贏車概率。

此時箭頭變成：

\[
(A_1\land\cdots\land A_8)
\xRightarrow{L/M}
\frac{2}{3}
\xrightarrow{D}
\text{switch}.
\]

其中 \(L/M\) 表示邏輯與模型計算箭頭，\(D\) 表示決策論箭頭。

這比原始敘述更誠實。

---

## 19. 對 AI 推理的啟示

大型語言模型很容易學到：

> 三門問題答案是換門，勝率 \(2/3\)。

但若模型無法檢查以下問題，它仍然沒有真正理解：

1. 原始敘述是否明確？
2. 主持人策略是否給定？
3. 參賽者是否知道主持人策略？
4. 概率是頻率比例還是信念？
5. 模擬結果的論證地位是什麼？
6. 行為建議是否需要效用函數？
7. 標準答案是否條件化？

因此，三門問題應成為 AI 的箭頭審計測試題，而不只是條件概率問答題。

---

## 20. 對教育的啟示

教育中不應只要求學生記住：

\[
\text{switch}=\frac{2}{3}.
\]

更應要求學生能回答：

- 何時是 \(2/3\)？
- 哪些假設改變後不是 \(2/3\)？
- 電腦模擬到底模擬了什麼？
- 模擬比例和單次概率是否同一類？
- 參賽者視角與全知者視角是否一致？
- 結論是概率命題，還是決策命題？

因此，三門問題的教育價值不在於羞辱直覺，而在於訓練：

> 條件性透明、模型假設識別、概率框架區分與箭頭審計能力。

---

## 21. 與「箭頭真假」理論的關係

三門問題提供了一個高度壓縮的例子，說明為什麼「箭頭真假」是必要的。

若只看端點：

\[
\text{標準答案 } \frac{2}{3}
\]

可能是正確的。

但若審查箭頭：

\[
N_0\to\frac{2}{3}
\]

就會發現，中間包含大量隱含橋樑。

因此，三門問題證明：

> 一個答案可以在某模型中正確，但其從自然語言敘述推出的箭頭仍可能是不完整的。

這是「箭頭真假」理論的核心案例。

---

## 22. 命題總結

### 命題 1：三門問題標準答案的條件性

在完整標準條件成立時，換門勝率為 \(2/3\)。

### 命題 2：原始敘述不自動包含完整標準條件

原始敘述中的全知信息、主持人策略、參賽者知識與概率框架均可能未充分明示。

### 命題 3：模擬比例不自動等於單次決策概率

模擬輸出是集合層次頻率比例；若要支持單次決策，需要概率框架與決策論橋樑。

### 命題 4：靜態條件概率是時序系統的壓平投影

\[
P(C\mid P,H)
\]

可以合法使用，但不是原時序狀態轉化系統的完整等價物。

### 命題 5：三門問題爭議本質上是箭頭爭議

爭議不是單純「人類不懂機率」，而是多條推理箭頭的條件性未被明確呈現。

---

## 23. 結論

三門問題不是一個壞問題。恰恰相反，它是一個極好的問題。它之所以經典，不只是因為答案反直覺，而是因為它暴露了自然語言、概率、信息、時序、主體與決策之間的多重箭頭壓縮。

本文的結論可以壓縮為：

> 在充分明確的標準模型下，換門勝率為 \(2/3\)。  
> 但從原始敘述到這個答案之間，存在多條需要證成的箭頭。  
> 若這些箭頭未被標註，則「答案是 \(2/3\)」容易被誤傳為無條件真理。  
> 三門問題真正的教育價值，不是教人背下 \(2/3\)，而是教人審查 \(2/3\) 從哪裡來。

因此，三門問題應被重新定位為：

> **箭頭幻覺、信息結構、概率定義與時序壓平的綜合案例。**

它是「箭頭真假」理論的第一個完整應用場。

---

## 附錄 A：三門問題箭頭審計清單

| 問題 | 必須回答 |
|---|---|
| 主持人知道嗎？ | 是誰知道？敘述者、參賽者、分析者？ |
| 參賽者知道主持人知道嗎？ | \(K_H\not\Rightarrow K_P(K_H)\) |
| 主持人策略明確嗎？ | 知道車位置不等於遵守標準開門策略 |
| 概率框架明確嗎？ | 頻率主義、貝葉斯、決策論？ |
| 模擬結果代表什麼？ | 頻率比例，不是無條件單次概率 |
| 時序是否被壓平？ | \(S_0\to S_1\to S_2\to S_3\) 是否被壓成 \(P(C\mid P,H)\)？ |
| 主體是否被均質化？ | 真實參賽者是否等同於理性人？ |
| 行為建議需要什麼？ | 效用函數與目標函數 |

---

## 附錄 B：錯誤傳播與正確傳播

### 錯誤傳播

> 三門問題的答案是 \(2/3\)，所以你應該換門。

### 條件透明傳播

> 在主持人知道車位置、必定開羊門、參賽者知道並信任規則、主持人策略穩定、參賽者目標是最大化贏車概率的模型中，換門策略的勝率為 \(2/3\)，因此在該模型下應該換門。

---

## 附錄 C：極簡版

> 三門問題不是 \(2/3\) 錯。  
> 是從問題敘述到 \(2/3\) 的箭頭常常沒被交代。  
> 標準答案在標準模型中成立。  
> 但標準模型不是原始自然語言敘述的無條件等價物。  
> 真正要學的不是「換門」，而是「每一條箭頭憑什麼成立」。

---

*EML-LOGIC-2026-MONTY-ARROW-AUDIT-v0.1*  
*© EveMissLab / Neo.K / GPT-5.5 Thinking*