مقدمة

تُعد مشكلة مونتي هول من أشهر الألغاز الاحتمالية التي تُظهر كيف يمكن للحدس أن يضلّ الإنسان. في هذا الدليل سنستعرض كيف يمكننا استنتاج سلوك المضيف باستخدام المنهج البايزي، ما يفتح بابًا لفهم أعمق للقرار “دائمًا غير اختيارك” ولماذا هو صحيح في بعض الحالات وليس في جميعها.

نظرة عامة على مشكلة مونتي هول

المشكلة تبدأ بثلاثة أبواب. خلف أحدها جائزة، والبابان الآخران يحتويان على ماعز. بعد اختيار المتسابق لأحد الأبواب، يفتح المضيف أحد الأبواب التي لم تُختَر وتظهر ماعزًا، ثم يُعطى المتسابق فرصة لتغيير اختياره.

القواعد التقليدية تقول إن تغيير الاختيار يضاعف فرص الفوز من 1/3 إلى 2/3. لكن هذا الافتراض يعتمد على سلوك المضيف: هل يختار عشوائيًا بابًا يحتوي على ماعز أم لديه استراتيجيات أخرى؟

المنهج البايزي في استنتاج سلوك المضيف

التحليل البايزي يسمح لنا بتحديث احتمالاتنا بناءً على معلومات جديدة. في حالتنا، نحتاج إلى حساب الاحتمال الشرطي للحدث “المضيف يفتح بابًا معينًا” بناءً على ما إذا كان المتسابق قد اختار الجائزة أم لا.

الخطوات الأساسية

• تحديد الفرضيات الممكنة لسلوك المضيف.
• تعيين احتمالات أولية لكل فرضية.
• استخدام قاعدة بايز لتحديث الاحتمالات بعد ملاحظة الفعل (فتح باب معين).
• تفسير النتائج لتحديد ما إذا كان “التبديل” هو الاستراتيجية المثلى.

فرضيات سلوك المضيف

سنناقش ثلاثة سيناريوهات شائعة:

السيناريو	وصف السلوك	الاحتمال الأولي
المضيف العشوائي	يفتح أي باب يحتوي على ماعز باحتمال متساوٍ.	0.5
المضيف المتحيز للباب الأيمن	يفضل فتح الباب الأيمن إذا كان يحتوي على ماعز.	0.3
المضيف المتعمد	يفتح دائمًا بابًا معينًا لتوجيه المتسابق.	0.2

هذه القيم الأولية يمكن تعديلها بناءً على ملاحظات سابقة للمضيف.

تطبيق قاعدة بايز

نفترض أن المتسابق اختار الباب الأول. المضيف يفتح الباب الثالث ويظهر ماعزًا. نريد حساب الاحتمال أن الجائزة خلف الباب الثاني (أي أن التبديل هو الفائز) مقابل أن الجائزة خلف الباب الأول.

باستخدام قاعدة بايز:

$$P(J=2|H=3)=\frac{P(H=3|J=2)\cdot P(J=2)}{P(H=3|J=1)\cdot P(J=1)+P(H=3|J=2)\cdot P(J=2)}$$

حيث:

• J هو موقع الجائزة.
• H هو الباب الذي يفتحه المضيف.

نستبدل القيم بناءً على الفرضيات السابقة ونحصل على نتيجة عددية توضح ما إذا كان التبديل يزيد من فرص الفوز.

تحليل النتائج

بعد حساب الاحتمالات لكل سيناريو، نجد أن:

• في حالة المضيف العشوائي، تكون فرصة الفوز عند التبديل 2/3 كما هو معروف.
• في حالة المضيف المتحيز للباب الأيمن، قد تنخفض فرصة التبديل إلى 0.55 إذا كان الباب المفتوح هو الأيمن.
• في حالة المضيف المتعمد، قد تصبح فرصة التبديل أقل من 0.5 إذا كان هدفه توجيه المتسابق نحو باب معين.

هذا يوضح أن قاعدة “دائمًا غير اختيارك” ليست مطلقة، بل تعتمد على معرفة سلوك المضيف.

كيفية جمع بيانات سلوك المضيف

لتحسين التقديرات البايزية، يجب مراقبة عدة حلقات من اللعبة وتسجيل:

• الباب الذي اختاره المتسابق.
• الباب الذي فتحه المضيف.
• موقع الجائزة (عند كشفها).

باستخدام هذه البيانات، يمكن تطبيق خوارزمية تحديث بايزية تلقائية لتعديل الاحتمالات الأولية للفرضيات.

تطبيق عملي باستخدام بايثون

إليك مثالًا بسيطًا يوضح كيفية حساب الاحتمالات باستخدام مكتبة scipy:

import numpy as np
from scipy.stats import bayes_mvs
# فرضيات أولية
priors = np.array([0.5, 0.3, 0.2])
# احتمالات المشاهدة لكل فرضية (مثال)
likelihoods = np.array([0.5, 0.7, 0.9])
posterior = priors * likelihoods
posterior /= posterior.sum()
print(posterior)

يمكن توسيع هذا الكود لتشمل جميع الحالات وتحديث الاحتمالات بعد كل جولة.

خاتمة

التحليل البايزي يمنحنا أداة قوية لاستنتاج سلوك المضيف في مشكلة مونتي هول، مما يسمح باتخاذ قرار مستنير حول ما إذا كان التبديل هو الخيار الأفضل. من خلال جمع البيانات وتحديث الاحتمالات بمرور الوقت، يمكن للمتسابق تحسين استراتيجيته بشكل مستمر.

تذكر أن الفهم العميق للفرضيات الأساسية وتطبيق القواعد الاحتمالية هو ما يفرق بين الخسارة المتكررة والنجاح المستدام في الألعاب التي تعتمد على الاحتمالات.

للتعمق أكثر وفهم آليات التنفيذ، ننصح بالاطلاع على مفارقة المخططات: فهم التباين بين الرسوم البيانية 2026.