モンティ・ホール問題（確率のパラドックス）

Q: モンティ・ホール問題（確率のパラドックス）とは何ですか？

3つのドアのうち1つに新車（アタリ）、2つにヤギ（ハズレ）がいる。 1. 挑戦者が1つのドアを選ぶ（当たる確率は \frac{1}{3}）。 2. 司会者モンティは残りの2枚のうち「確実にヤギがいるドア」を開けて見せる。 3. 司会者は「残ったもう1つのドアに変えますか？」と尋ねる。 直感では「残りは2枚だから五分五分（50%）では？」と思えるが、数学的にドアを変えた場合の勝率は \frac{2}{3}（約66.7%）と2倍に跳ね上がる。

Q: モンティ・ホール問題（確率のパラドックス）は社会やプログラミングでどのように使われていますか？

モンテカルロ・シミュレーションによる意思決定戦略の検証: 解析的に解くのが困難な複雑なゲームや金融モデルにおいて、ランダム試行を数千〜数万回繰り返して勝率を収束させるモンテカルロ法の実装コード。

「ドアを変えるべきか？」数学者をも惑わせた条件付き確率の罠

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: モンティ・ホール問題（確率のパラドックス）の本質的な定義と直感的ビジュアルをシミュレーターで体験できる。
2: 公式や証明の背景にある数学的意味と、厳密な導出ステップを解説。
3: 実社会における工学応用（モンテカルロ・シミュレーションによる意思決定戦略の検証）のTypeScript実装コードを収録。

なぜこれを学ぶのか？ — 現実社会とテクノロジーでの価値

Purpose & Motivation

なぜ生まれたのか？

モンティ・ホール問題（確率のパラドックス）の基礎原理を体系化し、抽象的な計算を直感的に扱うために誕生した。

身につく武器・思考力

「ドアを変えるべきか？」数学者をも惑わせた条件付き確率の罠。この考え方を身につけることで、複雑な課題を単純化して数理モデルとして解く力が養われる。

実社会・ITでの活躍現場

•モンテカルロ・シミュレーションによる意思決定戦略の検証
•ITシステム・アルゴリズム実装における論理設計
•データ分析やシミュレーションにおける数理モデリング

Layer 1 — 直感・シミュレーター

3つのドアのうち1つを選んでみよう。司会者モンティが残りのドアから「ヤギ（ハズレ）」を1つ開けて見せてくれる。ここで「ドアを変える」か「そのままにする」かを選択できる。さらに、「1,000回一括シミュレーション」ボタンを押して、ドアを変えた場合の勝率が本当に 2/3 (66.7%) になるかを実験で確かめよう。

Step 1: 3枚のドアから1枚選ぼう（アタリは1つだけ）

Step 2: 1,000回一括シミュレーションで確率を検証

シミュレーション総回数

0 回

ドアを「変えた」場合の勝率

0.0%

理論値: 66.7% (2/3)

ドアを「変えなかった」勝率

0.0%

理論値: 33.3% (1/3)

Layer 2 — 定義・受験・証明

定義

3つのドアのうち1つに新車（アタリ）、2つにヤギ（ハズレ）がいる。 1. 挑戦者が1つのドアを選ぶ（当たる確率は $\frac{1}{3}$ ）。 2. 司会者モンティは残りの2枚のうち「確実にヤギがいるドア」を開けて見せる。 3. 司会者は「残ったもう1つのドアに変えますか？」と尋ねる。直感では「残りは2枚だから五分五分（50%）では？」と思えるが、数学的にドアを変えた場合の勝率は $\frac{2}{3}$ （約66.7%）と2倍に跳ね上がる。

公式・数理モデル

P(\text{アタリ} \mid \text{変更}) = \frac{2}{3}, \quad P(\text{アタリ} \mid \text{維持}) = \frac{1}{3}

証明・導出

確率の樹形図による証明：最初に挑戦者が選んだドアの状態は、次の3通り（すべて確率 $\frac{1}{3}$ ）である。 - ケース1（確率1/3）: 最初から車を選んでいた ➔ ドアを変えるとヤギ（負け） - ケース2（確率1/3）: ヤギAを選んでいた ➔ モンティはヤギBを開けるしかない ➔ ドアを変えると車（勝ち！） - ケース3（確率1/3）: ヤギBを選んでいた ➔ モンティはヤギAを開けるしかない ➔ ドアを変えると車（勝ち！）

したがって、ドアを変えた場合に勝てる確率は $\frac{1}{3} + \frac{1}{3} = \frac{2}{3}$ （66.7%）となる。モンティが「ハズレのドアを意図的に排除してくれる」という追加の情報を与えてくれたことで、残ったドアに確率が凝縮されるのである。

押さえておきたいポイント

人間の直感（50%だと思い込むバイアス）が数学的確率といかに乖離するかを示す代表例
「最初にハズレを選んでいた確率が 2/3 もある」ため、変更するとその 2/3 の確率でアタリに化ける
司会者が「アタリを知っていて、必ずハズレを開ける」という前提条件が確率の偏りを生む
ベイズの定理によっても、事後確率 $P(\text{車} \mid \text{開示}) = 2/3$ として厳密に導出される

参照基準・学習指導要領との対応

本トピックの内容・数理モデルは、文部科学省学習指導要領（算数・数学・情報）および国際標準カリキュラムに準拠し、エンジニアリング現場の実装事例と照らし合わせてMath World Lab編集部により検証・作成されています。

Layer 3 — 工学応用・現場実装

モンテカルロ・シミュレーションによる意思決定戦略の検証

解析的に解くのが困難な複雑なゲームや金融モデルにおいて、ランダム試行を数千〜数万回繰り返して勝率を収束させるモンテカルロ法の実装コード。

1// モンティ・ホール問題のモンテカルロシミュレーション
2function simulateMontyHall(trials: number = 10000): { switchWinRate: number; stayWinRate: number } {
3  let switchWins = 0;
4  let stayWins = 0;
5
6  for (let i = 0; i < trials; i++) {
7    const carDoor = Math.floor(Math.random() * 3); // 0, 1, 2
8    const initialChoice = Math.floor(Math.random() * 3);
9
10    // モンティが開けるドア（車でなく、挑戦者の選択でもないドア）
11    const availableDoors = [0, 1, 2].filter((d) => d !== carDoor && d !== initialChoice);
12    const montyOpens = availableDoors[Math.floor(Math.random() * availableDoors.length)];
13
14    // 変更した場合のドア
15    const switchedChoice = [0, 1, 2].find((d) => d !== initialChoice && d !== montyOpens)!;
16
17    if (initialChoice === carDoor) stayWins++;
18    if (switchedChoice === carDoor) switchWins++;
19  }
20
21  return {
22    switchWinRate: switchWins / trials,
23    stayWinRate: stayWins / trials,
24  };
25}
26
27const stats = simulateMontyHall(10000);
28console.log(`変更した勝率: ${(stats.switchWinRate * 100).toFixed(1)}%`); // 約 66.7%
29console.log(`維持した勝率: ${(stats.stayWinRate * 100).toFixed(1)}%`); // 約 33.3%