重點摘要
- 先合併有效牌集合並扣除所有可見牌,才能得到活牌枚數 K。
- 單摸命中率是 K/N,其中 N 是模型中的未知可摸牌數。
- 多摸屬於不放回抽樣;至少命中一次應用「1-全部沒中」計算。
- 直接用單摸機率乘以摸數只是一種粗略近似,可能超過 100% 或高估結果。
- 若摸牌後手牌會改變、重新棄牌或轉換等待,固定 K 的公式便不夠,必須展開狀態。
第一步:先決定分母 N
機率不能只有「八枚進張」,還要知道從多少張未知牌中抽。
常見的兩種問題:
- 從自己下一次摸牌看:分母是對自己而言仍未知、可能位於牌山或他家手中的牌;若要精確描述可摸牌山,還需規則與牌牆資訊。
- 簡化牌山模型:假設剩餘可摸區有 N 張,其中 K 張為有效牌。
文章或工具必須說明採哪個模型。把所有未知牌直接當成牌山,會忽略它們也可能在其他玩家手中;但在沒有更多資訊時,可作為條件式估計,不應寫成已知事實。
第二步:求有效牌集合 K
假設 45萬 接受 3萬、6萬,理論上有 8 枚。若:
- 自己手中已有一張 3 萬;
- 牌河出現兩張 6 萬;
- 某家副露再出現一張 3 萬;
則可見的有效牌共 4 張,未知活牌剩 4 張。
若另一搭子也接受 6 萬,不能再把同一批 6 萬加一次。應先求所有有效牌的聯集,再按牌种扣除可見張數。
單摸命中率
在簡化牌山模型中:
下一摸命中率 = K / N
例如 N = 60、K = 8:
8 / 60 = 0.1333…
下一摸約為 13.3%。這個數字只回答下一次抽樣,不表示平均八巡內一定摸到,也不包含他人打出供你吃碰或榮和。
兩摸至少命中一次
第一摸沒中的機率是 (N-K)/N。若第一摸沒中且抽出的牌不放回,第二摸仍沒中的條件機率是 (N-K-1)/(N-1)。
因此:
兩摸至少命中一次
= 1 - [(N-K)/N × (N-K-1)/(N-1)]
以 N = 60、K = 8 為例:
1 - (52/60 × 51/59)
≈ 25.1%
直接用 13.3% × 2 = 26.7% 會略微高估,因為兩次抽樣不是互相獨立。
n 摸至少命中一次
若有效牌集合在 n 次摸牌中維持不變:
至少命中一次
= 1 - C(N-K, n) / C(N, n)
其中 C(a,b) 是從 a 個項目選 b 個的組合數。這就是超幾何分布下「抽 n 次,一張有效牌都沒抽到」的補事件。
也可寫成連乘:
1 - [(N-K)/N
× (N-K-1)/(N-1)
× …
× (N-K-n+1)/(N-n+1)]
NIST 將超幾何分布描述為有限母體中的不放回抽樣;這正是固定牌集合下多摸計算所用的數學框架。
為什麼不能把單巡機率乘以巡數?
n × K/N 忽略三件事:
- 已經抽出的牌不放回,分母會變。
- 同一條路徑可能在第一摸就命中,不應在第二摸重複計算。
- 麻將手牌命中後會改變,後續有效牌集合通常不再是原本 K。
當 K/N 很小、n 很少時,它可作快速近似;正式文章與工具應使用不放回公式或狀態展開。
「兩摸內聽牌」和「兩摸內和牌」不同
一向聽手牌第一摸命中後通常只是進入聽牌,第二摸還要命中新的和牌集合。不能把原本的一向聽受入固定兩摸,就宣稱那是兩摸內和牌率。
正確作法:
- 第一摸列出所有降向聽牌。
- 對每一種進牌決定新的棄牌。
- 重新計算該聽牌的和牌牌與活牌枚數。
- 對各路徑按第一摸機率加權。
這也是有限步自摸和牌率比單純受入累乘更複雜的原因。
自摸、榮和與副露機率不能混在一起
自摸只計自己從牌山抽到。榮和依賴他家持牌、出牌選擇、振聽與規則;吃碰又受座位、叫牌優先與策略影響。
所以:
- 「下一摸命中率」可由抽樣模型計算。
- 「下一巡有人打出」需要玩家行為模型。
- 「這一局最終和牌率」還需競爭、流局、攻守與規則資訊。
三者不能使用同一個 K/N 直接回答。
可見牌如何修正機率?
需要計入:
- 自己手牌;
- 所有玩家牌河;
- 吃、碰、明槓與已公開暗槓;
- 日本麻將的寶牌指示牌;
- 任何規則下公開可辨認的牌。
未知牌可能在牌山或他家手中。可見牌計數能確定排除已出現的牌,但不能確定未知牌的位置。
常見錯誤
- 用進張種類數代替剩餘枚數。
- 忘記重疊進張只能算一次。
- 把全部未知牌說成全部在牌山。
- 用單摸機率直接乘以摸數。
- 一向聽進牌後不重算等待。
- 把自摸機率當成包含榮和與副露的總和牌率。
適用情境與限制
固定 K 的超幾何模型適合回答「在不放回抽樣中,n 次至少抽到一張指定牌」;它不是完整麻將模擬。實戰中棄牌、他家摸牌、副露、槓與路線切換都會改變狀態。數字必須連同 N、K、摸數、規則與假設一起呈現,不能只給百分比。
用極致聽牌理解有限步機率
極致聽牌會把不同進牌後的新手牌重新評估,而不是把一次受入固定延伸。練習時可先手算下一摸 K/N,再觀察為何兩摸或三摸內結果會受等待品質、重疊與重新棄牌影響。
延伸閱讀: