原po 的問題不在於這些機率的計算
一個制度，當然不能為了某個特殊個案而設計
除非這個特性本身是通則
先講到我轉過來的那篇文章，
那篇文章的核心意義是「統計 是為了發現目標特性 而進行的」
也就是說，選制本身是有意義而去設計的
為了這個意義，為了找到我們想要發現的民意，所以這樣設計統計、
而「柄棄」了其他的特性指標
上述與在該篇文章所引用的例子
「老師想要的就是"大家都至少能接受(是多數人心目中前兩名)的"人當班長」
而抦棄「最多人心中第一名」的人
除此之外，為了追求在通則中，找到標的特性的效率
在實際個案上一定會出現不完美，而這時候的問題是
「這個不完美是不是通則出現，是的話就可以把它納入制度思考」
不需要用特殊被設計的個案也能說明
很簡單的舉例
當我今天規定，當選的人、或通過的提案 要「絕對多數」時
我就犧牲掉「也許 真實是有絕對多數的人支持，但沒有這麼多人出來投票贊成」
當我今天規定，當選的人、通過的提安 只要「相對多數」時
我就面臨了「也許 有過半以上的人持偏負面的意見 但他們沒出來投票反對」
這個時候，選制要如何設計
就如上所訴，一個思考的是「這種特性 是不是通則」
比如說地方選舉通常比較切身相關，也許投票率都會比較高，那就可以傾向用絕對多數
但，除此之外，通常也會思考 「 要通過這種選舉 所需的絕對多數的代表力」
比如說，選舉首長時，用的是相對多數
這個時候，我們是以「相對多數的得票」這個統計結果
去推論「實際有絕對多數的支持」
因此，如果要否定一件被首長與其政府決定要推動的事、或直接罷免首長
就等於要提出「真實的絕對多數 其實是反對這樣做的」，
來壓過首長當選時得到的民意證據
所以就必需提出更嚴謹的投票規則
有的時候，是考量選舉議題 本身所應有的恒常性，也就是「一動不如一靜」的程度
如果是憲法，一個國家的基本法不能胡亂去改 ，
而如果去改了，就一定要更確定民意如此
所以會需求的選制也會更嚴謹
回過頭來原po的問題
要用「選舉制度」的角度來探討的話
這不是機率和那組支持個案的問題
我們不可能讓選舉「先看到選項 再因為選項的特色而更換」
換句話說，如果本來是投一次決定的
就不可能說「因為呢 現在正好有這種微妙的參選者組合，所以我們來投兩次吧」
不能這樣
那麼，如上面所說「這種組合，在(比如說)議員的選舉裡，很容易出現嗎？」
有這個「通常性」嗎？
我想是沒有的， 議員的組合，很可能兩種立場是 一比一 一比二 二比二 一比n
很可能有一大堆立場一大堆人選
而各別選項、候選人的支持率分配，
也不容易出現「如果不作二輪選舉就投不好」的情況
如上述，一次選舉或二輪選舉，都不會是一定誰比誰好
而是這樣的選舉有沒有必要用這種通則 (才能更準確找到民意)
在某些特殊的場合，參與投票的人可能會同意二輪選舉更適合
-- 但那不一定是為了「確認真實過半的民意」
有時候是為了順利產生選舉結果 或其他原因
比如國會的投票，因為投票者就是這麼幾百人，所以可能會同意作二輪投票
這是為了避免所有候選議題、人 為了一次投票而爭鋒相對
這樣投出來的結果，並不能說是「最多國會議員支持的」
而是 「會在這種二輪投票制下，得到最後支持的」
-- 如上述，本來不同的選舉就有著不同的統計目的
但是，大部份的選舉都不是像老師選班長 或是國會投票這樣 追求較有特色的目標
而是，通常都就是為了找到「絕對多數支持的證據」
和二輪投票相比，單一投票邏輯上比較能直接找到絕對多數支持
二輪投票的變化太多，其中一個重點a大有提到「配票」
單次投票也可以配票 -- 如果是選出多席的話，但這至少是因為選民自己改支持對向了
也就是不算違背「一人一票，一票一值」
然而，二輪投票的第一輪，通常會作複數圈選，
假設100項選十項，一人五票，
在所有100個選項中，a b c d e 五個選項，因為某甲得支持，可以各得一票
但，z選項，因為某乙強烈而且單一的支持，卻可以透過配票得到五票
(乙可以把他另外四票拿去和別人交換)
「這樣的特性是不是通則」 在二輪投票裡，
配票導致「一人一票，一票一值」失真 的情況是很一般的
所以選制原則上是越簡單越好，多半只是在門檻上變化
除非今天很明顯，這樣的選舉「要人民只選最喜歡的那個是不合理的」
除非有這樣的通則特性，否則一般都不會考慮其他種選舉
過去台灣有複數選區、選票 (一區選出多席、在之前一人立委可以投三票(聽說是啦))
後來也都改了
--
自幼家貧 既無嗜好 不學無術 亦無專長 唯打翻茶杯 或飲料罐 或新鮮屋
不乏瓶水 亦有碗麵 鋁鐵生熟不銹鋼 大小利樂錫箔包
有色無色玻璃 軟殼硬殼塑膠 凡立不曾未倒 寸地無一免溼
初時心喜 觸翻熱湯而後敗興 久之或憂 撞倒汽水反得釋然
本為一時之誤 積久成習 偶一為之 還傲世中無雙
故以為好 便作所長 因姓黃，自號「掐倒黃」
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 118.231.68.81