蒙特-霍尔悖论其实一句话就能解释清楚!!!

蒙蒂-霍尔问题

蒙蒂-霍尔问题是一个著名的概率谜题,它发生在一个游戏节目。

假设你正在参加一个游戏节目,节目中有三扇门:一扇门后面有一辆汽车(奖品),另外两扇门后面有山羊。

你选择了一扇门(比方说 1 号门),但没有打开。

主持人蒙特-霍尔(Monty Hall)知道每扇门后面有什么,他打开了另一扇门(比如说 3 号门,这门不是他随便打开的,他一定会打开有山羊的门),你发现门后有一只山羊。

蒙蒂让你做出选择:你可以坚持原来的选择(门 1),或者换到剩下的未打开的门(门 2)。如果是你,应该怎么选择对自己最有利呢?

大部分人的直觉是,主持人帮我排除了一个门,剩下的两个门里必定有一个汽车,我无论再怎么选(我随机得选择其中的一个),得到汽车的概率都是1/2。没错的,重复一万次,只要你每次都均匀得随机换或者不换,得到汽车概率当然就是1/2。

那难道没有更好的策略吗?有,只要你次次都选择换,那么重复一万次,你获得汽车的概率就是2/3啦!为啥?

因为三门中有两门后面是山羊,你一开始选择的门后面是山羊的概率就是2/3。如果你选中了山羊的门,主持人然后又排除掉一个山羊的门,剩下那头门后面不就是汽车吗?你换,不就有汽车了吗?那你换门得到汽车的概率就等于=你一开始选中山羊的概率就等于=2/3嘛!只有你一开始选中的是山羊,你换门才得到汽车!只要你一开始选中的是山羊(记作事件A),你换门就能得到汽车(记作事件B)!事件A等价于事件B,互相包含!

不换门,重复一万次试验都不换,得到汽车的概率就是1/3。而让你重新随机选择换门还是不换,若是均匀得随机,你一半试验是换了,一半没换,得到汽车的概率就中和掉了,(1/3+2/3)/2=1/2,就是你直觉得到的概率。

许多许多文章都没有解释清楚,甚至绕进了哲学里去,其实啊,还是要把随机试验,事件,随机变量,随机过程等等课本上的基础知识掌握好哦,事实上,大部分烧脑的概率问题,关键是要在于把随机试验,事件等表示出来,并注意时间的变化,事件发生的先后顺序等 。参考我的其他博客,可供复习回顾概统的知识。

不过,我也被这个问题困扰了好两天,也是在洗澡的时候突然想明白的。我属于是死读书那类人,总是爱钻牛角尖,唉。

让我们换一个更复杂情景,看看你悟了没。

假如让你在1-100当中选一个数字,如果选中了某个获奖数字,会有奖励,其他不会。你先选择了一个数字,该数字中奖的概率当然是1/100。然后,甲像节目主持人一样,刻意的避开你先选中的数字,在剩下的里面,再避开获奖数字,然后排除了50个数字。请问,此时你那个选中的数字中奖的概率是多少?

是1/100!1/50会跳入你的脑海,是因为要在剩下的里面重新均匀随机选择一个的时候,中奖概率才是1/50。我们把人的均匀随机选数字,可以看作一枚随机投出去的骰子的落地,也就是说可以看作一个随机试验,我们观测的结果是人选的数字是几,相当于观测的是骰子的点数(是基本事件),随机试验所有可能的结果,构成了样本空间。而先选择一个数字,样本空间是1-100,砍掉一半再去选时,样本空间已经少了一半了。

另一种情况是,他可以在非获奖数字中随机得进行排除,那么你先选中的数字也有被排除的可能,且被排除的几率是1/100*0+99/100*50/99=1/2。假设在这种情况下,甲进行了随机排除后,你的数字还留着,此时你这个数字中奖的概率就是P(A|B),A事件代表你的数字中奖,B事件代表你的数字没被排除。

\[P(A|B)=P(AB)/P(B),P(B)=1/2 \]

\[P(AB)=P(A)=1/100, 因为只要A发生,B一定发生,所以A包含于B,P(AB)=P(A) \]

所以P(A|B)=1/50。那你要不要换数字?假设甲是像主持人一样的排除,要换!假设甲是第二种情况的排除,要么你已经被排除了,game over,要么被幸运的剩下了,就换不换都行。

相关推荐
co0t1 天前
机器学习(3)朴素贝叶斯算法
人工智能·机器学习·概率论
HP-Patience3 天前
【概率论】分布函数的定义与应用:从直观到数学形式
概率论
Coisinilove3 天前
概率论——抽样分布
概率论·抽样分布·统计量
阿正的梦工坊3 天前
贝叶斯统计的核心思想与基础知识:中英双语
人工智能·机器学习·概率论
Coisinilove3 天前
概率论——区间估计
概率论·区间估计·单个正态总体
阿正的梦工坊6 天前
贝叶斯统计:高斯分布均值μ的后验分布推导
机器学习·概率论
『₣λ¥√≈üĐ』6 天前
如何写出好证明(支持思想的深入数学写作)
人工智能·学习·数学建模·矩阵·动态规划·概率论·抽象代数
奔跑的犀牛先生8 天前
【小白学机器学习36】关于独立概率,联合概率,交叉概率,交叉概率和,总概率等 概念辨析的例子
人工智能·机器学习·概率论
无水先生8 天前
ML 系列:第 36 节 — 统计学中的抽样类型
人工智能·机器学习·概率论