首页 > 其他分享 >三门问题与贝叶斯公式

三门问题与贝叶斯公式

时间:2023-12-20 10:47:55浏览次数:25  
标签:选项 概率 frac 更改 公式 贝叶斯 overline 三门 中奖

三门问题

一个抽奖节目,舞台上有三扇门,其中一扇门的后面有汽车,其余两扇没有,选中有汽车的那扇门就可以赢得该汽车。首先参与者从三扇门中选择一扇,接着主持人会故意打开一扇没有车的门,并询问参与者是否要更改自己的选项。请问更改选项和不更改选项哪个的中奖概率更高?

这是一个很容易犯错的问题,许多人会忽略题目中隐藏的一个重要信息——主持人事先知道哪扇门后面有车、哪扇门后面没车。

定义 \(A, B\) 两个事件:

  • \(A\):参与者选择的是有车的门。
  • \(B\):主持人打开的是没有车的门。(主持人事先知道门后面有无车,故意打开无车的门)

不更改选项的中奖概率为 \(P(A|B)\),使用贝叶斯公式可知

\[P(A|B) = \frac{P(AB)}{P(B)} = \frac{P(A)P(B|A)}{P(B)}. \]

由于主持人事先知道门后面有无车,并且总是会故意选择一扇没有车的门打开,因此有

\[\begin{aligned} & P(B|A) = 1, P(B|\overline{A}) = 1, \\ & P(AB) = P(A)P(B|A) = P(A) = \frac{1}{3}, \\ & P(B) = P(A)P(B|A) + P(\overline{A})P(B|\overline{A}) = 1, \end{aligned} \]

不更改选项的中奖概率为 \(P(A|B) = \frac{\frac{1}{3}}{1} = \frac{1}{3}\),更改选项的中奖概率为 \(1 - P(A|B) = \frac{2}{3}\),可见更改选项的中奖概率更高。

变种的三门问题

接下来看一个变种的三门问题:如果主持人事先不知道门后的情况,是随机开门的,请问更改选项和不更改选项哪个的中奖概率更高?

这里我们将 \(B\) 事件的定义修改为:主持人打开的是没有车的门。(主持人不知道门后的情况,随机开门)

此时有

\[\begin{aligned} & P(A) = \frac{1}{3}, \\ & P(AB) = P(A)P(B|A) = \frac{1}{3}\cdot\frac{2}{2} = \frac{1}{3}, \\ & P(B) = P(A)P(B|A) + P(\overline{A})P(B|\overline{A}) = \frac{1}{3} + \frac{2}{3}\cdot\frac{1}{2} = \frac{2}{3}, \end{aligned} \]

不更改选项的中奖概率为 \(P(A|B) = \frac{P(AB)}{P(B)} = \frac{\frac{1}{3}}{\frac{2}{3}} = \frac{1}{2}\),更改选项的中奖概率为 \(1 - P(A|B) = \frac{1}{2}\),二者的中奖概率相同。

标签:选项,概率,frac,更改,公式,贝叶斯,overline,三门,中奖
From: https://www.cnblogs.com/zhb2000/p/monty-hall-problem.html

相关文章

  • R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
    贝叶斯MCMC模拟是一个丰富的领域,涵盖了各种算法,共同目标是近似后验模型。例如,使用的rstan包采用了一个HamiltonianMonteCarlo算法。用于贝叶斯建模的另一个rjags包采用了Gibbssampling算法。尽管细节有所不同,但这两种算法都是基于基本的Metropolis-Hastings算法的变体。主要思......
  • Newton-Leibniz公式、可积的充分必要条件、积分中值定理、微积分基本定理
    ......
  • 贝叶斯公式
    目录1.基本概念2.推导过程3.应用场景本文主要介绍贝叶斯公式的概念及应用场景。1.基本概念贝叶斯公式是概率论中的一个重要公式,它描述了两个条件概率之间的关系。贝叶斯公式如下:P(A|B)=P(B|A)*P(A)/P(B)其中:P(A|B)是在事件B发生的条件下事件A发生的概率,也叫做后验......
  • word公式显示不全,公式和文字错位问题
     类似于这种情况:1.文字和公式错位;2.公式上抬导致显示不全; 解决方法:1.选中该段2.字体→高级→位置→标准3.段落→中文版式→文本对齐方式→自动 效果:   ......
  • 【Python】人工智能-机器学习——不调库手撕贝叶斯分类问题
    1.作业内容描述1.1背景数据集大小150该数据有4个属性,分别如下Sepal.Length:花萼长度(cm)Sepal.Width:花萼宽度单位(cm)Petal.Length:花瓣长度(cm)Petal.Width:花瓣宽度(cm)category:类别(IrisSetosa\IrisVersicolour\IrisVirginica)1.2要求在不调用机器学习库的情......
  • Excel 公式SWITCH函数你用过吗?多种查找函数介绍
    我们公司的项目上的模板使用了Excel的Switch函数,今天我使用的时候,发现报错,无法使用。环境说明我使用的是Windows10专业版,Office2016报错信息在Excel中的报错如下: 单元格的公式如下:=F8*_xlfn.SWITCH(H8,"高",1.5,"中",1,"低",0.5)*(100-I8)/100 查找问题从网上找了......
  • 递归和master公式
    递归的本质是系统帮我们进行了压栈,栈的名字叫做系统栈。但系统栈的空间十分有限,因此在工程上我们需要把递归改写成用内存中的栈来模拟系统压栈,以此来实现非递归。master公式又叫主定理,是一种估算递归时间复杂度的公式。但有个前提条件:只有是子问题规模相同的递归才能使用。T(N)......
  • R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
    全文链接:https://tecdat.cn/?p=34543原文出处:拓端数据部落公众号贝叶斯MCMC模拟是一个丰富的领域,涵盖了各种算法,共同目标是近似后验模型。例如,使用的rstan包采用了一个HamiltonianMonteCarlo算法。用于贝叶斯建模的另一个rjags包采用了Gibbssampling算法。尽管细节有所不同,但......
  • R语言贝叶斯Metropolis-Hastings Gibbs 吉布斯采样器估计变点指数分布分析泊松过程车
    原文链接:http://tecdat.cn/?p=26578 原文出处:拓端数据部落公众号最近我们被客户要求撰写关于吉布斯采样器的研究报告,包括一些图形和统计输出。指数分布是泊松过程中事件之间时间的概率分布,因此它用于预测到下一个事件的等待时间,例如,您需要在公共汽车站等待的时间,直到下一班车......
  • 傅里叶级数公式及其收敛问题
    文章目录abstract傅里叶级数公式及其收敛问题介绍周期为的情形下,函数的傅里叶级数公式至于一般周期,可转化为周期进行讨论,并得出相应公式(另见它文)函数展开成傅里叶系数设是周期为的周期函数,且能展开为三角级数式(6),即=这就产生了一个重要问题,如何计算式(6)中的系数,或说确......