通过三门问题解释贝叶斯概率
三门问题（Monty Hall problem）亦称为蒙提霍尔问题、蒙特霍问题或蒙提霍尔悖论，大致出自美国的电视游戏节目Let’s Make a Deal。
问题名字来自该节目的主持人蒙提·霍尔（Monty Hall）。参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门可赢得该汽车，另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门，但未去开启它的时候，节目主持人开启剩下两扇门的其中一扇，露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是：换另一扇门会否增加参赛者赢得汽车的机会？如果严格按照上述的条件，即主持人清楚地知道，哪扇门后是羊，那么答案是会。不换门的话，赢得汽车的几率是1/3。换门的话，赢得汽车的几率是2/3。——百度百科
贝叶斯概率的一些基础思想：
- 概率被定义为某人对一个命题信任的程度，这个概率不像频率概率范畴是描述某个随机事件发生的可能性的一个未知的定值，而是一个未知的可以变化的值。
- 先验概率：根据以往经验和分析得到的概率
- 后验概率：在得到随机事件的结果之后对先验概率进行修正之后的概率
- 全概率公式：将复杂事件的概率求解转换为简单概率求解的方法
- 贝叶斯公式/定理：贝叶斯概率与贝叶斯统计的基础，基本上是用来计算后验概率的公式
那么我们就来解决一下这个问题：
- 最开始的时候，我们对这三扇门之后有什么一无所知，所以我们最好的做法是公平对待三扇门，我们假设
为第n 个门之后有汽车，那么我们有
。
- 假设我们选择门1，主持人打开了门2，这时根据我们打开的门之后是否有汽车，主持人打开的门的概率是会有变化的：如果门1后有汽车，对于一般人（精神正常的人）来说，主持人打开门2和门3的概率基本上应该是一致的，为1/2；如果门2后有汽车，主持人打开门2的概率是0，如果门3后有汽车，主持人打开门2的概率是1。
- 我们设BB 为主持人打开了门2，那么我们可以得到：
，也就是2的概率解释。那么我们计算P(A1|B) ，这个式子表示我们在得到主持人打开了门2，后面没有汽车这个事实之后，对于P(A1) 这个概率的调整：
，而P(B)可以通过全概率公式计算：
- 计算得到P(A1|B)=1/3 ，这个的含义就是，当我们得到事实BB 时，我们对先验概率P(An) 的值调整为了后验概率P(An|B) 。当然如上所见，1门后有汽车的整体概率仍然没有变化，其实变化的是P(A2|B)与P(A3|B) ，P(A2)=1/3变成了P(A2|B)=0 ，P(A3)=1/3变成了P(A3|B)=2/3，提高的概率足够令我们改变自己的决策。
转自https://blog.csdn.net/wind_desert/article/details/52951787
通过三门问题解释贝叶斯概率相关推荐
- 《数据科学家养成手册》--第十一章算法学2---（非监督，监督贝叶斯概率以及损失函数）
11.8 机器学习-----自动归纳 数据挖掘是随着商务智能发展起来的一种相对比较新的一种算法学科. 只知道自己想学习的是数据挖掘和大数据,但是真的说出个所以然自己真的办不到.现在说是一种算法学科,忽 ...
- 期望方差和贝叶斯概率
期望(expectation)就是平均权重,用E(f)表示,连续型的期望如下: 给出有限的 N 个点期望可以如下表示: 当 N趋向于无穷大的时候上式会非常准确,上式在抽样方法里面会广泛使用. 多个变量 ...
- 【简述与推导】似然函数，最大似然估计，条件概率，全概率，贝叶斯概率
目录 1. 似然(likehood)与最大似然估计 2. 条件概率(conditional probability),全概率(total probability),和贝叶斯概率(Bayes proba ...
- 概率论知识回顾（三）：事件域，条件概率，全概率，贝叶斯概率
概率论知识回顾(三) 关键点:事件域,条件概率,全概率,贝叶斯概率 知识回顾用于巩固知识和查漏补缺.知识回顾步骤: 查看知识回顾中的问题,尝试自己解答 自己解答不出来的可以查看下面的知识解答巩固知识. ...
- 概率论的学习整理5：贝叶斯（bayes）法则和贝叶斯概率
1 贝叶斯(bayes)概率的思考过程 我觉得,bayes公式需要先理解条件概率,全概率公式才行 纯从bayes公式的角度,其实是从 条件概率P(B | A) 开始,推导到联合概率P(AB) / P( ...
- 似然函数，最大似然估计，以及与条件概率，贝叶斯概率区别简要说明
目录 1. 似然(likehood)与最大似然估计 2. 条件概率(conditional probability),全概率(total probability),和贝叶斯概率(Bayes proba ...
- PRML 02 Introduction：贝叶斯概率
引言 概率密度 期望和协方差 Expectations and covariances 1加权平均值 2 多变量权重 3 条件期望 4 函数方差 5 协方差 Bayesian Probability ...
- 详解贝叶斯（一）：贝叶斯概率
详解贝叶斯(一):贝叶斯概率 原文转载自:码海拾遗 - 详解贝叶斯(一):贝叶斯概率 什么是贝叶斯概率 要解释什么是贝叶斯概率,不如先回顾一下经典的概率,中学课本里我们把概率定义为事件发生的可能性,认 ...
- 频率概率与贝叶斯概率
概率论最初的发展是为了分析事件发生的频率.我们可以很容易地看出概率论,对于像在扑克牌游戏中抽出一手特定的牌这种事件的研究中,是如何使用的.这类事件往往是可以重复的.当我们说一个结果发生的概率为 ppp ...
最新文章
- Node的异步与java的异步_node中异步IO的理解
- 【关注】3000多警力围剿“毒村”！现实比影视剧更惊险
- jquery Fancybox插件的应用
- android 线程方式打印log到sd卡
- print、println的区别
- JUnit报initializationError的解决方法
- Java讲课笔记13：类的继承
- 迷你世界远古机器人_以我的世界生物为原型 打造17款创意庇护所
- Day3-Spring的事务管理、Spring框架的JDBC模板
- java9 多版本兼容jar_Java 9 多版本兼容 jar 包
- AI 产品经理如何练就？一文了解十大必备技能
- qlv文件怎么转换成mp4_flv怎么转换成MP4格式
- yorc.json_调用腾讯ORC接口识别图片文字
- 算法笔记（23）网格搜索及Python代码实现
- 小学计算机教师业务笔记,小学教师业务笔记
- 例3.2 计算存款利息
- body英语什么意思是什么_body是什么意思中文翻译
- ctf piapiapia（反序列化逃逸）解题记录
- Types of light 光照类型 光照系列4
- 锻造宝剑！如何用一款手机打造一个移动渗透工具箱？？