阅读：0
听报道
导语：三门问题，也被称为蒙提霍尔问题，是一道著名的概率问题：一个游戏节目中共三扇门，一扇门后有汽车，另两门后只有山羊，你选择了一扇门但不打开，这时主持人会在另两门中打开一个后面是山羊的门，现在你换不换自己刚才选择的门？30年前这一问题被美国一知名杂志刊登后引发了热议，因为直觉告诉我们换不换都是一样的，但答题人选择换。数学爱好者、专业人士纷纷加入讨论，进行了一场旷日持久的论战，还发展出了诸多变种。现在让我们来回顾一下这道经典问题，来看看直觉到底哪出错了，信息又是如何影响结果的。
撰文 | 张和持
问题背景
在美国的一档节目Let's Make a Deal 中，主持人蒙提·霍尔设置了一项小游戏：
在你的面前有三扇门，其中一扇背后藏有一辆价值不菲的汽车；剩下的两扇背后则分别是两头山羊。你现在有机会选择一扇门，选好之后先不要打开，这时主持人会在另外两扇门中，开启一扇山羊门。现在你有两个选择，是应该维持原来的选择，还是转而选择另一扇没有开启的门？
三门问题示意图/图片来源：维基百科
这看起来似乎是一个没有深度的问题。可供选择的两扇门之间没有什么不同。不管选哪个，概率都应当是相同的才对。果真如此吗？
实际上这个问题有很古老的历史，可以追溯到法国数学家伯特兰（Joseph Bertand）的盒子悖论，后来著名的数学科普大师马丁·加德纳（Martin Gardner）也提出过与三门问题相似的囚徒问题。1975年美国统计学家塞尔文（Steve Selvin）根据电视节目改编提出了这一问题，投给了《美国统计学家》，这也是蒙提霍尔问题名称的由来。而真正引发讨论是到了1990年，一位读者向当时美国知名杂志《游行》（Parade）的专栏“交给玛丽莲”提出了关于这一问题的询问。
玛丽莲·莎凡特（Marilyn vos Savant）曾被吉尼斯世界纪录认定为世界上智商最高的人，后来成为这家杂志社的专栏作者专门回答各类问题。她给出的回答是：应该换门，而且换门后，开出汽车的概率将变为原来的两倍。
玛丽莲的吉尼斯记录颇受争议，她给出的这个答案也同样。人们纷纷向她写信，质疑她的结论。一时间，社会各界都在谈论这诡异的概率。来信表示反对的占了92%，其中有将近 人拿过博士学位；65%来自大学，特别是数学等院系的信，都反对她的答案。蒙提·霍尔问题，或称三门问题，一下子成为了关注的焦点。90年代的十年间，40多种学术刊物发表了关于这一问题超过75篇论文。
反对并不是毫无根据。关于问题和答案的表述不甚严谨，表面上看，我们也看不出换不换门究竟有什么决定性的区别。玛丽莲为了说服反对者，专程组织了几次实验，其结果都证实了她的结论。
流言终结者节目
其实我们不一定非得大张旗鼓地搞些花里胡哨的东西，用电脑也能模拟，得出的答案没有不同。
计算机模拟29次的结果/图片来源：维基百科
那么这样看来，玛丽莲的答案是对的了。现在的问题是，我们应该如何解释这样的结果？是我们的直觉究竟出了问题吗？接下来我们并不打算解释谁的观点为什么对，谁的观点又为什么错；我们细细来看问题的前因后果，把所有条件和结论整理清楚。
简单直观的图示解答
最不动脑的方法是把所有可能列出来，如下图所示，当玩家选择1号门的情况下所有的可能性。
但这并不代表我们真正理解了问题所在。为了解答疑惑，我们先一步一步理清思路。首先，三门问题与两扇门二选一究竟有何不同？或者说，我们刚刚开始选定的这扇门究竟产生了什么样的影响？
第一次的选择，的确是随机的。如果这时候把门打开，那么有车的概率就是 。而剩下的两扇门中，必然有一扇山羊门。所以打开的山羊门不会影响这个 。那么这样说来，用总的 去减 ，就应该是剩下那扇门开出汽车的概率， 。这样的确说得过去：一开始概率分布是均匀的：
图片来源：维基百科
打开山羊门之后， 的概率被“挤”到另一个门上了：
图片来源：维基百科
回到一开始的疑问：我们一开始的选择对结果产生了什么影响？
用条件概率来直接计算
用贝叶斯公式来追本溯源
虽然问题就解决了，但还是不知道我们最开始错误的直觉来自哪里。我们来思考一下主持人“提供信息”的问题。一切的改变，都是因为主持人提供给我们的信息：主持人很明显是知道门背后都是些什么，才打开山羊门的。那要是主持人根本就不知道汽车在哪里，只是随手选择了一扇门，而这扇门恰好是山羊门的话，主持人岂不是就不能提供任何信息了？
这种由果溯因的思路一般称为贝叶斯推断。这种方法最早的特例是托马斯·贝叶斯证明的，后来拉普拉斯将其推广，并应用于天体力学、医疗统计学等方面面。在面对未知的自然界时，我们无法知晓其背后的法则，但能观察到现象，比如天体力学中，就是可观测天体的大小、数量与过去的轨迹；医疗统计学中，则是患者的症状、化验结果、CT数据等，有了这些数据，我们就可以猜测，是否存在一个我们尚未观测到的天体，或是患者是否得了某种病。猜测自然有可能是错的，现在我们有了贝叶斯推断，就能反过来计算我们所作假设成立的概率。
这一方法近几十年来更多应用于机器学习领域，或者更窄的概念：统计学习。任何包含了模式识别的算法，基本上都能用上贝叶斯推断，包括人脸识别，自动驾驶，他们会用到更加复杂的概念：当事先不存在假设时，就需要人为设定一项先验分布。不过总的来说，思想与最经典的贝叶斯公式一脉相承。如今，以此为基础的统计学仍在飞速发展。
话题：
0
推荐
财新博客版权声明：财新博客所发布文章及图片之版权属博主本人及/或相关权利人所有，未经博主及/或相关权利人单独授权，任何网站、平面媒体不得予以转载。财新网对相关媒体的网站信息内容转载授权并不包括财新博客的文章及图片。博客文章均为作者个人观点，不代表财新网的立场和观点。
京公网安备 11010502034662号 