概率论中的几个重要悖论问题

news2024/11/27 10:35:24

1. 蒙提·霍尔问题(三门问题)

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:换另一扇门是否会增加参赛者赢得汽车的机率?

                        

                                                 ​​​​​​​        简单直观的图示解答

 初一看,还以为改选和不改选另外一扇门的几率都是1/3,下面用条件概率来直接计算

a) 坚持原来的选择

        因为汽车的位置是随机放置的,所以获奖几率为 1/3.

b) 换另外一扇门

定义一开始选到汽车为事件B_1,换另外一扇门以后明显不可能获奖了,则P(A|B_1)=0.

一开始选到山羊为事件B_2,最终获奖也就是开出的那扇门对应的是汽车为事件A,那么获奖的概率可采用全概率公式计算如下

        ​​​​​​​        ​​​​​​​                        P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)

也就是

                                                P(A)=0\times \frac{1}{3}+1\times \frac{2}{3}=\frac{2}{3}

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:也就是说主持人开的那扇对应山羊的门,提供了额外的信息.因为主持人很明显是知道门背后都是些什么,才打开山羊门的。如果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,主持人也就是等于没有提供任何信息,这还是原先的随机猜测开门事件。也就是说按主持人的提示更换选择,等价于利用了额外的有效信息,可视为先验信息,这增加了获奖的概率。

2. 犯人的难题

一个监狱里关了三个犯人,已知有两个人即将被释放,但在事情没公布之前,被释放人的身份是保密的.其中一个犯人问看守他的另外两个狱友哪一个被释放。看守拒绝了,他的理由是“在现有的信息下你被释放的概率本来为2/3,如果我告诉了你问的信息,将在你和另外一个犯人之前确定哪一个被释放,那你被释放的概率将变为了1/2,那对你不友好!”,看守所列理由的错误在哪里?

我们看一下这个问题,咋一看很像三门问题,但是它和三门问题有一个决定性的不同!!!三门问题中,抽奖人可以决定要不要更换选择。而在这个问题中,囚犯没有有资格决定释放谁吗?不管看守是否告诉囚犯,都是按既法定程序释放谁,不论他说不说,囚犯也改变不了释放谁的事实,所以从头至尾他被释放的概率都是2/3,详细的计算可先定义如下几个事件.

        事件 A =“A被释放”,

        事件 B =“B被释放”,

        事件 C =“C被释放”,

        事件 W =“看守说B不被释放”。

不失一般性,假定上述问看守的就是A.

由条件概率公式:

                P(A|W)=\frac{P(A\cap W)}{P(W)}

我们首先算分母。由全概率公式:

                        P(W)=P(A)P(W|A)+P(B)P(W|B)+P(C)P(W|C) 

首先,在未揭晓到底谁被释放前,三人释放的概率相同,也就是

                                 P(A)=P(B)=P(C)=\frac{1}{3} 

事实上如果把全概率公式代入条件概率公式,式子就刚好变成了贝叶斯公式.

P(W|A)表示A被释放的条件下,看守说B不被释放的概率。由于如果A是被释放的人,那么B与C之中有一个人不被释放,看守既可以说B不被释放,也可以说C不被释放,而B和C的地位是相等的,因此这个概率是 \small \frac{1}{2} 。

P(W|B)表示B被释放的条件下,看守说B被不被释放的概率,这是矛盾的,所以这个概率为0。

P(W|C)表示C被释放的条件下,看守说B不被释放的概率。由于C被释放,那么B一定不被释放,所以这个概率为1。

把上面的六个概率代入全概率公式,得  \small P(W)=\frac{1}{2}.

同时我们已经求出 \small P(A\cap W)=P(A)P(W|A)=\frac{1}{6},所以再代入条件概率公式,得

        ​​​​​​​        ​​​​​​​                \small P(A|W)=\frac{P(A\cap W}{P(W)})=\frac{1}{3} 

即看守回答B不被释放后,A被释放的概率仍然是 \small \frac{1}{3},而非\small \frac{1}{2}​​​​​​​ 。同时更神奇的是,C被释放的概率增加到了 \small \frac{2}{3} ,因为

                 \small P(C|W)=1-P(A|W)-P(B|W)=1-\frac{1}{3}-0=\frac{2}{3}

我们回头分析为什么看守(和我们大多数人)的推理是错的,以及这个问题反直觉的地方在哪里。根本原因在于大多数人把事件 W 等同于事件 \small \bar{B}( \small \bar{B} 指的是事件B的对立事件)。

我们首先设定了事件 W =“看守说B不被释放”,事件 B =“B将被释放”,那么事件 \small \bar B=“B不被释放”。

问题的核心在于:“看守说B将不被释放”与“B不被释放”两句话看似一样,其实包含了不同的信息。我们从对立事件的角度就能分析出背后的奥妙。

事件W (即:看守说B不被释放)的对立事件是“看守说C不被释放”,而事件\small \bar B(即:B不被释放)的对立事件是“B将被释放”。两个事件的对立事件是不同的。第一个事件着重回答“谁将不被释放”,第二个事件的重点在于“B是否会被释放”。而看守错误地将事件 \small W 等同于事件 \small \bar B,由此他产生了如下推理:

                                                \small \small P(A|\bar B)=\frac{P(A\cap \bar B) }{P(\bar B)}

 (正如之前的分析,这个式子与条件概率公式的区别在于把 \small W 都替换成了\small \bar B )。

由于 \small P(\bar B)=\frac{2}{3} , \small \small P(A \cap \bar B)=P(A)P(\bar B|A)=\frac{1}{3} \times 1 =\frac{1}{3}

所以         \small P(A|\bar B)=P(A\cap \bar B)P(\bar B)=\frac{1/3}{\2/3}=\frac{1}{2}

错误答案\small 1/2​​​​​​​ 就是这样产生的。

3.贝特朗悖论

该例子由贝特朗1888年在他的著作《Calcul des probabilités》中提到的一个悖论. 在一给定圆内所有的弦中任选一条弦提出,它说明了这样一个原理:解决一个实际问题时,必须建立无歧义的概率模型.设在一个圆内有一个正三角形,内接于圆周.现在随机的选择一个弦,问其长度大于内接三角形的边长的概率是多少?其回答基于随机选择导致了下图a和图b所示两种互相矛盾的结果.

 

在图a中,取一个半径\small AB,在\small AB上随机的选取一个点C,作一条弦垂直于\small AB.由初等几何可知,当C点的位置恰好位于\small AB的中点时,弦的长度刚好等于内接正三角形的边长,而远离圆心时,弦的长度减小.这样弦的长度大于内接正三角形的边长的概率等于\small 1/2.

在图b中,圆周上取一点V作为顶点.通过V先画出一条切线,然后随机的画出一条通过V的直线.记直线与切线的夹角为\small \Phi,由于这条直线是随机画出来的,可以认为夹角\small \Phi\small (0,\pi)之间是均匀分布的.现在考虑这条直线割圆得到的弦的长度.由初等几何可知,当\small \Phi位于\small \small (\pi/3,2\pi/3)的范围内,弦的长度大于三角形的边长.由于\small \Phi的取值位于\small (0,\pi),故而可得这个弦大于内接正三角形的概率为\small 1/3.

 

4. 归纳法悖论

自然归纳法是一种用部分观察定义全体的方法,我观察到很多某类事物都具有某种性质,那我就认为所有该事务具有这样的性质。比如说质量守恒定律,经过大量的观察,而且误差在极小的范围,全体人类最终认定“质量守恒定律”是事实。但是一个叫亨佩尔的逻辑学家质疑自然归纳法,因此它提出了归纳法悖论。

假设所有的乌鸦都是黑色的,于是我们可以得到逆否命题“不是黑色的东西,那就不是乌鸦”。白牛都是白色的。设A为:所有乌鸦都是黑色的,A的补为:部分(设为50%)乌鸦是黑的。

B:观察到白牛 C:观察到乌鸦。

假设P(A)=p,P(C)观察到乌鸦的概率为q,P(B)观察到白牛的概率为(1-q)

①求P(A|B)的值

用贝叶斯公式得到P(A|B)=P(A)P(B|A)/P(B),因为乌鸦黑不黑和你是否看得到白牛没关系,所以P(B|A)=P(B),于是P(A|B)=P(A)=p。

结论:观察到白牛和所有乌鸦是黑色互相独立,即它们两个没有半毛钱关系。

②求P(A|C)的值

用贝叶斯公式得到P(A|C)=P(C)P(C|A)/P(C)

通过全概率公式,P(C)=P(A)P(C|A)+P(A的补)P(C|A的补)

=P(A)P(C)+P(A的补) * 1/2 P(C|A的补)

=pq+(1-p) * 1/2 q(观察到一半黑的才是乌鸦)

代入P(A|C)=2p/1+p>p

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/27156.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【笑小枫的SpringBoot系列】【十八】SpringBoot中的Properties配置

本文简介🎨 随着我们的演示功能越来越多,里面的配置也越来越多,我们怎么更好的来管理这些配置呢? 实际项目中,我们肯定会有开发环境、测试环境、生产环境,我们又该怎么便捷的配置这些环境呢? …

CANopen之SDO,PDO

一、简述 CAN 总线是一种串行通信协议,具有较高的通信速率的和较强的抗干扰能力,可以作为现场总线应用于电磁噪声较大的场合。由于 CAN 总线本身只定义ISO/OSI 模型中的第一层(物理层)和第二层(数据链路层&#xff09…

nodejs+mysql网上书店图书销售购物商城系统vue

系统功能 此系统的功能分为用户模块和管理员模块: 1、用户后台功能模块包括:首页、个人中心、订单评价管理、我的收藏管理、订单管理模块。 2、前台首页功能模块包括:首页、图书信息、图书资讯、个人中心、后台管理、购物车、在线聊天模块。 …

SAP MDG —— 更好地理解你的数据变更

概念 在SAP MDG on SAP S/4HANA 2021中,SAP发布了一种全新的数据分析框架:变更请求中的主数据变更分析。依赖该框架,你可以为你的最终用户提供强大的数据分析功能,以深度洞悉变更请求中到底变化了哪些数据。 使用这些分析功能&a…

Thinkphp6 分布式事务异常处理 1440 XAER_DUPID: The XID already exists

Mysql分布式事务,前提条件 MySQL中只有当隔离级别设置为Serializable的时候才能使用分布式事务。 执行两个命令确认环境 show variables like innodb_support_xa;show variables like %tx_iso%;异常信息 根据官方分布式示例 public function test(){Db::transa…

input空格回车输入标签

分析 我们自己封装input输入标签需要注意一下几点: 样式实现,span实现标签效果、input隐藏边框(Element-UI可以直接使用tag)。事件监听,确定生成标签的操作,可以是回车,并且需要监听离开焦点的情况。标签限制,最多几个,以及输入验证 html:&…

使用CDC模式改造遗留系统

项目改造背景及挑战 在我们经历的各种遗留系统改造之旅中,使用**绞杀者模式**来改造一个巨大的单体服务,是一种被广泛采用且验证行之有效的手段,在应用传统的绞杀者模式时,通常采用逐步替换的方式,将遗留系统中某一独…

b站pink老师JavaScript的ES6面向对象课程中:正则表达式案例代码——表单验证

目标效果: 1.当输入的手机号,QQ号,昵称,短信验证码,登录密码,确认密码:如果符合标准,就提示正确的文字;如不符合标准,则提示不正确。 2.判断确认密码是否与登录密码相等…

落实交通强国,鄂州临空区联手蘑菇车联打造新时代内陆开放高地

临空经济与智能网联、自动驾驶能擦出什么样的火花?今年7月,鄂州花湖机场投运,标志着这个湖北省“一号工程”正式蝶变为亚洲规模最大、自动化程度行业领先的航空货运枢纽。鄂州花湖机场项目也是湖北加快建设交通强国示范区、打造新时代“祖国立…

Spring Boot配置多个日志文件记录不同类日志示例

了解如何使用多个文件追加器在Spring 引导应用程序中创建多个日志文件。了解如何使用翻转策略、归档等配置所有文件追加器,wiihlog4j2和日志配置。 1. 带登录的多个日志文件 以下文件包含 5 个记录器。我们可以根据需要创建更多的记录器。logback.xml console– …

NeRF源码运行与学习(pytorch)

神经辐射场(NeRF)是一个简单的全连接网络(权重约为5MB),经过训练,可以使用渲染损失再现单个场景的输入视图。网络直接从空间位置和观看方向(5D输入)映射到颜色和不透明度&#xff08…

翻译文本的软件有哪些?这几个翻译工具你可以试试看

文本翻译,是我们在生活中或工作中比较常见的一个需求。例如有时收到一份英文资料,没时间逐字翻译成中文,那就需要借助翻译工具来帮忙了;或者是有时需要将一些内容翻译成英文,而碰巧遇到句子不知道如何翻译,…

DDPM(Denoising Diffusion Probabilistic Models)扩散模型简述

引言 扩散模型最早是在2015年的Deep Unsupervised Learning using Nonequilibrium Thermodynamics文章中提出的,但当时扩散模型并不work,所以并没有被广泛应用。在2020年,Denoising Diffusion Probabilistic Models(简称为DDPM)的出现&#…

[附源码]java毕业设计校园闲置物品交易

项目运行 环境配置: Jdk1.8 Tomcat7.0 Mysql HBuilderX(Webstorm也行) Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。 项目技术: SSM mybatis Maven Vue 等等组成,B/S模式 M…

MCE | 动物实验溶剂大讨论

在动物实验中,药物通常会以溶液 (Solution) 或混悬液 (Suspension) 的形式给药。我们需选择合适的溶剂,可以辅助超声加热措施,得到澄清的溶液或适合给药的混悬液。■ 人见人爱的生理盐水/PBS 对于水溶性很好的产品,用生理盐水 (Sa…

中学数学课程标准(教学大纲)的传承与变迁

目 录 摘 要 I Abstract II 第一章 绪论 1 1.1研究背景及意义 1 1.2研究现状 1 1.3研究内容 3 第二章 1990以来我国中学数学课程标准(教学大纲)改革回顾 4 2.1改革回顾 4 2.1.1 1990年数学教学改革的内容 4 2.1.2 2001年数学教学改革的内容 5 2.1.3 2011…

XSS(Cross-site Script,跨站脚本)漏洞笔记

起源 最早的 XSS 漏洞可追溯到 1999 年末,微软安全工程师发现一些网站遭到攻击,网站被插入了一些恶意脚本和图像标签。随后,微软对此类漏洞进行研究分析,并在 2000 年 1 月,正式使用“cross-site scripting”这个名称…

C语言-指针初阶(6)

目录 思维导图: 1. 指针是什么? 2. 指针和指针类型 2.1 指针-整数 2.2 指针的解引用 3. 野指针 3.1 野指针成因 3.2 如何规避野指针 4. 指针运算 4.1 指针-整数 4.2 指针-指针 4.3 指针的关系运算 5. 指针和数组 6. 二级指针 7. 指针数组…

50行Python代码实现自动下载小说,并打包exe直接

前言 室友喊着没有小说看,让我给他推荐几本,这能难倒我? 分分钟就用python给他把整个网站的小说都给下载下来了,不愧是我啊! 话不多说,我们直接开整! (文末送读者福利&#xff09…

python之爬虫的学习

python爬虫入门-1为什么要学习爬虫浏览器背后的秘密常用网络请求URL解析HTTP常见响应状态码相关库及其简单使用相关引用综合栗子为什么要学习爬虫 现如今,浏览器可以更方便的进行网页交互以人们适合阅读的方式展示数据;但爬虫或者网页抓取对数据的收集和…