统计_三门问题:贝叶斯解答

一、三门问题

“假设你正在参加一个游戏节目,你被要求在三扇门中选择一扇:其中一扇后面有一辆车;其余两扇后面则是山羊。你选择了一道门,假设是一号门,然后知道门后面有什么的主持人,开启了另一扇后面有山羊的门,假设是三号门。他然后问你:“你想选择二号门吗?”转换你的选择对你来说是一种优势吗?”

二、问题简化

定义:
Y为事件:门后面有车
X为事件:选择一个门
Z为事件:主持人打开一扇门
1号门:A;2号门:B; 3号门:C;

这时候能将问题描述为下述符号:
P(Y=A | X=A, Z = C) (即,你选择一号门,主持人打开三号门,那么车在一号门后面的概率)
是否大于
P(Y=B | X=A, Z =C) (即,你选择一号门,主持人打开三号门,那么车在二号门后面的概率)

三、问题解答

显然 P ( X ) = 1 / 3 P( X) = 1/3 P(X)=1/3 , P ( Y ) = 1 / 3 P(Y) = 1/3 P(Y)=1/3
因为主持人知道门后面是什么 ,所以 P(Z = “三号门”) 的概率是依据剩下两个门后面是否有车所决定的
P ( Z = C ∣ Y = A ) = 1 / 2 P(Z =C | Y= A) = 1/2 P(Z=CY=A)=1/2
P ( Z = C ∣ Y = B ) = 1 P(Z = C | Y=B) = 1 P(Z=CY=B)=1
P ( Z = C ∣ Y = C ) = 0 P(Z =C | Y= C) = 0 P(Z=CY=C)=0
P ( Z = C ) = ( 1 / 2 + 1 + 0 ) / 3 = 1 / 2 P(Z = C) = (1/2 + 1 + 0)/3 = 1/2 P(Z=C)=(1/2+1+0)/3=1/2


  • 贝叶斯公式转化
    P ( Y = A ∣ X = A , Z = C ) = P ( X = A , Z = C ∣ Y = A ) P ( Y = A ) P ( X = A , Z = C ) P(Y=A | X=A, Z = C) = \frac{P(X=A, Z = C|Y=A )P(Y=A)}{P(X=A,Z=C)} P(Y=AX=A,Z=C)=P(X=A,Z=C)P(X=A,Z=CY=A)P(Y=A)

因为:
P ( X = A , Z = C ∣ Y = A ) = P ( X = A ∣ Y = A ) ∗ P ( Z = C ∣ Y = A ) = 1 / 3 ∗ 1 / 2 = 1 / 6 P(X=A, Z = C|Y=A )=P(X=A|Y=A)*P(Z=C|Y=A)=1/3*1/2=1/6 P(X=A,Z=CY=A)=P(X=AY=A)P(Z=CY=A)=1/31/2=1/6

P ( X = A , Z = C ) = P ( X = A ) ∗ P ( Z = C ) = 1 / 3 ∗ 1 / 2 = 1 / 6 P(X=A,Z=C)=P(X=A)*P(Z=C)=1/3*1/2=1/6 P(X=A,Z=C)=P(X=A)P(Z=C)=1/31/2=1/6

所以:
P ( Y = A ∣ X = A , Z = C ) = 1 / 6 ∗ 1 / 3 1 / 6 = 1 / 3 P(Y=A | X=A, Z = C) = \frac{1/6*1/3}{1/6}=1/3 P(Y=AX=A,Z=C)=1/61/61/3=1/3


  • 贝叶斯公式转化
    P ( Y = B ∣ X = A , Z = C ) = P ( X = A , Z = C ∣ Y = B ) P ( Y = B ) P ( X = A , Z = C ) P(Y=B | X=A, Z = C) = \frac{P(X=A, Z = C|Y=B )P(Y=B)}{P(X=A,Z=C)} P(Y=BX=A,Z=C)=P(X=A,Z=C)P(X=A,Z=CY=B)P(Y=B)

因为:
P ( X = A , Z = C ∣ Y = B ) = P ( X = A ∣ Y = B ) ∗ P ( Z = C ∣ Y = B ) = 1 / 3 ∗ 1 = 1 / 3 P(X=A, Z = C|Y=B )=P(X=A|Y=B)*P(Z=C|Y=B)=1/3*1=1/3 P(X=A,Z=CY=B)=P(X=AY=B)P(Z=CY=B)=1/31=1/3

P ( X = A , Z = C ) = P ( X = A ) ∗ P ( Z = C ) = 1 / 3 ∗ 1 / 2 = 1 / 6 P(X=A,Z=C)=P(X=A)*P(Z=C)=1/3*1/2=1/6 P(X=A,Z=C)=P(X=A)P(Z=C)=1/31/2=1/6

所以:
P ( Y = B ∣ X = A , Z = C ) = 1 / 3 ∗ 1 / 3 1 / 6 = 2 / 3 P(Y=B | X=A, Z = C) = \frac{1/3*1/3}{1/6}=2/3 P(Y=BX=A,Z=C)=1/61/31/3=2/3

结论

选择换门
因为:
P(Y=B | X=A, Z = C)=2/3 > P(Y=A | X=A, Z = C)=1/3
所以:
你选择一号门,主持人打开三号门,那么车在二号门后面的概率

  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
贝叶斯神经网络是将贝叶斯方法和神经网络结合的一种方法。在实践中,训练贝叶斯神经网络是一项具有挑战性的任务。最流行的训练神经网络的方法是反向传播算法,而我们可以使用反向传播算法来训练贝叶斯神经网络。贝叶斯神经网络的目标是通过考虑不确定性来提高神经网络的性能和鲁棒性。通过引入概率分布来表示权重和偏置项的不确定性,贝叶斯神经网络可以提供更加准确的预测和更可靠的不确定性估计。贝叶斯神经网络的训练过程涉及到对权重和偏置项的后验分布进行推断,通常使用一些近似推断方法来简化计算。总的来说,贝叶斯神经网络是一种优化概率神经网络的方法,它可以提供更加准确和可靠的预测结果。\[2\] #### 引用[.reference_title] - *1* [优化概率神经网络_贝叶斯神经网络最新综述](https://blog.csdn.net/weixin_39695323/article/details/111049287)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [优化概率神经网络_贝叶斯神经网络(系列):第二篇](https://blog.csdn.net/weixin_39747630/article/details/110243953)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Scc_hy

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值