概率统计——三扇门游戏与贝叶斯定理

本文首发于公众号：TechFlow

在概率论的课本上有一个经典的问题，一直困扰我很久。有很多次我以为我想明白了，过了一段时间却又会糊涂。这个问题学过概率论的同学想必都知道，就是著名的三扇门问题。
说是之前在美国有一个著名的综艺节目，这个节目里有三扇关闭着的门。其中有两扇的后面是山羊，有一扇则放着一辆豪车。主持人会让嘉宾做出选择，嘉宾做出选择之后，主持人会打开其中错误的一扇门，询问嘉宾：伙计，你有一次更改选择的机会，你要使用吗？
节目的效果如何我们不谈，但是背后的数学问题却很有意思。我们更改或者不更改选择，究竟分别有多大的赢面呢？

我们从直觉来分析，我们更不更换答案应该不会影响。毕竟三扇门里有一个正确答案，主持人排除的是错误答案，也就是说正确答案就在剩下的两个门里。不管我们换不换选择，门后是大奖的概率都应该是二分之一才对。但是书上的答案是如果不更换的话，获奖的概率是三分之一，而更换的话，获奖的概率高达三分之二。

这个答案显然和我们的直觉违背，所以，我们去探究一下其中隐藏的深层次的数学原理就很有必要了。实际上，这也是概率论当中理解条件概率和贝叶斯公式非常重要的一个例题。

条件概率

条件概率大家都不陌生，我们在很早的时候就在数学课上学过。

简单来复习一下，假设在样本空间当中存在A、B两个事件。如果A、B两个事件之间没有任何关联，那么就认为它们是独立事件。比如说，如果把我今天早上喝了牛奶当做事件A，我这篇文章转发量超过10当做事件B。显然这两个事件没有任何关联，我喝不喝牛奶完全不会影响文章的转发量。那么就叫做这两个事件是独立事件：

$$P(AB)=P(A)P(B)$$

当然也会存在两个事件彼此有关联的情况，比如我早上喝牛奶和我上班有没有迟到很有可能就是关联事件。因为早上喝牛奶要花时间，很有可能会影响是否迟到。在这个时候P(AB)和两个事件都有关联，就不只是简单的乘积了。

如上图所示，当AB两个事件不是独立事件的时候。P(AB)指的就是AB两个事件的交集，可以认为成在B事件发生的前提下A事件发生，或者是A事件发生的前提下，发生B事件。

概率论上将某件事发生的前提下另一件事发生的概率称为条件概率，写作P(B|A)。

我们把前文的结论写成公式：

$$\begin{gathered} P(AB)=P(A)P(B|A)=P(B)P(A|B) \\ P(B|A)=\frac{P(AB)}{P(A)}=\frac{P(B)P(A|B)}{P(A)} \end{gathered}$$

这个公式推导非常自然，不过用处却很大。因为很多时候条件概率并不直观，需要我们借助这个公式进行计算。

我们看一道书上的经典例题，巩固一下。

假设AB两个城市，A城市下雨的概率是20%，B城市下雨的概率是18%，两地都下雨的概率是12%，请问B下雨，A也下雨的概率是多少。

这题很简单，我们可以直接套用公式，显然$P(A)=20\%,P(B)=18\%,P(AB)=12\%$

那么：

$P(A|B)=$