numpy数值模拟----三门问题（蒙提霍尔悖论）

案例：数值模拟 - 三门问题（蒙提霍尔悖论）

三门问题，亦称为蒙提霍尔问题，出自美国的电视游戏节目Let’s Make a Deal。问题的名字来自该节目的主持人蒙提·霍尔（Monty Hall）

1:参赛者面前有三扇关闭着的门，其中一扇的后面是一辆汽车，而另外两扇门后面则各藏有一只山羊，选中后面有车的那扇门就可以赢得该汽车
2：当参赛者选定了一扇门，但未去开启它的时候，主持人会开启剩下两扇门中的一扇，露出其中一只山羊。然后问参赛者要不要改变选择，选另一扇仍然关着的门
3：问题：参赛者应不应该改变选择？

1/3，2/3，1/2

---

所需知识点：

• 生成随机数数组,np.random.randint()
• 布尔索引
• 根据值反查索引,np.where(),np.argmax()
• 自定义运算 apply_along_axis()
• 集合运算，对称差，setxor1d()
• 随机洗牌，np.permutation()
• 随机抽取，np.random.choice()

import numpy as np

第一步：游戏生成三个值，观众猜测

生成三门数据

c = 100000

game = np.zeros((c, 3))
game

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       ...,
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

game[:, 2] = 1
game

array([[0., 0., 1.],
       [0., 0., 1.],
       [0., 0., 1.],
       ...,
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 0., 1.]])

game.shape

(100000, 3)

# 将三门数据降维
def f(x):
    return np.random.permutation(x)

game2 = np.apply_along_axis(f, 1, game)
game2[:20]

array([[0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 1., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.]])

np.sum(game2[:, 0])
np.sum(game2[:, 1])
np.sum(game2[:, 2])

33405.0

np.sum(game2[:, 0] == 0)  # 第0列出现0的个数

66630

def _(a):
    one = np.sum(a) / c
    zero = np.sum(a == 0) / c
    return one, zero


np.apply_along_axis(_, 0, game2)

array([[0.3337 , 0.33225, 0.33405],
       [0.6663 , 0.66775, 0.66595]])

三门问题中汽车所在的索引

game2[:10]

array([[0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 0., 1.]])

np.argmax(game2, axis=1)  # 汽车出现的索引

array([1, 2, 2, ..., 1, 1, 0], dtype=int64)

game2 == 1
threeMax = np.where(game2 == 1)[1]
threeMax

array([1, 2, 2, ..., 1, 1, 0], dtype=int64)

生成用户猜测数据

# 随机猜测
guess = np.random.randint(0, 3, c)
guess

array([0, 0, 0, ..., 1, 0, 0])

# 方法2：全部猜2
guess2 = np.full(c, 2)
guess2

array([2, 2, 2, ..., 2, 2, 2])

计算胜率

np.sum(threeMax == guess) / c 

0.3344

np.sum(threeMax == guess2) / c 

0.33405

猜固定值和随机值的概率差不多

第二步：主持人告知一个错误值

aa = np.array([0, 1, 2])  # 假设汽车的索引值为2
aa

array([0, 1, 2])

# 猜对的情况

# 用户猜测的索引值，正是汽车的索引值
bb = [2, 2]

cc = np.setxor1d(aa, bb)
cc

# 两个错误值，二选一输出
np.random.choice(cc)

0

# 猜错的情况
bb = [1, 2]

# 返回
cc = np.setxor1d(aa, bb)
cc

array([0])

# 猜错的情况
bb = [0, 2]

# 返回
cc = np.setxor1d(aa, bb)
cc

array([1])

def sError(x):
    aa = [0, 1, 2]  # 游戏数据的集合
    bb = [x[0], x[1]]  # 汽车所在索引，用户猜测索引
    cc = np.setxor1d(aa, bb)  # 对称差
    return np.random.choice(cc)  # 二选一


sayError = np.apply_along_axis(sError, 0, (threeMax, guess))
sayError

array([2, 1, 1, ..., 2, 2, 2], dtype=int64)

game2[:10]

array([[0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 0., 1.]])

guess[:10]

array([0, 0, 0, 0, 2, 0, 1, 1, 2, 2])

sayError[:10]

array([2, 1, 1, 2, 1, 2, 2, 0, 0, 1], dtype=int64)

3 问题： 参赛者应不应该改变选择

aa

array([0, 1, 2])

# 猜对的情况
bb = [2, 1]  # 用户猜测索引，主持人告知的错误索引

# 
np.setxor1d(aa, bb)

array([0])

bb = [1, 0]
np.setxor1d(aa, bb)

array([2])

def change(x):
    aa = np.array([0, 1, 2])
    bb = [x[0], x[1]]
    return np.setxor1d(aa, bb)


change2 = np.apply_along_axis(change, 0, (guess, sayError))[0]  # 用户猜测索引，主持人告知错误索引
change2

array([1, 2, 2, ..., 0, 1, 1], dtype=int64)

game2[:10]

array([[0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [0., 0., 1.]])

guess[:10]

array([0, 0, 0, 0, 2, 0, 1, 1, 2, 2])

sayError[:10]

array([2, 1, 1, 2, 1, 2, 2, 0, 0, 1], dtype=int64)

change2[:10]

array([1, 2, 2, 1, 0, 1, 0, 2, 1, 0], dtype=int64)

计算不改变选择和改变选择的胜率

# 不改变选择的胜率
np.sum(guess == threeMax) / c

0.3344

# 改变选择的胜率
np.sum(change2 == threeMax) / c

0.6656