蒙提霍尔问题

人类的大脑在漫长的进化史中，主要是为了在稀树草原上追逐猎物和躲避猛兽而设计的——这直接导致我们在面对“条件概率”时，直觉常常像刚学会走路的企鹅一样笨拙。

蒙提霍尔问题（三门问题）就是这样一个把无数数学教授和学者按在地上摩擦的经典案例。当年甚至有近千名拥有博士学位的读者联名写信，痛斥给出正确答案的专栏作家“缺乏基本常识”。

面对这类“理论推导清晰但直觉极其容易翻车”的经典悖论，最硬核的破解方法就是抛开直觉偏见，左手拿贝叶斯公式严格推导，右手用计算机写一段蒙特卡洛仿真代码，让百万次随机实验说话。

0. 什么是蒙提霍尔问题？

蒙提霍尔问题（Monty Hall problem），亦称蒙特霍问题或三门问题，是一个源自美国电视游戏节目 Let’s Make a Deal（主持人名为 Monty Hall）的经典概率谜题。

在排除了故事背景等无关干扰后，我们可以将该问题的标准场景提取如下：

问题描述：
假设你正在参加一个游戏节目，面前有三扇关闭的门（标号为 $1, 2, 3$）：

• 其中一扇门后面停着一辆崭新的汽车；
• 其余两扇门后面各藏着一只山羊。

游戏流程如下：

1. 你在三扇门中随机选择一扇（假设你选了 1 号门），此时这扇门保持关闭。
2. 关键规则：主持人知道每扇门后面的真实情况。他在剩下的两扇门（2 号和 3 号）中，打开了一扇后面必定是山羊的门（假设打开了 3 号门）。
3. 此时，场上只剩下你选的 1 号门和未打开的 2 号门。
4. 主持人问你：“你是否要改变最初的选择，换成 2 号门？”

核心疑问：此时换门是否能提高你猜中汽车的概率？

1. 直觉陷阱：为什么绝大多数人会直觉判断 50:50？

当第一次听到这个问题时，绝大多数人的第一直觉通常是：

“三扇门被排除了一扇羊门，剩下两扇门里有一辆车和一只羊。那车在 1 号门还是 2 号门，概率不都是 $50\%$ 吗？换与不换有什么区别？”

当年著名的专栏作家玛丽莲·沃斯·莎凡特（Marilyn vos Savant）在杂志上给出“必须换门，换门中奖概率为 $2/3$”的解答后，甚至收到了成千上万封来自大学教授、数学博士的抗议信，指责她犯了低级概率错误。

为什么直觉会欺骗我们？

因为我们的大脑习惯把两扇门视作无记忆、相互独立且对称的同质选项。但在这个游戏中，主持人并不是盲选开门，而是拥有“全知视角”的过滤者：

• 你最初选门时，选中汽车的概率是 $\frac{1}{3}$，选错（选到山羊）的概率是 $\frac{2}{3}$。
• 如果你一开始选了山羊（概率高达 $\frac{2}{3}$），剩下的两扇门里必然是一车一羊，主持人被规则限制，只能强行帮你翻出那只唯一的羊，从而精准暴露了另一扇门背后的汽车！
• 因此，只要你初始选了羊，“换门”就必定能拿到车。换门猜中车的概率直接继承了你初始选错的概率（$\frac{2}{3}$）。

2. 形式化数学推导（贝叶斯公式）

为了消除任何文字上的歧义，我们给出基于贝叶斯定理（Bayes’ Theorem）的严格形式化证明。

2.1 事件定义

设 $C_i$ 表示汽车在 $i$ 号门后面（$i \in \{1, 2, 3\}$），先验概率为均等分布：

不失一般性，假设参赛者初始选择了 1 号门。设 $O_k$ 表示主持人打开了 $k$ 号门（$k \in \{2, 3\}$）。

2.2 主持人开门的条件概率

根据游戏规则，主持人不能打开参赛者选择的门（1 号门），也不能打开有汽车的门：

1. 若汽车在 1 号门（$C_1$ 发生）：2 号门和 3 号门后都是山羊，主持人可以等概率随机打开一扇： $$P(O_3 \mid C_1) = \frac{1}{2}, \quad P(O_2 \mid C_1) = \frac{1}{2}$$
2. 若汽车在 2 号门（$C_2$ 发生）：主持人不能开 1 号门（玩家选了），也不能开 2 号门（有车），因此必须且只能打开 3 号门： $$P(O_3 \mid C_2) = 1, \quad P(O_2 \mid C_2) = 0$$
3. 若汽车在 3 号门（$C_3$ 发生）：主持人绝不能打开 3 号门： $$P(O_3 \mid C_3) = 0, \quad P(O_2 \mid C_3) = 1$$

2.3 全概率公式与后验概率计算

假设主持人实际打开了 3 号门（即观察到事件 $O_3$），由全概率公式可得 $O_3$ 的边缘概率：

利用贝叶斯公式，计算在主持人打开 3 号门的前提下，汽车在各扇门后的后验概率：

• 不换门（坚持 1 号门）猜中汽车的概率： $$P(C_1 \mid O_3) = \frac{P(C_1) \cdot P(O_3 \mid C_1)}{P(O_3)} = \frac{\frac{1}{3} \times \frac{1}{2}}{\frac{1}{2}} = \frac{1}{3}$$
• 换门（换选 2 号门）猜中汽车的概率： $$P(C_2 \mid O_3) = \frac{P(C_2) \cdot P(O_3 \mid C_2)}{P(O_3)} = \frac{\frac{1}{3} \times 1}{\frac{1}{2}} = \frac{2}{3}$$

数学推导结论：
换门猜中汽车的胜率是不换门的两倍（$66.7\%$ vs $33.3\%$），因此应当坚决选择换门。

3. 计算机代码实现（Python 向量化模拟）

利用 Python 与 NumPy 进行矩阵级向量化的高性能蒙特卡洛模拟，百万次模拟仅需数十毫秒：

import numpy as np
import pandas as pd

def simulate_monty_hall(n_trials: int = 1_000_000, seed: int = 42):
    """
    蒙提霍尔三门问题 - 蒙特卡洛向量化模拟
    """
    np.random.seed(seed)
    
    # 随机生成汽车位置和玩家初始选择 (0, 1, 2)
    car = np.random.randint(0, 3, size=n_trials)
    initial_choice = np.random.randint(0, 3, size=n_trials)
    
    # 核心逻辑：
    # 1. 不换门：只有初始选对时才获胜（概率 1/3）
    win_not_change = (initial_choice == car)
    
    # 2. 换门：由于主持人必定排除一只羊，只要初始选错了，换门必选中车！（概率 2/3）
    win_change = (initial_choice != car)
    
    return {
        "试验次数": f"{n_trials:,}",
        "换门成功率": round(float(np.mean(win_change)), 5),
        "不换门成功率": round(float(np.mean(win_not_change)), 5)
    }

# 对比不同试验规模 (1k, 10k, 100k, 1000k)
scales = [1_000, 10_000, 100_000, 1_000_000]
df_results = pd.DataFrame([simulate_monty_hall(n) for n in scales])
print(df_results.to_markdown(index=False))

4. 实验结果与大数定律验证

我们在不同试验量级（$1,000$ 到 $1,000,000$ 次）下运行上述程序，统计结果如下表所示：

根据辛钦大数定律（Khinchin’s Law of Large Numbers），随着试验次数 $N \to \infty$，样本均值以概率 1 收敛于理论期望值。百万次计算机仿真结果与贝叶斯推导完全一致。

5. 深度复盘与认知升级

蒙提霍尔问题之所以能够穿越数十年依然被津津乐道，不仅在于它精巧的数学结构，更在于它为工程实践与决策科学提供了深刻的隐喻：

5.1 信息的本质是“消除不确定性（负熵）”

许多人之所以执着于 50:50，是因为误以为主持人的动作只是一个“物理开门”。但事实上，主持人的开门行为是一个非随机的约束传播过程。他掌握全部信息，且被规则剥夺了打开车门的自由。这种受限的行为将原本分散在剩余两扇门上的概率质量，全量压缩到了未被打开的那扇门上。信息是有价值的，它直接打破了物理世界的对称性。

5.2 决策者的理性：拥抱迭代，拒绝锚定

在现实商业竞争与个人抉择中，我们往往如同那个最初选了 1 号门的参赛者。很多人即便看到了外界环境发生了重大变化（主持人开门排除了一个错误选项），依然出于对初始选择的情感执念（锚定效应与承诺升级）而拒绝改变。

真正的理性决策者明白：当系统注入了新的信息、为你排除了已知地雷时，果断调整最初的预设并选择“换门”，才是期望收益最大化的科学姿态。

5.3 善假于算力：用仿真击穿直觉迷雾

人类大脑的“快思考系统”天生容易被同质化的表面现象蒙蔽。当我们面临充满争议的概率陷阱、复杂的业务分支或反直觉的策略评估时，不要停留在主观辩论上。建立数学模型、编写向量化脚本，用成百万次的蒙特卡洛仿真让大数定律给出判决，是工程师最可靠的破局底气。