蒙提霍尔问题及其它经典案例：概率论教你做出最优决策！

原创于 2026-06-18 09:44:09 发布 · 34 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#概率论 #机器学习 #人工智能 #贝叶斯 #数学

AI 专栏收录该内容

195 篇文章

订阅专栏

前言

很多人第一次学习概率论时，都会产生一个疑问：

概率论到底有什么用？

在学校里，我们会学习：

掷骰子
抛硬币
摸球问题
排列组合

但在现实生活中：

买房
投资
医疗诊断
自动驾驶
人工智能

似乎很少有人拿出纸和笔计算概率。

于是很多人认为：

概率论只是考试工具

事实上恰恰相反。

概率论最大的价值并不是计算概率数字，而是：

帮助人类在不确定环境中做出最优决策

现实世界本身充满随机性：

明天是否下雨？
股票是否上涨？
用户是否购买商品？
病人是否患病？
AI是否应该执行某个动作？

这些问题没有人能够百分之百确定答案。

因此：

决策比预测更重要

而概率论就是研究：

如何在不确定条件下做出最优选择

的科学。

本文将通过多个经典案例带大家理解：

蒙提霍尔问题
赌徒谬误
生日悖论
医学检测问题
贝叶斯决策思想
AI中的概率决策

看看概率论究竟如何改变我们的思维方式。

一、为什么人类总会做出错误决策

人类并不是天生擅长概率

心理学研究发现：

人类大脑擅长模式识别
不擅长概率计算

例如：

连续抛出五次正面：

正 正 正 正 正

很多人会认为：

下一次更可能出现反面

但实际上：

下一次依然是50%

因为每次抛硬币都是独立事件。

直觉经常欺骗我们

现实中：

感觉正确
≠
概率正确

而概率论最大的作用就是：

用数学代替直觉

帮助我们做出更理性的决策。

二、经典案例：蒙提霍尔问题

游戏规则

电视节目中有三扇门：

1号门
2号门
3号门

其中：

一辆汽车
两只山羊

随机放置。

第一步

你选择一扇门。

例如：

1号门

第二步

主持人打开另一扇门。

例如：

3号门

里面是山羊。

第三步

主持人问：

是否更换选择？

三、为什么换门更容易赢

大部分人的直觉：

剩下两扇门

50%
50%

所以：

换不换都一样

事实上：

错误

正确概率

第一次选中汽车：

1/3

第一次选错：

2/3

如果坚持：

胜率 = 1/3

如果换门：

胜率 = 2/3

因此：

换门才是最优策略

四、蒙提霍尔问题告诉我们什么

它揭示了一个重要事实：

新的信息会改变概率

主持人打开山羊门：

并不是随机行为。

而是：

提供了额外信息

这属于：

条件概率

问题。

五、赌徒谬误

什么是赌徒谬误

赌场中经常有人认为：

连续出现10次红色
下一次肯定黑色

实际上：

完全错误

为什么错

因为轮盘每次旋转：

相互独立

过去发生什么：

不会影响未来

现实中的体现

很多投资者认为：

股票连续跌了十天
明天一定涨

这就是典型赌徒谬误。

六、生日悖论

一个令人震惊的问题

一个班级有多少人时：

两个人生日相同概率超过50%

很多人猜：

183人

因为：

365÷2≈182

实际上答案是：

23人

为什么这么小

因为比较的不是：

一个人与其他人

而是：

所有人两两比较

23个人时：

比较次数已经达到：

253次

因此：

生日重复概率迅速上升

七、医学检测中的概率陷阱

假设：

某疾病发病率：

1%

检测准确率：

99%

现在：

检测结果阳性

很多人认为：

患病概率99%

实际上并不是。

为什么

10000人中：

真正患病：

100人

检测出：

99人阳性

未患病：

9900人

即使误诊率只有1%：

仍然会产生：

99个假阳性

因此：

阳性人群中：

99真阳性
99假阳性

真实患病概率：

50%

左右。

八、贝叶斯思想：不断更新认知

贝叶斯学派认为：

概率是认知状态

获得新信息后：

应该更新判断

例如：

刚开始：

患病概率1%

检测阳性后：

患病概率提高

进一步检查后：

再次提高

这种过程叫：

贝叶斯更新

九、概率论中的最优决策

概率论并不保证：

每次都成功

它保证的是：

长期收益最大

例如：

蒙提霍尔问题。

即使换门：

仍然可能输

但长期统计：

换门胜率66.7%

远高于：

不换门33.3%

因此：

换门属于最优决策

十、机器学习其实就是概率决策

现代机器学习每天都在做类似事情。

垃圾邮件识别

模型输出：

垃圾邮件概率97%

系统选择：

归入垃圾箱

风险控制

模型输出：

欺诈概率92%

立即拦截。

本质上都是：

根据概率进行决策

十一、自动驾驶中的概率决策

自动驾驶系统无法确定：

前方一定是行人

它只能判断：

行人概率99%

或者：

行人概率40%

然后根据概率：

决定是否刹车

因此：

自动驾驶本质上是概率决策系统

十二、大语言模型也是如此

很多人认为：

GPT在思考

实际上：

GPT核心工作是：

预测下一个词出现概率

例如：

输入：

中国的首都是

模型预测：

北京 98%
上海 1%
广州 1%

然后选择：

概率最高的结果

因此：

GPT本质上也是概率驱动决策系统

十三、概率论改变我们的思维方式

学习概率论后最大的收获不是公式。

而是：

接受不确定性

学会理解：

正确决策
≠
正确结果

例如：

投资成功一次：

不代表决策正确

投资失败一次：

也不代表决策错误

真正应该关注的是：

长期期望收益

十四、从概率论到人工智能

概率论的发展路径：

随机事件
↓
概率
↓
条件概率
↓
贝叶斯推断
↓
统计学习
↓
机器学习
↓
深度学习
↓
人工智能

可以说：

整个现代AI
建立在概率论之上

总结

现实世界充满不确定性，而概率论正是帮助我们在不确定环境中做出最优决策的数学工具。

本文通过多个经典案例讲解了：

1、蒙提霍尔问题
2、赌徒谬误
3、生日悖论
4、医学检测问题
5、贝叶斯更新思想
6、最优决策原理
7、机器学习中的概率决策
8、大语言模型的概率本质

可以将概率论的价值总结为：

概率论并不是预测未来一定会发生什么，而是在未来充满不确定性的情况下，帮助我们选择长期收益最大的行动方案。真正的高手并不是每次都赢的人，而是始终坚持最优概率决策的人。

当你开始用概率思维看待世界时，你会发现：人生中的很多选择，其实都可以看作是一场关于概率与决策的游戏。