别再被直觉骗了！用Python模拟10000次，带你彻底搞懂三门问题（蒙提霍尔悖论）

用Python暴力模拟10000次：为什么直觉在三门问题中总是错的？

第一次听说三门问题时，我和大多数人一样坚信"换不换门概率都一样"。直到亲手用代码模拟了上万次游戏过程，那些冰冷的数字才彻底击碎了我的直觉认知。这大概就是程序员独有的浪漫——当逻辑和直觉打架时，让计算机用海量实验告诉我们真相。

1. 反直觉的概率陷阱

想象你参加一档真人秀节目，面前有三扇关闭的门：门A、门B和门C。主持人告诉你其中一扇门后是辆跑车，另外两扇门后是山羊。你选择了门A后，主持人（他知道每扇门后有什么）打开了门C展示一只山羊，然后问你："要不要换成门B？"

大多数人会这样思考：

• 现在剩下两扇门（A和B）
• 跑车在任意一扇门后的概率应该是50%对50%
• 所以换不换无所谓

这个推理听起来完全合理，但却是完全错误的。让我们用Python模拟来揭示其中的概率把戏。

关键提示：主持人的行为不是随机的——他一定会打开一扇有山羊的门，这个动作传递了额外信息。

2. 构建模拟实验

我们将用Python模拟这个游戏10000次，分别统计"坚持初始选择"和"更换选择"的胜率。以下是完整的实验代码：

import random from collections import defaultdict def monty_hall_simulation(trials=10_000): results = defaultdict(int) for _ in range(trials): # 随机放置汽车（0,1,2分别代表三扇门） car_position = random.randint(0, 2) # 玩家初始选择 first_choice = random.randint(0, 2) # 主持人打开一扇有山羊的门 opened_door = next( door for door in range(3) if door != first_choice and door != car_position ) # 玩家决定是否换门 switch_choice = next( door for door in range(3) if door != first_choice and door != opened_door ) # 记录结果 if first_choice == car_position: results["stay_win"] += 1 if switch_choice == car_position: results["switch_win"] += 1 return results

运行这个函数，你会得到类似这样的输出：

{ 'stay_win': 3325, # 坚持选择的获胜次数 'switch_win': 6675 # 更换选择的获胜次数 }

3. 实验结果分析

让我们把多次模拟结果整理成对比表格：

这个结果可能让你大吃一惊——更换选择后的胜率几乎是坚持选择的两倍！为什么会出现这种情况？

概率重新分配的关键点：

1. 初始选择时，每扇门有1/3的概率
2. 主持人打开一扇门后，他没有给你的初始选择带来新信息
3. 但他打开门的行为，把另外两扇门（你未选的）的总概率2/3集中到了剩下的那扇门上

4. 可视化概率变化

为了更直观理解，让我们用ASCII图表展示概率流动过程：

初始概率分布： +-------+-------+-------+ | 1/3 | 1/3 | 1/3 | | 门A | 门B | 门C | +-------+-------+-------+ 假设你选择门A，主持人打开门C（山羊）： 概率重新分配： +-------+-------+-------+ | 1/3 | 2/3 | 0 | | 门A | 门B | (已开)| +-------+-------+-------+

这个可视化说明了一个关键洞见：主持人的行为本质上是帮你排除了一个错误选项，把另外两扇门的概率优势集中到了剩下的那扇门上。

5. 极端案例验证

如果还是难以接受，考虑一个极端版本——有100扇门：

1. 你随机选择一扇门（胜率1%）
2. 主持人打开98扇门，留下你的选择和另一扇门
3. 现在你会坚持1%胜率的选择，还是切换到那扇被精心保留的门？

在这个极端案例中，直觉会明显倾向于"应该换门"，因为主持人用他的行为把99%的概率集中到了那扇门上。三门问题只是这个逻辑的迷你版本。

6. 常见误区解析

在与数百名开发者讨论这个问题后，我总结了最常见的几种认知偏差：

误区一：独立事件假设

• 错误认为主持人开门后，剩下两门概率应该重新计算
• 实际上主持人行为与你的初始选择相关，不是独立事件

误区二：忽略信息价值

• 低估了"主持人知道门后情况"这一信息
• 如果主持人随机开门（可能开到汽车），情况就完全不同

误区三：小样本错觉

• 用少量试验（如玩3次）来判断概率
• 概率规律需要大样本才能显现

7. 进阶思考：代码优化与扩展

我们的基础模拟已经证明了结论，但还可以做更多有趣探索：

优化1：动态可视化

import matplotlib.pyplot as plt def plot_probability_trend(max_trials=10_000): stay_probs, switch_probs = [], [] for n in range(1, max_trials+1): results = monty_hall_simulation(1) stay_probs.append(sum(stay_probs[-1:]) + results['stay_win'] / n) switch_probs.append(sum(switch_probs[-1:]) + results['switch_win'] / n) plt.plot(stay_probs, label='坚持选择') plt.plot(switch_probs, label='更换选择') plt.axhline(y=1/3, color='r', linestyle='--') plt.axhline(y=2/3, color='g', linestyle='--') plt.legend() plt.show()

这段代码会绘制胜率随试验次数变化的曲线，直观展示大数定律如何使概率收敛到理论值。

扩展1：多门多奖品版本

def extended_monty_hall(doors=3, prizes=1, trials=10_000): results = {'stay':0, 'switch':0} for _ in range(trials): # 随机放置奖品 positions = random.sample(range(doors), prizes) # 玩家初始选择 choice = random.randint(0, doors-1) # 主持人打开门（确保不暴露奖品） opened = [d for d in range(doors) if d != choice and d not in positions] opened = random.sample(opened, doors-prizes-1) # 切换选择 switch = [d for d in range(doors) if d != choice and d not in opened] switch = random.choice(switch) # 统计结果 if choice in positions: results['stay'] += 1 if switch in positions: results['switch'] += 1 return results

这个扩展版本可以模拟更多门和奖品的情况，比如：

• 5扇门2辆汽车
• 10扇门3辆汽车

运行结果会展示不同配置下的最优策略变化。

8. 为什么这个悖论如此著名？

三门问题之所以成为经典，是因为它完美展示了人类认知的几个脆弱点：

1. 概率直觉的局限性：我们进化出的直觉适合处理简单确定的情况，对复杂概率容易误判
2. 信息价值的误估：难以意识到主持人行为中包含的关键信息
3. 确认偏误：一旦形成初始判断（如"概率应该均等"），就会寻找支持这个判断的证据

在数据分析项目中，我多次遇到类似情况——团队成员对某些统计结果表示怀疑，因为"不符合直觉"。这时候最好的解决方法就是像我们这里做的一样：用代码和实验说话。