用Python模拟10000次，我彻底搞懂了那个反直觉的‘三门问题’

第一次听说三门问题时，我和大多数人一样坚信换不换门根本没区别——毕竟剩下两扇门看起来概率都是50%对吧？直到我用Python写了不到20行代码，跑了10000次模拟实验，结果让我彻底服气：换门策略的胜率竟然稳定在66.7%左右，是不换门的两倍！今天我就带大家亲手用代码破解这个概率谜题，你会惊讶于蒙特卡洛模拟的魔力。

1. 三门问题为什么反直觉

想象你参加一个游戏节目，面前有三扇关闭的门：A、B和C。主持人告诉你其中一扇门后是辆豪车，另两扇门后是山羊。你选择了A门，接着主持人（他知道每扇门后有什么）打开了B门展示一只山羊，然后问："要不要换成C门？"

直觉告诉我们：

• 打开B门后剩下A和C两扇门
• 两扇门似乎概率均等（50% vs 50%）
• 换不换应该没区别

但数学证明和实验数据都显示：坚持原选择（A门）的胜率是1/3，而换到C门的胜率高达2/3。这种反直觉现象源于：

1. 初始选择时，选到汽车的概率只有1/3
2. 主持人必定会打开一扇有山羊的门
3. 如果初始选择是山羊（概率2/3），换门必定获胜

注意：主持人的行为提供了额外信息，改变了条件概率分布，这与纯粹随机打开一扇门有本质区别

2. 构建Python模拟实验

让我们用Python的random模块实现这个实验。完整代码不到20行，却能揭示概率本质：

import random

def simulate_monty_hall(trials):
    stay_wins = 0
    switch_wins = 0
    
    for _ in range(trials):
        # 随机放置汽车（0:山羊, 1:山羊, 2:汽车）
        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（不能是玩家选择的门）
        opened_door = next(i for i in range(3) 
                          if i != first_choice and i != car_position)
        
        # 换门选择
        switch_choice = next(i for i in range(3) 
                           if i != first_choice and i != opened_door)
        
        # 统计结果
        if first_choice == car_position:
            stay_wins += 1
        elif switch_choice == car_position:
            switch_wins += 1
            
    return stay_wins, switch_wins

关键实现细节：

• random.randint(0, 2)模拟随机初始选择
• 主持人行为通过列表推导式精确实现
• 换门策略自动排除已打开和初始选择门

3. 实验结果与数据分析

运行10000次模拟，结果令人震撼：

策略类型	获胜次数	胜率
坚持原选择	3321次	33.21%
换门策略	6679次	66.79%

多次实验数据对比：

实验批次	不换门胜率	换门胜率
1	33.45%	66.55%
2	33.12%	66.88%
3	33.67%	66.33%

发现规律：

• 换门胜率稳定在66.7%附近波动
• 实验次数越多，结果越接近理论值
• 标准差随实验次数增加而减小

用matplotlib可视化结果更直观：

import matplotlib.pyplot as plt

trials = [100, 1000, 5000, 10000]
stay_probs = []
switch_probs = []

for t in trials:
    s, w = simulate_monty_hall(t)
    stay_probs.append(s/t)
    switch_probs.append(w/t)

plt.plot(trials, stay_probs, label='保持选择')
plt.plot(trials, switch_probs, label='换门策略')
plt.axhline(y=0.666, color='r', linestyle='--')
plt.axhline(y=0.333, color='b', linestyle='--')
plt.xlabel('实验次数')
plt.ylabel('胜率')
plt.legend()
plt.show()

4. 为什么直觉会欺骗我们

这个反直觉现象源于几种认知偏差：

1. 忽略信息更新：主持人行为提供了额外信息
2. 错误概率分配：认为剩余两门概率应该均等
3. 锚定效应：过度依赖初始选择的1/3概率印象

用条件概率公式可以精确计算：

• 设初始选择汽车事件为A（P(A)=1/3）
• 换门获胜事件为B（即初始未选汽车，P(B)=2/3）

$$ P(\text{换门胜}) = P(\neg A) = 1 - P(A) = \frac{2}{3} $$

5. 进阶实验与变体验证

为了更深入理解，我们可以修改实验条件：

变体1：主持人随机开门

# 修改主持人行为为随机开门（可能直接开出汽车）
opened_door = random.choice([i for i in range(3) 
                           if i != first_choice])

此时实验结果：

策略	胜率
不换	50%
换门	50%

关键区别：

• 当主持人必定避开汽车时，提供信息量更大
• 随机开门不提供有效信息，概率回归50/50

变体2：增加门数量 将门数量扩展到100扇，主持人打开98扇山羊门后：

• 不换胜率：1%
• 换门胜率：99%

这个极端案例让概率差异变得显而易见。