贝叶辛公式Bayesian formula 是贝叶斯Bayes 发现的：
P(A/B) × P(B) = P(B/A) × P(A)
就这么简单，就这么简单，就这么简单
但这么有用，但这么有用，但这么有用
重要的话说三遍。
上面A和B是两个相关的事件，P(A)和P(B)分别为A和B 的先验概率，而P(A/B) 为B 发生条件下A 的概率，P(B/A)同理。
上周Stonebench 第一次给出三门题时，我就靠贝叶辛公式给出了答案， 分主持人故意还是随机两种情况：
按常识有些简化不解释了，但基本就这么直截了当。
不是要阻扰大家凭基本概率知识去练脑，只是想提醒知识还是重要的，会用贝叶辛可能帮助你走出一些决策或判断困境，譬如这坛一直哄哄的现代科学不是起源西方的观点；但即使在日常生活，贝叶辛也是有用的，我们很多自以为是的直觉，往往是错的，我曾在坛上介绍过自己找钥匙的实例https://blog.wenxuecity.com/myblog/73834/202311/17236.html
当然贝叶辛在现代计算科学的应用更如日中天，当然处理的不是两个事件，而是成千上万事件。GAI 譬如ChatGPT的神经元网络的学习模型，就是受到贝叶辛加持的。
你这个让 P（B=羊｜故意）= 1 得到的结果
和这篇文章中 B 氏算法得到的结果一样
https://blogs.cornell.edu/info2040/2022/11/10/the-monty-hall-problem-using-bayes-theorem/
你的做法 于情于理 都通：）
我唯一疑惑的是你怎么解释 P（B=羊/故意｜A=车）
https://bbs.wenxuecity.com/teatime/749203.html
→把所有 B=羊 加上 ／故意
怎么＂故意＂保证B是羊？听起像是把羊放在B：）
注意到你把 ＂按规定..."移动了，放在 A 后面。
不知道这是不是更好的解释，可以展开演示一下吗：）
我在想你们专家 是不是有什么＂insight 说法＂.
我理解严格的讲应该是 ＂故意＂从＂B或C ＂
有车的概率是2/3。因为主持人总是开羊门，所以没被开的门有车的概率还应该是2/3。
贝叶辛公式Bayesian formula 是贝叶斯Bayes 发现的：
P(A/B) × P(B) = P(B/A) × P(A)
就这么简单，就这么简单，就这么简单
但这么有用，但这么有用，但这么有用
重要的话说三遍。
上面A和B是两个相关的事件，P(A)和P(B)分别为A和B 的先验概率，而P(A/B) 为B 发生条件下A 的概率，P(B/A)同理。
上周Stonebench 第一次给出三门题时，我就靠贝叶辛公式给出了答案， 分主持人故意还是随机两种情况：
按常识有些简化不解释了，但基本就这么直截了当。
不是要阻扰大家凭基本概率知识去练脑，只是想提醒知识还是重要的，会用贝叶辛可能帮助你走出一些决策或判断困境，譬如这坛一直哄哄的现代科学不是起源西方的观点；但即使在日常生活，贝叶辛也是有用的，我们很多自以为是的直觉，往往是错的，我曾在坛上介绍过自己找钥匙的实例https://blog.wenxuecity.com/myblog/73834/202311/17236.html
当然贝叶辛在现代计算科学的应用更如日中天，当然处理的不是两个事件，而是成千上万事件。GAI 譬如ChatGPT的神经元网络的学习模型，就是受到贝叶辛加持的。
你这个让 P（B=羊｜故意）= 1 得到的结果
和这篇文章中 B 氏算法得到的结果一样
https://blogs.cornell.edu/info2040/2022/11/10/the-monty-hall-problem-using-bayes-theorem/
你的做法 于情于理 都通：）
我唯一疑惑的是你怎么解释 P（B=羊/故意｜A=车）
https://bbs.wenxuecity.com/teatime/749203.html
→把所有 B=羊 加上 ／故意
怎么＂故意＂保证B是羊？听起像是把羊放在B：）
注意到你把 ＂按规定..."移动了，放在 A 后面。
不知道这是不是更好的解释，可以展开演示一下吗：）
我在想你们专家 是不是有什么＂insight 说法＂.
我理解严格的讲应该是 ＂故意＂从＂B或C ＂
有车的概率是2/3。因为主持人总是开羊门，所以没被开的门有车的概率还应该是2/3。