本文详解 monty hall 问题的正确模拟方法，指出原始代码中“提前判定胜利”的致命逻辑错误，并提供可复用、结构清晰的 python 实现，验证切换策略胜率约 66.7%，不切换约 33.3%。
本文详解 monty hall 问题的正确模拟方法，指出原始代码中“提前判定胜利”的致命逻辑错误，并提供可复用、结构清晰的 python 实现，验证切换策略胜率约 66.7%，不切换约 33.3%。
Monty Hall 问题的核心在于信息揭示的时序性与条件依赖性：参赛者先随机选一门（此时胜率 1/3），主持人随后必然打开一扇未选且无奖的门（此动作不随机，而是基于真实奖品位置和初始选择的确定性操作），最后参赛者决定是否切换。任何模拟若忽略这一因果链条，就会得出错误结论。
原始代码中的关键错误在于以下两行：
if chosenDoor == correct:
wins += 1
continue这段逻辑在主持人开门前就提前统计了一次“不换即赢”的情况，而后续又对“换门后是否赢”再次判断——导致每局至少被计为一次胜利（要么初始就对，要么换后才对），最终胜率趋近 100%。这完全违背了问题设定：现实中，玩家只能在主持人开门后做一次最终选择，不存在“先判初选再判换选”的双重计分机制。
正确的模拟应严格遵循三步时序：
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 随机设定奖品门（
correct）与初始选择门（chosenDoor）； - 主持人依据规则打开一扇既非
chosenDoor也非correct的门（openedDoor）； - 根据策略（换或不换）确定最终选择门，仅在此刻判断胜负。
以下是重构后的健壮实现，封装为函数并支持策略对比：
import random
def get_other_door(num1, num2):
"""返回 1-3 中既不等于 num1 也不等于 num2 的唯一整数"""
for door in range(1, 4):
if door != num1 and door != num2:
return door
def monty_hall_simulate(switch: bool, trials: int = 9000) -> float:
"""
模拟 Monty Hall 问题
Args:
switch: 是否在主持人开门后切换选择
trials: 模拟总轮数
Returns:
胜率（浮点数）
"""
wins = 0
for _ in range(trials):
correct = random.randint(1, 3)
chosen = random.randint(1, 3)
# 主持人开门：必须是非选非奖之门
# 注意：即使 chosen == correct，主持人仍有两个空门可选，任选其一即可
remaining_doors = [d for d in range(1, 4) if d != chosen]
if chosen == correct:
# 初始选中，主持人随机开剩下两扇空门之一
opened = random.choice(remaining_doors)
else:
# 初始未中，主持人只能开唯一剩下的空门
opened = next(d for d in remaining_doors if d != correct)
# 执行策略
if switch:
# 切换到剩下未开未选的那扇门
chosen = next(d for d in range(1, 4) if d != chosen and d != opened)
# 仅在此刻判定最终结果
if chosen == correct:
wins += 1
return wins / trials
# 运行对比实验
print(f"切换策略胜率: {monty_hall_simulate(switch=True):.3f}") # ≈ 0.667
print(f"不切换策略胜率: {monty_hall_simulate(switch=False):.3f}") # ≈ 0.333关键改进说明：
- ✅ 移除提前胜利判定：胜负只在最终选择后计算一次；
- ✅ 主持人逻辑更严谨：显式处理
chosen == correct时的随机开门情形（虽不影响理论概率，但更贴近现实）； - ✅ 函数化与参数化：支持灵活配置策略与试验次数，便于批量验证；
- ✅ 返回胜率而非绝对值：直接输出概率，语义更清晰。
注意事项：
-
get_other_door函数在输入相同时行为未定义，但本模拟中chosen与correct可能相同，而opened总与二者不同，故调用安全； - 理论上，切换胜率恒为 2/3，不切换恒为 1/3；实际模拟因随机性会有小幅波动（如 9000 次试验下 ±1% 属正常范围）；
- 若需更高精度，可增大
trials或运行多次取均值。
通过严格还原问题的决策时序与约束条件，该模拟不仅修复了原始 bug，更成为理解条件概率与反直觉推理的有力教学工具。
