La solución estándar de Monty Hall—siempre cambiar para tener una probabilidad de ganar de 2/3—depende de un supuesto clave: el anfitrión sabe dónde está el auto y revela deliberadamente una cabra. Este artículo argumenta que sin verificar el comportamiento del anfitrión, la respuesta clásica podría no ser válida. Explora variantes como el 'anfitrión torpe' que abre una puerta al azar, mostrando que si el auto se revela accidentalmente, esos juegos se descartan, sesgando los resultados.
Usando razonamiento bayesiano, el autor trata al anfitrión como un desconocido, infiriendo su comportamiento a partir de episodios pasados. El análisis muestra que la ventaja de 2/3 surge no de las probabilidades previas, sino de la columna de verosimilitud, que codifica suposiciones no verificadas sobre las acciones del anfitrión. El artículo conecta esto con problemas más amplios en la investigación empírica, como el sesgo de selección, citando el trabajo de Richard Gill, Jeffrey Rosenthal, Andrew Gelman y Miller y Sanjurjo, quienes enmarcan Monty Hall como un problema de modelado en lugar de un rompecabezas de probabilidad puro.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing