La solution standard du problème de Monty Hall—toujours changer pour avoir une probabilité de gagner de 2/3—repose sur une hypothèse clé : l'hôte sait où se trouve la voiture et révèle délibérément une chèvre. Cet article soutient que sans vérifier le comportement de l'hôte, la réponse classique pourrait ne pas être valable. Il explore des variantes comme l'« hôte maladroit » qui ouvre une porte au hasard, montrant que si la voiture est révélée accidentellement, ces parties sont écartées, ce qui biaise les résultats.
En utilisant le raisonnement bayésien, l'auteur traite l'hôte comme une inconnue, en déduisant son comportement à partir des épisodes passés. L'analyse montre que l'avantage de 2/3 ne provient pas des probabilités a priori, mais de la colonne de vraisemblance, qui encode des hypothèses non vérifiées concernant les actions de l'hôte. Cet article relie cela à des problèmes plus larges dans la recherche empirique, tels que le biais de sélection, en citant les travaux de Richard Gill, Jeffrey Rosenthal, Andrew Gelman et Miller et Sanjurjo, qui considèrent le problème de Monty Hall comme un problème de modélisation plutôt qu'un pur casse-tête de probabilité.
Source: Towards Data Science · Résumé par HeadlinesBriefing