星尘司机在酒吧里解决了前两个谜题，第三个谜题过不去

把心情刷到爱，它会和你一起逃跑

给他们更多的洋娃娃或食物礼物，他们心情好的时候会和你一起跑。

也许是你的性格问题（

多个事件同时发生的几率=每个事件发生的概率乘以。

本问题有两个事件：1酒鬼出柜事件; 2.酒鬼去哪个酒吧。

酒鬼当天在第三个酒吧的几率 = 酒鬼出来的几率 （90%） * 酒鬼去酒吧的几率正好是第三个酒吧 （1 （3-2）） = 90%。

这样想吧。

某个酒精饮料一天中 100% 的酒精，只去三个酒吧。 有两个酒吧，没有醉汉。 在第三根柱线的几率是多少？

在这一点上，你会说肯定（100%）在第三宫。

没有两个，它必须在第三个。 这是基于酒鬼必须出来的事实（100%），如果酒鬼出来的几率是90%，那么他在第三宫出来的几率自然是90%。

醉汉去酒吧的概率正好是第三个是（1（3-2）），为什么会有（3-2），因为单个事件的概率=事件之和可能事件的总和，因为已经确定不可能去第一名和第二名， 所以在计算可能事件的总和时，有必要从总数中减去这两者，从总和中减去不可能的事情是消除干扰的关键。

百分之九十的时间，他出去喝酒的概率是90%，在家的概率是10%。 警方已经确定他不在前两家酒吧，所以只要他出来喝酒，就会在第三家酒吧10%，出来喝酒的概率是90%。

答案是90和75，问题是出去喝酒的概率（90）是否与酒馆有关。 根据实际生活经验，大多数人决定先去酒馆，然后再选择酒馆（即90%的饮酒与去哪个酒馆无关），也可能会出现“今天应该去酒馆A喝酒吗（喝酒的概率与去哪个酒馆有关）？ “这种问题。

总的来说，这两个答案都没有错，毕竟这种应用数学是生活中的**，而生活中充满了变数，答案自然不是固定的。

我想是这样，就是网上他们说出去喝酒不出去喝酒，我了解他有四个地方住的地方，其中三个是他住的地方的30%，最后一个是10%所以，当前两个地方不在的时候， 他有100%的几率在剩下的位置，那么酒馆的比例是75,25的概率是在家里，我想他们说喝酒的几率是90，在家的几率是10，然后前两个位置没有人， 第三家酒馆的概率会增加，但同样，在家的几率也会增加。因为把第三家酒馆加到房子里的几率是40，这应该是真的，否则他不能算出酒鬼在家的十分之一的几率。

所寻求的是酒鬼在不去第一和第二酒馆的情况下去第三位的可能性。 也就是说，在酒鬼在家和第三家酒馆的情况下去第三所房子的概率。 设条件为 A，第三位为 B。

所以：p（b|a） = p（ab） p（a） = （除了 （ =

答案是75%，用贝叶斯公式，如果你不懂，可以用信息论帮你理解。 在信息论中，信息是用来消除不确定性的，信息含量越大，消除的不确定性就越多，而这个问题在已知条件下已经消除了部分不确定性，所以答案不可能是90%或30%。

打个更简单的比方，如果你知道一枚硬币有50%的概率抛正面和反面，而现在硬币不是正面，那么硬币是反面的概率是多少？

显然，答案是 100%（如果引脚条会向上），因为给出的信息已经消除了积极的不确定性，其余的都是消极的。

回到酒鬼的问题，你是否觉得应用贝叶斯公式突然变得有启发性？

酒鬼：其实我去不喝酒，就看我的心情了，当时我也没有想那么多。

反问：不在第三条的几率是多少？

假设有事件 A 和 B，概率用 p（a） 和 p（b） 表示，而 p（a 和 b） 表示事件 A 和事件 B 同时发生的概率。

这里有一个交换定律，即 p（a 和 b） = p（b 和 a）。

如果 a 和 b 是独立事件，则 p（a 和 b） = p（a）p（b），否则 p（a 和 b） = p（a）p（b） 不一定为真。

事件 b 发生在事件 A 之后的概率是已知的，称为条件概率。

这里的符号 p（b|a） 表示同时 p（b|a) = p(a and b)/p(a)。

换句话说：p（a 和 b） = p（b|a)p(a)。

通过条件概率的定义，可以得到它。

p(b|a)p(a) = p(a and b) = p(a|b） p（b），因此。

p(a|b) = p(a)p(b|a) / p(b)

这就是贝叶斯定理，看起来很简单，但稍后会看到。

根据标题，我们知道酒鬼在酒吧 1、酒吧 2 和酒吧 3 的概率是 90%，现在其中两个酒吧没有找到任何人，所以概率是 0，所以酒鬼在酒吧 3 的概率是 90%。

很多人认为这个方案乍一看不是问题，但实际上，这个方案有明显的逻辑漏洞。 从本质上讲，对先验概率的理解存在问题。

概念补充：先验概率是基于过去的经验和分析获得的概率，它不会随着频率（或发生的事情）而改变。

在先验概率的情况下，我们确定每个酒吧中酗酒的概率为 30%。

即使已经发生过警察在1号和2号酒吧没有找到酒鬼的情况，酒鬼在1号和2号酒馆的概率仍然分别为30%和30%，所以上面的解决方案将概率设置为零是错误的。 基于贝叶斯公式的条件概率 p（a|）b) = p(a)p(b|a) / p(b)。

假设事件 a 为：醉酒者在第 3 个柱线事件中，事件 b 是醉酒者不在前 2 个柱线中，p（a|b） 是醉酒者不在前两个柱中而在第三个柱中的概率。

p(b|a） 酗酒者在第 3 个酒吧而不在前 2 个酒吧的概率为 1;

p（a） 是醉汉在第 3 根柱线的概率是 ;

p（b） 是酗酒者不在前 2 个酒吧的概率。

在这个时候。 p(a|b) = * 1 / = 75%。

1）不要混淆先验概率和后验概率。

很多时候，人们会把一个事件的先验概率和另一个事件的后验概率进行比较，分析结果，这种逻辑是错误的。

2）无论结果如何，即使已经发生，事件发生的先验概率也不会改变。

你为什么不能再进一步了。