8 分钟研讨展示 · 网页程序验证
从三扇门到无人机决策
先完成课程要求中的严格推导、概率计算和程序验证，再把结果呈现为可现场操作的交互模型。专题 4 展示条件信息如何改变选择，专题 5 展示贝叶斯网络如何完成预测、诊断与工程决策。
要求 01
完成两个专题的研讨任务
要求 02
专题 4 说明理由并程序验证
要求 03
专题 5 完成三类贝叶斯推理
要求 04
8 分钟汇报：背景、方法、结果、思考
04
蒙提霍尔三门问题
核心结论：在标准规则下，换门获胜概率为 2/3。真正需要解释的是主持人打开空门后，条件样本空间如何变化。
选择一扇门开始实验。
理论结果
坚持 1/3，换门 2/3
独立验证
100 万次：33.44% / 66.56%
建模要点
结论依赖主持人的行为规则
05
无人机层次贝叶斯网络
题目要求联合概率、预测推理、诊断推理和 AI 应用讨论。网页把三类推理做成实时计算，并允许调整先验和条件概率。
任务 1 · 联合概率
环境正好是“雨天且强光”时，无人机最终选择全速前进的概率是多少？
任务 2 · 预测推理
只知道当前下雨，不知道光照，推测全速前进的总概率是多少？
任务 3 · 诊断推理
已经看到无人机全速前进，反推视觉传感器处于高置信度的概率是多少？
任务 4 · AI 讨论
为什么这种网络适合自动驾驶和机器人处理不确定性、融合传感器和反推故障？
联合概率
P(雨天，强光，全速前进) = 1.08%
预测推理
P(全速前进 | 雨天) = 37.20%
诊断推理
P(高置信度 | 全速前进) = 95.25%
AI+
飞行器传感器故障诊断
这是基于贝叶斯思想的扩展实验，不改变原题结果。程序根据天气和导航异常，反推视觉传感器或 GPS 发生故障的概率，并支持 10 万次仿真验证。
扩展实验参数：恶劣天气下视觉故障概率 0.18、GPS 故障概率 0.12；晴好天气下分别为 0.04 和 0.02。异常概率由传感器故障数量决定。