如果說硬幣有可能是兩面都是正面的話,那就要考慮這個兩面都是正面的先驗機率是多少了,我們知道絕大多數硬幣都不會兩面都是正面,我們假設一百萬枚當中平均會出現一枚,也就是說先驗機率是。簡便起見我們就假設沒有兩面都是反面的情況了,剩下的機率都是一面正面一面反面,而且這種硬幣扔到正反面的機率各自是現在連續扔了N次,都是正面,我們會考慮,到底是運氣好連續扔了N次都是正面,還是硬幣本身就是兩面都是正面呢?只要用貝葉斯公式計算一下後驗機率就可以了,我們記事件A:硬幣兩面都是正面,事件B:連續扔了N次,全部都是正面,我們要評估在事件B發生的條件下,事件A的機率,也就是:不管扔多少次我們都無法100%判斷究竟是哪一種情況發生,因為機率既不是0也不是1,但是我們可以選擇更傾向於相信哪一種。比如說,如果我們一定要從中二選一,我們可能會選擇相信機率大的一方,也就是與中機率較大的一個,也就是說當時我們選擇相信的確拿到了一枚兩面都是正面的硬幣。用這種方法的話,代入前面的資料,我們可以得到當時,我們就可以認為有超過50%的機率我們的硬幣兩面都是正面。這個0.5的閾值並不是絕對的,也有很多時候我們會選擇其他的閾值,比如說如果你猜全是正面,猜對了獎勵10塊錢,猜對了扣1塊錢;而猜不全是正面,猜對了獎勵一塊錢,猜對了扣10塊錢,這樣你可能會更傾向於猜全是正面,準確來說閾值應當是也就是說只要有超過1/11的機率就可以猜了,這種判據叫做代價函式。如果只要求超過1/11,則可以按前面的資料算出這次只需要就可以了。有的時候在統計的時候,我們會選擇當後驗機率超過0.95的時候,認為A發生;小於0.05的時候,認為A未發生;其他時候則認為論據不充分,無法做判斷。這時候也可以算出需要的次數。對於非常謹慎的科學研究,有的時候我們要求5個sigma的顯著程度,這相當於要求誤判機率小於大約三百五十萬分之一。可以算出這時候要求的次數是。如果真的扔了一億次都是正面,那麼選到一枚正常硬幣的條件機率不足十的三千萬次方分之一。再回頭說扔了N次都是正面,下一次是正面還是反面的問題,在考慮硬幣有可能有全是正面的情況的時候,這就變成了一個全機率公式的問題,記下一次扔出正面這個事件為C,則:代入前面的公式就很容易算出相應的機率了。可以注意到最終結果與前面假設的“硬幣兩面都是正面”的先驗機率密切相關。對於不考慮這種情況的問題來說,,,所以下一次的機率仍然是
如果說硬幣有可能是兩面都是正面的話,那就要考慮這個兩面都是正面的先驗機率是多少了,我們知道絕大多數硬幣都不會兩面都是正面,我們假設一百萬枚當中平均會出現一枚,也就是說先驗機率是。簡便起見我們就假設沒有兩面都是反面的情況了,剩下的機率都是一面正面一面反面,而且這種硬幣扔到正反面的機率各自是現在連續扔了N次,都是正面,我們會考慮,到底是運氣好連續扔了N次都是正面,還是硬幣本身就是兩面都是正面呢?只要用貝葉斯公式計算一下後驗機率就可以了,我們記事件A:硬幣兩面都是正面,事件B:連續扔了N次,全部都是正面,我們要評估在事件B發生的條件下,事件A的機率,也就是:不管扔多少次我們都無法100%判斷究竟是哪一種情況發生,因為機率既不是0也不是1,但是我們可以選擇更傾向於相信哪一種。比如說,如果我們一定要從中二選一,我們可能會選擇相信機率大的一方,也就是與中機率較大的一個,也就是說當時我們選擇相信的確拿到了一枚兩面都是正面的硬幣。用這種方法的話,代入前面的資料,我們可以得到當時,我們就可以認為有超過50%的機率我們的硬幣兩面都是正面。這個0.5的閾值並不是絕對的,也有很多時候我們會選擇其他的閾值,比如說如果你猜全是正面,猜對了獎勵10塊錢,猜對了扣1塊錢;而猜不全是正面,猜對了獎勵一塊錢,猜對了扣10塊錢,這樣你可能會更傾向於猜全是正面,準確來說閾值應當是也就是說只要有超過1/11的機率就可以猜了,這種判據叫做代價函式。如果只要求超過1/11,則可以按前面的資料算出這次只需要就可以了。有的時候在統計的時候,我們會選擇當後驗機率超過0.95的時候,認為A發生;小於0.05的時候,認為A未發生;其他時候則認為論據不充分,無法做判斷。這時候也可以算出需要的次數。對於非常謹慎的科學研究,有的時候我們要求5個sigma的顯著程度,這相當於要求誤判機率小於大約三百五十萬分之一。可以算出這時候要求的次數是。如果真的扔了一億次都是正面,那麼選到一枚正常硬幣的條件機率不足十的三千萬次方分之一。再回頭說扔了N次都是正面,下一次是正面還是反面的問題,在考慮硬幣有可能有全是正面的情況的時候,這就變成了一個全機率公式的問題,記下一次扔出正面這個事件為C,則:代入前面的公式就很容易算出相應的機率了。可以注意到最終結果與前面假設的“硬幣兩面都是正面”的先驗機率密切相關。對於不考慮這種情況的問題來說,,,所以下一次的機率仍然是