Co ciekawe, autor nie mówi o przeszacowaniu bayesowskim, ale o to właściwie chodzi ;).
Fakt zaistnienia zdarzenia (5 rzutów pod rząd daje 6), które ma różne prawdopodobieństwo wystąpienia w dwóch hipotezach:
Odp.: kostka nie jest załadowana ---> prawdopodobieństwo wystąpienia 1/7000
B: kość jest załadowana tak, aby zawsze dawać 6 ----> prawdopodobieństwo 1 wystąpienia
fakt, że hipotezę B należy ponownie ocenić o współczynnik 7000 w porównaniu z A. 7000 to dużo, ale zależy to od wstępnego oszacowania „wcześniejszego” na p(B)/p(A). W wybranym przykładzie przyjął aprior 1/1000, ale nagle Bayesowski współczynnik przeszacowania przekształca go w p(B)/p(A) = 7 lub 7 z 8 szans, że jest obciążony i 1 szansa na 8, że nie jest załadowany. Zauważ, że zależy to od przełożonego, który jest dość subiektywny, na tym polega trudność. Jeśli mamy „dużo większą pewność”, że kostka nie jest obciążona, np. sami ją zrobiliśmy, powiedzmy p(B) = 1/100 000, możemy grać dalej. Jeśli natomiast od początku będziemy ostrożni wobec handlarza takiego jak Tony (na przykład prawdopodobieństwo, że jest naładowany 1/100), zatrzymamy się znacznie wcześniej.
Interesująca jest analiza różnic zdań, w tym na ten temat forumna podstawie danych a priori i przeszacowań. Na przykład, jeśli masz pewność, że firmy farmaceutyczne Cię okłamują, a ich wyniki są sfałszowane, będziesz przywiązywał znacznie mniejszą wagę do wyników testu, niż gdybyś myślał odwrotnie. Wszelkie podobieństwo do rzeczywistych sytuacji jest całkowicie przypadkowe.
Udawać idiotę w oczach głupca to przyjemność dla smakoszy. (Georges KURTELINA)
Mééé zaprzecza, że nui chodził na imprezy z 200 osobami i nawet nie był chory moiiiiiii (Guignol des bois)