我指的是这篇文章：http ://www.nytimes.com/2011/01/11/science/11esp.html

考虑以下实验。假设有理由相信一枚硬币偏重于正面。在一项测试中，硬币在 1,000 次中出现正面 527 次。

这是硬币被加权的重要证据吗？

经典分析说是的。对于一枚公平的硬币，在 1,000 次翻转中获得 527 个或更多正面的机会小于 20 分之一，即 5%，这是传统的截止值。换句话说：该实验“以 95% 的置信度”找到了加权硬币的证据。

然而，许多统计学家并不买账。20 分之一是在 1,000 次投掷中获得超过 526 个正面的概率。即是翻转概率527、翻转概率528、529等的总和。

但实验并没有找到该范围内的所有数字；它只找到了一个——527。因此，这些专家说，计算得到那个数字——527——如果硬币被加权的概率更准确，并将它与如果硬币加权得到相同数字的概率进行比较。公平的。

统计学家 Paul Speckman 和心理学家 Jeff Rouder 提供了一个例子，他说，统计学家可以证明这个比率不能高于 4 比 1。

第一个问题：这对我来说是新的。有没有人可以找到确切计算的参考和/或您可以通过自己给我确切的计算来帮助我和/或您能指出我可以找到类似示例的一些材料吗？

贝叶斯设计了一种在新证据出现时更新假设概率的方法。

因此，在评估给定发现的强度时，贝叶斯（发音为 BAYZ-ee-un）分析结合了研究之外的已知概率（如果有）。

它可能被称为“是的，正确的”效应。如果一项研究发现金橘可以将患心脏病的风险降低 90%，一种治疗可以在一周内治愈酒精成瘾，敏感的父母生女孩的可能性是生男孩的两倍，那么贝叶斯反应与本地怀疑论者：是的，对。研究结果与世界上可观察到的情况进行权衡。

在至少一个医学领域——诊断筛查测试——研究人员已经使用已知概率来评估新发现。例如，一项新的测谎测试可能有 90% 的准确率，可以正确标记出 10 个说谎者中的 9 个。但如果将它提供给已知包括 10 个说谎者的 100 人，那么这个测试就不那么令人印象深刻了。

它正确识别了 10 个骗子中的 9 个，漏掉了一个；但它错误地将其他 90 个中的 9 个识别为撒谎。将所谓的真阳性 (9) 除以测试标记的总人数 (18) 得出的准确率为 50%。“假阳性”和“假阴性”取决于人口中的已知比率。

第二个问题：用这种方法，你如何准确判断一个新发现是否“真实”？并且：由于使用了一些预设的先验概率，这是否与 5% 障碍一样任意？