双硬币投掷场景下的后验概率计算问询
嘿，别着急，这个问题本质是贝叶斯后验概率的计算，核心是用观测数据来更新我们对硬币是否公平的先验判断，咱们一步步拆解：
核心思路：贝叶斯定理
要计算某个假设（比如“两个硬币都公平”）的后验概率，我们需要用贝叶斯公式：P(假设|数据) = [P(数据|假设) × P(假设)] / P(数据)
简单说就是：用“假设成立时得到当前数据的概率”乘以“假设的先验概率”，再除以“所有可能假设下得到该数据的总概率”。
问题1：计算两个硬币都公平的后验概率
第一步：计算“两个硬币都公平”时的似然（P(数据|假设)）
如果两个硬币都是公平的（正面概率都是0.5），那么：
- 出现HH的概率是
0.5×0.5=0.25 - 出现TT的概率是
0.5×0.5=0.25 - 出现恰好1个正面（HT/TH）的概率是
2×0.5×0.5=0.5
500次试验中，200次HH、100次TT、200次一正一反的似然就是：(0.25)^200 × (0.25)^100 × (0.5)^200 = 2^(-800)
（化简后得到的结果，数值极小）
第二步：设定先验概率
如果没有任何前置信息，我们通常假设所有可能的硬币状态先验概率相等：
- 假设H0：两个都公平，先验概率P(H0)=1/3
- 假设H1：恰好一个公平，先验概率P(H1)=1/3
- 假设H2：两个都有偏，先验概率P(H2)=1/3
第三步：对比其他假设的似然
关键来了：观测数据里HH出现了200次（远高于公平硬币期望的125次），TT只有100次（略低于期望的125次），这说明其中一个硬币的正面概率明显偏高——恰好符合“一个公平、一个有偏”的假设（H1）。
计算H1的似然时，我们需要对有偏硬币的所有可能正面概率做积分（用无信息均匀先验），最终会发现H1的似然比H0大数十亿倍。
第四步：得出后验概率
因为H1的似然远大于H0，所以两个硬币都公平的后验概率几乎趋近于0，可以认为概率极低。
问题2：计算恰好一个硬币公平的后验概率
同样用贝叶斯定理：
由于H1的似然远大于H0和H2（两个都有偏的情况拟合数据的程度不如H1），所以恰好一个硬币公平的后验概率几乎趋近于1，也就是说这个假设的可信度极高。
关键提醒
这个问题的核心是不能只看“公平硬币的理论概率”，而是要结合观测数据用贝叶斯方法更新判断——观测到的HH次数远高于公平硬币的期望，直接否定了“两个都公平”的假设，反而完美契合“一个硬币偏正面、一个公平”的情况。
备注：内容来源于stack exchange，提问作者Osho Anand
