家人们提到小六人，是不是觉得他既神秘又遥远？其实他是咱们老祖宗传下来的一种传统占卜术，属于中国古代术术文化的一部分。简单来说，小六人是用大安、榴莲、宿喜、赤口、小吉、空王这六个基础符号， 结合时间或者特定事件来推算吉凶的方法。打个比方，它就像咱们用日历查天气，根据当下的时间，比如农历月份、日期、时辰对应到六个符号里，每个符号都有不同的寓意，比如大安代表平安、顺利、肃喜意味着事情能快速办成。 空王则可能提示要多留意遍数。不过要注意哦，小六人更多是一种传统文化现象，咱们可以把它当做了解古代思维方式的窗口，可不能完全依赖它来做重要决策。 朋友们，你们有没有听过身边人用小六人的经历，或者对这种传统数数还有什么好奇的？评论区一起聊聊吧！
粉丝1590获赞2.4万
相关视频
05:54查看AI文稿AI文稿有人抛了十次硬币，十次全是正面，他当场把硬币摔在地上，说这东西一定有问题，要去告商家。一个统计学家听完只说了一句话，说这枚硬币不但没问题，而且你几乎注定会遇到这种情况。 更让他崩溃的是接下来这句，那个所谓最均衡的结果，无正无反，真实发生的概率只有百分之二十四点六。也就是说，你期待的那个正常有四分之三的时候，根本不会出现。你身边买彩票连亏五年的人和赌场里连赢九把的人，都以为自己读懂了概率， 其实都被同一条数学定律精准拿捏。一个知道那条定律，一个不知道，而赌场老板永远是那个知道的。那 为什么明明是一枚最普通、最公平的硬币，结果却总是显得不公平？这背后藏着统计学的第一位主角，叫中心极限定律固定每次抛十次硬币，记录正面次数，重复几百组、几千组。 单独看任何一组，结果都乱七八糟，三次正面、七次正面，甚至十次全正面，都可能出现毫无规律。但神奇的事情发生在你把几千组数据叠加到同一张图上的那一刻， 所有杂乱无章的结果，竟自动汇聚成了一条平滑对称的中型曲线。这条曲线有个如雷贯耳的名字，正态分布，也叫高斯分布。 听起来有点抽象，直接上数据设想，有九百六十个一到一千之间的随机整数，原始分布毫无规律，就是一片散沙，整体均值约四百八十九，方差约八万两千八百。 现在从中随机抽取三十组样本，每组二十五个数字，分别算出每组的平均值，再把这三十个均值画成图，结果清晰可见，一条标准的正态曲线立刻出现。 测算下来，这三十组均值的整体均值约四百九十二，和原始数据的四百八十九高度吻合。样本方差约三千两百，也和理论值几乎完全一致。 这不是巧合，是数学的必然关键规律藏在一个公式里，样本均值的方差等于原始数据方差除以每组样本量， n n 越大，方差越小，曲线越窄，预测越精准。这就是为什么保险公司、银行、药企全都痴迷于扩大样本量。样本量不是越多越好看， 而是越多随机性就越被驯服。讲完曲线形状，第二位主角登场，叫大数定律。他回答的是完全不同的问题，重复次数越多，结果会不会真的越来越接近理论概率？ 答案是会。但这里藏着一个极其普遍的误区，几乎每个人都以为前面输多了，后面就该赢回来，因为总体要拉回百分之五十。这句话听上去有道理，其实是彻头彻尾的错误认知。专门有个名字叫赌徒灭悟大树定律，靠的是分母变大、稀释偏差，不是老天爷补偿你， 你前面连输二十把，下一把赢的概率依然是百分之五十。硬币没有记忆生活里最容易栽在赌徒谬误上的，是两种看似相反的人。一种人连输很多把，坚信厄运已经见底，下一把必须翻盘，于是越输越加码。另一种人连赢几把，立刻觉得自己摸到了门道，开始疯狂放大注码。 这两种人其实都在用感觉代替计算他们眼中的连胜或连败，在统计学家眼里，很可能根本没越过三个标准差，只是再正常不过的随机波动，却被当成了天意。大树定律本身还分两个层级， 若大树定律说，样本均值偏离真实值的概率会随样本量增大而趋近于零，但没承诺偏差会彻底消失。 强大数定律更进一步，样本量趋向无穷时，均值几乎必然收敛到真实值。注意，几乎必然不等于绝对一定概率为一，不代表铁定发生概率为零，也不代表绝不可能。 就像在零到幺零零之间，随机选一个实数，刚好选中整数五十的概率严格等于零，但他并非不可能。这套收敛逻辑是整个概率论的地基。把抛掷次数从十次拉到一百次再到一千次，中型曲线会肉眼可见的收窄，峰值越来越高，尾巴越来越薄。 次数拉到二十万次时，曲线也细的像一根竖线，结果几乎稳稳定在百分之五十。但放大小数点继续看，微小波动从未真正消失。所谓收敛，只是波动范围被持续压缩。怎么量化这剩下的波动空间？答案是标准差 正态分布。有一套经验法则，百分之六十八的结果落在均值上，下一个标准差以内，百分之九十九点七落在三个标准差以内。 连续抛幺零零次，硬币正常应落在三十五到六十五次正面之间。如果你某次只抛出了二十次正面，意味着偏离了六个标准差，理论上要抛三千多万次才会撞见一次。这套标准差工具最大的用处是帮你分清运气差和真有问题。 市面上不少产品宣传都爱用大样本数据和致信区间制造权威感，但这类区间往往只是描述正常波动范围的统计工具，并不存在什么神圣门槛。绝大多数让人觉得离谱的结果，其实都落在三个标准差以内。统计上完全是正常波动，根本不是玄学。 两大定律的分工是这样的，大树定律负责回答结果最终落在哪里，保证了次数增加后频率必向真实概率靠拢。 中心极限定律负责回答结果以什么形态分布，保证了无论原始数据多混乱，均值的分布最终都会收敛成可预测的正态曲线。 这是一切数据分析的根基。两者合一，构成统计学描述随机世界的完整框架。随机从来不是真正的无序混乱表象之下，始终有一套冷静到近乎残酷的数学逻辑在支配一切。看懂这两条定律，你再看彩票、看股市，乃至任何带概率的决策 思维方式，都会被彻底重写。那些自以为在和运气搏命的人，其实只是在数学的手心里打转，而真正握着筹码的，永远是那个读懂规律的人。
5911星辰寄空
00:49查看AI文稿AI文稿家里呀，有八到十四岁叛逆期的孩子总爱顶嘴，脾气暴躁，管也管不住。老一辈流传起来的小方法，准备三枚一元硬币， 睡前握在手心，静心默念，再压在孩子的枕头底下。老话说，硬币能够收敛躁气，安稳心性，坚持三天，你会发现孩子脾气缓和不少，简单一世，图个心安。
806墨嘟
22:22查看AI文稿AI文稿在 blog 王国里流行着一个抛硬币的游戏，每个小阮都自带一枚硬币，然后轮流抛掷。当硬币正面朝上时，抛硬币的那个小阮就会感到开心，另一个则感到难过。 就这样，游戏规则就是这么简单。这游戏听起来挺简单的，而这些小软们也都很单纯。但最近有个传闻，有些玩家在使诈用的硬币正面朝上的概率超过一半，这可不太公平。所以我们要把这些作弊者揪出来 作为热身。我们让这些小软们每人都抛五次硬币 好了。你可能看出来了，这是模拟出来的一组数据，我们看到的结果从全是反面到连续五次都是正面都有。那么这些小家伙里面如果有的话，你觉得哪个是作弊者呢？ 如果你想亲自试一试判断的话，我之前介绍过一个互动版本，在上一个视频里， 根据那个互动游戏的数据来看，当一个玩家抛五次硬币全是正面时，实际上他只有大约百分之八十八的可能性是作弊者。由于随机性的存在，我们不可能百分百确定某个小阮是否作弊， 但有些方法确实比其他方法更可靠。在本视频接下来的内容里，我们将逐步介绍一种利用有限数据做决策的主要方法。如果你喜欢学习新词汇术语，那你可来对地方了。这种方法的名字叫做频率派。假设检验。 我们将设计一个测试方案，供这位小阮侦探在日常追查作弊者的工作中使用。我们希望这个测试能达到三个目标。第一，如果玩家使用的是公平硬币，我们希望错误指控他的概率很低。 其次，如果玩家使用不公平的硬币作弊，我们希望有很大把握能逮住他们。第三，我们希望这个检验使用的投币次数尽可能少。 我们只有一位 blog 侦探，我们希望他能够检验尽可能多的玩家，而且尽量不打扰玩家。当然，更好住与前句合并，不单独翻译 much。 接下来，我们将一起设计这个检验方法，不过如果你有兴趣的话，先自己尝试思考一下，会很有帮助。 所以你可以暂停一下，花点时间想一个能满足这些目标的检验方案。好的，让我们一次投掷，一次投掷地来分析， 结果是正面，作弊者投出正面的概率更高。所以这个 blog 一定在作弊。 不，我们不能仅凭一次投掷就断定他作弊。我是说我们可以这么做，但如果采用这种策略，我们会冤枉很多公平游戏的玩家。 毕竟即使玩家是公平的，第一次投掷出现正面的概率也有百分之五十正面。那么我们来看第二次投掷又是正面作弊吗？哼，这确实更可疑了。但我们还是要想想，如果硬币真的是公平的，我们看到这种情况的可能性有多大？ 第一次投掷有两种可能的结果，第二次投掷也有两种可能的结果。连续两次正面是四种等可能的结果中的一种， 所以两次都投出正面的概率是四分之一，也就是百分之二十五。另一种计算方法是把这两个事件的概率相乘。 使用概率相乘时必须小心，因为这方法只在两个事件相互独立时才成立， 而在这里正是如此，因为第一次投出正面并不会让第二次投出正面的可能性变大或变小。总之，无辜的小团被误判的概率是四分之一。现在指控玩家作弊似乎还为时过早，当再次出现正面时，这个概率会再次除以二。 我开始觉得相当可以了，但如果我们此时指控，仍会有八分之一的无辜小团被冤枉。如果我们是在连续三次正面后就指控的话，我们希望误判率能尽可能低，但我们永远无法把它降到零。 无辜的小团总有可能运气爆棚，连续抛出正面，从而显得可疑。所以我们必须得设定一个足够好的标准。通常的标准是设定为百分之五，也就是每二十位公平玩家中最多允许出现一次错误指控。 当然，我们也可以选择其他数值，不过不妨就先从百分之五开始。 好的，到了这一步，我们已经越过了预值，概率只有三十二分之一，或者说百分之三点一二五，这是公平。硬币连续出现五次正面的概率。 那么一个可行的检验方案是，如果一位玩家五次抛掷全是正面，我们就判定他作弊， 否则就认为他是清白的。接下来看看这个检验方案的效果。我们需要大量数据，所以假设有一千位玩家，其中一半是作弊者，在公布结果之前， 大家可以试着预测一下这个方案会冤枉多少公平玩家，你们觉得他又能抓住多少作弊者呢？ 好的，我们可以把这些小团分成四类类别，第一类，检验判定为公平的公平玩家。第二类，被我们误判为作弊的公平玩家。第三类，成功逃脱的作弊者。第四类，被我们抓住的作弊者。看起来我们出色的完成了第一个目标。 我们不仅指控的公平玩家比例低于百分之五，这次检验的效果比预想的还要好。当我们在现实世界中使用这个检验时，我们无法知道有多少是使用公平硬币的玩家，但看到这个检验在该样本上的表现，在结合我们之前的分析，我们可以相当有信心的认为被我们误判为作弊的玩家将少于百分之五。 我们没能抓住很多作弊者，但这并不太令人意外，我们之前甚至还没考虑过他们，所以我确信我们可以做的更好。在制定下一版检验方案之前，我认为有必要提一些专业的统计学术语。 他们并非总是必须，但你可能会接触到他们，就像任何专业词汇一样，在特定语境下，他们确实能让交流更便捷。 如果检验结果表明不应指控某个团块作弊，这被称为阴性结果，因为未发现任何异常。而当检验结果表明应指控某个团块作弊时，这被称为阳性结果。作弊是件坏事，所以阳性听起来不太妙，但这里的阳性一词指的是检验结果表明是的，我寻找的目标作弊 就在这里。医学检测也是如此，如果检测找到了他所要寻找的目标，如病源体，结果就成为阳性。尽管这通常意味着坏事，所以我们有阳性和阴性两种检验结果，但这些结果可能与事实不符。 当我们检验一个使用公平硬币的团块时，正确的结果应该是阴性。所以，如果检验结果确实是阴性，我们就称之为真阴性。而如果检验结果呈阳性，这就是错误的， 因此称之为假阳性。而当我们检验一个作弊者时，正确的结果应该是阳性。所以，如果检验结果确实是阳性，我们就称之为真阳性。如果检测错误地给出了阴性结果，那就是假阴性。 我们也可以用另一个新术语来重新表述第一个目标，即假阳性率。不过这个术语可能极易混淆， 人们很容易搞错分母应该是什么？假阳性率？听起来像是说在所有的阳性结果中，其中有多大比例是假阳性，甚至在所有测试中有多少是假阳性。 但实际上他说的是在所有城市玩家中，其中有多少被错误的判定为阳性作弊。 我认识这些术语已经很久了，但我的大脑还是会自动理解错，基本上每次都是。所以，为了让视频内容尽可能清晰，我们会继续使用描述目标一时那个较长的说法。好了，我们回到设计检测方案上来，我们还需要找出实现目标二的方法。 我们先把目标定的更精确一些。为此，我们需要为我们希望至少抓住的作弊者的最小比例选一个数值。我们希望抓住用之前的术语来说，这也可以称为最小正阳性率。但我们还是坚持用通俗语言吧。再向你抛一个新词， 这个最小值有是被称为检验的统计效率，这是检测方案发现作弊者的能力。统计效率的标准目标是百分之八十， 就像第一个目标里的百分之五一样。我们在这里也可以选择任意数值，但我们现在暂且先用百分之八十，稍后再详细讨论不同选择的影响。现在来计算我们期望的真阳性率， 作弊者连续掷出五次正面的概率是多少？花点时间自己试一下。 好吧，这问题其实有点取巧，我们还没真正说明不公平硬币正面朝上的频率。 在刚才那个用了一千个 blog 的 试验里，作弊者用的硬币有百分之七十五的几率正面朝上， 我们并不确定。如果现实中的 blog 真是如此，那这百分之七十五也只是一个假设，但是我们需要一个具体的数字来计算概率，所以总得先设定一个。 这里又有一个词，这叫做效应大小。在我们这个例子里，指的就是使用不公平硬币所产生的效应。你可能有点烦了，因为这已经是我第三次说我们应该先随意设定一个数字。 但我能怎么说呢？有些事就是不确定的，而有些事则取决于我们自己。重要的是，我们要清楚自己何时再做假设，何时再做选择， 这样我们在得出结论时就能记下自己的假设，日后若改变想法，也可以根据不同的选择来调整检验方案。不过，既然我们有了数字，那就来计算一下吧。如果每次抛出正面的概率是零点七五，那么连续得到五次正面的概率就是零点七五的五次方， 也就是大约百分之二十四。所以，我们现有的检验方法应该能抓到大约百分之二十四的作弊者，嘿，这和我们试验中看到的结果非常接近，看来一切都能对得上。 但是我们的目标是抓到百分之八十的作弊者。目前的检验方法有点过于严格了，他要求全部是正面才能判定为阳性结果， 这确实让假阳性不太可能出现，这就不妙了。 所以我们得考虑一种允许正反面混合出现的检验方法。要计算这类情况的概率可能会有点棘手，或者说容易让人困惑。举个例子，如果我们设计一个新测试， 要求一位 block 居民投掷硬币十次，并且规定若正面次数达到或超过七次，就只控其作弊，那么在这种情况下的计算就会复杂的多。在十次投掷中出现七次正面有多种可能组合，我们还需要考虑出现八次、九次乃至十次正面的可能性。为了理清思路， 我们先回到仅投掷二次的情况。使用一枚公平的硬币时，这四种可能结果的发生概率是均等的，所以得到零次正面的概率是四分之一， 恰好得到一次正面的概率是四分之二，得到二次正面的概率是四分之一。但如果使用一枚偏向正面的不公平硬币，结果分布就会向正面次数更多的方向倾斜。 当投掷三次时，总共有八种可能结果对应着四种可能的正面次数。 随着我们不断增加投掷次数，要列出所有可能结果并计算其总概率，很快就会变得相当繁琐。不过这其中存在规律可循。所以幸运的是，对于这类情况，有一个专门的公式叫做二项分布， 它并没有看起来那么吓人，但完整的解释却是值得单独做一个视频，我会在视频描述中放一些相关的链接。目前你只需要知道，我们正是用这个公式来绘制这些条形图的， 并且他遵循我们分析二次和三次投掷时所用的相同模式。现在让我们回顾之前的检测规则。如果玩家五次投掷全部得到正面，我们就指控他。 我们可以在这些图标上画一条垂直线来展示这条规则。他将右侧的阳性检测结果判定为作弊，与左侧的阴性检测结果判定为未作弊区分开。在公平玩家的分布图上，左侧的条形代表真阴性， 也就是我们放过的那些无辜的 blob， 右边的则是假阳性，那些被我们错误指控的公平玩家。而在作弊者的分布图上，左侧的条形代表假阴性， 也就是逃脱我们检测的作弊者。右边的条形才是真阳性，即我们抓获的作弊者。和之前一样，我们可以看到这个检验满足了第一个目标，即在平均情况下指控的公平玩家少于百分之五， 但他无法满足第二个目标，即至少抓获我们检测到的百分之八十的作弊者。同样是在平均意义上，现在有了这些图标，我们就能看到当改变正面朝上的数量要求时会发生什么。如果我们把域值降低到五次中至少有四次正面，那么两个要求都无法满足。 如果我们继续降低域值，这或许能让我们达成目标二，即抓到超过百分之八十的作弊者，但这样我们会指控更多公平的 blub， 所以 这办法形不同。显然，如果我们想同时达成这两个目标， 我们就需要增加投掷次数。如果把这两张分布图并排放置，我们可以看到蓝色和红色的分布有相当多的重叠，因此不可能设计出一个检验能可靠地区分公平玩家和作弊者。但是，如果我们把投掷次数增加到比如说一百次， 现在两个分布之间就出现了很大的间隔，这样就很容易画一条线将他们分开。但我们还有第三个目标，就 尽可能少地抛硬币。所以我们应该设法找到一个折中的方案。既然我们已经设置好电脑来做计算，我们可以回到五次投掷这个起点，然后不断尝试不同的预指。随着投掷次数不断增加，直到找到一个可行的检验规则， 最终发现能满足我们前两个目标的最简方案是让每个 blob 投掷硬币二十三次，只要他们掷出十六次或更多次正面，就被判定为作弊者。这比我最初预想的次数要多，不过也不是多的离谱，所以这个方案可行。 好，我们用这个规则来测试几个 blob。 这位 blob 掷出了十七次正面， 这符合我们十六次或更多的规则。因此，根据测试规则，我们应判定这位 blog 为作弊者。这里还有一个值得提及的术语，假设这位 blog 是 无辜的，他指出十七次或更多次正面的概率 大约是百分之一点七，我们称这百分之一点七为该测试结果的 p 值。这有点像针对单个测试结果的假阳性率可以这么理解，百分之一点七低于我们设定的百分之五预值， 所以依据这个测试，我们判定它为作弊者。另外，从另一个角度看，如果这位 blub 确实在作弊，使用的是正面概率为百分之七十五的硬币， 那么他有百分之六十五的概率指出十七次或更多次正面。换句话说，他的这个结果位于我们预期作弊者结果的前百分之六十五。所以，如果我们想抓住百分之八十的作弊者，我们最好还是判定他为作弊者好。我们再测试一位 blab， 这位致出了十三次正面，这超过了二十三次投掷的一半，所以很容易想判他作弊。但十三次低于我们检验规则要求的十六次正面这一阳性结果预值，所以我们判定他为公平玩家。这个结果的批值大约是百分之三十四。 所以，如果我们用这样的结果去指控玩家，我们预计会错误的判定大约百分之三十四的玩家作弊，这远远超出了我们百分之五的可接受范围，所以我们不能认定这名玩家是作弊者。反过来看， 如果他真的是作弊者，那么他投出这么多甚至更多正面的概率大约有百分之九十九。要达成我们百分之八十的检测目标，并不需要抓住百分之九十九的作弊者，所以即使这次放过他，我们依然可以实现目标。 第一个人真的是作弊者吗？第二个人真的在公平游戏吗？我们无法百分之百确定，但根据我们设计的检验方法，我们预计至少能抓住百分之八十的作弊者，同时误判的公平玩家会少于百分之五。 现在让我们看看这个检验方法在另一组一千个小软身上的表现。和之前一样，这组小软中有一半使用了作弊硬币，其正面朝上的概率是百分之七十五。 好的结果看起来大致符合预期。我们误判的公平玩家少于百分之五， 并且我们抓住了超过百分之八十的作弊者。百分之五和百分之八十是统计学上常用的标准数值，这源于历史习惯，但我们当然可以设定不同的目标。 比如说，我们决定要尽量避免打扰那些公平游戏的小阮，因此我们决定要尽量避免打扰那些公平游戏的小阮。因此，我们决定要尽量避免二十三次投掷。 我们就必须将判定为正面的预值提高到十八次，但这也会使我们能抓到的作弊者比例降低到大约百分之四十七。 如果我们不想增加投掷次数，那我们也可以接受百分之四十七这个比例。或许我们只想让作弊行为显得有风险，那么百分之四十七也足够了。或者，如果我们仍想在备测者中抓住百分之八十的作弊者，我们可以增加投掷次数，直到找到一个能同时达成这两个目标的检验方案。我们也可以要求更严苛一些， 把真阳性率目标定在百分之九十九，同时把假阳性率控制在百分之一， 但那样我们就得投掷八十次硬币才能达到这个水平。我们总是可以先敲定其中两个目标， 但这会限制我们在第三个目标上能达到的效果如何设定这些目标取决于我们愿意接受怎样的权衡。不过，在本视频接下来的部分，我们就采用百分之五和百分之八十这个标准组合。既然我们已经确定了目标， 并且找到了一个似乎能达成这些目标的检验方案，让我们再测试一批小软泥怪。为了假装这是一批真实的小软泥怪，而非人为构造的样本。我不会透露关于这个群体的任何信息，只知道总共有一千个， 你觉得这次检验会表现如何？对这个更神秘的群体，他能否做到只控的公平？玩家少于百分之五， 并且能否抓到百分之八十的作弊者？视频看到这里很容易就懒得思考，而不去做真正的预测。 但是，如果我还在问你这些问题，那肯定有什么地方要出问题了，对吧？或许我只是在假装，好让你们更投入一点，谁知道呢？不过说真的，你认为结果会怎样？ 好了，我们判定其中大约五分之一为作弊者，这个比例比之前略低一些。 如果这是在现实世界中，你得到的结果就到此为止了。你无法知道谁真的作弊了，谁又是完全无辜的，从而去确认检验是否如预期般有效。我的意思是，也许你之后可以验证，但那需要更多的后续检验。检验这个测试本身是做不到的，但由于这是计算机模拟， 我确实知道全部的真相。这个群体里有百分之九十是作弊者，但我们只抓住了大约四分之一的作弊者 出错了。问题在于，我们假设了作弊者使用的硬币出现正面的概率是百分之七十五，但这个假设是错的。 现实中作弊者使用的硬币出现正面的概率只有百分之六十。如果我们从一开始就知道这一点，我们本人可以设计一个测试来实现我们的目标，但他就需要投掷一百五十八次，并且需要出现九十次正面才能达到同样的预值。说实话，这个投掷次数 比我预期的要多的多，但回想起来，这并不那么令人惊讶。我们需要大量数据才能分辨出那个更细微的差别，但我们没有那样设计测试，因为我们弄错了效应大小。我知道，我知道是我自己当初说应该假设百分之七十五的，但请诚实的问问自己， 在做预测的时候，你还记得这个假设吗？人们很容易忘记假设仅仅是假设，反而把他们当做既定事实。 以上就是我套路你的部分，试图让你吸取一个教训，但这些错误在现实生活中确实很容易犯。不过从好的方面看，我们的测试确实成功的做到了指控的公平。玩家少于百分之五。我们在这里建立起的这个框架不只是用来抓不公平的硬币，它是实际科学研究中占主导地位的框架。 总结来说，我们提出一个是非问题。在这个案例中，我们的问题是这个特定的 blob 是 否在使用一枚有偏的硬币，但这可以适用于任何问题。接着，我们构建一个模型来预测我们预期会得到哪些结果。当答案是事实 以及当答案是否时，然后我们设计一个检验方法，使其能够较好的区分这两种情况，这 正是依据模型来进行的。实际操作中的细节通常会更复杂一些，因为我们想要研究的大多数现实世界系统都比抛硬币游戏要复杂，但绝大多数的科学研究都以这个框架作为其核心。正如我在视频开头提到的，这被称为频率派假设检验。 还有另一种方法叫做贝叶斯假设检验。我们将在本系列的下一期视频中进行探讨，我们下期再见。
176数理分享
05:21
09:47查看AI文稿AI文稿最后一个元素归属争议，金木水火都在上个表里， 在这个表里，在这个表里，咱们说了把这个土先关掉，不讲他，你不用看他，你看看这个土和这个火一样，掌声是不是都一样？这种现象叫做什么呢？叫做铜工 同宫，什么就相同的家，相同的家，就是他俩是一样啊。这里面是活土同宫。那现在咱们又提出了，当时我说了，你这个咱们不用看它为什么有争议？争议点在哪？ 核心辩题是活土同工还是水土同工？这里面又是什么来的？这是一个流有历史悠久且流派众多的争议点，不同的师承体系对此有不同的处理方式，直接影响到幕库掌上的逻辑推算逻辑。咱们下面 来说啊，火土同工还是水土同工？观点一是火土同工。先讲讲火土同工是什么意思啊？万物转化性质啊，你不仅需要土，咱们都知道了土是木，但是咱们在原来的视频里，咱们说了 这个土是归藏，是转化，就和大地母亲一样，咱们把这个垃圾埋土里，他能分解，把小种子种在土里，他会发芽长大，也就是说土的能能力是归藏转化。但是在这里有一个观点是你的这个万物的 变化，不仅是土在承载的基本，更需要火提供转化所需要的能量、 温度，两者缺一不可，故称为同工。这么解释，那也就解释了咱们上个表中为什么是火和土是内容是一样的，那这么解释对， 是不是很对啊？那第二个是咱们在是在这个济公的时候，再说那个甲克乙，乙克辰，丙午克四，丁，乙克未的时候，咱们也说了，丙勿祭祀，丙和物是不是火土？丁乙是不是也是火土？ 他两个都是火土，那证明火土同工是对的，是不是啊？这一个观点，然后第二个观点是水土同工， 那这个理论是从哪里来的呢？咱们把大六任这一个科目，把它作为一个学科，是研究人间式的，人 间式的这么一个学科，也就是说它里面的定义必须符合咱们人间的这个处事 原则，更准确的说，是处是要符合咱们中国传统的思想观念里的事情 啊。这面就出来了，火是什么？火和土是什么？火？生土，火是父母，土是子女，你把火 在传统论语中，父母和子女不应该同居一墓，什么意思啊？村里，咱们在村里现在的目的，咱们都是现在的目的也是啊，你如果是两口子，当然在我们山东是这样的哈。别的地方我不敢说绝对，但是在我们山东这样子， 你这个家族这个这这个墓地可以在一块，但是他会挖个坑啊，啊，就挖个坑埋人埋下，他是夫妻两个埋在一个坑里， 你也不能说是把父母和子女埋一个坑里，他可以在一片的墓地上，但是这个坑就和咱们，咱们，咱们住家一样，你 不可能和父母住一起，你只只是和你的妻子、丈夫，这这这个，这个夫妻住一起，你是住一个屋也好，还是你自己单独盖的一栋房子也好啊？虽然都在同一个村里，但是你就算住在一个大的屋里，但是你们的房间也是分开的， 明白我意思吗？所以这就是定义了水土同工，水和土是兄弟，水和土就就不是那个什么了，水和土这个土刻的是水，水为土的七才就是老婆， 七才与自身同处于木中，符合命理中财库收纳的逻辑。你这个这个这一句话 可以看，但是最主要的目的就是说你不能和你的父母埋一个坑里，你应该和你的爱人埋一个坑里，这就是原因。哪个队啊？哪哪个哪个队啊？那就是这实用的判定标准。看天干 取鹿尾的时候，这个鹿，这个鹿是什么？这个鹿也是一个神煞，这个神煞也是在 番外篇还是在番外篇里？要需要说咱们一级级的往下走也是在这，这个神煞，包括阳刃 啊，包括这个入位，咱们还会对这个什么太岁啊，这个都都都都都听话啊，太岁头上动土，那个太岁啊，这些都属于神煞。你这个是取禄位的时候，咱们就是把这个活土同工的规则取出，取这个取出的这个 四和位啊，怎么取出来的你还不用管，你知道这么个概念，但是看地盘的时候，咱看地开盘的时候，咱们就是遵从的是个水土同工的原则，在推演地支藏干的时候，会出现逻辑混乱，无法反映到木库的水角符啊，反映木库的转， 这是什么意思？这里面又牵扯到又是一个，又是一个知识点，为什么我一定要说这个这个木啊？ 这个木木，你看，哎，他后面怎么还跟着一个库啊？这是啥意思啊？咱们还没讲到这里，简单一题， 木把人埋了，是不是把人埋了？是木，但是我把我把一些东西给埋了呢， 我我我我，我有一些金银珠宝，我把它埋了呢，他是不是可以把他看到一个仓库，谁也不知道，我把他偷偷藏起来了啊，但是这些东西我一旦挖出来以后，哎呦，我就发财了啊，这就是这个酷的个表现， 咱们用生活中就这么来解释，酷到底是什么是酷。咱们后续的还说大家 知道这个是什么意思，这里有一个延伸，这里牵扯出一个很有很有意思的，就是咱们，咱们在排盘的时候，咱们在写天地盘的时候，咱们都是写方形的，那当然了，你就会发现四个角就是掌声位也是爵位，是不是？而幕就在掌声的下面，这叫 前一位，什么？哪个是前，哪个是后，这样这样是做的目的是方便咱们记忆， 包括咱们的那个冲和害啊，都都是这个用方形啊，咱们更好的记忆记忆也一目了了然，用方形的形式来记录，能更容易的观察和记记 忆。你看咱们在盘盘的时候哈，你这个天盘盘出来了，咱们看的这个位置，咱们就，咱们就能大体上知道他们处在什么一个 位置，是吧？这种排盘方式在六任时期啊，在很早的远古时期啊，就已经是这样子了 啊啊，证据就是出土，就是出土的那个六任盘啊，叫尸盘，六任尸盘出土的六任尸盘是什么形式呢？就是地盘是方的啊，为了区别呢，把天盘呢做成了圆的，就把它扣下来。这里面有一个问题， 咱们从小学历史的时候，老师会告诉我们，咱们老祖宗认为天圆地方地是方的 啊，那你看哈，在远古的时候，他就能排出六韧盘，能观察天空的星星的各种星座的位置，而总结出了 二十四节气。都这么高明的人，他为什么说地是方的？那这个有没有这么一种可能啊？天圆地方的说法 根本不是咱们老祖宗的本意，他不是认为地球是方的，他只是说是排盘的时候，咱们这个 是盘，天用圆形表示，地盘用方形表示，然后后面的一些就开始什么了，一传十，十传百，六刃 他是一个，他是一个，那个叫星学或者天学吗？怎么说了吗？只有那种皇家的人才可以学，下面的人不能学吗？但是他他这这里面有有一个好使者啊，就听着啊，什么人，人家那那士大夫那些那些官员都是什么天圆地方，天圆地方他也跟着说天圆地方好了 就慢慢流传，流传一改变就改变出来了，后人根据六任的天圆地方的盘是产生了误读和复会，是不是这样的？天圆，其实咱中国人的老祖宗说的天圆地方根本就不是说的什么，呃，天是圆的，地是方的，它底是只是说形容这个，咱们这个六任盘 是天圆地方，就这么一个意思啊。
25二瑞好好
01:29查看AI文稿AI文稿一百枚硬币中混入了一枚假币，假币比真币重量轻，用天平最少称几次能找出假币？ 用天平称重量来找次品，最优的策略是三分法。每次把物品平均分成三份，取其中两份放入天平，两个托盘会出现两种结果，平衡或者不平衡。 如果平衡，次品就在没称的那一堆，如果不平衡，次品就在轻的那一堆。每称量一次，就可把查找范围缩小到原来的三分之一，用这种方法就可以快速找出次品。 以此题为例，把一百枚硬币分成三份，第一份三十三枚，第二份三十三枚。把两份三十三枚放到天平称量， 如果平衡，假币就在三十四枚这一堆，如果不平衡，假币就在清的那一堆。然后再把确定有假币的这一堆再分成三份，按同样的办法称量，逐渐缩小范围。一共称五次就能找到假币了。 在这里老师给大家总结出一个公式，以后遇到同类型的题，只要带入公式，就能又快又准确的算出答案了。 三的 n 减一次方小于总数，小于或等于三的 n 次方， n 就是 最少需要的次数。是不是很简单？你学会了吗？
11:33查看AI文稿AI文稿大家好，我是人，这期视频我们来讲白冥币，当然，这期视频不是教大家如何办到白冥币哈， 这期视频是为了让大家知道白冥币到底有多难。 ok， 好， 在开讲之前，我们先来确定一下白冥币到底什么意思，怎么样来定义哈？白冥币不是说你在一百米打到过硬币，而是说在你一百米地方放块纸板 啊，画一个点，就这个点 biu 它几下？ biu 一个 group， 每个点 biu 五下吗？好不好？那么它的落点圆心连起来，它的直径小于等于一颗硬币，这叫白米硬币。好， 百米硬币到底多大码啊？硬币的直径是二点二厘米，记住了哈，当你一吹你百米硬币的发射器的时候，你至少要知道你的 group， 好 吧，你的散布是小于等于二点二厘米的才叫百米硬币。好， 我们把白冥币的观点给确定了啊，概念给确定了。现在来讲白冥币到底有多难？ ok， 大 概分为三个点，第一个点叫出数的变化啊，第二个点啊，叫什么呢？叫封篇。 第三个因素叫什么呢？叫手抖。为了讲的快一点哈，我接下来的数据全部都已经提前算好了的啊，直接给你们讲结论啊， 关于出速变化，我们分汽车和华子，都给你们讲一讲，让你们知道这里面的概念有多多 离谱。 ok 啊，比如说汽车啊，汽车 还有华子啊，我们先说汽车，汽车的出租变化有哪些影响因素呢？比如说横的压对吧？横的压不稳定吗？有高有低，比如说 鸡蛋对吧？你家里面的老母鸡下的鸡蛋不可能每颗都一样的吗？并且鸡蛋的保存不可能完全没有磕碰吗？啊？又比如说水管对吧？水管使用时间长了，水管上面有水垢，能听懂吧？啊？ 再比如说哈，说离谱一点，叫做冷的水管和热的水管，就是你刚开始第一颗鸡蛋通过的时候和第五颗鸡蛋连续，对吧？去通过的时候他的温度不一样啊。 嗯，这里面都是有影响的哈，都会对出速产生影响啊，这里我直接说结论，比如说你的汽车是二百七十五的速度，变成了二百六十五的速度哈，不管你怎么变，就是有产生变化了哈，不管是 呃你的鸡蛋的问题，还是你横的压的问题，还是你水管水垢的问题啊，还是其他问题啊？在呃二百七十五的速度极限高度八点五厘米，然后 bc 值零点零三七的情况下，由于出数从二百七十五变成二百六十五了， 他的落差是多大呢？我这里直接告诉你答案，落差是三厘米啊，三厘米， 三厘米，那么由于这个波动，这个输出变化能不能办到百米硬币，这就办不到了啊，百米硬币是二点二厘米。老铁，好，我们现在来讲华子，华子，华子，比如说是一百二的速度变成了 一百一十八啊，我先告诉你答案，再来讲原因哈，他因为输出的变化，他的误差是多大呢？在垂直范围内啊，他是 九厘米，那么你会问主播哎，这个差十米每秒的速度，他才有三厘米的误差，这个只有两米每秒的误差，为什么他有九厘米的误差呢？啊？这就牵涉到第一个是百分比，第二个是出速变化，呃，第二个是出速低啊， 叫做他飞过去的时间长，飞过去的时间越长，那么他受重力加速度的影响越大，珠子向下落，他是越落越快，飞过去的时间越长，那么他后期下坠会特别严重，那么这个误差就比较大了啊，铁铁 皮筋，动力受制于这个材料的皮软啊，我说的两米每秒的降速，这个算很小的了，一个皮筋从开始打到断 算好的就最少也有四米每秒的波动啊，就是好的那种啊，就是很理想的状态。 ok， 这是关于初速的变化导致的，叫做百米 距离下的误差，这都是不能办到百米米的铁铁啊。好，我们再来，刚刚刚刚讲了硬条件哈，现在再来讲外部条件， 叫做不可抗因素啊。第二个点叫风偏啊，我先说一下风吧，风分等级，一级、两级、三级、四级、五级。这里直接只讲微风啊，微风我查了一下，它的速度是三点三米每秒，起步 三点三米到五米多好，我们直以三点三米来算啊。微风，很小的风，叫做微风，当然角度是九十度哈。横向风啊，不是顺着吹，也不是对着吹啊， 也不是向下吹，也不是向上吹，就刚好水平角度的九十度垂直方向的风速三点三米每秒。好，微风三点三米每秒， 那么有多大的影响呢？就是微风和没有风的影响哈，我们也以汽车二百七十五零点零三七的 bc， 哎，我这里讲漏了一点哈，汽车 这里是零点零三七来算的，如果把它提升到零点零八， 他们两个的，对吧？由于 b、 c 的 变化就是风阻系数的变化啊，其实那个词语叫单刀细术啊，他们有多大的误差呢？就这个风阻系数，这单刀细术啊，这个叫 ballisticconfident 的 提升， 在一百米的距离下，它的下坠，因为这个提升啊，他会少下降七厘米， 这就叫做弹道很平直。 ok， 铁铁，好，刚刚讲了一点。好，我们现在再讲回来，风偏对于，呃，百米，一百米的距离下，它的影响到底多大哈，二百七十五的速度，零点零三七的 bc 值， 四十米归零哈，以上所讲的数据全是四十米归零的前提下啊， ok， 二百七十五三点三米每秒的风速是微风，请你告诉我，它的横向偏移多大呢？偏移是二十四厘米啊，二十四厘米。铁铁， 请你告诉我，你怎么样保证百米一米？保证个西瓜呀，是吧？好，再来讲一讲，很离谱的哈，一百二十速度的华子，在一百米的距离下啊，由于受到微风的影响，微风三点三米每秒的横线，风的吹啊，他偏你多少 水平方向偏多少了哈，偏了五十四厘米 多长？这么长，铁铁， 很多了，百米硬币，你也只有拿我这个硬币去了好不好？哈哈哈哈，好不好，好好，我们讲第三个点叫手抖，手抖的话产生了什么影响呢？产生角度偏差的影响，不管你向上向左，向右向下啊，这个叫角度， 我们以最小单位，我们能讲的话，零点一度嘛，零点一度的影响在一百米的。 这个，这个，这个直径啊，叫做一百米的半径下哈，直线距离一百米，一百米的半径下零点一度的偏差，因为你是帕金森啊。那么它有多大的影响呢？它有十七厘米的偏差啊，十七厘米有多长？ 十七厘米那就是 number number， 好， 我们讲了百米米有多难，这个是 叫做，呃，可以人工决定的哈，这个是无法人工决定的啊，这是外部条件好，那么好，这就是我说的白冥币到底有多难啊？抖音上人均 年入百万，抖音上人均奔驰宝马，抖音上人均白冥币。让天天户外告诉你残忍的事实啊，这是科学，不是嘴炮铁铁，天天户外算是 很硬气的了哈，不懂的不乱讲，能讲的多数都可以负责的，当然这里面的数据我没有非常非常详细的在在验算过哈，但是大概率都是对的啊，大概率都是对的， ok， 好， 呃，最后我说一下题外话吧哈，你们想要办到百米硬币怎么样去一个思考的方向呢？啊？先把华子抛开哈，华子办不到明说华子办不到啊， ok， 好， 我们讲汽车， 汽车，你的鸡蛋相对重一点啊，那么就容易拌到了，比如说你是点二二一点四克的鸡蛋要拌到百米硬币，吹牛逼对吧？你们有没有看棍哥吹牛逼还归拢不了你了，你们啊啊， 不容易拌到，那么你把它放到点三零啊，比如放到三克四克哦，那个大鸡蛋，那么他是我说的刚刚说的什么 汽车的横的压啊，一个一点四克的和一个五克的，那么因为你横的压有百分之十的变化，那么作用到这个大鸡蛋上面，它的占比会比较小， 作用到小鸡蛋上面它的占比会比较大，意思是如果你的鸡蛋相对重一点，相对大一点，那么你的其他外部因素影响的占比就变小了， 能听懂吧？啊，你去科学的上网，你能发现的百米硬币也不是有点二二创造的啊， 都是，都是一些大的重，都是一些重的鸡蛋啊， ok， 好， 这就是我们的思考方向。 呃，未尽之言，关于评论区留言，当然，我说两个点吧。啊，这期视频不是给新手看的，这期视频是给高手看的啊，让高手知道，好吧， 门外有人， ok， 好， 再来，我在我更高级别的人看来，我也是菜鸟，但是服务我的朋友也是足够了，朋友啊，你很难看到，在抖抖音上面你很难看到这个， 对吧？啊，好，这是第一个点啊，这期视频是算是把天亮户外啊，再拉高一个 level 专业， ok， 讲第二个点啊，如果你真的看到这个时间段了，你还没有快进，没有跳过，那么恭喜你啊，在这个浮躁的社会， 这个快节奏的时代，你还有能保持静心和专注的这种品质，你会比其他人过得更好啊，你会比其他人更受人喜欢。 ok， 未尽之言，百米硬币啊，未尽之言，欢迎评论区留言，再见！
491天亮户外-科普教学
00:14查看AI文稿AI文稿别小看这些分币，一九七七年的一分，一九八二年的二分，一九八六年的五分，堪称硬币中的三大币王，你要是有其中一种可就赚大了。快看看你家里有没有评论区里秀出来。
152踏雪寻梅
