อะไรคือสิ่งที่มีความน่าจะเป็นหนึ่งในล้าน? (2010)
(stat.berkeley.edu)- ตรวจสอบว่าคำพูดติดปากอย่าง “โอกาสหนึ่งในล้าน” ใช้ได้จริงแค่ไหน โดยแยกพิจารณาเหตุการณ์ที่คำนวณได้ เช่น การโยนเหรียญ ลอตเตอรี แผ่นดินไหว การเลือกตั้ง และความเสี่ยงส่วนบุคคล
- ความน่าจะเป็นขึ้นอยู่กับ ตัวส่วนและหน่วยเวลา มากกว่าสัญชาตญาณอย่างมาก และแม้จะเป็นเหตุการณ์เดียวกัน การตัดสินก็เปลี่ยนได้ตามว่าอิงจาก “ใคร” “เมื่อไร” และ “นานแค่ไหน”
- การโยนเหรียญ 20 ครั้งแล้วออกก้อยทั้งหมด, ซื้อ California Powerball สัปดาห์ละ 6 ใบเป็นเวลา 1 ปีแล้วถูกรางวัล, เกิดแผ่นดินไหวใหญ่ที่ Hayward fault ภายใน 50 นาที, หรือในทารกแรกเกิด 24 ล้านคนถัดไปในสหรัฐจะมีคนหนึ่งได้เป็นประธานาธิบดี ล้วนเป็นตัวอย่างที่ใกล้เคียงกับ หนึ่งในล้าน
- ความเสี่ยงส่วนบุคคลต้องดูทั้งจำนวนผู้เข้าร่วมกิจกรรมและระยะเวลาที่สัมผัสความเสี่ยงร่วมกัน โดยการเสียชีวิตระหว่างไปสกีรีสอร์ต 1 วันใกล้เคียง 1 micromort แต่การเสียชีวิตจากการกระโดดร่ม 1 ครั้งอยู่ที่ราว 10 micromorts จึงอยู่นอกช่วงนี้
- ความน่าจะเป็นเฉลี่ยของประชากรใช้กับบุคคลเฉพาะคนตรง ๆ ได้ยาก และกรณีอย่างการเสียชีวิตจากฟ้าผ่า การถูกฆาตกรรม หรือมะเร็งเต้านมในผู้ชาย ซึ่งแตกต่างกันมากตาม พฤติกรรม สภาพแวดล้อม และประวัติครอบครัว ก็ไม่เหมาะจะเปรียบเทียบแบบง่าย ๆ
ตรวจสอบ “หนึ่งในล้าน” กับเหตุการณ์จริง
- ในชั้นเรียน ผู้สอนจะถามนักศึกษาว่าเมื่อได้ยินคำว่า “1 in a million chance” ในบทสนทนาทั่วไป พวกเขานึกถึงอะไร ตั้งแต่ตัวอย่างคลาสสิกอย่างถูกลอตเตอรีหรือโดนฟ้าผ่า ไปจนถึงตัวอย่างที่ใช้จินตนาการมากกว่านั้น
- วิธีที่พอเป็นจริงในการดูว่าคำนี้ถูกใช้ในชีวิตประจำวันอย่างไร ก็คงประมาณการค้นหาในบล็อก
- จากนั้นจึงพิจารณาว่าเหตุการณ์ที่นักศึกษาเสนอมาใกล้เคียงหนึ่งในล้านจริงหรือไม่ และสามารถทำให้เป็นปริมาณเชิงตัวเลขได้ภายในช่วงคลาดเคลื่อนราว 2 เท่าหรือไม่
กรณีเกมและการสุ่มตัวอย่างที่คำนวณได้ค่อนข้างชัดเจน
- เกมเสี่ยงโชคหรือการสุ่มตัวอย่างมีสมมติฐานชัด จึงคำนวณได้ตรงไปตรงมา
- ฉันโยนเหรียญ 20 ครั้งแล้วออกก้อยทั้งหมด คือ YES
- ซื้อลอตเตอรี California State Powerball สัปดาห์ละ 6 ใบตลอด 1 ปี แล้วถูกรางวัลในเกมปัจจุบัน คือ YES
- ระบุคนดัง 6 คนไว้ แล้วกดลิงก์ Wikipedia “random article” จากนั้นได้หนึ่งใน 6 คนนั้น คือ YES
- อย่างไรก็ตาม ถ้าคนที่โยนเหรียญไม่ใช่ “ฉัน” แต่เป็น “คุณ” ตัวอย่างแรกจะกลายเป็น NO เว้นแต่จะมั่นใจมากจริง ๆ ว่าคุณไม่มีความสามารถในการโกง
เงื่อนไขเรื่องเวลาและสถานที่ที่เปลี่ยนความน่าจะเป็นของแผ่นดินไหวและการเลือกตั้ง
- การเกิดแผ่นดินไหวใหญ่ขนาดเกิน 6.7 ที่ Hayward fault ใกล้ห้องเรียนใน Berkeley ภายใน 50 นาทีข้างหน้า คือ YES
- การประเมินในปี 2007 ให้โอกาสแผ่นดินไหวใหญ่ของ Hayward fault ไว้ที่ประมาณ 1% ต่อปี
- ห้องเรียนอยู่ห่างจากแนวรอยเลื่อนเพียงไม่กี่ร้อยหลา และคาบเรียนมักยาว 50 นาที จึงคำนวณออกมาได้พอดี
- การเกิดแผ่นดินไหวทำลายล้างที่ Cascadia subduction zone ใกล้ Seattle ภายใน 5 ชั่วโมงข้างหน้า ก็เป็น YES
- การลงคะแนนชี้ขาดผลเลือกตั้งทั้งรัฐ California ที่สูสีกันตามผลสำรวจ คือ YES
- ความน่าจะเป็นคำนวณได้คร่าว ๆ เป็น 13/N โดย N คือจำนวนคะแนนเสียง
- ในการเลือกตั้งประธานาธิบดีปี 2016 ของ California มีคะแนนเสียงราว 14 ล้านคะแนน
ทารกแรกเกิดที่จะได้เป็นประธานาธิบดี และกับดักของความสัมพันธ์เชิงสหสัมพันธ์
- ใน 24 ล้านคน ถัดไปที่เกิดในสหรัฐ จะมีคนหนึ่งได้เป็นประธานาธิบดี คือ YES
- ปัจจุบันอัตราการเกิดในสหรัฐอยู่ที่ราว 4 ล้านคนต่อปี
- หากสมมติว่าประธานาธิบดีหนึ่งคนดำรงตำแหน่งเฉลี่ยประมาณ 6 ปี ก็เท่ากับว่าในเด็กที่เกิดตลอด 6 ปีราว 24 ล้านคน จะมีคนหนึ่งได้เป็นประธานาธิบดีในอนาคต
- แต่การชี้ไปที่เด็กอนุบาลห้องหนึ่ง 24 คนแล้วบอกว่าในนั้นจะมีคนหนึ่งได้เป็นประธานาธิบดีด้วยโอกาสหนึ่งในล้านนั้นไม่ถูกต้อง
- เพราะมีปัจจัยที่สัมพันธ์กันอยู่ เช่น สถานะทางเศรษฐกิจและสังคม ของชุมชน
ความเสี่ยงส่วนบุคคล: จำนวนผู้เข้าร่วมและเวลาที่สัมผัสความเสี่ยงคือหัวใจสำคัญ
- คำถามอย่างการเสียชีวิตจากเครื่องบินตก การถูกโจรสลัดลักพาตัว การจมน้ำเพราะกระแสน้ำย้อนกลับ หรือการเสียชีวิตจากอุบัติเหตุรถยนต์ใน Latin America ไม่สามารถให้คำตอบง่าย ๆ ได้
- หากจะดูความเสี่ยงของกิจกรรมที่สมัครใจทำ ต้องรู้ไม่ใช่แค่จำนวนผู้เสียชีวิต แต่รวมถึง จำนวนคนที่ทำกิจกรรมนั้น และเวลาที่ใช้กับกิจกรรมนั้นด้วย
- ตัวอย่างสกีและสโนว์บอร์ดแสดงให้เห็นรูปแบบข้อมูลที่มีความหมาย
- ในสหรัฐ มีผู้เสียชีวิตจากการเล่นสกีหรือสโนว์บอร์ดเฉลี่ยประมาณ 0.7 คนต่อการไปใช้บริการสกีรีสอร์ตอย่างเป็นทางการ 1 ล้านครั้ง
- ดังนั้น การเสียชีวิตจากอุบัติเหตุสกีหรือสโนว์บอร์ดระหว่างการไปสกีรีสอร์ตอย่างเป็นทางการ 1 วัน คือ YES
- การตัดสินแบบนี้อิงกับ ค่าเฉลี่ยของประชากร จากข้อมูลในอดีต หรือพูดอีกอย่างคือใกล้เคียงกับความน่าจะเป็นเชิงสถิติ
Micromort และความต่างของความเสี่ยงในแต่ละบุคคล
- micromort เป็นหน่วยที่ใช้เมื่อความน่าจะเป็นของการเสียชีวิตจากกิจกรรมหนึ่ง ๆ เท่ากับหนึ่งในล้าน
- การเสียชีวิตระหว่างกระโดดร่ม คือ NO
- เพราะใกล้เคียงกับ 10 micromorts ซึ่งมากกว่าหนึ่งในล้าน
- การจะนำค่าเฉลี่ยของประชากรมาใช้กับบุคคลใดบุคคลหนึ่งได้หรือไม่ ต้องดูเงื่อนไขตามสามัญสำนึกร่วมด้วย
- ยิ่งความแปรปรวนระหว่างบุคคลมาก ความเกี่ยวข้องของค่าเฉลี่ยประชากรก็ยิ่งต่ำ
- ในสหรัฐ หากถามว่า “คุณ” จะถูกฆาตกรรมภายใน 8 วันข้างหน้าหรือไม่ คำตอบคือ NO
- เพราะสมมติได้ว่าคุณไม่ได้ทำกิจกรรมที่เพิ่มความเสี่ยงต่อการถูกฆาตกรรมค่อนข้างมาก
- การเสียชีวิตระหว่างขับรถ 200 ไมล์ใน California คือ YES
- อัตราการเสียชีวิตของ California อยู่ที่ประมาณ 1 คนต่อการขับรถรวม 105 ล้านไมล์
- มีการปรับตัวเลขโดยคำนึงถึงจำนวนผู้โดยสารร่วมรถและการเป็นคนขับที่ดีกว่าค่าเฉลี่ย
ฟ้าผ่าและมะเร็งเต้านมในผู้ชายกับข้อจำกัดของสัญชาตญาณ
- การถูกฟ้าผ่า คือ NO
- ตัวข้อมูลของ “การถูกฟ้าผ่า” เองมีไม่มากพอจะเชื่อถือได้
- หากไม่ได้รับการรักษาพยาบาลก็อาจไม่เข้าสู่สถิติทางการ และอาจแยกได้ยากว่าฟ้าผ่าต้นไม้หรือผ่าคนกันแน่
- ข้อมูลการเสียชีวิตจากฟ้าผ่าในสหรัฐค่อนข้างดี แต่ค่าเฉลี่ยในช่วงไม่กี่ปีล่าสุดอยู่ที่ราว 30 คนต่อปี
- หากคิดเป็นค่าเฉลี่ยประชากร ความน่าจะเป็นที่จะเสียชีวิตต่อปีอยู่ที่ราว 1 ใน 10 ล้าน
- ถ้าตลอดชีวิตจะอยู่ที่ราว 1 ใน 150,000
- ความเสี่ยงจากฟ้าผ่าแตกต่างกันมากตามพฤติกรรมของแต่ละคน
- คนที่ไม่ออกไปข้างนอกตอนมีพายุฝนฟ้าคะนองย่อมเสี่ยงต่ำกว่า
- ผู้เสียชีวิตมีสัดส่วนเป็นชายหนุ่มมากผิดปกติ
- ไม่มีวิธีประเมินความน่าจะเป็นเฉพาะบุคคลให้อยู่ในกรอบคลาดเคลื่อน 2 เท่าได้
- ผู้ชายอายุน้อยที่จะเป็นมะเร็งเต้านมตลอดช่วงชีวิต คือ NO
- มะเร็งเต้านมในผู้ชายพบไม่บ่อย แต่ก็ไม่ได้หายากอย่างที่นักศึกษาคิด
- อัตราการเกิดตลอดชีวิตอยู่ที่ประมาณ 1 ใน 1,000 และการเสียชีวิตอยู่ที่ประมาณ 1 ใน 5,000
- ความเป็นไปได้ของแต่ละคนต่างกันตามประวัติครอบครัว แต่ก็ยังมากกว่าหนึ่งในล้านมาก
สำหรับผลของโรคและพฤติกรรม การใช้ microlife เหมาะกว่า
- ผลของโรค การสูบบุหรี่ หรือโรคอ้วน เหมาะจะมองผ่าน microlife มากกว่าความน่าจะเป็นการเสียชีวิตเพียงค่าเดียว
- microlife เท่ากับการเปลี่ยนแปลงของอายุขัยคาดหมาย 30 นาที
- เวลา 30 นาทีคิดเป็นสัดส่วนราวหนึ่งในล้านของช่วงชีวิตผู้ใหญ่
2 ความคิดเห็น
ความคิดเห็นจาก Hacker News
“นักวิทยาศาสตร์คำนวณว่าโอกาสที่เรื่องเหลวไหลอย่างเห็นได้ชัดแบบนี้จะมีอยู่จริงคือหนึ่งในล้าน
แต่เหล่าพ่อมดคำนวณว่าโอกาสหนึ่งในล้านนั้นเกิดขึ้นเก้าครั้งในสิบครั้ง” — Terry Pratchett
เป็นสำนวนที่ล้อว่าในนิยาย ถ้ามีใครพูดว่า “โอกาสหนึ่งในล้าน แต่บางทีมันอาจสำเร็จก็ได้!” สุดท้ายก็จะสำเร็จ
ใน Guards! Guards! มีการคำนวณว่าการยิงลูกศรให้โดนจุดอ่อนของมังกรอย่างเดียวยังไม่พอ ต้องเพิ่มเงื่อนไขไร้สาระสารพัดเพื่อทำให้ความน่าจะเป็นเป็นหนึ่งในล้านพอดี
เพราะอย่างที่เห็นในบทความ การทำให้ได้หนึ่งในล้านพอดีนั้นยากในตัวมันเอง
แต่พ่อค้าชีสดีๆ คงไม่หั่นชีสแล้วเอาชั้นต่างๆ มาสลับเรียงใหม่ ดังนั้นวิธีคิดนี้ดูเหมือนจะมีข้อบกพร่อง
เพราะฉะนั้นโอกาสหนึ่งในล้านจึงเกิดขึ้นเสมอ https://www.aviationfile.com/swiss-cheese-model/
นึกถึง https://markxu.com/strong-evidence
“ครั้งหนึ่งมีคนถามชื่อผม ผมตอบว่า ‘Mark Xu’ หลังจากนั้นคนคนนั้นก็คงเชื่อว่าชื่อผมคือ ‘Mark Xu’ บางทีเขาอาจยอมรับเดิมพันที่มี อัตราต่อรอง 20:1 ด้วยซ้ำว่าในใบขับขี่ของผมเขียนว่า ‘Mark Xu’
ความน่าจะเป็นก่อนหน้าที่ใครสักคนจะมีชื่อว่า ‘Mark Xu’ ต่อให้ประเมินแบบใจกว้างก็อยู่ที่ 1:1,000,000 หากอัตราต่อรองภายหลังคือ 20:1 อัตราส่วนความเป็นไปได้ของการที่ผมพูดว่า ‘Mark Xu’ ก็จะเป็น 20,000,000:1 หรือประมาณ หลักฐาน 24 บิต นับว่าเป็นปริมาณหลักฐานที่ค่อนข้างมาก”
“ข้อกล่าวอ้างที่ไม่ธรรมดาต้องการหลักฐานที่ไม่ธรรมดา แต่หลักฐานที่ไม่ธรรมดาอาจพบได้บ่อยกว่าที่คิด”
ในเมื่อบอกชื่อไปแล้ว ทำไมถึงเสนอเดิมพันไร้สาระแบบนั้น เว้นแต่จะมีข้อมูลพิเศษบางอย่างเกี่ยวกับชื่อก็ดูแปลก
แน่นอน ถ้าคิดรวมความเป็นไปได้ว่าเป็นช่องแกล้งกันบน YouTube ก็อาจมีสถานการณ์ที่เขาให้โอกาสชนะจริงๆ เพื่อเรียกปฏิกิริยาได้
Mark เป็นชื่อที่พบได้ทั่วไปมาก และ Xu เป็นนามสกุลจีนที่มีคนใช้มากกว่าสิบล้านคนตาม Wikipedia
การมีคนที่ใช้ชื่อผสมกันแบบนี้ไม่ได้ไม่ธรรมดาเลย
ทำไมไม่เอา 0.95 คูณกับหนึ่งล้าน? ถ้าใช้ตรรกะเดียวกัน ผมก็คงยอมรับอัตราต่อรองอนันต์ว่าชื่อผู้ใช้ของผมคือ quickthrower2 แล้วปริมาณข้อมูลก็จะเป็นอนันต์หรือเปล่า?
เช่น สมมติว่า Mark พูดว่า “ผมคิดตัวเลขตั้งแต่ 1 ถึง 1 พันล้านแล้วเขียนไว้ และตัวเลขที่ผมเขียนคือ 6,822,172”
ถ้าผมตอบว่า “เข้าใจแล้ว” แล้ว Mark พูดว่า “อ้อ เชื่อเหรอ? งั้นมาเดิมพันกัน ถ้าผมเขียน 6,822,172 คุณชนะ แต่ถ้าผมเขียนเลขอื่นตั้งแต่ 1 ถึง 1 พันล้าน ผมชนะ” ผมจะรับเดิมพันไหม? ก็คงน่าสงสัย
และ Mark ก็พูดไม่ได้ว่า “Recursing คาดการณ์ว่าเขาจะยอมรับเดิมพันนั้นอย่างเต็มใจ เพราะทำไมถึงจะไม่เชื่อผมล่ะ ดังนั้นการที่เขารับเดิมพันจึงเป็นหลักฐานที่แข็งแรงมากว่าผมเขียน 6,822,172 จริงๆ”
ใช้ การทำนายพฤติกรรมของคนอื่น เป็นหลักฐานไม่ได้
แต่ ‘X’ มีปริมาณข้อมูลค่อนข้างสูง
ต่อไปนี้เป็นกิจกรรมที่ล้วนมีความน่าจะเป็นในการเสียชีวิตประมาณ หนึ่งในล้าน หรือ 1 ไมโครมอร์ต
เดินทางด้วยมอเตอร์ไซค์ 6 ไมล์ (9.7 กม.), เดินเท้า 17 ไมล์ (27 กม.), ปั่นจักรยาน 20 ไมล์ (32 กม.), ขับรถยนต์ 230 ไมล์ (370 กม.), เดินทางด้วยเครื่องบินเจ็ต 1,000 ไมล์ (1,600 กม.), เดินทางด้วยรถไฟ 6,000 ไมล์ (9,656 กม.)
ถึงอย่างนั้น หากเปลี่ยนจากรถยนต์เป็นจักรยานสำหรับการเดินทางระยะสั้น อายุคาดเฉลี่ยจะเพิ่มขึ้นเพราะผลดีต่อสุขภาพ
ที่มา: https://en.wikipedia.org/wiki/Micromort https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2920084/
ในบทความถือว่าความน่าจะเป็นในการเสียชีวิตจากการขับรถ 200 ไมล์ใน California คือหนึ่งในล้าน ดังนั้นถ้าลองนำตัวเลขนี้ไปใช้คร่าว ๆ กับทั้งประเทศ ความน่าจะเป็นในการเสียชีวิตจากการขับรถ Chicago-LA จะเป็น 1 ใน 100,000
ถ้าไป-กลับก็สองครั้ง หมายความว่า 1 ใน 50,000 คน จะเสียชีวิตในการเดินทางทางถนนไป-กลับ Chicago-LA ซึ่งฟังดูน่ากลัวทีเดียว
ในสหรัฐฯ โดยเฉลี่ยมีผู้เสียชีวิตจากการจราจรทางรถยนต์มากกว่า 100 คนต่อวัน
การคำนวณนี้นับเฉพาะการเสียชีวิตเท่านั้น ไม่รวมการบาดเจ็บสาหัส ความพิการถาวร กระดูกสันหลังหัก การตัดแขนขา ตาบอด หรือแผลไหม้ระดับสามทั่วร่างกาย
ด้วยการแพทย์สมัยใหม่ ความเสียหายแบบนั้นอาจพบได้บ่อยกว่าการเสียชีวิต
รถยนต์อันตรายมาก แต่เรากำลังประเมินสิ่งที่การขับรถหมายถึงต่ำเกินไป
ถ้าอยู่ข้างถนนสายหลักที่เน้นรถยนต์ ก็เสี่ยงตาย แต่ถ้าเป็นถนนชนบทที่มีจักรยานมากกว่ารถยนต์ ก็ปลอดภัยกว่ามาก
แม้แต่เรื่องที่อาจเกิดกับคนคนหนึ่งได้สักครั้งในล้านปี อย่าง “เรื่องที่จะไม่เกิดขึ้นแม้ผ่านไปล้านปี” เมื่อมองจากประชากรทั้งโลก ก็เกิดขึ้นมากกว่า 8,000 ครั้งต่อปี
และในจำนวนนั้นมีคนจำนวนมากที่มีสมาร์ทโฟนพร้อมกล้อง ดังนั้นจึงมี วิดีโอจริงของ quick brown fox กระโดดข้าม lazy dog อยู่ด้วย
แต่ของโปรดของฉันยังไม่มีอะไรโค่นอันนี้ได้: https://www.thewestmorlandgazette.co.uk/news/6922546.bull-br...
“มีคลื่นซัดครับ”
“คลื่นซัดงั้นเหรอ?”
“คลื่นซัดเรือครับ”
“นั่นเป็นเรื่องแปลกหรือ?”
“โอ้ ในทะเลน่ะเหรอ? โอกาสหนึ่งในล้าน เลยครับ!”
https://www.youtube.com/watch?v=3m5qxZm_JqM
ชอบ Becker Bottle มากจริง ๆ
มันช่วยให้มองเห็นแนวคิดนี้ได้จริง เล่นด้วยก็สนุกมาก และยังเป็นสื่อการเรียนรู้ที่ยอดเยี่ยมสำหรับคาบเคมีด้วย
https://www.flinnsci.com/becker-bottle-one-in-a-million/ap45...
ถ้ารู้ว่าใน EU มีการใช้ ค่าสัมประสิทธิ์ความปลอดภัยทางวิศวกรรมโครงสร้าง กับบ้าน สำนักงาน และอาคารทั่วไปอย่างไร ก็น่าสนใจไม่น้อย
Eurocode กำหนดชั้นผลกระทบไว้สามระดับคือ CC1, CC2, CC3
CC1 เป็นระดับที่มีผลกระทบต่ำที่สุด ใช้กับบ้านทั่วไป อุตสาหกรรมเบา และเกษตรกรรม โดยถือว่าความน่าจะเป็นที่จะมีผู้เสียชีวิตจากการพังทลายของโครงสร้างต่ำ คือ 0.001
อาคาร CC2 (อพาร์ตเมนต์ สำนักงาน โรงแรม ฯลฯ) อยู่ระดับกลางที่ 0.03 ส่วน CC3 คืออาคารพิเศษอย่างสนามกีฬาขนาดใหญ่ และกำหนดว่าเมื่อโครงสร้างพังทลายจะมีความเสี่ยงต่อการเสียชีวิตสูงที่ 0.3
ปัจจัยอื่น ๆ เช่น การพิจารณาทางเศรษฐกิจและสังคม ก็ถูกนำมาใช้ในการกำหนดชั้นผลกระทบด้วย
ชั้นผลกระทบจะเชื่อมโยงกับความน่าจะเป็นที่ถือว่ายอมรับได้ว่าอาคารอาจพังทลายในปีใดปีหนึ่ง โดยสาเหตุอาจเป็นอะไรก็ได้ เช่น สภาพอากาศสุดขั้ว
CC1 คือ 1 ใน 100, CC2 คือ 1 ใน 10,000, CC3 คือ 1 ใน 100,000
ดังนั้นหากดูเฉพาะสถิติของมาตรฐานความปลอดภัยโครงสร้าง ความน่าจะเป็นที่มีผู้เสียชีวิตอย่างน้อยหนึ่งคนจากการพังทลายของโครงสร้างในสนามกีฬาระหว่างพายุรุนแรง อาจอยู่ที่ 1 ใน 300,000 ต่อปี
สถิตินี้ถูกแมปเข้ากับค่ามาตรฐานง่าย ๆ และค่าสัมประสิทธิ์ความปลอดภัยที่ใช้ง่าย เช่น ลม หิมะ ฝน และน้ำหนักบรรทุกจากการใช้งาน และตัวอย่างเช่น CC2 จะใช้ ค่าสัมประสิทธิ์ความปลอดภัย 1.5 สำหรับน้ำหนักบรรทุกแปรผันทั้งหมด
ตลกดีที่มันแสดงอยู่แทบจะติดกับโพสต์ด้านล่าง
บางทีสองอันนี้อาจเป็นคำตอบให้กันและกันก็ได้
“Q: อะไรคือสิ่งที่มีโอกาสหนึ่งในล้าน?”
“A: https://news.ycombinator.com/item?id=38907620”
นึกถึงตอนที่เคยดูแลบริการที่มีทราฟฟิกมหาศาล
สิ่งที่น่าสนใจคือ เมื่อทราฟฟิกถึงระดับนั้น edge case จะเกิดขึ้นบ่อยแค่ไหน
เรื่องที่ทำซ้ำในเครื่อง local ได้ยากจริง ๆ พอดู log แล้วกลับเกิดขึ้นสัปดาห์ละ 100 ครั้ง
อันนี้เจ๋งจริง ๆ
ให้เราเลือก ลำดับสุ่ม ของ 1 กับ 0 เอง แล้วแสดงให้เห็นว่ามันไม่สุ่มแค่ไหน
https://calmcode.io/blog/inverse-turing-test.html
10 ไม่ผ่าน ส่วน 110 ผ่าน
สงสัยว่าฉันคงสุ่มพอแล้ว?
สมมติอย่างใจกว้างมากว่าโอกาสที่ใครสักคนจะมีชื่อว่า 'มาร์ก ชวี' คือ 1:1,000,000
อัตราส่วนความน่าจะเป็นที่ฉันพูดว่า 'มาร์ก ชวี' อยู่ที่ 20,000,000:1 ซึ่งเท่ากับหลักฐานราว 24 บิต
แม้ข้ออ้างที่ไม่ธรรมดาจะต้องการหลักฐานที่ไม่ธรรมดา แต่หลักฐานที่ไม่ธรรมดาก็อาจพบได้บ่อยกว่าที่คิด
มีใครช่วยอธิบายได้ไหมว่านี่หมายความว่าอะไร? ผมไม่ค่อยฉลาดเลยเลยไม่เข้าใจครับ ฮือๆ