Oprócz dobrych odpowiedzi, które już widzisz, jeszcze kilka punktów.
Używasz wyrażenia „hipoteza zerowa”, które jest powszechnie używane w częstych statystykach. W statystykach częstych hipoteza zerowa jest ustalonym faktem niepodlegającym prawdopodobieństwu, więc stwierdzenie czegoś takiego jak „hipoteza zerowa jest błędna przy 95% szansie” jest bez znaczenia.
Bayesowcy definiują prawdopodobieństwo w kategoriach naszej wiedzy o czymś i dlatego mogą mówić o prawdopodobieństwie prawdziwości hipotezy zerowej, ale większość badaczy Bayesa nie lubi używać wyrażenia „hipoteza zerowa”. Ale jeśli pomieszamy 2 i mówimy o prawdopodobieństwie bayesowskim, że hipoteza zerowa jest prawdziwa, wówczas potrzebujemy również wcześniejszego rozkładu, a prawdopodobieństwo późniejsze będzie zależeć od tego wcześniejszego wraz z danymi.
Rozważmy wartość zerową hipoteza, że moneta jest dwugłowicowa (prawdoprawność orłów wynosi 1) oraz zaobserwowane dane z 1 rzutu monety, która wypadła orzeł. W statystykach częstych skutkowałoby to wartością p równą 1 (lub 100%), co oznacza, że obserwowane dane są zgodne z hipotezą zerową. Nie oznacza to, że istnieje 100% szansa, że moneta ma 2 reszty. W rzeczywistości dane, które mamy, są zgodne z wartością zerową uczciwej monety (p = 0,5), a także innymi możliwościami. Jeśli zrobimy to tylko raz, wtedy moneta jest albo dwugłowa, albo nie, nie ma prawdopodobieństwa, że regauracja dotyczy samej monety.