Знание может быть как истинным (правильным), так и ложным. Например, в сознание судьи в уголовном суде могут поступать два показания разных свидетелей, которые логически не совместимы (то есть их конъюнкция заведомо ложна). Значит, одно из них – «ложное». И судья должен решать, чему верить при вынесении приговора. Но он «знает» оба показания, как входящую информацию для работы его сознания.
Знание, в частности, может пониматься как условие при определении условных (байесовских) вероятностей прогнозируемых результатов. При отсутствии знания в наших моделях будет одно распределение вероятностей прогнозируемых результатов, а при его наличии совсем другое.
Например, при бросании монеты возможными результатами одного бросания будут «орёл», либо «решка». Если у нас НЕТ знания о данной монете, то мы можем естественно, по прошлому опыту, предположить, что вероятности этих двух результатов равны по 1/2. Но если у нас есть знание о том, что данная монета специально сделана как шулерская, и у неё «орёл» с обеих сторон (мы это видели), то тогда вероятность результата «орёл» равна 1, а результата «решка» ноль. Аналогично, если мы знаем, что за последние 1000 бросаний данной монеты «орёл» выпал только 1 раз, а «решка» 999, то мы можем естественно предположить, что вероятности этих двух результатов НЕ одинаковы, и эта монета, видимо, «кривая», и вероятность решки существенно больше, чем орла, например, 999 к 1. Тогда мы можем предположить, что при следующем 1001-м бросании монеты более вероятно выпадет решка.
Дальнейшие бросания могут подтвердить, такую гипотезу, если и в следующей серии из 1000 бросаний решка выпадет примерно 999 раз, либо опровергнуть (точнее не подтвердить) её, если она выпадет менее 500 раз, например, 30 раз.
Возможно, что после таких 2-х серий бросаний монеты по 1000 раз, мы продолжим исследования и изменим свою модель, включим в неё не только саму монету и её свойства, но и свойства, бросающего монету, или что-то ещё.
Само наше «знание» может быть не однозначным, а альтернативным. На этом основан популярный при системном подходе «метод сценариев» Например, если завтра в рассматриваемой системе произойдёт событие А, то через год мы будем ожидать в ней последствий с распределением вероятностей р (А), а если В, то р (В). И этот «сценарий» будет нашей моделью.