ในการใช้ทฤษฎีบทของเบย์ในการคำนวณความน่าจะเป็นด้านหลังซึ่งเป็นการอนุมานเกี่ยวกับพารามิเตอร์ของแบบจำลองหลักการความน่าจะเป็นที่อ่อนแอจะถูกยึดติดโดยอัตโนมัติดังนี้
p o s t e r i o r ∝ p r i o r × l ik e l ฉันh o o d d
อย่างไรก็ตามในบางวัตถุประสงค์เบย์เข้าใกล้แผนการสุ่มตัวอย่างกำหนดตัวเลือกก่อนหน้าแรงจูงใจที่ไม่เป็นมาก่อนควรเพิ่มความแตกต่างระหว่างการแจกแจงก่อนหน้าและหลังการเพิ่มข้อมูลให้มีอิทธิพลมากที่สุด ดังนั้นพวกเขาจึงละเมิดหลักการความน่าจะเป็นที่แข็งแกร่ง
ตัวอย่างเช่นนักบวช Jeffreys เป็นสัดส่วนกับสแควร์รูทของดีเทอร์มิแนนต์ของข้อมูลฟิชเชอร์ซึ่งเป็นความคาดหวังเหนือพื้นที่ตัวอย่าง พิจารณาการอนุมานเกี่ยวกับพารามิเตอร์ความน่าจะเป็นของการทดลอง Bernoulli ภายใต้การสุ่มตัวอย่างแบบทวินามและลบแบบทวินาม นักบวช Jeffreys คือπ
ราคาไม่มีข( π)ราคาB ฉันn( π)∝ π- 1( 1 - π)- 12∝ π- 12( 1 - π)- 12
xn
ราคาไม่มีข( π∣ x , n ) ∼ B e t a ( x , n - x + 12)ราคาB ฉันn( π∣ x , n ) ∼ B e t a ( x + 12, n - x + 12)
ดังนั้นการสังเกตว่า 1 ความสำเร็จจากการทดลอง 10 ครั้งจะนำไปสู่การแจกแจงหลังที่แตกต่างกันมากภายใต้แผนการสุ่มตัวอย่างสองแบบ:
แม้ว่าการทำตามกฎดังกล่าวเพื่อให้ได้นักบวชที่ไม่ชำนาญสามารถทำให้คุณเป็นนักบวชที่ไม่เหมาะสมได้ แต่ในตัวมันเองไม่ได้เป็นรากเหง้าของการละเมิดหลักการความน่าจะเป็นที่ได้รับจากการฝึกฝน การประมาณให้กับ Jeffreys ก่อนπ- 1 + c( 1 - π)- 1 / 2ที่ไหน 0 < ค« 1ค่อนข้างเหมาะสมและสร้างความแตกต่างเล็กน้อยให้กับผู้อยู่ด้านหลัง
คุณอาจพิจารณาการตรวจสอบรูปแบบ - หรือทำสิ่งใดก็ตามอันเป็นผลมาจากการตรวจสอบของคุณ - ตรงกันข้ามกับหลักการความน่าจะเป็นที่อ่อนแอ กรณีที่ชัดแจ้งในการใช้ส่วนเสริมของข้อมูล