那么通过分配$P(H)$项，我们得到

我想这是对贝叶斯主义者原则上可以调整先验以支持他们想要的任何结论的批评的反驳，而贝叶斯主义者会争辩说这不是贝叶斯统计的实际工作方式。

（是的，你确实成功地狙击了我。我既不是数学家也不是物理学家，所以我不确定我值多少分。）

信不信由你，这种类型的模型确实会时不时出现在非常严肃的统计模型中，尤其是在处理数据融合时，即试图结合来自多个传感器的推理，试图对单个事件进行推理。

如果传感器出现故障，它会在尝试组合来自多个来源的信号时极大地影响推断。您可以通过包含传感器仅传输随机值的小概率来使模型对这个问题更加稳健，而与实际感兴趣的事件无关。其结果是，如果 90 个传感器弱表明为真，但 1 个传感器强烈表明为真，我们仍应得出结论$A$$B$$A$是真的（即，当我们意识到它与所有其他传感器相矛盾时，这个传感器失火的后验概率变得非常高）。如果故障分布与我们要推断的参数无关，那么如果故障的后验概率很高，则该传感器的测量值对感兴趣参数的后验分布影响很小；事实上，如果失败的后验概率为 1，则独立性。

这是一个在推理时应该考虑的通用模型，即在进行贝叶斯统计时我们应该用修正贝叶斯定理代替贝叶斯定理吗？不，原因是“正确使用贝叶斯统计”不仅仅是二进制（或者如果是，它总是错误的）。任何分析都会有一定程度的不正确假设。为了使您的结论完全独立于数据（公式暗示），您需要犯极其严重的错误。如果在任何级别“错误地使用贝叶斯统计”意味着您的分析完全独立于事实，那么使用统计数据将完全没有价值。所有的模型都是错误的，但有些是有用的。