Lo creas o no, este tipo de modelo aparece de vez en cuando en modelos estadísticos muy serios, especialmente cuando se trata de fusión de datos, es decir, tratando de combinar la inferencia de múltiples sensores que intentan hacer inferencia en un solo evento.
ABAes cierto (es decir, la probabilidad posterior de que este sensor no funcione correctamente se vuelve muy alta cuando nos damos cuenta de que contradice a todos los demás sensores). Si la distribución de fallas es independiente del parámetro en el que queremos hacer inferencia, entonces si la probabilidad posterior de que sea una falla es alta, las medidas de ese sensor tienen muy poco efecto en la distribución posterior del parámetro de interés; de hecho, independencia si la probabilidad posterior de falla es 1.
¿Es este un modelo general que debería considerarse cuando se trata de inferencia, es decir, deberíamos reemplazar el teorema de Bayes con el teorema de Bayes modificado al hacer estadísticas bayesianas? No. La razón es que "usar las estadísticas bayesianas correctamente" no es realmente solo binario (o si lo es, siempre es falso). Cualquier análisis tendrá grados de suposiciones incorrectas. Para que sus conclusiones sean completamente independientes de los datos (lo que está implícito en la fórmula), debe cometer errores extremadamente graves. Si "usar las estadísticas bayesianas incorrectamente" en cualquier nivel significara que su análisis era completamente independiente de la verdad, el uso de las estadísticas no tendría ningún valor. Todos los modelos están equivocados, pero algunos son útiles y todo eso.