모형 모수에 대한 추론을 구성하는 사후 확률을 계산하기 위해 Bayes '정리를 사용하면 약한 가능성 원칙이 자동으로 준수됩니다.
p o s t e r i o r ∝ p r i o r × l i k e l i h o o d
그럼에도 불구하고, 일부 객관적인 베이지안 접근법에서 표본 추출 계획은 사전의 선택을 결정하는데, 정보 가 없는 사전은 사전과 사후 분포 사이의 차이를 최대화해야 한다는 동기가있다 . 따라서 그들은 강력한 가능성 원칙을 위반합니다.
예를 들어, Jeffreys 이전의 샘플 공간에 대한 예상 인 Fisher 정보 결정 요인의 제곱근에 비례합니다. 확률 모수에 대한 유추를 고려하십시오π이항 및 음성 이항 샘플링에서 베르누이 시험의. 제프리의 이전
홍보N B(π)홍보B 나는 N(π)∝ π− 1( 1 − π)−12∝ π−12( 1 − π)−12
& 컨디셔닝 엑스 ~에서 성공 엔 시련은 후 분포로 이어진다
홍보N B( π∣ x , n ) ~ B e t a ( x , n − x + 12)홍보B 나는 N( π∣ x , n ) ~ B e t a ( x + 12, n − x + 12)
따라서 10 번의 시행에서 1 번의 성공은 두 가지 표본 추출 계획 하에서 상당히 다른 사후 분포로 이어질 것이라고 말합니다.
유익하지 않은 우선 순위를 도출하기위한 이러한 규칙을 따르는 경우 때때로 부적절한 우선 순위를 가지게 될 수 있지만, 그 자체가 관행에 수반되는 가능성 원칙을 위반하는 근본이 아닙니다. 제프리스에 대한 근사치π− 1 + c( 1 − π)- (1) / 2, 어디 0 < c ≪ 1, 매우 적절하며, 사후에 무시할만한 차이를 만듭니다.
약한 가능성 원칙과는 반대로 모델 확인 또는 확인 결과로 수행하는 작업을 고려할 수도 있습니다. 데이터의 보조 부분을 사용하는 중요한 사례.