W swojej książce „All of Statistics” prof. Larry Wasserman przedstawia następujący przykład (11.10, strona 188). Załóżmy, że mamy gęstość taką, że , gdzie jest znaną (nieujemną, całkowitą) funkcją, a stała normalizacyjna jest nieznana .g c > 0
Interesują nas te przypadki, w których nie możemy obliczyć . Na przykład może się zdarzyć, że jest pdf w bardzo wielowymiarowej przestrzeni próbki.
Powszechnie wiadomo, że istnieją techniki symulacji, które pozwalają nam pobierać próbki , mimo że jest nieznane. Zatem zagadka brzmi: jak możemy oszacować podstawie takiej próbki?
Prof Wasserman opisuje następujące rozwiązanie Bayesa niech być nieco przed dla . Prawdopodobieństwo to Dlatego tylna nie zależy od wartości próbek . Dlatego Bayesjanin nie może wykorzystywać informacji zawartych w próbce do wyciągania wniosków na temat .π ( c ∣ x ) ∝ c n π ( c ) x 1 , … , x n c
Prof. Wasserman zwraca uwagę, że „Bayesianie są niewolnikami funkcji prawdopodobieństwa. Kiedy prawdopodobieństwo pójdzie nie tak, podobnie będzie z wnioskowaniem Bayesa”.
Moje pytanie dla innych osób układających w stosy brzmi: jeśli chodzi o ten konkretny przykład, co poszło nie tak (jeśli w ogóle) w metodologii bayesowskiej?
PS Jak uprzejmie wyjaśnił prof. Wasserman w swojej odpowiedzi, przykład należy do Eda George'a.