Waarom zou je (elke run weer) als prior de klimatologie pakken en bijvoorbeeld niet de verificatie van het model op basis van het verleden? Als je model 100% nauwkeurig is zou dat je verwachting veel slechter maken. Het lijkt me handiger om als prior de kans te pakken dat een koude voorspelling ook uitkomt, en vice versa voor andere options.
Daar geef ik je helemaal gelijk in. Dit was een illustratief voorbeeld. Inderdaad zou de door jou genoemde methode nauwkeuriger zijn. Het gaat er dan wel om dat we heel veel data hebben: wat voor signaal kan ik verwachten van de modellen gegeven een bepaald scenario? Wat is de kans dat een bepaald signaal van het model ook daadwerkelijk leidt tot een bepaald scenario? En wat is bij een bepaalde begintoestand de kans op een koud vervolg? [dat laatste is de echte prior: bepaald door fysische oorzaak-gevolg processen en stochasticiteit]
Het probleem is echter dat het weer extreem complex (chaotisch) is en we nog niet de historische data hebben van een oneindige range aan weerpatronen. We hebben dus in feite een verzameling van unieke ensembles en maar 1 uitkomst bij ieder ensemble, en daar heb je ook met Bayesian statistics niet zo veel aan.