处理该问题的方法可能如下：

存在一个伯努利随机变量$Y_i$，它模拟政治家是否喝醉了（$Y_i=1$） 或不 （$Y_i=0$) 在特定聚会期间，由$i$. 由于在月球下没有什么是真正不可能的（聚会通常在夜间举行），因此存在一些严格的正概率$p_i>0$那个政治家在聚会上喝酒了$i$（这也符合克伦威尔的规则）。由于聚会只能按顺序参加，这些随机变量的集合形成了一个随时间变化的随机过程，$\{Y_i\}_{i\in N}$. 请注意，很难说该过程的元素是独立的，因为毕竟我们谈论的是同一个人。

这个过程一般公众是看不到的。相反，我们观察到的是同一政党的参与者就政客是否喝酒发表公开声明的过程。表示这个过程$\{X_i\}_{i\in N}$. 我们假设没有针对同一方的相互冲突的陈述。所以要么有人宣布政客喝醉了，要么$X$取值$0$.

确定性问题是：是否 $X_i=1 \Rightarrow ? \;Y_i=1$. 但是在统计框架中，我们只能将问题相对化并将其转化为问题：$X_i=1 \Rightarrow ? \;p_{i} > p_{i-1}$.

我们可以查看$X$——过程作为“不完美的测量”$Y$-过程 -这里的关键点是我们如何评估测量误差。OP 在问题的第二部分陈述的各种“先验假设”与样本可靠性的评估有关。允许否定前面的陈述的冲突陈述再次影响我们评估样本可靠性的方式。

假设一些可靠性，积累的实现$X$- 进程在哪里$X_i=1$, 必然会增加政客是/已经成为饮酒者的概率，这可以映射到结构性中断是否发生的问题，给定样本：毕竟人们可能会随着时间的推移而改变，因此政客可能参加过许多不喝酒的聚会，但在某些时候情况发生了变化。但这是什么时候发生的？

因此，争辩说这些信号也可能使我们修改过去对此事所做的任何评估并不是错误的推理，因为它与结构性中断实际发生的时间有关——而且可能是这样的情况确实发生了第一次宣布它确实发生了，尽管当时，由于证据不足，我们并没有承认太多。

所以，在这个框架下，这种“常见的非正式统计推理”并不是无效的。

...现实生活也同意：比如说，涉嫌欺诈。再次。然后再次。最后，审计员出现了。为什么他们会像他们那样回顾过去的交易？因为他们认为“欺诈信号变得足够强以便我们现在才进行调查的事实（鉴于资源有限、重要性原则等），并不意味着过去没有进行欺诈。包括过去的具体情况过去特别指控欺诈的地方”。编辑是否陷入了某种逻辑或统计谬误？如果审计结果的经验有任何迹象，我不会这么说。