En 'The Well-Calibrated Bayesian' (1982), A. P. Dawid, profesor de Probabilidad y Estadística en el University College London, analiza la relación entre la calibración empírica de un predictor probabilístico y la coherencia bayesiana subjetiva, tomando como referencia central la práctica de la predicción meteorológica en Estados Unidos. Los predictores del tiempo asignan probabilidades subjetivas —por ejemplo, «30 % de probabilidad de precipitación en Denver»— derivadas de su información disponible, que puede incluir salidas de modelos climáticos o computacionales, pero no exige un modelado explícito.
El artículo define la calibración empírica como la coincidencia a largo plazo entre las probabilidades asignadas y las frecuencias observadas: si la curva empírica p frente a α coincide con la diagonal, el predictor está bien calibrado. Dawid sostiene que los meteorólogos experimentados cumplen esta propiedad, aunque no sea condición suficiente para considerar sus pronósticos «buenos». Estudios previos (Lichtenstein, Fischhoff y Phillips, 1977) muestran, en cambio, respuestas pobremente calibradas.
Ante un predictor mal calibrado, se ha sugerido (Cox, 1958) transformar sus probabilidades antes de usarlas. Sin embargo, Dawid centra su investigación en la perspectiva del predictor sobre su propia calibración. Trabajos anteriores (Morris, 1977; Harrison, 1977) trataban cantidades aparentemente inconexas como probabilísticamente independientes, lo que Harrison llevó al extremo de concluir que un sujeto «potencialmente mal calibrado» nunca percibirá dos eventos como independientes. Dawid considera esta vía demasiado especializada y propone aprovechar el carácter secuencial de la predicción meteorológica, abandonando el supuesto de independencia entre eventos como días de precipitación.
El objetivo del artículo es demostrar que un bayesiano coherente espera estar bien calibrado, y analizar las implicaciones destructivas de este resultado para la propia teoría de la coherencia.