คำถามนี้ได้รับการพิจารณาแล้วในฟอรัมนี้
เมื่อคุณระบุว่าคุณ "มีการกระจายด้านหลัง" คุณหมายถึงอะไร? "มี" ฟังก์ชั่นของที่ฉันรู้ว่าเป็นสัดส่วนกับหลังคือπ ( θ | x ) ∝ π ( θ ) × f ( x | θ )เช่นเป้าหมายเทียมทั้งหมดπ ( θ | x ) ∝ exp { - | | θ - x | | 2 - | | θ + xθ
π( θ | x ) ∝ π( θ ) × f( x | θ )
ไม่บอกฉันว่าเป็น
π( θ | x ) α ประสบการณ์{ - | | θ - x | |2- | | θ + x | |4- | | θ - 2 x | |6} , x , θ ∈ R 18,
- ความคาดหวังหลังของฟังก์ชันเช่นE [ h ( θ ) | x ] , ค่าเฉลี่ยหลังที่ทำงานเป็นตัวประมาณค่าแบบเบส์ภายใต้การสูญเสียมาตรฐาน;θE [ h (θ) | x]
- การตัดสินใจที่ดีที่สุดภายใต้ฟังก์ชั่นยูทิลิตี้โดยพลการการตัดสินใจที่ช่วยลดการสูญเสียหลังที่คาดว่าจะ;
- ช่วงความไม่แน่นอน 90% หรือ 95% ของพารามิเตอร์ (s), sub-vector ของพารามิเตอร์ (s), หรือฟังก์ชั่นของพารามิเตอร์ (s), หรือที่รู้จักในภูมิภาค HPD
{ h = h ( θ ) ; π ชั่วโมง( h ) ≥ h--}
- โมเดลที่น่าจะเป็นไปได้มากที่สุดในการเลือกระหว่างการตั้งค่าส่วนประกอบบางส่วนของพารามิเตอร์เป็นค่าเฉพาะเมื่อเทียบกับการทำให้ไม่ทราบ (และสุ่ม)
นี่เป็นเพียงตัวอย่างของประเพณีการแจกแจงหลัง ๆ มากมาย ในทุกกรณี แต่วิธีที่ง่ายที่สุดฉันไม่สามารถให้คำตอบด้วยการจ้องมองที่ความหนาแน่นของการกระจายหลังและต้องดำเนินการผ่านวิธีแก้ปัญหาตัวเลขเช่น Monte Carlo และ Markov chain Monte Carlo วิธีการ