（此问题最初发布在stats.O上。我将它移到这里，因为它与pymc以及其中的更一般的问题有关：实际上，主要目的是更好地理解pymc的工作原理。如果任何管理员认为它不适合SO，我会从这里删除。）
我一直在阅读pymc教程和许多其他问题，在这里和SO中。
我试图理解如何应用贝叶斯定理来使用某些数据计算后验概率。特别是，我有一个独立参数元组$ "$\theta=(\theta_1,...,\theta_n)$")
。
=\mathcal{U}(0,100)\times\mathcal{N}(0,0.0001)$)
，似然函数是一个多维正态分布，其中 
（由于独立性）。
以下是我正在使用的代码（为简单起见，假设只有两个参数）。该代码仍在开发中（我知道它无法工作！）。但我相信将其包含在内，然后根据评论和答案进行改进，以提供未来参考的框架。
以下是问题：
我一直在阅读pymc教程和许多其他问题，在这里和SO中。
我试图理解如何应用贝叶斯定理来使用某些数据计算后验概率。特别是，我有一个独立参数元组
我希望从数据中推断出事件的概率
，然后计算目标是：
一些额外的注释:
- 这是一种无监督学习，我知道
发生了，我想找到最大化概率
的参数
。 (*)
- 我还想有一个并行的过程，在这个过程中，我让
pymc给出数据的可能性，然后对于每组参数，我想得到后验概率。
以下是我正在使用的代码（为简单起见，假设只有两个参数）。该代码仍在开发中（我知道它无法工作！）。但我相信将其包含在内，然后根据评论和答案进行改进，以提供未来参考的框架。
class ObsData(object):
def __init__(self, params):
self.theta1 = params[0]
self.theta2 = params[1]
class Model(object):
def __init__(self, data):
# Priors
self.theta1 = pm.Uniform('theta1', 0, 100)
self.theta2 = pm.Normal('theta2', 0, 0.0001)
@pm.deterministic
def model(
theta1=self.theta1,
theta2=self.theta2,
):
return (theta1, theta2)
# Is this the actual likelihood?
self.likelihood = pm.MvNormal(
'likelihood',
mu=model,
tau=np.identity(2),
value=data, # is it correct to put the data here?
observed=True
)
def mcmc(observed_data):
data = ObsData(observed_data)
pymc_obj = Model(data)
model = pymc.MCMC(pymc_obj)
model.sample(10000, verbose=0) # Does this line compute the likelihood and the normalisation factor?
# How do I get the posterior distribution?
以下是问题：
self.likelihood是否代表贝叶斯似然函数？- 如何使用数据？（我怀疑
value=data是不正确的..） .sample()实际上是否计算后验概率？- 如何从后验中获取信息？
- （*）是否应该包括任何与
- 作为一般性问题：是否有办法仅使用数据和先验来计算似然函数？
mcmc对象的参数跟踪会给出其似然分布 - 假设我问题中的方程式被反转，即似然是$P(\theta | E)$。我是正确的吗？（我会继续阅读以获得更多信心...） - rafforaffo