Это, наверное, глупый вопрос.

Я пытаюсь подогнать данные к очень странному PDF, используя оценку MCMC в PyMC. Для этого примера я просто хочу выяснить, как вписаться в нормальный дистрибутив, где я вручную вводил обычный PDF. Мой код:

data = []; 
for count in range(1000): data.append(random.gauss(-200,15));

mean = mc.Uniform('mean', lower=min(data), upper=max(data))
std_dev = mc.Uniform('std_dev', lower=0, upper=50)

# @mc.potential
# def density(x = data, mu = mean, sigma = std_dev):
#   return (1./(sigma*np.sqrt(2*np.pi))*np.exp(-((x-mu)**2/(2*sigma**2))))

mc.Normal('process', mu=mean, tau=1./std_dev**2, value=data, observed=True)

model = mc.MCMC([mean,std_dev])
model.sample(iter=5000)

print "!"
print(model.stats()['mean']['mean'])
print(model.stats()['std_dev']['mean'])

Примеры, которые ямы нашли, что все используют что-то вроде mc.Normal, или mc.Poisson, или еще много чего, но я хочу соответствовать закомментированной функции плотности.

Любая помощь будет оценена.