संपादित करें: निम्नलिखित उत्तर को एक अलग प्रश्न के रूप में पूछा गया था - इसे ऐसा माना जाता है जैसे कि को यादृच्छिक माना जाता है, लेकिन काम नहीं करता है जब को निश्चित माना जाता है, जो संभवतः ओपी के दिमाग में था। यदि निश्चित है, तो मेरे पास से बेहतर उत्तर नहीं हैμμμmin(μ^1,...,μ^n)
यदि हम केवल माध्य और सहसंयोजक के लिए अनुमानों पर विचार करते हैं, तो हम बहुभिन्नरूपी सामान्य वितरण से एकल नमूने के रूप में उपचार कर सकते हैं । न्यूनतम का अनुमान प्राप्त करने का एक सरल तरीका तब से बड़ी संख्या में नमूने खींचना है , प्रत्येक नमूने की न्यूनतम गणना करें और फिर उन मिनीमा का मतलब निकालें।(μ1,...,μn)MVN(μ^,Σ)
उपरोक्त प्रक्रिया और इसकी सीमाओं को बायेसियन शब्दों में समझा जा सकता है - एमवीएन पर विकिपीडिया से संकेतन लेते हुए , अगर अनुमानकर्ताओं का ज्ञात सहसंयोजक है और हमारे पास एक अवलोकन है, तो संयुक्त पीछे का वितरण जहां और पूर्व से उठते हैं, जहां किसी भी डेटा को देखने से पहले हम पूर्व लेते हैं )। चूँकि आप शायद पुजारियों को पर रखने के लिए तैयार नहीं हैं , इसलिए हम सीमा को रूप में ले सकते हैं , जिसके परिणामस्वरूप फ्लैट पहले से बन जाएगा और पीछेΣμ∼MVN(μ^+mλ01+m,1n+mΣ)λ0mμ∼MVN(λ0,m−1Σμm→0μ∼MVN(μ^,Σ)। हालाँकि, फ्लैट दिए जाने से पहले हम यह अनुमान लगा रहे हैं कि के तत्व बहुत भिन्न हैं (यदि सभी वास्तविक संख्या समान रूप से होने की संभावना है, तो समान मान प्राप्त करना बहुत संभावना नहीं है)।μ
एक त्वरित अनुकरण से पता चलता है कि इस प्रक्रिया में थोड़ा overestimates साथ अनुमान जब के तत्वों एक बहुत और underestimates के अलग जब तत्वों के समान हैं। कोई यह तर्क दे सकता है कि बिना किसी पूर्व ज्ञान के यह सही व्यवहार है। यदि आप कम से कम कुछ पूर्व सूचना (उदाहरण के लिए ) के लिए तैयार हैं, तो परिणाम आपके उपयोग के मामले में थोड़ा बेहतर व्यवहार कर सकते हैं।min(μ)μmin(μ)m=0.1
यदि आप अधिक संरचना ग्रहण करने के इच्छुक हैं, तो आप मल्टीवार्इट सामान्य की तुलना में बेहतर वितरण का चयन करने में सक्षम हो सकते हैं। यह भी समझ में आता है कि स्टेन या अन्य MCMC नमूना का उपयोग करने के लिए पहली जगह में के अनुमान को फिट किया जा सकता है। यह आपको के नमूनों का एक सेट मिलेगा जो अनुमानकर्ताओं में अनिश्चितता को दर्शाते हैं, जिसमें उनकी सहसंयोजक संरचना (संभवतः MVN क्या प्रदान कर सकती है) से अधिक समृद्ध है। एक बार फिर से आप प्रत्येक नमूने के लिए न्यूनतम गणना करने की तुलना में मिनिमा पर एक समान वितरण प्राप्त कर सकते हैं, और यदि आपको एक बिंदु अनुमान की आवश्यकता है तो इस वितरण का मतलब निकालें।μ(μ1,...,μn)