# ModelDistribution

 ModelDistribution = class ModelDistribution(ScaledErrorDistribution) ModelDistribution(arbiter=None, scale=1.0, limits=None, copy=None)   To calculate the probability of a model M from a set of models S, given some data D, use Bayes rule:       P( M|DS ) = P( M|S ) * P( D|MS ) / P( D|S )     posterior = prior   * likelihood / evidence   This class calculates the likelihood P( D|MS ). On another level where we calculate the probability of the parameters p, we see this likelhood appear as evidence P( D|M ).   Again using Bayes :       P( p|DM ) = P( p|M ) * P( D|pM ) / P( D|M )   The evidence here is calculated as the integral over a Gausian approximation of the posterior.   Author       Do Kester. Method resolution order: ModelDistribution ScaledErrorDistribution ErrorDistribution builtins.object Constructor: ModelDistribution( arbiter=None, scale=1.0, limits=None, copy=None ) Default Constructor.   Parameters ---------- arbiter : None or BaseFitter or str     to provide the evidence     None    select fitter automatically     BaseFiter   Use this fitter     str     "fitter", "levenberg", "curve", "amoeba"   scale : float     noise scale limits : None or list of 2 floats [low,high]     None : no limits implying fixed scale     low     low limit on scale (needs to be >0)     high    high limit on scale     when limits are set, the scale is *not* fixed.   copy : ModelDistribution     distribution to be copied. Methods defined here: acceptWeight() True if the distribution accepts weights. Always true for this distribution. copy() Return copy of this. logLdata( problem, allpars, mockdata=None ) Return the log( likelihood ) for each residual     logL = sum( logLdata )   Parameters ---------- problem : Problem     to be solved allpars : array_like     list of all parameters in the problem    mockdata : array_like     as calculated by the model logLikelihood_alt( problem, allpars ) Return the log( likelihood ) for a Gaussian distribution.   Alternate calculation   Parameters ---------- problem : Problem     to be solved allpars : array_like     list of all parameters in the problem     Return optimal parameters of the fit Methods inherited from ScaledErrorDistribution: Methods inherited from ErrorDistribution: