在贝叶斯框架中，为了对随机观测值序列$X{1}、X{2}、\ldots$进行预测，推论者需要分配预测分布$\sigma_{n}（\cdot）=P（X{n+1}\In\cdot\mid X{1{，\ldots，X{n}）$。在本文中，我们建议直接分配$\sigma\{n}$，而不经过通常的先验/后验方案。一个主要优点是无需评估事先概率。假设数据序列$（X_{n}）$在以下意义上是条件一致分布的（c.i.d.）(安·普罗巴伯。 32(2004) 2029–2052). 为了实现这个程序，引入并研究了预测分布的类$\Sigma$。这样的$\Sigma$足够丰富，可以模拟各种实际情况，如果$\Sigma_{n}$属于$\Sigram$，那么$（X_{nneneneep）$实际上就是c.i.d。此外，当新的观察值$X_{n+1}$可用时，可以通过简单的递归更新$\sigma_{n}$来获得$\sigma _{n+1}$。如果$\mu$是$\sigma_{n}$的a.s.弱极限，那么还提供了$\mu$s是a.s.离散的条件。