Hustota posteriórní pravděpodobnosti

Pro každý parametr by měla mít rozdělení blízké normálnímu (obr. 4).
Multimodální rozdělení naznačuje, že MCMC nekonvergoval a že vzorkoval alespoň na dvou místech krajiny stromů. Tehdy je potřeba zvýšit počet generací, optimalizovat mixování MCMC (výměnu pozic mezi řetězci se sousedící teplotou) anebo zvýšit burnin frakci.
Rozdělení skosené k jedné straně naznačuje, že MCMC narazil na priorní limit v oblasti, kde často akceptoval hodnoty parametru. Řešením může být úprava priorů.
Pokud je ale rozdělení posteriorní pravděpodobnosti ploché anebo se liší mezi jednotlivými analýzami, v alignmentu nemusí být dostatek informací určit správně parametry modelu. V takové situaci je potřeba přehodnotit údaje, které analyzujeme a upravit dataset. Ideálně přidat další sekvence.
Zosumarizovaný strom bude obsahovat uzly, které se nejčastěji vyskytovali v posteriórní vzorce podobně jako u konsenzuálního stromu (Bootstrap). Uzly budou zobrazovat podporu své četnosti v posterioru. Na rozdíl od konsenzuálního stromu z bootstrapu, má strom z BI určeny i délky větví. Uváděná hodnota věrohodnosti je ve výsledcích z BI harmonický průměr posteriórní věrohodnosti a není to přímo věrohodnost pro zobrazený strom.