Let us start thinking of x as the m

Let us start thinking of x as the model state, whichaccumulates our knowledge. p ( x ) is the (5) prior distribution; our knowledge from previous observations. p ( x y o ) is the posterior distribution, after adding the information from the observation y o . p ( y o x ) is the probability density of getting the observation y o, given our previous knowledge. Note that this is a density in y -space. Regarded as a function of x , p ( y o x ) is not a probability density (its integral is not necessarily one); it is called the likelihood function for x .

ผลลัพธ์ (ไทย) 1:

เราเริ่มต้นคิดของ x เป็นรุ่นรัฐ whichaccumulates รู้ของเรา p (x) คือ การกระจายก่อน (5) เรารู้จากการสังเกตการณ์ก่อนหน้านี้ p (x y o) คือ กระจายหลัง หลังจากเพิ่มข้อมูลจากการสังเกต y o p (y o x) มีความหนาแน่นความน่าเป็น o y สังเกต การรับรู้ของเราก่อนหน้านี้ โปรดสังเกตว่า นี้จะมีหนาแน่นใน y-ช่องว่าง เป็นฟังก์ชันของ x, p (y o x) ไม่มีความหนาแน่น (ทฤษฎีบูรณาการของไม่จำเป็น); มันจะเรียกว่าฟังก์ชันความน่าเป็นสำหรับ x

ผลลัพธ์ (ไทย) 2:

ให้เราเริ่มต้นความคิดของ x เป็นรัฐรุ่น whichaccumulates ความรู้ของเรา พี (x) คือ (5) การกระจายก่อน; ความรู้ของเราจากการสังเกตก่อนหน้านี้ พี (xyo) คือการกระจายหลังหลังจากการเพิ่มข้อมูลจากการสังเกต yo พี (yox) คือความหนาแน่นของความน่าจะเป็นของการ yo สังเกตที่ได้รับความรู้เดิมของเรา โปรดทราบว่านี้คือความหนาแน่นในปีอวกาศ ถือได้ว่าเป็นฟังก์ชั่นของ x พี (yox) ไม่น่าจะเป็นความหนาแน่น (หนึ่งมันไม่จำเป็นต้องเป็นอย่างใดอย่างหนึ่ง); มันถูกเรียกว่าฟังก์ชั่นสำหรับโอกาส x

ผลลัพธ์ (ไทย) 3:

ให้เราเริ่มคิดจาก X เป็นแบบรัฐ whichaccumulates ความรู้ของเรา P ( x ) เป็น ( 5 ) ก่อนแจกจ่าย ความรู้จากการสังเกตก่อนหน้านี้ P ( X Y O ) คือการกระจายกัน หลังจากเพิ่มข้อมูลจากการสังเกต Y o P ( Y O X ) คือความหนาแน่นของความน่าจะเป็นของการสังเกต Y o ได้รับความรู้เดิมของเราโปรดทราบว่านี่คือความหนาแน่นของ Y - พื้นที่ ถือว่าเป็นฟังก์ชันของ x , P ( Y O X ) ไม่ใช่ความหนาแน่นของความน่าจะเป็น ( อินทิกรัลไม่จําเป็นต้องหนึ่ง ) ; มันถูกเรียกว่าฟังก์ชันความน่าจะเป็นสำหรับ X .