PRIOR DISTRIBUTION на Русском - Русский перевод

• априорного распределения
• априорное распределение
• априорным распределением

Примеры использования Prior distribution на Английском языке и их переводы на Русский язык

Selection of maximum entropic law of prior distribution of detection signatures probabilities.
Выбор максимально энтропийного закона априорного распределения вероятностей признаков распознавания.

Empirical estimates for model parameter values can be interpreted in Bayesian terms as prior distributions.
Эмпирические оценки для значений параметров модели могут быть интерпретированы как априорные распределения в терминах Байесовой статистики.

Now assume that a prior distribution g{\displaystyle g} over θ{\displaystyle\theta} exists.
Теперь, предположим, что априорное распределение g{\ displaystyle g} на θ{\ displaystyle\ theta} существует.

Suppose an unknown parameter θ{\displaystyle\theta} is known to have a prior distribution π{\displaystyle\pi.
Предположим, что неизвестный параметр θ{\ displaystyle\ theta} имеет априорное распределение π{\ displaystyle\ pi.

For an arbitrary prior distribution, there may be no analytical solution for the posterior distribution..
Для любого априорного распределения, может не существовать аналитического решения для апостерионого распределения..

From a Bayesian point of view, many regularization techniques correspond to imposing certain prior distributions on model parameters.
С байесовской точки зрения многие методы регуляризации соответствуют добавлению некоторых априорных распределений на параметры модели.

Evaluation of detection signatures prior distribution ob the basis of infrared imageries of reference structures of the three classes.
Оценка параметров априорного распределения признаков распознавания по данным ИК- съемок эталонных структур 3- х классов.

We want to compare a model M1 where the probability of success is q½, and another model M2 where q is unknown and we take a prior distribution for q that is uniform on.
Мы хотим сравнить модель M1 где вероятность успеха равна q=½, и другую модель M2, в которой значение q неизвестно, и мы принимаем априорное распреление для q как однородное распределение на.

Looking at it another way, we can see that the prior distribution is essentially flat with a delta function at θ 0.5{\displaystyle\textstyle\theta =0.5.
Если смотреть в другую сторону, мы можем видеть, что априорное распределение существенно плоским с дельта функцией в точке θ, 5{\ displaystyle\ theta=, 5.

The result of this integration is the posterior distribution, also known as the updated probability estimate, as additional evidence on the prior distribution is acquired.
Результатом этого объединения является апостериорное распределение, известное также как уточненная оценка вероятности после того, как получены дополнительные сведения об априорной вероятности.

Gott specifically proposes the functional form for the prior distribution of the number of people who will ever be born N.
Готт предложил конкретную формулу для априорного распределения числа людей, которые когда-либо родятся N.

Indeed, parameters of prior distributions may themselves have prior distributions, leading to Bayesian hierarchical modeling, or may be interrelated, leading to Bayesian networks.
Более того, параметры априорных вероятностей могут сами иметь априорные вероятности, что приводит к байесовскому иерархическому моделированию, или могут быть взаимозависимыми, что приводит к байесовским сетям.

For decision-making, Bayesian statisticians might use a Bayes factor combined with a prior distribution and a loss function associated with making the wrong choice.
Для принятия решений статистики, использующие байесовский подход, могут использовать коэффициент Байеса вместе с априорным распределением и функцией потерь.

Instead of solving only using the prior distribution and the likelihood function, the use of hyperpriors gives more information to make more accurate beliefs in the behavior of a parameter.
Вместо решения с использованием только априорной вероятности и функции правдоподобия, использование гиперприорных распределений дает больше информации, что приводит к большей уверенности в поведении параметра.

Lindley's paradox is a counterintuitive situation in statistics in which the Bayesian and frequentist approaches to a hypothesis testing problem give different results for certain choices of the prior distribution.
Парадокс Линдли- это контринтуитивная ситуация в статистике, при которой байесовский и частотный подходы к задаче проверки гипотез дают различные результаты при определенных выборах априорного распределения.

The inhomogeneous case attempts to correct this by creating a more complicated prior distribution of objects by taking into account structures seen in the observed distribution..
В неоднородном случае приводится попытка учесть подобные эффекты при создании более сложного априорного распределения, включающего неоднородности в наблюдаемом распределении..

Gott's DA used the vague prior distribution: P( N) k N{\displaystyle P(N)={\frac{k}{N}}}. where P(N) is the probability prior to discovering n, the total number of humans who have yet been born.
DA по версии Готта использует неопределенное априорное распределение: P( N) k N,{\ displaystyle P( N)={\ frac{ k}{ N}},} где P( N)- это априорная вероятность до того, как станет известно n- то есть полное число людей, которые уже родились к настоящему моменту.

These results can occur at the same time when H 0{\displaystyle\textstyle H_{0}} is very specific, H 1{\displaystyle\textstyle H_{1}} more diffuse, and the prior distribution does not strongly favor one or the other, as seen below.
Эти результаты могут случиться в одно и то же время, если H{\ displaystyle H_{}} очень специфично, H 1{\ displaystyle H_{ 1}} более размыто, а априорное распределение не дает предпочтения ни одному из них, как показано ниже.

The prior distribution p{\displaystyle p} has thus far been assumed to be a true probability distribution, in that∫ p( θ) d θ 1.{\displaystyle\int p(\theta)d\theta =1.} However, occasionally this can be a restrictive requirement.
До сих пор предполагалось, что априорное распределение p{\ displaystyle p}- это истинное вероятностное распределение, так как∫ p( θ) d θ 1.{\ displaystyle\ int p(\ theta) d\ theta= 1.} Однако, порой это может быть слишком жестким требованием.

In either the homogeneous or inhomogeneous case, the bias is defined in terms of a prior distribution of distances, the distance estimator, and the likelihood function of these two being the same distribution..
Как в однородном, так и в неоднородном методах смещение определяется в терминах априорного распределения расстояний, оценки расстояния и функции правдоподобия.

The prior distribution from stage I can be broken down into: P( θ j, ϕ) P( θ j∣ ϕ) P( ϕ){\displaystyle P(\theta_{j},\phi)=P(\theta_{j}\mid\phi)P(\phi)} With ϕ{\displaystyle\phi} as its hyperparameter with hyperprior distribution, P( ϕ){\displaystyle P\phi.
Априорное распределение из уровня I может быть разбито на: P( θ j, ϕ) P( θ j∣ ϕ) P( ϕ){\ displaystyle P(\ theta_{ j},\ phi)= P(\ theta_{ j}\ mid\ phi) P(\ phi)} где ϕ{\ displaystyle\ phi} является гиперпараметром с гиперприорным распределением P( ϕ){\ displaystyle P\ phi.

When the regression model has errors that have a normal distribution, and if a particular form of prior distribution is assumed, explicit results are available for the posterior probability distributions of the model's parameters.
Когда регрессионная модель имеет ошибки, имеющие нормальное распределение, и, если принимается определенная форма априорного распределения, доступны явные результаты для апостериорных распределений вероятностей параметров модели.

The present methodology for prior distribution of resources is based on objective data, including GNP per capita and population, indicators that have proven very useful for achieving progressivity in the resources allocated to low-income countries.
Настоящая методология предварительного распределения ресурсов базируется на объективных данных, включая ВНП на душу населения и численность населения,- показатели, которые оказались весьма полезными для обеспечения прогрессии при выделении ресурсов странам с низким уровнем дохода.

Yet, in some sense, such a"distribution" seems like a natural choice for a non-informative prior, i.e., a prior distribution which does not imply a preference for any particular value of the unknown parameter.
Однако же, в некотором смысле, такое распределение кажется естественным выбором для неинформативного априорного распределения, то есть для априорного распределения, не отдающего предпочтения некоторому фиксированному значению неизвестного параметра.

Superficially, the methods appear mostly equivalent, but there are some significant differences, especially in interpretation: MML is a fully subjective Bayesian approach: it starts from the idea that one represents one's beliefs about the data-generating process in the form of a prior distribution.
Внешне методы выглядят большей частью эквивалентными, но есть некоторые существенные отличия, особенно в интерпретации: MML полностью субъективный байесовский подход- он начинает с идеи, что имеется некоторая вера о процессе получения данных в виде априорного распределения.

Consider the result x{\displaystyle\textstyle x} of some experiment, with two possible explanations, hypotheses H 0{\displaystyle\textstyle H_{0}} and H 1{\displaystyle\textstyle H_{1}}, and some prior distribution π{\displaystyle\textstyle\pi} representing uncertainty as to which hypothesis is more accurate before taking into account x{\displaystyle\textstyle x.
Рассмотрим результат x{\ displaystyle x} некоторого эксперимента с двумя возможными объяснениями, гипотезами H{\ displaystyle H_{}} и H 1{\ displaystyle H_{ 1}}, и некоторым априорным распределением π{\ displaystyle\ pi}, представляющим неопределенность, какая гипотеза более точна перед рассмотрением x{\ displaystyle x.

In modern terms, given a probability distribution p(x|θ) for an observable quantity x conditional on an unobserved variable θ, the"inverse probability" is the posterior distribution p(θ|x), which depends both on the likelihood function(the inversion of the probability distribution) and a prior distribution.
В современных условиях для данного распределения вероятностей p( x| θ) наблюдаемой величины х при условии ненаблюдаемой переменной θ," обратной вероятностью" является апостериорное распределение p( θ| x), которое зависит от функции правдоподобия( инверсии распределения вероятностей) и априорного распределения.

The mission is conducted jointly with the Organization for Cooperation and Security in Europe(OSCE), the United Nations Office for Development(UNDP), the United Nations Office on Disarmament Affairs(UNODA), and the German Federal Office of Economics and Export Control and it is based on a prior distribution of functions and tasks, in line with the respective mandate and expertise of the partners.
Эта миссия проводится совместно с Организацией по безопасности и сотрудничеству в Европе( ОБСЕ), Программой развития Организации Объединенных Наций( ПРООН), Управлением Организации Объединенных Наций по вопросам разоружения( УВРООН) и Федеральным ведомством по экономике и экспортному контролю Германии и на основе заблаговременного распределения функций и задач, исходя из мандатов и опыта партнеров.

Advocates for the use of probability theory point to: the work of Richard Threlkeld Cox for justification of the probability axioms, the Dutch book paradoxes of Bruno de Finetti as illustrative of the theoretical difficulties that can arise from departures from the probability axioms, and the complete class theorems, which show that all admissible decision rules are equivalent to the Bayesian decision rule for some utility function and some prior distribution or for the limit of a sequence of prior distributions..
Защитники теории вероятностей указывают на: работу Ричарда Трелкелда Кокса по оправданию аксиом теории вероятностей; парадоксы Бруно де Финетти как иллюстрацию теоретических трудностей, которые могут возникнуть благодаря отказу от аксиом теории вероятностей; теоремы совершенных классов, которые показывают, что все допустимые решающие правила эквивалентны байесовскому решающему правилу с некоторым априорным распределением( возможно, неподходящим) и некоторой функции полезности.

For example, if one is using a beta distribution to model the distribution of the parameter p of a Bernoulli distribution, then: p is a parameter of the underlying system(Bernoulli distribution), and α and β are parameters of the prior distribution(beta distribution), hence hyperparameters.
Например, если используется бета-распределение для моделирования распределения параметра p{\ displaystyle p} распределения Бернулли, то: p{\ displaystyle p}- параметр модели данных( распределения Бернулли) α{\ displaystyle\ alpha} и β{\ displaystyle\ beta}- параметры априорного распределения( бета-распределения), то есть гиперпараметры.