你想弄懂什么？

概率分布之和为 1，是因为它考虑了固定模型下所有可能的数据结果，满足了概率公理。似然曲线的积分不为 1，是因为它衡量了在给定固定数据下不同参数值的相对支持度，并且不受限于成为参数空间上的概率分布。

适用条件：概率观点：参数固定，数据在整个样本空间上变化。；似然观点：数据固定，参数在其定义域上变化。

概率分布之和为 1，是因为它考虑了固定模型下所有可能的数据结果，满足了概率公理。似然曲线的积分不为 1，是因为它衡量了在给定固定数据下不同参数值的相对支持度，并且不受限于成为参数空间上的概率分布。

适用条件：概率观点：参数固定，数据在整个样本空间上变化。；似然观点：数据固定，参数在其定义域上变化。

概率固定参数并改变数据，导致归一化分布，其中概率之和为 1。似然固定数据并改变参数，导致非归一化曲线，其积分不等于 1。

适用条件：两种观点都基于相同的条件表达式 $P(x \mid \theta)$。；概率观点：参数固定，数据变化。；似然观点：数据固定，参数变化。

概率固定参数并改变数据，导致归一化分布，其中概率之和为 1。似然固定数据并改变参数，导致非归一化曲线，其积分不等于 1。

适用条件：两种观点都基于相同的条件表达式 $P(x \mid \theta)$。；概率观点：参数固定，数据变化。；似然观点：数据固定，参数变化。

最大似然估计被定义为对应于似然曲线峰值（最大值）的参数值。它是为观测数据提供最高似然的参数值。

适用条件：存在关于候选参数值的似然函数 $L(p)$。；数据是固定的。

最大似然估计被定义为对应于似然曲线峰值（最大值）的参数值。它是为观测数据提供最高似然的参数值。

适用条件：存在关于候选参数值的似然函数 $L(p)$。；数据是固定的。