Translation for "normaalijakaumaan" to english

Normaalijakaumaan

• normal distribution

Translation examples

normal distribution

Kaksiulotteisten normaalijakaumien sekoitus
Mixture of bivariate normal distributions

Survon kuvagalleria: kahden normaalijakauman sekoitus
Survo graphics: mixture of two normal distributions

Survon kuvagalleria: kaksiulotteisten normaalijakaumien sekoitus
Survo graphics: mixture of bivariate normal distributions

Tämä on samaa muotoa normaalijakauman painotetun SU-estimaatin kanssa, joten
This has the same form as a weighted MLE for a normal distribution, so

Monte Carlo -menetelmä tuottaa meille kunkin joukkueen odotetun loppupistemäärän normaalijakauman.
The Monte Carlo method gives us a normal distribution of expected points totals for each team.

Kun pyöräytyksiä (n) on tarpeeksi, teoreettisen jakauman tulokset lähentyvät normaalijakaumaa.
After enough spins (n), the theoretical distribution of the different outcomes will converge to the normal distribution.

Yksi tapa on nestettä normaalijakaumaa ja kontit, ultraääni neste, aseta käynnistää ultraääni.
One way is by liquid in the normal distribution and containers, ultrasound liquid, insert the launch ultrasonic.

Odotamme yksi ässä vuosineljänneksittäin-kannelle pelasi normaalijakaumaa, mutta tietenkään se ei aina tapahdu.
We expect to see one ace per quarter-deck played in a normal distribution, but of course that doesn't always happen.

Sen vuoksi sellaisten satunnais­muuttujien tulon logaritmi, joista kukin lähestyy normaalijakaumaa mutta voi saada vain positiivisia arvoja, lähestyy log-normaalijakaumaa.
Therefore, when the logarithm of a product of random variables that take only positive values approaches a normal distribution, the product itself approaches a log-normal distribution.

Normaalijakauman tiheysfunktion kuvaajaa kutsutaan yleisesti "kellokäyräksi" tai "Gaussin käyräksi".
The process of adoption over time is typically illustrated as a classical normal distribution or "bell curve".

Yllä esitetty algoritmi voidaan yleistää useampien kuin kahden monimuuttujaisen normaalijakauman sekoituksille.
The algorithm illustrated above can be generalized for mixtures of more than two multivariate normal distributions.

Moniulotteinen keskeinen raja-arvolause sanoo, että skaalattuina nämä summat suppenevat kohti moniulotteista normaalijakaumaa.
The multidimensional central limit theorem states that when scaled, sums converge to a multivariate normal distribution.

Cauchy-jakauma on yksi harvoista vakaista jakaumista, joiden tiheysfunktio voidaan ilmaista analyyttisesti; muita sellaisia ovat normaalijakauma ja Lévyn jakauma.
It is one of the few distributions that is stable and has a probability density function that can be expressed analytically, the others being the normal distribution and the Lévy distribution.

Tämä oletus voidaan perustella olettamalla, että korjaustermi itse asiassa on hyvin monien riippumattomien korjaustermien summa; vaikka yksittäiset korjaustermit sinänsä eivät olisikaan normaalisti jakauteet, keskeisen raja-arvolauseen perusteella niiden summaa voidaan kuitenkin approksimoida normaalijakaumalla.
This assumption can be justified by assuming that the error term is actually the sum of a large number of independent error terms; even if the individual error terms are not normally distributed, by the central limit theorem their sum can be well approximated by a normal distribution.

Tiettyjen lievien oletusten ollessa voimassa ja poimimalla riippumattomasti samasta jakaumasta suuri määrä satunnaismuuttujan arvoja, saadaan tulokseksi normaalijakauma riippumatta alkuperäisen jakauman muodosta.
The theorem states that the average of many independent and identically distributed random variables with finite variance tends towards a normal distribution irrespective of the distribution followed by the original random variables.

Monet fysikaaliset suureet (erityisesti massa tai pituus, jotka eivät voi olla negatiivisia), ovat monien satunnaisten tekijöiden tuloja, jolloin nämä suureet monissa tilanteissa noudattavat log-normaalijakaumaa.
Many physical quantities (especially mass or length, which are a matter of scale and cannot be negative) are the products of different random factors, so they follow a log-normal distribution.

Äärelliselle äärelliselle määrälle havaintoja se antaa järkevän likiarvon vain lähellä normaalijakauman huippua; tarvitaan erittäin suuri määrä havaintoja, jotta tulos pätisi myös jakauman kummassakin ääripäässä.
As an approximation for a finite number of observations, it provides a reasonable approximation only when close to the peak of the normal distribution; it requires a very large number of observations to stretch into the tails.