Gaussian curve

💡 We compared our expectations of exponential decrease in maximum S against the fit to a Gaussian curve, which can also predict a steep symmetrical decrease with small deviations from μ.

ما انتظارات خود از کاهش نمایی در حداکثر S را در برابر برازش با یک منحنی گاوسی مقایسه کردیم، که می‌تواند یک کاهش متقارن شیب‌دار را با انحرافات کوچک از μ نیز پیش‌بینی کند.

💡 In the simpler cases a falling off occurs equally on both sides of the curve; the curve constructed from such data agrees very closely with the Gaussian curve of error.

در موارد ساده‌تر، افت به طور مساوی در هر دو طرف منحنی رخ می‌دهد؛ منحنی ساخته شده از چنین داده‌هایی با منحنی خطای گاوسی بسیار مطابقت دارد.

💡 A Gaussian curve emerged from repeated measurements, proving noise, not negligence, explained small variations.

یک منحنی گاوسی از اندازه‌گیری‌های مکرر پدیدار شد که ثابت می‌کرد نویز، نه سهل‌انگاری، تغییرات کوچک را توضیح می‌دهد.

💡 The Gaussian curve modeled exam scores neatly, but skewed tails warned us to review instruction for outliers left behind.

منحنی گاوسی نمرات امتحانات را به طور مرتب مدل‌سازی کرد، اما دنباله‌های کج به ما هشدار می‌داد که دستورالعمل‌ها را برای موارد پرت جا مانده بررسی کنیم.

💡 Data analysts fit a Gaussian curve only after checking residuals, avoiding the comfort of bells where bells don’t belong.

تحلیلگران داده تنها پس از بررسی باقیمانده‌ها، یک منحنی گاوسی را برازش می‌دهند و از راحتی زنگوله‌هایی که به آنها تعلق ندارند، اجتناب می‌کنند.