What is the translation of " RANDOM VARIABLE " in Slovenian?

• slučajna spremenljivka
• naključna spremenljivka

Examples of using Random variable in English and their translations into Slovenian

If X is a random variable.
Če je X skalarna spremenljivka.

How can I simulate values of a normal random variable?
Kako lahko simulirate vrednosti navadne naključne spremenljivke?

If X is a discrete random variable, then it attains values x1, x2,….
Če je X diskretna slučajna spremenljivka, ki lahko zavzame vrednosti x1, x2.

Now this girl, Keri, she's a random variable.
Ta punca, Keri, ona je naključna spremenljivka.

Let the random variable X be the number of children the couple has.
Naj bo slučajna spremenljivka X število stanovanj, kjer so otroci zvonili dvakrat.

How can you simulate values of a normal random variable?
Kako lahko posnemate vrednosti normalno naključna spremenljivka?

Let X, Y be random variables, then the covariance inequality[14][15] is given by.
Naj bosta X, Y slučajni spremenljivki. Potem je kovariantna neenakost[1][2] podana z.

How can you simulate values of a discrete random variable?
Kako lahko simulirate vrednosti diskretne naključne spremenljivke?

A geometric random variable X counts the number of trials necessary before the first success occurs.
Slučajna spremenljivka X je število poskusov, ki so potrebni za prvi uspeh.

Error function: an integral important for normal random variables.
Funkcija napake: integral pomemben pri normalnih slučajnih spremenljivkah.

Probability that the random variable will take on a value less than or equal to x.
Pomeni verjetnost, da slučajna spremenljivka zavzame vrednost, ki je manjša ali enaka vrednosti x.

The points where jumps occur are precisely the values which the random variable may take.
Ti preskoki se pojavijo samo pri vrednostih, ki jo lahko zavzame slučajna spremenljivka.

In the case of a discrete random variable, the expected value is defined as follows.
Za diskretne porazdelitve slučajne spremenljivke se pričakovana vrednost določi na naslednji način.

Also note the expected value does not have to be a value that the random variable can take.
Sama pričakovana vrednost ni nujno tudi ena izmed vrednosti, ki jih lahko zavzame slučajna spremenljivka.

X is the variate, also known as the random variable, μ is the mean value and σ is the standard deviation.
X je spremenljivka, znana tudi kot naključna spremenljivka, μ je matematično upanje in σ je standardna deviacija.

Suppose that the demand for a Valentine's Day card is governed by the following discrete random variable.
Recimo, da je povpraševanje po voščilnicah za Valentinovo urejeno s to diskretno naključno spremenljivko.

FDIST is calculated as FDIST=P(F<x), where F is a random variable that has an F distribution.
FDIST je izračunan kot FDIST=P(F<x), pri čemer je F naključna spremenljivka z F-porazdelitvijo. Primer X.

One basic idea underlying it is that different prime numbers are, in some serious sense, like independent random variables.
Ena od osnovnih zamisli je, da so različna praštevila v nekem smislu kot neodvisne naključne spremenljivke.

TDIST is calculated as TDIST= p(x<abs(X)), where X is a random variable that follows the t-distribution.
FDIST je izračunan kot FDIST=P(F<x), pri čemer je F naključna spremenljivka z F-porazdelitvijo. Primer X.

For random variables that have no mean, such as the Cauchy distribution, central moments are not defined.
Za slučajne spremenljivke, ki nimajo srednje vrednosti(primer Caushyjeva porazdelitev), centralnega momenta ni možno določiti.

Stochastic programming studies the case in which some of the constraints depend on random variables.
Stohastično programiranje se ukvarja s primeri, kjer so nekatere od omejitev ali parametrov odvisne od naključnih spremenljivk.

This suggests that S(T)/(log log T)1/2 resembles a Gaussian random variable with mean 0 and variance 2π2(Ghosh(1983) proved this fact).
To nakazuje, da je S(T)/(log log T)1/2 podobno gaussovski slučajni spremenljivki s povprečjem 0 in varianco 2π2.

Stochastic programming studies the case in which some of the constraints or parameters depend on random variables.
Stohastično programiranje se ukvarja s primeri, kjer so nekatere od omejitev ali parametrov odvisne od naključnih spremenljivk.

If X is a random variable with a Pareto distribution, then the probability that X is greater than some number x is given by.
Če je X slučajna spremenljivka, ki se podreja Paretovi porazdelitvi, potem je verjetnost, da bo zavzela vrednost večjo od x enaka.

If Tails= 1, TDIST is calculated as TDIST= P( X>x), where X is a random variable that follows the t-distribution.
Če je argument»Repi«= 1, se TDIST izračuna kot TDIST= P( X>x), kjer je X naključna spremenljivka, ki sledi t-porazdelitvi.

One basic idea underlying it is that different prime numbers are, in some serious sense, like independent random variables.
Ena od osnovnih zamisli, ki jo podpira, je, da so različna praštevila v nekem resnem smislu podobna neodvisnim naključnim spremenljivkam.

Let's suppose we want to simulate 400 trials, or iterations, for a normal random variable with a mean of 40,000 and a standard deviation of 10,000.
Poglejmo recimo, da želimo simulacijo 400 poskusov ali ponovitev za navaden naključna spremenljivka z 40.000 srednjo vrednost in standardni odklon 10.000 €.

In probability theory, a probability mass function(abbreviated pmf) is a function that gives the probability that a discrete random variable is exactly equal to some value.
Funkcija verjetnosti(oznaka pmf iz probability mass function) je v teoriji verjetnosti funkcija, ki daje verjetnost, da ima diskretna slučajna spremenljivka točno določeno vrednost.

N() denotes the cumulative distribution function for a standard normal random variable(i.e. the probability that a normal random variable with mean zero and variance of one is less than or equal to x).
N() označuje kumulativno porazdelitveno funkcijo za standardizirano normalno slučajno spremenljivko(to je verjetnost, da je normalna slučajna spremenljivka s povprečjem nič in varianco ena, manjša ali enaka x).

TINV returns that value t, such that P(|X|> t)= probability where X is a random variable that follows the t-distribution and P(|X|> t)= P(X<-t or X> t).
TINV vrne tako vrednost t, da velja P(|X| > t)= verjetnost, kjer je X naključna spremenljivka, ki sledi t-porazdelitvi in P(|X| > t)= P(X < -t or X > t).