Summary

Project website lsj.readthedocs.io
Instructions for translators

Dear translators,

welcome and thank you for your willingness to contribute to the translation of the “learning statistics with jamovi”-text book!

There are a couple of things that I would like to ask you, in order to make your and my life a bit easier (manual corrections need time, so that what you translated won't appear until I fixed it):

[1] There are buttons underneath the “Translation” box. One of them is “Automatic suggestions” which provides you with a machine translation of the text to be translated. This can just be copied into the target field for the translation and adjusted.

[2] markdown-formattings for italics or bold - italics are enclosed with one star (*italics*), bold with two (**bold**): please ensure that the stars are placed around the same word / meaning in the translation as in the original

[3] There are a couple of text elements that should be treated different from the rest of the text (please check: the automatic suggestions might translate this “wrong”):

  • placeholders (marked by |) should not be translated: e.g., |placeholder| or |placeholder|_, among them is |continuous| which produces an icon denoting a continuous level of measurement

  • double backticks (``): they typically are used for variable or analysis names – the variable names shouldn't be changed, for the analysis names, it is up to your discretion whether to translate them or not (I decided to rather go with the English analysis since the feature to set the UI language in jamovi is fairly new, and it is relatively simple to figure out the translated name from the English one)

  • be careful that :doc:`` does not contain spaces at the beginning of the string, also ensure to leave the part enclosed by <> as it is (it points to a file; therefore, please double-check that the automatic translation did not translate it otherwise it will end up as a broken link)

  • figure references, e.g., fig12-1 in :numref:`` should not to be translated

  • (language-specific) quotation marks: there are buttons above the text field for the target translation that can be used to replace "'s by your language specific quotation marks

    [4] if there doesn't exist a good translation of a particular word or technical term, either try "translation (original word / phrase)" or "original word / phrase" (this shows the original English term in italics either with a translation that you may not be completely happy with or without a translation

    Finally, I would like to suggest that you install LanguageTool (browser add-on) as an additional check that your translations are correct (however, LanguageTool might not be available for every language).

    Don't hesitate to contact me (@sjentsch) if you have questions or suggestions.
Project maintainers1 User avatar sjentsch
Translation license Creative Commons Attribution Share Alike 4.0 International
Translation process
  • Translations can be made directly.
  • Translation suggestions can be made.
  • Any authenticated user can contribute.
  • The translation uses bilingual files.
Source code repository git@github.com:sjentsch/lsjDocs-i18n.git
Repository branch main
Last remote commit Added translation using Weblate (Dutch) f978fcd50
User avatar caviaz authored 06/30/2026
Last commit in Weblate Translated using Weblate (Dutch) 1d81df8eb
User avatar caviaz authored 07/05/2026
Weblate repository https://hosted.weblate.org/git/lsjdocs/start/
File mask */LC_MESSAGES/Ch12.po
Translation file Download ta/LC_MESSAGES/Ch12.po
Last change Oct. 13, 2025, 6:07 p.m.
Last change made by Background commit
Language Tamil
Language code ta
Text direction Left to right
Case sensitivity Case-insensitive
Number of speakers 90,608,136
Number of plurals 2
Plural type One/other
Plurals Singular 1
Plural 0, 2, 3, 4, 5, 6, 7, 8, 9, 10, …
Plural formula n != 1
08/09/2026

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 384 15,604 94,526
Translated 100% 384 100% 15,604 100% 94,526
Needs editing 0% 0 0% 0 0% 0
Read-only 0% 0 0% 0 0% 0
Failing checks 49% 191 85% 13,350 85% 80,349
Strings with suggestions 0% 0 0% 0 0% 0
Untranslated strings 0% 0 0% 0 0% 0
Last 12 months Previous

Activity in last 12 months

0 changes 5 changes 0 changes 0 changes 0 changes 5 changes 0 changes 0 changes 0 changes 0 changes 771 changes 0 changes 0 changes 0 changes 60 changes 0 changes 7 changes 0 changes 2 changes 0 changes 4 changes 0 changes 11 changes 0 changes
AugSepOctNovDecJanFebMarAprMayJunJul

Quick numbers

0
Hosted words
0
Hosted strings
0%
Translated
0
Contributors
and previous 30 days

Trends of last 30 days

—
Hosted words
—
—
Hosted strings
—
—
Translated
—
—
Contributors
—
User avatar weblate:commit

Changes committed
Changes committed 10/13/2025
User avatar TamilNeram

Translation completed
Translation completed 10/13/2025
User avatar TamilNeram

Translation added
The ``Model Coefficients`` at the bottom of the jamovi analysis results shown in :numref:`fig-reg2` provides the coefficients of the regression model. Each row in this table refers to one of the coefficients in the regression model. The first row is the intercept term, and the later ones look at each of the predictors. The columns give you all of the relevant information. The first column is the actual estimate of *b* (e.g., 125.97 for the intercept, and -8.95 for the ``dani.sleep`` predictor). The second column is the standard error estimate :math:`\hat\sigma_b`. The third and fourth columns provide the lower and upper values for the 95\% confidence interval around the *b* estimate (more on this later). The fifth column gives you the *t*-statistic, and it’s worth noticing that in this table :math:`t= \hat{b} / SE(\hat{b})` every time. Finally, the last column gives you the actual *p*-value for each of these tests.\ [#]_
:numref:`fig-reg2` இல் காட்டப்பட்டுள்ள ஜாமோவி பகுப்பாய்வு முடிவுகளின் கீழே உள்ள ``மாதிரி குணகங்கள்`` பின்னடைவு மாதிரியின் குணகங்களை வழங்குகிறது. இந்த அட்டவணையில் உள்ள ஒவ்வொரு வரிசையும் பின்னடைவு மாதிரியில் உள்ள குணகங்களில் ஒன்றைக் குறிக்கிறது. முதல் வரிசை இடைமறிப்புச் சொல்லாகும், மேலும் பிந்தையவை ஒவ்வொரு முன்னறிவிப்பாளரையும் பார்க்கின்றன. நெடுவரிசைகள் உங்களுக்கு தொடர்புடைய அனைத்து தகவல்களையும் தருகின்றன. முதல் நெடுவரிசை *b* இன் உண்மையான மதிப்பீடாகும் (எ.கா., இடைமறிப்புக்கு 125.97, மற்றும் ``dani.sleep`` முன்னறிவிப்பாளருக்கு -8.95). இரண்டாவது நெடுவரிசை நிலையான பிழை மதிப்பீடாகும் :math:`\hat\sigma_b`. மூன்றாவது மற்றும் நான்காவது நெடுவரிசைகள் *b* மதிப்பீட்டைச் சுற்றியுள்ள 95\% நம்பிக்கை இடைவெளிக்கான கீழ் மற்றும் மேல் மதிப்புகளை வழங்குகின்றன (இதைப் பற்றி பின்னர்). ஐந்தாவது நெடுவரிசை உங்களுக்கு *t*-புள்ளிவிவரத்தைத் தருகிறது, மேலும் இந்த அட்டவணையில் :math:`t= \hat{b} / SE(\hat{b})` ஒவ்வொரு முறையும் இருப்பதைக் கவனிக்க வேண்டியது அவசியம். இறுதியாக, கடைசி நெடுவரிசை இந்த சோதனைகள் ஒவ்வொன்றிற்கும் உண்மையான *p*-மதிப்பை உங்களுக்கு வழங்குகிறது.\ [#]_
10/13/2025
User avatar TamilNeram

Translation added
mean
சராசரி
10/13/2025
User avatar TamilNeram

Translation added
The data
தரவு
10/13/2025
User avatar weblate:commit

Changes committed
Changes committed 08/29/2025
User avatar TamilNeram

Translation changed
So we now know how to estimate the coefficients of a linear regression model. The problem is, we don’t yet know if this regression model is any good. For example, the ``regression.1`` model *claims* that every hour of sleep will improve my mood by quite a lot, but it might just be rubbish. Remember, the regression model only produces a prediction *Ŷ*\ :sub:`i` about what my mood is like, but my actual mood is *Y*\ :sub:`i`. If these two are very close, then the regression model has done a good job. If they are very different, then it has done a bad job.
எனவே ஒரு நேரியல் பின்னடைவு மாதிரியின் குணகங்களை எவ்வாறு மதிப்பிடுவது என்பது இப்போது எங்களுக்குத் தெரியும். சிக்கல் என்னவென்றால், இந்தப் பின்னடைவு மாதிரி ஏதேனும் நல்லதா என்பதை நாங்கள் இன்னும் தெரியவில்லை. எடுத்துக்காட்டாக, `` பின்னடைவு 1`` மாதிரி * கூறுகிறது * ஒவ்வொரு மணிநேர தூக்கமும் என் மனநிலையை நிறைய மேம்படுத்தும், ஆனால் அது குப்பையாக இருக்கலாம். நினைவில் கொள்ளுங்கள், பின்னடைவு மாதிரி ஒரு கணிப்பை மட்டுமே உருவாக்குகிறது *ŷ *\: துணை: `எனது மனநிலை எப்படி இருக்கிறது என்பதைப் பற்றி நான்` நான்`, ஆனால் எனது உண்மையான மனநிலை *y *\: துணை:` நான்`. இந்த இரண்டு மிக நெருக்கமாக இருந்தால், பின்னடைவு மாதிரி ஒரு நல்ல வேலையைச் செய்துள்ளது. அவை மிகவும் வித்தியாசமாக இருந்தால், அது ஒரு மோசமான வேலையைச் செய்துள்ளது.
08/29/2025
User avatar TamilNeram

Translation changed
As before, ε\ :sub:`i` is the residual associated with the i-th observation, :math:`{\epsilon}_i = {Y}_i - \hat{Y}_i`. In this model, we now have three coefficients that need to be estimated: *b*\ :sub:`0` is the intercept, *b*\ :sub:`1` is the coefficient associated with my sleep, and *b*\ :sub:`2` is the coefficient associated with my son’s sleep. However, although the number of coefficients that need to be estimated has changed, the basic idea of how the estimation works is unchanged: our estimated coefficients :math:`\hat{b}_0`, :math:`\hat{b}_1` and :math:`\hat{b}_2` are those that minimise the sum squared residuals.
முன்பு போலவே, ε \: துணை: `நான்i` ஐ -வது அவதானிப்புடன் தொடர்புடையது, : கணிதம்: `{\ epsilon} _i = {Y} _i - \ hat {Y} _ i`. இந்த மாதிரியில், இப்போது நம்மிடம் மூன்று குணகங்கள் மதிப்பிடப்பட வேண்டும்: *பி *\: துணை: `0` இடைமறிப்பு, *பி *\: துணை:` 1` என்பது என் தூக்கத்துடன் தொடர்புடைய குணகம், மற்றும் *பி *\: துணை: `2` என்பது எனது மகனின் தூக்கத்துடன் தொடர்புடைய குணகம். இருப்பினும், மதிப்பிட வேண்டிய குணகங்களின் எண்ணிக்கை மாறிவிட்டாலும், மதிப்பீடு எவ்வாறு செயல்படுகிறது என்பதற்கான அடிப்படை சிந்தனை மாறாது: எங்கள் மதிப்பிடப்பட்ட குணகங்கள்: கணிதம்: `\ தொப்பி {b} _0`,: கணிதம்:` \ தொப்பி {b} _1` மற்றும்: கணிதம்: `\ தொப்பி {b} _2` என்பது சதுர சதுர எச்சங்களைக் குறைக்கும்.
08/29/2025
User avatar TamilNeram

Translation changed
Hmm. Looks like the same formula, but there’s some extra frilly bits in this version. Let’s make sure we understand them. Firstly, notice that I’ve written *X*\ :sub:`i` and *Y*\ :sub:`i` rather than just plain old *X* and *Y*. This is because we want to remember that we’re dealing with actual data. In this equation, *X*\ :sub:`i` is the value of predictor variable for the i\ th observation (i.e., the number of hours of sleep that I got on day i of my little study), and *Y*\ :sub:`i` is the corresponding value of the outcome variable (i.e., my grumpiness on that day). And although I haven’t said so explicitly in the equation, what we’re assuming is that this formula works for all observations in the data set (i.e., for all i). Secondly, notice that I wrote *Ŷ*\ :sub:`i` and not *Y*\ :sub:`i`. This is because we want to make the distinction between the *actual data* *Y*\ :sub:`i`, and the *estimate* *Ŷ*\ :sub:`i` (i.e., the prediction that our regression line is making). Thirdly, I changed the letters used to describe the coefficients from *a* and *b* to *b*\ :sub:`0` and *b*\ :sub:`1`. That’s just the way that statisticians like to refer to the coefficients in a regression model. I’ve no idea why they chose *b*, but that’s what they did. In any case *b*\ :sub:`0` always refers to the intercept term, and *b*\ :sub:`1` refers to the slope.
அ்ம். அதே தேற்றம் போல் தெரிகிறது, ஆனால் இந்தப் பதிப்பில் சில கூடுதல் ஃபிரில்லி பிட்கள் உள்ளன. அவற்றைப் புரிந்துகொள்வதை உறுதிசெய்கிறோம். முதலாவதாக, நான் *x *\: sub: `i` மற்றும் *y *\: துணை:` நான் பழைய பழைய *x *மற்றும் *y *ஐ விட. ஏனென்றால், நாங்கள் உண்மையான தரவைக் கையாளுகிறோம் என்பதை நினைவில் கொள்ள விரும்புகிறோம். இந்தச் சமன்பாட்டில், *x *\: துணை: `நான்` நான்i` ஐ அவதானிப்புக்கான முன்கணிப்பு மாறியின் மதிப்பு (அதாவது, எனது சிறிய ஆய்வின் நாளில் எனக்குக் கிடைத்த தூக்கத்தின் மணிநேரம்), மற்றும் *y *\: துணை: `நான்i` விளைவு மாறியின் தொடர்புடைய மதிப்பு (அதாவது, அந்த நாளில் என் எரிச்சல்). சமன்பாட்டில் நான் இவ்வளவு வெளிப்படையாகச் சொல்லவில்லை என்றாலும், இந்தத் தேற்றம் தரவுத் தொகுப்பில் உள்ள அனைத்து அவதானிப்புகளுக்கும் (அதாவது, எல்லாவற்றிற்கும்) செயல்படுகிறது என்று நாங்கள் கருதுகிறோம். இரண்டாவதாக, நான் எழுதியதைக் கவனியுங்கள் ஏனென்றால், *உண்மையான தரவு * *y *\: sub: `i`, மற்றும் *மதிப்பீடு * *ŷ *\: துணை:` i` (அதாவது, எங்கள் பின்னடைவு வரி என்ற கணிப்பு தயாரிக்கிறது). மூன்றாவதாக, குணகங்களை *A *மற்றும் *B *இலிருந்து *B *\: துணை: `0` மற்றும் *B *\: துணை:` 1` என விவரிக்கப் பயன்படுத்தப்படும் கடிதங்களை மாற்றினேன். பின்னடைவு மாதிரியில் குணகங்களைக் குறிப்பிட புள்ளிவிவர வல்லுநர்கள் விரும்பும் வழி இதுதான். அவர்கள் ஏன் *பி *ஐத் தேர்ந்தெடுத்தார்கள் என்று எனக்குத் தெரியவில்லை, ஆனால் அதைத்தான் அவர்கள் செய்தார்கள். எந்தவொரு சந்தர்ப்பத்திலும் *பி *\: துணை: `0` எப்போதும் இடைமறிப்பு காலத்தைக் குறிக்கிறது, மேலும் *பி *\: துணை:` 1` சாய்வைக் குறிக்கிறது.
08/29/2025
User avatar TamilNeram

Translation changed
The relationship between hours worked and grade received for a toy data set consisting of only 10 students (each circle corresponds to one student). The dashed line through the middle shows the linear relationship between the two variables. This produces a strong Pearson correlation of *r* = 0.91. However, the interesting thing to note here is that there’s actually a perfect monotonic relationship between the two variables. In this toy example, increasing the hours worked always increases the grade received, as illustrated by the solid line. This is reflected in a Spearman correlation of ρ = 1.00. With such a small data set, however, it’s an open question as to which version better describes the actual relationship involved.
10 மாணவர்களைக் கொண்ட ஒரு பொம்மை தரவுத் தொகுப்பிற்கான வேலை மற்றும் தரத்திற்கு இடையிலான உறவு (ஒவ்வொரு வட்டமும் ஒரு மாணவருக்கு ஒத்திருக்கிறது). நடுத்தர வழியாக கோடுக் கோடு இரண்டு மாறிகள் இடையிலான நேரியல் உறவைக் காட்டுகிறது. இது * r r* = 0.91 இன் வலுவான பியர்சன் தொடர்பை உருவாக்குகிறது. இருப்பினும், இங்கே கவனிக்க வேண்டிய சுவையான சேதி என்னவென்றால், உண்மையில் இரண்டு மாறிகளள் இிடையே ஒரு சரியான மோனோடோனிக் உறவு உள்ளது. இந்தப் பொம்மை எடுத்துக்காட்டில், திடமான கோட்டால் விளக்கப்பட்டுள்ளபடி, வேலை செய்யும் நேரங்களை அதிகரிப்பது எப்போதும் பெறப்பட்ட தரத்தை அதிகரிக்கிறது. இது ρ = 1.00 இன் ச்பியர்மேன் தொடர்பில் பிரதிபலிக்கிறது. இருப்பினும், இது போன்ற ஒரு சிறிய தரவுத் தொகுப்பைக் கொண்டு, எந்தப் பதிப்பு சம்பந்தப்பட்ட உண்மையான உறவைச் சிறப்பாக விவரிக்கிறது என்பது ஒரு திறந்த கேள்வி.
08/29/2025
Browse all translation changes