1. Home
  2. Detail

@ishowabay: #ethiopian_tik_tok🇪🇹🇪🇹🇪🇹🇪🇹 #habeshatiktok #viralvideo #music

Yab
Yab
Open In TikTok:
Region: ET
Thursday 22 October 2026 13:50:55 GMT
118926
8794
98
9798

Music

Download

No Watermark .mp4 (1MB) No Watermark(HD) .mp4 (1.25MB) Watermark .mp4 (1MB) Music .mp3

Comments

user1743163422295
hileni :
ይችላል አሽ ልክ ነው
2026-10-24 07:45:29
2
mik.pak1
mik pak@ :
atmechegnm
2026-10-23 10:01:04
1
kena99911
kena 🦋 🦋🦋 :
My name is zagaye 🤣🤣🤣🤣🤣
2026-10-24 19:24:07
0
emuu.yemann
EMUU YEMANN :
wow
2026-10-23 10:18:08
1
user2768221581381
Ashuu 19 :
kkkkkkkk😂😂😂😂😂😂😂😂😂😂
2026-10-23 10:47:42
1
burukee05
burukee :
nooooo😂
2026-10-22 23:17:18
0
is17338
is :
2026-10-26 07:58:43
0
user123semu
Sam :
kkkk
2026-10-22 19:32:58
0
esayaschelsea
ኢሳያስ chelsea :
እረባክ እዴትነዉ ምታወሪዉ እናት
2026-10-22 16:44:51
0
bekii626
𝔹𝕖𝕜𝕚𝕚🤟🤗✌️ :
@✨singitan💫😜
2026-10-24 04:03:08
0
adisudaniealmengeshagmai
comidian kilo :
@𝚁𝙾𝙼𝙸 𝚈𝙾 👷‍♂️ 😁😁😁
2026-10-22 16:52:00
1
user5982375230078
Hacee 123 :
🥰🥰🥰
2026-10-28 10:00:04
0
abdu03524
MO SALAH 🤟⚽⚽⚽ :
✌️✌️✌️
2026-10-26 15:52:09
0
.man5278
አምሩ mAN :
🥰🥰🥰
2026-10-27 06:46:30
0
abrhaam7
🍁 _ ab_ oficial 🇯🇲 :
🥰🥰🥰
2026-10-26 17:13:00
0
gech00057
gech የማንቼው :
😁😁😁
2026-10-26 17:15:36
0
tomblack96
@𝙽𝙴𝚈𝙼𝙰𝚁. 𝙹𝚁 :
@🍁𝖋. 𝖎.𝖗.𝖆.🍁
2026-10-26 07:53:42
0
user2196934800223
ትንሹ ታይሰን 💬🔞💪 :
🥰🥰🥰
2026-10-27 17:41:07
0
nimat.nimat02
Nimat Nimat :
😁😁😁
2026-10-27 05:10:36
0
gee.blaze.lul
GEE BLAZE Lul 🎤🎤🦅🦅🦅 :
🥰🥰🥰
2026-10-26 15:50:40
0
meridman305
meridman305 :
😁😁😁
2026-10-26 09:44:36
0
rahel.s12
Rahel S :
😂😂😂
2026-10-26 08:07:37
0
a.170723
matiiiiiiii wallagaaaaaa rg :
[Pray][Pray][Pray]
2026-10-28 03:43:12
0
abe5x4
kena :
😁😁😁
2026-10-25 19:28:34
0
ras.amaan
🇹🇷🇹🇷KAWSAR🇹🇷🇹🇷 :
😂😂😂
2026-10-22 13:54:35
0
To see more videos from user @ishowabay, please go to the Tikwm homepage.

Other Videos

El bootstrap no te da más datos. Te enseña cuánto puedes fiarte de los que ya tienes. Imagina que tu jefe te da los datos de 100 clientes y te pide el gasto mediano. Lo calculas, y te pregunta cuánto puede fiarse de ese número. No puedes pedir otros 100 clientes: solo tienes esta muestra. Así que escribes cada cliente en una bola, las metes en una bolsa, sacas una, apuntas su gasto y la vuelves a meter. Con reemplazamiento, así que algunos clientes salen varias veces y otros ninguna. Repites hasta tener otra muestra de 100, calculas la mediana y empiezas de nuevo, miles de veces. El resultado no es un número, es una distribución completa del estadístico. Si casi todas las medianas caen en un rango estrecho, tu resultado es estable. Si se dispersan mucho, dependía de la suerte de qué clientes te tocaron. De ahí sacas el error estándar o un intervalo de confianza con los percentiles 2,5 y 97,5. Es tan útil porque para muchos estadísticos no existe una fórmula cerrada del error: medianas, cocientes, correlaciones o la métrica de un modelo de Machine Learning. Con bootstrap no deduces, simulas. Tu muestra es la mejor aproximación que tienes de la población, y remuestrearla imita lo que pasaría al muestrear la población real. Tiene límites: si la muestra es pequeña o sesgada, el bootstrap hereda el problema, porque no inventa información que tus datos no contienen. Y funciona mal con estadísticos extremos, como el máximo. Comenta COMUNIDAD y te envío el enlace a Outliers In Data. #Bootstrap #Estadistica #DataScience #CienciaDeDatos #machinelearning
El bootstrap no te da más datos. Te enseña cuánto puedes fiarte de los que ya tienes. Imagina que tu jefe te da los datos de 100 clientes y te pide el gasto mediano. Lo calculas, y te pregunta cuánto puede fiarse de ese número. No puedes pedir otros 100 clientes: solo tienes esta muestra. Así que escribes cada cliente en una bola, las metes en una bolsa, sacas una, apuntas su gasto y la vuelves a meter. Con reemplazamiento, así que algunos clientes salen varias veces y otros ninguna. Repites hasta tener otra muestra de 100, calculas la mediana y empiezas de nuevo, miles de veces. El resultado no es un número, es una distribución completa del estadístico. Si casi todas las medianas caen en un rango estrecho, tu resultado es estable. Si se dispersan mucho, dependía de la suerte de qué clientes te tocaron. De ahí sacas el error estándar o un intervalo de confianza con los percentiles 2,5 y 97,5. Es tan útil porque para muchos estadísticos no existe una fórmula cerrada del error: medianas, cocientes, correlaciones o la métrica de un modelo de Machine Learning. Con bootstrap no deduces, simulas. Tu muestra es la mejor aproximación que tienes de la población, y remuestrearla imita lo que pasaría al muestrear la población real. Tiene límites: si la muestra es pequeña o sesgada, el bootstrap hereda el problema, porque no inventa información que tus datos no contienen. Y funciona mal con estadísticos extremos, como el máximo. Comenta COMUNIDAD y te envío el enlace a Outliers In Data. #Bootstrap #Estadistica #DataScience #CienciaDeDatos #machinelearning
👀 #bannertiktok #wallpaper #banner #fyp #4klivewallpaper
👀 #bannertiktok #wallpaper #banner #fyp #4klivewallpaper
Căng Quá
Căng Quá


Dont worry guys we dont actually do this 🤪 #egirl #GamerGirl #gaming #pov #uwu
Dont worry guys we dont actually do this 🤪 #egirl #GamerGirl #gaming #pov #uwu
@Lege-Cy #editbyjamil #legecy #viraltiktok #fyp #sad
@Lege-Cy #editbyjamil #legecy #viraltiktok #fyp #sad

About

Legal