기본 콘텐츠로 건너뛰기

[math] 정적분의 특성

댓글 쓰기

[data analysis] 변동: 표준편차(Standard Deviation)

변동(Variation)

관련내용

표준편차(Standard Deviation)

분산은 편차의 제곱으로 원시 자료(raw data) 단위의 제곱으로 자료를 해석하는데 불리합니다. 원래의 단위로 복원하기 위해서는 식 1과 같이 분산에 제곱근을 적용합니다. 이 결과를 표준편차 (standard deviation)이라 하며 σ로 나타냅니다.

$$\sigma=\sqrt{\frac{\sum^n_{i=1}(x_i-\mu)^2}{n-1}}$$(식 1)

표준편차는 np.std(x, ddof), DataFrame.std(x, ddof)으로 계산할 수 있습니다.

  • numpy.std(x, axis=None, ddof=0, ...), DataFrame.std()
    • 지정한 축을 기준으로 배열 객체 x의 표준편차를 계산 (= array.std())
    • axis=None 의 경우 1차원 벡터로 전환하여 표준편차 계산
    • ddof: 자료의 자유도를 산출하기 위해 데이터 크기에서 빼주는 값

예)

평균이 72인 시험에서 A의 점수는 78입니다. 다음 중 A에게 유리하기 위한 자료의 표준편차(s)를 결정하세요.

(1) s=2(2) s=3(3) s=4

자료의 변동이 작다는 것은 값들이 특정한 지점에 집중도가 증가한다는 것입니다. 또한 A의 점수는 평균 보다 크므로 표준편차가 작을수록 상위에 위치할 가능성이 증가하게 됩니다. 그러므로 (1)의 경우가 가장 유리할 것입니다.

통계분석에서 정보를 획득하기 위한 관심의 대상이 되는 전체 집합을 모집단(population)이라하며 그 모집단에서의 일부를 표본(sample)이라고 합니다. 일반적으로 모집단을 확보하는 것이 어려운 경우가 많습니다. 그러므로 모집단의 특성을 모집단의 일부인 표본으로부터 추정하는 것이 통계 분석의 목적이 됩니다.

표본의 크기는 조절이 가능하며 유한하기 때문에 합, 평균등의 통계량을 결정할 수 있습니다. 이 때문에 모든 값들이 확률적이지 않습니다. 예를 들어 [1, 3, 5, 1]로 구성된 자료의 총 합이 10입니다. 이 자료의 총합은 고정된 상태이므로 자료 중 3개의 값을 알면 나머지는 자동으로 할당되므로 이 자료의 4개의 값들 중에 확률변수로 사용할 수 있는 값들은 3개 뿐 입니다. 이를 데이터 셋에 대한 중간값이나 평균등의 통계량을 알고 있을 경우 n-1개의 값을 알고 있다면 나머지 값은 자동적으로 지정됩니다. 즉, 통계량을 1개 알고 있다면 데이터 n-1개만이 자유롭습니다. 이를 자유도(degree of freedom)라고 하며 예의 경우 자유도는 3이 됩니다. 결과적으로 자유도는 데이터들 중 확률변수(랜덤변수)로 사용할 수 있는 데이터 갯수입니다. 다시 말하면 통계적 추정을 계산하는 과정에서 사용된 독립적인 정보의 수로 정의 할 수 있습니다. 일반적으로 평균을 사용할 수 있는 경우 데이터 셋의 자유도는 데이터의 크기(n) - 1이 됩니다.

모집단의 경우 일반적으로 추정의 대상으로 전체 크기나 평균 등의 통계량을 알 수 없는 경우가 대부분이므로 자유도를 고려할 수 없습니다. 그러나 표본의 경우 크기가 유한하므로 자유도를 고려해야 합니다. 표본의 크기가 매우 크다면 n과 n-1은 차이는 무시가능합니다. 그러나 작은 표본일 경우는 결과에 큰 차이를 나타냅니다. 그러므로 평균이나 분산 그리고 표준편차에서 자유도를 고려해야 합니다. 자유도 고려 여부에 따른 모집단과 표본에서의 통계량의 계산식을 표 1에 나타내었습니다.

표 1 모집단과 표본에서의 평균, 분산, 그리고 표준편차 N: population size, n: sample size
ItemPopulationSample
Mean$\mu=\frac{\sum^n_{i=1}x}{N}$$\bar{x}=\frac{\sum^n_{i=1}x}{n-1}$
Variance$\sigma^2=\frac{\sum^n_{i=1}(x-\mu)^2}{N}$$s^2=\frac{\sum^n_{i=1}(x-\bar{x})^2}{n-1}$
Meanσs
Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같
댓글 쓰기
Read more »

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()
댓글 쓰기
Read more »

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b
댓글 쓰기
Read more »