기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

댓글 쓰기

[data analysis] 변동: 분산(variance)

변동(Variation)

관련내용

분산(Variance)

데이터의 중심으로부터의 차이 정도를 나타내는 지표로 중간값을 사용하는 MAD와는 달리 분산 (variance)은 평균을 사용합니다. 또한 MAD는 절대값을 적용하는데 반해 동일한 이유로 분산은 편차의 제곱을 사용합니다. 즉, 식 1과 같이 계산되는 분산을 평균제곱편차(mean squared deviation)라고도 합니다. 일반적으로 분산은 σ2으로 나타냅니다.

\begin{align}\sigma^2&=\frac{\sum^n_{i=1}(x_i-\mu)^2}{n-1}\\& n:\text{샘플 크기},\quad \mu: \text{평균} \end{align}(식 1)

그림 1은 데이터의 각 값과 평균의 편차 제곱(yvar), 중간값과의 차이의 절대값(ymad) 함수들의 형태를 나타낸 것입니다. 즉, 분산과 MAD산출하기 위한 함수들을 나타냅니다.

그림1. 분산과 MAD 함수.

그림 1에서 나타낸 것과 같이 MAD와 분산을 위한 함수는 각각 직선과 2차 곡선입니다. 편차는 확률을 기반으로 하는 통계적 추론의 중요한 매개변수입니다. 기존 자료를 기반으로 새로운 값을 추정하기 위한 통계 모델은 편차를 최소로 하는 지점을 기준으로 구축됩니다. 이 기준은 함수의 미분에 의한 최소 극값으로 결정할 수 있습니다. 이러한 측면에서 2차 함수인 분산 함수가 더 유리합니다.

예)

한 반에서 무작위로 선택한 6명의 수학점수입니다. 이 자료의 분산을 결정합니다.

90, 65, 95, 75, 70, 85

x=np.array([90, 65, 95, 75, 70, 85])
mu=x.mean(); mu
80.0

평균을 기준으로 각 값의 편차와 제곱편차를 계산합니다.

점수 편차 제곱편차
A 90.0 10.0 100.0
B 65.0 -15.0 225.0
C 95.0 15.0 225.0
D 75.0 -5.0 25.0
E 70.0 -10.0 100.0
F 85.0 5.0 25.0

분산은 위 표의 제곱 편차의 평균으로 다음과 같이 계산됩니다.

\begin{align}\sigma^2 & = \frac{100.0 + 225.0 + 225.0 + 25.0 + 100.0 + 25.0}{6}\\&=116.7\end{align}

분산은 np.var(x, ddof=None), 객체.var(ddof=None) 메소드를 적용하여 계산할 수 있습니다. 이 함수와 메소드에서 ddof는 자유도를 생성하는 요인으로 전체 자료수에서 제외하는 갯수를 의미합니다.

  • numpy.var(x, axis=None, ddof=0, ...), x.var(axis=None, ddof=0, ...)
    • 객체 x의 분산을 계산
    • x: array, DataFrame, Series 객체
    • axis: 연산의 방향을 지정
    • ddof: 자료의 자유도를 산출하기 위해 고려되는 값
round(np.var(x, ddof=1), 2))
140

분산 계산과정은 다음과 같습니다.

  1. 평균 결정
  2. 각 값과 평균의 차이를 계산(=편차)
  3. 각 편차의 제곱을 계산(=제곱 편차)
  4. 제곱편차의 합(sum of square, SS) 계산
  5. 편차 제곱의 합을 자료의 크기 또는 자유도로 나누어 분산을 결정

예)

SS=486, n=120(샘플 수)인 자료의 분산을 결정합니다.

σ2 = 486(식 1.3.6)
120 − 1
≈  44.36
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 »

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...
댓글 쓰기
Read more »

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...
댓글 쓰기
Read more »