A B C d E F G H I K L M N O P Q R S T U V W Z A statsmodels.ap.stats.anova_lm(x) statsmodels.formula.api.ols 에 의해 생성되는 모형 즉, 클래스 인스턴스(x)를 인수로 받아 anova를 실행합니다. np.argsort(x, axis=-1, kind=None) 객체 x를 정렬할 경우 각 값에 대응하는 인덱스를 반환합니다. Axis는 기준 축을 지정하기 위한 매개변수로서 정렬의 방향을 조정할 수 있음(-1은 기본값으로 마지막 축) pandas.Series.autocorr(lag=1) lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산 B scipy.stats.bernoulli(x, p) 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 p: 단일 시행에서의 확률 scipy.stats.binom(x, n, p) 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 n: 총 시행횟수 p: 단일 시행에서의 확률 C scipy.stats.chi2.pdf(x, df, loc=0, scale=1) 카이제곱분포의 확률밀도함수를 계산 $$f(x, k) =\frac{1}{2^{\frac{k}{2}−1}Γ(\frac{k}{2})}x^{k−1}\exp\left(−\frac{x^2}{2}\right)$$ x: 확률변수 df: 자유도 pd.concat(objs, axis=0, join=’outer’, …) 두 개이상의 객체를 결합한 새로운 객체를 반환. objs: Series, DataFrame 객체. Axis=0은 행단위 즉, 열 방향으로 결합, Axis=1은 열단위 즉, 행 방향으
내용 선형결합(Linear Combination) 스판 (Span) 모순된 시스템 동차 선형결합(Homogeneous Linear Combination) 선형시스템(Linear System) 선형결합(Linear Combination) 벡터 집합 R = {v 1 , v 2 , …, v n } 즉, 행렬 R과 스칼라집합 c={c 1 , c 2 , …, c n } 사이에 식 1과 같이 y가 정의된다면 그 식을 행렬 R과 스칼라(가중치, weight)-c-와의 선형 결합 (linear combination)이라고 합니다. $$\begin{align}\tag{1} y &= c_1v_1 + c_2v_2 + \cdots + c_nv_n\\ &= \begin{bmatrix}c_1&c_2&\cdots&c_n\end{bmatrix}\begin{bmatrix}v_1\\v_2\\\vdots\\v_n\end{bmatrix}\\ &= CV \end{align}$$ 식 1에서 C는 선형결합의 계수행렬로 표준행렬(standard matrix) , V는 변수벡터 또는 행렬을 나타냅니다. 예를 들어 다음 변수 벡터인 w=<x, y>와 세 벡터 a 1 , a 2 , b 사이에 다음의 관계가 성립하면 선형 결합이라고 합니다. b = x·a 1 + y·a 2 import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt a1=np.array([1,-2,-5]).reshape(-1,1) a2=np.array([2,5,6]).reshape(-1,1) b=np.array([7,4,-3]).reshape(-1,1) A=np.hstack([a1, a2]) A array([[ 1, 2], [-2, 5], [-5, 6]]) 위 결