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 가역적 그리고 독립 선형 독립과 종속 정리 선형 독립과 선형 종속 $\mathbb{R}$ 공간의 벡터들$(v_1, v_2, \cdots, v_p) $와 스칼라$(c_1, c_2,\cdots, c_p)$의 동차 선형 결합은 식 1과 같이 행렬 방정식의 형태로 나타낼 수 있습니다. $$\begin{align}\tag{1} \begin{matrix}c_1v_1 + c_2v_2 + \cdots + c_pv_p= 0\\\Downarrow \\\begin{matrix}\begin{bmatrix}v_{11}& v_{12}& \cdots&v_{1p}\\ v_{21}& v_{22}& \cdots &v_{2p}\\ \vdots &\vdots &\ddots & \vdots \\v_{n1}& v_{n2}& \cdots &v_{np} \end{bmatrix} \begin{bmatrix}c_1\\c_2\\ \vdots \\c_p \end{bmatrix}=\begin{bmatrix}0\\0\\\vdots \\0 \end{bmatrix} \end{matrix} \end{matrix} \end{align}$$ 동차 선형 결합이 자명한 해(trivial solution) 를 갖는다면 선형 독립 (linear independent)라고 하고 위 식을 만족시키기 위한 자명하지 않은 해(nontrivial solution)을 갖는다면 선형 종속 (linear dependent)이라고 합니다. 예) 다음시스템의 선형 독립성을 결정합니다. $$\begin{aligned} &x_1 + 4x_2 + 2x_3 = 0\\ &2x_1 + 5x_2 + x_3 = 0\\ &3x_1 + 6x_2 = 0 \end{aligned}$$ import numpy as np import numpy.linalg as la import sympy as sp import mat