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 직교집합(Orthogonal set) 직교집합과 선형결합 직교적 투영(Orthogonal Projection) 정규직교(Orthonormal) 정규직교기저 정규직교벡터의 확인 그람 슈미트 과정(Gram-Schmidt) 과정 직교집합, 투영 그리고 Gram-Schmidt 과정 직교집합(Orthogonal set) 식 1과 같이 벡터의 내적이 0인 경우는 그 벡터는 직교합니다 (직교 벡터). $\mathbb{R}^n$ 차원에서 내적이 0인 모든 벡터들의 집합 u 1 , u 2 , …, u p 을 직교 집합 (orthogonal set)이라고 합니다. $$\begin{equation}\tag{1} \begin{matrix} u_i·u_j = 0\\i\neq j \end{matrix} \end{equation}$$ 예) 다음 벡터 집합이 직교 집합인지를 결정해봅니다. $$u_1=\begin{bmatrix}3\\1\\1 \end{bmatrix}, \quad u_2=\begin{bmatrix}-1\\2\\1 \end{bmatrix}, \quad u_3=\begin{bmatrix} -\frac{1}{2}\\-2\\\frac{7}{2}\end{bmatrix}$$ import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt u1=np.array([3,1,1]).reshape(3,1) u2=np.array([-1,2,1]).reshape(3,1) u3=np.array([-1/2,-2,7/2]).reshape(3,1) u1u2=np.dot(u1.T, u2); u1u2 array([[0]]) u1u3=np.dot(u1.T, u3); u1u3 array([[0.]]) u2u3=np.dot(u2.T,u3);