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 항등행렬 역행렬 행렬식 연립방정식에 적용 역행렬을 사용하여 선형시스템의 해 결정 항등행렬 항등행렬 : eye(n) > eye(3) [,1] [,2] [,3] [1,] 1 0 0 [2,] 0 1 0 [3,] 0 0 1 역행렬 역행렬: 다음의 관계를 만족하는 행렬 B를 역행렬(inverse matrix) 라고 합니다. $$A \cdot B = I \rightarrow B=A^{-1}$$ 이러한 역행렬을 가지는 행렬을 가역행렬(reversible matrix) 라고 합니다. > set.seed(2) > a<-sample(1:10, 4);a [1] 5 6 9 1 > A<-matrix(a, 2,2);A [,1] [,2] [1,] 5 9 [2,] 6 1 > A_inv<-solve(A); A_inv [,1] [,2] [1,] -0.02040816 0.1836735 [2,] 0.12244898 -0.1020408 > A%*%A_inv [,1] [,2] [1,] 1 -1.110223e-16 [2,] 0 1.000000e+00 > round(A%*%A_inv) [,1] [,2] [1,] 1 0 [2,] 0 1 위 행렬 A의 행렬식은 0이 아닙니다. > det(A) [1] -49 행렬식 행렬은 그 행렬로 부터 계산할 수 있는 행렬식(determinant)이 0인 경우 역행렬이 존재하지 않는 특성을 가지고 있습니다. 즉, 행렬식은 어떤 행렬에 대해 특이 행렬 여부를 결정할 수 있는 근거가 됩니다. 행렬식 ≠ 0 → 가역행렬 그러나 위 명제의 역은 성립하지 않습니다. R함수 det() 를 사용하여 계산합니다. 연립방정식에 적용 역행렬을 사용하여 연립방정