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
비선형 1차 미분방정식(Separable Equations) 비선형 1차 미분방정식의 첫번째 유형은 분리가능한 형태(Separable form) 입니다. $$N(y)\frac{dy}{dx}=M(x)$$ 위 식은 y와 x가 분리되어 있는 형태입니다. 이 식의 해를 결정하기 위해 양변을 적분합니다. $$\begin{aligned}&\int N(y)\frac{dy}{dx}\,, dx=\int M(x)\,, dx\\ &\int N(y)\, dy = \int M(x)\, dx \end{aligned}$$ 예) $\frac{dy}{dx}=6y^2x$의 해를 결정합니다. 이 식의 초기 조건은 $y(1)=\frac{1}{25}$입니다. $$\begin{aligned}&\frac{1}{6y^2}\frac{dy}{dx}=x\\ &\int \frac{1}{6y^2}\frac{dy}{dx}\, dx=\int x\, dx \\ &\int \frac{1}{6y^2}\, dy=\int x\, dx\\ &-\frac{1}{6}\frac{1}{y}=\frac{1}{2}x^2+C\\ &\frac{1}{y}=-3x^2+C\end{aligned}$$ 위 식에 초기조건을 대입하여 C를 결정합니다. $$\begin{aligned}&\frac{1}{1/25}=-3+C\\&C=28\end{aligned}$$ 그러므로 해는 다음과 같습니다. $$\begin{aligned}\frac{1}{y}=-3x^2+28 \\ y=\frac{1}{28-3x^2} \end{aligned}$$ x=symbols('x') y=Function('y')(x) eq=Eq(y.diff(x), 6*y**2*x) sol=dsolve(eq, y, ics={y.subs(x, 1): 1/25}); sol $\quad\color{navy}{\scriptstyle y{\left(x \right)} = - \frac{1}{3 x^