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 베타함수 F 분포에서의 수용역과 기각역 F 분포(F distribution) 카이제곱 분포 를 따르는 자유도가 각각 k 1 , k 2 인 두 확률변수 X 1 , X 2 의 비에 대한 분포를 F분포 라고 합니다. 새로운 확률변수 F는 식 1과 같이 계산됩니다. $$\begin{equation}\tag{1} F=\frac{X^2_1/k_1}{X^2_2/k_2} \end{equation}$$ 위 식에서 보는 것과 같이 F 분포를 결정하는 인자는 두 개의 자유도이며 각각을 d 1 , d 2 로 표현하면 F 분포는 다음과 같이 나타냅니다. F ∼ F(d 1 , d 2 ) F분포를 따르는 확률변수 x의 확률밀도함수는 식 2와 같습니다. $$\begin{align}\tag{2}f(x)&=\frac{1}{\text{B}(d_1/2, d_2/2)}\left(\frac{d_1x}{d_1x+d_2}\right)^\frac{d_1}{2} \left(1-\frac{d_1x}{d_1x+d_2}\right)^\frac{d_2}{2} x^{-1}\\ &B:\text{베타함수}\\& x \ge 0 \\ & d_1, d_2: \text{양의 정수} \end{align}$$ 베타함수 감마함수 의 비로 식 3과 같습니다. $$\begin{align}\tag{3}B(x, y)&=\frac{\Gamma(x) \Gamma(y)}{\Gamma(x+y)}\\ &\int^1_0 t^{x-1}(1-t)^{y-1}\, dt \end{align}$$ F 분포의 다양한 통계량은 scipy.stats 모듈의 f() 클래스의 여러 메서드를 사용하여 계산할 수 있으며 대표적으로 확률밀도함수( f.pdf() )를 적용합니다. 그림 1은 분자, 분모 자유도에 따라 F분포의 변화를 나타낸 것입니다. import numpy as np import pandas as pd import matplotlib.pyplot