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 독립 합공식 조건부확률 베이즈정리 독립과 조건부확률 독립 함께 일어날 수 없는 상태 즉, 교집합이 공집합인 사건들은 독립사건 또는 상호 배타적 결과들(disjoint or mutually exclusive outcomes) 이 됩니다. 예를 들어 하나의 주사위를 시행하는 경우 1과 2가 함께 나오는 경우는 일어날 수 없으므로 독립 사건이 됩니다. 한편 1과 홀수가 나올 확률은 1이 이미 홀수이므로 동시에 발생할 수 있지요. 그러므로 이 사건은 상호 배타적 결과들이 아닙니다. 독립사건의 확률을 계산하는 것은 비교적 쉽습니다. 즉, 1개의 주사위 시행에서 1 또는 2가 나올 사건의 확률은 상호독립이므로 식 1과 같이 각 확률의 합이 됩니다. $$\begin{equation}\tag{1}P(1 \, \text{or} \, 2) =P(1)+P(2)= \frac{1}{6}+\frac{1}{6}=\frac{1}{3}\end{equation}$$ 위와 달리 어떤 사건이 동시에 일어날 수 있는 사건이 존재하는 경우 즉, 사건 A, B가 독립사건이 아닌 경우 위의 합은 식 2와 같이 수정됩니다. $$\begin{align}\tag{2}P(A\; \text{or} \;B) &= P(A)+ P(B) - P(A\; \text{and} \;B)\\ & \text{또는}\\ P(A \cup B) &= P(A)+P(B) - P(A \cap B) \end{align}$$ 합공식 두 독립사건 $E_1, E_2$이라면 이 둘이 발생할 확률은 단순히 두 확률의 합으로 계산됩니다. $$\begin{equation}P(E_1 \;\text{or} \; E_2) =P(E_1 \cup E_2)= P(E_1) + P(E_2)\end{equation}$$ 위 식의 확장으로 2개 이상의 독립사건들에 대한 모든 확률은 식 3과 같이 계산됩니다 $$\begin{align}\tag{3}&P(E_1 \;\tex