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
미분의 기하학적 의미 미분 계수는 변화율을 의미하는 것으로서 그림 1과 같이 기하학적으로 나타내면 보다 명확해 집니다. 그림 1. y=x 2 +a. 그림 1에서 곡선 PQR은 X, Y의 축에 대해 작성된 곡선의 일부입니다. 이 곡선에서 점의 가로 좌표가 x이고 세로 좌표가 y인 점 Q가 x가 변할 때 y가 어떻게 변하는지 관찰할 수 있습니다. x가 작은 증분 dx 만큼 증가하면 오른쪽에서 y도 작은 증분 dy 만큼 증가하는 것을 관찰할 수 있습니다. 이것은 이 곡선이 상승 곡선이기 때문에 일어나는 현상입니다. 이 상태에서 dy와 dx의 비율은 곡선이 두 점 Q와 T 사이에서 위로 기울어지는 정도를 측정 한 것입니다. 사실 그림에서 Q와 T 사이의 기울기는 일정하지 않습니다. 즉, Q, T 사이에는 직선이 아닌 곡선이므로 다양한 기울기들 존재하기 때문입니다. 결과적으로 일정한 간격인 dy, dx에 의해 계산된 비율은 각 지점의 변화율에 대한 평균값입니다. 그러나 Q와 T가 직선이라고 간주할 수 있을 만큼 곡선의 작은 부분이라면 비율 $\displaystyle \frac{dy}{dx}$은 QT에서의 곡선의 기울기라고 말할 수 있습니다. QT가 매우 작다면 점 Q에서의 곡선의 기울기는 그 구간의 기울기 $\displaystyle \frac{dy}{dx}$에 근접하게 되고 그 구간이 지속적으로 작아지면 결국 이 비율은 점 Q에서의 기울기로 간주할 수 있습니다. 이것을 접선의 기울기 (slope of tangent) 라고 합니다. 그림 2는 곡선의 기울기와 미분계수의 관계를 나타낸 것으로 각각은 다음과 같습니다. 그림 2의 a는 곡선의 작은 부분의 기울기가 45°보다 큰 경우로서 접선의 기울기 $\frac{dy}{dx} \gt 1$ 그림 2의 b과 같이 특정 지점에서의 기울기가 45°라면 $\displaystyle \frac{dy}{dx}=1$ 그림 2의 c와 같이 특정 지점에서의 기울기가 45°보다 작으면 $\displayst