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
선형미분방정식(Linear Differential Equations) 다음 식 1은 가장 높은 차수가 1차 미분을 포함하는 전형적인 선형 1계 미분방정식입니다. 기본적으로 이 형태의 방정식을 풀기 위해서는 좌항 전체를 적분 가능한 형태로 전환해 줍니다. $$\frac{dy}{dt}+p(t)y=g(t) \tag{1}$$ 식 1의 p(t)와 g(t)는 연속함수입니다. 식 1의 좌항은 특정한 함수를 첨가함으로 식 2와 같은 미분의 곱의 형태와 유사하게 만들 수 있습니다. $$\frac{d}{dx}\left(f(x)\mu(x)\right) = \frac{d[f(x)]}{dx}\mu(x)+f(x)\frac{d[\mu(x)]}{dx} \tag{2}$$ 식 1을 식 2와 같은 형태로 만들기 위해 식 1의 양변에 $\mu(t)$를 곱해줍니다. 이 함수를 적분인자(integrating factor) 라고 합니다. $$\mu(t)\frac{dy}{dt}+\mu(t)p(t)y=\mu(t)g(t)\tag{3}$$ 적분인자를 고려한 식 3을 식 2와 비교하면 식 4를 가정할 수 있습니다. $$\begin{align}\tag{4} & \mu(t)p(t)=\mu'(t)\\ & \frac{\mu(t)}{\mu'(t)}=p(t)\end{align}$$ 위의 가정으로 2의 좌항에 미분의 곱법칙을 적용될 수 있습니다. $$\begin{equation}\begin{aligned}&\mu(t)\frac{dy}{dt}+\mu'(t)y=(\mu(t) y)'=\mu(t)g(t)\\ & \therefore \mu(t)g(t)=(\mu(t) y)'\end{aligned}\end{equation}$$ 위 식의 양변을 적분하여 y (또는 y(t))를 다음과 같이 정리할 수 있습니다. $$\begin{aligned}&\begin{aligned}\int\mu(t)g(t)\, dt&=\int (\mu(t) y(t))&