기본 콘텐츠로 건너뛰기

글

라벨이 permutation인 게시물 표시

통계관련 함수와 메서드 사전

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
댓글 쓰기
자세한 내용 보기

확률, 순열, 그리고 조합

내용 확률 개념 확률공리 순열과 조합 (Permutation & Combination) 곱의 법칙 순열 조합 확률 개념 확률은 미래에 발생할 사건에 대한 믿음의 측정으로 과거의 데이터를 기반으로 합니다. 즉, 과거의 데이터들로 부터 전체 중에서 특정한 대상이 되는 사건의 발생 비율을 확률이라고 정의할 수 있습니다. 확률은 다음의 공리를 가집니다. 확률 공리 \label{probabilityAxiom} 0과 1 사이의 값입니다. $0 \,\le\, P(x) \,\le\, 1$ 모든 확률의 합은 1입니다. $\begin{aligned}&\sum_{x \in S} P(x) =1\\ & S=\text{모든 가능한 공간} \end{aligned}$ A: 모든 가능한 공간에 포함된 사건(들) $A \subset S, P(X \in A) = \sum_{x \in A}P(X=x)$ 실험에서 특별한 사건이 일어날 확률에 대한 개념은 다양한 방식으로 적용되고 해석될 수 있습니다. 예를 들어 내일은 비올 확률이 70%라는 예보에 대해 과거 기후 조건의 데이터들을 분석하여 오늘의 날씨와 유사한 조건에서 70%가 비가 온다는 결과로서 해석할 수 있으며 단지 예보자의 주관적인 생각의 결과로 해석할 수도 있습니다. 전자의 경우는 기존 데이터들에서 대상이 되는 사건들의 빈도로 확률을 계산하는 방식으로 빈도적 해석(frequency interpretation) 이라 하고 후자의 경우는 주관적인 추론에 의한 결과로서 주관적 해석(subjective interpretation) 이라고 합니다. 이와 같이 확률은 두 가지 시각으로 해석할 수 있으며 모든 경우에 사용되는 기본적인 용어들이 있습니다. 확률실험(random experiment,시행): 모든 사건들의 확률이 동일하다고 가정할 수 있는 시행. Ex)
댓글 쓰기
자세한 내용 보기

Permutation & Combination

Contents Probability Permutation & Combination Probability Probability is a measure of belief about an event that will occur in the future, based on historical data. In other words, the probability of occurrence of a specific target event among the total from past data can be defined as probability. Probability has the following axiom: Probability axiom A value between 0 and 1 $$ 0 \,\le\, P(x) \,\le\, 1$$ The sum of all probability is 1 $$\begin{align}&\sum_{x \in S} P(x) =1\\ & S=\text{all possible spaces} \end{align} $$ A: Event(s) included in S $$A \subset S, P(X \in A) = \sum_{x \in A}P(X=x)$$ The concept of the probability that a particular event will occur in an experiment can be applied and interpreted in many ways. For example, for a forecast that there is a 70% chance of rain tomorrow, you can analyze the data of past climatic conditions and interpret it as a result of 70% rain under conditio
댓글 쓰기
자세한 내용 보기

[Probability]순열(permutation)

순열(Permutaion) 경우의 수 주사위 2개를 시행할 경우 발생되는 모든 경우는 다음과 같습니다. event=[] for i in range(1, 7): for j in range(1, 7): event.append((i, j)) print(event, end="") [(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)] (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6) (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) (6, 1) (6, 2) (6, 3) (6, 4) (6, 5)
댓글 쓰기
자세한 내용 보기