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 기저 벡터 표준기저(Standard basis) 선형 독립과 기저 기저(Basis) 기저는 선형 결합에서 선형 독립 을 이루는 벡터들입니다. 즉, 선형 결합의 결과 벡터를 생성하기 위한 기본이 되는 벡터를 의미합니다. 벡터들의 집합을 벡터 공간이라고 하였습니다. 그 공간에서 두 개 이상의 벡터는 선형 결합으로 그 공간 내에 존재하는 부분 공간 을 만들어 낼 수 있습니다. 이러한 공간의 기본은 선형 독립인 벡터들입니다. 선형 독립 시스템에서의 결과 벡터는 이 기저 벡터들의 방향, 차원 등의 특성을 가진 형태로 그 벡터 공간의 부분 공간이 됩니다. 즉, 기저는 그 부분 공간을 나타내기 위한 기본 축이 될 수 있습니다. 이러한 기저 벡터들은 다음 조건을 만족해야 합니다. 기저 벡터 벡터 H가 벡터 공간 B(b 1 , b 2 , … , b p )의 부분공간인 경우 B = {b 1 , b 2 , … , b p }는 H의 기저(basis)입니다. ⇔ H와 B는 선형 독립: 벡터 공간에서 기저는 선형 독립인 벡터들입니다. ⇔ H = Span{b 1 , b 2 , … , b p } 즉, 집합 B의 벡터들은 H의 부분 공간이며 선형결합이 성립됩니다. 결과적으로 벡터 B 집합은 H(부분공간)의 스판이 되며 B의 선형 결합에 의한 결과 벡터가 H가 된다는 것을 의미합니다. 또한 이 선형결합은 독립이어야 하므로 자명한 해(유일해) 를 가져야 합니다. 표준기저(Standard basis) 항등 행렬의 각 열 벡터는 동일한 차원의 모든 벡터에 대해 스판이며 선형 독립입니다. 예를 들어 3차원의 항등 행렬의 경우 그 행렬에 의한 동차 선형 결합 의 해집합은 0벡터입니다. 즉, 항등 행렬의 선형 결합은 자명한 해를 가지므로 선형 독립입니다. 또한 이 시스템의 표준 행렬 은 정방 행렬이고 독립이기 때문에 0이 아닌 행렬식을 가집니다. import numpy as np import numpy.linalg as