문과생 네버랜드의 데이터 창고

In [9]: import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d from mpl_toolkits.mplot3d.art3d import Poly3DCollection 2. 차원과 공간¶ 1) 열공간과 영공간¶ (1) 영공간¶ 선형변환 결과 변환된 공간에서 영벡터로 수렴하는 변환전 부분공간을 영공간이라고 한다.¶ In [263]: plt.figure(figsize = (20,5)) ax = plt.axes(projection="3d") fig_1 = plt.subplot(1,3,1,projection="3d") fig_2 = plt.subplot(1,3,2) x = [0,1,1,0] y = [0,0,1,1] ..

In [1]: import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d 3) 행렬식¶ (1) 행렬식은 부분공간의 선형변환에서의 부피 확대율이다.¶ In [9]: # - 성질 print(np.identity(3)) print("행렬식 : ",np.linalg.det(np.identity(3))) [[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]] 행렬식 : 1.0 성질1 : 단위행렬의 행렬식은 1이다. In [16]: A = np.matrix([[2,3],[4,1]]) B = np.matrix([[4,2],[3,1]]) print(np.linalg.det(np.dot(A,B))) print(np.lina..

In [2]: import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d 1. 기본 개념¶ 1) 벡터¶ In [134]: # (1) 수를 나열한것을 벡터라고 부른다. x_2 = np.array([2,5]) # 2차원 벡터 x_3 = np.array([6,3,3]) #3차원 벡터 x_4 = np.array([2.9,0.3,1/7,4,42]) #5차원 벡터 In [17]: # (2) 벡터의 공간은 자유롭게 활용 가능하다. print(x_2) print(x_2.T) [2 5] [2 5] In [133]: # (3) 벡터끼리는 덧셈과 뺄셈 그리고 정수배가 가능하다. x_3_2 = np.array([2,5,6]) print..

적률생성함수? 적률? 1) 적률생성함수는 확률변수의 '적률'을 생성해주는 함수 2) 적률이란 영어로 번역하면 모먼트(Moment)로, 확률 변수가 물리학의 모먼트같이 확률 변수의 특성을 각각의 차원별로 나타나게 해주는 통계량이다 적률생성함수의 정의 1) X를 $e^{tx}$ 라는 기댓값이 존재하는 확률변수라고 하면, E{(e^{tx})} 로 표현할 수 있다. 2) 위와 같은 상황에서 ${(1)}$ 이산형 확률분포라면, $E{(e^{tx})} = \sum (e^{tx})p[x] < \infty$ ${(2)}$ 연속형 확률분포라면 $E{(e^{tx})} = \int_{-\infty}^{\infty}e^{tx}f(x)dx$ 3) 결국, $E{(e^{tx})} = M(t)$로 정의하며, 이 함수를 적률생성함수라..

기댓값? 1) 각 사건이 벌어졌을때의 원하는 바가 이루어질 것으로 기대되는 이득과 그 건수들의 확률을 곱해 모두 더한 것 2) 우리가 흔히 말하는 평균이 이 정의에 포함된다. 정의 1) 연속형 확률변수의 경우 (1) $\int_{-\infty }^{ \infty }{|x|}f{(x)}dx < \infty $ 일때 ${(즉, 발산하지 않고 수렴할 때)}$ (2) 연속형 확률변수의 기댓값 $E{(X)}$는 $\int_{-\infty }^{\infty}{x}f{(x)}dx$로 구한다 2) 이산형 확률변수의 경우 (1) $\sum _{-\infty }^{ \infty }{|x|}p{(x)} < \infty$ 일때${(즉, 발산하지 않고 수렴할 때)}$ (2) 이산형 확률변수의 기댓값은 $\sum _{-\inft..