# 스튜던트 t 분포 생성
t_dist = np.random.standard_t(df=10, size=1000)
# 히스토그램으로 시각화
plt.hist(t_dist, bins=30, density=True, alpha=0.6, color='r')
# 스튜던트 t 분포 곡선 추가
x = np.linspace(-4, 4, 100)
p = stats.t.pdf(x, df=10)
plt.plot(x, p, 'k', linewidth=2)
plt.title('student t distribution histogram')
plt.show()
그림
카이제곱분포란?
범주형 데이터의 독립성 검정이나 적합도 검정에 사용되는 분포
특징
자유도에 따라 모양이 달라짐
상관관계나 인과관계를 판별하고자 하는 원인의 독립변수가 완벽하게 서로 다른 질적 요소일 때 활용
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import poisson
# 푸아송 분포 파라미터 설정
lambda_value = 4 # 평균 발생률
x = np.arange(0, 15) # 사건 발생 횟수 범위
# 푸아송 분포 확률 질량 함수 계산
poisson_pmf = poisson.pmf(x, lambda_value)
# 그래프 그리기
plt.figure(figsize=(10, 6))
plt.bar(x, poisson_pmf, alpha=0.6, color='b', label=f'Poisson PMF (lambda={lambda_value})')
plt.xlabel('Number of Events')
plt.ylabel('Probability')
plt.title('Poisson Distribution')
plt.legend()
plt.grid(True)
plt.show()
def solution(s, skip, index):
answer = ''
skip = [ord(c) for c in skip]
for c in s:
count = 0
current = ord(c)
while count < index:
current += 1
if current > 122:
current -= 26
if current not in skip:
count += 1
answer += chr(current)
return answer
알고리즘 코드카타를 진행하며 그동안 실천해온 단계적 문제 분석과 설계를 한 뒤 풀이를 하는 과정을 적용하니 단계적으로 성장하는 느낌이 들었다. 적용된 추가적인 함수나 개념들을 Tip에 적어서 한 번 더 상기시키면 도움이 될 것 같다. 통계학 기초의 경우 처음 접하는 개념을 정리하여 사진과 함께 첨부하였다. 조급하게 이해하는 것이 아닌 이러한 개념이 있구나 확인하고 복습과 실습을 통해 n회독을 진행하면 숙달이 될 것 같다.
