Codeπ

컴퓨터 시스템의 네가지 구성요소 - Computer hardware : provides basic computing resources 기본 컴퓨팅 제공자원 ex. CPU, memory, I/O devices - System and application programs (compiler, assembler, text editor, database system) : define the ways in which the system resources are used to solve the computing problems of the users - Operating System : controls and coordinates use of hardware among various applications and u..

3.3 Continuous Probability Distributions Discrete - 이산, 샘플 공간이 유한하거나 셀 수 있는 무한의 가능성, 결과값이 유한 Continuous - 연속, 샘플공간이 셀 수 없이 무한한 가능성, 결과값이 사람에 따라 다르게 나오거나 무한 Probability mass function (p.m.f)) - 확률 질량 함수, discrete한 랜덤 변수에 대한 확률을 정의, 특정 값과 정확히 일치하는 이산 랜덤 변수의 확률 제공 Probability density function (p.d.f) - 확률 밀도 함수, continuous 한 랜덤 변수에 대한 확률을 정의, 쥬주어진 범위 내 에서 랜덤 변수가 특정한 값을 취할 상대적 가능성 지정 - f(x)로표기, 실수 집..

Prob24_01_introduction Population (모집단) - the collection of all outcomes 모든 결과, 응답, 측정값 또는 개수의 모음 N = 인구규모, 대문자로 나타냄 Sample (표본) - a subset of a population 인구의 부분집합 n = 표본의 크기, 소문자로 나타냄 Parameter (모수) - numerical description of a population 인구의 수치적 특성을 나타냄 ex. mean(평균), variance(분산), max value(최댓값) Population -> Sample (Probability 확률) Sample -> Population (Statistical Inference 통계) 작은 것들을 보고 큰 ..

next() 메소드: 다음 토큰(공백 이전의 문자열)을 반환합니다. nextLine() 메소드: 개행 문자(\n)를 기준으로 한 라인을 읽어 반환합니다. nextInt() 메소드: 다음 정수를 반환합니다. nextDouble() 메소드: 다음 실수를 반환합니다. nextFloat() 메소드: 다음 부동소수점 수(실수)를 반환합니다. nextLong() 메소드: 다음 long 타입의 정수를 반환합니다. nextByte() 메소드: 다음 byte 타입의 정수를 반환합니다. nextShort() 메소드: 다음 short 타입의 정수를 반환합니다. nextBoolean() 메소드: 다음 boolean 값을 반환합니다. useDelimiter(String pattern) 메소드: 입력 토큰을 구분하기 위한 정규 ..

charAt(index): 문자열에서 특정 인덱스에 해당하는 문자를 반환합니다. 인덱스는 0부터 시작하며, 문자열의 길이를 넘어가면 빈 문자열을 반환합니다. compareTo(anotherString): 두 문자열을 사전 순서로 비교합니다. 비교 결과에 따라 정수 값을 반환하며, 두 문자열이 동일하면 0을 반환합니다. concat(str): 현재 문자열에 다른 문자열을 이어붙여 새로운 문자열을 반환합니다. equals(anotherString): 두 문자열이 동일한지 여부를 확인합니다. 대소문자를 구분하여 비교하며, 동일하면 true를 반환합니다. equalsIgnoreCase(anotherString): 대소문자를 무시하고 두 문자열이 동일한지 여부를 확인합니다. 동일하면 true를 반환합니다. ind..

Descriptive Statistics (기술통계학)  - 목적 : 주어진 데이터를 요약, 정리하고 설명하는 것이 목적. 주어진 데이터 집합의 특성을 이해하고 전반적인 경향을 파악하는데 중점을 둠 - 활용 : 평균, 중간값, 표준편차, 분포 등과 같은 대표적인 통계량을 계산하여 데이터의 특성을 설명 ex) 학급 학생들의 시험점수평균, 표준편차, 최댓값, 최솟값 등을 계산하여 학급 전체의 시험성적을 요약하는 것 Inferential Statics (추론통계학) Sample ->Population  - 목적 : 표본 데이터를 사용하여 모집단에 대한 일반적인 특성을 추론하고 예측하는 것이 목적. 주어진 표본을 기반으로 모집단에 대한 일반적인 특성에 대한 결론을 도출 - 활용 : 가설 검정, 신뢰구간, 회귀 ..

1. 표본화 기법 - Simple random sample (SRS) : 단순 임의추출 모집단에서 사례를 임의로 선택하여 각 사례가 고르게 선택될 수 있도록 한다 - Stratified sample : 층화추출 모집단을 계층이라고 하는 동질의 그룹으로 나눈 다음, 각 계층 내에서 임의로 표본화한다 - Cluster sample : 군집추출 모집단을 군집들로 나누고 몇 개의 군집을 임의로 표본화한 후, 이들 군집 내에서 모든 관측을 표본화한다 층화추출과 달리, 군집 내부는 이질적이나 각 군집은 서로가 유사하여 몇몇 군집에서 표본화하는 것만으로도 충분 - Multistage sample : 다단 추출 군집 추출에서 또 다른 한 단계를 더 추가한다. 모집단을 군집으로 나누고 몇 개의 군집을 임으로 표본화한 후..