Introduction to Statistics (Fall, 2018) Chapter 2 Introduction to Probability Chapter 2 Introduction to Probability 2.1 Overview 확률 ( 론 ) 은우연에따라좌우되는게임

Size: px
Start display at page:

Download "Introduction to Statistics (Fall, 2018) Chapter 2 Introduction to Probability Chapter 2 Introduction to Probability 2.1 Overview 확률 ( 론 ) 은우연에따라좌우되는게임"

Transcription

1 2.1 Overview 확률 ( 론 ) 은우연에따라좌우되는게임 ( 주사위, 동전, 카드, ) 에서특정사건의 발생가능성을수량화하기위하여탄생 (1) 한개의주사위를 5 번던지는실험에서결과 : 모집단 {1, 2, 3, 4, 5, 6} 에서단순임의복원추출 (simple random sampling with replacement) 을이용해 5 개의표본을추출하는것 > sample(1:6, 5, replace=true) [1] (2) 1 개의동전을 2 번던지는실험에서결과 : 모집단 {HH, HT, TH, TT} 에서단순임의복원추출 (simple random sampling with replacement) 을이용해 1 개의표본을추출하는것 > sample(c('hh','ht','th','tt'), 1, replace=true) [1] "HH" [ 실습 2.1] 1 개의동전을 3 번던지는실험에서결과 1

2 2.2 표본공간과사건 Definition Sample space of the experiment (S): the set of all possible outcomes of an experiment : 한실험에서가능한모든결과의집합을실험의표본공간 (sample space) 이라하고 S 로표기된다. Example (a) 2 개의부품을선택하고각각정상 (non-defective, N), 불량 (defective, D) 으로분류하는실험에대한표본공간 : S 1 = {NN, ND, DN, DD} (b) 2 개의부품을선택하고불량품의수를기록하는실험에대한표본공간 : S 2 = {0, 1, 2} (c) 2 번째불량품을발견할때까지검사한부품들의수를기록하는실험에대한 표본공간 : S 3 = {2, 3, } Example 특정대학의학생 1 명을뽑아태양에너지사용확장에대한학생의견을 1~10 점으로기록한다. (a) 이실험은표본공간을구하시오. : S={1, 2,, 10} (b) 표본공간과모집단 (population) 은어떻게다른가? : 모집단은이대학의전체학생들로부터의의견점수의모임이다. ( 동일한점수의반복이가능 ) 표본공간은가능한결과들의모임이다. ( 동일한점수의반복이안됨 ) 2

3 Example 특정대학의학생 3 1~10 점으로기록한다. 명을뽑아서태양에너지사용확산에대한학생의견을 (a) 이실험의표본공간을구하시오. 표본공간의크기를구하시오. : 3 명의의견이 (xx 1, xx 2, xx 3 ) 로구성된모든가능한결과로기록되었을때, 1 번째 학생의응답을 xx 1 = 1,2,,10, 2 번째학생의응답을 xx 2 = 1,2,,10, 3 번째학생의 응답을 xx 3 = 1,2,,10 으로표기한다. 따라서, 표본공간은다음과같이표현된다. SS 1 = {(xx 1, xx 2, xx 3 ) xx 1 = 1,2,,10, xx 2 = 1,2,,10, xx 3 = 1,2,,10} 가능한표본공간의크기, = 1000 (b) 3 명의응답에대한합계만이기록된다고할때표본공간을나타내고그크기를구하시오. > S1=expand.grid(x1=1:10, x2=1:10, x3=1:10) # lists all triplets in S1 > length(table(rowsums(s1))) # gives the number of different sums 3

4 표본공간 (S1) = {3, 4, 5,, 30} 표본공간의크기 = 28 Events ( 사건 ): collections of individual outcomes, 개별결과들의모임 Simple event ( 단순사건 ): an event consisting of only one outcome, 오직 1 개의결과로이루어진사건 A B = : 만약두사건이공통된결과가없어서함께발생될수없을때두사건 A, B 는 배반 (disjoint) 또는상호배타적 (mutually exclusive) 이라고한다. 4

5 결합법칙, 분배법칙, 드모드강의법칙 Exercises 1. 다음각실험에대한표본공간을구하시오. (a) 1 개의주사위를 2 번던지고결과들을기록한다 : {(1,1), (1,2),, (6,6)} (b) 1 개의주사위를 2 번던지고그결과들의합을기록한다. : {2, 3, 4,, 12} (c) 불량품 6 개를포함하고있는 500 개의제품들에서, 30 개의제품을단순임의추출할때이표본에포함된불량품의수를기록한다. : {0, 1, 2,, 6} (d) 1 번째불량품이발견될때까지제품들을검사할때관찰된제품들의수를기록한다. : {1, 2, } 5

6 2.3 Experiments with Equally Likely Outcomes 확률의정의와표현 P(E): probability of an event E, to quantify the likelihood of occurrence of E by assigning a number from the interval [0, 1] : 구간 [0, 1] 로부터하나의숫자를할당하여사건 E 의발생가능성을수치화 Limiting relative frequency (n ) NN nn (EE) nn Probability of Each of N Equally Likely Outcomes 어떠한실험의표본공간이발생확률이같은 N 개의결과들로구성된다면각 결과의확률은 1/N 이다. Assignment of Probabilities in the Case of N Equally Likely Outcomes P(E) = NN(EE) NN Example 레이저다이오드 (laser diodes) 의효율은 2 에서 4 까지다양하다. 100 개중에서, 2, 2.5, 3, 3.5, 4 의효율성을가지는다이오드들의수가각각 10, 15, 50, 15, 10 개가있다. 한개의레이저다이오드를임의로선택할때, 사건 E 1 ={ 선택된레이저다이오드의효율성이 3 인경우 }, E 2 ={ 선택된레이저다이오드의효율성이적어도 3 인경우 } 의확률을구하시오. Solution N = 100, N(EE 1 ) = 50, N(EE 2 ) = 75 PP(EE 1 ) = 0.5, PP(EE 2 ) =

7 Example 개의주사위를던질때합이 7 인사건의확률을구하시오. Solution N=36, A={(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)} N(A)=6 P(A)=6/36=1/ Counting Techniques Definition (1) Permutation ( 순열 ) : ordered outcomes (2) Combination ( 조합 ) : unordered outcomes Number of Permutations of k Units Selected from n nnpp kk = PP kk,nn Number of Combinations of k Units Selected from n nncc kk = nn kk : 이항계수 (binomial coefficients) (1) a, b, c 를배열하는서로다른순서의경우수 = 6 가지 abc, acb, bac, bca, cab, cba 3 2 1=6(=3!) > factorial(3) [1] 6 (2) 8 명의사람으로이루어진집단에서 2 명을선택하는경우의수는다음과같다 = 2 =

8 > choose(8,2) [1] 28 (3) PP kk,nn = nn PP kk = nn CC kk kk! = nn kk kk! > choose(n,r)*factorial(r) 8

9 2.4 Conditional Probability : 조건부확률 The multiplication rule and tree diagrams : 두사건에대한곱셈규칙 : 세사건에대한곱셈규칙 Law of total probability and Bayes theorem : 표본공간의 Partition ( 분할 ) : 전확률법칙 9

10 Example 모든남자들의 5% 와여자들의 0.25% 는색맹이다. 55% 여자들과 45% 남자들로이루어진한지역사회에서임의로한사람을선택한다. (a) 임의로선택한사람이색맹일확률을구하시오. (b) 만약선택된사람이색맹이라면, 그사람이남자일확률을구하시오. Solution B : 선택된사람이색맹인사건 A 1 : 남자인사건 A 2 : 여자인사건 10

11 2.5 Independent events : 독립사건 P(B A)=P(B) Example 개의주사위를동시에던질때 3 개의사건 A, B, C 는다음과같이정의된다. A: 첫번째주사위의눈이 3 인사건 B: 두주사위의눈의합이 8 인사건 C: 두주사위의눈의합이 7 인사건이때다음의각문항에답하시오. (1) A 와 B 는독립인가? (2) A 와 C 는독립인가? Solution A={(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)} B={(2,6), (3,5), (4,4), (5,3), (6,2)} C={(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)} A B={(3,5)} A C={(3,4)} (1) P(A B)=1/36, P(A)=6/36, P(B)=5/36 P(A)P(B) = (6/36)(5/36) 1/36 A 와 B 는독립이아니다. (2) P(A C)=1/36, P(A)=6/36, P(C)=6/36 P(A)P(C) = (6/36)(6/36) =1/36 A 와 C 는독립이다. 11

12 2.6 Association Rule Mining 연관규칙마이닝, Association Rule Mining ARM (1) 아이템 (items) 과거래 (transactions) 데이터를이용하여아이템간의연관성을분석 ( 아이템 = 사건, 거래 = 실험결과 ) (2) 아이템과트랜잭션데이터집합 I={i 1, i 2,, i n } : n 개의아이템집합 T={t 1, t 2,, t m } : m 개의트랜잭션집합 (ex) Wal mart data I={Beer, Nuts, Diaper, Coffee, Eggs, Milk} T={10,20,30,40,50} (3) 개별트랜잭션은번호 (unique identical number) 와이에포함된아이템들로구성 tt jj = ii jj1, ii jj2,, ii jjjj (ex) Wal mart data t 10 =(Beer, Nuts, Diaper) (4) 연관규칙의표현 - X 아이템이거래되고나서 Y 아이템이거래된것을의미 X Y X 와 Y 는아이템집합에포함된아이템 X: 선행사건 (antecedent), lhs(left hand side) Y: 후행사건 (consequent), rhs(right hand side) 12

13 (6) Market basket analysis ( 장바구니분석 ), Frequent patterns analysis ( 빈발패턴분석 ) 이러라고도함 ARM 의 3 가지평가측도 (evaluation measures) : 지지도 (support), 신뢰도 (confidence), 향상도 (lift) (1) 지지도 - 두사건 (event) A 와 B 에대하여 A 와 B 가동시에발생할확률 PP(AA BB) (2) 신뢰도 - A 가발생했다는조건하에서 B 가발생할확률 PP(BB AA) (3) 향상도 PP(BB AA) PP(BB) (4) 지지도와신뢰도최소확률값을정하여이값보다큰규칙들에대하여 의미를부여 : ARM 에서는최소임계값 (minimum threshold) Support ( 지지도 ) X 와 Y 를함께포함하고있는트랜잭션수 support(x Y) = P(X Y) = 전체트랜잭션수 0 support(x Y) 1 (1) 규칙 (X Y) 의지지도는 X 와 Y 를동시한포함한트랜잭션수를전체 트랜잭션수로나눈값 (2) 1 에가까울수록같은트랜잭션에속한 X 와 Y 는전체트랜잭션에서차지하는 중요도가커짐. (3) 지지도가 0 에가깝다는것은전체트랜잭션에서차지하는비중이크지 않다는것을의미 13

14 (4) 일반적으로지지도는자주발생하지않은규칙을우선적으로제거하는데사용 (5) (XX YY) 와 (YY XX) 의지지도값은같기때문에두규칙간의차이를알수없음. support(x Y) = P(X Y) = PP(YY XX) = support(y X) (6) (5) 의문제점을보완하기위하여신뢰도이용 Confidence ( 신뢰도 ) P(X Y) confidence(x Y) = P(Y X) = P(X) X 와 Y 를함께포함하고있는트랜잭션수 = X 를포함한트랜잭션수 0 confidence(x Y) 1 (1) X 가발생하였다는조건하에서 Y 가발생할확률로정의되는신뢰도는다음과 같이 X 와 Y 의지지도 (P(X Y)) 를 X 의지지도 (P(X)) 로나눈값이다. confidence(x Y) = P(Y X) = P(X Y) P(X) = support(x Y) support(x) : 지지도값이 1 에가까울수록 X 는 Y 에많은영향을줌. (2) 보통최소지지도값이상의연관규칙들중에서큰신뢰도값을갖는규칙들이의미있는것으로최종판단 (3) 규칙 (X Y) 와 (Y X) 의지지도값은같지만신뢰도값은같지않다. 따라서신뢰도는두아이템 X 와 Y 사이의연관성을확인할수있음. 14

15 2.6.5 Lift ( 향상도 ) lift( X confidence( X Y ) Y ) = = support( Y ) P( Y X ) = P( Y ) P( X Y ) support( X Y ) = P( X ) P( Y ) support( X )support( Y ) 0 lift(x Y) < (1) X 와 Y 의향상도는 X 와 Y 의신뢰도를 Y 의지지도로나눈값 (2) 최종적으로 X 와 Y 의지지도를 X 와 Y, 각각의지지도로나눈값 (3) 향상도값은확률이아니고이론적으로 0 에서무한대 ( ) 사이의값을갖는다. (4) 향상도값이 1 이되면 X 와 Y 는서로독립 (independent) 이된다. lift(x Y) = PP(XX YY) PP(XX)PP(YY) = 1, PP(XX YY) = PP(XX)PP(YY) : X 와 Y 는서로영향을미치지않는다. (5) 만약향상도값이 1 보다크면 X 와 Y 는서로보완 (complementary) 관계가 된다. 즉, X 가증가 ( 감소 ) 함에따라 Y 도함께증가 ( 감소 ) 한다. (6) 반면에 X 와 Y 의향상도값이 1 보다작게되면상호대체 (substitutive) 관계가 된다. 즉 X 가증가 ( 감소 ) 함에따라 Y 는감소 ( 증가 ) 한다. (7) 향상도값에따른 X 와 Y 의관계 > 1 XX aaaaaa YY aaaaaa cccccccccccccccccccccccccc ( 상호보완 ) lift(x Y) = 1 XX aaaaaa YY aaaaaa iiiiiiiiiiiiiiiiiiiiii ( 독립 ) < 1 XX aaaaaa YY aaaaaa ssssssssssssssssssssssss ( 상호대체 ) 15

16 2.6.6 Example [Wal Mart Case] P(beer) =, P(diaper) =, P(beer diaper) = P(beer diaper) =, P(diaper beer) = P(diaper beer) P(diaper) =, P(beer diaper) P(beer) = 16

17 > library(arules) > library(arulesviz) > tr = read.transactions("c:/data/walmart.txt", format = "basket", sep = ",") > tr transactions in sparse format with 5 transactions (rows) and 6 items (columns) > rules = apriori(tr, parameter = list(support = 0.1, confidence = 0.8)) > rules set of 46 rules > inspect(rules) 17

18 > inspect(head(sort(rules, by = "support"), 10)) > inspect(head(sort(rules, by = "confidence"),10)) 18

19 > inspect(head(sort(rules, by = "lift"), 10)) 19

cha4_ocw.hwp

cha4_ocw.hwp 제 4장 확률 우리는 일상생활에서 확률이라는 용어를 많이 접하게 된다. 확률(probability)는 한자어로 확실할 확( 確 ), 비율 률( 率 )로 해석된다. 로또당첨확률, 야구 한국시리즈에서 특정 팀이 우승 할 확률, 흡연자가 폐암에 걸릴 확률, 집값이 오를 확률 등 수없이 많은 확률들이 현대생활 에서 사용되어지고 있다. 대부분의 일간신문에는 기상예보

More information

확률과통계 강의자료-1.hwp

확률과통계 강의자료-1.hwp 1. 통계학이란? 1.1 수학적 모형 실험 또는 증명을 통하여 자연현상을 분석하기 위한 수학적인 모형 1 결정모형 (deterministic model) - 뉴톤의 운동방정식 : - 보일-샤를의 법칙 : 일정량의 기체의 부피( )는 절대 온도()에 정비례하고, 압력( )에 반비례한다. 2 확률모형 (probabilistic model) - 주사위를 던질 때

More information

PowerPoint 프레젠테이션

PowerPoint 프레젠테이션 2017 년가을학기 손시운 (ssw5176@kangwon.ac.kr) 지도교수 : 문양세교수님 Basic of Association Rules Association Rule 다른데이터로부터어떤데이터의발생을예측하는규칙 데이터간의연관성및상관관계를표현하는규칙 A B (A와 B는각각데이터의부분집합 ) A 를 lhs (left-hand side), B 를 rhs (right-hand

More information

PowerPoint Presentation

PowerPoint Presentation 데이터전처리 Data Preprocessing 09 연관분석 (Association Analysis) 목차 1. 연관규칙 2. 빈발항목집합생성 3. 연관규칙생성 4. 빈발항목집합표현 5. 연관패턴평가 데이터전처리 (Data Preprocessing) - 09 연관분석 (Association Analysis) 3 1. 연관규칙 연관규칙마이닝 트랜잭션집합이주어지면,

More information

슬라이드 1

슬라이드 1 [ 도입사례 ] 17 세기의프랑스철학자인파스칼은파스칼의정리혹은파스칼의원리등을남긴뛰어난수학자이며근대확률이론에도큰영향을미친바있습니다. 파스칼의책팡세 (Pensees) 에는 ' 파스칼의내기 (Pascal's Wager)' 라고하는흥미있는내용이수록되어있습니다. 파스칼은특히종교의문제에있어서는우리가이성에만의존할수없다는입장이었는데, 파스칼이신의존재와관련하여설명한내용은불확실성하의결정

More information

II 2 72 90 % 0 % 74 80 % 80 % 90 % 0 % 00 90 0 80 % 0 80 % 8 20 % 9020 % 8 268 ;2 6;=0307y 3 % (90) 72 8 (0) 2 8 74 26 75 0 02 2 5 25 A B AB AB pq A B p+q 2 5 5 2 np r =n(n-)y(n-r+) np r n! nc r = 2 =

More information

chap6_basic_association_analysis PART1 ver2

chap6_basic_association_analysis PART1 ver2 Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 6 Contents Association Rule Mining 2 Association Rule Mining Given a set of transactions, find rules that will

More information

HWP Document

HWP Document CODE A00-B99 A00-A09 A00 KOR_TITLE 특정 감염성 및 기생충성 질환 창자 감염 질환 콜레라 A00.0 비브리오 콜레리 01 전형균에 의한 콜레라 A00.0 전형균에 의한 콜레라 A00.1 비브리오 콜레리 01 엘토르형균에 의한 콜레라 A00.1 엘토르형균에 의한 콜레라 A00.9 상세불명의 콜레라 A01 A01.0 장티푸스 장티푸스

More information

Probability Overview Naive Bayes Classifier Director of TEAMLAB Sungchul Choi

Probability Overview Naive Bayes Classifier Director of TEAMLAB Sungchul Choi Probability Overview Naive Bayes Classifier Director of TEAMLAB Sungchul Choi 머신러닝의학습방법들 - Gradient descent based learning - Probability theory based learning - Information theory based learning - Distance

More information

확률과통계4

확률과통계4 확률과통계 4. 확률변수와확률분포 건국대학교스마트 ICT 융합공학과윤경로 (yoonk@konkuk.ac.kr) 4. 확률변수와확률분포 4.1 확률변수와확률분포의개념 4.2 결합확률분포 4.3 주변확률분포 4.4 조건부확률분포 4.5 확률변수의독립 4.1 확률변수와확률분포의개념 [ 정의 4-1] 확률변수 (random variable) 표본공간의각원소를실수값으로

More information

chap6_basic_association_analysis PART2 ver2

chap6_basic_association_analysis PART2 ver2 Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 6 1 Contents Rule Generation 2 Rule Generation from frequent itemset Given a frequent itemset L, find all non-empty

More information

제 2 장육상관측소지상종관기상전문의해독과기입,.,. (FM 12) (FM 13). (WMO) FM 12-Ⅸ Ext. SYNOP, FM 13-Ⅸ Ext. SHIP. ZCZC 612 SMKO01 RKSL AAXX

제 2 장육상관측소지상종관기상전문의해독과기입,.,. (FM 12) (FM 13). (WMO) FM 12-Ⅸ Ext. SYNOP, FM 13-Ⅸ Ext. SHIP. ZCZC 612 SMKO01 RKSL AAXX 제 2 장육상관측소지상종관기상전문의해독과기입,.,. (FM 12) (FM 13). (WMO) FM 12-Ⅸ Ext. SYNOP, FM 13-Ⅸ Ext. SHIP. ZCZC 612 SMKO01 RKSL 221200 AAXX 22124 47140 11662 82709 10240 20226 39941 49970 52015 60112 72166 8552/ 333 10248

More information

확률과통계.indd

확률과통계.indd (Pascal, B. ; 16~166) (de Me're' C. ; 1607~168) 80 01 8 % 1 0 0 0 60 70 1 100 100 61 7 68 7 88 1 100 1... A B A;B 81 A n(a;b) 1111 A n(a) A A;B n(a;b) 61 B 11111 = 1 n(a) 88 SAB 0 A B A B P(B A) S A B

More information

dbinom(2, 3, 0.5) # x, n, p [1] 포아송확률분포 (Poisson distribution) X: 사건의빈도수 X~Poisson(mm), m > 0 mmxx mm P(X = x) = ee xx!, xx = 0,1,2, (Example:

dbinom(2, 3, 0.5) # x, n, p [1] 포아송확률분포 (Poisson distribution) X: 사건의빈도수 X~Poisson(mm), m > 0 mmxx mm P(X = x) = ee xx!, xx = 0,1,2, (Example: Python Tensorflow 를활용한머신러닝 1. Machine Learning 1.1 통계학, 머신러닝, 인공지능 (1) 통계학, 인공지능, 머신러닝 정의 Statistics (S. M. Ross) : Statistics is the art of learning from data. Machine learning (A. Samuel) : Machine Learning

More information

Lecture12_Bayesian_Decision_Thoery

Lecture12_Bayesian_Decision_Thoery Bayesian Decision Theory Jeonghun Yoon Terms Random variable Bayes rule Classification Decision Theory Bayes classifier Conditional independence Naive Bayes Classifier Laplacian smoothing MLE / Likehood

More information

Multi-pass Sieve를 이용한 한국어 상호참조해결 반-자동 태깅 도구

Multi-pass Sieve를 이용한 한국어 상호참조해결 반-자동 태깅 도구 Siamese Neural Network 박천음 강원대학교 Intelligent Software Lab. Intelligent Software Lab. Intro. S2Net Siamese Neural Network(S2Net) 입력 text 들을 concept vector 로표현하기위함에기반 즉, similarity 를위해가중치가부여된 vector 로표현

More information

기본서(상)해답Ⅰ(001~016)-OK

기본서(상)해답Ⅰ(001~016)-OK 1 1 01 01 (1) () 5 () _5 (4) _5_7 1 05 (5) { } 1 1 { } (6) _5 0 (1), 4 () 10, () 6, 5 0 (1) 18, 9, 6, 18 1,,, 6, 9, 18 01 () 1,,, 4, 4 1,,, 4, 6, 8, 1, 4 04 (1) () () (4) 1 (5) 05 (1) () () (4) 1 1 1 1

More information

Unknown

Unknown 0 THEME!!!_!_!_!_!=_6=8 pp. ~8!!!_!=70 0, P =_=, 0, _=9, _=9,, +9+9=0 6 6!=70, f, l, w, r P _!= =88 70-88= THEME (-)!=!!!_!=6 (-)!=!!!_!= 6 (-)!=! 6_!=6_= 6 (6-)!=!=0 0_=60, 6! 6 = =60 _ e, t l, r 6! =80!!

More information

R t-..

R t-.. R 과데이터분석 집단의차이비교 t- 검정 양창모 청주교육대학교컴퓨터교육과 2015 년겨울 t- 검정 변수의값이연속적이고정규분포를따른다고할때사용 t.test() 는모평균과모평균의 95% 신뢰구간을추청함과동시에가설검증을수행한다. 모평균의구간추정 - 일표본 t- 검정 이가설검정의귀무가설은 모평균이 0 이다 라는귀무가설이다. > x t.test(x)

More information

슬라이드 제목 없음

슬라이드 제목 없음 물리화학 1 문제풀이 130403 김대형교수님 Chapter 1 Exercise (#1) A sample of 255 mg of neon occupies 3.00 dm 3 at 122K. Use the perfect gas law to calculate the pressure of the gas. Solution 1) The perfect gas law p

More information

#수Ⅱ지도서-4단( )

#수Ⅱ지도서-4단( ) IV 4 3 4 5 5 exponent 3 3 Archimedes B.C. 87~B.C. Diophantos?00~?84 a m _a n =a m+n (mn=0y) Stifel M. 487~567 Arithmetica integra y-3--03y y ;8!; ;4!; ;!; 48y Stevin S. 548~60 xx x ()()(3) x ;!; x ;3!;

More information

Y 1 Y β α β Independence p qp pq q if X and Y are independent then E(XY)=E(X)*E(Y) so Cov(X,Y) = 0 Covariance can be a measure of departure from independence q Conditional Probability if A and B are

More information

B-05 Hierarchical Bayesian Model을 이용한 GCMs 의 최적 Multi-Model Ensemble 모형 구축

B-05 Hierarchical Bayesian Model을 이용한 GCMs 의 최적 Multi-Model Ensemble 모형 구축 Hierarchical Bayesian Model 을 이용한 GCMs 의 최적 Multi-Model Ensemble 모형 구축 Optimal Multi-Model Ensemble Model Development Using Hierarchical Bayesian Model Based 권 현 한 * 민 영 미 **Saji N. Hameed *** Hyun-Han

More information

untitled

untitled Math. Statistics: Statistics? 1 What is Statistics? 1. (collection), (summarization), (analyzing), (presentation) (information) (statistics).., Survey, :, : : QC, 6-sigma, Data Mining(CRM) (Econometrics)

More information

<4D6963726F736F667420576F7264202D20323031323034313720B5B6C0DABDC5BFEBB5EEB1DE20B5B5C0D4B0FA20B1E2BEF720BDC5BFEBC0A7C7E820BBF3BDC320C6F2B0A120B5EEC0C720BFB5C7E2C0BA2E646F63>

<4D6963726F736F667420576F7264202D20323031323034313720B5B6C0DABDC5BFEBB5EEB1DE20B5B5C0D4B0FA20B1E2BEF720BDC5BFEBC0A7C7E820BBF3BDC320C6F2B0A120B5EEC0C720BFB5C7E2C0BA2E646F63> Credit Analysis 독자신용등급 도입과 기업 신용위험 상시 평가 등의 영향은 A등급 그룹의 취약 섹터 자회사에 집중 Tel. 2004-9566 kim.se-yong@shinyoung.com 독자신용등급 도입으로 증자 등을 통해 자체 펀더멘탈의 개선 요구 전망 이르면 7월부터 신용평가시장 선진화 방안으로 독자신용등급이 도입될 예정이다. 독자신용등급 은

More information

°ø±â¾Ð±â±â

°ø±â¾Ð±â±â 20, 30, 40 20, 30, 40 1 2 3 4 5 6 7 8 9 10 3.1 6.3 9.4 12.6 15.7 18.8 22.0 25.1 28.3 31.4 2.4 4.7 7.1 9.4 11.8 14.1 16.5 18.8 21.2 23.6 7.1 14.1 21.2 28.3 35.3 42.4 49.5 56.5 63.6 70.7 5.9 11.9 17.8 23.7

More information

<3130C0E5>

<3130C0E5> Redundancy Adding extra bits for detecting or correcting errors at the destination Types of Errors Single-Bit Error Only one bit of a given data unit is changed Burst Error Two or more bits in the data

More information

#DPK5(PB)(9.8.19)

#DPK5(PB)(9.8.19) PARTS BOOK DPK-5 포스트 베드, 1본침 본봉 지그재그 재봉기 Post Bed, Single-Needle Lock Stitch Zig Zag Sewing Machines PME-090929 SunStar CO., LTD. INFORMATION A. Parts Book 구성 Structure of Part Book ① ② ③ ④ ⑤⑥ ⑦ ⑧⑨ ① 관계

More information

FGB-P 학번수학과권혁준 2008 년 5 월 19 일 Lemma 1 p 를 C([0, 1]) 에속하는음수가되지않는함수라하자. 이때 y C 2 (0, 1) C([0, 1]) 가미분방정식 y (t) + p(t)y(t) = 0, t (0, 1), y(0)

FGB-P 학번수학과권혁준 2008 년 5 월 19 일 Lemma 1 p 를 C([0, 1]) 에속하는음수가되지않는함수라하자. 이때 y C 2 (0, 1) C([0, 1]) 가미분방정식 y (t) + p(t)y(t) = 0, t (0, 1), y(0) FGB-P8-3 8 학번수학과권혁준 8 년 5 월 9 일 Lemma p 를 C[, ] 에속하는음수가되지않는함수라하자. 이때 y C, C[, ] 가미분방정식 y t + ptyt, t,, y y 을만족하는해라고하면, y 는, 에서연속적인이계도함수를가지게확 장될수있다. Proof y 은 y 의도함수이므로미적분학의기본정리에의하여, y 은 y 의어떤원시 함수와적분상수의합으로표시될수있다.

More information

PowerPoint Presentation

PowerPoint Presentation 5 불대수 IT CookBook, 디지털논리회로 - 2 - 학습목표 기본논리식의표현방법을알아본다. 불대수의법칙을알아본다. 논리회로를논리식으로논리식을논리회로로표현하는방법을알아본다. 곱의합 (SOP) 과합의곱 (POS), 최소항 (minterm) 과최대항 (mxterm) 에대해알아본다. 01. 기본논리식의표현 02. 불대수법칙 03. 논리회로의논리식변환 04.

More information

<BACFC7D1B3F3BEF7B5BFC7E22D3133B1C733C8A3504446BFEB2E687770>

<BACFC7D1B3F3BEF7B5BFC7E22D3133B1C733C8A3504446BFEB2E687770> 북한의 주요 농업 관련 법령 해설 1) 이번 호와 다음 호에서는 북한의 주요 농업 관련 법령을 소개하려 한다. 북한의 협동농장은 농업협동조합기준규약초안 과 농장법 에 잘 규정되어 있다. 북한 사회주의 농업정책은 사회 주의농촌문제 테제 2), 농업법, 산림법 등을 통해 엿볼 수 있다. 국가계획과 농업부문의 관 계, 농산물의 공급에 관해서는 인민경제계획법, 사회주의상업법,

More information

1 9 2 0 3 1 1912 1923 1922 1913 1913 192 4 0 00 40 0 00 300 3 0 00 191 20 58 1920 1922 29 1923 222 2 2 68 6 9

1 9 2 0 3 1 1912 1923 1922 1913 1913 192 4 0 00 40 0 00 300 3 0 00 191 20 58 1920 1922 29 1923 222 2 2 68 6 9 (1920~1945 ) 1 9 2 0 3 1 1912 1923 1922 1913 1913 192 4 0 00 40 0 00 300 3 0 00 191 20 58 1920 1922 29 1923 222 2 2 68 6 9 1918 4 1930 1933 1 932 70 8 0 1938 1923 3 1 3 1 1923 3 1920 1926 1930 3 70 71

More information

제 호 년 제67차 정기이사회, 고문 자문위원 추대 총동창회 집행부 임원 이사에게 임명장 수여 월 일(일) 년 월 일(일) 제 역대 최고액 모교 위해 더 확충해야 강조 고 문:고달익( 1) 김병찬( 1) 김지훈( 1) 강보성( 2) 홍경식( 2) 현임종( 3) 김한주( 4) 부삼환( 5) 양후림( 5) 문종채( 6) 김봉오( 7) 신상순( 8) 강근수(10)

More information

제 9 도는 6제어항목의 세팅목표의 보기가 표시된 레이더 챠트(radar chart). 제 10 도는 제 6 도의 함수블럭(1C)에서 사용되는 각종 개성화 함수의 보기를 표시하는 테이블. 제 11a 도 제 11c 도까지는 각종 조건에 따라 제공되는 개성화함수의 변화의

제 9 도는 6제어항목의 세팅목표의 보기가 표시된 레이더 챠트(radar chart). 제 10 도는 제 6 도의 함수블럭(1C)에서 사용되는 각종 개성화 함수의 보기를 표시하는 테이블. 제 11a 도 제 11c 도까지는 각종 조건에 따라 제공되는 개성화함수의 변화의 (19) 대한민국특허청(KR) (12) 특허공보(B1) (51) Int. Cl. 5 B66B 1/18 (45) 공고일자 1993년09월28일 (11) 공고번호 특1993-0009339 (21) 출원번호 특1989-0002580 (65) 공개번호 특1989-0014358 (22) 출원일자 1989년03월02일 (43) 공개일자 1989년10월23일 (30) 우선권주장

More information

슬라이드 1

슬라이드 1 빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 9 주차 예측모형에대한평가 Assessment of Predictive Model 최종후, 강현철 차례 6. 모형평가의기본개념 6.2 모델비교 (Model Comparison) 노드 6.3 임계치 (Cutoff) 노드 6.4 의사결정 (Decisions) 노드 6.5 기타모형화노드들

More information

= ``...(2011), , (.)''

= ``...(2011), , (.)'' Finance Lecture Note Series 사회과학과 수학 제2강. 미분 조 승 모2 영남대학교 경제금융학부 학습목표. 미분의 개념: 미분과 도함수의 개념에 대해 알아본다. : 실제로 미분을 어떻게 하는지 알아본다. : 극값의 개념을 알아보고 미분을 통해 어떻게 구하는지 알아본다. 4. 미분과 극한: 미분을 이용하여 극한값을 구하는 방법에 대해 알아본다.

More information

Steven F. Ashby Center for Applied Scientific Computing Month DD, 1997

Steven F. Ashby Center for Applied Scientific Computing  Month DD, 1997 Data Mining Association Analysis: Basic Concepts and Algorithms Lecture Notes for Chapter 7 1 Contents 범주형 / 연속형속성처리 2 10 범주형 / 연속형속성 지금까지 asymmetric binary variables 에대한연관분석을공부함 이제 categorical / continuous

More information

untitled

untitled 연구보고서 2005-06 정품 DC 현황 조사방법론 정립에 관한 연구 A Study on the Methodology for DC Piracy Rate Survey Computer program Deliberation & Mediation Committee 정품 DC 현황 조사방법론 정립에 관한 연구 A Study on the Methodology for DC

More information

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월 지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support

More information

PowerPoint 프레젠테이션

PowerPoint 프레젠테이션 제 5 장 다변량확률변수 제 5 장다변량확률변수 5. 다변량확률변수. 분포함수 < 예 > 품질에따라제품을,, 3 등급으로분류 전체생산량중각등급의비율에관심 = n개중 등급의수 n Y = Y = n개중 등급의수 3 등급의수 ( Y) (, ) 와 Y를함께묶어서 Y 로나타내고함께분석, 는 변량확률변수 일반적으로서로관련있는개의확률변수 을함께묶어 n변량 ( 또는 n차원

More information

확률 및 분포

확률 및 분포 확률및분포 박창이 서울시립대학교통계학과 박창이 ( 서울시립대학교통계학과 ) 확률및분포 1 / 15 학습내용 조건부확률막대그래프히스토그램선그래프산점도참고 박창이 ( 서울시립대학교통계학과 ) 확률및분포 2 / 15 조건부확률 I 첫째가딸일때두아이모두딸일확률 (1/2) 과둘중의하나가딸일때둘다딸일확률 (1/3) 에대한모의실험 >>> from collections import

More information

<31372DB9DABAB4C8A32E687770>

<31372DB9DABAB4C8A32E687770> 김경환 박병호 충북대학교 도시공학과 (2010. 5. 27. 접수 / 2011. 11. 23. 채택) Developing the Traffic Severity by Type Kyung-Hwan Kim Byung Ho Park Department of Urban Engineering, Chungbuk National University (Received May

More information

Microsoft PowerPoint Relations.pptx

Microsoft PowerPoint Relations.pptx 이산수학 () 관계와그특성 (Relations and Its Properties) 2010년봄학기강원대학교컴퓨터과학전공문양세 Binary Relations ( 이진관계 ) Let A, B be any two sets. A binary relation R from A to B, written R:A B, is a subset of A B. (A 에서 B 로의이진관계

More information

<C7D1B1B9BAB8B0C7BBE7C8B8BFACB1B8BFF82DC1A639C2F720BAA3C0CCBAF1BAD520BCBCB4EB20B9CCB7A1B1B8BBF3C6F7B7B35FB3BBC1F62E687770>

<C7D1B1B9BAB8B0C7BBE7C8B8BFACB1B8BFF82DC1A639C2F720BAA3C0CCBAF1BAD520BCBCB4EB20B9CCB7A1B1B8BBF3C6F7B7B35FB3BBC1F62E687770> 제9차 베이비붐 세대 미래구상포럼 - 베이비 붐 세대의 여가문화활동 욕구 및 대응전략 모색 - Program 14:00~14:30 등 록 14:30~14:40 개 회 식 인사말씀 이원희 (보건복지부 인구아동정책관) 14:40~15:40 좌 장 발표 1 발제 2 김미혜 (이화여자대학교 사회복지전문대학원장) 베이비 부머의 여가문화활동 참여욕구 및 대응전략 이금룡

More information

Gray level 변환 및 Arithmetic 연산을 사용한 영상 개선

Gray level 변환 및 Arithmetic 연산을 사용한 영상 개선 Point Operation Histogram Modification 김성영교수 금오공과대학교 컴퓨터공학과 학습내용 HISTOGRAM HISTOGRAM MODIFICATION DETERMINING THRESHOLD IN THRESHOLDING 2 HISTOGRAM A simple datum that gives the number of pixels that a

More information

예제 1.1 ( 경기값과공정한경기 ) >> A = [5 3 9; 8 10 11; 6 2 8], P = [0 1 0], Q = [1 0 0]' % 3x3 행렬경기 A = 5 3 9 8 10 11 6 2 8 P = 0 1 0 Q = 1 0 0 >> E = P * A * Q % 경기자 R은항상 2행을선택하고 C는항상 1열을선택하면, % R은 $8을얻는것이보장되고

More information

methods.hwp

methods.hwp 1. 교과목 개요 심리학 연구에 기저하는 기본 원리들을 이해하고, 다양한 심리학 연구설계(실험 및 비실험 설계)를 학습하여, 독립된 연구자로서의 기본적인 연구 설계 및 통계 분석능력을 함양한다. 2. 강의 목표 심리학 연구자로서 갖추어야 할 기본적인 지식들을 익힘을 목적으로 한다. 3. 강의 방법 강의, 토론, 조별 발표 4. 평가방법 중간고사 35%, 기말고사

More information

생존분석의 추정과 비교 : 보충자료 이용희 December 12, 2018 Contents 1 생존함수와 위험함수 생존함수와 위험함수 예제: 지수분포

생존분석의 추정과 비교 : 보충자료 이용희 December 12, 2018 Contents 1 생존함수와 위험함수 생존함수와 위험함수 예제: 지수분포 생존분석의 추정과 비교 : 보충자료 이용희 December, 8 Cotets 생존함수와 위험함수. 생존함수와 위험함수....................................... 예제: 지수분포.......................................... 예제: 와이블분포.........................................

More information

두산동아-확통 완성본.hwp

두산동아-확통 완성본.hwp 5단원조건부확률 예제 1 1. 조건부확률 부터 까지의자연수가각각적힌공이들 어있는주머니에서임의로공한개를꺼내려고한 다. 꺼낸공이홀수가적힌공일때, 그것이소수일 확률을구하여라. 179) 문제 2 어느회사에서직원들이출근할때이용하는 교통수단을조사하였더니대중교통을이용하는직원 이전체의 % 이고, 대중교통을이용하는남자직원 은전체의 % 이었다. 이회사직원중에서임의로 뽑은한명이대중교통을이용할때,

More information

예제 1.1 ( 관계연산자 ) >> A=1:9, B=9-A A = B = >> tf = A>4 % 4 보다큰 A 의원소들을찾을경우 tf = >> tf = (A==B) % A

예제 1.1 ( 관계연산자 ) >> A=1:9, B=9-A A = B = >> tf = A>4 % 4 보다큰 A 의원소들을찾을경우 tf = >> tf = (A==B) % A 예제 1.1 ( 관계연산자 ) >> A=1:9, B=9-A A = 1 2 3 4 5 6 7 8 9 B = 8 7 6 5 4 3 2 1 0 >> tf = A>4 % 4 보다큰 A 의원소들을찾을경우 tf = 0 0 0 0 1 1 1 1 1 >> tf = (A==B) % A 의원소와 B 의원소가똑같은경우를찾을때 tf = 0 0 0 0 0 0 0 0 0 >> tf

More information

Probabilistic graphical models: Assignment 3 Seung-Hoon Na June 7, Gibbs sampler for Beta-Binomial Binomial및 beta분포는 다음과 같이 정의된다. k Bin(n, θ):

Probabilistic graphical models: Assignment 3 Seung-Hoon Na June 7, Gibbs sampler for Beta-Binomial Binomial및 beta분포는 다음과 같이 정의된다. k Bin(n, θ): Probabilistic graphical models: Assignment 3 Seung-Hoon Na June 7, 207 Gibbs sampler for Beta-Binomial Binomial및 beta분포는 다음과 같이 정의된다. k Bin(n, θ): binomial distribution은 성공확률이 θ인 시도에서, n번 시행 중 k번 성공할 확률

More information

PowerPoint Presentation

PowerPoint Presentation 5 불대수 Http://RAIC.kunsn..kr 2 학습목표 마스터제목스타일편집 기본논리식의표현방법을알아본다. 불대수의법칙을알아본다. 논리회로를논리식으로논리식을논리회로로표현하는방법을알아본다. 곱의합 (SOP) 과합의곱 (POS), 최소항 (minterm) 과최대항 (mxterm) 에대해알아본다. 01. 기본논리식의표현 02. 불대수법칙 03. 논리회로의논리식변환

More information

Microsoft PowerPoint - 26.pptx

Microsoft PowerPoint - 26.pptx 이산수학 () 관계와그특성 (Relations and Its Properties) 2011년봄학기 강원대학교컴퓨터과학전공문양세 Binary Relations ( 이진관계 ) Let A, B be any two sets. A binary relation R from A to B, written R:A B, is a subset of A B. (A 에서 B 로의이진관계

More information

전자회로 실험

전자회로 실험 전자회로실험 2 조 고주현허영민 BJT의고정바이어스및 부품 * 실험목적 1) 고정바이어스와 회로의직류동작점을결정한다. 다이오드의특성 * 실험장비 계측장비 - Digital Multi Meter 부품 -저항 다이오드의특성 부품 - 트랜지스터

More information

abstract.dvi

abstract.dvi 통계자료분석 강희모 2014년 5월 14일 목차 제 1장 여러가지평균비교 1 1.1. 단일표본검정.............................. 2 1.2. 독립인두표본검정........................... 4 1.3. 대응표본검정.............................. 9 제 2 장 분산분석(ANalysis Of VAriance)

More information

6자료집최종(6.8))

6자료집최종(6.8)) Chapter 1 05 Chapter 2 51 Chapter 3 99 Chapter 4 151 Chapter 1 Chapter 6 7 Chapter 8 9 Chapter 10 11 Chapter 12 13 Chapter 14 15 Chapter 16 17 Chapter 18 Chapter 19 Chapter 20 21 Chapter 22 23 Chapter

More information

Microsoft PowerPoint - 27.pptx

Microsoft PowerPoint - 27.pptx 이산수학 () n-항관계 (n-ary Relations) 2011년봄학기 강원대학교컴퓨터과학전공문양세 n-ary Relations (n-항관계 ) An n-ary relation R on sets A 1,,A n, written R:A 1,,A n, is a subset R A 1 A n. (A 1,,A n 에대한 n- 항관계 R 은 A 1 A n 의부분집합이다.)

More information

특목고 8-나 해설Ⅰ(001~024)OK

특목고 8-나 해설Ⅰ(001~024)OK I II III I Step - - - - - - - - 8 - - 0 - - - 9 - - 9 - - 00-8 - 90 - - 80-0 8-0 - - - - - 0 0 0-0 - - 8 - - - 00 8-00 8-0 0 8 - ( 8) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 8 a a b b aabb bbaa abba baab abab baba

More information

<303020BDC7BCD5C0C7B7E1BAF1BAB8C0E5BAB8C7E85FB8F1C2F72E687770>

<303020BDC7BCD5C0C7B7E1BAF1BAB8C0E5BAB8C7E85FB8F1C2F72E687770> 목 차 험약관 무배당 알리안츠실손의료비장험Ⅱ(갱신형) 01 지정대리청구서비스특약 37 특정부위질병부담특약 41 단체취급특약 49 관련 법규 조항 정리 53 신체부위의 설명도 58 무배당 알리안츠실손의료비장험Ⅱ(갱신형) 무배당 알리안츠실손의료비장험(갱신형) 제1관 일반사항 제 1조[담종목] 4 제 2조[용어의 정의] 제2관 회사가 상하는 사항 제 3조[담종목별

More information

4. 1 포인터와 1 차원배열 4. 2 포인터와 2 차원배열 4. 3 포인터배열 4. 4 포인터와문자그리고포인터와문자열

4. 1 포인터와 1 차원배열 4. 2 포인터와 2 차원배열 4. 3 포인터배열 4. 4 포인터와문자그리고포인터와문자열 - Part2-4 4. 1 포인터와 1 차원배열 4. 2 포인터와 2 차원배열 4. 3 포인터배열 4. 4 포인터와문자그리고포인터와문자열 4.1 포인터와 1 차원배열 4.1 1 (1/16)- - - [4-1.c ] #include int main(void) { int array[3]={10, 20, 30}; } prind("%x %x %x

More information

480제 생물Ⅰ 해설

480제 생물Ⅰ 해설 001~023 001 002 003 004 005 006 007 008 009 010 011 012 013 014 015 016 017 018 019 020 021 022 023 01 001 정답찾아가기 B 3L/100kg A 2L/100kg B A 1.5 오답피하기 A B 002 정답찾아가기 A B A B B A 27æ 003 정답찾아가기 D D D 오답피하기

More information

Contents 확률분포 (probability distribution) 이항분포 (binomial distribution) 초기하분포 (hypergeometric distribution) 포아송분포 (poisson distribution) 2

Contents 확률분포 (probability distribution) 이항분포 (binomial distribution) 초기하분포 (hypergeometric distribution) 포아송분포 (poisson distribution) 2 통계학 - CAS0001 7 주차 이산확률분포 이석준 Contents 확률분포 (probability distribution) 이항분포 (binomial distribution) 초기하분포 (hypergeometric distribution) 포아송분포 (poisson distribution) 2 학습목표 확률변수가연속적인지이산적인지구분한다. 이항분포, 초기하분포,

More information

1 1,.,

1 1,., ,.,. 7 86 0 70 7 7 7 74 75 76 77 78 79 70 7 7 7 75 74 7 7 7 70 79 78 77 76 75 74 7.,. x, x A(x ), B(x ) x x AB =x -x A{x } B{x } x >x AB =x -x B{x } A{x } x =[ -x(xæ0) -x (x

More information

3.2 함수의정의 Theorem 6 함수 f : X Y 와 Y W 인집합 W 에대하여 f : X W 는함수이다. Proof. f : X Y 가함수이므로 f X Y 이고, Y W 이므로 f X W 이므로 F0이만족된다. 함수의정의 F1, F2은 f : X Y 가함수이므로

3.2 함수의정의 Theorem 6 함수 f : X Y 와 Y W 인집합 W 에대하여 f : X W 는함수이다. Proof. f : X Y 가함수이므로 f X Y 이고, Y W 이므로 f X W 이므로 F0이만족된다. 함수의정의 F1, F2은 f : X Y 가함수이므로 3.2 함수의정의 Theorem 6 함수 f : X Y 와 Y W 인집합 W 에대하여 f : X W 는함수이다. Proof. f : X Y 가함수이므로 f X Y 이고, Y W 이므로 f X W 이므로 F0이만족된다. 함수의정의 F1, F2은 f : X Y 가함수이므로성립한다. Theorem 7 두함수 f : X Y 와 g : X Y 에대하여, f = g f(x)

More information

정보기술응용학회 발표

정보기술응용학회 발표 , hsh@bhknuackr, trademark21@koreacom 1370, +82-53-950-5440 - 476 - :,, VOC,, CBML - Abstract -,, VOC VOC VOC - 477 - - 478 - Cost- Center [2] VOC VOC, ( ) VOC - 479 - IT [7] Knowledge / Information Management

More information

0 000., 000 0., 000-0., 000 0.666, 0 0.H6 0 0 0.0H8 0 06 07 08 9 09 6 00 0.H 0.H8 000 0.87, 0006-0.66, 0007 0.8, 0008 0.097, 0009 6, 0.H6 000,.HH 0 00

0 000., 000 0., 000-0., 000 0.666, 0 0.H6 0 0 0.0H8 0 06 07 08 9 09 6 00 0.H 0.H8 000 0.87, 0006-0.66, 0007 0.8, 0008 0.097, 0009 6, 0.H6 000,.HH 0 00 ~9 0~6 0 0 0 7 0 0 0 06 6 07 6 08 69 09 78 0 8 9 0 0 0 000., 000 0., 000-0., 000 0.666, 0 0.H6 0 0 0.0H8 0 06 07 08 9 09 6 00 0.H 0.H8 000 0.87, 0006-0.66, 0007 0.8, 0008 0.097, 0009 6, 0.H6 000,.HH 0

More information

Microsoft Word - [2017SMA][T8]OOPT_Stage_2040 ver2.docx

Microsoft Word - [2017SMA][T8]OOPT_Stage_2040 ver2.docx OOPT Stage 2040 - Design Feesual CPT Tool Project Team T8 Date 2017-05-24 T8 Team Information 201211347 박성근 201211376 임제현 201411270 김태홍 2017 Team 8 1 Table of Contents 1. Activity 2041. Design Real Use

More information

A y y y y y # 2#

A y y y y y # 2# 0. 9 A 0 0. 0-0.5748 0 0.454545 04 0.4 05 0.5 06 0.4 07-0.555 08 0.9666 09 5@ 5@ 00 0.5 0 5 5 5@ 5 # # 7 0.07 0.5 0.55 4 0.5 5 0.06 6 7 8 \ 9 \ 0 \ 0.^ 40-.4^0^ 4 50.^5^ 5 55.0^5^ 6 0.4^857^4857 7 0.^8^8

More information

0 cm (++x)=0 x= R QR Q =R =Q = cm =Q =-=(cm) =R =x cm (x+) = +(x+) x= x= (cm) =+=0 (cm) =+=8 (cm) + =0+_8= (cm) cm + = + = _= (cm) 7+x= x= +y= y=8,, Q

0 cm (++x)=0 x= R QR Q =R =Q = cm =Q =-=(cm) =R =x cm (x+) = +(x+) x= x= (cm) =+=0 (cm) =+=8 (cm) + =0+_8= (cm) cm + = + = _= (cm) 7+x= x= +y= y=8,, Q . 09~ cm 7 0 8 9 8'-p 0 cm x=, y=8 cm 0' 7 cm 8 cm 9 'åcm 90 'åcm T T=90 T T =" 8 - =' (cm) T= T= _T _T _'_ T=8' (cm ) 7 = == =80 -_ =0 = = _=(cm) M = = _0= (cm) M M =" - = (cm) r cm rcm (r-)cm H 8cm cm

More information

파이널생명과학1해설OK

파이널생명과학1해설OK EBS EBS 00 Finl E d u c t i o n l B r o d c s t i n g S y s t e m CO A B A~C CHON CHONP N.5 % 86.5 % 5.... 5. 6.. 8. 9. 0..... 5. 6.. 8. 9. 0. X Y X X 6 G DNA DNA S (A) (B) G DNA DNA (A)=; ;=;6!; (B)=;

More information

Check 0-9, 9,, - 6, 6, 6, =0.04, (-0.) = , =64 8 8, -8 (-6) =6 (-6) 6, -6 7, , -0. 8, -8 6, '7 ' '

Check 0-9, 9,, - 6, 6, 6, =0.04, (-0.) = , =64 8 8, -8 (-6) =6 (-6) 6, -6 7, , -0. 8, -8 6, '7 ' ' 0 06 0 4 4 9 4 8 5 40 45 5 57 Check 0-9, 9,, - 6, 6, 6, -6 0-0. =0.04, (-0.) =0.04 0.04 0., -0. 8 =64 8 8, -8 (-6) =6 (-6) 6, -6 7, -7 0. 0., -0. 8, -8 6, -6 0-7 7 '7 ' 0.5 0.5 -' 0.5 ;!; ;!; æ;!; '7 '

More information

04월 행사_부산_DM-제오젠

04월 행사_부산_DM-제오젠 1688-3000 m.busanlottedfs.com www.busanlottedfs.com F EST A 2015. 4. 17 ~ 6. 4,,,,, $1 ( ) 5 7 ( 5, 1 ) 2015. 6. 9 22% E VEN T S AVE 2015. 4. 17 ~ 6. 4 $2,000 12 8 20 $1,500 9 6 15 $1,000 6 4 10 $500 3

More information

Microsoft PowerPoint - 알고리즘_5주차_1차시.pptx

Microsoft PowerPoint - 알고리즘_5주차_1차시.pptx Basic Idea of External Sorting run 1 run 2 run 3 run 4 run 5 run 6 750 records 750 records 750 records 750 records 750 records 750 records run 1 run 2 run 3 1500 records 1500 records 1500 records run 1

More information

< 목 차 > < 가입자 유의사항 >... 5 < 주요내용 요약서 >... 6 < 보험용어 해설 >... 8 < 주요 민원사례 >... 10 < 약관조항 안내 >... 11 무배당수호천사플러스상해보험 약관... 12 제 1 관 목적 및 용어의 정의... 12 제 1 조

< 목 차 > < 가입자 유의사항 >... 5 < 주요내용 요약서 >... 6 < 보험용어 해설 >... 8 < 주요 민원사례 >... 10 < 약관조항 안내 >... 11 무배당수호천사플러스상해보험 약관... 12 제 1 관 목적 및 용어의 정의... 12 제 1 조 무배당수호천사플러스상해보험 약관 1 < 목 차 > < 가입자 유의사항 >... 5 < 주요내용 요약서 >... 6 < 보험용어 해설 >... 8 < 주요 민원사례 >... 10 < 약관조항 안내 >... 11 무배당수호천사플러스상해보험 약관... 12 제 1 관 목적 및 용어의 정의... 12 제 1 조 목적... 12 제 2 조 용어의 정의... 12 제

More information

수리 영역 가 형 5. 다음 그림과 같이 크기가 같은 정육면체 개가 한 모서리씩을 공유하 면서 각 면이 평행 또는 수직 관계를 유지한 채로 한 평면 위에 놓여있 다. 그림의 세 꼭짓점 A, B, C에 대한 두 벡터 BA 와 BC 가 이루는 각 의 크기를 h라 할 때,

수리 영역 가 형 5. 다음 그림과 같이 크기가 같은 정육면체 개가 한 모서리씩을 공유하 면서 각 면이 평행 또는 수직 관계를 유지한 채로 한 평면 위에 놓여있 다. 그림의 세 꼭짓점 A, B, C에 대한 두 벡터 BA 와 BC 가 이루는 각 의 크기를 h라 할 때, 제``교시 수리 영역( 가 형) 시간:00분 점수:00점 성명 수험 번호 쭚 반드시 본인이 선택한 유형( 가 형 또는 나 형)의 문제인지 확인하시오. 쭚 문제지와 답안지에 성명과 수험 번호를 정확히 기입하시오. 쭚 MR 답안지에 성명, 수험 번호, 응시 유형 및 선택 과목, 답 등을 표기할 때에는 반드시 수험생이 지켜야 할 사항 에 따라 표기하시오. 쭚 문항에

More information

Microsoft PowerPoint Predicates and Quantifiers.ppt

Microsoft PowerPoint Predicates and Quantifiers.ppt 이산수학 () 1.3 술어와한정기호 (Predicates and Quantifiers) 2006 년봄학기 문양세강원대학교컴퓨터과학과 술어 (Predicate), 명제함수 (Propositional Function) x is greater than 3. 변수 (variable) = x 술어 (predicate) = P 명제함수 (propositional function)

More information

<C3D6C1BE2DBDC4C7B0C0AFC5EBC7D0C8B8C1F62833322D32C8A3292E687770>

<C3D6C1BE2DBDC4C7B0C0AFC5EBC7D0C8B8C1F62833322D32C8A3292E687770> 유자차 신제품에 대한 소비자 지불의사액 추정 강혜정 최지현 이기웅 유자차 신제품에 대한 소비자 지불의사액 추정 An Analysis on Estimation of Willingness to Pay for the New Products of Citrus Tea Assessed by Korean Consumers 강혜정* 최지현** 이기웅*** 1) Kang,

More information

<494352503131335FC1F8B9E6B1B3C0B02E687770>

<494352503131335FC1F8B9E6B1B3C0B02E687770> ICRP 간행물 113 진단 및 중재 절차를 위한 방사선방호 교육훈련 Education and Training in Radiological Protection for Diagnostic and Interventional Procedures 대한방사선방어학회 이 번역본 발간은 2011년도 원자력안전위원회 방사선안전기술 개 발사업 과제 지원(한국동위원소협회로 부터

More information

Microsoft PowerPoint - AC3.pptx

Microsoft PowerPoint - AC3.pptx Chapter 3 Block Diagrams and Signal Flow Graphs Automatic Control Systems, 9th Edition Farid Golnaraghi, Simon Fraser University Benjamin C. Kuo, University of Illinois 1 Introduction In this chapter,

More information

01

01 2019 학년도대학수학능력시험 9 월모의평가문제및정답 2019 학년도대학수학능력시험 9 월모의평가문제지 1 제 2 교시 5 지선다형 1. 두벡터, 모든성분의합은? [2 점 ] 에대하여벡터 의 3. 좌표공간의두점 A, B 에대하여선분 AB 를 로외분하는점의좌표가 일때, 의값은? [2점] 1 2 3 4 5 1 2 3 4 5 2. lim 의값은? [2점] 4. 두사건,

More information

금안13(10)01-도비라및목차1~13

금안13(10)01-도비라및목차1~13 ISSN 1975-667 13. 1 13. 1 1 1 8 8 6 6 5 5 1, 3.8 8 6 1.7 1.9 5 3.8 1 1 5-5 -1-1 5-5 6 3 67.7 3 1 8 65. 96.1 96.9 1 8 5 5 188.5 15 17.7 15-1 -.1 -.3 -.9-1 - -1.7 - -3-3 - - -5-5 -6-5.5-6

More information

<39373031C0FCC0CEC3CA2E687770>

<39373031C0FCC0CEC3CA2E687770> 人 文 科 學 제97집 2013년 4월 晩 牛 朴 榮 濬 의 在 滿 時 節 小 說 試 探 Ⅰ. 서론 : 滿 洲 의 時 空 的 意 味 晩 牛 朴 榮 濬 (1911-1976)은 연희전문을 졸업하던 해(1934년)에 단편 模 範 耕 作 生 이 조선일보 신춘문예에, 장편 일년( 一 年 ) 이 신동아 의 현상 소설 모집에, 꽁트 새우젓 이 역시 신동아 에 거의 동시에

More information

확률과통계6

확률과통계6 확률과통계 6. 이산형확률분포 건국대학교스마트 ICT 융합공학과윤경로 (yoonk@konkuk.ac.kr) 6. 이산형확률분포 6.1 이산균일분포 6.2 이항분포 6.3 초기하분포 6.4 포아송분포 6.5 기하분포 6.6 음이항분포 * ( 제외 ) 6.7 다항분포 * ( 제외 ) 6.1 이산균일분포 [ 정의 6-1] 이산균일분포 (discrete uniform

More information

1 1 x + # 0 x - 6 x 0 # x # 2r sin2x- sin x = 4cos x r 3 r 2r 5 r 3r

1 1 x + # 0 x - 6 x 0 # x # 2r sin2x- sin x = 4cos x r 3 r 2r 5 r 3r # 0 0 # # si si cos # 0 # 0 ^ h ^h^h# 0 ^! 0, h ^h^h# 0 ^! 0, h si si cos sicos si cos si ^cos h ^cos h si ^cosh^cos h 0 ^sih^cos h 0 0 # # cos cos, ^ si! h,, ` 0 # 혼자하는수능수학 0 년대비 9 월 A B, y f^h f^h, 0

More information

step 1-1

step 1-1 Written by Dr. In Ku Kim-Marshall STEP BY STEP Korean 1 through 15 Action Verbs Table of Contents Unit 1 The Korean Alphabet, hangeul Unit 2 Korean Sentences with 15 Action Verbs Introduction Review Exercises

More information

16중등빨이수학3-2교부(01~23)

16중등빨이수학3-2교부(01~23) 9 a b c a+b+c 0 7 a 79799 79a 0 9 1 0 7 0 99 9 9 0 0 7 7 0 717 9 7 0 1 7-1 - - 7 1 0 0 1 ab b-a 0 997 7 9191 17 S 7 1 0 0 1 0 0 a b c a+b+c 1 7 [0~09] 0 _ 7 7 0 0 0 [~0] [09~] 777 017 0 09 0 0 1 0 1 9

More information

3 장기술통계 : 수치척도 Part B 분포형태, 상대적위치, 극단값 탐색적자료분석 두변수간의관련성측정 가중평균과그룹화자료

3 장기술통계 : 수치척도 Part B 분포형태, 상대적위치, 극단값 탐색적자료분석 두변수간의관련성측정 가중평균과그룹화자료 3 장기술통계 : 수치척도 Part B 분포형태, 상대적위치, 극단값 탐색적자료분석 두변수간의관련성측정 가중평균과그룹화자료 분포형태, 상대적위치, 극단값 분포형태 z-값 체비셰프의원리 경험법칙 극단값찾기 분포형태 : 왜도 (skewness) 분포형태를측정하는중요한척도중하나를 왜도 라고한다. 자료집합의왜도를구하는계산식은조금복잡하다. 통계프로그램을사용하여왜도를쉽게계산할수있다.

More information

#KLZ-371(PB)

#KLZ-371(PB) PARTS BOOK KLZ-371 INFORMATION A. Parts Book Structure of Part Book Unique code by mechanism Unique name by mechanism Explode view Ref. No. : Unique identifcation number by part Parts No. : Unique Product

More information

G Power

G Power G Power 부산대학교통계학과조영석 1. G Power 란? 2. G Power 설치및실행 2.1 G Power 설치 2.2 G Power 실행 3. 검정 (Test) 3.1 가설검정 (Test of hypothesis) 3.2 검정력 (Power) 3.3 효과크기 (Effect size) 3.4 표본수산정 4. 분석 4.1 t- 검정 (t-test) 4.2

More information

완벽한개념정립 _ 행렬의참, 거짓 수학전문가 NAMU 선생 1. 행렬의참, 거짓개념정리 1. 교환법칙과관련한내용, 는항상성립하지만 는항상성립하지는않는다. < 참인명제 > (1),, (2) ( ) 인경우에는 가성립한다.,,, (3) 다음과같은관계식을만족하는두행렬 A,B에

완벽한개념정립 _ 행렬의참, 거짓 수학전문가 NAMU 선생 1. 행렬의참, 거짓개념정리 1. 교환법칙과관련한내용, 는항상성립하지만 는항상성립하지는않는다. < 참인명제 > (1),, (2) ( ) 인경우에는 가성립한다.,,, (3) 다음과같은관계식을만족하는두행렬 A,B에 1. 행렬의참, 거짓개념정리 1. 교환법칙과관련한내용, 는항상성립하지만 는항상성립하지는않는다. < 참인명제 > (1),, (2) ( ) 인경우에는 가성립한다.,,, (3) 다음과같은관계식을만족하는두행렬 A,B에대하여 AB=BA 1 가성립한다 2 3 (4) 이면 1 곱셈공식및변형공식성립 ± ± ( 복호동순 ), 2 지수법칙성립 (은자연수 ) < 거짓인명제 >

More information

#SPS/C-5050.B.

#SPS/C-5050.B. PARTS BOOK SPS/C-5050 Series SPS/C-8050 Series Purposes H : Heavy material This is a parts book. It cannot be used as a manual. CONTENTS A BC D EF G HI J K L M N O P Q R ST U V W X Y Z Machine Body Mechanism

More information

I 0 ( C) 80 35 0 30 60 90 0 0 0 03 _ fi 64 ;3!; (5 ' ) ' a>0b>0 a a =a + a a =a - (a ) =a (ab) =a b log 4 log ;4!; a>0a+ N>0 a =N HjjK =logån 3 f()=3+ f:x Y Y =f() X f 3 4 5 0 4 8 = =a a>0 a= =a (a>0a+)

More information