일반 원인 및 특수 원인 변동

깁스 현상은 푸리에 급수가 불연속점을 지날 때 나타나는 현상을 설명합니다. 급수의 부분합은 불연속점 근처에서 오버슈트를 보이는데, 이 오버슈트는 항을 더 추가해도 사라지지 않습니다. 이 오버슈트는 급수의 항 개수와 관계없이 불연속점 높이의 약 9%에 해당하는 일정한 값으로 수렴합니다.

이 정리는 오차항의 평균이 0이고, 상관관계가 없으며, 분산이 일정할 때(등분산성), 최소제곱법(OLS) 추정량이 최적 선형 비편향 추정량(BLUE)이라는 것을 나타냅니다. '최적'이라는 것은 회귀 계수의 모든 선형 비편향 추정량 중에서 분산이 가장 작다는 것을 의미하며, 따라서 가장 정확합니다.

이 정리는 콤팩트 볼록 집합을 자기 자신으로 사상하는 임의의 연속 함수 f에 대해 f(x_0) = x_0을 만족하는 점 x_0이 존재한다는 것을 나타냅니다. 이 점을 고정점이라고 합니다. 쉽게 말해, 어떤 나라의 지도를 구겨서 그 나라 국경 안에 놓으면, 지도상의 점 중 적어도 하나는 항상 실제 위치 바로 위에 있게 됩니다.

SPC에서 공정 변수를 시간에 따라 모니터링하는 데 사용되는 그래픽 도구입니다. 공정 평균을 나타내는 중심선(CL)과 상한(UCL) 및 하한(LCL) 관리 한계 사이에 데이터 포인트를 표시합니다. 이러한 한계는 일반적으로 평균에서 3표준편차(μ ± 3σ)로 설정되며, 예상되는 공통 원인 변동 범위를 정의합니다.

일원 분산 분석(One-way ANOVA)은 세 개 이상의 독립적인 그룹의 평균 간에 통계적으로 유의미한 차이가 있는지 여부를 판단하는 데 사용됩니다. 이는 요인이라고 하는 단일 범주형 독립 변수가 연속형 종속 변수에 미치는 영향을 분석합니다. 귀무 가설은 모든 그룹의 평균이 같다는 것입니다. [latex]H_0: mu_1 = mu_2 = dots = mu_k[/latex].

소수 정리는 정수들 사이에서 소수의 점근적 분포를 설명합니다. 이 정리는 x 이하의 소수의 개수를 나타내는 소수 개수 함수 π(x)가 점근적으로 x/ln(x)와 같다는 것을 의미합니다. 정식으로는 lim x→∞ π(x)/x/ln(x) = 1입니다. 이는 소수와 자연로그 사이의 근본적인 연결 고리를 제공합니다.

R²은 모델의 적합도를 나타내는 통계량으로, 종속 변수의 분산 중 독립 변수로부터 예측 가능한 부분의 비율을 나타냅니다. R² 값이 1이면 완벽한 적합을 의미하고, 0이면 선형 관계가 없음을 의미합니다. R²은 [latex]R^2 equiv 1 - frac{SS_{res}}{SS_{tot}}[/latex]로 계산되며, 여기서 [latex]SS_{res}[/latex]는 잔차 제곱합입니다.

프레드홀름 지수는 랭크-널리티 정리를 바나흐 공간과 같은 무한 차원 공간으로 일반화한 것이다. 프레드홀름 연산자 [latex]T: X to Y[/latex]의 경우, 그 지수는 [latex]text{ind}(T) = dim(ker(T)) - dim(text{coker}(T))[/latex]로 정의된다. 여기서 코커널(Coker)의 차원은 이미지가 전체 공간에서 얼마나 떨어져 있는지를 나타낸다. 이 지수는 연산자에 대한 작은 섭동에 대해 안정적인 정수 값을 갖는다.

위상 공간은 순서쌍 [latex](X, tau)[/latex]로 정의되며, 여기서 [latex]X[/latex]는 집합이고 [latex]tau[/latex]는 [latex]X[/latex]의 부분집합들(개집합)의 모음으로, 다음 세 가지 공리를 만족합니다. 1) 공집합 [latex]emptyset[/latex]과 [latex]X[/latex] 자체는 [latex]tau[/latex]에 속합니다. 2) [latex]tau[/latex]에 있는 임의의 개수의 집합들의 합집합 또한 [latex]tau[/latex]에 속합니다. 3) [latex]tau[/latex]에 있는 임의의 유한개의 집합들의 교집합 또한 [latex]tau[/latex]에 속합니다.

체르멜로-프랑켈 집합론(Zermelo–Fraenkel set theory), 흔히 ZFC(선택 공리 포함)로 약칭되는 이 이론은 현대 수학의 표준 공리 체계입니다. 이는 1차 논리로 표현되는 공리들의 모음으로, 집합의 속성을 형식화합니다. 오늘날 사용되는 거의 모든 수학 정리는 ZFC 내에서 공식화하고 증명할 수 있습니다.

분산 분석(ANOVA)은 데이터 세트에서 관찰된 전체 변동성을 다양한 원인에 기인하는 구성 요소로 나누는 통계적 방법입니다. 핵심 아이디어는 서로 다른 그룹 평균 간의 분산과 각 그룹 내 분산을 비교하는 것입니다. 그룹 간 분산이 유의미하게 더 크다면, 그룹 평균들이 실제로 다르다는 것을 시사합니다.

Courant–Friedrichs–Lewy(CFL) 조건은 명시적 시간 적분 방식을 사용하는 쌍곡선형 편미분 방정식의 수치 해법에 필요한 안정성 기준입니다. 이 조건은 시간 단계 크기가 충분히 작아야 정보가 시간 단계당 하나의 공간 격자 셀을 넘어서 전달되지 않음을 의미합니다. 1차원 경우, [latex]C = u frac{Delta t}{Delta x} le C_{max}[/latex]가 성립하여 수치적 안정성이 보장됩니다.

ANOVA 결과가 유효하다고 간주되려면 데이터에 대한 몇 가지 주요 가정이 충족되어야 합니다. 이러한 가정은 다음과 같습니다. (1) 관측치의 독립성, 즉 오차가 상관관계가 없음. (2) 정규성, 즉 각 그룹의 잔차가 대략적으로 정규 분포를 따름. (3) 등분산성 또는 분산의 동질성, 즉 모든 그룹에서 잔차의 분산이 동일함.