[제4장] 기술 통계와 탐색적 데이터 분석(EDA) — 평균·표준편차·왜도·첨도와 이상치 탐지
🇰🇷 한국어 정규 에디션 (교보문고 바로출판 POD 120p 완제 원문) 🇰🇷 한국어 에디션 (KO) 🇺🇸 Global Edition (EN) CHAPTER 04 리서치 통계 모델의 수리적 메커니즘 신호 대 잡음비(SNR)부터 ANOVA 분산 분할의 기하학까지: 공식 암기 없이 꿰뚫는 통계의 본질 [그림 4-0] AI 수리 통계 모델링 랩: 백색광이 프리즘을 통과하며 찬란한 스펙트럼으로 갈라지듯, 총분산(SST)을 신호(SSB)와 노이즈 (SSW)로 기하학적으로 분할하여 가설을 검정하는 최첨단 연구 환경. 🎯 제4장 핵심 학습 목표 (고등학생도 3초 만에 꿰뚫는 수리 통계의 정수) 1. 흩어짐의 직관적 기하학: 평균 80점의 함정을 시소 무게중심 비유로 격파하고, 둥지에서 날아가는 아기새들의 거리로 제곱합과 분산의 탄생을 이해합니다. 2. 검정 통계량의 공통 문법: 수프 솥(모집단)과 국자(표본)의 비유로 표준오차(SE)를 정복하고, t·F·z가 모두 '신호 대 잡음비 (SNR)'라는 하나의 물리 공식임을 깨닫습니다. 3. 안개를 걷어내는 t-검정의 미학: 두 산봉우리 사이의 안개를 걷어내는 독립표본과, 개인차 노이즈를 스스로 지워버리는 대응표본의 기하학을 정복합니다. 4. ANOVA 분산 분할과 의자 뺏기 자유도: 총제곱합이 신호와 잡음으로 쪼개지는 프리즘 원리와 N - 1 자유도의 수학적 비밀을 일상 비유로 마스터합니다. 5. 현미경의 함정과 진짜 효과 크기: 10만 명 표본의 p-값 착시를 고발하고, 코끼리의 굵기를 재는 효과 크기(Cohen's d, η²) 를 AI와 함께 자동 역산합니다. PART 02 · STATISTICAL MECHANISMS & AI DECODING · PAGE 38 41 4.1 FOUNDATION 4.1 통계의 출발점: 평균 80점의 함정과 편차(Deviation)의 비밀 평균은 데이터의 무게중심일 뿐이다: 흩어짐을 모르면 데이터...