모집단 표본 완전 정복 — 통계학이 필요한 이유를 3단계로 이해하는 법
모집단과 표본. 통계학 교재 첫 장에 반드시 나오는 개념이다. 그런데 왜 이걸 먼저 배우는지 설명해주는…
AI 역사로 이해하는 데이터 사이언스 — AI·ML·딥러닝·통계학의 관계를 3단계로 정리
AI, 머신러닝, 딥러닝, 통계학. 요즘 이 단어들이 뒤섞여 쓰이는 걸 보면 어디서부터 이해해야 할지 막막하다….
표본 분포 완전 정복 — 데이터가 많을수록 좋은 이유를 3가지 개념으로 잡는 법
자동화 라인에서 하루에 수천 개의 제품이 생산된다고 하자. 이 전체 데이터를 매번 전수 검사할 수는…
자유도 통계 완전 정복 — 분포 모양이 바뀌는 3가지 핵심 원리
t검정을 배울 때 처음으로 등장한다. ANOVA에서 F통계량을 계산할 때도 등장한다. 그런데 막상 “자유도가 뭔가요?”라고 물으면…
회귀분석이란 — 도메인 지식이 머신러닝의 출발점인 3가지 이유
머신러닝을 처음 접하는 엔지니어들이 공통적으로 던지는 질문이 있다. “파이썬도 잘 모르는데, 데이터 분석이 가능할까?” 답은…
피벗 언피벗, 3단계로 완전히 이해하는 법
현장에서 엑셀을 다루다 보면 한 번쯤 이런 상황이 온다. “이 데이터, 왜 이렇게 옆으로 늘어져…
통계 검정 종류 완전 정리 — 엔지니어가 이미 핵심을 이해한 3가지 이유
F1 레이스에서 이런 상황을 상상해보자. 피트 월에 앉아 있는 전략 엔지니어는 수백 개의 센서 수치를…
표본 분포 완전 정복 — 가설검정 그래프가 이해되는 3가지 핵심 개념
F1 레이스에서 이런 상황을 상상해보자. 레이스 팀이 타이어 교체 시점을 결정하기 위해 센서 데이터를 수집한다….
검정력 유의수준 완전 정복 — 1종·2종 오류와 신뢰성 있는 검정을 위한 3가지 원칙
현장에서 이런 장면을 여러 번 목격했다. 경험 많은 엔지니어가 “이거 분명히 공정 평균이 바뀐 거야”라고…
가설검정 P값 완전 정복 — 유의수준·기각역까지 한 번에 잡는 3가지 핵심 개념
지난 포스팅에서 가설 검정의 출발점을 다뤘다. 이번에는 가설검정 P값의 핵심으로 바로 들어간다. F1 타이어 마모…
