보드게임 전후 초등학생 수학적 창의력 비교: 대응표본 t검정
Article Info
저온숙성 전후 딸기의 당도 비교
발행일 : 2023년 5월 19일
ISBN : 979-11-983244-2-9 (95320)
Data
DOI
Code
DOI
Author
박근철
데이터링크 연구위원
https://orcid.org/0000-0002-3121-1113
양윤원
데이터링크 연구위원
https://orcid.org/
DATA TRAINING
데이터프레임: 개체는 범주에 속하고 속성을 가짐
데이터: 개체(원소)가 실현되면 집단(집합), 부분집단(부분집합)은 범주
개체(individual, object)는 속성에 따른 분포를 가짐
집단(population)은 범주(부분집단)에 따른 분포를 가짐, 집단은 모수를 가짐
확률은 범주에 부여되나 범주의 크기가 무한소가 되면 속성값이 되며 확률은 확률밀도가 됨
집단의 회귀(Regression): 집단의 회귀점(평균), 회귀선, 회귀면
판정 또는 선택의 데이터로 최적의 유의수준($\alpha$)과 모델의 회귀계수($\beta$), 가중치($w$)를 찾아내는 것이 인공지능
귀무가설($H_0$, 영가설, null hypothesis) - $p$값(유의확률) - $\alpha$(유의수준) - 검정(기각 또는 채택)
P02-1 대응표본 - 두 집단 모평균 비교 - 차이평균과 0 비교: 대응표본 t검정
P02-2 두 집단 독립표본 - 두 집단 모평균 비교 - 평균차이와 0 비교 - 집단간분산과 집단내분산의 비와 1 비교: 독립표본 t검정
P02-3 여러 집단 독립표본 - 여러 집단 모평균 비교 - 집단간분산과 집단내분산의 비와 1 비교: 분산분석 F검정
P02-4 대응표본 - 표본상관계수와 0 비교: 상관분석 t검정
P02-5 대응표본 - 표본결정계수와 (1-표본결정계수)의 비와 1 비교: 단순선형회귀분석 F검정
P02-6 교차표 - 주변확률곱과 결합확률의 분포 비교 - 무(0)와 카이제곱 비교: 교차분석 카이제곱검정
대립가설($H_a$, 대안가설, alternative hypohthesis) - $p$값(유의확률) - $\alpha$(유의수준) - 검정(채택 또는 기각)
모집단과 단일표본 - 이분형 설명변수와 반응변수 - 모평균($\mu_X$)과 표본평균($\bar{X}$) 비교 - 평균차이와 bias 비교: 단일표본 t검정($\beta_0$ t검정)
두 단일표본 - 이분형 설명변수와 반응변수 - 두 모집단 모평균 비교 - 평균차이와 bias 비교: 단일표본 t검정: 단일표본 t검정($\beta_0$ t검정)
모집단과 대응표본 - 연속형 설명변수와 반응변수 - 모회귀계수($\bf{\beta}$)와 표본회귀계수($\bf{b}$)비교: 회귀계수 차이와 bias 비교: $\beta$ t검정
두 대응표본 - 연속형 설명변수와 반응변수 - 두 모회귀계수($\bf{\beta}$)비교 - 회귀계수 차이와 bias비교: $\beta$ t검정
연구개발
주제, 가설검정
데이터생성
독립변수, 종속변수
프레임
표본종류, 확률변수 가정
확률모델
새로운 확률변수, 표집
통계모델
검정확률분포, 검정통계량
모수비교
귀무가설, 검정
코딩
구글시트
논문작성
p값
보드게임후 수학적창의력?
등평균 가설 기각
보드게임(범주): 이분형 변수
수학적창의력(속성): 연속형 확변
대응표본: 대응 속성 상관
등분산성, 독립성
값차이
표본평균 중심극한정리
t분포
차이평균과 오차의 비
수학적창의력 차이평균은 0
유의확률과 유의수준으로 판정
구글시트 함수
데이터 수정
AI와 함께 논문작성
데이터 입력