안보면 손해 통계학 도우미 헬퍼 프로그램StatsMaster Helper
📊
통계학 마스터 헬퍼
기술통계 · 가설검정 · 회귀분석 · 분포 · 시각화 · AI 해석
✨ 무엇을 도와드릴까요?
📐
기술통계
평균·분산·분포
🔬
가설검정
t-test · χ² · z
📈
회귀분석
OLS 선형회귀
🔔
확률분포
정규·이항·포아송
🧪
ANOVA
분산분석
🔗
상관분석
피어슨·스피어만
📚
학습가이드
R vs Python
🤖
AI 해석
결과 자동 해설
⚡ 빠른 분석 추천
💡 데이터를 쉼표로 입력하면 모든 통계가 자동으로!
📐 기술통계 분석 Descriptive
1데이터 입력
2분석 실행
3결과 확인
📊 기술통계 결과
🔬 가설검정 Hypothesis
🔬 검정 결과
📈 선형 회귀분석 OLS
📌 X와 Y의 개수가 같아야 합니다
📈 회귀분석 결과
🔔 확률분포 계산기 Probability
🔔 확률분포 결과
🧪 일원 분산분석 ANOVA
🧪 분산분석 결과
🔗 상관분석 Correlation
🔗 상관분석 결과
📚 R vs Python 코드 비교 학습
💡 코드 복사 버튼으로 바로 실습하세요!
📐 기술통계
# R (tidyverse)
library(tidyverse)
data <- c(85,72,91,68,77,83,95,61,88,74)
summary(data) # 기술통계 요약
mean(data) # 평균
sd(data) # 표준편차
var(data) # 분산
# Python (numpy + pandas)
import numpy as np
import pandas as pd
data = np.array([85,72,91,68,77,83,95,61,88,74])
pd.Series(data).describe()
np.std(data, ddof=1) # 표본표준편차
🔬 t-검정
# R
g1 <- c(85,79,88,92,75)
g2 <- c(70,65,72,68,74)
t.test(g1, g2) # 독립표본
t.test(data, mu=75) # 단일표본
t.test(pre, post, paired=TRUE) # 대응표본
# Python (scipy)
from scipy import stats
stats.ttest_ind(g1, g2) # 독립표본
stats.ttest_1samp(data, 75) # 단일표본
stats.ttest_rel(pre, post) # 대응표본
📈 OLS 회귀분석
# R
x <- 1:10
y <- c(2.1,3.8,5.2,7.1,8.9,10.2,12.1,13.8,15.3,17.0)
model <- lm(y ~ x)
summary(model)
predict(model, data.frame(x=11))
# Python (statsmodels)
import statsmodels.api as sm
X = sm.add_constant(x)
model = sm.OLS(y, X).fit()
print(model.summary())
model.predict([[1, 11]])
🧪 ANOVA
# R
data <- data.frame(
score = c(a, b, c_g),
group = rep(c("A","B","C"), each=5))
aov(score ~ group, data=data) |> summary()
# Python (scipy)
from scipy.stats import f_oneway
F, p = f_oneway(a, b, c_g)
print(f"F={F:.4f}, p={p:.4f}")
📊 핵심 공식 정리
| 통계량 | 공식 | 설명 |
|---|---|---|
| 평균 μ | Σx / n | 데이터 중심값 |
| 분산 σ² | Σ(x-μ)²/(n-1) | 퍼짐의 제곱 |
| 표준편차 σ | √분산 | 퍼짐 척도 |
| t-통계량 | (x̄-μ₀)/(s/√n) | 평균 차이 검정 |
| F-통계량 | MSB/MSW | 분산 비율 |
| 피어슨 r | Σ(x-x̄)(y-ȳ)/(n-1)sxsy | 선형 상관 |
| R² | 1 - SSE/SST | 모델 설명력 |
