| English | 의미 |
|---|---|
| chi-square statistic/kaɪ skweə stəˈtɪstɪk/ | 카이제곱 통계량 |
The chi-square statistic
- The chi-square statistic 卡方统计量 adds up the standardized gaps across all categories:
-
$$\chi^2 = \sum \frac{(\text{observed} - \text{expected})^2}{\text{expected}}$$
- Each term compares one category's observed and expected counts.
- Squaring makes every gap positive; dividing by expected scales it.
Bigger gaps, bigger chi-square
- If observed $\approx$ expected everywhere, each term is tiny → $\chi^2$ is small.
- Large mismatches make terms large → a big $\chi^2$.
- So a large $\chi^2$ is evidence against the claimed distribution.
- $\chi^2$ is always $\ge 0$ (a sum of squares over positives).
Find the p-value
- The p-value is the area to the right of $\chi^2$ under the chi-square curve at the right $df$.
- Chi-square is a right-tailed test — only large values are "extreme."
- A big $\chi^2$ sits far right → small p-value → strong evidence against $H_0$.
- Use technology or a table with $df = \text{categories} - 1$.
Decide and conclude
- Compare the p-value to $\alpha$: p $\le \alpha$ → reject $H_0$; else fail to reject.
- Reject: convincing evidence the true distribution differs from the claim.
- Fail to reject: not convincing evidence against the claimed fit.
- State it in context — about the model's fit to the data.
Chi-square is always a right-tailed test — never double the tail. Only large $\chi^2$ values are surprising, so the p-value is the right-tail area only (unlike a two-sided $z$ or $t$). Also, plug counts into the formula, not proportions, and use expected (not observed) in each denominator.
Die test: observed $8, 12, 9, 11, 10, 10$; expected $10$ each; $df = 5$.
- $\chi^2 = \tfrac{(8-10)^2}{10} + \tfrac{(12-10)^2}{10} + \cdots = \tfrac{4+4+1+1+0+0}{10} = 1.0$.
- p-value: right-tail area beyond $1.0$ at $df=5$ is large ($\approx 0.96$).
- Decide: $0.96 > 0.05$ → fail to reject; no evidence the die is unfair.
The chi-square statistic $\chi^2 = \sum \frac{(\text{observed} - \text{expected})^2}{\text{expected}}$ measures total mismatch. Its p-value is the right-tail area at $df = \text{categories} - 1$. Compare to $\alpha$: reject $H_0$ if p $\le \alpha$ (the model fits poorly), else fail to reject — stated in context.
오른쪽 꼬리가 치우친 검정 분포
카이제곱은 오른쪽 꼬리 — 큰 값만이 극단적입니다.
한 범주의 관측값이 8, 기대값이 10입니다. (관측 − 기대)² / 기대를 계산하십시오.
난이도 2/5 · 140 코인 + 오늘 첫 완료 시 소액 보너스
(8−10)²/10 = 4/10 = 0.4.
카이제곱 검정은 ...입니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
큰 χ²만 극단이므로 → 오직 오른쪽 꼬리.
큰 카이제곱 통계량은 주장된 분포에 반하는 증거입니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
큰 차이 → 큰 χ² → H0에 반하는 증거.
카이제곱 공식에서 각 분모는 ___ 계수입니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
제곱된 차이를 기대 계수로 나누십시오.
카이제곱 통계량은 음수가 될 수 있습니다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
양수인 기대에 대한 제곱들의 합이므로 항상 ≥ 0입니다.