카이제곱 계산기: 카이제곱 검정을 손으로 계산하는 방법
카이제곱 계산기는 관측된 데이터를 어떤 주장이 참일 때 기대되는 값과 비교한 뒤, 그 차이가 우연으로 볼 만큼 작은지 아니면 그 주장을 기각할 만큼 큰지 알려 줍니다. 주사위가 공정한지, 설문 응답이 마케팅 부서가 예측한 비율과 일치하는지, 또는 좋아하는 과목과 성별처럼 두 범주형 변수가 서로 관련이 있는지를 묻는 과제를 만나면 학생들은 카이제곱 계산기를 찾게 됩니다. 이 가이드는 카이제곱 공식을 처음부터 설명하고, 실제 숫자로 적합도 검정과 독립성 검정을 각각 끝까지 풀어 보며, 자유도를 구하고 p값을 해석하는 방법까지 보여 줍니다. 그래서 카이제곱 계산기의 출력값을 믿기 전에 그 계산기가 무엇을 계산하고 있는지 정확히 이해할 수 있습니다.
목차
카이제곱 검정이란 무엇인가?
카이제곱 검정은 관측된 빈도의 집합이 어떤 가설 아래에서 기대되는 빈도로부터 얼마나 벗어나는지를 측정하고, 그 거리를 카이제곱 통계량이라는 하나의 숫자로 변환합니다. 수치형 데이터의 평균을 비교하는 z검정이나 t검정과 달리, 카이제곱 검정은 범주형 데이터, 즉 색상, 설문 응답, 예/아니오 답변 같은 범주로 분류된 빈도를 다룹니다. 카이제곱 계산기가 유용한 이유는 차이를 제곱하고 기대빈도로 나누는 산술을 자동화해 주기 때문입니다. 하지만 공식 자체는 세 가지 구성 요소, 즉 관측빈도(O), 기대빈도(E), 그리고 비교되는 범주의 개수만 이해하면 손으로도 충분히 계산할 수 있을 만큼 짧습니다.
카이제곱 공식: χ² = Σ [(O − E)² / E], 여기서 O는 각 관측빈도이고 E는 귀무가설 아래에서의 대응하는 기대빈도입니다.
카이제곱 계산기는 어떻게 작동하는가?
두 가지 대표적인 카이제곱 검정 중 어느 것을 수행하든, 모든 카이제곱 계산기는 동일한 핵심 입력을 필요로 하고 동일한 세 가지 결과를 돌려줍니다. 이 입력과 출력을 미리 알아 두면, 계산을 손으로 끝내든 나중에 계산기로 확인하든 어떤 카이제곱 문제도 훨씬 정확하게 설정할 수 있습니다.
1. 카이제곱 계산기에 필요한 입력값
관측빈도 — 실제로 수집한 데이터로, 범주별 빈도를 나열한 한 줄의 목록(적합도 검정)이나 행과 열로 이루어진 이원분할표(독립성 검정) 형태로 입력합니다. 기대빈도, 또는 그것을 계산할 수 있는 충분한 정보 — 주장된 비율의 집합(적합도 검정)이거나, 행 합계와 열 합계만으로 충분합니다(독립성 검정에서는 기대빈도가 자동으로 유도되기 때문입니다). 그리고 선택한 유의수준으로, 문제에서 달리 명시하지 않는 한 거의 언제나 α = 0.05를 사용합니다.
2. 카이제곱 계산기가 돌려줄 수 있는 출력값
χ² — 카이제곱 검정통계량 자체이며 항상 0 이상입니다. df — 자유도로, 어떤 카이제곱 분포 곡선을 적용할지 결정합니다. p값 — 귀무가설이 실제로 참일 때 이만큼 크거나 더 큰 χ² 통계량을 볼 확률입니다. 그리고 결론 — 귀무가설을 기각할지 기각하지 못할지를, p값을 α와 비교하거나 χ²를 카이제곱 분포표의 임계값과 비교하여 판단합니다.
3. 그래도 손으로 계산하는 방법을 익혀야 하는 이유
과제와 시험은 거의 언제나 전체 과정을 요구합니다. 최종 소수 하나가 아니라 귀무가설과 대립가설을 진술하고, 기대빈도 표를 만들고, 모든 (O − E)²/E 항을 보여 주어야 합니다. 카이제곱 계산기는 답을 확인하거나 큰 표를 다룰 때 가장 빠르지만, 실제로 점수를 얻게 해 주고 이후에 배울 분산분석이나 회귀분석에 필요한 직관을 길러 주는 것은 아래의 수작업 단계입니다.
카이제곱 적합도 검정은 어떻게 계산하는가?
적합도 검정은 하나의 범주 집합에서 관측된 빈도가 주장된 분포와 일치하는지를 확인합니다. 예를 들어 주사위가 공정한지, 또는 어떤 회사의 실제 매출 구성이 예측과 맞는지를 검정합니다. 다음은 고전적인 공정성 문제를 이용한 완전한 풀이 예제입니다.
1. 가설을 세우고 관측빈도를 수집한다
주사위가 공정한지 검정하기 위해 60번 굴립니다. H0: 주사위는 공정하다(각 면의 확률이 1/6이다). Ha: 주사위는 공정하지 않다. 1부터 6까지 각 면의 관측빈도: O = 8, 12, 9, 14, 7, 10 (합계가 60으로 전체 시행 횟수와 일치합니다).
2. 기대빈도를 계산한다
H0 아래에서 각 면은 확률 1/6로 나와야 하므로, 여섯 면 모두에 대해 E = 60 × (1/6) = 10입니다. 기대빈도: E = 10, 10, 10, 10, 10, 10. 일반적으로 기대빈도가 정수일 필요는 없지만, 여기서는 마침 정수로 떨어집니다.
3. 각 (O − E)²/E 항을 계산한다
1의 눈: (8−10)²/10 = 4/10 = 0.4. 2의 눈: (12−10)²/10 = 4/10 = 0.4. 3의 눈: (9−10)²/10 = 1/10 = 0.1. 4의 눈: (14−10)²/10 = 16/10 = 1.6. 5의 눈: (7−10)²/10 = 9/10 = 0.9. 6의 눈: (10−10)²/10 = 0/10 = 0.
4. 항을 모두 더해 χ²를 구한다
χ² = 0.4 + 0.4 + 0.1 + 1.6 + 0.9 + 0 = 3.4.
5. 자유도를 구하고 해석한다
적합도 검정에서 df = (범주의 개수 − 1) = 6 − 1 = 5입니다. df = 5에서 χ² = 3.4를 카이제곱 분포표에서 찾으면 p값이 0.05보다 훨씬 큽니다(대략 0.64). p값이 α = 0.05보다 훨씬 크므로 H0을 기각하지 못합니다. 즉, 60번의 시행으로 이루어진 이 표본은 주사위가 불공정하다는 증거를 제공하지 않습니다. 카이제곱 계산기도 똑같이 χ² = 3.4와 p ≈ 0.64를 즉시 돌려주겠지만, 이제는 그 숫자를 직접 검증하고 종이 위에서 각 단계를 설명할 수 있습니다.
적합도 검정에서 자유도 = 범주의 개수 − 1입니다. 전체 빈도가 고정되어 있다는 사실을 반영하기 위해 항상 1을 뺍니다.
카이제곱 독립성 검정은 어떻게 계산하는가?
독립성 검정은 이원분할표로 정리한 데이터를 이용해 두 범주형 변수가 서로 관련이 있는지 확인합니다. 같은 χ² 공식을 쓰면서도 기대빈도와 자유도를 구하는 방식이 다르기 때문에, 학생들이 적합도 검정과 가장 자주 혼동하는 검정입니다.
1. 이원분할표와 가설을 설정한다
어떤 설문에서 학생 200명에게 좋아하는 과목(수학 또는 미술)과 학년(1학년 또는 졸업반)을 물었습니다. H0: 좋아하는 과목과 학년은 독립이다. Ha: 좋아하는 과목과 학년은 관련이 있다. 관측표: 1학년-수학 = 40, 1학년-미술 = 60 (행 합계 100); 졸업반-수학 = 50, 졸업반-미술 = 50 (행 합계 100). 열 합계: 수학 = 90, 미술 = 110. 총합계 = 200.
2. 각 기대빈도를 계산한다
공식: E = (행 합계 × 열 합계) / 총합계. E(1학년, 수학) = (100 × 90)/200 = 45. E(1학년, 미술) = (100 × 110)/200 = 55. E(졸업반, 수학) = (100 × 90)/200 = 45. E(졸업반, 미술) = (100 × 110)/200 = 55. 기대빈도의 합이 여전히 각 행 합계와 열 합계와 일치한다는 점에 주목하세요. 계산을 검산하는 좋은 방법입니다.
3. 각 (O − E)²/E 항을 계산한다
1학년-수학: (40−45)²/45 = 25/45 ≈ 0.556. 1학년-미술: (60−55)²/55 = 25/55 ≈ 0.455. 졸업반-수학: (50−45)²/45 = 25/45 ≈ 0.556. 졸업반-미술: (50−55)²/55 = 25/55 ≈ 0.455.
4. 항을 모두 더해 χ²를 구한다
χ² ≈ 0.556 + 0.455 + 0.556 + 0.455 = 2.022.
5. 자유도를 구하고 해석한다
독립성 검정에서 df = (행의 수 − 1) × (열의 수 − 1) = (2−1) × (2−1) = 1입니다. df = 1에서 χ² ≈ 2.02를 찾으면 p값은 약 0.155입니다. p > 0.05이므로 H0을 기각하지 못합니다. 즉, 이 설문은 이 200명의 학생에게서 좋아하는 과목과 학년이 관련되어 있다는 강한 증거를 제공하지 않습니다.
독립성 검정에서 자유도 = (행의 수 − 1) × (열의 수 − 1)이며, 기대빈도는 행 합계 × 열 합계 ÷ 총합계로 구합니다.
자유도와 p값은 실제로 무엇을 의미하는가?
자유도와 p값은 χ²를 정확히 계산한 뒤에도 학생들이 가장 자주 잘못 해석하는 두 숫자입니다. 수치 답을 얻는 것은 절반에 불과합니다. 그 의미를 설명하는 데에도 보통 그만큼의 배점이 걸려 있습니다.
1. 자유도는 비교 곡선의 모양을 결정한다
카이제곱 분포는 고정된 하나의 곡선이 아니라 df에 따라 모양이 달라집니다. df가 작으면(1이나 2처럼) 0 근처에서 뾰족하게 솟은 곡선이 되고, df가 크면 더 완만하게 퍼진 곡선이 됩니다. 같은 χ² 값이 어떤 df에서는 유의하고 다른 df에서는 유의하지 않은 이유가 바로 여기에 있습니다. 통계량이 크다 작다를 판단하기 전에 항상 df를 올바른 카이제곱 분포와 맞추세요.
2. p값은 조건부 질문에 답한다
p값은 귀무가설이 참이라고 가정할 때, 계산된 값만큼 크거나 더 큰 χ² 통계량을 관측할 확률입니다. 귀무가설이 참일 확률이 아니며, 오류를 범할 확률도 아닙니다. p값은 오직 H0 아래에서 관측된 데이터가 얼마나 놀라운지를 나타낼 뿐입니다.
3. p값과 유의수준(α)의 비교
p ≤ α이면(보통 α = 0.05) H0을 기각합니다. 관측된 패턴이 우연만으로 나타나기는 어려우므로 Ha를 지지하는 통계적으로 유의한 증거가 있는 것입니다. p > α이면 H0을 기각하지 못합니다. 데이터가 귀무가설과 모순되지 않는다는 뜻이지만, 이는 H0이 참임을 증명하는 것이 아니라 이 표본이 H0을 반박할 만큼 충분히 강한 증거를 제공하지 못했다는 뜻일 뿐입니다.
H0을 기각하지 못했다는 것은 결코 H0이 참으로 증명되었다는 뜻이 아닙니다. 표본이 H0을 기각할 만큼 충분한 증거를 제공하지 못했다는 뜻일 뿐입니다.
카이제곱 검정을 사용하려면 어떤 조건을 만족해야 하는가?
카이제곱 계산기는 바탕이 되는 데이터가 몇 가지 특정 조건을 만족할 때에만 타당하고 믿을 만한 결과를 내놓습니다. 이 조건을 위반하는 것은 산술이 맞는데도 카이제곱 결론이 틀리게 되는 가장 흔한 원인 중 하나입니다.
1. 데이터는 백분율이나 평균이 아니라 빈도여야 한다
카이제곱 검정에는 각 범주의 원자료 빈도가 필요하며, 비율이나 평균은 사용할 수 없습니다. 문제에서 백분율을 제시했다면, 공식을 적용하기 전에 표본 크기를 이용해 빈도로 되돌려 계산하세요.
2. 범주는 서로 배타적이어야 한다
모든 관측값은 정확히 하나의 범주에만 속해야 합니다. 예를 들어 한 응답자가 '1학년'과 '졸업반' 양쪽에 동시에 집계될 수는 없습니다. 범주가 겹치면 검정 자체가 무효가 됩니다.
3. 기대빈도가 충분히 커야 한다
일반적인 경험 법칙은 모든 기대빈도가 최소 5 이상이어야 한다는 것입니다. 기대빈도가 하나라도 5 미만으로 떨어지면 카이제곱 근사가 신뢰하기 어려워지므로, 보통 피셔의 정확검정 같은 다른 방법을 대신 권장합니다.
4. 관측값은 서로 독립이어야 한다
각 개체나 항목은 한 번만 집계되어야 하며 다른 관측값의 범주에 영향을 주어서는 안 됩니다. 같은 대상에 대한 반복 측정이나, 아주 작은 모집단에서 비복원으로 추출한 표본은 이 조건을 위반할 수 있습니다.
카이제곱 계산기를 쓸 때 흔히 저지르는 실수
다음 오류들은 손으로 계산하든 나중에 카이제곱 계산기로 확인하든, 채점되는 통계 과제에서 끊임없이 등장합니다.
1. 자유도 공식을 잘못 쓰는 경우
적합도 검정은 df = 범주의 개수 − 1을 사용합니다. 독립성 검정은 df = (행의 수 − 1)(열의 수 − 1)을 사용합니다. 두 검정이 같은 χ² 합산 공식을 쓰기 때문에 어느 df 규칙이 적용되는지 잊기 쉬워서, 이 둘을 혼동하는 것이 가장 흔한 카이제곱 실수입니다.
2. 독립성 검정의 기대빈도를 잘못 계산하는 경우
독립성 검정의 기대빈도는 (행 합계 × 열 합계) / 총합계로 구합니다. 총합계를 모든 칸에 균등하게 나눈 값도 아니고, 관측빈도 자체도 아닙니다. 기대빈도의 합이 여전히 올바른 행 합계와 열 합계가 되는지 반드시 다시 확인하세요.
3. 차이를 제곱하는 것을 잊는 경우
특히 빠르게 계산할 때 (O − E)²/E 대신 (O − E)/E를 계산하기 쉽습니다. O − E는 음수가 될 수 있으므로 제곱을 빠뜨리면 음수이거나 오해를 부를 만큼 작은 χ²가 나올 수 있습니다. 카이제곱 통계량은 결코 음수가 될 수 없으므로, 누적 합이 음수라면 그 즉시 경고 신호입니다.
4. p값을 H0이 참일 확률로 잘못 읽는 경우
p값이 작다는 것은 H0이 참이라면 관측된 데이터가 나타나기 어렵다는 뜻이며, H0 자체가 참이거나 거짓일 확률을 직접 말해 주지는 않습니다. 결론을 쓸 때는 'H0이 주어졌을 때 이 데이터가 나올 확률'이라는 조건부 표현을 기억하세요.
풀이가 있는 카이제곱 연습 문제
다음 세 문제를 쉬운 것부터 어려운 것 순으로 풀어 보세요. 풀이를 읽기 전에 스스로 시도한 다음, 제시된 단계와 자신의 설정을 비교해 보세요.
1. 문제 1 (초급): 사탕 색상 적합도 검정
어떤 사탕 회사가 자사 봉지에 4가지 색이 같은 비율로 들어 있다고 주장합니다. 한 학생이 사탕 80개를 세어 보니 빨강 = 25, 파랑 = 15, 초록 = 22, 노랑 = 18이었습니다. α = 0.05에서 색 구성이 균등한지 검정하세요. 풀이: 각 색에 대해 E = 80/4 = 20입니다. χ² = (25−20)²/20 + (15−20)²/20 + (22−20)²/20 + (18−20)²/20 = 25/20 + 25/20 + 4/20 + 4/20 = 1.25 + 1.25 + 0.2 + 0.2 = 2.9. df = 4 − 1 = 3. df = 3에서 χ² = 2.9의 p값은 약 0.41로 0.05보다 훨씬 크므로 H0을 기각하지 못합니다. 데이터는 균등한 색 구성과 모순되지 않습니다.
2. 문제 2 (중급): 웹사이트 레이아웃 선호도(독립성)
어떤 회사가 사용자 150명에게 선호하는 레이아웃(A 또는 B)을 기기(모바일 또는 데스크톱)별로 나누어 조사했습니다. 관측값: 모바일-A = 30, 모바일-B = 45 (행 합계 75); 데스크톱-A = 40, 데스크톱-B = 35 (행 합계 75). 열 합계: A = 70, B = 80. α = 0.05에서 레이아웃 선호도가 기기와 독립인지 검정하세요. 풀이: E(모바일,A) = (75×70)/150 = 35. E(모바일,B) = (75×80)/150 = 40. E(데스크톱,A) = 35. E(데스크톱,B) = 40. χ² = (30−35)²/35 + (45−40)²/40 + (40−35)²/35 + (35−40)²/40 = 25/35 + 25/40 + 25/35 + 25/40 ≈ 0.714 + 0.625 + 0.714 + 0.625 = 2.678. df = (2−1)(2−1) = 1. df = 1에서 χ² ≈ 2.68의 p값은 약 0.10으로 0.05보다 크므로 H0을 기각하지 못합니다. 레이아웃 선호도가 기기에 따라 달라진다는 유의한 증거는 없습니다.
3. 문제 3 (고급): 유전 비율 적합도 검정
어떤 유전학 실험에서 자손 160개체가 네 가지 표현형에 걸쳐 9:3:3:1 비율로 나타날 것으로 기대합니다. 관측값: 표현형 1 = 96, 표현형 2 = 30, 표현형 3 = 24, 표현형 4 = 10. α = 0.05에서 적합도를 검정하세요. 풀이: 전체 160에 대한 기대 비율: E1 = (9/16)×160 = 90. E2 = (3/16)×160 = 30. E3 = (3/16)×160 = 30. E4 = (1/16)×160 = 10. χ² = (96−90)²/90 + (30−30)²/30 + (24−30)²/30 + (10−10)²/10 = 36/90 + 0 + 36/30 + 0 = 0.4 + 1.2 = 1.6. df = 4 − 1 = 3. df = 3에서 χ² = 1.6의 p값은 약 0.66으로 0.05보다 훨씬 크므로 H0을 기각하지 못합니다. 관측된 자손 빈도는 기대되는 9:3:3:1 유전 비율과 모순되지 않습니다.
학생들이 카이제곱 계산기에 대해 또 무엇을 묻는가?
다음은 카이제곱 과제와 시험 대비 과정에서 가장 자주 나오는 질문들입니다.
1. χ²가 음수가 될 수 있나요?
아닙니다. 모든 (O − E)²/E 항은 나누기 전에 차이를 제곱하므로 각 항은 0 이상이고, 그 합도 결코 음수가 될 수 없습니다. 누적 합이 음수라면 언제나 계산 실수, 대개는 제곱을 빠뜨린 실수를 뜻합니다.
2. 카이제곱 적합도 검정과 독립성 검정의 차이는 무엇인가요?
적합도 검정은 하나의 범주형 변수를 사용해 그 분포를 주장된 하나의 비율 집합과 비교합니다. 독립성 검정은 두 범주형 변수를 동시에 이원분할표로 배열해 두 변수가 관련되어 있는지 확인합니다. 두 검정은 같은 χ² 공식을 공유하지만 기대빈도와 자유도를 구하는 방식이 다릅니다.
3. 기대빈도가 5 미만이면 어떻게 하나요?
기대빈도가 하나라도 5 미만으로 떨어지면 실제 표집분포에 대한 카이제곱 근사가 신뢰하기 어려워집니다. 결과를 신중하게 해석하거나, 특히 작은 2×2 표에서는 피셔의 정확검정 같은 정확검정으로 대체해야 합니다.
4. 단측 카이제곱 분포표를 쓰나요, 양측을 쓰나요?
통상적인 의미에서는 어느 쪽도 아닙니다. χ²는 O와 E가 어느 방향으로든 멀어질수록 커지기만 하므로 카이제곱 검정은 본질적으로 한 방향입니다. 따라서 z검정이나 t검정처럼 단측과 양측 버전이 따로 있지 않고, 상단 꼬리에 하나의 기각역만 존재합니다.
카이제곱 과제에 더 많은 도움 받기
H0과 Ha를 진술하고, 기대빈도 표를 만들고, (O − E)²/E를 항마다 더하는 일에 익숙해지면 카이제곱 문제는 신비로운 공식이 아니라 꼼꼼한 정리 작업이 됩니다. 시험에서는 문제의 서술만 보고 어느 검정을 써야 하는지 알아내기를 요구하는 경우가 많으므로, 적합도 문제와 독립성 문제를 섞어서 연습하세요. 특정 카이제곱 문제의 설정이 막히거나 손으로 한 계산을 다시 확인하고 싶다면, Solvify의 단계별 풀이 도구가 이 가이드에서 보여 준 것과 같은 공식, 즉 기대빈도, 각 제곱차 항, 최종 χ² 값을 그대로 풀어 줍니다. 그래서 자신의 설정이 정확히 어디에서 어긋났는지 확인할 수 있습니다.
카이제곱 계산기를 집어 들기 전에, 지금 검정하려는 것이 적합도인지 독립성인지 먼저 적어 두세요. 이 하나의 결정이 기대빈도를 구하는 방법과 자유도 공식을 모두 결정합니다.
관련 게시물
관련 수학 풀이
단계별 풀이
기대빈도, 제곱차, 최종 검정통계량까지 카이제곱 계산의 모든 단계를 명시적으로 확인하세요.
스마트 스캔 솔버
카이제곱 검정 문제를 사진으로 찍으면 즉시 완전한 풀이를 받아 볼 수 있습니다.
AI 수학 튜터
자유도, 기대빈도, 또는 적합도 검정과 독립성 검정을 언제 써야 하는지에 대해 추가 질문을 해 보세요.