따알깍PROMPT DICT 앱으로 열기

데이터 · 정보 시각화 · 차트 · 통계 · 지각

통계 · 분포 · 불확실성 시각화 Statistical, distribution & uncertainty graphics

히스토그램 구간·KDE 대역폭·ECDF·QQ 플롯 같은 분포 그래픽과 신뢰구간·예측대·부트스트랩·베이즈 갱신 같은 불확실성 표현, 그리고 심슨의 역설·잘린 축·이중 축·평균으로의 회귀처럼 차트가 거짓말하는 순간을 A/B로 보여주는 통계 그래픽 사전입니다.

카드 41개 · 카드마다 설명과 바로 복사해 쓸 수 있는 프롬프트 전문 · 앱에서 라이브 데모로 보기

카드 목록 41개
  1. 히스토그램 구간 폭 선택 (너무 넓음 · 너무 좁음 · FD 규칙)
  2. 커널 밀도 추정 대역폭 (과소 · Silverman · 과대 평활)
  3. ECDF vs 겹친 히스토그램 (분위수 직독)
  4. QQ 플롯 정규성 진단 (정규 · 꼬리 두꺼움 · 치우침)
  5. 다이너마이트 막대 → 레인클라우드 (같은 평균, 다른 분포)
  6. 앤스컴 콰르텟 (같은 통계, 다른 그림)
  7. 겹치는 오차 막대의 오독 (차이 구간 · 83% 규칙)
  8. 회귀 신뢰대 vs 예측대 (평균의 불확실성 vs 개별 값)
  9. 잔차 플롯 (높은 R² 뒤에 숨은 곡률)
  10. 상관 ≠ 인과 · 교란 변수 (층화하면 사라지는 상관)
  11. 심슨의 역설 (집단별 우세 → 전체 역전)
  12. 평균 vs 중앙값 (이상치 1명이 바꾸는 대표값)
  13. 잘린 y축 막대의 과장 (거짓 인자 Lie factor)
  14. 이중 y축의 착시 (축 범위만 바꿔 만드는 상관 · 역전)
  15. 퍼널 플롯 (순위표의 작은 표본 착시)
  16. 중심극한정리 (치우친 모집단 → 표본평균 분포)
  17. p값의 춤 (같은 실험 40번 반복)
  18. 베이즈 갱신 (사전 × 우도 → 사후 분포)
  19. 부트스트랩 재표본 (중앙값의 신뢰구간)
  20. 기저율 무시 (양성 판정의 실제 의미 · 자연 빈도 아이콘)
  21. 다중 비교 · p-해킹 (20개 검정 중 하나는 우연히 유의)
  22. 평균으로의 회귀 (1차 상위권의 2차 하락)
  23. 과밀 산점도 해법 (불투명 · 투명도 · 헥스빈 · 등고선)
  24. 카플란–마이어 생존 곡선 (중도절단 표시 · 위험군 표)
  25. 블랜드–앨트먼 일치도 플롯 (높은 상관 ≠ 측정 일치)
  26. 슈하트 관리도 + 웨스턴 일렉트릭 런 규칙 (3σ 안의 이상 신호)
  27. 시계열 분해 (관측 = 추세 + 계절 + 잔차)
  28. 자기상관 함수 ACF + 래그 플롯 (백색잡음 · AR(1) · 계절)
  29. 추세 평활선 비교 (후행 이동평균 지연 · 중심 이동평균 끝 공백 · LOESS 구간폭)
  30. 이분산 잔차 깔때기 → 로그 변환 (일정 폭 띠의 착각)
  31. 이진 결과 회귀 (선형 확률 모형의 음수 확률 · 로지스틱 S곡선)
  32. 무작위의 군집 착시 (푸아송 점 vs 균일 배치 · 사후 원 긋기)
  33. 벤포드 법칙 첫 자리 분포 (실제 데이터 vs 조작된 장부)
  34. 몬테카를로 수렴 (π 추정 · 오차 ∝ 1/√n · 정확도 10배 = 표본 100배)
  35. 효과 크기 시각화 (코헨 d · 분포 겹침 · 우월 확률 · 유의 ≠ 큼)
  36. 버크슨의 역설 (선발이 만드는 음의 상관 · 충돌 변수)
  37. 생존자 편향 (폐쇄된 펀드를 지우면 부풀려지는 평균 수익)
  38. 순열 검정 (라벨 섞기로 만드는 귀무분포)
  39. 다중공선성 (계수 신뢰 타원 · 각각은 0 포함, 함께는 유의)
  40. 설문 가중치 보정 (사후 층화 · 유효 표본 크기)
  41. 유의하지 않음 ≠ 차이 없음 (동등성 검정 TOST)

히스토그램 구간 폭 선택 (너무 넓음 · 너무 좁음 · FD 규칙)

Histogram bin-width choice: oversmoothed vs noisy vs the Freedman–Diaconis rule

  • D3
  • Observable Plot
  • Vega-Lite
  • Canvas

같은 400개 반응 시간 데이터라도 구간 폭이 넓으면 두 봉우리가 하나로 뭉개지고, 너무 좁으면 표본 잡음이 봉우리처럼 보이므로 Freedman–Diaconis 규칙(2·IQR/∛n)으로 폭을 정하고 러그·실제 밀도와 겹쳐 확인하는 히스토그램 설계법으로, 분포 탐색이나 대시보드 히스토그램의 기본 구간을 정할 때 쓴다.

프롬프트

Canvas 2D(또는 Observable Plot.rectY(data, Plot.binX({y:"proportion"}, {x:"ms", interval: h})))로 이봉 혼합분포(55% N(320,35), 45% N(470,45), n=400, 150~650ms) 반응 시간 히스토그램을 그려줘. 구간 폭 h를 100ms(5칸, 빨강 #FF6B5A)로 2.6초 → 0.8초 로그 보간 → 8ms(63칸, 노랑 #FFC933) 2초 → FD 규칙 h = 2·IQR/∛n ≈ 40ms(청록 #4FD1B5)로 바꾸고, 막대 높이는 개수/(n·h) 밀도로 정규화해 폭이 달라도 면적이 같게 해줘. 실제 밀도 곡선은 흰 3/2 점선, x축 아래에 400개 러그 틱(알파 0.3), 오른쪽 위 HUD에 h·칸 수·진단(봉우리 뭉개짐/잡음/FD)을 표시하는 9초 루프(끝 0.35초 페이드).

라이브 데모 열기 — 히스토그램 구간 폭 선택 (너무 넓음 · 너무 좁음 · FD 규칙)

커널 밀도 추정 대역폭 (과소 · Silverman · 과대 평활)

Kernel density estimate bandwidth: undersmoothed vs Silverman’s rule vs oversmoothed (kernels summed)

  • D3
  • Observable Plot
  • Vega-Lite
  • Python

점 하나마다 같은 폭의 가우시안 커널을 올려 더한 것이 KDE라는 원리를 개별 커널과 합 곡선으로 보여주고, 대역폭이 작으면 점마다 뾰족한 봉우리가, 크면 두 집단이 한 덩어리가 되는 것을 Silverman 규칙 값과 비교하는 기법으로, 밀도 곡선·바이올린·릿지라인의 평활 정도를 정할 때 쓴다.

프롬프트

Canvas 2D로 통근 시간 60개 표본(60% N(32,5), 40% N(66,7), 0~100분)을 러그 점으로 찍고, 점마다 높이 1/n인 가우시안 커널 φ((x−xᵢ)/h)/(n·h)를 ±3h 구간에 반투명 #6E80FF 선(알파 0.35)으로 그린 뒤 100개 격자에서 합한 KDE 곡선을 청록 #4FD1B5 면(알파 0.22)+1.6px 선으로 그려줘. 대역폭 h를 1.6분(과소 평활, 2.6초) → 0.8초 로그 보간 → Silverman h = 0.9·min(σ, IQR/1.34)·n^(−1/5)(2초) → 16분(과대 평활)으로 바꾸고, 실제 밀도는 흰 점선, HUD에 h 값과 규칙 이름·진단을 표시하는 9초 루프. Python이면 scipy.stats.gaussian_kde(bw_method="silverman"), D3면 d3.mean(data, v => kernel((x−v)/h))/h로 같은 계산.

라이브 데모 열기 — 커널 밀도 추정 대역폭 (과소 · Silverman · 과대 평활)

ECDF vs 겹친 히스토그램 (분위수 직독)

ECDF vs overlapping histograms: reading medians and P90 directly off cumulative curves

  • D3
  • Observable Plot
  • Vega-Lite
  • ggplot2

두 집단의 분포를 겹친 히스토그램으로 그리면 색이 섞여 비교가 어렵지만, 경험적 누적분포(ECDF)는 구간 선택 없이 모든 점을 쓰고 가로선 하나로 중앙값·P90을 바로 읽을 수 있어 'A가 평균적으로 빠르지만 꼬리는 길다' 같은 교차를 드러내는 비교 기법으로, 배송·지연 시간·응답 시간 비교에 쓴다.

프롬프트

Canvas 2D로 배송일 두 집단(A: 로그정규 중앙값 3.0일 σ=0.45 #6E80FF, B: 중앙값 3.5일 σ=0.2 #FFC933, 각 150개)을 왼쪽엔 0.5일 구간 반투명(알파 0.45) 겹친 히스토그램, 오른쪽엔 계단형 ECDF(Observable Plot.lineY(data, Plot.mapY("cumsum")) 또는 d3.curveStepAfter)로 그려줘. ECDF는 1.4초 동안 왼쪽부터 clip draw-on, 이후 확률 p 가로선이 0→0.5(1초 easeInOut)에서 2.2초 정지, 0.5→0.9로 이동해 정지하며 두 곡선과 만나는 점에서 x축까지 수직 점선과 값 라벨을 내리고, 같은 값을 왼쪽 히스토그램에도 세로선으로 표시해 '히스토그램에선 읽기 어렵다'를 대비시켜줘. HUD에 P50 A 3.0 · B 3.5 → P90 A 5.3 · B 4.5 역전을 표시하는 10초 루프.

라이브 데모 열기 — ECDF vs 겹친 히스토그램 (분위수 직독)

QQ 플롯 정규성 진단 (정규 · 꼬리 두꺼움 · 치우침)

Normal QQ plot diagnosis: normal vs heavy tails vs right skew (quantile-constant morph)

  • D3
  • Python
  • R
  • Canvas

정렬한 표본을 이론 정규 분위수에 맞대어 찍으면 정규일 땐 대각선 위에, 꼬리가 두꺼우면 양 끝이 S자로, 오른쪽으로 치우치면 위로 휜 곡선으로 벗어나는 것을 같은 점들이 모핑하며 보여주는 진단 그래픽으로, 회귀 잔차·실험 지표의 정규 가정 확인에 쓴다.

프롬프트

Canvas 2D로 n=50 표본을 세 형태(정규, z+0.5z³ 꼬리 두꺼움, e^(0.75z) 오른쪽 치우침, 모두 평균 0·표준편차 1로 표준화)로 4초씩 바꿔 보여줘. 오른쪽 QQ 패널은 x = Φ⁻¹((i+0.5)/n) 이론 분위수, y = 정렬된 표본값, 도메인 −3.5~4.5, y=x 기준선 흰 점선; 같은 순위의 점이 0.7초 easeInOut으로 새 위치로 모핑하고 |y−x|>0.35인 점은 #FF6B5A, 나머지는 #4FD1B5(r=2px)로 칠해줘. 왼쪽 작은 패널엔 0.5 구간 히스토그램(밀도)과 N(0,1) 곡선을 겹치고, HUD에 분포 이름과 '점이 대각선 위 → 정규 OK / 양 끝 S자 → 극값 과소평가 / 위로 휨 → 로그 변환 고려' 진단을 띄우는 12초 루프. Python이면 scipy.stats.probplot, R이면 qqnorm()+qqline()과 같은 계산.

라이브 데모 열기 — QQ 플롯 정규성 진단 (정규 · 꼬리 두꺼움 · 치우침)

다이너마이트 막대 → 레인클라우드 (같은 평균, 다른 분포)

Dynamite plot (mean ± SE bars) unmasked as a raincloud plot: half-violin + box + jittered raw data

  • D3
  • ggplot2
  • Python
  • Canvas

평균 ± 표준오차 막대(다이너마이트 플롯)로는 똑같아 보이는 세 집단이 원자료 점·반쪽 밀도·상자를 함께 그린 레인클라우드에선 정규·이봉·치우침+이상치로 완전히 다르다는 것을 전환으로 보여주는 A/B 기법으로, 실험 결과·설문 점수 집단 비교 보고서에 쓴다.

프롬프트

Canvas 2D로 세 집단(각 n=40, 정규 / 이봉 / 로그정규+이상치 8%)을 모두 평균 50·표준편차 14로 정확히 표준화한 뒤, 처음 3.5초는 가로 막대(높이 16px)+SE 오차막대(±2.2)와 '50.0 ± 2.2' 라벨로 보여줘. 3.5초부터 막대가 외곽선만 남기고(알파 0.15) 0.5초 easeOut으로 원자료 점이 위에서 떨어져 행 아래쪽에 ±6px 지터로 쌓이고(점마다 20ms 스태거), 4.8초부터 1초 동안 행 위쪽에 KDE 반쪽 바이올린(높이 20px, 대역폭 Silverman×0.8, 알파 0.5)이 자라며 가운데 얇은 상자(IQR·중앙값·최소~최대 수염)가 그려지게 해줘. 색은 #6E80FF·#4FD1B5·#FFC933, HUD에 '세 집단 평균·SE 모두 같음' → '이봉·치우침·이상치가 드러남'을 표시하는 11초 루프.

라이브 데모 열기 — 다이너마이트 막대 → 레인클라우드 (같은 평균, 다른 분포)

앤스컴 콰르텟 (같은 통계, 다른 그림)

Anscombe’s quartet: identical summary statistics, four different scatterplots

  • D3
  • Vega-Lite
  • Canvas

평균·분산·상관계수·회귀선이 소수점까지 같은 네 데이터셋이 그려 보면 선형·곡선·이상치 하나·지렛점 하나로 전혀 다르다는 것을 '통계표 먼저 → 점 공개 → 패널별 스포트라이트' 순서로 보여주는 그래픽으로, '요약 통계만 믿지 말고 먼저 그려라'를 가르칠 때 쓴다.

프롬프트

Canvas 2D로 2×2 스몰 멀티플(각 144×72px, x 2~20, y 2~14)에 앤스컴 콰르텟 원자료(각 11점)를 배치하고, 처음 2.4초는 점 없이 각 패널 중앙에 'x̄ 9.0 · ȳ 7.50 · s²ₓ 11.0'과 'r 0.816 · y = 3.0 + 0.5x'를 같은 숫자로 띄워줘. 이후 숫자가 페이드되며 점이 패널마다 0.1초·점마다 50ms 스태거로 backOut 팝인, 3.6초에 모든 패널에 같은 회귀선이 1초 draw-on. 5초부터 1.45초씩 패널 I→IV를 스포트라이트(나머지 알파 0.3)하며 I '선형 + 잡음', II 2차 곡선 점선(y = −0.127x² + 2.78x − 6.0) '곡선 관계', III 이상치(13, 12.74) 빨간 링 + 이상치 제외 회귀선 '이상치 1개가 기울기 왜곡', IV 지렛점(19, 12.5) 링 '지렛점 1개가 r=0.82를 만듦' 칩을 붙이는 12초 루프.

라이브 데모 열기 — 앤스컴 콰르텟 (같은 통계, 다른 그림)

겹치는 오차 막대의 오독 (차이 구간 · 83% 규칙)

Overlapping error bars misread as no difference: judge the interval of the difference, or compare 83% intervals

  • D3
  • R
  • Python
  • Canvas

두 평균의 95% 신뢰구간이 조금 겹쳐도 차이는 p<0.05로 유의할 수 있다는 흔한 오독을, 두 평균이 벌어지는 동안 'CI 겹침 여부'와 '차이의 CI가 0을 포함하는지'를 나란히 판정해 보여주고 눈으로 비교하려면 83% 구간을 쓰라는 규칙까지 제시하는 기법으로, 실험 결과 그래프·논문 그림 해석에 쓴다.

프롬프트

Canvas 2D 왼쪽 패널에 A(평균 50)와 B(평균 50+Δ)를 SE 2.6의 95% CI(±5.1, 가는 1.4px 선+캡)와 83.4% CI(±3.6, 굵은 4px 반투명)로 그리고, Δ를 0→12→0으로 10초 코사인 왕복시켜줘. 두 95% CI가 겹치는 구간은 흰 7% 띠로, 겹치는데 유의한 7.2<Δ<10.2 구간은 노랑 #FFC933 20% 띠로 강조해줘. 오른쪽 패널엔 Δ와 차이의 95% CI Δ ± 1.96·√(SE²+SE²) = ±7.2를 0 기준 점선과 함께 그리고 0을 벗어나면 #4FD1B5, 포함하면 회색으로 칠해줘. HUD에 Δ·양측 p = 2(1−Φ(Δ/3.68))와 'CI 겹침 + p<0.05 → 겹침으로 판단 금지' 상태 문구, 아래에 '83% CI가 안 겹치면 ≈ p<0.05' 메모를 표시.

라이브 데모 열기 — 겹치는 오차 막대의 오독 (차이 구간 · 83% 규칙)

회귀 신뢰대 vs 예측대 (평균의 불확실성 vs 개별 값)

Regression confidence band vs prediction band: uncertainty of the mean line vs of a new observation

  • D3
  • Python
  • R
  • Vega-Lite

회귀선 주위의 좁은 모래시계 모양 신뢰대는 '평균 반응'의 불확실성일 뿐이고 새 관측 하나가 떨어질 범위는 훨씬 넓은 예측대라는 것을 두 띠의 순차 등장과 x 프로브의 두 구간 폭, 띠 안에 든 점 비율로 비교해 보여주는 기법으로, 수요 예측·가격 모델·과학 그래프의 회귀 밴드 표기에 쓴다.

프롬프트

Canvas 2D로 광고비(0~10억) vs 매출 70개 점(y = 3 + 1.2x + N(0,1.6))을 15ms 스태거로 찍고 OLS 회귀선을 0.8초 draw-on 한 뒤, 2.2초에 95% 신뢰대 ŷ ± t·s·√(1/n + (x−x̄)²/Sxx)(노랑 #FFC933 알파 0.35)를, 3.6초에 95% 예측대 ŷ ± t·s·√(1 + 1/n + (x−x̄)²/Sxx)(남색 #6E80FF 알파 0.12, 경계 점선)를 회귀선에서 바깥으로 1초 easeOut으로 벌려줘(t = 1.995). 5초부터 x 프로브가 사인으로 좌우 왕복하며 그 위치의 CI(굵은 노랑)·PI(가는 남색) 반폭을 숫자로 띄우고, HUD에 'PI 안 66/70(94%) · CI 안 20/70'처럼 실제 포함 비율을 표시하는 10초 루프. Python이면 statsmodels get_prediction().summary_frame()의 mean_ci / obs_ci와 같다.

라이브 데모 열기 — 회귀 신뢰대 vs 예측대 (평균의 불확실성 vs 개별 값)

잔차 플롯 (높은 R² 뒤에 숨은 곡률)

Residual plot: a high-R² linear fit whose residuals reveal curvature, then a quadratic fit

  • Python
  • R
  • D3
  • Canvas

R²가 0.9를 넘어 좋아 보이는 직선 적합도 실측과 적합값의 차이(잔차)를 아래 패널로 옮겨 찍으면 U자 패턴이 드러나 곡률을 놓쳤음을 알 수 있고, 2차 항을 넣으면 잔차가 0 주위 무작위 띠가 되는 과정을 보여주는 모형 진단 기법으로, 회귀·추세선·캘리브레이션 검증에 쓴다.

프롬프트

Canvas 2D 위 패널에 40개 점(y = 1 + 0.4x + 0.09x² + N(0,0.5), x 0~10)과 OLS 직선을 그리고 HUD에 'R² = 0.95'를 띄운 뒤, 1.6초부터 점마다 적합선까지 세로 잔차 막대(알파 0.6)를 0.8초 draw-on, 2.8초부터 점이 1.4초 easeInOut(점당 10ms 스태거)으로 아래 잔차 패널(잔차 × 10px, 0 기준 점선)의 (x, eᵢ) 위치로 날아가게 해줘. 4.2초에 가우시안 커널 평활선(대역폭 1.2)을 #FF6B5A로 그려 U자를 강조하고, 6.6초부터 1.2초 동안 적합선을 직선→2차식 ŷ = b₀ + b₁x + b₂x²(정규방정식 3×3 풀이)으로 모핑하며 잔차와 평활선도 같은 보간으로 평평해져 #4FD1B5로 바뀌게 하는 12초 루프. Python이면 seaborn.residplot(lowess=True)와 같은 진단.

라이브 데모 열기 — 잔차 플롯 (높은 R² 뒤에 숨은 곡률)

상관 ≠ 인과 · 교란 변수 (층화하면 사라지는 상관)

Correlation is not causation: a confounder revealed by colour encoding and stratified fits

  • D3
  • Vega-Lite
  • Python
  • Canvas

아이스크림 판매량과 익사 사고처럼 강하게 상관된 두 변수를 세 번째 변수(기온)로 색칠하고 기온을 통제한 회귀로 다시 그리면 기울기가 거의 0이 되는 것을 단계적으로 보여주며, 옆에 인과 그래프(DAG)를 그려 '둘 다 기온의 결과'임을 설명하는 기법으로, 데이터 저널리즘·대시보드 해석 교육에 쓴다.

프롬프트

Canvas 2D로 60일 데이터(기온 5~33°C, 아이스크림 = 15 + 5.5·기온 + N(0,25), 익사 = 0.5 + 0.12·기온 + N(0,0.55))를 회색 산점도 + 전체 회귀선(r ≈ 0.7)으로 3초 보여주고 HUD에 '아이스크림이 익사를 부른다?'를 띄워줘. 3초부터 1초 easeInOut으로 점 색을 기온 순차 팔레트(#2F4FA8→#6E80FF→#4FD1B5→#FFC933→#FF6B5A, d3.scaleSequential 같은 방식)로 칠하고, 5.6초에 기온 3구간(5~14, 14~24, 24~33°C)마다 다중회귀(익사 ~ 아이스크림 + 기온)의 아이스크림 기울기(≈ 0)로 그린 거의 평평한 선이 1초 동안 나타나며 전체 회귀선은 사라지게 해줘. 오른쪽에 '기온 → 아이스크림', '기온 → 익사' 화살표와 두 결과 사이 점선 ✕로 된 DAG, 아래에 기온 범례 막대를 두고, HUD에 기온을 회귀로 제거한 편상관 r(≈ 0)을 표시하는 11초 루프.

라이브 데모 열기 — 상관 ≠ 인과 · 교란 변수 (층화하면 사라지는 상관)

심슨의 역설 (집단별 우세 → 전체 역전)

Simpson’s paradox: subgroup rates favour A, the pooled rate favours B (weighted-average lever)

  • D3
  • Vega-Lite
  • Canvas

신장 결석 치료 자료처럼 작은 결석·큰 결석 두 집단 모두에서 A가 성공률이 높은데 전체로 합치면 B가 높아지는 역설을, 원 크기 = 환자 수인 점 그림과 '전체 = 집단 성공률의 가중 평균' 지렛대(가중치 바)로 풀어 보여주고, 같은 비율로 배정했을 때의 유령 점과 비교하는 기법으로, 집계 지표·A/B 결과·병원 성과 비교의 함정을 설명할 때 쓴다.

프롬프트

Canvas 2D 점 그림(y축 60~100% 성공률, 비율용 점 그림이라 0 기준 불필요)에 처음 2.8초는 '전체' 열만 A 78%(273/350, #6E80FF)·B 83%(289/350, #FFC933)를 보여 HUD에 '전체: B가 더 낫다?'를 띄워줘. 2.8초부터 '작은 결석'(A 93% n=87, B 87% n=270)·'큰 결석'(A 73% n=263, B 69% n=80) 점이 backOut 0.4초로 팝인(원 넓이 ∝ n, 반지름 0.55·√n px)하고, 4.8초부터 각 치료의 두 집단 점에서 전체 점으로 가는 연결선을 가중치(A 25%/75%, B 77%/23%)만큼 굵게, 전체 열에 두 집단 성공률 사이 세로 지렛대와 가중 평균 구슬을 그려줘. 6.5초에 '환자 수가 같았다면'(단순 평균 A 83%, B 78%) 점선 유령 구슬을 띄워 순서가 다시 뒤집히는 걸 보여주고, HUD에 'A가 중증(큰 결석)을 더 많이 맡음 → 혼입'을 표시하는 11초 루프.

라이브 데모 열기 — 심슨의 역설 (집단별 우세 → 전체 역전)

평균 vs 중앙값 (이상치 1명이 바꾸는 대표값)

Mean vs median: one extreme outlier drags the mean while the median barely moves (axis rescale)

  • D3
  • Observable Plot
  • Canvas

월소득 29명의 점 그림에서 평균과 중앙값이 거의 같다가 억대 소득자 한 명이 들어오면 평균은 3.5배로 뛰고 중앙값은 그대로라는 것을, 축이 이상치까지 줌아웃했다 돌아오는 동안 두 마커의 이동과 '평균 미만 29/30명' 카운트로 보여주는 기법으로, 소득·집값·응답 시간처럼 꼬리가 긴 지표의 대표값을 고를 때 쓴다.

프롬프트

Canvas 2D로 월소득(만원) 29명(N(380,90), 180~680)을 20만원 구간 Wilkinson 닷플롯(점 r=2.5, 5.5px씩 쌓기)으로 0.06초 스태거 낙하시키고, 축 아래에 중앙값 ◆(#4FD1B5)·평균 ▲(#FF6B5A) 마커와 값을 표시해줘. 2.5초에 소득 30,000만원인 1명이 오른쪽 밖 화살표 칩으로 입장하면서 평균 마커가 0.8초 easeOut으로 391→1,378로 이동해 축 밖(▶)으로 밀려나고, 3.8~5초 x축 최대값을 800→32,000으로 로그 보간 줌아웃(눈금은 1·2·5 nice step 재계산)해 모두가 왼쪽에 뭉치는 걸 보여준 뒤 7~8.2초에 다시 800으로 돌아오게 해줘. HUD에 평균·중앙값 수치와 '1명이 평균을 3.5배로', 마지막에 '평균 미만 29/30명 → 대표값은 중앙값'을 표시하는 11초 루프.

라이브 데모 열기 — 평균 vs 중앙값 (이상치 1명이 바꾸는 대표값)

잘린 y축 막대의 과장 (거짓 인자 Lie factor)

Truncated bar-chart baseline A/B: Tufte’s lie factor grows as the y-axis starts above zero

  • D3
  • Vega-Lite
  • Canvas

102 대 108처럼 6% 차이를 막대로 그릴 때 y축을 100부터 시작하면 막대 길이가 4배 차이로 보이는 것을 같은 데이터의 0 기준 패널과 나란히 놓고, 축 시작값이 오르는 동안 터프티의 거짓 인자(그림 속 효과 크기 ÷ 데이터 효과 크기)를 실시간 계산해 보여주는 A/B 기법으로, 막대는 0에서 시작해야 하는 이유를 설명할 때 쓴다.

프롬프트

Canvas 2D 두 패널에 A사 102·B사 108 막대(폭 34px)를 그리고, 왼쪽 패널은 y축 시작값 b를 1초 대기 → 1.5초 easeInOut으로 0→100까지 올려 4.5초 유지 → 1.2초에 0으로 되돌려줘(눈금 5개를 b~110 사이로 재계산, b>0이면 축 아래에 지그재그 생략 표시). 오른쪽 패널은 항상 0 기준(#4FD1B5 테두리). 거짓 인자 LF = ((108−b)/(102−b) − 1) ÷ (108/102 − 1)를 계산해 HUD에 '거짓 인자 51.0배'와 '데이터 +5.9% · 그림 +300%'로 표시하고, b가 20을 넘으면 왼쪽 막대를 #FF6B5A로 바꿔 경고해줘. 막대 위 값 라벨, 패널 제목 '축 시작 = b' / '0부터 시작'을 두는 10초 루프. 선 그래프는 0 생략이 허용되지만 막대는 길이가 값을 뜻하므로 안 된다는 메모 포함.

라이브 데모 열기 — 잘린 y축 막대의 과장 (거짓 인자 Lie factor)

이중 y축의 착시 (축 범위만 바꿔 만드는 상관 · 역전)

Dual-axis chart pitfalls: rescaling the right axis fabricates correlation or crossovers; indexed single-axis fix

  • D3
  • ECharts
  • Vega-Lite
  • Canvas

관계없는 두 시계열을 왼쪽·오른쪽 축에 따로 올리면 오른쪽 축의 범위만 바꿔도 '같이 움직인다', 'B가 추월했다', 'B는 정체' 같은 이야기를 마음대로 만들 수 있다는 것을 같은 데이터로 연속 시연하고, 첫 해 평균=100 지수화한 단일 축 차트로 정직하게 바꿔 보여주는 기법으로, 대시보드·보도 그래픽의 이중 축 사용 판단에 쓴다.

프롬프트

Canvas 2D로 24개월 두 시계열(A 커피값 4,100원 + 25·i + 40·sin(0.9i), #6E80FF 왼쪽 축 4,000~4,800 고정 / B 자전거 판매(천 대) 10 + 0.35i + 1.2·sin(2πi/12 − 1), #FFC933 오른쪽 축)을 그려줘. 2.7초마다 오른쪽 축 범위를 [8,19] → [0,60] → [10,30]으로 0.6초 easeInOut 보간하며 바꾸고(축 라벨도 보간), 각 단계 헤드라인 칩을 '같이 움직인다!' / 'A만 급등, B는 제자리' / 'B가 A 아래로 · 격차 확대'로 바꿔줘. 8.1초부터 두 선을 첫 12개월 평균 = 100으로 지수화한 하나의 축(70~160)으로 0.6초 모핑해 '지수화 · 한 축으로 비교'로 마무리하고, HUD에 '같은 데이터, 오른쪽 축 범위만 변경'과 현재 범위를 표시하는 11.2초 루프.

라이브 데모 열기 — 이중 y축의 착시 (축 범위만 바꿔 만드는 상관 · 역전)

퍼널 플롯 (순위표의 작은 표본 착시)

Funnel plot vs league table: small units dominate both ends of a ranking; control limits p̄ ± z√(p̄(1−p̄)/n)

  • D3
  • R
  • Python
  • Canvas

병원·학교·지점 60곳의 비율 지표를 순위표로 세우면 표본이 작은 곳이 변동이 커서 최상위·최하위를 독차지하지만, 같은 점을 x = 표본 크기(로그)로 옮기고 이항 통제 한계 깔때기를 그리면 실제로 벗어난 곳은 두 곳뿐이라는 것을 전환으로 보여주는 기법(웨이너의 '가장 위험한 방정식')으로, 지점별 성과·불량률·전환율 비교 보고에 쓴다.

프롬프트

Canvas 2D로 60개 단위(n = 30~3,000 로그 균등, 진짜 비율 10%, 단 2곳만 15~16.5%·n 900/1,600)를 이항 근사로 시뮬레이션해, 처음 3.6초는 비율 내림차순 세로 막대 순위표(폭 3.2px, n<200은 노랑 #FFC933, 나머지 남색 #6E80FF)와 '상위 10' 괄호를 보여줘. 3.6초부터 막대가 1초 동안 꼭대기 점으로 줄고, 4.4초부터 1.2초 easeInOut으로 y는 그대로 둔 채 x만 log₁₀(n) 위치로 이동하게 한 뒤, 5.8초에 평균선 p̄ = 10%와 95%(z 1.96, 점선)·99.8%(z 3.09, 실선) 통제 한계 깔때기를 1초 draw-on 해줘. 7.2초에 99.8% 밖 점만 빨간 링 펄스, HUD에 '상위 10곳 중 소규모 N곳' → '99.8% 한계 밖 = 2곳'을 표시하는 11초 루프.

라이브 데모 열기 — 퍼널 플롯 (순위표의 작은 표본 착시)

중심극한정리 (치우친 모집단 → 표본평균 분포)

Central limit theorem: sampling distributions of the mean from a skewed population at n = 2, 5, 30

  • D3
  • Canvas
  • Python

지수분포처럼 한쪽으로 치우친 모집단에서 표본을 뽑아 평균을 하나씩 아래 히스토그램에 떨어뜨리면, 표본 크기 n이 2→5→30으로 커질수록 평균들의 분포가 좁아지고(SE = σ/√n) 정규 곡선에 가까워지는 것을 단계별로 보여주는 기법으로, 신뢰구간·A/B 검정이 왜 정규 근사를 쓰는지 설명할 때 쓴다.

프롬프트

Canvas 2D 맨 위에 지수분포 모집단(평균 1, 0~4) 밀도를 면(#6E80FF 알파 0.25)으로, 가운데 줄엔 현재 표본 n개를 점으로, 아래엔 표본평균 히스토그램(0.1 구간, 개수당 2px)을 그려줘. n = 2, 5, 30 단계마다 4초씩, 시드 고정으로 미리 뽑은 표본 150개의 평균을 m = 150·k^1.6 속도로(처음엔 느리게, 나중엔 빠르게) 하나씩 가운데 줄에서 히스토그램으로 떨어뜨리고(#FFC933 점), 이론 정규 곡선 N(1, 1/√n)×150×0.1을 흰 점선으로 겹쳐줘. 단계 경계에서 0.25초 페이드로 리셋하고, HUD에 '표본 크기 n = 30 · 표본평균 150개'와 'SE = σ/√n = 0.18 · 거의 정규'를 표시하는 12초 루프.

라이브 데모 열기 — 중심극한정리 (치우친 모집단 → 표본평균 분포)

p값의 춤 (같은 실험 40번 반복)

Dance of the p-values: 40 replications of one experiment, scrolling CIs and a p-value tally

  • D3
  • R
  • Python
  • Canvas

진짜 효과가 있는 같은 실험(검정력 약 50%)을 40번 반복하면 신뢰구간은 비슷하게 흔들리는데 p값은 0.001 미만부터 0.5 이상까지 널뛴다는 것을 한 줄씩 쌓이는 구간 그림과 p 범주 집계로 보여주는 기법(커밍의 'p값의 춤')으로, 단일 p값으로 결론 내리지 말고 효과 크기와 구간을 보고하라고 설명할 때 쓴다.

프롬프트

Canvas 2D로 진짜 효과 δ = 0.5σ, 군당 n=32(SE 0.25, 검정력 52%) 실험 40회를 시드 고정으로 미리 뽑아, 0.27초마다 한 줄씩 아래에 추가해줘: 행마다 평균 차이 점 + 95% CI(±0.49) 가로선을 x 도메인 −0.5~1.5에 그리고, 오른쪽에 p값 라벨을 범주별 색(p<.001 #4FD1B5 / <.01 연청록 / <.05 #FFC933 / <.10 주황 / ≥.10 #FF6B5A)으로 붙여줘. 최근 14줄만 보이게 9.6px 간격으로 부드럽게 위로 스크롤(clip 영역)하고, 0 기준 점선과 진짜 δ 점선, 맨 오른쪽엔 5개 p 범주 가로 막대 집계(개당 3px)를 실시간으로 늘려줘. HUD에 '같은 실험 N회 · 검정력 52%'와 지금까지의 p 최솟값~최댓값을 표시하는 12초 루프.

라이브 데모 열기 — p값의 춤 (같은 실험 40번 반복)

베이즈 갱신 (사전 × 우도 → 사후 분포)

Bayesian updating with a Beta prior: prior × likelihood → posterior, trial by trial (skeptical vs flat prior)

  • D3
  • Python
  • Stan
  • Canvas

전환율 θ에 대한 회의적 사전분포 Beta(8,32)에 성공·실패 관측이 하나씩 들어올 때마다 우도 곡선과 곱해진 사후분포가 이동·수축하는 과정을, 평평한 사전의 사후(= 정규화 우도)와 나란히 보여줘 '데이터가 쌓이면 사전의 영향이 줄어든다'를 설명하는 기법으로, 베이지안 A/B·신뢰도 추정·평점 보정 설명에 쓴다.

프롬프트

Canvas 2D로 θ 0~1 축 위에 사전 Beta(8,32)(회색 점선), 정규화한 우도 Beta(k+1, n−k+1)(= 평평한 사전의 사후, 노랑 #FFC933 점선), 사후 Beta(8+k, 32+n−k)(남색 #6E80FF 면 알파 0.3 + 1.8px 선)를 100개 격자에서 로그감마로 정규화해 그려줘. 0.6초부터 0.24초마다 진짜 θ=0.45로 시드 고정 생성한 관측 40개가 위쪽 칩 줄(성공 청록/실패 빨강)에 하나씩 채워지고, 파라미터는 관측 사이를 easeInOut 분수 보간(a = 8 + k + f·xₙ₊₁)으로 부드럽게 이동시켜줘. 사후의 95% 신용구간을 누적합으로 구해 축 위 굵은 띠로, HUD에 '사후 Beta(a, b) · k/n 성공'과 '평균 0.31 · 95% 구간 0.21–0.41'(40개로는 아직 사전이 끌어당김)을 표시하고 마지막에 '실제 θ = 0.45' 세로선을 페이드인하는 12초 루프.

라이브 데모 열기 — 베이즈 갱신 (사전 × 우도 → 사후 분포)

부트스트랩 재표본 (중앙값의 신뢰구간)

Bootstrap resampling: resample with replacement, collect medians, read a percentile confidence interval

  • Python
  • R
  • D3
  • Canvas

공식이 없는 통계량(중앙값)의 불확실성을 원표본 20개에서 복원 추출로 같은 크기의 재표본을 반복해 만든 중앙값 분포로 추정하는 부트스트랩 과정을, 처음 몇 번은 천천히 뽑힌 점·중복 쌓임을 보여주고 이후 1,000번까지 가속해 백분위 95% 구간을 읽는 기법으로, 소표본 지표·비정규 지표의 구간 표기에 쓴다.

프롬프트

Canvas 2D 맨 위에 세션 시간 원표본 20개(로그정규 중앙값 18분, σ=0.55, 0~60분 축)를 점으로 찍고 중앙값 세로선을 그려줘. 1초부터 재표본 4개를 1.1초씩 천천히: 0.04초마다 원표본 점 하나가 링으로 깜박이며 복제되어 가운데 줄로 떨어지고(같은 값은 6px씩 위로 쌓여 중복이 보이게), 0.8초에 그 재표본의 중앙값 틱이 아래 히스토그램(1분 구간)으로 떨어지게 해줘. 5.4초부터 3.4초 동안 재표본 수를 4 + 996·k²로 가속(가운데 줄은 현재 재표본으로 깜박임), 9초에 정렬된 1,000개 중앙값의 2.5·97.5 백분위 점선과 구간 띠(#4FD1B5)를 그리고, HUD에 'B = 1,000 재표본'과 '중앙값 95% CI 17–29분'을 표시하는 12초 루프. Python이면 scipy.stats.bootstrap(method="percentile")과 같다.

라이브 데모 열기 — 부트스트랩 재표본 (중앙값의 신뢰구간)

기저율 무시 (양성 판정의 실제 의미 · 자연 빈도 아이콘)

Base-rate fallacy as a natural-frequency icon array: 1% prevalence, 90% sensitivity, 9% false positives

  • D3
  • Canvas
  • Vega-Lite

유병률 1%·민감도 90%·위양성률 9%인 검사에서 '양성이면 90% 확률로 환자'라고 오해하기 쉽지만, 1,000명 아이콘 배열에 환자·양성을 차례로 칠하고 양성자만 모으면 98명 중 실제 환자는 9명(9%)뿐이라는 것을 자연 빈도로 보여주는 기법으로, 진단 검사·사기 탐지·경보 정밀도 설명에 쓴다.

프롬프트

Canvas 2D로 1,000명을 40×25 격자(셀 5.2px, 둥근 사각형 4.2px)로 0~1.2초 대각선 웨이브로 깔고, 1.4초에 시드 셔플로 고른 환자 10명을 #FF6B5A로, 3초에 검사 양성자(환자 중 9명 = 흰 링, 건강한 990명 중 89명 = 노랑 #FFC933)를 0.4초 backOut으로 표시해줘. 5.2초부터 1.6초 easeInOut으로 음성자는 알파 0.08로 흐려지고 양성자 98명이 14열 블록(셀 8px)으로 모이며 환자 9명이 맨 앞에 오게 하고, 오른쪽 패널에 '1,000명 → 환자 10 → 양성 9 / 건강 990 → 위양성 89' 빈도 트리와 큰 숫자 '9%'(JetBrains Mono 18px), '정확도 90% ≠ 양성 시 90%' 메모를 순서대로 띄워줘. HUD에 'P(병 | 양성) = 9/98 = 9.2%'를 표시하는 12초 루프.

라이브 데모 열기 — 기저율 무시 (양성 판정의 실제 의미 · 자연 빈도 아이콘)

다중 비교 · p-해킹 (20개 검정 중 하나는 우연히 유의)

Multiple comparisons: 20 null tests in a forest plot, one false positive, then Bonferroni-widened intervals

  • R
  • Python
  • D3
  • Canvas

효과가 전혀 없는 20개 하위 집단을 각각 검정하면 1−0.95²⁰ = 64% 확률로 하나 이상이 우연히 p<0.05가 되는 것을 숲 그림(forest plot)의 한 줄이 '유의'로 빛나는 순간과, 본페로니 보정(α/20)으로 모든 구간이 넓어져 0을 다시 포함하는 과정으로 보여주는 기법으로, 세그먼트 분석·대시보드 지표 탐색·p-해킹 경고에 쓴다.

프롬프트

Canvas 2D로 젤리빈 색 20개 행(행 높이 6.8px, 색 견본 5px + 이름)의 숲 그림을 그리고, 모두 진짜 효과 0인 z 추정치(시드 고정, 초록 행만 z = 2.26)를 0.16초 스태거로 점 + 95% 구간(±1.96)으로 그려줘. 3.8초에 0을 벗어난 초록 행을 노랑 #FFC933 배경 띠로 깜박이며 '초록 젤리빈 ↔ 여드름 p = 0.024!' 칩을 띄우고, 6.4초부터 1.2초 easeInOut으로 모든 구간을 본페로니 z = 3.02(α = 0.05/20)로 넓혀 초록 행도 0을 포함해 회색으로 돌아가게 해줘. 오른쪽 열에 원래 p값 → 보정 p = min(1, 20p)을 표시하고, HUD에 '20개 검정 · P(거짓양성 ≥ 1) = 64%' → '본페로니 α/20 → 유의 0개'를 표시하는 12초 루프. R이면 p.adjust(method="bonferroni"), 대안으로 BH(FDR)도 언급.

라이브 데모 열기 — 다중 비교 · p-해킹 (20개 검정 중 하나는 우연히 유의)

평균으로의 회귀 (1차 상위권의 2차 하락)

Regression to the mean: top and bottom 10 % on test 1 drift toward the average on test 2 (slope chart + scatter)

  • D3
  • Python
  • Canvas

두 번 본 시험에서 1차 상위 10%는 2차에 평균 쪽으로 떨어지고 하위 10%는 오르는 현상이 칭찬·벌의 효과가 아니라 측정 잡음 때문이라는 것을, 왼쪽 슬로프 차트(1차→2차 선)와 오른쪽 산점도(y=x 대각선 vs 기울기 r의 회귀선, 집단 평균 화살표)를 연동해 보여주는 기법으로, 성과 평가·의료 효과·A/B 재검증 해석에 쓴다.

프롬프트

Canvas 2D로 학생 200명(실력 N(70,8), 각 시험 = 실력 + N(0,8), 두 시험 상관 r ≈ 0.5)을 왼쪽 슬로프 차트(1차·2차 세로축, 전체 선 알파 0.05)와 오른쪽 산점도(1차 x, 2차 y, 35~105점)로 그려줘. 1.6초부터 1차 상위 10% 20명의 선을 #FF6B5A로 1.2초 draw-on 하고 집단 평균선(굵게)을, 3.4초부터 하위 10%를 #4FD1B5로 같은 방식으로 그리며 산점도 점도 같은 색으로 칠해줘. 5.6초에 y=x 흰 점선('변화 없음'), 6.4초에 2차 ~ 1차 OLS 회귀선(기울기 ≈ r)을 0.8초 draw-on, 7.4초에 두 집단의 (1차 평균, 1차 평균) → (1차 평균, 2차 평균) 화살표를 그려 '극단은 평균 쪽으로'를 보여주고, HUD에 '상위 88→76 · 하위 51→61점', 'r = 0.5 → 극단은 평균으로 회귀'를 표시하는 11초 루프.

라이브 데모 열기 — 평균으로의 회귀 (1차 상위권의 2차 하락)

과밀 산점도 해법 (불투명 · 투명도 · 헥스빈 · 등고선)

Overplotting a 4,000-point scatter: opaque blob vs alpha blending vs hexbin counts vs 2D density contours

  • D3
  • d3-hexbin
  • d3-contour
  • Canvas

4,000개 점을 불투명하게 찍으면 한 덩어리로 보여 안쪽의 고밀도 핵과 구조가 사라지지만, 투명도·헥스빈 집계·2D 밀도 등고선으로 바꾸면 숨은 군집이 드러난다는 것을 같은 데이터의 네 인코딩 크로스페이드로 비교하는 기법으로, 대용량 산점도·로그 데이터·지도 점 데이터 설계에 쓴다.

프롬프트

Canvas 2D로 4,000점(두 타원 군집 1,800·1,400개 + 고밀도 핵 400개 σ=0.05 + 균등 잡음 400개)을 한 패널(292×150px)에 네 방식으로 그려 각각 오프스크린 캔버스(가상 좌표 크기로 다시 그리기)에 캐시하고 3초마다 0.5초 크로스페이드로 순환시켜줘: ① 불투명 점 r=1.7 #6E80FF '덩어리 하나', ② globalAlpha 0.12 점 '숨은 핵 등장', ③ d3.hexbin().radius(6) 육각 칸 개수를 로그 스케일 순차 팔레트(#1B2A4A→#6E80FF→#4FD1B5→#FFC933→#FF6B5A)로, ④ 4px 격자 KDE(박스 블러 3회)에서 d3.contours().thresholds(6) 등고선(마칭 스퀘어, 단계별 색) + 옅은 점. HUD에 방식 이름과 규칙('n>1,000이면 α ≈ 1/(밀도) 또는 집계')을 표시하는 12초 루프.

라이브 데모 열기 — 과밀 산점도 해법 (불투명 · 투명도 · 헥스빈 · 등고선)

카플란–마이어 생존 곡선 (중도절단 표시 · 위험군 표)

Kaplan–Meier survival curves with censor ticks, a numbers-at-risk table and the censored-as-event error

  • R
  • Python
  • D3
  • Canvas

추적이 끝나거나 탈락한 환자(중도절단)를 사망으로 세지 않고 그 시점 이후 분모에서만 빼는 카플란–마이어 계단 곡선을 시간 커서가 흐르며 그리고, 아래 위험군 수 표와 중앙 생존 시간 점선, '중도절단을 사망으로 처리한' 잘못된 곡선을 함께 보여주는 기법으로, 임상·구독 이탈·장비 수명 분석 그래픽에 쓴다.

프롬프트

Canvas 2D로 두 군(대조 #FF6B5A 중앙 생존 9개월, 치료 #4FD1B5 15개월, 각 30명, 지수분포 사건 + 추적 8~24개월 균등 행정 절단 + 15% 무작위 탈락)을 시드 고정으로 만들고, 0.4~7.6초 동안 시간 커서(점선, 'N개월' 라벨)가 0→24개월로 지나가며 각 군의 KM 계단 Ŝ(t) = Π(1 − dᵢ/nᵢ)을 clip으로 드러내고 중도절단 시점마다 곡선 위에 '+' 틱을 찍어줘. 2초부터 치료군의 '중도절단 = 사망 처리' 오류 곡선을 같은 색 점선(알파 0.55)으로 겹쳐 과소추정을 대비시키고, 아래 위험군 표(0·6·12·18·24개월)는 커서를 지난 칸만 밝게, 8초에 S=0.5 가로 점선과 각 군 중앙값 세로 점선·라벨을 그려줘. HUD에 '+ = 중도절단: 분모에서만 빠짐' → '중앙 생존 대조 8 · 치료 15개월'을 표시하는 11초 루프. R이면 survival::survfit + ggsurvplot(risk.table=TRUE)와 같은 구성.

라이브 데모 열기 — 카플란–마이어 생존 곡선 (중도절단 표시 · 위험군 표)

블랜드–앨트먼 일치도 플롯 (높은 상관 ≠ 측정 일치)

Bland–Altman agreement plot: an r = 0.96 scatter morphs into mean-vs-difference with bias, limits of agreement and proportional bias

  • R
  • Python
  • D3
  • Canvas

새 혈압계와 기준 혈압계처럼 두 측정법을 비교할 때 산점도의 상관계수 0.96은 '같이 움직인다'일 뿐 '같은 값을 낸다'는 뜻이 아니므로, 같은 점을 x = 두 측정의 평균, y = 차이로 옮겨 평균 편향선·95% 일치 한계(편향 ± 1.96·SD)·값이 클수록 차이가 커지는 비례 편향을 드러내는 기법으로, 의료기기·센서 교정·두 평가자 점수 비교에 쓴다.

프롬프트

Canvas 2D로 환자 60명의 수축기 혈압 참값(N(135,22), 90~190mmHg)에서 기준기 A = 참값 + N(0,4), 신형 B = 1.08·참값 − 7 + N(0,5)를 시드 고정으로 만들어줘. 처음 3.4초는 A(x)–B(y) 산점도와 y = x 흰 점선, HUD에 'r = 0.96 → 일치?'를 띄우고, 3.4초부터 1.4초 easeInOut으로 각 점을 (평균 (A+B)/2, 차이 B − A) 좌표로 모핑하며 축 라벨도 크로스페이드해줘. 5.2초에 평균 편향선(#FFC933 1.6px), 6초에 95% 일치 한계 편향 ± 1.96·SD(#FF6B5A 점선 + 값 라벨)와 그 사이 띠(알파 0.08), 7.4초에 차이~평균 회귀선(#6E80FF)을 0.8초 draw-on 해 '혈압이 높을수록 B가 과대'(비례 편향)를 보여주고, HUD에 편향·일치 한계 수치를 표시하는 11초 루프. R이면 BlandAltmanLeh::bland.altman.plot, Python이면 pingouin.plot_blandaltman과 같은 구성.

라이브 데모 열기 — 블랜드–앨트먼 일치도 플롯 (높은 상관 ≠ 측정 일치)

슈하트 관리도 + 웨스턴 일렉트릭 런 규칙 (3σ 안의 이상 신호)

Shewhart X̄ control chart with Western Electric / Nelson run rules: zone A-B-C shading catches shifts and trends that never cross 3σ

  • D3
  • Python
  • R
  • Canvas

공정 평균 10.00mm·σx̄ 0.20의 부품 치수 표본평균 56개를 시간순으로 찍을 때 3σ 관리 한계만 보면 이상은 1건뿐이지만, ±1σ·±2σ 구역(C·B·A)을 칠하고 '3점 중 2점이 2σ 밖', '같은 쪽 8연속', '6점 연속 상승' 같은 런 규칙을 적용하면 한계 안에 숨은 평균 이동과 추세를 잡아내는 것을 커서 진행과 규칙 칩 점등으로 보여주는 통계적 공정 관리 기법으로, 제조 품질·서비스 응답 시간·실험실 계측 모니터링에 쓴다.

프롬프트

Canvas 2D로 부품 지름 표본평균 56개(중심선 CL 10.00, σx̄ 0.20, UCL 10.60·LCL 9.40)를 시드 고정으로 만들되 12번째에 3.4σ 이탈, 21·23번째에 2.3σ·2.4σ, 30~39번째에 +0.4σ 이상 평균 이동, 43~48번째에 6점 연속 상승을 심어줘. ±1σ C구역(#4FD1B5 알파 0.05)·±2σ B구역(#FFC933 0.05)·±3σ A구역(#FF6B5A 0.06)을 깔고, 0.4~8초 커서가 왼쪽부터 점을 하나씩 공개하며 각 점에서 규칙 ① 1점 3σ 밖 ② 3점 중 2점 같은 쪽 2σ 밖 ③ 같은 쪽 8연속 ④ 6점 연속 상승·하강(Nelson 3)을 실제로 판정해 걸린 점에 빨간 링 + 규칙 번호를, 연속 규칙은 해당 구간 노랑 띠로 표시해줘. 아래 규칙 칩 4개가 처음 걸릴 때 0.3초 backOut으로 점등, HUD에 '3σ 한계만: 1건 · 런 규칙 포함: 4건'을 표시하는 11초 루프. Python이면 pyspc / R이면 qcc::qcc(type="xbar")와 같은 판정.

라이브 데모 열기 — 슈하트 관리도 + 웨스턴 일렉트릭 런 규칙 (3σ 안의 이상 신호)

시계열 분해 (관측 = 추세 + 계절 + 잔차)

Seasonal decomposition of a monthly series into trend, seasonal and remainder panels; an anomaly hidden by seasonality pops out in the remainder

  • Python
  • R
  • D3
  • Canvas

48개월 전력 수요처럼 계절 진동이 큰 시계열을 한 줄로 그리면 추세 변화와 이상치가 출렁임에 묻히므로, 2×12 중심 이동평균 추세·월별 평균 계절 성분·나머지 잔차를 같은 시간축의 패널로 차례로 떼어 내고 계절과 잔차는 같은 눈금으로 그려 크기를 비교하며, 계절 저점에 숨은 이상값이 잔차 패널에서 드러나는 과정을 보여주는 기법으로, 매출·트래픽·기상 시계열 분석 보고서에 쓴다.

프롬프트

Canvas 2D로 48개월 수요 = 추세(100 + 0.55i + 6·e^(−((i−30)/8)²)) + 계절(9·cos(2πi/12) + 3.5·sin(4πi/12)) + N(0,2.2)를 시드 고정으로 만들고 계절 저점인 30번째 달에 +12 이상값을 심어줘. 위 패널에 관측선을 1.6초 clip draw-on 한 뒤, 2.2초 추세(2×12 중심 이동평균, 양 끝 6개월은 인접 12개월 선형 외삽, #6E80FF), 3.4초 계절(달별 탈추세 평균을 합 0으로 중심화, #FFC933), 4.6초 잔차(막대, 0 기준)를 각자 패널에 1초씩 draw-on 하며 패널 사이에 '= + +' 기호를 붙여줘. 계절·잔차 패널은 같은 px/단위 눈금으로. 6.4초에 |잔차| > 2.5·SD인 달을 빨간 링으로 찍고 네 패널을 관통하는 세로 점선으로 관측선의 같은 지점에 연결, 7.8초에 계절 조정 계열(관측 − 계절)을 위 패널에 #4FD1B5로 겹쳐 '계절 조정하면 이상값이 보인다'를 HUD에 띄우는 11초 루프. Python이면 statsmodels.tsa.seasonal.STL(period=12, robust=True) 또는 seasonal_decompose(model="additive")와 같은 구성.

라이브 데모 열기 — 시계열 분해 (관측 = 추세 + 계절 + 잔차)

자기상관 함수 ACF + 래그 플롯 (백색잡음 · AR(1) · 계절)

Autocorrelation function (ACF) stem plot with ±1.96/√n bands and a lag plot, morphing between white noise, AR(1) persistence and a 12-period seasonal series

  • Python
  • R
  • D3
  • Canvas

시계열의 값이 과거 값과 얼마나 닮았는지를 시차별 상관 막대(ACF)와 xₜ 대 xₜ₊ₖ 래그 산점도로 함께 그리면, 백색잡음은 모든 막대가 ±1.96/√n 띠 안에 머물고 둥근 구름, AR(1)은 막대가 천천히 줄고 대각선 구름, 계절 계열은 12·24에서 솟는다는 패턴 차이가 드러나며, 같은 노이즈에서 세 계열로 모핑해 비교하는 진단 기법으로, 예측 모형(ARIMA) 차수 선택·잔차 독립성 검사·센서 신호 주기 탐색에 쓴다.

프롬프트

Canvas 2D로 같은 시드의 N(0,1) 잡음 eₜ 120개에서 ① 백색잡음 eₜ ② AR(1) xₜ = 0.8·xₜ₋₁ + eₜ ③ 계절 1.2·sin(2πt/12) + 0.6·eₜ 세 계열을 표준화해 만들고, 4초마다 0.7초 easeInOut으로 값을 보간 모핑해줘. 위 패널엔 계열 선(#6E80FF), 왼쪽 아래엔 래그 플롯(xₜ, xₜ₊ₖ; 계절 단계는 k = 12, 나머지는 k = 1, 점 r = 1.6px), 오른쪽 아래엔 시차 1~24 ACF 줄기 막대(rₖ = Σ(xₜ−x̄)(xₜ₊ₖ−x̄)/Σ(xₜ−x̄)², 띠 밖이면 #FF6B5A, 안이면 #4FD1B5)와 ±1.96/√120 = ±0.18 신뢰 띠(남색 알파 0.15)를 매 프레임 다시 계산해 그려줘. 래그 플롯의 k 막대는 흰 테두리로 강조, HUD에 계열 이름과 '모든 막대가 띠 안 → 독립' / '천천히 감소 → 지속성 AR' / '12·24에서 솟음 → 계절'을 표시하는 12초 루프. Python이면 statsmodels.graphics.tsaplots.plot_acf, pandas.plotting.lag_plot과 같다.

라이브 데모 열기 — 자기상관 함수 ACF + 래그 플롯 (백색잡음 · AR(1) · 계절)

추세 평활선 비교 (후행 이동평균 지연 · 중심 이동평균 끝 공백 · LOESS 구간폭)

Smoothing a noisy daily series: trailing moving average lag, centred MA missing ends, LOESS span 0.2 vs 0.75 oversmoothing

  • D3
  • Python
  • R
  • Canvas

같은 120일 잡음 시계열에 15일 후행 이동평균을 그리면 정점이 8일 늦게 나타나고, 중심 이동평균은 지연이 없지만 마지막 7일이 비며, LOESS는 끝까지 추정하되 구간폭이 크면 정점이 깎인다는 것을 실제 신호(점선)와 각 평활선의 정점 위치·높이로 순서대로 비교하는 기법으로, 확진자·매출·주가 추세선이나 대시보드 '7일 평균' 표기를 고를 때 쓴다.

프롬프트

Canvas 2D로 120일 일별 값 = 50 + 25·e^(−((d−62)/22)²) + 0.04·d + N(0,4)(시드 고정, 회색 점 r = 1.4px)과 실제 신호(흰 점선)를 그린 뒤 2.2초마다 평활선을 바꿔줘: ① 15일 후행 이동평균(#FF6B5A, d ≥ 14부터) ② 15일 중심 이동평균(#FFC933, 양 끝 7일 없음 → 마지막 7일 구간 빨간 빗금 '아직 알 수 없음') ③ LOESS 국소 선형, tricube 가중, 구간폭 0.2(#4FD1B5) ④ LOESS 구간폭 0.75(#6E80FF). 각 곡선은 0.6초 clip draw-on, 이전 곡선에서 0.4초 크로스페이드, 곡선의 최댓값 위치에 세로 점선과 '정점 D70' 라벨을 실제 정점 D62 옆에 표시하고, HUD에 '정점 +8일 지연', '지연 없음 · 끝 7일 공백', '지연 없음 · 끝까지 추정', '과대 평활 → 정점 −8 낮아짐'을 표시하는 11초 루프. D3면 d3.rollup 대신 d3-regression의 regressionLoess().bandwidth(0.2), Python이면 statsmodels lowess(frac=0.2)와 같다.

라이브 데모 열기 — 추세 평활선 비교 (후행 이동평균 지연 · 중심 이동평균 끝 공백 · LOESS 구간폭)

이분산 잔차 깔때기 → 로그 변환 (일정 폭 띠의 착각)

Heteroscedasticity: a constant-width prediction band over fan-shaped residuals, fixed by a log–log transform (coverage by size tercile)

  • Python
  • R
  • D3
  • Canvas

매장 면적과 매출처럼 값이 클수록 흩어짐도 커지는 자료에 일반 회귀와 일정 폭 ±1.96·s 띠를 그리면 작은 매장엔 띠가 지나치게 넓고 큰 매장엔 좁아 실제 포함률이 크기별로 100%와 81%로 갈리는데, 잔차 대 적합값 패널의 깔때기 모양으로 이를 진단하고 두 축을 로그로 바꾸면 잔차 폭이 고르게 펴지는 과정을 크기 3분위별 포함률과 함께 보여주는 기법으로, 가격·매출·소득 회귀와 예측 구간 표기에 쓴다.

프롬프트

Canvas 2D로 매장 80곳(면적 x = 20~400㎡ 균등, 일매출 y = 0.9·x·e^(0.35·N(0,1)) 만원)을 위 패널 산점도로 찍고 OLS 직선과 일정 폭 ±1.96·s 띠(#FFC933 알파 0.15)를 그린 뒤, 아래 패널에 표준화 잔차 eᵢ/s 대 적합값을 찍고 |잔차|~적합값 회귀로 만든 깔때기 외곽선(#FF6B5A 점선)을 1초 draw-on 해줘. HUD에 면적 3분위별 띠 포함률('소형 100% · 중형 92% · 대형 81%' → 로그 변환 후 96 · 100 · 96%)을 띄우고, 6초부터 1.4초 easeInOut으로 두 축을 log₁₀으로 바꾸며 점·회귀선·띠·잔차 위치를 모두 보간 모핑해 깔때기가 평행 띠로 바뀌고 포함률이 고르게 되는 걸 보여주는 12초 루프. Python이면 statsmodels het_breuschpagan으로 검정, 대안으로 WLS 또는 HC3 강건 표준오차 언급.

라이브 데모 열기 — 이분산 잔차 깔때기 → 로그 변환 (일정 폭 띠의 착각)

이진 결과 회귀 (선형 확률 모형의 음수 확률 · 로지스틱 S곡선)

Binary outcome regression: jittered 0/1 strips, binned proportions, a linear probability line escaping [0, 1] and a fitted logistic S-curve

  • Python
  • R
  • D3
  • Canvas

합격/불합격 같은 0·1 결과를 공부 시간에 맞춰 직선으로 회귀하면 적은 시간 쪽은 확률이 음수, 많은 쪽은 100%를 넘어 버리지만, 위아래 띠로 지터한 원자료와 1시간 구간별 합격 비율 점을 함께 그리고 로지스틱 회귀(IRLS)의 S곡선을 겹치면 0~1 안에서 비율 점을 따라가며 50% 지점·오즈비로 해석할 수 있다는 것을 단계적으로 보여주는 기법으로, 전환·이탈·합격률처럼 이진 결과를 다루는 분석 그래픽에 쓴다.

프롬프트

Canvas 2D로 학생 150명(공부 시간 x = 0~10시간 균등, 합격 ~ Bernoulli(1/(1+e^−(−4+0.9x))))을 시드 고정으로 만들어 합격은 y = 1 띠, 불합격은 y = 0 띠에 ±4px 세로 지터로 1.4초 동안 떨어뜨려줘(합격 #4FD1B5, 불합격 #FF6B5A, r = 1.7px). 1.8초에 1시간 구간별 합격 비율 점(반지름 1 + 0.55·√n px, 흰색)을 backOut 팝인, 3.4초에 OLS 선형 확률 직선을 0.8초 draw-on 하고 0 아래·1 위로 나간 구간을 빨간 굵은 선 + 'p̂ = −8%?' · 'p̂ = 118%?' 칩으로 강조해줘. 6초에 IRLS 25회로 맞춘 로지스틱 곡선(#FFC933 2px)을 1초 draw-on, 직선은 알파 0.3으로 물러나고, 7.4초부터 x 프로브가 사인으로 왕복하며 그 지점의 p̂를 표시해줘. HUD에 '50% 지점 x = 4.6시간 · 오즈비 e^β = 2.4배/시간'을 표시하는 12초 루프. Python이면 statsmodels Logit / sklearn LogisticRegression, R이면 glm(family=binomial)과 같다.

라이브 데모 열기 — 이진 결과 회귀 (선형 확률 모형의 음수 확률 · 로지스틱 S곡선)

무작위의 군집 착시 (푸아송 점 vs 균일 배치 · 사후 원 긋기)

Clustering illusion: true random (Poisson) points look clumpy, even spacing looks random; quadrat counts vs Poisson pmf and the Texas-sharpshooter circle

  • D3
  • R
  • Python
  • Canvas

무작위로 뿌린 점 100개는 빈 곳과 몰린 곳이 생겨 '군집'처럼 보이고 사람이 고르게 찍은 점이 오히려 무작위처럼 보이는 착시를, 두 패널 비교 후 5×5 구획 개수 세기와 푸아송(λ=4) 기대 분포 막대로 확인하고, 가장 많이 몰린 칸에 사후로 원을 그려 '발병 군집'이라 부르는 텍사스 명사수 오류의 확률까지 계산해 보여주는 기법으로, 사건 지도·질병 군집·매장 분포 해석 교육에 쓴다.

프롬프트

Canvas 2D 두 정사각 패널(각 136px)에 왼쪽은 균등 난수 점 100개(진짜 무작위, 시드 고정), 오른쪽은 10×10 격자에 셀 폭 ±25% 지터를 준 점 100개를 r = 2px로 0.02초 스태거 팝인하고, 3.2초까지 '어느 쪽이 무작위일까?' 질문을 HUD에 띄워줘. 3.2초에 정답 라벨(왼쪽 '무작위 = 푸아송' #4FD1B5, 오른쪽 '너무 고름 = 사람이 만든 듯' #FF6B5A)을 backOut, 4.6초에 왼쪽 5×5 구획선과 칸별 개수(6px 숫자)를 페이드인, 5.8초에 오른쪽 패널을 0.8초 크로스페이드로 '칸당 개수 k' 빈도 막대 + 푸아송 기대 25·e^(−4)·4ᵏ/k! 흰 점으로 바꿔줘. 8초에 왼쪽 최다 칸에 빨간 원(펄스)과 '발병 군집?' 칩을 그리고 HUD에 '25칸 중 최대 ≥ m일 확률 = 1 − P(X < m)²⁵ ≈ 42%'처럼 실제 계산값을 표시하는 11초 루프. R이면 spatstat quadrat.test, D3면 d3.bin으로 칸 개수 집계.

라이브 데모 열기 — 무작위의 군집 착시 (푸아송 점 vs 균일 배치 · 사후 원 긋기)

벤포드 법칙 첫 자리 분포 (실제 데이터 vs 조작된 장부)

Benford’s law first-digit test: real multi-scale data vs fabricated uniform digits, with Nigrini MAD conformity and a log-ruler explanation

  • Python
  • R
  • D3
  • Canvas

여러 자릿수에 걸친 실제 수치(인구·거래 금액·하천 면적)는 첫 자리가 1인 경우가 30.1%, 9는 4.6%로 log₁₀(1+1/d)를 따르지만 사람이 지어낸 숫자는 1~9가 고르게 나오는 경향이 있다는 것을, 표본이 쌓이며 막대가 기대 곡선에 붙는 과정과 조작 데이터로 바뀔 때 벌어지는 편차·니그리니 MAD 판정, 로그 눈금에서 1~2 구간이 30%를 차지하는 이유 그림으로 보여주는 기법으로, 회계 감사·선거·과학 데이터 이상 점검에 쓴다.

프롬프트

Canvas 2D로 실제형 데이터 3,000개(log₁₀ 값 ~ N(4, 1.0), 시드 고정)와 조작형 데이터 3,000개(1,000~9,999 균등 정수)의 첫 자리 비율을 구하고, 왼쪽에 1~9 막대(폭 15px)와 벤포드 기대 log₁₀(1+1/d) 흰 점 + 연결선을 그려줘. 0.2~3.2초 표본 수 n을 0→3,000으로 늘리며 막대 높이를 앞 n개 기준으로 갱신(HUD n 카운터), 4.8초부터 1.2초 easeInOut으로 조작형 비율로 모핑하며 기대값과 차이가 1.5%p를 넘는 막대를 #FF6B5A로 바꿔줘. 오른쪽엔 1~10 세로 로그 눈금자를 숫자별 구간(높이 ∝ log₁₀(d+1) − log₁₀ d)으로 칠하고 '로그 눈금에서 1~2 = 30.1%' 라벨. HUD에 MAD = 평균|관측 − 기대|와 니그리니 기준(< 0.006 매우 적합 · > 0.015 부적합)을 'MAD 0.003 → 매우 적합' / 'MAD 0.057 → 부적합 · 조작 의심'으로 표시하는 11초 루프.

라이브 데모 열기 — 벤포드 법칙 첫 자리 분포 (실제 데이터 vs 조작된 장부)

몬테카를로 수렴 (π 추정 · 오차 ∝ 1/√n · 정확도 10배 = 표본 100배)

Monte Carlo convergence: estimating π from random darts, five independent runs’ absolute error on log–log axes against the 1.64/√n standard-error line

  • D3
  • Python
  • Canvas
  • WebGPU

정사각형에 무작위 점을 던져 사분원 안 비율로 π를 추정하면 점이 늘수록 값이 3.14 근처로 모이지만, 독립 실행 5개의 절대 오차를 로그–로그 축에 그리면 모두 기울기 −½의 표준오차선 1.64/√n 주위에서 흔들린다는 것, 즉 소수 한 자리를 더 얻으려면 표본이 100배 필요하다는 수렴 속도를 보여주는 기법으로, 시뮬레이션 반복 횟수 결정·확률 렌더링 샘플 수·리스크 시뮬레이션 설명에 쓴다.

프롬프트

Canvas 2D 왼쪽 정사각형(120px)에 사분원 경계를 그리고 시드 고정 난수 점을 n = 10^(1 + 4k)로 0.5~8.5초 동안 10→100,000까지 늘리며 앞 4,000개만 1px로 찍어줘(안 #4FD1B5, 밖 #FF6B5A 알파 0.7). π̂ = 4·(안 개수)/n. 오른쪽에 x = log₁₀ n(1~5), y = log₁₀ |π̂ − π|(−4~0) 로그–로그 패널을 두고, 미리 계산한 독립 실행 5개의 오차 경로(로그 균등 160개 체크포인트, 각자 다른 색 알파 0.7)를 현재 n까지 그리며 표준오차 SE = 4·√(p(1−p)/n) = 1.64/√n 흰 점선과 1.96·SE 띠를 겹쳐줘. HUD에 'n = 12,400 · π̂ = 3.1381'과 '오차 0.0035 · 기대 1.64/√n = 0.015', 끝에 '정확도 10배 = 표본 100배 (기울기 −½)' 칩을 띄우는 10초 루프. 대규모 반복은 WebGPU compute나 numpy 벡터화로.

라이브 데모 열기 — 몬테카를로 수렴 (π 추정 · 오차 ∝ 1/√n · 정확도 10배 = 표본 100배)

효과 크기 시각화 (코헨 d · 분포 겹침 · 우월 확률 · 유의 ≠ 큼)

Effect-size visual: two normal curves with Cohen’s d, overlap, U3, probability of superiority and NNT — from a p < 0.001 but negligible d = 0.05 to d = 1.5

  • D3
  • R
  • Python
  • Canvas

두 집단 분포 곡선을 겹쳐 놓고 평균 차이를 표준편차로 나눈 코헨 d를 0.05→0.2→0.5→0.8→1.5로 바꾸며 겹침 비율·대조군 평균을 넘는 처치군 비율(U3)·무작위 한 쌍에서 처치군이 클 확률·NNT를 함께 갱신하고, 표본 2만 명이면 p<0.001이어도 겹침 98%로 사실상 같은 분포임을 100칸 아이콘으로 체감시키는 기법으로, 실험·A/B 결과 보고에서 p값 대신 효과 크기를 전달할 때 쓴다.

프롬프트

Canvas 2D로 대조군 N(0,1)(#6E80FF 면 알파 0.25)과 처치군 N(d,1)(#FFC933)을 x −3.5~5 축에 그리고 두 곡선의 공통 면적 min(f₁,f₂)을 흰 알파 0.18로 칠해줘. d를 0.05 → 0.2(작음) → 0.5(중간) → 0.8(큼) → 1.5(매우 큼)로 2.2초마다 0.6초 easeInOut 보간하고, 오른쪽 패널에 d, 겹침 OVL = 2Φ(−|d|/2), U3 = Φ(d), 우월 확률 PS = Φ(d/√2), NNT = 1/(2·PS − 1)을 실시간 갱신해줘. 아래에 20×5 = 100칸 격자 중 round(100·PS)칸을 노랑으로 채워 '무작위 한 쌍 중 처치군이 클 확률'을 보여주고, 첫 단계(d = 0.05)엔 HUD에 '군당 n = 20,000 → z = 5.0 · p < 0.001'과 '유의하지만 겹침 98%'를 띄우는 11초 루프. R이면 effectsize::cohens_d, Python이면 pingouin.compute_effsize와 같은 계산.

라이브 데모 열기 — 효과 크기 시각화 (코헨 d · 분포 겹침 · 우월 확률 · 유의 ≠ 큼)

버크슨의 역설 (선발이 만드는 음의 상관 · 충돌 변수)

Berkson’s paradox / collider bias: independent talent and looks become negatively correlated once you only look at the selected (sum above a cutoff)

  • D3
  • Python
  • Vega-Lite
  • Canvas

재능과 외모가 서로 무관한 300명 중 '재능 + 외모'가 기준을 넘는 사람만 뽑아(배우 캐스팅·명문대 합격·입원 환자) 보면 뽑힌 사람들 사이에서는 '잘생기면 연기를 못한다' 같은 음의 상관이 생기는 것을, 전체 산점도 → 선발선과 선발 영역 → 선발자만의 회귀선 → 재능 → 선발 ← 외모 인과 그래프 순으로 보여주는 기법으로, 표본 선택이 만든 가짜 상관(충돌 변수 조건화)을 데이터 해석 교육에서 설명할 때 쓴다.

프롬프트

Canvas 2D로 300명의 재능 x ~ N(0,1), 외모 y ~ N(0,1)(서로 독립, 시드 고정)을 회색 산점도(r = 2px)와 전체 OLS 선(거의 평평)으로 2.8초 보여주고 HUD에 '전체 r = 0.03'을 띄워줘. 2.8초부터 1.2초 동안 선발 기준선 x + y = 1.3(대각 점선)을 draw-on 하고 선 위쪽 영역을 #4FD1B5 알파 0.06으로 칠하며 선발 안 된 점은 알파 0.12로 흐려지고 선발된 점은 #4FD1B5로 바뀌게 해줘. 4.6초에 선발자만의 OLS 회귀선(#FF6B5A 2px)을 0.8초 draw-on 하고 HUD를 '선발자 51명만 r = −0.64'로 바꾼 뒤, 6.2초에 오른쪽에 '재능 → 선발 ← 외모' DAG(선발 노드는 사각 박스 = 조건화 표시)를 그리고 '충돌 변수를 조건화하면 가짜 상관' 칩을 띄우는 10초 루프. 교란 변수(공통 원인)와 반대 구조임을 메모로.

라이브 데모 열기 — 버크슨의 역설 (선발이 만드는 음의 상관 · 충돌 변수)

생존자 편향 (폐쇄된 펀드를 지우면 부풀려지는 평균 수익)

Survivorship bias: 60 fund NAV paths over 10 years, closures below −25 %, survivors-only average vs all-funds average including the dead

  • D3
  • Python
  • Canvas

펀드 60개의 10년 가치 경로를 시간 커서로 그리며 −25% 아래로 떨어진 펀드가 폐쇄되어 ✕로 끝나는 과정을 보여주고, 끝까지 살아남은 펀드만의 평균선과 폐쇄 펀드를 청산 가치로 포함한 전체 평균선을 나란히 비교한 뒤, 폐쇄 펀드를 데이터베이스에서 지운 '보고서 화면'으로 바꿔 생존자만 보면 수익률이 얼마나 부풀려지는지 수치로 보여주는 기법으로, 펀드·스타트업·앱 리텐션 성과 비교와 '성공 사례만 모은' 분석의 함정 설명에 쓴다.

프롬프트

Canvas 2D로 펀드 60개의 월별 가치 vₜ₊₁ = vₜ·e^(0.0002 + 0.045·N(0,1)) 120개월 경로(시작 1.0, 시드 고정)를 만들고 vₜ < 0.75이면 그 달에 폐쇄(경로 끝 ✕)해줘. 생존 경로(#6E80FF 알파 0.3)와 폐쇄 경로(#FF6B5A 알파 0.3)는 각각 오프스크린 캔버스에 캐시하고 0.3~6.8초 시간 커서로 clip 공개, 폐쇄 시점 지나면 ✕를 0.2초 팝인해줘. 끝까지 생존한 펀드의 평균 경로(#FFC933 2px)와 폐쇄 펀드를 청산 가치로 동결해 포함한 전체 평균(#4FD1B5 2px)을 같은 커서로 그리고, 7.2초부터 0.8초 동안 폐쇄 경로와 ✕를 알파 0.04로 지워 '보고서에 남은 펀드만' 화면으로 바꿔줘. HUD에 '생존 39/60 · 생존 평균 +4.9%/년 vs 전체 +2.7%/년'처럼 연환산 (평균 최종값)^(1/10) − 1을 실제 계산해 표시하는 11초 루프.

라이브 데모 열기 — 생존자 편향 (폐쇄된 펀드를 지우면 부풀려지는 평균 수익)

순열 검정 (라벨 섞기로 만드는 귀무분포)

Permutation test: shuffle group labels, collect mean differences into a null distribution, read the two-sided p-value against the observed difference

  • Python
  • R
  • D3
  • Canvas

새 화면(B)과 기존 화면(A) 각 12명의 체류 시간처럼 작은 두 집단에서 '차이가 없다면 라벨은 아무렇게나 바뀌어도 된다'는 가정으로 점의 집단 라벨을 무작위로 섞어 평균 차이를 다시 계산하는 일을 처음엔 천천히, 이후 2,000번까지 가속해 귀무분포 히스토그램을 쌓고 관측 차이보다 극단인 비율로 p값을 읽는 과정을 보여주는 기법으로, 정규 가정 없이 작은 표본 A/B·실험군 비교를 설명할 때 쓴다(복원 추출로 구간을 만드는 부트스트랩과 달리 가설 검정용).

프롬프트

Canvas 2D 위쪽에 A군·B군 두 줄(각 12명, 체류 시간 A ~ N(42,8), B ~ N(51,8)초, 20~70초 축) 점 그림과 군 평균 막대 마커(A #6E80FF, B #FFC933)를 그리고, HUD에 관측 차이 Δ = 평균B − 평균A를 띄워줘. 1.5초부터 1초 간격으로 5번 라벨을 섞어: 점의 x는 그대로 두고 새 라벨에 따라 0.4초 easeInOut으로 위아래 줄을 오가며 색이 바뀌고, 새 평균 차이 틱이 아래 히스토그램(−12~12초, 0.8초 폭 구간)으로 떨어지게 해줘. 6.5~9초엔 섞기 횟수를 5 + 1,995·k²로 가속해 2,000개 귀무분포를 쌓고, 9.2초에 관측 Δ 빨간 세로선과 ±|Δ| 바깥 꼬리 구간을 #FF6B5A로 칠하며 HUD에 '2,000번 중 |차이| ≥ 관측 = 15번 → p = 0.008'처럼 실제 집계를 표시하는 12초 루프. Python이면 scipy.stats.permutation_test(n_resamples=2000)와 같다.

라이브 데모 열기 — 순열 검정 (라벨 섞기로 만드는 귀무분포)

다중공선성 (계수 신뢰 타원 · 각각은 0 포함, 함께는 유의)

Multicollinearity: as two predictors’ correlation rises to 0.95 the coefficient confidence ellipse stretches along b₁ + b₂, marginal CIs cross zero, yet the joint region excludes (0, 0)

  • Python
  • R
  • D3
  • Canvas

TV 광고비와 온라인 광고비처럼 서로 0.95로 상관된 두 설명 변수로 매출을 회귀하면 각 계수의 신뢰구간은 넓어져 둘 다 0을 포함하지만 두 계수의 결합 신뢰 타원은 b₁ + b₂ 방향으로 길쭉해질 뿐 원점(0, 0)과는 멀리 떨어져 '둘 중 무엇의 효과인지 모를 뿐 효과는 있다'는 것을, 예측 변수 상관을 0 → 0.95로 올리며 산점도·계수 표본 구름·타원·주변 구간·VIF를 연동해 보여주는 기법으로, 회귀 계수 해석·변수 선택·마케팅 믹스 모델 설명에 쓴다.

프롬프트

Canvas 2D 왼쪽 패널에 표준화 예측 변수 50쌍 x₁ = z₁, x₂ = r·z₁ + √(1−r²)·z₂(z 시드 고정) 산점도를, 오른쪽 패널(같은 px/단위, b₁ −1.2~4.2, b₂ −1.5~3.5)에 계수 공분산 Σ = s²/(1−r²)·[[1, −r], [−r, 1]](s = 0.3)의 촐레스키 분해로 만든 추정치 b̂ = (1, 1) + L·(0.6, −0.4)와 표본 구름 300점(같은 L로 변환, #6E80FF 알파 0.35), 95% 결합 타원(χ²₂ = 5.99 → 반지름 2.45, #FFC933 1.5px)을 그려줘. r을 1초 대기 → 3초 easeInOut 0 → 0.95 → 4.5초 유지 → 1.5초 복귀로 움직이고, 아래·왼쪽 가장자리에 b₁·b₂ 주변 95% 구간(±1.96·SE) 막대를 0을 포함하면 #FF6B5A, 아니면 #4FD1B5로, 원점 십자와 '(0, 0)' 라벨을 표시해줘. HUD에 'r(x₁, x₂) = 0.95 · VIF = 1/(1−r²) = 10.3'과 'b₁·b₂ 각각 0 포함 · 결합 타원은 (0,0) 밖'을 표시하는 11초 루프. Python이면 statsmodels variance_inflation_factor, 결합 검정은 f_test("x1 = x2 = 0")과 같다.

라이브 데모 열기 — 다중공선성 (계수 신뢰 타원 · 각각은 0 포함, 함께는 유의)

설문 가중치 보정 (사후 층화 · 유효 표본 크기)

Survey weighting by post-stratification: a young-skewed online sample re-weighted to census age shares, estimate shift and Kish effective sample size

  • Python
  • R
  • D3
  • Canvas

온라인 설문 1,000명이 20대 30%·60대 이상 10%로 젊은 층에 치우쳐 있을 때 연령별 모집단 비율(인구 통계)에 맞춰 가중치 w = 모집단 비율/표본 비율을 주면 막대가 목표 길이로 늘고 줄며 찬성률 추정이 51.4% → 46.1%로 이동하는 것과, 가중치가 고르지 않을수록 유효 표본이 1,000 → 742명으로 줄어 오차 범위가 넓어지는 대가를 함께 보여주는 기법으로, 여론조사·사용자 설문·패널 데이터 보고서에 쓴다.

프롬프트

Canvas 2D로 연령 5구간(20대·30대·40대·50대·60+)의 표본 비율 30·26·20·14·10%(n = 1,000)를 가로 막대(#6E80FF, 0~35% → 110px)로 1.6초 스태거 성장시키고, 2.2초에 모집단 비율 17·17·20·21·25%를 흰 점선 외곽 박스로 겹친 뒤, 3.6초부터 1.6초 easeInOut으로 막대를 모집단 길이로 모핑하며 #4FD1B5로 바꾸고 행마다 가중치 칩 '×0.57' '×0.65' '×1.00' '×1.50' '×2.50'을 backOut으로 붙여줘. 각 행 끝에 연령별 찬성률 62·55·48·40·33%를 회색으로 두고, 오른쪽 세로 눈금(30~60%)의 추정 마커가 같은 보간으로 비가중 51.4% → 가중 46.1%로 내려가게 해줘. 6.6초에 '유효 표본 = (Σw)²/Σw² = 742명 · 오차 범위 ±3.1 → ±3.6%p' 칩을 띄우는 10초 루프. R이면 survey::postStratify, Python이면 samplics 또는 직접 w = p/s 계산.

라이브 데모 열기 — 설문 가중치 보정 (사후 층화 · 유효 표본 크기)

유의하지 않음 ≠ 차이 없음 (동등성 검정 TOST)

Absence of evidence is not evidence of absence: four studies against equivalence bounds ±Δ, 95% CIs for significance and 90% CIs for TOST equivalence verdicts

  • R
  • Python
  • D3
  • Canvas

'p = 0.82라서 효과 없음'이라는 결론은 신뢰구간이 −4~+5처럼 넓어 큰 효과도 배제하지 못한 것일 수 있으므로, 사전에 정한 최소 의미 차이 ±2점을 동등성 띠로 깔고 네 연구의 구간을 95%(유의성) → 90%(TOST 동등성)로 바꿔 '결론 불가 · 동등 입증 · 유의하지만 미미 · 의미 있는 차이' 네 판정을 나란히 내리는 숲 그림 기법으로, 신약·리디자인·성능 회귀 테스트에서 '차이 없음'을 주장할 때 쓴다.

프롬프트

Canvas 2D로 네 연구(행 간격 30px)의 효과 추정치와 95% CI를 그려줘: A 소규모 0.5 [−3.9, 4.9] p = 0.82, B 대규모 0.2 [−1.0, 1.4] p = 0.74, C 초대형 0.9 [0.4, 1.4] p < 0.001, D 3.8 [2.5, 5.1] p < 0.001(x −5~6점 축, 0 기준 흰 점선). 처음 2.4초엔 p ≥ 0.05인 A·B 옆에 '효과 없음?' 회색 칩을 띄우고, 3초에 동등성 한계 ±2점 띠(#4FD1B5 알파 0.1, 경계 점선)와 '사전에 정한 최소 의미 차이' 라벨을 페이드인, 4.4초부터 1.2초 easeInOut으로 구간을 90% CI(반폭 × 1.645/1.96)로 줄여 TOST 기준으로 바꾼 뒤, 5.8초부터 0.5초 스태거로 판정 칩(A '결론 불가' 회색, B '동등 입증' #4FD1B5, C '유의 · 미미' #FFC933, D '의미 있는 차이' #FF6B5A)을 backOut 팝인해줘. HUD에 '95% CI → 유의성 · 90% CI가 ±Δ 안 → 동등'을 표시하는 11초 루프. R이면 TOSTER::tsum_TOST, Python이면 statsmodels ttost_ind와 같다.

라이브 데모 열기 — 유의하지 않음 ≠ 차이 없음 (동등성 검정 TOST)