Summary  
This chapter covers implementing a chi-square goodness-of-fit test in code to compare observed categorical data against an expected distribution using SciPy.

General domain of usage  
Statistical hypothesis testing

**カイ二乗適合度検定**は、観測されたカテゴリカルデータが期待される分布と一致しているかどうかを判断するための統計的手法。データ内の各カテゴリの頻度が仮定された分布と一致しているかを確認したい場合に使用。例えば、サイコロが公正かどうかを調べるために、各目の出現回数を、各面が等しい確率で出ると仮定した場合の期待回数と比較する場合などが該当。検定の**帰無仮説**は、観測された頻度が期待される分布に従うことを示し、**対立仮説**は従わないことを示す。

import numpy as np
from scipy.stats import chisquare

# Example: Testing if a die is fair
# Observed counts from 60 rolls
observed = np.array([8, 9, 10, 11, 12, 10])
# Expected counts if the die is fair (each side should appear 10 times)
expected = np.array([10, 10, 10, 10, 10, 10])

# Perform chi-square goodness of fit test
chi2_stat, p_value = chisquare(f_obs=observed, f_exp=expected)

print("Chi-square statistic:", chi2_stat)
print("p-value:", p_value)

カイ二乗適合度検定の結果を解釈する際、主に注目すべき値は**p値**。**p値**が選択した有意水準（例えば `0.05`）より小さい場合、帰無仮説を棄却し、観測データが期待分布に適合しないと結論付ける。サイコロの例では、**p値**が高ければサイコロが期待通りに振る舞っていることを示し、低ければサイコロに偏りがある可能性を示唆。期待頻度が適切であること、検定が有効となる十分なサンプルサイズがあることを常に確認。

カイ二乗適合度検定に関する正しい記述はどれですか？

データアナリスト向けの仮説検定の基礎に特化した簡潔な初心者向けコース。仮説の立案、t検定（1標本、2標本、対応あり）、z検定、カイ二乗検定、検定の前提条件、適切な統計検定の選択方法を扱います。