import numpy as np
import pandas as pd
from scipy import stats

np.random.seed(42)

# 두 그룹의 연봉 데이터
group_a = np.random.normal(4500, 800, 50)   # A팀 연봉
group_b = np.random.normal(4800, 900, 50)   # B팀 연봉

# H0: A팀과 B팀의 평균 연봉은 같다
# H1: A팀과 B팀의 평균 연봉은 다르다

# 독립표본 t-test
t_stat, p_value = stats.ttest_ind(group_a, group_b)
print(f"t-통계량: {t_stat:.3f}")
print(f"p-value: {p_value:.4f}")

if p_value < 0.05:
    print("→ 귀무가설 기각: 두 그룹의 평균 연봉에 유의미한 차이가 있습니다")
else:
    print("→ 귀무가설 기각 실패: 두 그룹의 평균 연봉에 유의미한 차이가 없습니다")

# 효과 크기 (Cohen's d)
pooled_std = np.sqrt((group_a.std()**2 + group_b.std()**2) / 2)
cohens_d = (group_b.mean() - group_a.mean()) / pooled_std
print(f"Cohen's d: {cohens_d:.3f}")
# |d| < 0.2: 작은 효과, 0.2~0.8: 중간 효과, > 0.8: 큰 효과

# 교육 전후 성과 비교
before = np.random.normal(70, 10, 30)
after = before + np.random.normal(5, 8, 30)  # 평균 5점 향상

# H0: 교육 전후 성과에 차이가 없다
t_stat, p_value = stats.ttest_rel(before, after)
print(f"대응표본 t-test p-value: {p_value:.4f}")
print(f"평균 변화: {(after - before).mean():.1f}점")

# 부서와 이직 여부의 관련성 검정
np.random.seed(42)
data = pd.DataFrame({
    'department': np.random.choice(['개발', '영업', '마케팅'], 300),
    'turnover': np.random.choice(['이직', '잔류'], 300, p=[0.3, 0.7])
})

# 교차표 생성
contingency = pd.crosstab(data['department'], data['turnover'])
print("교차표:")
print(contingency)

# 카이제곱 검정
chi2, p_value, dof, expected = stats.chi2_contingency(contingency)
print(f"\n카이제곱 통계량: {chi2:.3f}")
print(f"자유도: {dof}")
print(f"p-value: {p_value:.4f}")

if p_value < 0.05:
    print("→ 부서와 이직 여부 사이에 유의미한 관련이 있습니다")
else:
    print("→ 부서와 이직 여부 사이에 유의미한 관련이 없습니다")

# 기대빈도
print("\n기대빈도:")
print(pd.DataFrame(expected, index=contingency.index,
                   columns=contingency.columns).round(1))

# 세 부서의 성과 점수 비교
np.random.seed(42)
dev_scores = np.random.normal(78, 10, 40)
sales_scores = np.random.normal(72, 12, 40)
mkt_scores = np.random.normal(75, 11, 40)

# 일원배치 ANOVA
# H0: 세 부서의 평균 성과 점수는 같다
f_stat, p_value = stats.f_oneway(dev_scores, sales_scores, mkt_scores)
print(f"F-통계량: {f_stat:.3f}")
print(f"p-value: {p_value:.4f}")

if p_value < 0.05:
    print("→ 적어도 하나의 부서 평균이 다릅니다")
    # 사후검정 (Tukey HSD)으로 어떤 쌍이 다른지 확인
    from scipy.stats import tukey_hsd
    result = tukey_hsd(dev_scores, sales_scores, mkt_scores)
    print(result)
else:
    print("→ 세 부서의 평균 성과에 유의미한 차이가 없습니다")

# 검정력 계산 예시
from scipy.stats import norm

# 효과크기, 표본크기, 유의수준으로 검정력 계산
def compute_power(effect_size, n, alpha=0.05):
    """검정력을 계산합니다."""
    z_alpha = norm.ppf(1 - alpha/2)
    z_beta = effect_size * np.sqrt(n) - z_alpha
    power = norm.cdf(z_beta)
    return power

# 표본 크기에 따른 검정력 변화
for n in [10, 30, 50, 100, 200]:
    power = compute_power(0.3, n)
    print(f"  n={n:3d}: 검정력 = {power:.3f}")