docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics_GD/Statistical-Power.md

@@ -2,7 +2,7 @@
 id: MATH-STAT-POWER-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [math, [[Statistics]], statistical-power, type-2-error, sample-size, effect-size, data-[[Analysis]]]
+tags: [math, [[Statistics|Statistics]], statistical-power, type-2-error, sample-size, effect-size, data-[[Analysis|Analysis]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "진실이 존재할 때 이를 확실히 감지해낼 확률을 확보하여, 귀한 통찰을 '우연'으로 치부해버리는 과오(Type II Error)를 방지하라" — 귀무가설이 실제로 거짓일 때 이를 올바르게 기각할 확률 ($1 - \beta$).
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Sensitivity [[Optimization]] and Error Minimization" — 실험 설계 단계에서 표본 크기(Sample Size)와 효과 크기(Effect Size)를 조절하여, 실제 존재하는 차이를 놓치지 않고 포착할 수 있는 충분한 통계적 '시력'을 확보하는 패턴.
+- **추출된 패턴:** "Sensitivity [[Optimization|Optimization]] and Error Minimization" — 실험 설계 단계에서 표본 크기(Sample Size)와 효과 크기(Effect Size)를 조절하여, 실제 존재하는 차이를 놓치지 않고 포착할 수 있는 충분한 통계적 '시력'을 확보하는 패턴.
 - **검정력에 영향을 주는 4대 요소:**
     - **Sample Size ($n$):** 표본이 많을수록 노이즈가 줄어들어 검정력이 높아짐.
     - **Effect Size ($d$):** 확인하려는 차이가 클수록 발견하기 쉬움.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 마이너 업데이트에 대한 A/B 테스트 설계 시, 최소 80% 이상의 검정력을 확보할 수 있는 표본 크기를 사전에 산출하여 실험의 유효성을 담보함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Statistical-Hypothesis-Testing]], [[Standard-Deviation-and-Variance]], [[Performance-Metrics-in-AI]], [[Sampling-Techniques]]
+- [[Statistical-Hypothesis-Testing|Statistical-Hypothesis-Testing]], [[Standard-Deviation-and-Variance|Standard-Deviation-and-Variance]], [[Performance-Metrics-in-AI|Performance-Metrics-in-AI]], [[Sampling-Techniques|Sampling-Techniques]]
 - **Raw Source:** 10_Wiki/Topics/AI/Statistical-Power.md