표본비율의 표본분포 계산기
임의의 표본비율에 대한 표본분포의 평균, 표준오차, 정규성 조건, Z 점수, 누적확률을 구합니다.
모비율 (p)과 표본크기 (n)를 입력하세요. 필요하면 특정 표본비율 (p̂)을 입력해 해당 Z 점수와 누적확률을 얻을 수 있습니다.
표본비율의 표본분포 계산기
임의의 표본비율에 대한 표본분포의 평균, 표준오차, 정규성 조건, Z 점수, 누적확률을 구합니다.
표본비율의 표본분포란
표본비율의 표본분포는 참비율 p를 가진 모집단에서 고정된 크기 n의 가능한 모든 무작위 표본을 뽑을 때 표본비율 (p̂)이 가질 수 있는 값의 범위를 설명하는 이론적 분포입니다. 이는 추론통계의 핵심 개념이며 설문조사, 가설검정, 신뢰구간의 바탕입니다.
표본분포의 평균은 모비율 p와 같으며, 이는 불편성을 의미합니다. 표본분포의 표준편차는 비율의 표준오차라고 하며 σ(p̂) = √[p(1–p)/n] 로 계산됩니다. 표본크기 n이 커질수록 표준오차는 작아지고 표본비율은 참값 p 주변에 더 모입니다.
중심극한정리에 따르면 np ≥ 10 및 n(1–p) ≥ 10 이 충족되면 표본분포는 근사적으로 정규분포를 따릅니다. 성공 수와 실패 수가 충분히 크다는 조건입니다. 조건이 실패하면, 특히 작은 표본이나 0 또는 1에 가까운 극단적 비율에서는 이항분포를 사용해야 합니다.
관측 표본비율 p̂이 제공되면 계산기는 Z = (p̂ – p) / σ(p̂) 를 계산합니다. 이는 p̂이 평균에서 표준오차 몇 개만큼 떨어져 있는지 나타냅니다. 절댓값이 큰 Z 점수는 가정한 모비율에서 관측값이 우연히 발생했을 가능성이 낮음을 뜻하며, 가설검정의 기반입니다.
누적확률 P(p̂ < x)는 표본비율이 x 이하일 확률이고, P(p̂ > x)는 x보다 클 확률입니다. 이 값들로 관측 표본비율이 이론분포에 비해 얼마나 극단적인지 판단할 수 있습니다.
이 개념은 여론조사, 품질관리, 의학연구에서 지지율이 기준을 넘을 확률, 결함률 초과 여부, 치료 반응 비율이 과거 기준과 다른지 평가하는 데 사용됩니다.
표본분포 예시
평균, 표준오차, 정규성 확인, Z 점수 계산을 보여 주는 세 가지 시나리오입니다.
| 매개변수 | 주요 결과 | 참고 |
|---|---|---|
| p=0.60, n=100, p̂=0.65 | μ=0.60, σ=0.049, Z=1.02, P(<0.65)≈0.846 | 정규성 조건을 충족합니다(np=60, n(1-p)=40). 관측된 65%는 모비율보다 약 1 표준오차 높습니다. |
| p=0.50, n=400, p̂=0.53 | μ=0.50, σ=0.025, Z=1.20, P(<0.53)≈0.885 | 큰 표본은 정밀도를 높입니다. 표본크기가 네 배가 되면 표준오차가 절반이 되어 0.50에서의 편차를 더 쉽게 감지할 수 있습니다. |
| p=0.05, n=50 | μ=0.05, σ=0.031, 정규성 실패 | np=2.5 < 10 이므로 정규성 조건이 충족되지 않습니다. 작은 비율과 작은 표본에서는 정확한 이항분포를 대신 사용하세요. |
표본분포 계산기 사용 방법
- 모비율 (p)을 0과 1 사이(양 끝 제외)의 소수로 입력합니다. 이는 모집단에서 알려졌거나 가정한 참비율입니다.
- 표본크기 (n)를 양의 정수로 입력합니다. 이는 표준오차와 정규성 조건 충족 여부를 결정합니다.
- 선택적으로 표본비율 (p̂)을 입력해 Z 점수와 누적확률 P(p̂ < x), P(p̂ > x)를 계산합니다.
- 계산을 클릭하면 평균, 표준오차, 정규성 확인 결과와 (p̂을 입력한 경우) Z 점수 및 확률 결과가 표시됩니다.
- 초기화를 클릭하면 모든 필드를 지우고 새 계산을 시작할 수 있습니다.
비율의 표본분포 FAQ
표본비율의 표준오차란 무엇인가요?
표준오차는 표본분포의 표준편차로, 표본마다 표본비율이 얼마나 달라지는지를 측정합니다. 값은 √[p(1–p)/n] 입니다. 표준오차가 작을수록 표본비율은 참 모비율 p 주변에 더 촘촘히 모입니다.
표본분포는 언제 근사적으로 정규분포가 되나요?
np ≥ 10 과 n(1–p) ≥ 10 이 모두 충족될 때 정규근사가 유효합니다. 둘 중 하나라도 실패하면 분포가 치우쳐 정규근사 기반 확률 계산이 부정확합니다. 이 경우 정확한 이항분포를 사용하세요.
표본크기를 늘리면 분포는 어떻게 변하나요?
n을 늘리면 표준오차가 1/√n에 비례해 줄어들어 표본분포가 좁아집니다. 평균은 표본크기와 관계없이 p와 같습니다. 더 좁은 분포는 표본비율이 참 모비율에 가까울 가능성이 높다는 뜻이며, 추정과 추론이 더 정밀해집니다.
표본비율의 Z 점수가 2라는 것은 무엇을 의미하나요?
Z 점수 2는 관측 표본비율 p̂이 모비율 p보다 2 표준오차 높다는 뜻입니다. 정규근사하에서 순전히 우연히 이만큼 크거나 더 큰 Z 점수를 관측할 확률은 약 2.3%(단측)입니다. 이는 가정한 모비율에 반하는 강한 증거이지만 결정적이지는 않습니다.
이 계산기는 0 또는 1에 가까운 비율도 처리할 수 있나요?
계산기는 결과를 계속 계산하지만, np < 10 또는 n(1–p) < 10이면 정규성 조건 실패를 표시합니다. 극단적 비율(예: p = 0.02 또는 p = 0.98)에서는 표본분포가 치우치므로 정확한 확률 계산에는 이항분포를 사용해야 합니다.
비율의 표준편차와 표준오차는 어떻게 다른가요?
이진 변수의 모표준편차는 개별 관측값 내 변동성을 측정합니다: σ = √[p(1–p)]. 비율의 표준오차는 반복 표본에서 표본비율의 변동성을 측정합니다: σ(p̂) = √[p(1–p)/n]. 표준오차는 1/√n 배만큼 작으며, 여러 관측값을 평균내는 효과를 반영합니다.