표본평균의 표본분포 계산기
중심극한정리로 표본평균 확률을 계산 — 표준오차, z점수, 정확한 확률을 몇 초 만에 구합니다.
모평균, 표준편차, 표본 크기를 입력한 뒤 확률 유형을 선택하고 표본평균 값을 넣으면 즉시 결과를 확인할 수 있습니다.
표본평균의 표본분포 계산기
중심극한정리로 표본평균 확률을 계산 — 표준오차, z점수, 정확한 확률을 몇 초 만에 구합니다.
표본평균이 주어진 값 x₁ 보다 작을 확률을 계산합니다.
표본평균 표본분포 계산기 소개
표본평균의 표본분포는 같은 모집단에서 같은 크기의 무작위 표본을 반복해서 뽑을 때 표본평균이 어떻게 달라지는지를 설명합니다. 이는 추론통계에서 가장 중요한 개념 중 하나로, 거의 모든 과학 및 산업 분야의 신뢰구간, 가설검정, 품질관리도는 이 이론적 기반 위에 있습니다.
중심극한정리(CLT)는 이 분포를 실용적으로 만들어 줍니다. CLT는 모집단 분포의 모양과 상관없이 표본 크기 n이 커질수록 표본평균의 표본분포가 정규분포에 가까워진다고 말합니다. 실무에서는 표본 크기가 30 이상이면 근사가 매우 좋다고 보는 경우가 많습니다. 모집단이 이미 정규분포라면 표본 크기가 아무리 작아도 이 결과는 성립합니다.
평균의 표준오차(SE)는 표본분포의 퍼짐을 나타냅니다. 이는 모집단 표준편차 σ를 n의 제곱근으로 나눈 값, 즉 SE = σ / √n 입니다. 표본 크기가 클수록 SE는 작아지므로, 더 큰 표본일수록 모평균을 더 정확하게 추정할 수 있습니다. 표본 크기를 두 배로 늘리면 표준오차가 √2 비율로 줄어드는 이유와, 연구자들이 불확실성을 줄이기 위해 더 많은 데이터를 모으는 이유가 바로 여기에 있습니다.
표준오차를 알면 어떤 표본평균 x̄도 z = (x̄ − μ) / SE로 z점수로 바꿀 수 있습니다. z점수는 x̄가 실제 모평균 μ에서 표준오차로 몇 개 떨어져 있는지를 뜻합니다. 표본분포가 (근사적으로) 정규분포이므로 표준정규표, 또는 그 수학적 표현인 Φ(z)를 이용해 표본평균이 주어진 값보다 작거나 크거나, 혹은 그 사이에 있을 확률을 정확하게 구할 수 있습니다.
이 계산기는 세 가지 확률 유형을 지원합니다. 첫째 P(X̄ < x)는 크기 n의 무작위 표본 평균이 x보다 작을 왼쪽 꼬리 확률입니다. 둘째 P(X̄ > x)는 오른쪽 꼬리 확률입니다. 셋째 P(x₁ < X̄ < x₂)는 표본평균이 두 지정값 사이에 들어갈 확률로, 두 누적정규확률의 차이로 계산됩니다.
실제 활용 분야도 매우 넓습니다. 품질 엔지니어는 부품 배치의 평균 치수가 허용오차를 벗어나는지 확인하고, 영양사는 표본 집단의 평균 칼로리 섭취가 알려진 평균과 일치하는지 살펴봅니다. 금융 분석가는 분기의 평균 일간 수익률이 기준을 넘을 확률을 추정하고, 임상 연구자는 표본의 평균 혈압 감소가 실제 집단 효과를 반영하는지 판단합니다. 이런 상황에서 이 계산기는 한 번의 계산으로 확률을 바로 제공합니다.
표본분포 예시
표본분포 계산기를 어떻게 적용하는지 보여 주는 실제 사례입니다.
| 시나리오 | 확률 | 해석 |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | 시험 점수: 실제 평균이 80일 때 30명 학급의 평균이 78보다 낮을 확률은 약 14%입니다. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | 전구 수명: 40개 전구 묶음의 평균 수명이 1010시간을 넘을 확률은 약 10%입니다. |
| μ=3, σ=0.5, n=50, P(2.9 < X̄ < 3.1) | ≈ 84.3% | 커피 잔 용량: 표본평균이 모평균에서 0.1잔 이내에 있을 확률은 약 84%입니다. |
| μ=0.05, σ=1, n=100, P(X̄ < 0) | ≈ 30.9% | 주식 수익률: 실제 평균이 0.05%일 때 100일 평균 수익률이 음수일 확률은 약 31%입니다. |
표본분포 계산기 사용 방법
- 모평균 (μ)을 입력하세요. 전체 모집단의 알려졌거나 가정된 평균값입니다.
- 모표준편차 (σ)를 입력하세요. 양수여야 합니다.
- 표본 크기 (n)를 입력하세요. 각 표본의 관측값 수이며 정수이고 2 이상이어야 합니다.
- 확률 유형을 선택하세요. P(X̄ < x)는 왼쪽 꼬리, P(X̄ > x)는 오른쪽 꼬리, P(x₁ < X̄ < x₂)는 구간 확률입니다.
- 표본평균 값을 입력한 뒤 계산을 누르면 표준오차, z점수, 정확한 확률을 볼 수 있습니다.
표본분포 FAQ
표본평균의 표본분포란 무엇인가요?
모집단에서 크기 n의 무작위 표본을 반복해서 뽑을 때 얻을 수 있는 모든 표본평균의 확률분포입니다. 중심극한정리는 n이 충분히 크면 이 분포가 근사적으로 정규분포가 되며, 평균은 모평균 μ와 같고 표준편차는 표준오차 SE = σ/√n과 같다고 보장합니다.
표준오차는 무엇이며 표준편차와 어떻게 다른가요?
표준편차 (σ)는 개별 데이터가 모평균 주변에서 얼마나 퍼져 있는지를 나타냅니다. 표준오차 (SE = σ/√n)는 표본평균이 μ 주변에서 얼마나 퍼져 있는지를 나타냅니다. n이 커질수록 SE는 작아지며, 표본이 클수록 평균 추정이 더 정확해집니다.
이 계산기는 언제 사용할 수 있나요?
모표준편차 σ를 알고 있고, 표본 크기 n이 중심극한정리를 적용할 만큼 충분히 크면 사용할 수 있습니다(일반적으로 n ≥ 30). 모집단 자체가 정규분포라면 어떤 n에서도 유효합니다. σ를 모르면 대신 t분포를 사용해야 합니다.
여기서 z점수는 어떻게 계산되나요?
z점수는 z = (x̄ − μ) / SE로 계산됩니다. 여기서 x̄는 입력한 표본평균, μ는 모평균, SE = σ/√n입니다. 이 값은 목표 표본평균이 모평균에서 표준오차 기준으로 얼마나 떨어져 있는지 보여 주며, 표준정규표를 통해 확률로 바꿀 수 있게 해 줍니다.
왜 표본 크기가 클수록 확률 분포가 더 좁아지나요?
SE = σ/√n이므로 n을 두 배로 늘리면 SE는 √2 만큼 줄어듭니다. SE가 작을수록 표본분포는 더 높고 좁아지며, 표본평균은 μ 주변에 더 촘촘히 모입니다. 따라서 극단적인 표본평균은 덜 발생하고 신뢰구간도 더 짧아집니다. 더 많은 데이터를 모으면 추정이 더 정밀해지는 이유입니다.
between 확률 모드는 무엇을 계산하나요?
between 모드는 P(x₁ < X̄ < x₂), 즉 무작위 표본평균이 x₁과 x₂ 사이에 엄격하게 들어갈 확률을 계산합니다. 이는 Φ(z₂) − Φ(z₁)로 구하며, z₁과 z₂는 각각 x₁과 x₂의 z점수입니다. 표본평균이 허용 가능한 범위 안에 있는지 확인할 때 유용합니다.