표본평균 표본분포 계산기
중심극한정리를 사용해 표본평균의 확률을 계산하고, 표준오차, z-점수, 정확한 확률을 몇 초 만에 구하세요.
모평균, 표준편차, 표본 크기를 입력한 뒤 확률 유형을 선택하고 표본평균 값을 넣으면 즉시 결과를 확인할 수 있습니다.
표본평균 표본분포 계산기
중심극한정리를 사용해 표본평균의 확률을 계산하고, 표준오차, z-점수, 정확한 확률을 몇 초 만에 구하세요.
표본평균이 주어진 값 x₁보다 작을 확률을 계산합니다.
표본평균 표본분포 계산기 소개
표본평균의 표본분포는 같은 모집단에서 같은 크기의 무작위 표본을 반복해서 뽑을 때 표본평균이 표본마다 어떻게 달라지는지를 설명합니다. 이는 추론통계에서 가장 중요한 개념 중 하나로, 거의 모든 과학 및 산업 분야에서 신뢰구간, 가설검정, 품질관리도의 이론적 기반이 됩니다.
중심극한정리 (CLT)는 이 분포를 유용하게 만드는 핵심 원리입니다. CLT는 모집단 분포의 형태와 관계없이 표본 크기 n이 증가하면 표본평균의 표본분포가 정규분포에 가까워진다고 말합니다. 실무에서는 표본 크기가 30 이상이면 보통 근사가 매우 좋습니다. 모집단이 이미 정규분포라면 표본 크기가 아무리 작아도 이 결과가 성립합니다.
평균의 표준오차 (SE)는 표본분포의 퍼짐 정도를 수량화합니다. 이는 모표준편차 σ를 n의 제곱근으로 나눈 값입니다: SE = σ / √n. 표본 크기가 커질수록 SE는 작아지며, 큰 표본일수록 모평균을 더 정밀하게 추정합니다. 이는 표본 크기를 두 배로 늘리면 표준오차가 절반으로 줄어드는 이유와, 연구자가 불확실성을 줄이기 위해 더 많은 데이터를 수집하는 이유를 수학적으로 설명합니다.
표준오차를 알면 어떤 표본평균 x̄도 z = (x̄ − μ) / SE를 사용해 z-점수로 변환할 수 있습니다. z-점수는 x̄가 실제 모평균 μ에서 표준오차 몇 개만큼 떨어져 있는지를 나타냅니다. 표본분포가 근사적으로 정규분포이므로, 표준정규표 또는 그 수학적 등가인 Φ(z)는 표본평균이 지정값보다 낮거나 높거나 두 값 사이에 있을 정확한 확률을 제공합니다.
이 계산기는 세 가지 확률 유형을 지원합니다. 첫 번째 P(X̄ < x)는 크기 n의 무작위 표본이 x보다 낮은 평균을 가질 왼쪽 꼬리 확률을 제공합니다. 두 번째 P(X̄ > x)는 오른쪽 꼬리(상위) 확률을 제공합니다. 세 번째 P(x₁ < X̄ < x₂)는 표본평균이 두 지정값 사이에 있을 확률을 제공하며, 두 누적정규확률의 차이로 계산됩니다.
실제 활용 범위는 모든 분야에 걸쳐 있습니다. 품질 엔지니어는 부품 배치의 평균 치수가 허용오차 밖에 있는지 모니터링합니다. 영양사는 표본 집단의 평균 칼로리 섭취량이 알려진 평균을 가진 모집단에서 나온 것으로 볼 수 있는지 확인합니다. 금융 분석가는 분기 동안의 평균 일일 수익률이 기준값을 넘을 확률을 추정합니다. 임상 연구자는 표본의 평균 혈압 감소가 실제 모집단 효과를 반영할 가능성을 판단합니다. 이 모든 경우에 이 계산기는 한 번의 계산으로 확률 답을 제공합니다.
표본분포 예시
표본분포 계산기를 적용하는 실제 시나리오입니다.
| 시나리오 | 확률 | 해석 |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | 시험 점수: 실제 평균이 80일 때 30명 학급의 평균이 78 미만일 확률은 대략 14%입니다. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | 전구 수명: 전구 40개 배치의 평균 수명이 1010시간을 넘을 확률은 약 10%입니다. |
| μ=3, σ=0.5, n=50, P(2.9 < X̄ < 3.1) | ≈ 84.3% | 커피 컵: 표본평균이 모평균에서 0.1컵 이내에 있을 확률은 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 31%입니다. |
표본분포 계산기 사용 방법
- 모평균 (μ)을 입력합니다. 이는 전체 모집단의 알려진 또는 가정한 평균입니다.
- 모표준편차 (σ)를 입력합니다. 반드시 양수여야 합니다.
- 표본 크기 (n)를 입력합니다. 각 표본의 관측값 수입니다(정수 ≥ 2).
- 확률 유형을 선택합니다: 왼쪽 꼬리는 P(X̄ < x), 오른쪽 꼬리는 P(X̄ > x), 구간 확률은 P(x₁ < X̄ < x₂)입니다.
- 표본평균 값을 입력하고 계산을 클릭하면 표준오차, z-점수, 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 클 때 이 분포가 평균은 모평균 μ, 표준편차는 표준오차 SE = σ/√n인 근사 정규분포가 됨을 보장합니다.
표준오차란 무엇이며 표준편차와 어떻게 다른가요?
표준편차 (σ)는 개별 데이터 포인트가 모평균 주변에 얼마나 퍼져 있는지를 측정합니다. 표준오차 (SE = σ/√n)는 표본평균이 μ 주변에 얼마나 퍼져 있는지를 측정합니다. n이 커질수록 SE는 작아지며, 더 큰 표본은 평균을 더 정밀하게 추정합니다.
언제 이 계산기를 사용할 수 있나요?
모표준편차 σ를 알고 있고 표본 크기 n이 중심극한정리를 적용하기에 충분히 클 때(일반적으로 n ≥ 30) 사용할 수 있습니다. 모집단 자체가 정규분포라면 어떤 n에서도 유효합니다. σ를 모른다면 대신 t-분포를 사용해야 합니다.
여기서 z-점수는 어떻게 계산되나요?
z-점수는 z = (x̄ − μ) / SE로 계산됩니다. 여기서 x̄는 입력한 표본평균, μ는 모평균, SE = σ/√n입니다. 이는 목표 표본평균이 모평균에서 표준오차 몇 개만큼 떨어져 있는지를 알려 주며, 표준정규표가 그 거리를 확률로 변환할 수 있게 합니다.
표본 크기가 클수록 확률의 퍼짐이 작아지는 이유는 무엇인가요?
SE = σ/√n이므로 n을 두 배로 늘리면 SE는 √2 ≈ 1.41의 비율로 줄어듭니다. 더 작은 SE는 표본분포가 더 높고 좁아진다는 뜻이며, 표본평균이 μ 주변에 더 촘촘히 모입니다. 따라서 극단적인 표본평균은 덜 발생하고 신뢰구간은 짧아지며, 이것이 더 많은 데이터를 수집하면 추정의 정밀도가 향상되는 이유입니다.
구간 확률 모드는 무엇을 계산하나요?
구간 모드는 P(x₁ < X̄ < x₂), 즉 무작위 표본평균이 x₁과 x₂ 사이에 엄격히 들어갈 확률을 계산합니다. 이는 Φ(z₂) − Φ(z₁)로 계산되며, z₁과 z₂는 각각 x₁과 x₂의 z-점수입니다. 표본평균이 모평균 주변의 허용 범위 안에 머무를 확률을 알고 싶을 때 유용합니다.