확률·통계모평균 검정#311

모평균 검정

A One-Sample Mean Test

모평균 검정은 한 모집단의 평균을 정한 기준값과 비교한다. 모표준편차가 미지인 같은 정규모집단의 독립 관측값이 2개 이상이고 표본표준편차가 양수일 때 t검정의 p값이나 기각역으로 판정하고, 차이의 크기와 함께 해석한다.

주인공 기호
t
읽는 시간
약 11분
선수 개념
가설검정모평균의 t신뢰구간

직관 — 평균의 차이를 같은 눈금으로 잰다

직관

기준보다 평균이 조금 높아졌어도 원래 측정값이 많이 흔들린다면 드문 변화가 아닐 수 있다. 반대로 측정이 안정적이라면 같은 차이가 눈에 띈다. 차이 자체와 그 차이를 재는 눈금을 함께 보아야 한다.

여기서 차이는 표본평균−기준 모평균이고, 눈금은 평균의 표준오차다. 가설검정의 귀무가설과 p값을 실제 질량 자료에 적용한다. 분석 대상은 서로 다른 두 집단의 비교가 아니라 한 모집단의 평균이다.

모평균의 t검정은 어떤 조건에서 쓰나?

모평균의 t검정은 미지의 모표준편차를 표본으로 추정하면서 모평균을 기준값과 비교하는 방법이다. 같은 정규모집단에서 독립적으로 얻은 관측값의 수가 2개 이상이고, 표본표준편차가 양수인 경우의 정확한 t검정을 다룬다. 한 표본 t검정, 일표본 t검정이라고도 부른다.

무작위 추출 여부, 같은 공정과 측정 조건인지, 관측값이 독립적인지 먼저 확인한다. 작은 표본의 심한 비대칭이나 이상값은 정규모집단 가정을 의심하게 한다. 표본 수가 늘어도 편향된 표집이나 의존성은 저절로 사라지지 않는다. 모표준편차를 이미 아는 경우의 z검정과는 뒤의 모의실험 절에서 비교한다.

기준 모평균을 μ0\mu_0라 하고 양측검정을 미리 정하면 다음과 같다.

H0:μ=μ0,H1:μ≠μ0,tobs=xˉ−μ0s/n.(1)H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,\qquad t_{\rm obs}=\frac{\bar x-\mu_0}{s/\sqrt n}. \tag{1}
정의
기호이름원어뜻
μ,μ0\mu,\mu_0모평균, 기준 모평균population mean, hypothesized mean미지의 실제 평균과 사전에 정한 비교값
σ\sigma모표준편차population standard deviation이 글에서는 모르는 값. 알면 z검정을 쓴다
n,xˉn,\bar x표본 크기, 표본평균sample size, sample mean관측값의 수와 평균
ss표본표준편차sample standard deviation편차제곱합을 n−1n-1로 나눈 값의 제곱근
SE=s/n\mathrm{SE}=s/\sqrt n표준오차 추정값estimated standard error평균의 흔들림을 추정한 눈금
tobs,Tt_{\rm obs},T관측 t값, t통계량observed t, t statistic이번 값과 반복 표집에서 달라지는 값
ν=n−1\nu=n-1자유도degrees of freedom귀무가설 아래 사용할 t분포의 자유도
α,pval\alpha,p_{\rm val}유의수준, p값significance level, p-value사전 기준과 자료에서 계산한 꼬리 확률

귀무가설이 참이면 분자의 기준값은 실제 모평균이다. 따라서 앞 t분포의 결과에 의해 이 통계량이 자유도 n−1n-1인 t분포를 따른다. 이 이유로 표준정규 곡선 대신 t곡선의 꼬리 넓이를 구한다. 분포 결과의 증명은 이 계산 활동의 선수가 아니다.

질량의 평균이 100g과 다른지 어떻게 판단하나?

검정은 다섯 단계로 진행한다. 순서를 지키면 자료를 본 뒤 기준을 바꾸는 일을 막을 수 있다.

  1. 귀무가설과 대립가설의 방향을 정한다.
  2. 유의수준을 정한다.
  3. 자료로 검정통계량 t값을 계산한다.
  4. p값을 유의수준과 비교하거나, t값이 기각역에 드는지 본다.
  5. 결론을 원래 질문의 말과 단위로 쓴다.

모평균의 t신뢰구간에서 사용한 합성 질량 99, 100, 100, 101, 101, 102, 102, 103, 103, 104g을 이어 사용한다. 실제 수집 자료가 아니라 계산을 연습하기 위해 만든 자료이며, 위 표본 조건을 가정한다. 분석 전에 양측 대립가설과 유의수준 0.05를 정했다고 하자.

n=10,xˉ=101.5,μ0=100,s2=22.59=2.5,SE=2.510=0.5,tobs=101.5−1000.5=3.(2)\begin{aligned} n&=10,\qquad\bar x=101.5,\qquad\mu_0=100,\\ s^2&=\frac{22.5}{9}=2.5,\qquad \mathrm{SE}=\frac{\sqrt{2.5}}{\sqrt{10}}=0.5,\\ t_{\rm obs}&=\frac{101.5-100}{0.5}=3. \end{aligned} \tag{2}

분자와 분모의 단위가 모두 g이므로 t값에는 단위가 없다. 그림 1은 차이 1.5g을 표준오차 0.5g의 눈금으로 재면 세 칸이라는 뜻을 보여 준다. 개별 질량의 퍼짐 s≈1.58s\approx1.58g보다 눈금이 촘촘한 이유는 10개의 평균이 개별 값보다 덜 흔들리기 때문이다.

합성 질량 10개의 점그림이다. 기준 μ_0=100g에서 표본평균 101.5g까지의 차이 1.5g을 표준오차 0.5g으로 재면 세 칸이어서 t=3이다. 회색 막대는 개별 값의 퍼짐 bar x± s로, 약 99.92g부터 103.08g까지다.
그림 1 합성 질량 10개의 점그림이다. 기준 μ0=100\mu_0=100g에서 표본평균 101.5101.5g까지의 차이 1.5g을 표준오차 0.5g으로 재면 세 칸이어서 t=3t=3이다. 회색 막대는 개별 값의 퍼짐 xˉ±s\bar x\pm s로, 약 99.92g부터 103.08g까지다. figures/mean_test_scale.py

양측검정의 p값은 다음 두 꼬리의 합이다.

pval=P(∣T∣≥3)=2P(T≥3)≈0.0149564,T∼t9.(3)p_{\rm val}=P(|T|\ge3)=2P(T\ge3) \approx0.0149564,\qquad T\sim t_9. \tag{3}

p값(유의확률이라고도 한다)이 0.05보다 작으므로 귀무가설을 기각한다. 정한 모형과 표집 조건 아래 모평균이 100g과 다르다는 통계적 증거가 있다는 결론이다. 추정 차이 1.5g이 실제 공정에서 얼마나 중요한지는 허용 오차 등 별도 기준과 비교한다. 그림 2에서는 오른쪽과 왼쪽의 두 꼬리를 함께 표시했다.

자유도 9인 t분포에서 |T|≥3인 두 꼬리의 확률은 약 0.01496이다. 그림의 표시 범위는 −5부터 5까지이며, 확률 수치는 창 밖 꼬리도 포함한다.
그림 2 자유도 9인 t분포에서 ∣T∣≥3|T|\ge3인 두 꼬리의 확률은 약 0.01496이다. 그림의 표시 범위는 −5부터 5까지이며, 확률 수치는 창 밖 꼬리도 포함한다. figures/mean_test_tails.py

모평균 검정의 p값은 모의실험으로 어떻게 확인하나?

귀무가설이 참인 공정에서 같은 크기의 표본을 반복해 뽑고, 그때마다 t값을 구해 ∣t∣≥3|t|\ge3인 비율을 세면 된다. 모평균이 정확히 100g인 정규 공정에서 10개씩 200,000번 뽑았더니 그 비율이 약 0.0149였다. 식 (3)의 0.01496과 거의 같다.

그림 3의 아래쪽 확대 그림에서 막대는 자유도 9인 t곡선을 따라가고, 표준정규 곡선은 그보다 낮다. 표준오차를 표본마다 새로 추정하므로 큰 t값이 표준정규분포보다 자주 나오기 때문이다. 모의실험에서는 모표준편차를 1.5g으로 두었지만, 그 4배로 바꾸어 다시 뽑아도 비율은 0.015 근처에 머문다. t값은 차이와 표준오차의 비라서 산포의 크기가 약분된다.

모평균 100g, 모표준편차 1.5g인 정규 공정에서 크기 10인 표본을 200,000번 뽑아 구한 t값의 분포다. 위는 전체, 아래는 2부터 5까지의 오른쪽 꼬리를 확대했다. 막대는 자유도 9인 t분포 곡선을 따르고 점선의 표준정규 곡선보다 꼬리가 두꺼우며, |t|≥3인 비율은 약 0.0149다.
그림 3 모평균 100g, 모표준편차 1.5g인 정규 공정에서 크기 10인 표본을 200,000번 뽑아 구한 t값의 분포다. 위는 전체, 아래는 2부터 5까지의 오른쪽 꼬리를 확대했다. 막대는 자유도 9인 t분포 곡선을 따르고 점선의 표준정규 곡선보다 꼬리가 두꺼우며, ∣t∣≥3|t|\ge3인 비율은 약 0.0149다. figures/t_simulation.py

모평균 검정에서 z검정과 t검정은 어떻게 골라?

모평균 검정에서 모표준편차 σ\sigma를 미리 알면 σ/n\sigma/\sqrt n으로 나누는 z검정, 모르고 표본표준편차로 추정하면 t검정을 쓴다. 같은 값 3을 표준정규분포로 읽으면 양측 p값이 약 0.0027로, 자유도 9인 t분포의 0.01496보다 훨씬 작게 나온다. 표본이 크면 차이가 줄어 자유도 99의 경계 1.98422가 1.95996에 가깝지만, 도구로 t검정을 그대로 계산하면 된다.

모평균 검정의 기각역은 어떻게 정하나?

기각역은 귀무가설 아래 확률이 유의수준만큼인 t값의 범위를 미리 잘라 둔 것이다. 양측 유의수준 0.05이면 양쪽 꼬리에 0.025씩 둔다. 자유도 9인 t분포에서 왼쪽 넓이가 0.975인 경계를 cc라 하면 다음과 같다.

∣T∣≥c,c=t0.975, 9≈2.26216,∣tobs∣=3≥c.(4)|T|\ge c,\qquad c=t_{0.975,\,9}\approx2.26216,\qquad |t_{\rm obs}|=3\ge c. \tag{4}

관측값 3이 기각역에 들어가므로 기각한다. p값으로 판단한 결과와 같다. p값은 꼬리의 넓이로, 기각역은 그 넓이에 해당하는 t값의 경계로 같은 비교를 하므로 연속분포에서는 두 규칙이 항상 같은 판정을 준다.

대립가설이 ‘크다’(μ>100\mu>100)이면 오른쪽 꼬리에만 0.05를 두어 기각역은 t≥1.83311t\ge1.83311이다. ‘작다’(μ<100\mu<100)이면 t≤−1.83311t\le-1.83311이다. 그림 4처럼 t값 3은 ‘다르다’와 ‘크다’의 기각역에는 들고 ‘작다’의 기각역에는 들지 않는다. 대응하는 p값은 ‘크다’가 약 0.0074782, ‘작다’가 약 0.9925218이다.

유의수준 0.05에서 자유도 9인 t분포의 기각역이다. 위부터 H_1:μ≠100이면 |t|≥2.262, H_1:μ>100이면 t≥1.833, H_1:μ<100이면 t≤-1.833이다. 세로 실선은 관측값 t=3이다.
그림 4 유의수준 0.05에서 자유도 9인 t분포의 기각역이다. 위부터 H1:μ≠100H_1:\mu\ne100이면 ∣t∣≥2.262|t|\ge2.262, H1:μ>100H_1:\mu>100이면 t≥1.833t\ge1.833, H1:μ<100H_1:\mu<100이면 t≤−1.833t\le-1.833이다. 세로 실선은 관측값 t=3t=3이다. figures/rejection_regions.py

유의수준을 0.01로 미리 정했다면 결론이 달라진다. 양측 경계가 t0.995, 9≈3.24984t_{0.995,\,9}\approx3.24984로 멀어져 t값 3은 기각역 밖이고, p값 0.01496도 0.01보다 크다. 같은 자료라도 미리 정한 유의수준과 방향에 따라 판정이 갈린다. 그래서 둘 다 자료를 보기 전에 정하고, 결과를 본 뒤 더 작은 p값을 주는 방향으로 바꾸지 않는다.

공학 도구의 설정은 수식과 어떻게 맞추나?

SciPy의 ttest_1samp에 자료와 기준 모평균, 대립가설을 전달한다. two-sided는 다르다, greater는 크다, less는 작다에 해당한다. 다음은 미리 정한 양측검정의 코드다.

import numpy as np
from scipy import stats

a = np.array([99,100,100,101,101,102,102,103,103,104], dtype=float)
result = stats.ttest_1samp(a, popmean=100, alternative="two-sided")
ci = result.confidence_interval(confidence_level=0.95)
print("t, df, p:", round(result.statistic, 5), result.df, round(result.pvalue, 7))
print("95% t interval:", round(ci.low, 5), round(ci.high, 5))

실제 결과는 t값 3, 자유도 9, p값 0.0149564이고, 95% t구간은 약 [100.36892, 102.63108]g이다. 앞 글에서 직접 구한 표준오차와 임계값의 결과가 도구 출력과 일치한다. 데이터를 빠뜨리거나 단위를 섞지 않았는지도 확인한다.

GeoGebra에서는 TTest 명령이 같은 계산을 한다. 마지막 인수는 대립가설의 방향으로 "≠", ">", "<" 중 하나다. 원자료 대신 표본평균·표본표준편차·표본 크기를 넣는 형식도 있다.

TTest({99,100,100,101,101,102,102,103,103,104}, 100, "≠")
TTest(101.5, 1.58114, 10, 100, ">")

결과는 {p값, t값} 순서의 목록이다. 첫 줄은 약 {0.01496, 3}, 둘째 줄은 ‘크다’의 단측 결과로 약 {0.00748, 3}이다. 요약 형식의 표준편차 자리에는 분모 n−1n-1로 구한 ss를 넣는다. 분모 nn으로 구한 1.5를 넣으면 t값이 약 3.162로 커진다.

t신뢰구간과 t검정은 언제 같은 판단을 주나?

같은 독립 정규모형, 같은 표본과 표본표준편차를 사용한 양측 t검정과 양측 t신뢰구간은 대응한다. 유의수준 0.05의 검정은 신뢰수준 0.95 구간과 연결되며, 기준 모평균이 구간 밖에 있으면 기각한다. 기각하지 않는 조건 ∣tobs∣<c|t_{\rm obs}|<c에 양수인 표준오차를 곱해 μ0\mu_0에 대해 풀면 구간의 식이 나온다.

∣xˉ−μ0∣s/n<c  ⟺  xˉ−csn<μ0<xˉ+csn.(5)\frac{|\bar x-\mu_0|}{s/\sqrt n}<c \iff \bar x-c\frac{s}{\sqrt n}<\mu_0<\bar x+c\frac{s}{\sqrt n}. \tag{5}

그림 5는 같은 자료로 기준값 μ0\mu_0를 99g부터 104g까지 바꾸며 양측 p값을 그린 것이다. p값이 0.05 이상인 μ0\mu_0의 범위가 바로 95% t구간이고, 100g은 그 밖이라 p값이 약 0.015다. 기준값이 구간 끝점과 같으면 p값이 정확히 0.05여서 ‘p값 이하이면 기각’ 규칙으로는 기각된다. 닫힌 구간이 끝점을 포함하는 관례와는 이 한 점에서만 다르다.

같은 합성 질량 자료에서 기준값 μ_0를 바꾸며 구한 양측 t검정의 p값이다. p값이 0.05 이상인 μ_0는 100.369g부터 102.631g까지로 95% t신뢰구간과 같고, μ_0=100에서는 p값이 약 0.015다.
그림 5 같은 합성 질량 자료에서 기준값 μ0\mu_0를 바꾸며 구한 양측 t검정의 p값이다. p값이 0.05 이상인 μ0\mu_0는 100.369g부터 102.631g까지로 95% t신뢰구간과 같고, μ0=100\mu_0=100에서는 p값이 약 0.015다. figures/pvalue_function.py

단측검정이나 다른 방식의 구간을 섞어 같은 대응을 주장하지 않는다. 예를 들어 ‘크다’의 단측검정은 한쪽만 막힌 구간과 대응하며, 위 양측 구간과는 경계가 다르다.

모평균 검정 결과는 어떻게 보고하나?

보고에는 가설과 방향, 유의수준, 표본 크기, 평균 차이, t값과 자유도, p값, 신뢰구간을 함께 쓴다. 판정 한 단어만 쓰면 읽는 사람이 차이의 크기와 불확실성을 알 수 없다. 이 글의 자료라면 다음처럼 쓸 수 있다.

합성 질량 10개(평균 101.5g, 표본표준편차 약 1.58g)로 모평균이 100g과 다른지 양측 t검정을 했다. t(9)=3.00t(9)=3.00, p≈0.015p\approx0.015로 유의수준 0.05에서 귀무가설을 기각했다. 평균 차이 1.5g의 95% 신뢰구간은 약 0.37g부터 2.63g까지다.

t(9)t(9)의 괄호 안은 자유도다. 차이의 구간은 식 (5)의 t구간에서 100g을 뺀 것이다. 통계적으로 유의하다는 결과와 1.5g이 공정에서 중요한지는 따로 판단한다.

핵심

모평균의 t검정은 독립인 정규모집단 표본(관측값 2개 이상, s>0s>0)에서 표본평균과 기준값의 차이를 표준오차로 나눈 t값을 자유도 n−1n-1인 t분포와 비교한다.

모평균 검정에서 표준편차 대신 표준오차로 왜 나눠?

모평균 검정에서 비교하는 값이 개별 관측값이 아니라 표본평균이기 때문이다. 식 (2)에서 개별 값의 산포는 약 1.58114g이지만 평균의 표준오차 추정값은 0.5g이다. 표준편차로 나누면 개별 제품이 기준에서 얼마나 떨어졌는지를 묻는 다른 질문이 된다.

모평균 검정에서 표본표준편차가 0이면 p값이 0이야?

모평균 t검정의 공식은 표본표준편차가 0이면 분모가 0이 되어 적용할 수 없다. 예를 들어 7, 7, 7, 7처럼 관측값이 모두 같을 때다. 같은 값이 나온 이유와 측정 해상도부터 확인하고, 소프트웨어의 경고·무한대·정의되지 않은 출력을 유효한 검정 결과로 바꾸지 않는다.

모평균 검정에서 유의하지 않으면 평균이 기준과 같다고 결론 내리나?

모평균 검정에서 기각하지 못했다면 기준과 다르다는 증거가 부족하다고 보고한다. 유의수준 0.01로 정했다면 이 글의 자료는 100g을 기각하지 못하지만, 99% t구간 [99.875, 103.125]g에는 103g도 들어 있다. ‘같다’를 적극적으로 확인하려면 허용 차이를 정한 별도의 설계가 필요하다.

모평균 검정의 흔한 오해

  • popmean에는 관측한 평균 101.5를 넣는다. — 사전에 검정하기로 한 기준값 100을 넣는다. 관측 평균을 기준으로 넣으면 분자가 0이 되어 다른 질문을 계산한다.
  • t값 3은 평균이 기준보다 3g 크다는 뜻이다. — 차이는 1.5g이다. t값 3은 그 차이가 표준오차 0.5g의 3배라는 뜻이며 단위가 없다.
  • g을 kg으로 바꾸면 유의성도 달라진다. — 자료와 기준을 모두 1000으로 나누면 차이와 표준오차가 같은 비율로 줄어 t값과 p값은 그대로다. 한쪽만 바꾸면 단위 오류다.

직접 해보기

  1. 새 합성 자료 13, 14, 14, 15, 15, 16은 같은 정규모집단의 독립 관측값이라고 하자. 모평균 14에 대한 양측 t검정을 하여 평균·표본분산·표준오차·t값·자유도·p값을 기록하라. 유의수준은 사전에 0.05로 정했다.
  2. 원자료 없이 요약값만 있다. 표본 25개의 평균이 101.2g, 표본표준편차가 3g이고 기준은 100g이다. 양측 유의수준 0.05로 t값, 기각역, 결론을 구하라. 경계를 1.96으로 잘못 쓰면 결론이 어떻게 되는가?
  3. 표시 질량이 50g인 과자 9봉지가 47, 48, 48, 49, 49, 49, 50, 50, 51g이었다. ‘표시보다 적게 담긴다’를 사전에 대립가설로 정했다. 유의수준 0.05의 기각역과 p값으로 판단하라.
  4. 본문의 질량 자료를 ‘크다’(μ>100\mu>100)와 유의수준 0.01로 미리 정해 검정했다면 기각역과 결론은 무엇인가? 같은 유의수준의 양측검정과 결론이 다른 이유를 설명하라.
  5. 같은 정규모형에서 표본 16개로 만든 95% t신뢰구간이 [48.2, 51.8]이다. 표본평균은 얼마인가? 양측 유의수준 0.05에서 기준값 48, 50, 52를 각각 기각하는지 구간만 보고 판단하라.
답
  1. 평균 14.5, 편차제곱합 5.5, 표본분산 5.5/5=1.1이다. 표준오차는 1.1/6≈0.42817\sqrt{1.1/6}\approx0.42817, t값은 약 1.16775, 자유도는 5다. 양측 p값 약 0.29556이므로 기각하지 못한다. 자유도 5의 양측 경계 약 2.57058보다 t값이 작다는 판단과도 같다.
  2. 표준오차는 3/25=0.63/\sqrt{25}=0.6, t값은 1.2/0.6=21.2/0.6=2, 자유도는 24다. 기각역은 ∣t∣≥t0.975, 24≈2.0639|t|\ge t_{0.975,\,24}\approx2.0639이고 2는 그 안에 들지 않아 기각하지 못한다(양측 p값 약 0.05694). 1.96을 쓰면 2가 경계를 넘어 기각한다고 잘못 결론 내린다(표준정규로 읽은 p값 약 0.0455).
  3. 가설은 H0:μ=50H_0:\mu=50, H1:μ<50H_1:\mu<50이다. 평균 49, 편차제곱합 12, 표본분산 1.5, 표준오차 1.5/9≈0.40825\sqrt{1.5/9}\approx0.40825, t값 −1/0.40825≈−2.44949-1/0.40825\approx-2.44949, 자유도 8이다. 기각역은 t≤−1.85955t\le-1.85955이고 t값이 그 안에 들어 기각한다. 단측 p값은 약 0.01998이다.
  4. 오른쪽 꼬리에만 0.01을 두므로 기각역은 t≥t0.99, 9≈2.82144t\ge t_{0.99,\,9}\approx2.82144다. t값 3이 그 안에 들어 기각하며, 단측 p값 약 0.0074782도 0.01 이하다. 양측검정은 0.01을 두 꼬리에 0.005씩 나누어 경계가 3.24984로 멀어지므로 기각하지 못한다. 방향은 결과를 보기 전에 정한 경우에만 이렇게 쓸 수 있다.
  5. 표본평균은 구간의 가운데인 (48.2+51.8)/2=50(48.2+51.8)/2=50이다. 양측 0.05의 검정은 95% 구간과 대응하므로 구간 밖의 48과 52는 기각하고, 안의 50은 기각하지 못한다. 48의 p값을 계산하면 약 0.0317이다.

더 읽기

  • NIST, Confidence Limits for the Mean — 모평균 t검정과 같은 모형의 t구간이 대응하는 이유와 세 방향의 기각역을 확인한다.
  • SciPy, ttest_1samp — 원자료, 기준 모평균, 대립가설 설정과 t값·자유도·p값의 공식 문서다.
  • GeoGebra, TTest 명령 — 원자료 형식과 요약 통계 형식, 방향 인수 <·>·≠, 결과 목록 {p값, t값}의 순서를 확인한다.

영상 노트

영상 노트
  • 00:00 평균 차이를 표준오차와 비교하는 이유
  • 00:40 식 (1)의 조건과 검정 다섯 단계
  • 01:20 식 (2)의 단위와 그림 1의 표준오차 눈금
  • 02:10 식 (3)의 두 꼬리와 그림 3의 모의실험
  • 03:10 유의수준 0.01의 경계, 식 (4)의 기각역과 그림 4의 세 방향
  • 04:20 SciPy·GeoGebra 출력 맞추기
  • 05:10 식 (5)와 그림 5의 신뢰구간 대응, 결과 보고 문장

지도에서의 위치

완성예정이 페이지까지 온 길전체 지도에서 보기 →
이 페이지의 기록
  1. 2026-11-16 · 에이전트 초안
  2. 2026-11-17 · 전수 검수 반영 — 검정 다섯 단계, 기각역과 단측 판정, 유의수준 0.01의 경계, 모의실험으로 본 p값, z검정과의 비교, GeoGebra 명령과 입력 주의, 신뢰구간 대응 그림, 연습 다섯 문항 보강 (에이전트 수정, 그림 1→5)
  3. 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림