직관 — 같은 비율 차이도 조사 크기에 따라 읽는다
지지 응답이 절반을 조금 넘었다고 바로 모집단의 절반을 넘는다고 단정하지는 않는다. 적은 사람을 조사했을 때와 많은 사람을 조사했을 때의 흔들림이 다르기 때문이다. 관측한 비율과 기준 비율의 차이를 조사 규모에 맞는 눈금으로 비교한다.
지지라고 분류한 응답을 성공, 그 밖을 실패라고 부르자. 성공은 좋고 나쁨을 평가하는 말이 아니라 두 결과 중 조사하려는 쪽의 이름이다. 이 글은 가설검정의 절차를 한 모집단의 모비율에 적용하며, 두 집단의 비율 차이는 다루지 않는다.
모비율 z검정은 어떤 조건에서 쓰나?
모비율 z검정은 표본비율과 기준 모비율의 차이를 귀무가설 아래 표준오차로 나누어 표준정규분포와 비교하는 근사 방법이다. 표본추출에서 살핀 것처럼 관측값은 같은 모집단에서 독립적으로 추출하고 각 관측의 성공확률이 같다고 가정한다. 조사 항목·성공의 정의·표본 수와 분석 방향은 자료를 보기 전에 정한다.
표본 크기 은 양의 정수, 성공 횟수 는 0 이상 이하의 정수이고, 표본비율은 이다. 기준 비율 는 0보다 크고 1보다 작아야 한다. 여기서는 양측 대립가설을 먼저 쓴다.
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| 모비율, 기준 모비율 | population proportion, null proportion | 미지의 실제 비율과 귀무가설의 기준 | |
| 표본 크기, 성공 횟수 | sample size, success count | 전체 관측 수와 성공으로 분류한 수 | |
| 표본비율 | sample proportion | 이번 자료에서 관측한 비율 | |
| 귀무가설 아래 표준오차 | null standard error | 기준 가 참일 때 표본비율의 흔들림 | |
| 관측 z값, 표준정규 확률변수 | observed z, standard normal variable | 차이를 표준화한 값과 근사 비교 분포 | |
| 유의수준, p값 | significance level, p-value | 사전 기준과 계산한 근사 꼬리 확률 |
귀무가설이 참이면 성공 횟수는 이항분포 를 따르고, 표본비율의 평균은 , 분산은 이다. 따라서 그 기준에서 흔들리는 크기로 차이를 나누는 것이 식 (1)의 이유다. 이 표준화한 값은 표본이 충분히 크면 표준정규분포로 근사할 수 있다. 이항분포의 분산 증명은 여기서 선행 지식으로 요구하지 않는다.
구체적인 점검 기준으로 귀무가설 아래 기대 성공 수 와 기대 실패 수 가 각각 10 이상인지 확인하자. 이는 정규근사를 위한 경험적 기준이며 정확성을 보장하는 정리는 아니다. 관측한 성공·실패 수가 아니라 로 계산한 기대 횟수를 본다. 검정은 귀무가설이 참일 때의 분포를 쓰기 때문이다.
그림 1의 위쪽은 기대 횟수가 100·100인 경우로, 이항확률 막대와 정규곡선이 거의 겹친다. 아래쪽은 표본 50개·기준 비율 0.02로 기대 성공 수가 1뿐이다. 막대가 0 근처에 몰려 한쪽으로 치우치고, 정규곡선은 성공 횟수가 될 수 없는 음수 쪽에도 넓이를 둔다. 이런 경우에는 이 글의 근사법 대신 이항확률을 직접 쓰는 방법 등 다른 분석을 선택한다.
figures/normal_approx_check.py200명 중 124명의 응답은 절반과 다른가?
가상의 모집단에서 독립적으로 조사한 200명 중 124명이 지지했다고 설정하자. 설명을 위해 만든 합성 집계이며 실제 설문을 실시한 결과는 아니다. 사전에 , 양측 대립가설, 유의수준 0.05를 정했다고 하자. 기대 성공·실패 수는 각각 100으로 위 기준을 만족한다.
표시한 표준오차는 반올림한 값이며, 최종 z값과 p값은 반올림 전 표준오차로 계산한다. 표본비율의 차이는 0.12, 즉 12퍼센트포인트다. 비율과 표준오차에는 단위가 없으며, 퍼센트로 쓰려면 둘 다 같은 방식으로 바꾼다.
성공 횟수로 직접 계산해도 된다. 귀무가설 아래 성공 횟수 의 평균은 , 표준편차는 이다. 식 (1)의 분자와 분모에 모두 을 곱한 것이라 결과가 같다.
근사 p값은 다음과 같다.
그림 2는 매우 작은 두 꼬리와 오른쪽 꼬리의 확대 모습을 함께 보여 준다. 이 p값은 0.05보다 작으므로 귀무가설을 기각한다. 모형과 표집 조건 아래 모비율이 절반과 다르다는 통계적 증거가 있다. p값이 작다는 사실로 조사 대상의 대표성이나 질문 문항의 공정성이 보장되지는 않는다.
figures/proportion_test_tails.py모비율 검정의 기각역과 단측검정은 어떻게 쓰나?
기각역은 귀무가설 아래 확률이 유의수준만큼인 z값의 범위다. 양측 유의수준 0.05이면 이고, 위 예의 3.39411은 그 안에 들어 p값과 같은 판정을 준다. 단측검정은 대립가설 방향의 꼬리 하나에 유의수준 전체를 둔다.
공정 관리자가 ‘불량률이 기준 5%보다 높아졌는가’를 묻는다고 하자. 높을 때만 설비를 점검하므로 사전에 , 유의수준 0.05를 정했다. 여기서는 조사하려는 불량을 성공으로 센다. 가상 표본 400개 중 불량이 28개였고, 기대 불량·양품 수 20·380은 점검 기준을 만족한다.
‘크다’의 기각역은 오른쪽 꼬리 넓이가 0.05인 경계 위쪽이다.
따라서 기각하고, 단측 p값 약 0.03323도 0.05보다 작다. 그림 3처럼 같은 z값이 양측 기각역 에는 들지 않는다. 양측으로 계획했다면 p값 약 0.06646으로 기각하지 못한다. 방향이 결론을 바꾸므로, 방향은 연구 질문으로 미리 정하고 자료를 본 뒤 바꾸지 않는다.
figures/one_sided_defects.py모비율 검정에서 단측 p값은 양측의 절반이야?
모비율 검정의 단측 p값은 관측값이 사전에 정한 대립가설 방향에 있을 때만 양측 p값의 절반이다. 불량률 예에서는 z값이 양수이고 ‘크다’를 검정해 0.03323이 양측 0.06646의 절반이다. ‘크다’의 p값은 stats.norm.sf(z), ‘작다’는 stats.norm.cdf(z)이며, z값이 양수인데 ‘작다’를 검정하면 p값은 0.5보다 크다.
도구에서는 어떤 표준오차를 넣나?
분모에 관측 비율이 아니라 귀무가설의 기준 비율을 넣는다. SciPy의 norm.sf는 오른쪽 꼬리 넓이를 반환하며, 다음 코드의 식이 검정 방법을 정한다. 연속성 보정 없이 계산하는 큰 표본 score z검정이다.
from math import sqrt
from scipy import stats
n, k, p0 = 200, 124, 0.5
alpha = 0.05
phat = k / n
se0 = sqrt(p0 * (1-p0) / n)
z = (phat-p0) / se0
p_value = 2 * stats.norm.sf(abs(z))
print("expected counts:", n*p0, n*(1-p0))
print("phat, SE0, z:", round(phat, 5), round(se0, 7), round(z, 5))
print("p-value, reject:", round(p_value, 7), p_value <= alpha)
출력은 기대 횟수 100.0 100.0, 비율·표준오차·z값 0.62 0.0353553 3.39411, p값·기각 여부 0.0006885 True다. 이 결과는 근사 계산이다. 이항확률을 직접 더하는 stats.binomtest(124, 200, 0.5)의 양측 p값은 약 0.00085로, 판정은 같지만 수는 다르다.
GeoGebra에서는 ZProportionTest(0.62, 200, 0.5, "≠")처럼 표본비율·표본 크기·기준 비율·방향을 넣는다. 결과는 {p값, z값} 순서의 목록으로 약 {0.00069, 3.39411}이며, 표준오차는 기준 비율로 계산한다. 첫 인수는 성공 횟수 124가 아니라 비율 0.62다.
도구마다 기본값이 같지는 않다. Python의 statsmodels에 있는 proportions_ztest(124, 200, 0.5)는 문서에 따르면 기본값에서 관측 비율 0.62로 표준오차를 계산한다. 그러면 표준오차 약 0.03432, z값 약 3.4963으로 식 (1)과 달라진다. 인수 prop_var=0.5를 함께 주어야 식 (1)과 같은 값이 나오므로, 도구의 출력과 손계산을 한 번 대조하고 사용한 방법을 보고서에 적는다.
모비율 신뢰구간과 검정은 왜 다른 표준오차를 쓰나?
모비율의 추정에서 사용한 Wald 신뢰구간은 모르는 모비율을 관측 비율로 추정하므로 을 쓴다. 이 글의 검정은 귀무가설을 가정한 확률을 묻기 때문에 를 쓴다. 이름이 모두 정규근사라고 해서 같은 계산은 아니다.
실제로 성공 28회·표본 100개·기준 비율 0.2이면 검정의 표준오차는 0.04이고 z값은 2다. 양측 p값 약 0.04550으로 유의수준 0.05에서 기각한다. 하지만 관측 비율 0.28로 구한 95% Wald 구간은 약 [0.19200, 0.36800]으로 0.2를 포함한다. 이 예의 귀무가설 기대 횟수 20·80과 관측 횟수 28·72는 모두 위 점검 기준을 만족한다.
그림 4는 두 계산을 한 수직선에 놓았다. 검정은 를 중심으로 의 1.96배인 범위 [0.122, 0.278]을 잡고, 표본비율 0.28이 그 밖이라 기각한다. Wald 구간은 을 중심으로 더 큰 표준오차 약 0.0449를 써서 0.2까지 덮는다. 중심과 눈금이 모두 달라 두 방법은 같은 판정을 항상 주는 쌍이 아니다.
figures/score_vs_wald.py모비율 z검정은 독립이고 성공확률이 같은 표본에서 기대 성공·실패 수가 충분할 때, 기준 비율 로 구한 표준오차로 차이를 나누어 표준정규분포와 비교하는 근사 검정이다.
모비율 검정의 정규근사 조건은 5 이상이야, 10 이상이야?
모비율 검정의 정규근사 조건으로 기대 성공·실패 수가 각각 5 이상인 기준과 10 이상인 기준이 모두 쓰이며, 둘 다 정리가 아닌 경험적 기준이다. 표본 50개·기준 비율 0.15이면 기대 성공 수가 7.5여서 5 기준은 통과하고 10 기준은 통과하지 못한다. 이 글은 더 엄격한 10을 쓰며, 경계에 걸리면 이항확률을 직접 쓰는 방법을 함께 검토한다.
모비율 검정에서 성공이 한 번도 없으면 모비율도 0이야?
모비율 검정에서 성공이 0번이면 표본비율은 0이지만 모비율이 0이라고 확정할 수는 없다. 모비율이 0.02일 때도 독립 시행 50번이 모두 실패할 확률은 다(그림 1 아래). 이렇게 기대 성공 수가 작은 상황은 이 글의 근사법 범위 밖이므로 이항 분석을 따로 검토한다.
모비율 검정에서 한 사람의 응답을 여러 번 넣으면 더 정확해져?
아니다. 같은 응답을 여러 번 넣어도 모비율 검정의 독립 관측 수는 늘지 않는다. 100명의 응답을 두 번씩 넣어 200개로 계산하면 기준 비율 0.5의 표준오차가 0.05에서 약 0.0354로 작아 보이고, z값이 약 1.414배로 부풀려진다. 중복 응답이나 집단 내부의 비슷한 응답을 독립 표본처럼 계산하지 않는다.
모비율 검정의 흔한 오해
- 표본 수가 30을 넘으면 어떤 기준 비율에도 정규근사가 된다. — 표본이 50개여도 기준 비율이 0.02이면 기대 성공 수는 1뿐이다(그림 1 아래). 전체 수만 보는 기준으로 대신할 수 없고, 기대 횟수로 확인한다.
- 50%에서 62%로 늘면 12% 증가다. — 차이는 12퍼센트포인트다. 기준 50%에 대한 상대적 증가는 0.12/0.5=24%로, 서로 다른 양이다.
- z값이 크면 비율 차이도 크다. — 같은 12퍼센트포인트 차이라도 50명이면 z값이 약 1.697, 200명이면 약 3.394다. z값은 차이를 표본 크기에 맞는 눈금으로 잰 값이므로 차이의 크기는 따로 보고한다.
직접 해보기
- 독립인 같은 성공확률의 새 표본 100개 중 성공 58회다. 사전에 기준 비율 0.5, 양측, 유의수준 0.05를 정했다. 기대 횟수·표준오차·z값·근사 p값과 결론을 구하라.
- 조건을 만족하는 다른 분석에서 관측 z값이 −1.8이다. 사전에 ‘작다’를 대립가설로 정했다면 p값은 얼마인가? 양측 p값과 비교하라.
- 표본 40개·기준 비율 0.1인 검정에서 성공이 9회 관측되었다. 이 글의 점검 기준을 적용하면 정규근사 z검정을 써도 되는가? 관측 성공·실패 수 9·31로 판단해도 되는가?
- 새 표본 400개 중 성공 220회, 기준 비율 0.5인 양측검정의 z값과 p값을 구하라. 실제로 중요하다고 미리 정한 차이가 10퍼센트포인트라면 관측 차이와 함께 무엇을 보고해야 하나?
- 한 업체가 ‘고객 만족 비율이 80%’라고 광고한다. 소비자 단체는 사전에 ‘80%보다 낮다’를 대립가설, 유의수준 0.05로 정하고 고객 250명을 독립적으로 조사해 188명이 만족했다는 결과를 얻었다. 기각역과 p값으로 판단하라.
답
- 기대 성공·실패 수는 50·50, 표준오차는 다. z값은 (0.58−0.5)/0.05=1.6, 양측 p값은 약 0.10960이므로 기각하지 못한다. 1.6은 양측 기각역 에도 들지 않는다.
stats.norm.cdf(-1.8)은 약 0.03593이다. 양측 p값은 약 0.07186이다. 유의수준 0.05라면 사전 단측검정과 양측검정의 판단이 다르므로 방향을 사후에 바꾸지 않는다.- 기대 성공·실패 수는 와 36이어서 10 기준은 물론 5 기준도 만족하지 않는다. 관측 성공 수 9를 기대 성공 수 대신 넣지 않는다. 근사 z검정 대신 이항확률을 직접 쓰는 방법 등을 선택한다.
- 표본비율 0.55, 표준오차 0.025, z값 2, 양측 p값 약 0.04550이다. 유의수준 0.05에서는 기각하지만 관측 차이는 5퍼센트포인트로 사전 중요도 기준 10퍼센트포인트보다 작다. 통계적 검출과 차이의 크기·불확실성을 구별해 보고한다.
- 기대 만족·불만족 수는 200·50으로 기준을 만족한다. 표본비율은 , 표준오차는 , z값은 이다. ‘작다’의 기각역 에 들어 기각하며, p값
stats.norm.cdf(z)는 약 0.02889다. 양측으로 계획했다면 p값 약 0.05778로 기각하지 못했을 것이다.
더 읽기
- NIST, Does the proportion of defectives meet requirements? — 기준 비율을 넣는 표준오차와 단측·양측 정규근사 검정의 근거다. 본문은 더 보수적인 기대 횟수 10 기준을 점검에 쓰며, 비기각을 귀무가설의 입증으로 해석하지 않는다.
- SciPy, norm —
sf·cdf의 넓이 방향을 확인한다. 이 글은 입력한 표준오차와 도구 함수가 어떤 근사 방법을 구현하는지 함께 명시했다. - GeoGebra, ZProportionTest 명령 — 표본비율·표본 크기·귀무가설 비율·방향의 입력 순서와 결과 목록 {p값, z값}을 확인한다.
- statsmodels, proportions_ztest —
prop_var의 기본값이 관측 비율로 분산을 계산한다는 설명과, 귀무가설 비율을 지정하는 방법을 확인한다.
영상 노트
- 00:00 성공의 정의와 조사 대상·독립성
- 00:40 식 (1)의 귀무가설 표준오차와 그림 1의 기대 횟수 점검
- 01:40 식 (2)·(3)의 비율과 성공 횟수로 같은 z값 계산
- 02:30 식 (4)의 근사 p값과 그림 2의 꼬리
- 03:20 식 (5)·(6)의 불량률 단측검정과 그림 3의 두 기각역
- 04:30 SciPy·GeoGebra·statsmodels의 표준오차 대조와 이항확률 검산
- 05:20 그림 4의 Wald 구간과 판정 불일치 사례
지도에서의 위치
- 2026-11-16 · 에이전트 초안
- 2026-11-16 · 반올림한 표준오차 대입은 근삿값으로 표시하고 원값 계산을 명시
- 2026-11-17 · 전수 검수 반영 — 정규근사 조건의 반례 그림, 성공 횟수로 쓴 z값, 기각역과 불량률 단측검정, GeoGebra·statsmodels의 표준오차 차이와 이항확률 검산, 검정과 Wald 구간 비교 그림, 질문·오해·연습 보강 (에이전트 수정, 그림 1→4)
- 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림