직관 — 점 하나에 주변 범위를 붙인다
병에 담긴 음료의 평균량을 알고 싶어 일부를 뽑아 잰다. 이번 평균은 다음에 다른 병을 뽑아 얻을 평균과 조금 다를 수 있다. 그래서 평균 하나뿐 아니라 표본추출의 흔들림을 반영한 범위도 함께 제시한다.
모평균의 추정은 표본평균으로 알지 못하는 모집단의 평균을 짐작하는 일이다. 표본평균 한 수를 쓰는 점추정과, 정한 신뢰도를 가진 절차로 범위를 만드는 구간추정을 구별한다. 구간을 만들기 전에 모집단과 추출의 조건부터 확인한다.
모평균의 신뢰구간은 표본에 따라 달라지는 구간이다
모평균의 신뢰구간은 표본평균을 중심으로 정한 범위다. 같은 절차를 되풀이할 때 모평균을 포함하는 비율, 즉 신뢰도를 먼저 정하고 만든다. 표본이 바뀌면 중심이 바뀌므로 구간도 표본마다 달라진다.
이 글의 기본 모형은 정규모집단에서 같은 분포로 독립 추출한 표본이다. 모집단은 정규분포 를 따르며 모평균 는 모르고, 모표준편차 는 알고 있다고 가정한다. 실제 조사에서는 이 가정들이 맞는지 별도로 판단해야 한다.
표본 크기가 일 때 표본평균의 분포는 이다. 이를 표준화하면 정규분포표로 확률을 읽을 수 있다.
정규분포표에서 이므로 양쪽을 합한 가운데 넓이는 다. 1.96은 가운데 넓이가 정확히 0.95가 되는 경계값 를 반올림한 수다. 정규모집단과 알려진 라는 모형에서 이 절차는 정확하며, 식 (1)의 근사 표시는 계수를 반올림했기 때문이다.
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| 모평균 | population mean | 추정하려는 고정된 값 | |
| 모표준편차 | population standard deviation | 기본 모형에서 알고 있는 값 | |
| 표본평균·그 관측값 | sample mean | 표본을 뽑기 전의 변수·뽑은 뒤의 수 | |
| 표본의 크기 | sample size | 한 번의 평균에 쓰인 관측 수 | |
| 신뢰도 | confidence level | 반복 절차가 모평균을 포함하는 목표 비율 | |
| 양의 경계값 | critical value | 인 수 | |
| 표본표준편차 | sample standard deviation | 모표준편차가 미지일 때 자료로 계산한 값 |
표본평균을 중심으로 표준오차의 배수를 더하고 뺀다
모평균의 신뢰구간은 표본평균에서 표준오차 의 배를 빼고 더해 만든다. 표본평균이 모평균에서 1.96 표준오차 안에 있는 사건과, 모평균이 표본평균에서 1.96 표준오차 안에 있는 사건이 같기 때문이다. 두 수 사이의 거리는 어느 쪽에서 재도 같다.
식 (1)의 부등식에 양수 을 곱하고 를 가운데 놓으면 다음 관계를 얻는다. 표본을 뽑기 전에는 양 끝이 확률변수다.
그림 1은 모평균을 500으로 정해 둔 모의 상황에서 이 바꿔 읽기를 보여 준다. , 이면 표준오차는 1이다. 표본평균은 확률 0.95로 498.04~501.96에 떨어진다. 그 안의 로 만든 구간은 500을 덮고, 밖의 로 만든 구간은 놓친다.
figures/pivot_inversion.py실제로 얻은 를 넣어 구간을 만든다. 신뢰도를 일반적인 로 쓰면 아래 두 끝값이 모평균의 신뢰구간이다. 가운데는 점추정값, 좌우에 붙이는 양은 오차한계다.
교과서에서 모평균을 으로 쓰면 95% 신뢰구간을 처럼 부등식으로 적는다. 이 페이지의 와 식 (3)의 구간과 같은 것이다.
95%이면 , 99%이면 을 쓴다. 정규분포표로는 이어서, 99%에 2.58을 쓰는 교과서도 있다. 신뢰도가 커지면 더 넓은 범위를 포함해야 하므로 경계값과 구간 폭이 커진다.
식 (3)에서 좌우에 붙인 양을 오차한계 , 두 끝값의 차를 신뢰구간의 길이 이라 한다.
식 (4)에는 가 없다. 모표준편차를 알 때 구간의 길이는 신뢰도와 , 만으로 정해지고, 표본평균은 구간의 위치만 정한다.
가상 음료 자료로 95% 신뢰구간을 계산한다
다음 수치는 계산 연습을 위해 만든 가상 요약 자료다. 같은 생산 조건에서 병별 용량이 정규분포를 따르고 서로 독립이며, 모평균은 모르고 모표준편차만 8mL로 알려져 있다고 가정한다. 64병의 표본평균이 502mL였다면 표준오차는 mL이다.
그림 2의 맨 위 구간은 가운데 점이 502이고 양쪽 길이가 1.96이다. 이 결과는 같은 모형과 추출 절차로 반복해 만드는 구간이 약 95%의 비율로 모평균을 포함한다는 뜻이다. 병 하나의 용량 95%가 이 구간 안에 있다는 뜻은 아니다.
구간만 주어진 문제는 거꾸로 읽는다. 가운데 가 표본평균이고, 길이의 절반 1.96이 오차한계다. 을 알면 에서 , 즉 를 되찾는다.
figures/mean_intervals.pyGeoGebra Classic의 그래픽 계산기에 아래 명령을 입력한다. 인수는 순서대로 표본평균, 모표준편차, 표본 크기, 신뢰도다. 표본분산이나 95라는 백분율 숫자를 대신 넣지 않는다.
ZMeanEstimate(502,8,64,0.95)
ZMeanEstimate(502,8,64,0.99)
ZMeanEstimate(502,8,256,0.95)
첫 결과는 소수 둘째 자리에서 이다. 다음은 , 마지막은 로 나온다. 도구는 더 정밀한 경계값을 사용하므로 반올림 전 끝자리에는 차이가 있다. 99% 구간은 넓어지고, 같은 평균을 유지하며 표본 크기를 네 배로 비교한 구간은 폭이 절반이다. 실제로 새 표본을 뽑으면 평균도 달라질 수 있다.
신뢰구간의 길이를 줄이려면 표본 크기는 얼마나 필요한가
오차한계를 이하로 하려면 식 (4)의 를 에 대해 풀어 표본 크기의 최솟값을 정한다. 길이가 에 비례하므로, 길이를 절반으로 줄이려면 표본을 네 배로 늘려야 한다.
양변이 양수라서 제곱해도 부등호 방향은 그대로다. 가상 음료 공정에서 mL일 때, 95% 오차한계를 1mL 이하로 하고 싶다고 하자.
표본 크기는 자연수이므로 식 (7)의 245.8624를 올림하여 최소 246병을 조사한다. 245병으로는 오차한계가 약 1.002로 1을 조금 넘는다. 조건을 '신뢰구간의 길이 2mL 이하'로 주어도 이므로 같은 답이다.
그림 3에서 95% 곡선은 에서 1.96이고, 1mL 선과 만나는 곳이 246이다. 99% 곡선은 같은 선과 약 424.7에서 만나 425병이 필요하다. 신뢰도를 올리면 같은 오차한계를 지키는 데 더 많은 표본이 든다.
figures/sample_size_width.py신뢰도를 높이면 더 정밀한 추정인가?
아니다. 신뢰도만 높이면 같은 표본에서 구간은 더 넓어진다. 가상 예에서 99% 구간의 폭은 약 5.15mL로 95% 구간의 3.92mL보다 넓다. 높은 신뢰도와 좁은 구간을 함께 얻으려면 표본 크기를 늘려야 한다.
표본 수만 키우면 잘못된 조사도 해결되는가?
아니다. 일정한 생산 시간대만 골랐다면 전체 생산 조건을 대표하지 못할 수 있다. 식 (6)의 표본 크기는 명시한 확률모형 아래 표본추출의 변동만 줄이며, 선택 편향이나 저울의 오차까지 줄이지는 않는다.
신뢰도 95%는 반복해서 만든 구간의 포함 비율이다
모평균 는 표본을 뽑는다고 움직이는 값이 아니다. 움직이는 것은 표본평균과 구간의 양 끝이다. 표본을 얻기 전에는 식 (2)처럼 구간이 모평균을 포함할 확률을 말할 수 있다. 표본을 얻어 양 끝을 고정한 뒤에는 그 구간이 모평균을 포함하거나 포함하지 않는다.
그림 4는 에서 64개씩 40번 독립 표본을 생성한 모의실험이다. 실제 공장 조사 자료가 아니며 난수 시드를 20261116으로 고정했다. 이 기록에서는 40개 중 38개가 500을 포함했다. 놓친 두 구간은 그림 1의 처럼 표본평균이 501.96보다 크게 나온 경우다.
마침 95%이지만 40번마다 반드시 38개가 포함되는 것은 아니다. 한 모의실험이 일반적인 포함 확률의 증명을 대신하지도 않는다.
figures/mean_coverage.py모평균이 이번 구간에 들어갈 확률이 95%인가?
아니다. 이 글의 빈도주의 해석에서는 이미 정해진 모평균과 관측 구간 사이에 95%를 새로 붙이지 않는다. 95%는 같은 절차로 표본을 반복해서 뽑아 구간을 만들 때 모평균을 포함하는 비율이다. 이번 구간을 보고 모평균의 확률분포를 구한 것은 아니다.
모표준편차를 모르면 같은 계산을 그대로 쓸 수 없다
현실에서는 도 모르는 경우가 많다. 표본에서 계산한 로 대신한 은 큰 표본에서의 근사 구간으로 사용할 수 있다. 이 글에서는 여전히 정규모집단·독립 추출을 가정한다. 작은 표본에서 이를 정확한 95% 구간이라고 쓰면 안 된다.
예를 들어 를 모르는 새 공정에서 100병을 재어 mL, mL를 얻었다고 하자. 표본이 크므로 를 대입해 근사 구간을 만든다.
식 (8)은 식 (5)와 달리 근사 결과이므로, 보고할 때 를 대입했다는 사실을 함께 적는다. 작은 정규표본에서 를 쓰는 정확한 방법은 t분포가 필요하며 모평균의 t신뢰구간에서 다룬다.
실제 탐구에서는 일정한 조건에서 물체의 길이·충전량 같은 측정 자료를 모으고, 모집단의 범위와 독립성을 어떻게 확보했는지 적어 보자. 가 알려진 근거가 없다면 ZMeanEstimate의 두 번째 칸에 단순히 를 넣고 정확한 결과라고 보고하지 않는다. 표본이 충분히 큰지, 정규모형과 측정 조건이 적절한지를 검토하고 근사 사용 여부를 결과에 밝혀야 한다.
모집단이 정규분포가 아니면 모평균의 신뢰구간을 구할 수 없는가?
아니다. 독립·동일분포이고 표본이 충분히 크면 표본평균이 근사적으로 정규분포를 따르므로, 식 (3)을 근사 구간으로 쓸 수 있다. 표본평균의 분포의 중심극한정리가 그 근거다. 원래 분포가 치우칠수록 더 큰 표본이 필요하며, 식 (8)의 100병처럼 근사라는 사실을 결과에 밝힌다.
모평균의 신뢰구간은 정규모집단·독립 추출·알려진 모표준편차 조건에서 표본평균에 표준오차의 배수를 더하고 빼서 만든다. 신뢰도는 반복해서 만든 구간이 고정된 모평균을 포함하는 비율이다.
모평균의 추정에서 흔히 생기는 오해
- 평균의 신뢰구간에는 관측값 대부분이 들어가야 한다. — 개별 용량의 표준편차는 8mL, 64병 평균의 표준오차는 1mL다. 식 (5)는 평균을 추정하는 구간이다.
- 모분산 64를 도구의 두 번째 칸에 넣는다. — 명령은 표준편차를 요구한다. 을 넣어야 단위와 표준오차가 맞는다.
- 표본 크기를 두 배로 하면 신뢰구간의 길이도 절반이 된다. — 식 (4)에서 길이는 에 비례하므로 두 배로는 약 0.707배다. 절반이 되려면 그림 2의 64병과 256병처럼 네 배가 필요하다.
직접 해보기
- 독립 정규표본에서 , , 이다. 으로 95% 신뢰구간을 구하자.
- 같은 관측 평균과 에서 99% 구간을 만든다. 으로 폭이 어떻게 달라지는지 계산하자.
- 인 정규모집단에서 95% 신뢰구간의 오차한계를 2 이하로 하려면 표본 크기는 최소 얼마여야 하는가?
- 인 정규모집단에서 크기 의 표본으로 만든 95% 신뢰구간이 이었다. 표본평균과 을 구하자.
- 정규모집단에서 9개를 뽑았고 모표준편차는 모르며 표본표준편차가 6이다. 을 정확한 95% 구간이라고 보고해도 되는지 설명하자.
답과 풀이
- 표준오차는 , 오차한계는 다. 구간은 이다.
- 오차한계는 이고 구간은 다. 폭은 7.84에서 10.304로 넓어진다.
- 식 (6)에서 이다. 자연수로 올림하여 최소 139다. 138이면 오차한계가 로 2를 넘는다.
- 가운데 이 표본평균이고, 길이의 절반 1.96이 오차한계다. 에서 , 즉 이다.
- 안 된다. 알고 있는 값은 가 아니라 이고 표본도 작다. 작은 정규표본의 정확한 구간에는 t분포를 사용하는 별도 방법이 필요하다.
더 읽기
- OpenStax, Introductory Statistics 2e 8.1절 — 알려진 모표준편차로 오차한계를 계산하고, 신뢰도를 반복 절차로 읽는 부분을 확인한다.
- GeoGebra, ZMeanEstimate 명령 — 입력에 모표준편차를 요구하며, 표본평균·크기 또는 원자료 목록으로 구간을 계산하는 두 형식을 설명한다.
영상 노트
- 00:00 표본평균에 범위를 붙이는 이유
- 00:50 식 (1)·(2)와 그림 1로 모평균을 가운데 놓기
- 02:00 식 (3)~(5), 그림 2로 가상 용량 구간 계산과 거꾸로 읽기
- 03:10 GeoGebra에서 신뢰도와 표본 크기 바꾸기
- 04:00 식 (6)·(7), 그림 3으로 필요한 표본 크기 구하기
- 05:00 그림 4에서 고정된 모평균과 움직이는 구간 읽기
- 06:00 식 (8)로 모표준편차를 모르는 큰 표본 근사, 새 연습
지도에서의 위치
- 2026-11-16 · 에이전트 초안 — 교과 정의·일반 근거·예제·그림·새 연습과 접힌 풀이 작성
- 2026-11-17 · 전수 검수 반영 — 구간을 바꿔 읽는 이유, 구간의 길이와 표본 크기 결정, 구간에서 거꾸로 읽기, 모표준편차를 모르는 큰 표본 예, 정규분포표·교과서 표기 다리, 질문·오해·연습 보강, 모의 상황의 모평균과 예제 공정의 미지 모평균 구분 (에이전트 수정, 그림 2→4)
- 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림