확률·통계모평균의 추정#260

모평균의 추정

Estimating a Population Mean

모평균의 추정은 표본평균으로 모집단의 평균을 짐작하는 일이다. 정규모집단에서 독립 추출하고 모표준편차를 알 때 신뢰구간을 만드는 원리와 신뢰도의 뜻을 설명한다. 공학 도구로 구간을 계산하고, 구간의 길이와 필요한 표본 크기, 모표준편차를 모를 때의 한계를 살핀다.

읽는 시간
약 9분
선수 개념
표본평균의 분포표준정규분포

직관 — 점 하나에 주변 범위를 붙인다

직관

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 N(μ,σ2)N(\mu,\sigma^2)를 따르며 모평균 μ\mu는 모르고, 모표준편차 σ>0\sigma>0는 알고 있다고 가정한다. 실제 조사에서는 이 가정들이 맞는지 별도로 판단해야 한다.

표본 크기가 nn일 때 표본평균의 분포는 N(μ,σ2/n)N(\mu,\sigma^2/n)이다. 이를 표준화하면 정규분포표로 확률을 읽을 수 있다.

Z=Xˉ−μσ/n∼N(0,1),P(−1.96≤Z≤1.96)≈0.95.(1)Z=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1), \qquad P(-1.96\le Z\le1.96)\approx0.95.\tag{1}

정규분포표에서 P(0≤Z≤1.96)=0.4750P(0\le Z\le1.96)=0.4750이므로 양쪽을 합한 가운데 넓이는 2×0.4750=0.952\times0.4750=0.95다. 1.96은 가운데 넓이가 정확히 0.95가 되는 경계값 1.95996…1.95996\ldots를 반올림한 수다. 정규모집단과 알려진 σ\sigma라는 모형에서 이 절차는 정확하며, 식 (1)의 근사 표시는 계수를 반올림했기 때문이다.

정의
기호이름원어뜻
μ\mu모평균population mean추정하려는 고정된 값
σ\sigma모표준편차population standard deviation기본 모형에서 알고 있는 값
Xˉ,xˉ\bar X,\bar x표본평균·그 관측값sample mean표본을 뽑기 전의 변수·뽑은 뒤의 수
nn표본의 크기sample size한 번의 평균에 쓰인 관측 수
cc신뢰도confidence level반복 절차가 모평균을 포함하는 목표 비율
zcz_c양의 경계값critical valueP(−zc≤Z≤zc)=cP(-z_c\le Z\le z_c)=c인 수
ss표본표준편차sample standard deviation모표준편차가 미지일 때 자료로 계산한 값

표본평균을 중심으로 표준오차의 배수를 더하고 뺀다

모평균의 신뢰구간은 표본평균에서 표준오차 σ/n\sigma/\sqrt n의 zcz_c배를 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 σ/n\sigma/\sqrt n을 곱하고 μ\mu를 가운데 놓으면 다음 관계를 얻는다. 표본을 뽑기 전에는 양 끝이 확률변수다.

P ⁣(Xˉ−1.96σn≤μ≤Xˉ+1.96σn)≈0.95.(2)P\!\left(\bar X-1.96\frac{\sigma}{\sqrt n} \le\mu\le \bar X+1.96\frac{\sigma}{\sqrt n}\right)\approx0.95.\tag{2}

그림 1은 모평균을 500으로 정해 둔 모의 상황에서 이 바꿔 읽기를 보여 준다. σ=8\sigma=8, n=64n=64이면 표준오차는 1이다. 표본평균은 확률 0.95로 498.04~501.96에 떨어진다. 그 안의 xˉ1\bar x_1로 만든 구간은 500을 덮고, 밖의 xˉ2\bar x_2로 만든 구간은 놓친다.

모평균을 μ=500으로 정해 둔 모의 상황에서 σ=8, n=64일 때 표본평균의 분포 N(500,1)이다. 가운데 넓이 0.95인 498.04~501.96 안의 bar x_1=501.2로 만든 95% 구간 499.24~503.16은 500을 포함하고, 밖의 bar x_2=502.5로 만든 구간 500.54~504.46은 놓친다.
그림 1 모평균을 μ=500\mu=500으로 정해 둔 모의 상황에서 σ=8\sigma=8, n=64n=64일 때 표본평균의 분포 N(500,1)N(500,1)이다. 가운데 넓이 0.95인 498.04~501.96 안의 xˉ1=501.2\bar x_1=501.2로 만든 95% 구간 499.24~503.16은 500을 포함하고, 밖의 xˉ2=502.5\bar x_2=502.5로 만든 구간 500.54~504.46은 놓친다. figures/pivot_inversion.py

실제로 얻은 xˉ\bar x를 넣어 구간을 만든다. 신뢰도를 일반적인 cc로 쓰면 아래 두 끝값이 모평균의 신뢰구간이다. 가운데는 점추정값, 좌우에 붙이는 양은 오차한계다.

[xˉ−zcσn, xˉ+zcσn].(3)\left[\bar x-z_c\frac{\sigma}{\sqrt n},\ \bar x+z_c\frac{\sigma}{\sqrt n}\right].\tag{3}

교과서에서 모평균을 mm으로 쓰면 95% 신뢰구간을 xˉ−1.96σn≤m≤xˉ+1.96σn\bar x-1.96\frac{\sigma}{\sqrt n}\le m\le\bar x+1.96\frac{\sigma}{\sqrt n}처럼 부등식으로 적는다. 이 페이지의 μ\mu와 식 (3)의 구간과 같은 것이다.

95%이면 zc≈1.96z_c\approx1.96, 99%이면 zc≈2.576z_c\approx2.576을 쓴다. 정규분포표로는 P(0≤Z≤2.58)≈0.4951P(0\le Z\le2.58)\approx0.4951이어서, 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 EE, 두 끝값의 차를 신뢰구간의 길이 ll이라 한다.

E=zcσn,l=2E=2zcσn.(4)E=z_c\frac{\sigma}{\sqrt n},\qquad l=2E=2z_c\frac{\sigma}{\sqrt n}.\tag{4}

식 (4)에는 xˉ\bar x가 없다. 모표준편차를 알 때 구간의 길이는 신뢰도와 σ\sigma, nn만으로 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 8/64=18/\sqrt{64}=1mL이다.

xˉ±1.96σn=502±1.96×1⟹[500.04,503.96] mL.(5)\bar x\pm1.96\frac{\sigma}{\sqrt n} =502\pm1.96\times1 \quad\Longrightarrow\quad[500.04,503.96]\ \text{mL}.\tag{5}

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 (500.04+503.96)/2=502(500.04+503.96)/2=502가 표본평균이고, 길이의 절반 1.96이 오차한계다. σ=8\sigma=8을 알면 1.96×8/n=1.961.96\times8/\sqrt n=1.96에서 n=8\sqrt n=8, 즉 n=64n=64를 되찾는다.

가상 자료 bar x=502, σ=8에서 알려진 모표준편차를 사용하는 구간을 비교한다. 위는 n=64·95%, 가운데는 같은 n·99%, 아래는 같은 관측 평균을 가정한 n=256·95%다. 계수는 각각 1.96과 2.576으로 반올림했으며 가로축 단위는 mL이다.
그림 2 가상 자료 xˉ=502\bar x=502, σ=8\sigma=8에서 알려진 모표준편차를 사용하는 구간을 비교한다. 위는 n=64n=64·95%, 가운데는 같은 nn·99%, 아래는 같은 관측 평균을 가정한 n=256n=256·95%다. 계수는 각각 1.96과 2.576으로 반올림했으며 가로축 단위는 mL이다. figures/mean_intervals.py

GeoGebra 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 {500.04,503.96}\{500.04,503.96\}이다. 다음은 {499.42,504.58}\{499.42,504.58\}, 마지막은 {501.02,502.98}\{501.02,502.98\}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 EE 이하로 하려면 식 (4)의 zcσ/n≤Ez_c\sigma/\sqrt n\le E를 nn에 대해 풀어 표본 크기의 최솟값을 정한다. 길이가 1/n1/\sqrt n에 비례하므로, 길이를 절반으로 줄이려면 표본을 네 배로 늘려야 한다.

n≥zcσE⟺n≥(zcσE)2.(6)\sqrt n\ge\frac{z_c\sigma}{E} \quad\Longleftrightarrow\quad n\ge\left(\frac{z_c\sigma}{E}\right)^2.\tag{6}

양변이 양수라서 제곱해도 부등호 방향은 그대로다. 가상 음료 공정에서 σ=8\sigma=8mL일 때, 95% 오차한계를 1mL 이하로 하고 싶다고 하자.

n≥(1.96×81)2=15.682=245.8624.(7)n\ge\left(\frac{1.96\times8}{1}\right)^2=15.68^2=245.8624.\tag{7}

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 l=2El=2E이므로 같은 답이다.

그림 3에서 95% 곡선은 n=64n=64에서 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.

모표준편차 8mL일 때 오차한계 E=z_cσ/√ n을 표본 크기 n에 따라 그렸다. 95% 곡선(계수 1.96)은 E=1 선과 약 245.9에서 만나 최소 246병이 필요하고, 99% 곡선(계수 2.576)은 약 424.7에서 만나 425병이 필요하다.
그림 3 모표준편차 8mL일 때 오차한계 E=zcσ/nE=z_c\sigma/\sqrt n을 표본 크기 nn에 따라 그렸다. 95% 곡선(계수 1.96)은 E=1E=1 선과 약 245.9에서 만나 최소 246병이 필요하고, 99% 곡선(계수 2.576)은 약 424.7에서 만나 425병이 필요하다. figures/sample_size_width.py

신뢰도를 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 μ\mu는 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 N(500,82)N(500,8^2)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 xˉ2\bar x_2처럼 표본평균이 501.96보다 크게 나온 경우다.

마침 95%이지만 40번마다 반드시 38개가 포함되는 것은 아니다. 한 모의실험이 일반적인 포함 확률의 증명을 대신하지도 않는다.

각 가로 선분은 가상 정규모집단 N(500,64)에서 64개씩 뽑아 만든 95% 구간이다. 세로 점선은 고정된 모평균 500이며 파란 38구간은 이를 포함하고 주황 2구간은 놓친다. 세로축은 반복 번호다. 구간은 움직이고 모평균은 고정되어 있음을 보여 주는 40회 모의실험이다.
그림 4 각 가로 선분은 가상 정규모집단 N(500,64)N(500,64)에서 64개씩 뽑아 만든 95% 구간이다. 세로 점선은 고정된 모평균 500이며 파란 38구간은 이를 포함하고 주황 2구간은 놓친다. 세로축은 반복 번호다. 구간은 움직이고 모평균은 고정되어 있음을 보여 주는 40회 모의실험이다. figures/mean_coverage.py

모평균이 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 σ\sigma도 모르는 경우가 많다. 표본에서 계산한 ss로 대신한 xˉ±1.96s/n\bar x\pm1.96s/\sqrt n은 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 σ\sigma를 모르는 새 공정에서 100병을 재어 xˉ=501.4\bar x=501.4mL, s=6s=6mL를 얻었다고 하자. 표본이 크므로 ss를 대입해 근사 구간을 만든다.

501.4±1.96×6100=501.4±1.176⟹[500.224, 502.576].(8)501.4\pm1.96\times\frac{6}{\sqrt{100}} =501.4\pm1.176 \quad\Longrightarrow\quad[500.224,\ 502.576].\tag{8}

식 (8)은 식 (5)와 달리 근사 결과이므로, 보고할 때 ss를 대입했다는 사실을 함께 적는다. 작은 정규표본에서 ss를 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. σ\sigma가 알려진 근거가 없다면 ZMeanEstimate의 두 번째 칸에 단순히 ss를 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.

핵심

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. 64=8\sqrt{64}=8을 넣어야 단위와 표준오차가 맞는다.
  • 표본 크기를 두 배로 하면 신뢰구간의 길이도 절반이 된다. — 식 (4)에서 길이는 1/n1/\sqrt n에 비례하므로 두 배로는 약 0.707배다. 절반이 되려면 그림 2의 64병과 256병처럼 네 배가 필요하다.

직접 해보기

  1. 독립 정규표본에서 σ=12\sigma=12, n=36n=36, xˉ=101\bar x=101이다. zc=1.96z_c=1.96으로 95% 신뢰구간을 구하자.
  2. 같은 관측 평균과 σ,n\sigma,n에서 99% 구간을 만든다. zc=2.576z_c=2.576으로 폭이 어떻게 달라지는지 계산하자.
  3. σ=12\sigma=12인 정규모집단에서 95% 신뢰구간의 오차한계를 2 이하로 하려면 표본 크기는 최소 얼마여야 하는가?
  4. σ=10\sigma=10인 정규모집단에서 크기 nn의 표본으로 만든 95% 신뢰구간이 [48.04,51.96][48.04,51.96]이었다. 표본평균과 nn을 구하자.
  5. 정규모집단에서 9개를 뽑았고 모표준편차는 모르며 표본표준편차가 6이다. xˉ±1.96×6/3\bar x\pm1.96\times6/3을 정확한 95% 구간이라고 보고해도 되는지 설명하자.
답과 풀이
  1. 표준오차는 12/6=212/6=2, 오차한계는 1.96×2=3.921.96\times2=3.92다. 구간은 [101−3.92,101+3.92]=[97.08,104.92][101-3.92,101+3.92]=[97.08,104.92]이다.
  2. 오차한계는 2.576×2=5.1522.576\times2=5.152이고 구간은 [95.848,106.152][95.848,106.152]다. 폭은 7.84에서 10.304로 넓어진다.
  3. 식 (6)에서 n≥(1.96×12/2)2=11.762=138.2976n\ge(1.96\times12/2)^2=11.76^2=138.2976이다. 자연수로 올림하여 최소 139다. 138이면 오차한계가 1.96×12/138≈2.0021.96\times12/\sqrt{138}\approx2.002로 2를 넘는다.
  4. 가운데 (48.04+51.96)/2=50(48.04+51.96)/2=50이 표본평균이고, 길이의 절반 1.96이 오차한계다. 1.96×10/n=1.961.96\times10/\sqrt n=1.96에서 n=10\sqrt n=10, 즉 n=100n=100이다.
  5. 안 된다. 알고 있는 값은 σ\sigma가 아니라 ss이고 표본도 작다. 작은 정규표본의 정확한 구간에는 t분포를 사용하는 별도 방법이 필요하다.

더 읽기

영상 노트

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

이 페이지의 기록
  1. 2026-11-16 · 에이전트 초안 — 교과 정의·일반 근거·예제·그림·새 연습과 접힌 풀이 작성
  2. 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)
  3. 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림