직관 — 보고서의 계산은 질문에 답해야 한다
저울에 올릴 대상을 바꾸면 같은 숫자도 뜻이 달라진다. 통계에서도 누구의 무엇을 어느 조건에서 재는지 먼저 정한다. 계산이 끝나면 처음 질문에 실제로 답했는지 되돌아본다.
측정 대상은 모집단, 재는 양은 변수에 대응한다. 이 글의 주입량은 설명을 위해 만든 합성 자료이며 실제 장치에서 잰 기록이 아니다. 같은 분석을 재현한 뒤 자기 조사의 수집 계획으로 옮기는 것이 목표다.
통계 탐구 수행은 질문에서 의사 결정까지 다섯 단계를 잇는다
통계 탐구 수행은 변이성이 있는 질문을 정하고, 그 질문에 맞게 자료를 수집·정리·분석한 뒤 결론과 행동을 정하는 과정이다. 계산법을 고르는 일뿐 아니라 자료가 만들어진 과정과 결론의 한계까지 포함한다.
이 글은 통계적 탐구의 네 단계(문제 설정·수집·분석·해석)를 다섯 단계로 나눈다. 수집을 판단 기준까지 미리 적는 계획과 실제 수집으로 가르고, 해석을 결과에 따라 행동을 정하는 결정까지 잇는다. 자료 정리는 분석 단계에서 계산과 함께 한다. 그림 1은 질문·계획·수집·분석·결정에 이 글의 숫자를 채운 것이다.
figures/inquiry_steps.py통계 탐구 주제는 어떤 질문으로 정해야 할까?
통계 탐구 주제는 값이 회차·사람마다 달라져 여러 자료로 답해야 하는 질문으로 정한다. ‘첫 회 주입량은 몇 mL인가?’는 한 번 재면 끝나지만, ‘평균 주입량이 500mL와 다른가?’는 10회의 흩어짐까지 봐야 답할 수 있다. 질문 문장에 대상·변수·단위·비교 기준을 넣는다.
통계 탐구는 분석 전에 무엇을 정해 두어야 할까?
질문·모집단·표본틀·추출 방법·변수와 단위·판단 기준을 자료를 보기 전에 적는다. 결과를 본 뒤에 바꾸면 처음 정한 유의수준의 뜻이 사라지기 때문이다. 아래 표의 가운데 열이 이 글의 계획이고, 오른쪽 열은 사람을 조사하는 탐구로 옮길 때의 예다.
| 정할 항목 | 이 글의 계획(주입량) | 사람을 조사할 때(예: 통학 시간) |
|---|---|---|
| 질문 | 평균 주입량이 500mL와 다른가? | 2학년의 평균 통학 시간이 30분과 다른가? |
| 모집단 | 고정 설정에서 반복할 때 생기는 주입량 | 이 학교 2학년 학생 전체 |
| 표본틀 | 하루 오전에 예정한 100회의 번호 1~100 | 2학년 명부의 번호 |
| 추출 | 번호 10개를 단순임의추출 | 명부 번호에서 단순임의추출 |
| 변수·단위 | 주입량, mL(눈금 1mL) | 집에서 교문까지 걸린 시간, 분 |
| 측정·동의 | 매회 같은 준비 절차, 장치 사용 허락 | 목적·익명 처리·거부할 권리를 알린 뒤 동의, 이름은 받지 않음 |
| 판단 기준 | 양측검정, 유의수준 0.05, 허용 차이 6mL | 질문에 맞는 방법과 기준을 미리 적음 |
| 기록 | 날짜·순서·설정·교정 확인·누락 이유 | 미응답 수와 이유, 원래 응답 |
표본틀은 실제로 번호를 붙여 추출에 쓰는 목록이다. 명부에 없는 학생은 처음부터 뽑힐 수 없으므로 표본틀이 모집단을 빠짐없이 덮는지 먼저 본다. 수집 방법과 문항 만들기는 자료 수집 설계에서 다룬다. 누락이 생겨도 원하는 결과가 나올 때까지 다시 재어 값을 바꾸지 않고, 원인과 미리 정한 처리 방법을 남긴다.
분석은 주입량들이 같은 평균·분산의 정규분포에서 서로 독립적으로 나온다는 모형을 쓴다. 그래서 추정 대상은 뽑힌 10회나 예정한 100회의 평균이 아니라 그 반복 과정의 평균 다. 100회 중에서 무작위로 뽑는 것은 편한 시간만 재는 일을 막는 장치다. 설정이 바뀌거나 시간에 따라 값이 흘러가면 이 모형이 맞지 않는다.
통계 탐구에서 결측값은 0으로 넣어도 될까?
아니다. 측정 누락은 실제 주입량 0mL와 다르다. 첫 값 503을 0으로 바꾸면 평균이 452.7mL로 떨어진다. 누락 이유와 분석에 쓴 표본 수를 밝히고 미리 정한 처리 방법을 적용한다.
원자료 열 개를 모두 공개한다
다음 표는 뽑힌 예정 회차 에 합성 값을 대응시킨 원자료다. 회차 번호는 아래 코드의 난수 시드 29로 재현된다. 실제 조사에서는 관측값을 보기 전에 추출을 끝내고, 마음에 드는 표본을 얻으려고 시드를 바꾸지 않는다.
| 예정 회차 | 합성 주입량 (mL) |
|---|---|
| 5 | 503 |
| 13 | 497 |
| 22 | 506 |
| 26 | 501 |
| 48 | 509 |
| 50 | 502 |
| 56 | 504 |
| 57 | 500 |
| 64 | 505 |
| 86 | 503 |
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| 표본 크기 | sample size | 분석에 쓴 측정값 수, 여기서는 10 | |
| 예정 회차 | run number | 표본틀 1~100에서 뽑힌 번호 | |
| 측정값 | observation | 표의 위에서 번째 주입량(mL), | |
| 표본평균, 표본표준편차 | sample mean, sample standard deviation | 합을 으로 나눈 값, 분모 로 구한 표준편차 | |
| 모평균, 기준 모평균 | population mean, hypothesized mean | 반복 과정의 평균 주입량, 비교 기준 500mL | |
| 임계값, 관측 t값 | critical value, observed t | 자유도 9인 t분포에서 누적 넓이 0.975의 경계, 평균의 차이를 표준오차로 나눈 값 | |
| 허용 차이 | tolerance | 행동을 바꿀 만큼 크다고 미리 정한 평균의 차이, 6mL | |
| 유의수준, p값 | significance level, p-value | 미리 정한 기각 기준 0.05, 자료로 구한 꼬리 확률 |
그림 2는 뽑힌 회차 순서대로 값을 찍은 것이다. 크기순으로 정렬해 시간순인 것처럼 그리지 않는다. 앞 다섯 회의 평균은 503.2mL, 뒤 다섯 회는 502.8mL로 0.4mL 차이다. 이 열 개에서는 회차가 지날수록 커지거나 작아지는 뚜렷한 흐름이 보이지 않지만, 이것으로 독립성을 증명하지는 못한다.
figures/observed_fill_volumes.py통계 탐구의 자료 정리는 분포에서 무엇을 확인할까?
크기순으로 놓으면 497, 500, 501, 502, 503, 503, 504, 505, 506, 509다. 가운데 두 값이 모두 503이므로 중앙값은 503mL이고 평균과 같다. 상자그림의 관례대로 아래 다섯 값의 중앙값 501이 , 위 다섯 값의 중앙값 505가 이다.
사분위범위의 1.5배를 사분위수에 더하고 빼면 이상값을 찾는 울타리가 된다.
그림 3에서 열 값은 모두 울타리 495와 511 사이에 있다. 이 기준으로 따로 표시할 이상값은 없다. 울타리 밖 값이 나오면 지우지 않고 원래 기록부터 확인하며, 그 과정은 통계 탐구의 성찰에서 실제 수로 따라간다.
figures/fill_dot_box.py평균과 불확실성은 어떻게 계산할까?
합은 5030mL이므로 평균은 5030/10 = 503mL다. 각 값에서 평균을 뺀 편차는 표의 순서대로 0, −6, 3, −2, 6, −1, 1, −3, 2, 0이고, 그 제곱의 합은 100이다.
표본평균이 표본마다 흔들리는 정도는 표준오차 으로 잰다.
와 표준오차의 단위는 mL다. 여기의 은 모평균의 t신뢰구간에서 쓰는 추론용 분모다. 자료 자체의 흩어짐을 요약할 때 분모 으로 구한 분산과 바꾸어 넣지 않는다.
모표준편차를 모르므로 자유도 9인 t분포를 쓴다. 95% 신뢰구간의 임계값은 도구로 구한 다. 임계값과 표준오차를 반올림하지 않고 곱하면 오차범위가 나온다.
식 (4)를 표시한 2.2622와 1.0541로 다시 곱하면 2.3846이 되어 넷째 자리가 1 다르다. 중간값은 화면에 보일 때만 반올림하고 끝값은 반올림 전 값으로 계산했기 때문이다. 95%는 같은 모형에서 이 구간을 만드는 절차를 되풀이할 때 참 평균을 포함하는 비율이다. 이번에 구한 고정 구간에 평균이 있을 확률을 95%라고 새로 매긴 것은 아니다.
양측 검정 결과를 처음 질문으로 돌려보낸다
모평균 검정의 귀무가설은 , 대립가설은 이다. 차이 3mL를 식 (3)의 표준오차로 나눈다.
정한 모형과 유의수준에서 귀무가설을 기각한다. 평균이 500mL와 다르다는 통계적 근거가 있고, 평균의 추정값은 503mL다.
그림 4의 구간은 500mL를 포함하지 않는다. 같은 한 표본 t 방법의 95% 구간과 유의수준 0.05의 양측 검정을 썼으므로 두 판단이 맞는다. 다른 구간 방법이나 단측 검정을 섞어서 언제나 같은 판단을 한다고 말하지 않는다.
figures/fill_mean_interval.py같은 표를 도구로 끝까지 실행한다
아래 코드는 공개한 열 값·추출 번호·식 (2)부터 (7)까지를 한 번에 재현한다. ddof=1은 분산의 분모를 로 정하고, alternative="two-sided"는 미리 정한 양측 질문을 유지한다. SciPy의 실제 정의와 도구 결과를 대조했다.
import numpy as np
from scipy import stats
values = np.array([503, 497, 506, 501, 509, 502, 504, 500, 505, 503], dtype=float)
alpha = 0.05
rng = np.random.default_rng(29)
selected = np.sort(rng.choice(np.arange(1, 101), 10, replace=False))
n = len(values)
mean = values.mean()
s = values.std(ddof=1)
se = s / np.sqrt(n)
# 식 (6), 식 (7): 표준오차로 나눈 차이와 양측 p값
result = stats.ttest_1samp(values, popmean=500, alternative="two-sided")
ci = result.confidence_interval(confidence_level=1 - alpha)
print("selected =", selected.tolist())
print(f"n = {n}, mean = {mean:.6f}, s = {s:.6f}, SE = {se:.6f}")
print(f"t = {result.statistic:.6f}, df = {result.df:.0f}, p = {result.pvalue:.6f}")
print(f"95% CI = [{ci.low:.6f}, {ci.high:.6f}]")
print("reject H0 =", bool(result.pvalue < alpha))$ python investigation.py
selected = [5, 13, 22, 26, 48, 50, 56, 57, 64, 86]
n = 10, mean = 503.000000, s = 3.333333, SE = 1.054093
t = 2.846050, df = 9, p = 0.019213
95% CI = [500.615477, 505.384523]
reject H0 = True실행 결과는 평균 503, 표본표준편차 3.333333, t값 2.846050, p값 0.019213, 구간 [500.615477, 505.384523]이다. 손계산의 식 (5)~(7)과 끝자리까지 맞는다. 코드가 같은 숫자를 내도 합성 자료는 합성 자료이므로 실제 수집과 구별해 보고한다.
통계 탐구에서 p값이 작으면 설정을 바로 바꿔야 할까?
아니다. 유의하다는 판정은 평균이 500mL와 다르다는 근거일 뿐이고, 그 차이가 행동이 필요할 만큼 큰지는 미리 정한 실질적 기준과 비교해야 안다. 이 글의 계획은 평균이 500mL에서 허용 차이 mL 넘게 벗어나면 설정을 조정하기로 정했다.
판단 규칙은 세 갈래다. 95% 구간 전체가 494~506mL 안이면 설정을 유지한다. 구간 전체가 그 밖이면 조정한다. 구간이 경계에 걸치면 판단을 보류하고, 표본 크기를 미리 정한 새 표본으로 다시 조사한다.
식 (8)에 따라 이번 결정은 설정 유지다. 평균이 500mL와 다르다는 판정과, 그 차이가 허용 범위 안이라는 판단을 함께 보고한다. 그림 5의 B(평균 507)와 C(평균 510)는 흩어짐이 같은 가상 결과다. 세 경우 모두 p값은 0.05보다 작지만 결정은 유지·보류·조정으로 갈린다.
figures/tolerance_decision.py허용 차이는 자료를 보기 전에 정한다. 만약 처음에 로 정했다면 구간의 위 끝 505.38이 경계 505를 넘어 '걸침'이 된다. 구간을 본 뒤 5를 6으로 바꿔 '유지'에 맞추면 판단 규칙이 아니라 결과에 맞춘 설명이 된다.
한 장 보고서로 결론을 완성한다
질문·자료: 같은 설정의 평균 주입량이 500mL와 다른지 살폈다. 예정한 100회에서 무작위로 뽑은 10회의 합성 값을 썼다.
방법·결과: 독립·정규 모형에서 한 표본 t 방법을 적용했다. 평균 503mL, 95% 구간 [500.62, 505.38]mL, 양측 p값 0.01921로 유의수준 0.05에서 귀무가설을 기각했다.
결정: 평균은 500mL와 다르지만 그 차이는 미리 정한 허용 범위 494~506mL 안에 있으므로 설정을 유지한다.
한계·다음 행동: 실제 장치 측정과 교정 확인을 하지 않았으므로 실제 성능 판정으로 일반화하지 않는다. 실제 탐구에서는 교정을 확인하고 같은 절차로 새 자료를 모은다. 설정이 달라진 시간대가 있으면 한 평균으로 합치지 않는다.
직접 수집했다면 합성 표를 그 원자료로 바꾸고 날짜·추출 절차·누락·가정 점검·코드 결과를 다시 기록한다. 다음 통계 탐구의 성찰에서 이 보고서를 동료의 눈으로 점검한다.
통계 탐구 수행에서 작은 p값은 평균이 기준과 다르다는 근거일 뿐이며, 행동은 미리 정한 허용 차이와 신뢰구간을 비교해 정하고 그 바탕인 계획·원자료·계산을 모두 공개한다.
통계 탐구에서 점들이 대칭이면 정규분포라고 확정할까?
아니다. 작은 표본의 대칭적인 모양만으로 모집단이 정규분포라고 확정할 수 없다. 이 예는 평균과 중앙값이 모두 503이지만 값은 열 개뿐이다. t 결과는 독립·정규 모형을 가정한 계산이며, 실제 수집에서는 측정 과정과 다른 자료로 가정이 알맞은지 검토한다.
통계 탐구의 신뢰구간은 측정값 95%가 들어가는 곳일까?
아니다. 통계 탐구의 t 신뢰구간은 모평균을 추정하는 구간이다. 열 값에는 497mL와 509mL처럼 구간 [500.62, 505.38] 밖의 값도 있지만, 평균의 구간이므로 모순이 아니다.
통계 탐구 수행의 흔한 오해
- p값 0.01921은 귀무가설이 참일 확률이다 — p값은 귀무가설과 모형 아래에서 지금만큼 또는 더 극단적인 검정 결과가 나올 확률이다. 가설 자체의 확률로 바꾸어 읽지 않는다.
- 유의한 결과가 나올 때까지 몇 번 더 재면 된다 — 중간 결과를 보고 표본 크기를 바꾸는 절차는 처음 정한 표본 10개·유의수준 0.05의 분석과 다르다. 표본 크기와 분석 시점을 미리 정하고 바꾼 이유를 공개한다.
직접 해보기
- 새 가상 자료 8, 9, 10, 11, 12에서 평균이 10과 다른지 같은 양측 t 방법으로 검정한다. 표본평균·표본분산·t값을 구하고 p값 1을 해석하라.
- 별도 가상 실험에서 이 글의 열 값에 모두 1mL를 더했다. 새 평균, 표본표준편차, , 양측 , 95% 구간은 어떻게 되는가?
- 이 글의 질문을 처음부터 ‘평균이 500mL보다 큰가?’로 정했다면 단측 p값은 얼마인가? 결과를 본 뒤 단측으로 바꾸면 무엇이 문제인가?
- 이 글의 자료와 구간은 그대로이고 미리 정한 허용 차이만 mL였다면 결정은 무엇인가?
- 자신의 조사에서 같은 장치의 오전 자료와 설정을 바꾼 오후 자료를 구별 없이 합쳤다. 가장 먼저 고칠 것은 무엇인가?
답
- 평균은 10, 편차제곱합은 이다. 표본분산은 이고 t값은 0이다. 양측 p값이 1이므로 귀무가설을 기각하지 않지만, 모평균이 정확히 10임을 증명한 것은 아니다.
- 평균은 504mL로 1만큼 커지고, 편차는 그대로여서 편차제곱합 100과 표본표준편차 mL는 같다. 표준오차도 그대로이므로 , 양측 다. 구간은 1만큼 옮겨 약 [501.62, 506.38]mL다.
- 가 양수이므로 단측 p값은 양측의 절반인 약 0.00961이다. 하지만 방향은 자료를 보기 전에 정해야 한다. 양측 결과를 보고 더 작은 p값을 얻으려고 단측으로 바꾸면 유의수준 0.05의 뜻이 유지되지 않는다.
- 허용 범위는 498~502mL다. 구간 [500.62, 505.38]은 아래쪽은 범위 안, 위쪽은 502를 넘으므로 경계에 걸친다. 규칙에 따라 판단을 보류하고, 표본 크기를 미리 정한 새 표본으로 다시 조사한다.
- 같은 평균·분산의 반복 과정이라는 가정과 대상 정의부터 확인한다. 설정 구분을 되살리고 어떤 조건의 평균을 알고 싶은지 질문과 수집 계획을 다시 정한다. 표본 수가 커졌다고 같은 모형이 되는 것은 아니다.
더 읽기
- 실용 통계 공식 공개 교과서 — 김동재 외, 천재교육 2022 개정 공개 견본 120–123쪽. 질문·수집·분석·해석을 잇는 탐구 순서의 근거이며, 이 글의 합성 값은 교과서 자료와 별개다.
- Confidence Limits for the Mean — NIST/SEMATECH. 식 (5)의 t 구간과 신뢰수준 해석을 확인한다.
- ttest_1samp — SciPy. 양측 검정과 그에 대응하는 평균 구간을 실제 실행한 도구다.
- Ethical Guidelines for Statistical Practice — American Statistical Association, 2022, 원칙 B·D. 자료 출처·가정·계획 변경 공개와 필요한 정보만 수집하는 태도의 근거다.
영상 노트
- 00:00 합성 분석과 실제 수집을 구별하고 그림 1의 다섯 단계를 훑는다.
- 01:00 계획 표에서 표본틀·동의·허용 차이를 자료 전에 정한다.
- 02:30 원자료를 회차 순서(그림 2)와 크기 순서(그림 3, 식 (1))로 정리한다.
- 04:00 식 (2)부터 (5)까지 표준오차와 95% 구간을 손으로 계산하고 반올림 차이를 짚는다.
- 05:30 식 (6)·(7)의 양측 검정을 도구 출력과 맞춘다.
- 07:00 식 (8)과 그림 5로 유지·보류·조정을 가르고 한 장 보고서를 읽는다.
지도에서의 위치
- 2026-11-16 · 에이전트 초안 — 합성 자료·실제 도구 실행·해석과 성찰 작성
- 2026-11-17 · 전수 검수 반영 — 다섯 단계 흐름(질문·계획·수집·분석·결정으로 이름 통일), 사람 조사용 계획 열, 자료 정리(사분위수·울타리)와 순서 점검, 허용 차이에 따른 의사 결정(경계에 걸치면 보류 후 새 표본), 식 단계 분리와 기호 정리(회차 r·임계값 c), 반올림 주의, 해보기 5문항 (에이전트 수정, 그림 2→5)
- 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림