직관 — 평균 하나를 만들기 위해 여러 번 뽑는다
상자에서 카드 두 장을 뽑아 숫자의 평균을 적는다. 카드를 모두 되돌려 넣고 같은 일을 반복하면 적힌 평균도 바뀐다. 이번에는 카드 한 장의 숫자 대신 종이에 모인 평균들의 퍼짐을 살펴보자.
모집단과 표본에서 표본을 바꾸면 평균도 달라질 수 있음을 보았다. 표본을 뽑기 전에는 표본평균도 값을 아직 모르는 확률변수다. 한 표본 안의 자료가 퍼진 정도와 여러 표본평균이 퍼진 정도는 서로 다르다.
표본평균은 표본의 값들을 더해 크기로 나눈 확률변수다
같은 모집단에서 독립적으로 뽑은 개의 확률변수를 이라 하자. 각 변수의 평균은 , 분산은 유한한 이고 이다. 표본평균을 로 정의한다.
표본을 실제로 뽑아 을 관측했다면 그 평균은 소문자 로 쓴다. 는 가능한 모든 표본을 생각할 때의 변수이고, 는 이번에 관측한 수 한 개다. 표본평균의 가능한 값과 확률을 모은 것이 표본평균의 분포다.
| 기호 | 이름 | 원어 | 뜻 |
|---|---|---|---|
| 모평균·모분산 | population mean, variance | 원래 모집단 분포의 평균·분산 | |
| 표본의 크기 | sample size | 평균 하나에 들어가는 관측 수 | |
| 표본평균 | sample mean | 표본을 뽑기 전의 확률변수 | |
| 표본평균의 관측값 | observed sample mean | 이번 표본에서 계산한 값 | |
| 표본평균의 표준편차(표준오차) | standard error | 여러 표본평균 분포의 표준편차 | |
| 표본분산·표본표준편차 | sample variance, sample SD | 아래 식 (8)로 계산하는 통계량의 관측값 |
교과서는 모평균·모분산·모표준편차를 로 쓰고 처럼 적는다. 이 페이지의 가 이다. 교과서의 표본분산·표본표준편차 는 표본을 뽑기 전의 확률변수이고, 이 페이지의 소문자 는 관측 자료로 계산한 값이다. 을 교과서는 ‘표본평균의 표준편차’ 라 부른다.
작은 모집단에서는 가능한 표본을 전부 셀 수 있다
숫자 이 적힌 세 카드에서 한 장씩 복원하여 독립적으로 두 번 뽑는다. 각 카드의 선택 확률은 이므로 순서 있는 표본은 9가지이며 각각 확률 이다. 는 서로 다른 표본이지만 평균은 모두 4다.
| 2 | 3 | 4 | 5 | 6 | |
|---|---|---|---|---|---|
| 해당 표본 수 | 1 | 2 | 3 | 2 | 1 |
| 확률 |
원래 카드의 평균은 4, 분산은 이다. 위 표를 확률에 따른 가중평균으로 계산하면 다음과 같다.
그림 1은 표본평균이 가운데에 더 모이는 모습을 보여 준다. 표본평균의 분포는 원래 카드의 균등분포와 모양이 다르다. 중심 4는 그대로이고 분산만 에서 으로 줄었다.
figures/mean_distribution.py가운데가 높은 이유는 그림 2의 격자에서 보인다. 양 끝 평균 2와 6은 같은 끝 카드를 두 번 뽑는 한 칸뿐이다. 평균 4는 세 칸에서 나온다. 같은 평균을 내는 칸은 오른쪽 위로 비스듬히 한 줄에 놓인다.
figures/mean_pairs_grid.py표본을 복원하지 않아도 표본평균의 분산 공식이 같은가?
유한 모집단에서 비복원추출하면 달라진다. 그림 2에서 대각선 세 칸을 빼면 남은 6칸의 평균은 가 각각 두 칸, 곧 확률 씩이고 분산은 이다. 식 (2)의 과 다르다. 모집단이 표본보다 매우 클 때만 복원추출 모형으로 근사한다.
표본평균의 표준편차는 왜 표본 크기의 제곱근으로 나눌까?
같은 평균 를 가진 개의 값을 평균내므로 기댓값도 다. 독립인 변수들을 더하면 분산은 더해지고, 확률변수에 을 곱하면 분산에는 이 곱해진다. 두 사실을 식 (1)에 적용한다.
카드 예에 넣으면 으로 식 (2)와 같다. 분산의 덧셈에서 독립 조건은 중요하다. 중심을 뺀 합을 제곱하면 제곱항과 서로 다른 변수의 곱이 생긴다. 독립이면 서로 다른 두 중심 편차의 곱의 기댓값은 이어서 제곱항의 기댓값, 즉 분산들만 남는다.
표본평균의 표준편차를 표준오차라고도 부른다. 오차를 이번 한 번 정확히 측정한 값이 아니라, 표본을 반복할 때 평균이 흔들리는 정도다. 을 4배로 하면 표준오차는 절반이지만 원래 개별 자료의 표준편차 가 절반이 되는 것은 아니다.
정규모집단이면 표본평균도 정규분포를 따른다
독립적으로 뽑은 각 가 같은 정규분포 를 따르면, 정규변수의 합도 정규분포라는 성질에 의해 표본평균은 다음 분포를 따른다. 여기서 의 두 번째 자리는 분산이다.
예를 들어 에서 뽑으면 일 때 표준오차는 , 일 때는 이다. 따라서 표본평균의 분포는 각각 , 이다. 그림 3에서 중심은 같고 퍼짐만 달라진다.
figures/mean_precision.py모집단이 정규분포가 아니더라도 독립·동일분포이고 분산이 양수이며 유한하면, 표본 크기가 충분히 클 때 평균을 정규분포로 근사하는 중심극한정리를 쓸 수 있다. 흔히 30을 어림 기준으로 말하지만 필요한 크기는 원래 분포의 치우침 등에 달려 있다. 작은 카드 예의 다섯 값 분포는 정규분포가 아니며, 평균을 냈다는 이유만으로 식 (4)를 정확한 등식처럼 쓰지 않는다.
표본평균이 어떤 값 이상일 확률은 어떻게 구할까?
표본평균을 그 평균과 표준편차로 표준화해 표준정규분포표를 읽는다. 식 (4)에서 의 평균은 , 표준편차는 이므로 다음 가 표준정규분포 을 따른다.
에서 9개를 뽑을 때 표본평균이 53 이상일 확률을 구하자. 분모는 6이 아니라 표준오차 다.
같은 경계에서 개별값 하나가 53 이상일 확률은 다. 그림 4처럼 같은 53이어도 표본평균은 개별값보다 훨씬 드물게 넘는다. 이면 경계가 으로 바뀌어 확률이 까지 줄어든다.
figures/mean_tail.py표본분산의 분모는 왜 하나 작아질까?
관측 자료 자체의 퍼짐을 기술할 때는 중등 과정처럼 편차제곱합을 으로 나눌 수 있다. 모집단 분산을 추정하는 표본분산은 이 글에서 일 때 아래와 같이 정의하고, 제곱근을 표본표준편차라 한다.
같은 표본에서 정한 를 중심으로 재면, 모평균 를 중심으로 잰 것보다 편차제곱합이 작거나 같다. 독립·동일분포 표본에서 그 합의 기댓값은 다. 따라서 로 나누면 반복 표본에서 평균적으로 모분산에 맞는다. 자체가 모표준편차의 불편추정량이라는 뜻까지는 아니다.
보정의 계산 근거
중심을 옮겨 전개하면 다음 항등식을 얻는다. 이어서 교차항이 사라진다.
식 (9)의 양변에 기댓값을 취하면 오른쪽 첫 합은 , 둘째 항은 식 (3)에 따라 다. 따라서 왼쪽 합의 기댓값은 이고, 로 나눈 표본분산의 기댓값은 가 된다.
가령 자료가 이면 평균은 5, 편차제곱합은 이다. 자료 자체의 분산은 , 식 (8)의 표본분산은 , 표본표준편차는 이다. GeoGebra의 Variance({2,4,9})와 SampleVariance({2,4,9})에 각각 입력해 와 13을 비교할 수 있다.
표본표준편차와 표준오차는 같은 값인가?
다르다. 는 한 표본 안의 개별 자료의 퍼짐으로 모표준편차를 추정한다. 독립·동일분포 모형에서 평균의 표준오차를 추정하려면 을 쓴다. 자료 에서는 두 값이 과 으로 다르다.
표본 수를 늘릴 때마다 이번 평균은 더 정확해지는가?
한 번의 표본평균 오차가 매 단계 작아진다는 보장은 없다. 카드 2·4·6에서 첫 장이 4면 평균의 오차는 0이지만, 둘째 장이 6이면 평균이 5가 되어 오차가 1로 커진다. 식 (3)이 줄인 것은 가능한 표본평균 전체의 분산이다.
같은 모집단에서 독립적으로 뽑은 표본평균은 평균이 , 분산이 이다. 정규모집단이면 그 분포도 정규분포이므로 표준오차 으로 표준화해 확률을 구하며, 개별 자료의 퍼짐과 평균의 퍼짐을 구별한다.
표본평균의 분포에서 흔히 생기는 오해
- 100번 반복 실험했으니 식 (3)의 은 100이다. — 두 장 평균을 100번 기록했다면 표본의 크기는 2다. 반복 횟수는 분포를 관찰한 횟수다.
- 표본 크기가 커지면 개별 카드도 평균 근처 값만 나온다. — 원래 카드 분포는 바뀌지 않는다. 그림 1에서 바뀐 것은 두 장을 평균한 값의 분포다.
- 표본평균을 표준화할 때도 모표준편차 로 나눈다. — 식 (6)의 분모는 다. 6으로 나누면 개별값의 확률 0.3085가 나와 표본평균의 확률 0.0668과 크게 어긋난다.
직접 해보기
- 카드 를 같은 확률로 복원하여 독립적으로 두 번 뽑는다. 평균의 가능한 값과 확률, 그 평균·분산을 구하자.
- 정규모집단 에서 독립적으로 16개를 뽑는다. 표본평균의 분포와 표준오차를 구하고, 를 이용해 을 구하자.
- 같은 모집단에서 평균의 표준오차를 기존의 로 줄이려면 표본 크기를 몇 배로 해야 하는가?
- 자료 의 평균, 편차제곱합, 식 (8)의 표본분산을 구하자. 자료 자체의 분산과도 비교하자.
- 모집단의 확률분포가 , , 이다. 크기 4인 표본을 임의추출할 때 , , 을 구하자.
답과 풀이
- 네 표본 의 평균은 다. 확률은 이고 평균은 3이다. 분산은 다. 원래 분산 4를 표본 크기 2로 나눈 값과 같다.
- 표준오차는 이고 분산은 9다. 표본평균은 를 따른다. 이다.
- 이므로 9배로 한다. 여기서는 을 가정한다.
- 평균은 , 편차제곱합은 다. 표본분산은 , 자료 자체의 분산은 다.
- 모평균은 , 이므로 모분산은 다. , 이다. 에서 다.
더 읽기
- OpenStax, Introductory Statistics 2e 7.1절 — 표본평균의 표준오차와 표본 크기·반복 횟수의 구별을 읽는다. 이 자료의 정규분포 표기는 둘째 자리에 표준편차를 쓰므로, 둘째 자리에 분산을 쓰는 이 글과 구별한다.
- GeoGebra, SampleVariance 명령 — 실제 관측 자료에서 표본분산을 계산하는 명령과 예를 확인한다.
영상 노트
- 00:00 같은 크기로 표본을 다시 뽑는 뜻, 교과서 기호 m·S²·S
- 00:50 식 (1)과 그림 1에서 카드 평균의 분포 구성
- 01:50 그림 2의 격자에서 평균 4가 세 칸인 이유와 비복원 비교
- 02:50 식 (2)·(3)에서 가중평균과 분산 확인
- 03:50 식 (4), 그림 3으로 정규모집단의 표준오차 비교
- 04:50 식 (5)~(7)과 그림 4로 표본평균의 확률을 개별값과 비교
- 06:00 식 (8)·(9)에서 표본분산의 분모 설명
- 07:10 새 연습으로 자료의 퍼짐과 평균의 퍼짐 구별
지도에서의 위치
- 2026-11-16 · 에이전트 초안 — 교과 정의·일반 근거·예제·그림·새 연습과 접힌 풀이 작성
- 2026-11-16 · 독립 검수 개선 — 양의 분산 조건과 편차제곱합의 등호 경계 명시 (에이전트 수정)
- 2026-11-17 · 전수 검수 반영 — 교과서 기호 m·S²·S 연결, 순서쌍 격자로 비복원 비교, 표준화로 표본평균의 확률 구하기와 개별값 비교 절 추가, 질문 답에 수치, 해보기 5문항 (에이전트 수정, 그림 2→4)
- 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림