확률·통계표본평균의 분포#258

표본평균의 분포

Sampling Distribution of the Mean

표본평균의 분포는 같은 크기의 표본을 반복해서 뽑을 때 가능한 평균과 그 확률을 나타낸 것이다. 독립적으로 같은 모집단에서 뽑으면 표본평균의 평균은 모평균이고 분산은 모분산을 표본 크기로 나눈 값이다. 정규모집단에서는 표본평균도 정규분포를 따르므로 표준화해 확률을 구한다.

읽는 시간
약 7분
선수 개념
모집단과 표본정규분포기댓값

직관 — 평균 하나를 만들기 위해 여러 번 뽑는다

직관

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 nn개의 확률변수를 X1,…,XnX_1,\ldots,X_n이라 하자. 각 변수의 평균은 μ\mu, 분산은 유한한 σ2\sigma^2이고 n≥1n\ge1이다. 표본평균을 Xˉ\bar X로 정의한다.

Xˉ=X1+⋯+Xnn.(1)\bar X=\frac{X_1+\cdots+X_n}{n}.\tag{1}

표본을 실제로 뽑아 x1,…,xnx_1,\ldots,x_n을 관측했다면 그 평균은 소문자 xˉ\bar x로 쓴다. Xˉ\bar X는 가능한 모든 표본을 생각할 때의 변수이고, xˉ\bar x는 이번에 관측한 수 한 개다. 표본평균의 가능한 값과 확률을 모은 것이 표본평균의 분포다.

정의
기호이름원어뜻
μ,σ2\mu,\sigma^2모평균·모분산population mean, variance원래 모집단 분포의 평균·분산
nn표본의 크기sample size평균 하나에 들어가는 관측 수
Xˉ\bar X표본평균sample mean표본을 뽑기 전의 확률변수
xˉ\bar x표본평균의 관측값observed sample mean이번 표본에서 계산한 값
σ/n\sigma/\sqrt n표본평균의 표준편차(표준오차)standard error여러 표본평균 분포의 표준편차
s2,ss^2,s표본분산·표본표준편차sample variance, sample SD아래 식 (8)로 계산하는 통계량의 관측값

교과서는 모평균·모분산·모표준편차를 m,σ2,σm,\sigma^2,\sigma로 쓰고 E(Xˉ)=mE(\bar X)=m처럼 적는다. 이 페이지의 μ\mu가 mm이다. 교과서의 표본분산·표본표준편차 S2,SS^2,S는 표본을 뽑기 전의 확률변수이고, 이 페이지의 소문자 s2,ss^2,s는 관측 자료로 계산한 값이다. σ/n\sigma/\sqrt n을 교과서는 ‘표본평균의 표준편차’ σ(Xˉ)\sigma(\bar X)라 부른다.

작은 모집단에서는 가능한 표본을 전부 셀 수 있다

숫자 2,4,62,4,6이 적힌 세 카드에서 한 장씩 복원하여 독립적으로 두 번 뽑는다. 각 카드의 선택 확률은 1/31/3이므로 순서 있는 표본은 9가지이며 각각 확률 1/91/9이다. (2,6),(4,4),(6,2)(2,6),(4,4),(6,2)는 서로 다른 표본이지만 평균은 모두 4다.

Xˉ\bar X23456
해당 표본 수12321
확률1/91/92/92/93/93/92/92/91/91/9

원래 카드의 평균은 4, 분산은 (4+0+4)/3=8/3(4+0+4)/3=8/3이다. 위 표를 확률에 따른 가중평균으로 계산하면 다음과 같다.

E(Xˉ)=2+6+12+10+69=4,V(Xˉ)=4+2+0+2+49=43.(2)E(\bar X)=\frac{2+6+12+10+6}{9}=4, \qquad V(\bar X)=\frac{4+2+0+2+4}{9}=\frac43.\tag{2}

그림 1은 표본평균이 가운데에 더 모이는 모습을 보여 준다. 표본평균의 분포는 원래 카드의 균등분포와 모양이 다르다. 중심 4는 그대로이고 분산만 8/38/3에서 4/34/3으로 줄었다.

위는 카드 한 장의 값 2·4·6이 각각 확률 1/3인 모집단 분포다. 아래는 복원 독립추출 두 번의 평균 분포로, 막대 높이는 차례로 1/9,2/9,3/9,2/9,1/9다. 두 분포의 평균은 4지만 분산은 8/3에서 4/3으로 줄어든다.
그림 1 위는 카드 한 장의 값 2·4·6이 각각 확률 1/31/3인 모집단 분포다. 아래는 복원 독립추출 두 번의 평균 분포로, 막대 높이는 차례로 1/9,2/9,3/9,2/9,1/91/9,2/9,3/9,2/9,1/9다. 두 분포의 평균은 4지만 분산은 8/38/3에서 4/34/3으로 줄어든다. figures/mean_distribution.py

가운데가 높은 이유는 그림 2의 격자에서 보인다. 양 끝 평균 2와 6은 같은 끝 카드를 두 번 뽑는 한 칸뿐이다. 평균 4는 (2,6),(4,4),(6,2)(2,6),(4,4),(6,2) 세 칸에서 나온다. 같은 평균을 내는 칸은 오른쪽 위로 비스듬히 한 줄에 놓인다.

카드 2·4·6에서 두 장을 복원추출한 순서쌍 9칸과 각 칸의 평균이다. 행은 첫째 카드 X_1, 열은 둘째 카드 X_2다. 파란 세 칸이 평균 4이며, 점선으로 표시한 대각선 세 칸은 같은 카드를 두 번 뽑은 경우라 비복원추출에서는 빠진다.
그림 2 카드 2·4·6에서 두 장을 복원추출한 순서쌍 9칸과 각 칸의 평균이다. 행은 첫째 카드 X1X_1, 열은 둘째 카드 X2X_2다. 파란 세 칸이 평균 4이며, 점선으로 표시한 대각선 세 칸은 같은 카드를 두 번 뽑은 경우라 비복원추출에서는 빠진다. figures/mean_pairs_grid.py

표본을 복원하지 않아도 표본평균의 분산 공식이 같은가?

유한 모집단에서 비복원추출하면 달라진다. 그림 2에서 대각선 세 칸을 빼면 남은 6칸의 평균은 3,4,53,4,5가 각각 두 칸, 곧 확률 1/31/3씩이고 분산은 2/32/3이다. 식 (2)의 4/34/3과 다르다. 모집단이 표본보다 매우 클 때만 복원추출 모형으로 근사한다.

표본평균의 표준편차는 왜 표본 크기의 제곱근으로 나눌까?

같은 평균 μ\mu를 가진 nn개의 값을 평균내므로 기댓값도 μ\mu다. 독립인 변수들을 더하면 분산은 더해지고, 확률변수에 1/n1/n을 곱하면 분산에는 1/n21/n^2이 곱해진다. 두 사실을 식 (1)에 적용한다.

E(Xˉ)=nμn=μ,V(Xˉ)=nσ2n2=σ2n,σ(Xˉ)=σn.(3)E(\bar X)=\frac{n\mu}{n}=\mu,\qquad V(\bar X)=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}, \qquad \sigma(\bar X)=\frac{\sigma}{\sqrt n}.\tag{3}

카드 예에 넣으면 V(Xˉ)=(8/3)/2=4/3V(\bar X)=(8/3)/2=4/3으로 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 0×0=00\times0=0이어서 제곱항의 기댓값, 즉 분산들만 남는다.

표본평균의 표준편차를 표준오차라고도 부른다. 오차를 이번 한 번 정확히 측정한 값이 아니라, 표본을 반복할 때 평균이 흔들리는 정도다. nn을 4배로 하면 표준오차는 절반이지만 원래 개별 자료의 표준편차 σ\sigma가 절반이 되는 것은 아니다.

정규모집단이면 표본평균도 정규분포를 따른다

독립적으로 뽑은 각 XiX_i가 같은 정규분포 N(μ,σ2)N(\mu,\sigma^2)를 따르면, 정규변수의 합도 정규분포라는 성질에 의해 표본평균은 다음 분포를 따른다. 여기서 NN의 두 번째 자리는 분산이다.

Xˉ∼N ⁣(μ,σ2n).(4)\bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right).\tag{4}

예를 들어 N(50,62)N(50,6^2)에서 뽑으면 n=9n=9일 때 표준오차는 6/3=26/3=2, n=36n=36일 때는 6/6=16/6=1이다. 따라서 표본평균의 분포는 각각 N(50,4)N(50,4), N(50,1)N(50,1)이다. 그림 3에서 중심은 같고 퍼짐만 달라진다.

정규모집단 N(50,36)에서 독립추출한 표본평균의 밀도다. 위는 n=9, 아래는 n=36이며 표준편차는 각각 2와 1이다. 가로축 눈금을 같게 두어 표본 크기가 커질 때 평균의 분포가 좁아짐을 비교한다. 각 곡선 아래 전체 넓이는 1이다.
그림 3 정규모집단 N(50,36)N(50,36)에서 독립추출한 표본평균의 밀도다. 위는 n=9n=9, 아래는 n=36n=36이며 표준편차는 각각 2와 1이다. 가로축 눈금을 같게 두어 표본 크기가 커질 때 평균의 분포가 좁아짐을 비교한다. 각 곡선 아래 전체 넓이는 1이다. figures/mean_precision.py

모집단이 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 Xˉ\bar X의 평균은 μ\mu, 표준편차는 σ/n\sigma/\sqrt n이므로 다음 ZZ가 표준정규분포 N(0,1)N(0,1)을 따른다.

Z=Xˉ−μσ/n.(5)Z=\frac{\bar X-\mu}{\sigma/\sqrt n}.\tag{5}

N(50,62)N(50,6^2)에서 9개를 뽑을 때 표본평균이 53 이상일 확률을 구하자. 분모는 σ\sigma 6이 아니라 표준오차 6/9=26/\sqrt9=2다.

P(Xˉ≥53)=P ⁣(Z≥53−502)=P(Z≥1.5).(6)P(\bar X\ge53)=P\!\left(Z\ge\frac{53-50}{2}\right)=P(Z\ge1.5).\tag{6} P(Z≥1.5)=0.5−P(0≤Z≤1.5)=0.5−0.4332=0.0668.(7)P(Z\ge1.5)=0.5-P(0\le Z\le1.5)=0.5-0.4332=0.0668.\tag{7}

같은 경계에서 개별값 하나가 53 이상일 확률은 P(Z≥3/6)=P(Z≥0.5)=0.5−0.1915=0.3085P(Z\ge3/6)=P(Z\ge0.5)=0.5-0.1915=0.3085다. 그림 4처럼 같은 53이어도 표본평균은 개별값보다 훨씬 드물게 넘는다. n=36n=36이면 경계가 P(Z≥3)P(Z\ge3)으로 바뀌어 확률이 0.5−0.4987=0.00130.5-0.4987=0.0013까지 줄어든다.

개별값 Xsim N(50,6^2)와 9개의 표본평균 bar Xsim N(50,2^2)의 밀도를 같은 축에 그렸다. 점선 53보다 오른쪽 넓이가 각각 0.3085와 0.0668이며, 표준정규분포표의 네 자리 값으로 계산했다.
그림 4 개별값 X∼N(50,62)X\sim N(50,6^2)와 9개의 표본평균 Xˉ∼N(50,22)\bar X\sim N(50,2^2)의 밀도를 같은 축에 그렸다. 점선 53보다 오른쪽 넓이가 각각 0.3085와 0.0668이며, 표준정규분포표의 네 자리 값으로 계산했다. figures/mean_tail.py

표본분산의 분모는 왜 하나 작아질까?

관측 자료 자체의 퍼짐을 기술할 때는 중등 과정처럼 편차제곱합을 nn으로 나눌 수 있다. 모집단 분산을 추정하는 표본분산은 이 글에서 n≥2n\ge2일 때 아래와 같이 정의하고, 제곱근을 표본표준편차라 한다.

s2=∑i=1n(xi−xˉ)2n−1,s=s2.(8)s^2=\frac{\sum_{i=1}^n(x_i-\bar x)^2}{n-1}, \qquad s=\sqrt{s^2}.\tag{8}

같은 표본에서 정한 xˉ\bar x를 중심으로 재면, 모평균 μ\mu를 중심으로 잰 것보다 편차제곱합이 작거나 같다. 독립·동일분포 표본에서 그 합의 기댓값은 (n−1)σ2(n-1)\sigma^2다. 따라서 n−1n-1로 나누면 반복 표본에서 평균적으로 모분산에 맞는다. ss 자체가 모표준편차의 불편추정량이라는 뜻까지는 아니다.

n−1n-1 보정의 계산 근거

중심을 옮겨 전개하면 다음 항등식을 얻는다. ∑(Xi−Xˉ)=0\sum(X_i-\bar X)=0이어서 교차항이 사라진다.

∑i=1n(Xi−Xˉ)2=∑i=1n(Xi−μ)2−n(Xˉ−μ)2.(9)\sum_{i=1}^n(X_i-\bar X)^2 =\sum_{i=1}^n(X_i-\mu)^2-n(\bar X-\mu)^2.\tag{9}

식 (9)의 양변에 기댓값을 취하면 오른쪽 첫 합은 nσ2n\sigma^2, 둘째 항은 식 (3)에 따라 nV(Xˉ)=σ2nV(\bar X)=\sigma^2다. 따라서 왼쪽 합의 기댓값은 (n−1)σ2(n-1)\sigma^2이고, n−1n-1로 나눈 표본분산의 기댓값은 σ2\sigma^2가 된다.

가령 자료가 2,4,92,4,9이면 평균은 5, 편차제곱합은 9+1+16=269+1+16=26이다. 자료 자체의 분산은 26/326/3, 식 (8)의 표본분산은 26/2=1326/2=13, 표본표준편차는 13\sqrt{13}이다. GeoGebra의 Variance({2,4,9})와 SampleVariance({2,4,9})에 각각 입력해 8.666…8.666\ldots와 13을 비교할 수 있다.

표본표준편차와 표준오차는 같은 값인가?

다르다. ss는 한 표본 안의 개별 자료의 퍼짐으로 모표준편차를 추정한다. 독립·동일분포 모형에서 평균의 표준오차를 추정하려면 s/ns/\sqrt n을 쓴다. 자료 2,4,92,4,9에서는 두 값이 13\sqrt{13}과 13/3\sqrt{13/3}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.

핵심

같은 모집단에서 독립적으로 뽑은 표본평균은 평균이 μ\mu, 분산이 σ2/n\sigma^2/n이다. 정규모집단이면 그 분포도 정규분포이므로 표준오차 σ/n\sigma/\sqrt n으로 표준화해 확률을 구하며, 개별 자료의 퍼짐과 평균의 퍼짐을 구별한다.

표본평균의 분포에서 흔히 생기는 오해

  • 100번 반복 실험했으니 식 (3)의 nn은 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 σ\sigma로 나눈다. — 식 (6)의 분모는 σ/n=2\sigma/\sqrt n=2다. 6으로 나누면 개별값의 확률 0.3085가 나와 표본평균의 확률 0.0668과 크게 어긋난다.

직접 해보기

  1. 카드 1,51,5를 같은 확률로 복원하여 독립적으로 두 번 뽑는다. 평균의 가능한 값과 확률, 그 평균·분산을 구하자.
  2. 정규모집단 N(80,122)N(80,12^2)에서 독립적으로 16개를 뽑는다. 표본평균의 분포와 표준오차를 구하고, P(0≤Z≤2)=0.4772P(0\le Z\le2)=0.4772를 이용해 P(Xˉ≥86)P(\bar X\ge86)을 구하자.
  3. 같은 모집단에서 평균의 표준오차를 기존의 1/31/3로 줄이려면 표본 크기를 몇 배로 해야 하는가?
  4. 자료 1,4,101,4,10의 평균, 편차제곱합, 식 (8)의 표본분산을 구하자. 자료 자체의 분산과도 비교하자.
  5. 모집단의 확률분포가 P(X=0)=1/4P(X=0)=1/4, P(X=2)=1/2P(X=2)=1/2, P(X=4)=1/4P(X=4)=1/4이다. 크기 4인 표본을 임의추출할 때 E(Xˉ)E(\bar X), V(Xˉ)V(\bar X), E(Xˉ2)E(\bar X^2)을 구하자.
답과 풀이
  1. 네 표본 (1,1),(1,5),(5,1),(5,5)(1,1),(1,5),(5,1),(5,5)의 평균은 1,3,3,51,3,3,5다. 확률은 1/4,1/2,1/41/4,1/2,1/4이고 평균은 3이다. 분산은 4/4+0+4/4=24/4+0+4/4=2다. 원래 분산 4를 표본 크기 2로 나눈 값과 같다.
  2. 표준오차는 12/16=312/\sqrt{16}=3이고 분산은 9다. 표본평균은 N(80,9)N(80,9)를 따른다. P(Xˉ≥86)=P(Z≥(86−80)/3)=P(Z≥2)=0.5−0.4772=0.0228P(\bar X\ge86)=P(Z\ge(86-80)/3)=P(Z\ge2)=0.5-0.4772=0.0228이다.
  3. σ/9n=(σ/n)/3\sigma/\sqrt{9n}=(\sigma/\sqrt n)/3이므로 9배로 한다. 여기서는 σ>0\sigma>0을 가정한다.
  4. 평균은 15/3=515/3=5, 편차제곱합은 16+1+25=4216+1+25=42다. 표본분산은 42/(3−1)=2142/(3-1)=21, 자료 자체의 분산은 42/3=1442/3=14다.
  5. 모평균은 0+1+1=20+1+1=2, E(X2)=0+2+4=6E(X^2)=0+2+4=6이므로 모분산은 6−22=26-2^2=2다. E(Xˉ)=2E(\bar X)=2, V(Xˉ)=2/4=1/2V(\bar X)=2/4=1/2이다. V(Xˉ)=E(Xˉ2)−{E(Xˉ)}2V(\bar X)=E(\bar X^2)-\{E(\bar X)\}^2에서 E(Xˉ2)=1/2+4=9/2E(\bar X^2)=1/2+4=9/2다.

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

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

이 페이지의 기록
  1. 2026-11-16 · 에이전트 초안 — 교과 정의·일반 근거·예제·그림·새 연습과 접힌 풀이 작성
  2. 2026-11-16 · 독립 검수 개선 — 양의 분산 조건과 편차제곱합의 등호 경계 명시 (에이전트 수정)
  3. 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)
  4. 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림