경통
Shared on June 10, 2026
통계학 강의 요약
개요
본 강의에서는 표본 통계량(표본평균·표본분산)의 성질과 정규분포와 중심극한정리를 중심으로 확률분포, 표준화(표준점수), 그리고 표본분산의 분포와 카이제곱분포를 다룬다. 또한 이항분포와 비율의 분포에 대한 개념을 예시와 함께 설명한다.
핵심 개념
| 주제 | 핵심 내용 |
|---|---|
| 표본평균의 분포 | 모집단이 정규분포일 때, 표본평균 ( \bar{X} )의 분포는 언제나 정규분포이며, 평균은 ( \mu ), 분산은 ( \sigma^2/n ). |
| 표준화 (Z-점수) | ( Z = \dfrac{\bar{X}-\mu}{\sigma/\sqrt{n}} ) → 표준정규분포(N(0,1))를 따름. |
| 중심극한정리 | 모집단 분포가 어떠하든, 표본평균은 ( n )이 충분히 크면(보통 ( n\ge30 )) 정규분포에 수렴한다. |
| 표본분산의 분포 | ( S^2 )는 ( \sigma^2 )의 불편추정량이며, ((n-1)S^2/\sigma^2 \sim \chi^2_{n-1}). |
| 이항분포 | 성공 확률 (p)인 사건을 (n)번 시행할 때, 성공 횟수 (X)는 (B(n,p)). 비율 ( \hat{p}=X/n )는 평균이 (p), 분산이 (p(1-p)/n). |
| 표준화된 비율 | ( Z = \dfrac{\hat{p}-p}{\sqrt{p(1-p)/n}} ) → 정규분포에 근접. |
상세 노트
1. 표본평균과 분산
- 표본평균: ( \bar{X} = \dfrac{1}{n}\sum_{i=1}^{n}X_i )
- 표본분산: ( S^2 = \dfrac{1}{n-1}\sum_{i=1}^n (X_i-\bar{X})^2 )
- 분산 관계: ( \sigma_{\bar{X}}^2 = \dfrac{\sigma^2}{n} )
2. 정규분포와 표준화
- 모집단이 정규분포 (N(\mu,\sigma^2)) 이면
- ( \bar{X} \sim N!\left(\mu,\frac{\sigma^2}{n}\right) )
- 표준화:
- ( Z = \dfrac{\bar{X}-\mu}{\sigma/\sqrt{n}} ) → (N(0,1))
- 예시: IQ 평균 100, 표준편차 16, 표본 30명 → IQ 94 이하의 비율 계산.
3. 중심극한정리
- 모집단이 정규분포가 아니더라도, ( n \ge 30 ) 이면 (\bar{X})는 정규분포에 근접.
- 표본평균의 평균은 ( \mu ), 표준편차는 ( \sigma/\sqrt{n} ).
4. 표본분산의 분포
- ((n-1)S^2/\sigma^2)는 자유도 (n-1)인 카이제곱분포를 따름.
- 불편추정: (E[S^2]=\sigma^2)
5. 이항분포와 비율
- 이항분포: (X\sim B(n,p)), 평균 (np), 분산 (np(1-p))
- 비율: (\hat{p}=X/n) → 평균 (p), 분산 (p(1-p)/n)
- 표준화: ( Z = \dfrac{\hat{p}-p}{\sqrt{p(1-p)/n}} ) → 정규분포 근사.
6. 실전 예시
| 상황 | 가정 | 계산 | 결과 |
|---|---|---|---|
| 스마트워치 배터리 | 평균 5600h, 표준편차 4000h, 표본 100 | (Z = \dfrac{6400-5600}{4000/\sqrt{100}} = 2) | 2σ 이상일 확률 ≈ 0.028 (2.8%) |
| IQ | 평균 100, 표준편차 16, (n=30) | (Z = \dfrac{94-100}{16/\sqrt{30}}\approx -1.73) | 약 4.2% |
| 이항 실험 | (n=10), (p=0.5), 성공 5회 | (\hat{p}=0.5) | 평균 성공 비율 0.5, 분산 (0.025) |
7. 핵심 공식 정리
- 표본평균: (\bar{X})
- 표본분산: (S^2 = \dfrac{1}{n-1}\sum (X_i-\bar{X})^2)
- Z-점수 (평균): (Z = \dfrac{\bar{X}-\mu}{\sigma/\sqrt{n}})
- Z-점수 (비율): (Z = \dfrac{\hat{p}-p}{\sqrt{p(1-p)/n}})
- 카이제곱: \