신뢰구간 — 한 점이 아니라 한 띠로 말하기

여는 글 · 한 숫자는 너무 외로워

지난 강의까지 우리는 표본평균이 모평균에 가까워진다는 이야기를 들었어요. CLT가 길을 열어 줬죠.

그런데 한 번의 실험에서 얻은 \(\bar{X}\) = 172.3. 이 숫자 하나로 "대한민국 성인 남성 평균 키는 172.3cm다"라고 선언해도 될까요?

솔직히 불안해요. 다음 날 다시 뽑으면 171.8일 수도, 173.1일 수도 있거든요. 그래서 통계학자는 숫자 하나 대신 구간을 말하기로 했어요.

점 추정 — 한 숫자는 너무 외로워

추정(estimation)에는 두 가지 방식이 있어요. 하나는 점 추정, 다른 하나는 구간 추정이에요.

잠깐, CLT 복습

신뢰구간을 만들려면 표본평균이 어떻게 흔들리는가를 알아야 해요. 지난 6강의 핵심 세 줄을 다시 꺼내 볼게요.

즉, \(\bar{X}\)은 평균 \(\mu\) (모집단 평균), 표준편차 \(\sigma /\sqrt{n}\) 인 정규분포를 따른다는 뜻이에요.

쉽게 말해 \(\bar{X}\)은 \(\mu\) 근처에 종 모양으로 쌓여요. 퍼짐의 폭은 \(\sigma /\sqrt{n}\).

이 \(\sigma /\sqrt{n}\) 을 표준오차 (Standard Error, SE)라고 불러요. "표본평균이 평균적으로 얼마나 흔들리는지"의 크기예요.

두 가지 질문 — Q1과 Q2

교수님께서는 신뢰구간을 들어가기 전에, 사고를 두 갈래로 나눠 보여주셨어요. 같은 식 \(\bar{X} \pm 1.96\cdot \sigma /\sqrt{n}\)이지만, "어느 쪽이 변하는가"에 따라 의미가 완전히 달라져요.

Q1 · 표본평균은 어디 있을까?

CLT에 의해 \(\bar{X} \approx N(\mu , \sigma^2/n)\). 표준화하면 \((\bar{X} - \mu )/(\sigma /\sqrt{n})\) \(\approx\) N(0,1) = Z.

Z 표에서 \(P(-1.96 \le Z \le 1.96)\) = 95% 이므로:

추정 오차 — Estimation Error

그림으로 보면 두 가지 시나리오예요.

Q2 · 진짜 평균은 어디 있을까?

발상은 똑같아요. Q1에서 \(|\bar{X} - \mu | \le 1.96\cdot \sigma /\sqrt{n}\) 이 95% 성립한다고 했죠? 이걸 부등식 정리만 다시 하면:

Q1과 Q2의 차이를 한 표로

신뢰구간 — 띠로 답하는 법

95% 신뢰의 흔한 오해

"95% 신뢰구간"이라고 하면 많은 사람이 이렇게 생각해요.

"모수가 이 구간 안에 있을 확률이 95%다."

사실은 조금 다르게 읽어야 해요. 진짜 뜻은 이렇거든요.

\(\sigma\)를 아는 경우 — Z로 만드는 CI

먼저 가장 간단한 상황부터. 교과서에 자주 나오는 이상적인 경우예요. 모집단의 표준편차 \(\sigma\)가 이미 알려져 있다고 가정해요.

신뢰구간의 공식

즉, 표본평균을 가운데 놓고 양옆으로 "Z × \(\sigma /\sqrt{n}\)" 만큼 펼친 게 신뢰구간이에요.

식을 뜯어보면 세 조각이 보여요.

→ 신뢰구간 = \(\bar{X}\) − ME  ~  \(\bar{X}\) + ME

90 · 95 · 99% — 신뢰의 값어치

신뢰수준을 높이면 구간은 어떻게 변할까요? 직관적으로는 "더 많이 맞히려면 더 넓은 그물"이 필요해요.

신뢰수준별 Z 임계값

숫자가 커지는 게 보이죠? 99%를 원하면 Z가 2.576까지 뛰어올라요. 그만큼 구간도 넓어진답니다.

같은 데이터, 세 가지 띠

예를 들어 \(\bar{X}\) = 50, \(\sigma\) = 10, n = 25일 때 CI를 세 가지로 만들어 볼게요. 표준오차는 \(\sigma /\sqrt{n}\) = 10/5 = 2이에요.

좁은 구간은 날카로움.
넓은 구간은 안전함.

\(\sigma\)를 모를 때 — 표본표준편차 S로 근사

여기서 솔직한 질문 하나. "모표준편차 \(\sigma\)를 진짜로 아는 경우가 얼마나 있어?"

거의 없어요. 모평균조차 모르는 마당에 모표준편차를 안다는 건 동화 속 이야기죠. 현실에서는 표본에서 직접 계산할 수 있는 표본 표준편차 S를 써요.

표본 분산·표본 표준편차 S

교수님의 핵심: \(\sigma\) 자리에 그냥 S 끼우기

교수님께서는 t-분포 같은 새 도구를 꺼내지 않고, \(\sigma\) 대신 S를 그대로 끼워서 근사 신뢰구간을 쓰자고 하셨어요.

왜 이게 '근사'인가

S는 \(\sigma\)에 가까운 값이지만 표본마다 흔들리는 추정치예요. 그래서 정확한 95%가 아니라 대략 95%의 신뢰구간이 돼요. 그래도 n이 충분히 크면(보통 n \(\ge 30\)) 이 근사가 아주 잘 들어맞아요.

예시 · 스마트폰 배터리

1. 표준오차. \(S/\sqrt{n}\) = 1.2/5 = 0.24.
2. 오차범위. ME = 1.96 × 0.24 \(\approx\) 0.470.
3. 95% CI. 10.5 \(\pm\) 0.470 → (10.03, 10.97) 시간.

"이 모델 평균 배터리는 95% 신뢰로 약 10.0 ~ 11.0 시간"이라고 답할 수 있어요.

(보충) t-분포 — 더 정확한 작은 표본 보정

t-분포와 표준정규를 겹쳐 그려 보면 차이가 한눈에 들어와요.

세 가지 성질

(보충) t 기반 신뢰구간

참고용 공식이에요. \(\sigma\)를 모르고 표본이 작을 때 더 정확한 답을 줍니다.

즉, 표본평균 중심으로 양옆 "t × \(s/\sqrt{n}\)" 만큼 펼친 구간이에요. 4장 공식과 비교하면 \(\sigma\) 자리에 s, Z 자리에 t가 들어갔을 뿐이에요.

구조는 완전히 같으니 겁먹지 마세요.

예시 · 스마트폰 배터리 수명

어떤 스마트폰 25대의 배터리 수명(시간)을 측정했어요.

95% 신뢰구간을 만들어 볼게요.

1. 자유도. df = \(n - 1\) = 24.
2. 임계값. \(t_{0.025, 24} \approx\) 2.064 (t 표에서).
3. 표준오차. \(s/\sqrt{n}\) = 1.2/5 = 0.24.
4. 오차범위. ME = 2.064 × 0.24 \(\approx\) 0.495.
5. CI. 10.5 \(\pm\) 0.495 → (10.005, 10.995) 시간.

표본 크기 n의 힘

여러 번 말했지만 다시 한 번. 표준오차는 \(\sigma /\sqrt{n}\)이에요. 분모에 n이 있다는 사실. 별 거 아닌 것 같지만 엄청난 의미예요.

n이 4배 되면 폭은 반으로

\(\sqrt{n}\)이 분모이기 때문에 n을 4배로 키우면 표준오차는 \(\sqrt{4}\) = 2배만큼 작아져요. 즉 구간 폭이 절반이 돼요.

필요한 n 거꾸로 구하기

"ME를 \(\pm\)E 이하로 만들고 싶다"면 공식에서 n을 풀어낼 수 있어요.

즉, ME = Z·\(\sigma /\sqrt{n}\) 에서 양변을 n에 대해 풀면 나와요. 원하는 정밀도 E가 작을수록, \(\sigma\)가 클수록 n이 더 커져야 한다는 뜻이에요.

예: \(\sigma\) = 10, 95% 신뢰로 ME \(\le 2\)로 만들고 싶다면

모비율 p의 신뢰구간

지금까지는 평균의 이야기였어요. 이번엔 비율이에요. "전체 유권자 중 후보 A 지지율은 몇 %일까?" 이런 질문이죠.

공식

즉, 표본비율 \(\hat{p}\) 중심으로 양옆 "Z × \(\sqrt{\(\hat{p} (1-\hat{p} )/n\)}\)" 만큼 펼치면 끝.

제곱근 안쪽 \(\hat{p} (1 - \hat{p} )\)이 분산 역할을 해요. 비율에서는 이 값이 \(\sigma^2\) 자리를 대신하는 거죠.

예시 · 후보 지지율 조사

1. 조건 확인. \(n\hat{p} = 420\), \(n(1-\hat{p} ) = 580\). 둘 다 넉넉.
2. 표준오차.
   \[ SE = \sqrt{0.42 \times 0.58 / 1000} \approx \sqrt{0.0002436} \approx 0.0156 \]
3. ME (95%). 1.96 × 0.0156 \(\approx\) 0.0306.
4. CI. 0.42 \(\pm\) 0.0306 → (0.389, 0.451).

비율 조사에 필요한 n

평균처럼 n도 거꾸로 풀 수 있어요. 다만 여기선 p를 모르니 \(p = 0.5\)로 두는 게 가장 보수적이에요. 분산이 최대니까요.

예: ME \(\le 3\)%p, 95% 신뢰 → n \(\approx\) \((1.96)^2\) × 0.25 / \((0.03)^2\) \(\approx\) 1068명. 여론조사가 1000명 언저리인 이유예요.

실전 예시 — 세 장면

장면 ① · 택배 도착 시간

어떤 택배 회사가 30건의 배송 시간을 기록했어요.

→ "평균 배송 시간은 약 1.9~2.3일" 이라고 말할 수 있어요.

장면 ② · 학생 통학 시간

학교 학생 100명의 통학 시간을 조사했어요. 과거 기록에서 \(\sigma\) = 15분이 알려져 있어요.

\(\sigma\)가 알려졌으니 Z를 써요.

→ "전교생 평균 통학 시간은 99% 신뢰로 약 38~46분."

장면 ③ · 품질 검사 불량률

공장에서 500개 제품을 검사해 15개가 불량이었어요. 95% 신뢰로 불량률은?

1. 조건 확인: \(n\hat{p} = 15\), \(n(1-\hat{p} ) = 485\). 살짝 아슬하지만 OK.
2. SE = \(\sqrt{0.03 \times 0.97 / 500} \approx \sqrt{0.0000582} \approx\) 0.00763.
3. ME = 1.96 × 0.00763 \(\approx\) 0.01495.
4. CI = 0.03 \(\pm\) 0.015 → (0.015, 0.045) = (1.5%, 4.5%).

숫자 하나가 아니라 이야기 한 줄.
신뢰구간은 답을 문장으로 바꿔줘요.

두 평균 비교 — 독립 표본

이제 이야기를 한 단계 넓혀 볼게요. 지금까지는 한 모집단의 평균 \(\mu\)를 추정했죠.

하지만 현실의 질문은 보통 이렇게 생겨요. "서울 체류 시간과 도쿄 체류 시간 중 어느 쪽이 더 길까?"

두 모집단을 비교해야 하는 상황이에요. 모평균을 \(\mu_S\) (서울), \(\mu_T\) (도쿄)라고 두고, 우리가 알고 싶은 건 둘의 차이 \(\mu_S\) − \(\mu_T\) 예요.

자연스러운 추정량

직관부터 시작해요. 서울 표본평균 \(\bar{X}_S\), 도쿄 표본평균 \(\bar{X}_T\)가 있잖아요?

두 모평균의 차이를 추정하려면 두 표본평균의 차이를 쓰면 되겠죠.

즉, 서울 평균에서 도쿄 평균을 뺀 숫자를 \(\mu_S\) − \(\mu_T\)의 좋은 추측으로 삼겠다는 거예요.

3단계 유도

1. 기댓값 (Expectation). 기댓값의 선형성으로 바로 풀려요.
   \[ E[\bar{X}_S - \bar{X}_T] = E[\bar{X}_S] - E[\bar{X}_T] \]
   \[ = \mu_S - \mu_T \]
   즉, 우리의 추정량은 평균적으로 정답과 일치해요. 편향 없음. OK.
2. 분산 (Variance). 두 표본이 독립이라는 게 핵심이에요. 독립이면 분산은 그냥 더해지거든요.
   \[ \mathrm{Var}[\bar{X}_S - \bar{X}_T] \]
   \[ = \frac{\sigma_S^2}{n_S} + \frac{\sigma_T^2}{n_T} \]
   즉, 각 표본평균의 분산(\(\sigma^2/n\) 꼴)을 그냥 합치면 돼요. 공분산은 0이라 빠져요.
3. 분포 (Distribution). \(n_S , n_T\)가 충분히 크면 CLT에 의해 각 표본평균이 정규분포에 가까워지고, 정규끼리의 차도 여전히 정규예요.
   \[ \bar{X}_S - \bar{X}_T \approx N(\mu_S - \mu_T,\; SE^2) \]
   즉, 이 차이값은 "진짜 차이 \(\mu_S\)−\(\mu_T\)" 근처에 종 모양으로 쌓여요.

95% 신뢰구간 공식

이제 6강·7강에서 본 패턴과 똑같이 조립하면 끝. "추정량 \(\pm\) 1.96 · SE" 공식이에요.

풀어서 쓰면 이렇게 돼요.

즉, 두 표본평균의 차이를 중심에 놓고, 양옆으로 1.96·SE 만큼 펼치면 95% 신뢰구간이 나와요.

예시 · 서울 vs 도쿄 체류 시간

외국인 관광객의 평균 체류 시간(일)을 조사했다고 해볼게요.

1. 차이. \(\bar{X}_S\) − \(\bar{X}_T\) = 4.2 − 3.6 = 0.6일.
2. 표준오차.
   \[ SE = \sqrt{1.5^2/50 + 1.2^2/40} \]
   \[ = \sqrt{0.045 + 0.036} = \sqrt{0.081} \approx 0.285 \]
3. 오차범위. ME = 1.96 × 0.285 \(\approx\) 0.558.
4. 95% CI. 0.6 \(\pm\) 0.558 → (0.042, 1.158) 일.

두 비율 차이의 신뢰구간

이번엔 평균이 아니라 비율의 비교예요. "정당 A 지지율은 서울과 부산 중 어디가 더 높을까?"

모비율 \(p_S\)와 \(p_T\)가 있고, 우리는 차이 \(p_S\) − \(p_T\)를 추정하고 싶어요.

평균 때와 똑같은 뼈대

12장의 논리를 그대로 복붙해요. 평균 자리에 비율만 바꿔 넣으면 끝이에요.

1. 추정량. \(\hat{p}_S\) − \(\hat{p}_T\). 각 표본에서 구한 비율의 차이예요.
2. 기댓값. E[\(\hat{p}_S\) − \(\hat{p}_T\)] = \(p_S\) − \(p_T\). 편향 없음.
3. 분산. 독립이니까 각 분산을 더해요.
   \[ \mathrm{Var} = p_S(1-p_S)/n_S + p_T(1-p_T)/n_T \]
   \(\hat{p}\)의 분산이 \(p(1-p)/n\)이었던 거 기억하죠?
4. 분포. n이 충분히 크면 정규 근사 OK.

95% 신뢰구간 공식

즉, 두 표본비율의 차이에 \(\pm\) 1.96·SE를 붙이는 거예요.

예시 · 정당 A 지지율 비교

서울과 부산에서 각각 여론조사를 했어요.

1. 차이. \(\hat{p}_S\) − \(\hat{p}_T\) = 0.44 − 0.36 = 0.08 (서울이 8%p 높음).
2. 분산.
   \[ 0.44 \cdot 0.56/500 + 0.36 \cdot 0.64/500 \]
   \[ = 0.000493 + 0.000461 \approx 0.000954 \]
3. SE. \(\sqrt{0.000954} \approx\) 0.0309.
4. ME. 1.96 × 0.0309 \(\approx\) 0.0606.
5. 95% CI. 0.08 \(\pm\) 0.0606 → (0.019, 0.141).

짝 표본 — Paired Samples

12장에서는 독립 표본이었어요. 서울 사람은 서울 사람끼리, 도쿄 사람은 도쿄 사람끼리.

이번엔 상황이 달라요. 같은 사람에게서 두 개의 숫자를 받는 경우예요.

문제 · 공분산이 끼어든다

독립 표본처럼 \(\bar{X}\) − \(\bar{Y}\) 를 써서 \(\mu_X\) − \(\mu_Y\)를 추정하려 하면… 분산을 구할 때 꼬여요.

즉, 뒤에 공분산 2·Cov[\(\bar{X} , \bar{Y}\)]가 달라붙어요. 독립이었으면 이게 0이어서 깔끔했는데, 여기선 같은 사람에서 나온 숫자라 연관돼 있어 0이 아니에요.

트릭 · \(D_i\) := \(X_i\) − \(Y_i\) 변환

발상의 전환. 두 숫자를 각각 보지 말고, 학생마다 차이 하나를 만들어요.

즉, 학생 i 의 수학 점수에서 통계 점수를 뺀 값이 \(D_i\). 이제 학생마다 숫자 하나만 남아요. 두 개짜리 표본이 한 개짜리 표본으로 변신한 거예요!

\(D_i\)에 대한 분석 (아주 간단해짐)

1. 기댓값.
   \[ E[\bar{D}] = E[\bar{X} - \bar{Y}] = \mu_X - \mu_Y \]
   즉, \(\bar{D}\) 역시 \(\mu_X\) − \(\mu_Y\)에 대한 좋은 추정량이에요.
2. 분산. 이제 D는 하나의 변수니까 공분산 없이 깔끔해요.
   \[ \mathrm{Var}[\bar{D}] = \frac{\sigma_D^2}{n} \]
   모르면 표본으로 근사.
   \[ \approx \frac{S_D^2}{n} \]
   즉, D값들의 표본분산만 구하면 끝이에요.
3. 분포. n이 충분히 크면 CLT에 의해 \(\bar{D} \approx\) 정규. 정규분포 이야기로 복귀.

95% 신뢰구간 공식

이제 한 표본 CI 공식 그대로.

즉, 차이값 \(D_i\)들의 평균을 중심으로, 차이값들의 표준편차를 \(\sqrt{n}\)으로 나눈 만큼 펼치면 돼요. \(\mu_X\) − \(\mu_Y\)의 95% CI 완성.

예시 · 수학 vs 통계 점수

학생 10명에게서 수학 점수와 통계 점수를 받았다고 해볼게요. 각 학생마다 차이 \(D_i\) = 수학 − 통계 를 계산했어요.

1. 자유도. df = \(n - 1\) = 9.
2. 임계값. \(t_{0.025, 9} \approx\) 2.262.
3. 표준오차. \(S_D\)/\(\sqrt{n}\) = 6/\(\sqrt{10} \approx\) 1.897.
4. 오차범위. ME = 2.262 × 1.897 \(\approx\) 4.29.
5. 95% CI. 5 \(\pm\) 4.29 → (0.71, 9.29) 점.

독립 vs 짝 — 언제 뭘 쓰나?

맺는 글 · 한 학기를 닫으며

이렇게 7강을 끝까지 왔어요. 1강에서 "통계는 세상을 읽는 눈"이라고 말했죠. 오늘 드디어 그 눈으로 모르는 것을 짐작하는 법을 배웠어요.

점 하나가 아니라 띠로 답하는 태도. 모르는 불확실성을 숫자에 녹여 넣는 용기. 이건 과학의 태도이기도 해요.

오늘의 장면 요약

• 점 추정의 외로움 → 구간 추정의 따뜻함
• CLT 덕분에 \(\bar{X}\)이 정규가 됐어요 (n 크면)
• CI = 점 추정 \(\pm\) 임계값 × 표준오차
• \(\sigma\) 알면 Z, 모르면 t (df = \(n - 1\))
• t는 정규의 사촌 — 꼬리가 두껍고 df 커지면 수렴
• 신뢰 높을수록 구간 넓어요 — Z 1.645 / 1.96 / 2.576
• n 4배 → 폭 절반. n 결정 공식도 배웠어요
• 모비율 CI: \(\hat{p} \pm\) Z · \(\sqrt{\(\hat{p} (1-\hat{p} )/n\)}\)
• "95% 신뢰"의 올바른 해석 — 100번 중 95번
• 두 평균 차이: (\(\bar{X}_S\)−\(\bar{X}_T\)) \(\pm\) 1.96·\(\sqrt{\sigma^2/n 합}\)
• 두 비율 차이: (\(\hat{p}_S\)−\(\hat{p}_T\)) \(\pm\) 1.96·\(\sqrt{\(p(1-p)/n\) 합}\)
• 짝 표본: \(D_i\) = \(X_i\) − \(Y_i\) 변환 → 한 표본 문제로 환원

다음 강의로 이어집니다

오늘 배운 CI와 표준오차가 그대로 다음 강의들의 토대가 돼요. 살짝 미리 보기.

앞으로 이 친구들을 만날 때, 오늘 배운 \(Z \cdot t \cdot SE \cdot CI\)가 길잡이 역할을 할 거예요. 모든 추리통계는 같은 뿌리에서 자라나거든요.