데이터분석 전문가(ADP) 시험 노트개념 정리19 MIN
모집단과 표본추출, 측정 척도
ADP 4과목 데이터 분석에서 통계 분석의 첫 자리입니다. 모집단·표본·모수·통계량, 네 가지 표본추출, 표본오차와 비표본오차, 네 측정 척도, 평균·중앙값·분산·사분위수, 왜도와 첨도, 히스토그램과 상자그림을 계산과 함께 정리합니다.
앞 노트까지 데이터를 모으고 다듬었다면 이제 그 데이터로 무엇을 말할 수 있는지를 따질 차례입니다. 통계 분석은 손에 든 일부로 보이지 않는 전체를 짐작하는 일이고, 그래서 첫 질문은 「손에 든 것이 전체의 무엇인가」입니다. 이 노트는 그 질문에서 출발해 어떻게 뽑는가, 무엇으로 재는가, 뽑은 것을 어떤 숫자와 그림으로 요약하는가까지 갑니다. 뒤의 확률분포와 가설검정이 전부 이 낱말들 위에 섭니다.
모집단과 표본
모수와 통계량
모집단은 알고 싶은 대상 전체이고, 표본은 그 가운데 실제로 관측한 일부입니다. 「전국 성인의 하루 평균 수면 시간」이 궁금하다면 전국 성인이 모집단이고, 설문에 답한 1,000명이 표본입니다. 모집단의 특성을 나타내는 값이 모수이고, 표본에서 계산한 값이 통계량입니다. 모수는 하나로 정해져 있지만 보통 알 수 없고, 통계량은 표본을 다시 뽑을 때마다 달라지지만 계산할 수 있습니다. 통계적 추론은 알 수 있는 통계량으로 알 수 없는 모수를 짐작하는 일입니다.
| 구분 | 모수 | 통계량 |
|---|---|---|
| 평균 | ||
| 분산 | ||
| 비율 | ||
| 값의 성질 | 고정되어 있으나 모른다 | 표본마다 달라지나 계산된다 |
모수는 그리스 문자, 통계량은 로마 문자나 모자(^)를 씌운 기호로 적는 관례를 알아 두면 기호만 보고도 어느 쪽인지 가릅니다.
전수조사와 표본조사
모집단 전체를 다 조사하는 것이 전수조사이고, 일부만 뽑아 조사하는 것이 표본조사입니다. 전수조사는 표본을 뽑아서 생기는 오차가 없지만 비용과 시간이 크고, 제품을 부숴야 재는 수명 검사처럼 전수조사가 불가능한 경우도 있습니다. 그래서 대부분의 분석은 표본조사이고, 표본이 모집단을 얼마나 닮았는가가 결과의 품질을 정합니다. 표본이 모집단을 닮게 만드는 장치가 다음 절의 확률 표본추출입니다.
표본추출
단순랜덤추출
단순랜덤추출은 모집단의 모든 원소가 같은 확률로 뽑히도록 무작위로 고르는 방법입니다. 번호를 매긴 뒤 난수로 뽑는 것이 전형이고, R에서는 sample(1:1000, 50)이 1,000명 중 50명을 비복원으로 뽑습니다. 가장 기본이지만 모집단 명부가 있어야 하고, 우연히 한쪽 집단이 적게 뽑힐 수 있습니다.
계통추출
계통추출은 명부에서 일정한 간격으로 뽑는 방법입니다. 1,000명에서 50명을 뽑으려면 간격이 이고, 처음 20명 안에서 시작점을 무작위로 정합니다. 시작점이 7이면 7, 27, 47, …, 987번이 뽑힙니다. 손이 덜 가지만 명부에 주기가 있으면 위험합니다. 아파트 명부가 층마다 20세대씩 적혀 있고 간격이 20이면 같은 호수만 줄줄이 뽑힙니다.
층화추출과 집락추출
층화추출은 모집단을 성질이 비슷한 층으로 나눈 뒤 층마다 표본을 뽑는 방법이고, 집락추출은 모집단을 여러 묶음(집락)으로 나눈 뒤 몇 묶음을 통째로 뽑는 방법입니다. 둘 다 모집단을 나누지만 나누는 방향이 반대라 표로 가릅니다.
| 구분 | 층화추출 | 집락추출 |
|---|---|---|
| 묶음 안 | 동질적 | 이질적 |
| 묶음 사이 | 이질적 | 동질적 |
| 뽑는 것 | 모든 층에서 일부씩 | 일부 집락을 통째로 |
| 예 | 학년별로 나눠 학년마다 뽑는다 | 학급 몇 개를 골라 그 반 전원을 조사한다 |
층화추출에서 층의 크기에 비례해 표본을 나누는 것을 비례배분이라 합니다. 1학년 500명, 2학년 300명, 3학년 200명에서 100명을 뽑으면 50·30·20명입니다. 집락은 묶음 하나가 모집단의 축소판이어야 몇 개만 뽑아도 전체를 대표하므로, 묶음 안이 이질적이어야 합니다. 두 방법의 정의를 바꿔 놓은 보기가 이 대비를 묻는 꼴입니다.
조사의 오차
표본오차
표본오차는 모집단 전체가 아니라 일부만 봐서 생기는 통계량과 모수의 차이입니다. 표본을 다시 뽑으면 달라지는 그 흔들림이고, 표본이 커질수록 줄어듭니다. 표본평균의 흔들림은 에 비례하므로 표본을 네 배로 늘리면 절반이 됩니다. 전수조사에서는 표본오차가 0입니다.
비표본오차
비표본오차는 표본을 뽑는 일과 무관하게 조사 과정에서 생기는 오차입니다. 질문이 유도적이거나, 응답자가 거짓으로 답하거나, 무응답이 몰리거나, 입력하다 틀리는 것이 모두 여기에 듭니다. 표본을 키워도 줄지 않고 전수조사에도 있습니다. 오히려 조사 규모가 커지면 관리가 어려워져 늘기도 합니다. 「표본이 클수록 줄어든다」와 「전수조사에서도 생긴다」 두 성질로 두 오차를 가르면 됩니다.
측정 척도
명목척도와 순서척도
척도는 관측 대상의 속성을 값으로 옮기는 규칙이고, 어떤 척도로 쟀는가가 그 값으로 할 수 있는 계산을 정합니다. 명목척도는 이름표 구실만 합니다. 성별, 혈액형, 지역을 1·2·3으로 적어도 그 숫자 사이에 크기는 없습니다. 순서척도는 순서가 있지만 간격이 같다는 보장이 없습니다. 만족도 「매우 불만·불만·보통·만족·매우 만족」에서 보통과 만족의 거리가 불만과 보통의 거리와 같다고 말할 수 없습니다. 둘을 합쳐 범주형(질적) 자료라 합니다.
구간척도와 비율척도
구간척도는 간격이 같아 차이를 말할 수 있지만 0이 「없음」을 뜻하지 않습니다. 섭씨온도에서 20도와 10도의 차이는 10도이지만, 0도는 온도가 없다는 뜻이 아니어서 「20도는 10도의 두 배 따뜻하다」고 말할 수 없습니다. 비율척도는 절대 0이 있어 비율까지 말할 수 있습니다. 무게·소득·나이가 그렇고, 소득 400만 원은 200만 원의 두 배입니다. 둘을 합쳐 수치형(양적) 자료라 합니다.
| 척도 | 순서 | 같은 간격 | 절대 0 | 쓸 수 있는 대표값 |
|---|---|---|---|---|
| 명목 | 없음 | 없음 | 없음 | 최빈값 |
| 순서 | 있음 | 없음 | 없음 | 최빈값·중앙값 |
| 구간 | 있음 | 있음 | 없음 | 위에 더해 평균 |
| 비율 | 있음 | 있음 | 있음 | 위에 더해 비율 |
구간과 비율을 가르는 질문은 「0이 없음을 뜻하는가」 하나입니다.
기술통계량
중심 경향
표본을 숫자 몇 개로 요약하는 것이 기술통계량입니다. 아홉 명의 주간 운동 시간이 3, 4, 5, 5, 6, 7, 8, 9, 16시간이라고 하겠습니다. 합이 63이라 평균은 이고, 크기순 가운데인 다섯째 값이 중앙값 6이며, 가장 많이 나온 최빈값은 5입니다. 평균은 모든 값을 쓰므로 16 하나에 끌려 올라갔고, 중앙값은 순서만 보므로 끝값에 흔들리지 않습니다.
분산과 사분위수
퍼짐은 평균에서 얼마나 떨어져 있는가로 잽니다. 편차는 −4, −3, −2, −2, −1, 0, 1, 2, 9이고 제곱의 합은 입니다. 표본분산은 로 나눈 이고 표준편차는 입니다. 이 아니라 로 나누는 까닭은 다음 노트들의 불편추정량에서 다룹니다.
사분위수는 크기순으로 늘어놓은 자료를 네 등분하는 세 점입니다. R의 quantile() 기본 방식으로 아홉 개면 은 셋째 값 5, 는 중앙값 6, 은 일곱째 값 8이고, 사분위수 범위는 입니다.
x <- c(3, 4, 5, 5, 6, 7, 8, 9, 16)
summary(x) # Min 3, 1st Qu. 5, Median 6, Mean 7, 3rd Qu. 8, Max 16
var(x) # 15
sd(x) # 3.872983
IQR(x) # 3
왜도와 첨도
왜도는 분포가 좌우로 얼마나 기울었는지를 재는 값입니다. 0이면 대칭이고, 오른쪽으로 꼬리가 길면 양수, 왼쪽으로 길면 음수입니다. 위 자료는 16 쪽으로 꼬리가 길어 왜도가 양수이고, 그래서 최빈값 5 < 중앙값 6 < 평균 7 순으로 섭니다. 왼쪽 꼬리면 이 순서가 뒤집힙니다. 첨도는 분포의 꼬리가 얼마나 두꺼운지, 곧 봉우리가 얼마나 뾰족한지를 재는 값으로, 정규분포를 3으로 두는 정의와 거기서 3을 뺀 초과첨도(정규분포가 0)가 함께 쓰입니다. 어느 정의인지 확인하지 않으면 같은 분포를 두고 3과 0이 엇갈리므로 보기의 기준을 먼저 봅니다.
분포의 그림
히스토그램
히스토그램은 수치형 자료를 구간으로 나눠 구간마다 개수를 막대 높이로 그린 그림입니다. 막대가 서로 붙어 있는 것이 연속된 값이라는 표시이고, 범주형 자료의 개수를 띄어 그리는 막대그래프와 다릅니다. 봉우리가 몇 개인지, 꼬리가 어느 쪽으로 긴지, 왜도를 눈으로 확인하는 데 씁니다. 구간 폭을 바꾸면 모양이 달라지므로 한 가지 폭만 보고 단정하지 않습니다. R에서는 hist(x)이고 breaks로 구간 수를 정합니다.
상자그림
상자그림은 다섯 수치 요약(최솟값 쪽 수염 끝, , 중앙값, , 최댓값 쪽 수염 끝)을 그린 그림입니다. 위 자료라면 상자가 5에서 8, 중앙값 선이 6이고, 경계 와 안쪽의 가장 먼 값까지 수염이 뻗어 아래는 3, 위는 9에서 멈춥니다. 16은 경계 밖이라 점으로 따로 찍힙니다. 중앙값 선이 상자 안에서 아래로 치우치고 위 수염과 점이 길게 이어지는 모양이 곧 오른쪽 꼬리, 양의 왜도입니다. 히스토그램은 봉우리의 모양을, 상자그림은 위치와 이상값을 보여 주므로 여러 집단을 견줄 때는 상자그림을 나란히 세웁니다.
연습 문제
다음 중 통계량에 해당하는 것은?
① 전국 성인의 평균 키
② 설문 응답자 500명의 평균 키
③ 모집단의 분산
④ 모집단에서 흡연자의 비율②. 표본에서 계산한 값이 통계량입니다. 나머지 셋은 모집단의 특성인 모수입니다.학교 안의 학급을 무작위로 4개 골라 그 학급 학생 전원을 조사했다. 이 추출 방법과 그것이 잘 작동하는 조건으로 옳은 것은?
① 층화추출 — 학급 안이 동질적이다
② 층화추출 — 학급 사이가 동질적이다
③ 집락추출 — 학급 안이 이질적이고 학급 사이가 동질적이다
④ 계통추출 — 명부에 주기가 없다③. 묶음을 통째로 뽑았으므로 집락추출이고, 학급 하나가 학교 전체의 축소판이어야 하므로 학급 안이 이질적이어야 합니다.직원 2,400명의 명부에서 계통추출로 60명을 뽑는다. 시작점이 무작위로 13으로 정해졌을 때 다섯째로 뽑히는 사람의 번호는?
① 53
② 173
③ 213
④ 253②. 간격은 이고 다섯째는 번입니다.비표본오차에 대한 설명으로 옳은 것은?
① 표본 크기를 늘리면 0에 가까워진다
② 전수조사에서는 생기지 않는다
③ 질문 문구, 무응답, 입력 실수에서 생긴다
④ 표본평균의 표준오차로 크기를 잴 수 있다③. ①·④는 표본오차의 성질이고, 비표본오차는 전수조사에도 있으므로 ②도 틀립니다.측정 척도의 짝이 옳지 않은 것은?
① 혈액형 — 명목척도
② 시험 석차 — 순서척도
③ 섭씨온도 — 비율척도
④ 월 소득 — 비율척도③. 섭씨 0도는 온도가 없다는 뜻이 아니므로 절대 0이 없는 구간척도입니다.자료 2, 3, 3, 4, 8에 대해 평균·중앙값·표본분산을 차례로 고른 것은?
① 4, 3, 5.5
② 4, 3, 4.4
③ 4, 4, 5.5
④ 3, 3, 5.5①. 합이 20이라 평균은 4, 셋째 값이 중앙값 3입니다. 편차는 −2, −1, −1, 0, 4이고 제곱의 합은 라 표본분산은 입니다. 4.4는 으로 나눈 값입니다.어떤 분포에서 평균이 52, 중앙값이 47, 최빈값이 44로 나왔다. 이 분포에 대한 설명으로 옳은 것은?
① 왼쪽으로 꼬리가 길고 왜도가 음수다
② 오른쪽으로 꼬리가 길고 왜도가 양수다
③ 대칭이고 왜도가 0이다
④ 첨도가 3보다 작다②. 최빈값 < 중앙값 < 평균이면 큰 값 쪽 꼬리가 평균을 끌어올린 것이므로 오른쪽 꼬리, 양의 왜도입니다. 이 세 값만으로 첨도는 알 수 없습니다.자료 1, 4, 5, 6, 6, 7, 8, 9, 20을 R의
quantile()기본 방식으로 상자그림에 그릴 때 위쪽 수염이 끝나는 값은?
① 9
② 12.5
③ 14
④ 20①. 아홉 개라 은 셋째 값 5, 은 일곱째 값 8이고 IQR은 3입니다. 위 경계는 이고 수염은 그 안쪽의 가장 큰 관측값 9에서 멈춥니다. 20은 점으로 찍힙니다. 아래 경계는 라 1은 수염 안에 듭니다.

