LEARN · SIMULATE · VERIFY

확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼

로그인

학습 메뉴

도움말

홈

표집분포와 중심극한정리 실습

Q: 한쪽 끝에 극단적으로 몰린(심하게 치우친) 모집단에서 크기 30짜리 표본을 뽑아 평균을 내는 일을 1,000번 반복하면, 그 표본평균 1,000개의 분포는?

이것이 중심극한정리입니다. 정규분포가 되는 것은 데이터 자체가 아니라 "표본평균의 분포"라는 점이 핵심입니다 — 데이터를 많이 모은다고 데이터가 정규분포가 되는 게 아닙니다. 넘스탯(NumStats)의 브라우저 시뮬레이션에서 직접 실험으로 확인할 수 있습니다.

Q: 표본 크기 n을 4배로 키우면, 표본평균 분포의 폭(표준오차)은 어떻게 될까요?

표준오차 = σ/√n이므로 n을 4배로 키우면 폭은 √4 = 2배, 즉 절반이 됩니다. "정밀도를 2배 올리려면 데이터는 4배"라는 비용 법칙입니다. 넘스탯(NumStats)의 브라우저 시뮬레이션에서 직접 실험으로 확인할 수 있습니다.

표본 하나의 평균은 우연 — 그러나 평균 수천 개가 쌓이면, 모집단 모양과 무관하게 종 모양이 나타납니다

이 실습의 질문 — 모집단이 아무리 삐뚤어져도, 평균들의 산은 왜 항상 종 모양일까?

원하는 개념·랩·가이드를 검색해보세요

Ctrl K

확률과 통계 실습실로 확률과 통계 이론

여론조사 1,000명, 품질검사 30개 — 세상의 모든 표본 조사가 이 정리 위에 서 있습니다

유권자 4,400만 명의 마음을 어떻게 1,000명으로 읽어낼까요? 개별 표본의 평균은 매번 다르게 나오는 우연의 산물입니다. 그런데 그 평균들이 어떻게 흩어지는지는 놀랍도록 정확하게 예측됩니다 — 모집단이 삐뚤어졌든 쌍봉이든 상관없이, 평균들은 μ를 중심으로 폭 σ/√n의 종 모양으로 모입니다. 이 실습의 3단 낙하 기계에서 표본이 평균 하나로 응축되어 쌓이는 과정을 직접 돌려 보면, 통계학이 “표본 하나로 전체를 말할 수 있는” 이유가 분명해집니다.

이 페이지에서 배우고 나면

“데이터의 분포”와 “표본평균의 분포”를 구분하고, 중심극한정리가 어느 쪽에 대한 정리인지 정확히 말할 수 있습니다.
모집단의 표준편차 σ와 평균들의 산 폭인 표준오차 σ/√n의 차이를 화면의 두 화살표로 가리키며 설명할 수 있습니다.
표본 크기 n을 4배로 늘리면 평균들의 산 폭이 절반이 되는 √n 법칙을 고스트 비교로 실측할 수 있습니다.

이 실습은 실제 계산입니다 — 그리고 정직한 한계가 있습니다

아래 히스토그램은 브라우저에서 지금 추출되는 실제 난수 표본의 실측이며, 결과를 보기 좋게 보정하지 않습니다. 함께 기억할 것:

정규분포에 가까워지는 것은 표본평균의 분포이지 원래 데이터가 아닙니다 — n=1로 놓으면 하단은 모집단을 그대로 복사하는 것을 직접 확인할 수 있습니다.
수렴 속도는 모집단 모양에 따라 다릅니다. “극단 한쪽 몰림” 프리셋은 n=5에서 여전히 삐뚤어져 있습니다 — “n≥30이면 항상 충분”은 절대 규칙이 아니라 관행적 어림값입니다.
이론 곡선 N(μ, σ/√n)은 모집단 σ를 아는 “신의 시점”입니다. 실무에서는 σ를 몰라 표본에서 추정하며, 그 불확실성을 다루는 것이 다음 실습(신뢰구간)의 주제입니다.
중심극한정리는 분산이 유한한 모집단에 대한 정리입니다 — 코시분포처럼 분산이 없는 분포에서는 성립하지 않습니다.

예측 먼저 — 실험 전에 답을 정해 보세요

예측 → 실험 → 확인

정답을 몰라도 괜찮습니다 — 먼저 예측을 정해야 시뮬레이션 결과가 기억에 남습니다. 예측을 고른 뒤 아래 시뮬레이션으로 직접 확인하고, 그다음 결과를 열어 보세요.

1. 한쪽 끝에 극단적으로 몰린(심하게 치우친) 모집단에서 크기 30짜리 표본을 뽑아 평균을 내는 일을 1,000번 반복하면, 그 표본평균 1,000개의 분포는?

2. 표본 크기 n을 4배로 키우면, 표본평균 분포의 폭(표준오차)은 어떻게 될까요?

로그인하면 예측 기록이 계정에 저장됩니다

어느 기기에서든 이어서 학습하고, 오답 기반 복습 추천을 받을 수 있습니다.

만 14세 이상이며 이용약관과 개인정보 처리방침에 동의합니다

카카오로 시작하기 네이버로 시작하기 구글로 시작하기

회원가입 절차 없음 — 닉네임만 저장하며, 이메일·연락처는 수집하지 않습니다.

3단 낙하 기계 — 뽑고, 응축하고, 쌓는다

모집단에서 n개를 뽑아(①) 평균 하나로 응축시키고(②) 그 평균들을 쌓으면(③) — 모집단이 아무리 삐뚤어져도 종 모양이 나타납니다.

추출한 표본 수

0

평균들의 표준편차 (실측)

—

이론 표준오차 σ/√n

3.082

모집단 표준편차 σ

16.9

속도

모집단 모양

표본 크기 n = 30

이론 곡선 N(μ, σ/√n)

무엇을 발견했나요?

모집단 프리셋 4개를 전부 바꿔 보세요 — 상단은 전혀 닮지 않았는데, 하단의 산은 결국 어떤 모양으로 가나요?
n을 25에서 100으로 4배 올리면(회색 고스트와 비교) 산의 폭은 몇 배가 되나요? 칩의 “실측 표준편차”와 “이론 σ/√n”으로 확인해 보세요.
하단에 쌓이는 것은 데이터인가요, 평균인가요? “데이터를 많이 모으면 정규분포가 된다”는 흔한 말의 어디가 틀렸는지 말해 보세요.

실측 요약 — 이 실습이 보여주는 것

균등·오른쪽 꼬리·쌍봉·극단 한쪽 몰림 4가지 모집단에서 크기 n의 표본을 최대 2만 번 뽑아 평균 하나로 응축시켜 쌓는 3단 낙하 기계로, 표본평균들의 분포가 모집단 모양과 무관하게 종 모양 N(μ, σ/√n)으로 수렴하는 것을 실측하는 실험입니다.

"극단 한쪽 몰림" 모집단(90%가 왼쪽 끝, 10%가 오른쪽 끝 — μ=12.75, σ=27.0)에서 n=30 표본평균 2만 개를 시드 고정 시뮬레이션으로 실측: 평균 12.73, 표준편차 4.929 — 이론 표준오차 σ/√30 = 4.931과 소수점 둘째 자리까지 일치한다
√n 법칙 실측: "오른쪽 꼬리" 모집단(σ=16.9)에서 표본평균 2,000개의 표준편차는 n=25일 때 3.39 → n=100일 때 1.71 — n을 4배로 키우자 평균들의 산 폭이 정확히 절반이 됐다 (이론 3.38 → 1.69)
n=1로 놓으면 하단의 "평균들의 분포"는 모집단 히스토그램을 그대로 복사한다 — 종 모양은 데이터를 많이 모아서가 아니라 많이 "평균 내서" 생긴다

바로잡는 오개념: "데이터를 많이 모으면 데이터가 정규분포가 된다"는 착각 — 데이터는 끝까지 모집단 모양을 따르고, 정규분포에 가까워지는 것은 표본평균의 분포다.

AI 튜터에게 물어보기

베타

— 정답 대신 힌트로 유도합니다. 지금 화면의 실험 상태를 알고 답해요.

예: “방금 결과가 이론과 다른데 왜죠?”, “이 값을 올렸는데 왜 반대로 변하죠?”

AI 답변은 부정확할 수 있습니다. 핵심 개념은 반드시 시뮬레이션 실측으로 확인하세요. 질문 0/5 · 하루 질문 한도가 있습니다

직접 해보기 — 실습 과제

기계를 천천히 관찰: 속도 1x로 “표본 추출 실행”을 눌러 몇 개만 지켜보세요. 모집단에서 점 30개가 떨어지고, 평균 하나로 응축되어, 아래에 쌓입니다 — 하단의 산은 데이터가 아니라 평균들의 산입니다.
극단 모집단 실험: “극단 한쪽 몰림” 프리셋에 n=30을 놓고 MAX 속도로 수천 개를 쌓아 보세요. 상단은 두 개의 막대뿐인데 하단에 종 모양이 나타나면, 이론 곡선 토글을 켜서 N(μ, σ/√n)과 비교하세요.
√n 법칙 검증: n=25로 2,000개를 쌓은 뒤 n을 100으로 바꾸고(이전 산이 회색 고스트로 남습니다) 다시 2,000개를 쌓으세요. n이 4배가 될 때 산의 폭 — 칩의 실측 표준편차 — 이 정확히 절반이 되는지 확인하세요.
n=1의 정체: n을 1로 내리고 MAX로 돌려 보세요. 하단이 모집단과 똑같은 모양이 됩니다. “많이 모으면 정규분포”가 아니라 “많이 평균 내면 정규분포”임이 여기서 갈립니다.
쌍봉의 변신: “쌍봉” 프리셋에서 n=2로 수천 개를 쌓아 보세요 — 봉우리가 몇 개인가요? (두 봉우리의 조합을 생각해 보세요.) 이어서 n=10으로 올리면 봉우리들이 어떻게 되는지 관찰하세요.

개념 정리 — 표집분포와 중심극한정리

표집분포(sampling distribution): 같은 모집단에서 크기 n의 표본 추출을 무수히 반복할 때, 통계량(여기서는 표본평균 x̄)이 갖는 분포. 실습의 하단 히스토그램이 바로 이것의 실측입니다.
중심극한정리(Central Limit Theorem): 평균 μ, 유한한 분산 σ²을 가진 모집단에서 뽑은 크기 n의 독립 표본의 평균은, n이 커질수록 모집단 모양과 무관하게 정규분포 N(μ, σ²/n)에 가까워집니다. 라플라스(1810)가 일반형을 제시했고 랴푸노프와 린데베르그가 20세기 초에 엄밀하게 증명했습니다.
표준편차 σ vs 표준오차 σ/√n: σ는 개별 데이터가 흩어진 폭(상단 화살표), σ/√n은 표본평균들이 흩어진 폭(하단 화살표)입니다. 정밀도를 2배로 높이려면 표본이 4배 필요하다는 √n 법칙이 여기서 나옵니다.
부술 오개념: “데이터를 많이 모으면 데이터가 정규분포가 된다” — 아닙니다. 데이터는 끝까지 모집단 모양을 따르고, 정규가 되는 것은 표본평균의 분포입니다.
다음 질문: 실무에서는 표본 ‘하나’밖에 없습니다. 평균들의 산 전체를 볼 수 없을 때, x̄ 하나로 μ를 어떻게 포위할까요? — 이것이 다음 실습(신뢰구간)의 주제입니다.

다음: 표본 하나로 모평균을 ‘포위’합니다

평균들의 산 폭(σ/√n)을 알면, 표본 하나의 x̄ 주변에 그물을 쳐서 μ를 잡을 수 있습니다 — 그것이 신뢰구간입니다. 그물 100개를 던져 “95%”의 진짜 의미를 확인하세요. 관측된 차이가 우연인지 판별하고 싶다면 가설검정 실습으로 가도 좋습니다.

더 깊이 학습하기

Freedman, Pisani & Purves (2007): “Statistics” (W. W. Norton) — 23장 표본평균의 정확도
Blitzstein & Hwang (2019): “Introduction to Probability” (CRC Press) — 10장 부등식과 극한정리
Fischer, H. (2011): “A History of the Central Limit Theorem” (Springer) — 라플라스에서 린데베르그까지, 정리가 완성된 200년의 역사