PE Notes · 확률통계
중심극한정리/t-검정/z-검정 (대수의 법칙 포함)
대수의 법칙(Law of Large Numbers, LLN): 표본 크기 n이 커질수록 표본평균 x̄가 모평균 μ에 수렴한다는 정리 — 약한 법칙(확률 수렴)·강한 법칙(거의 확실한 수렴)
(Law of Large Numbers, LLN): 표본 크기 n이 커질수록 표본평균 x̄가 모평균 μ에 수렴한다는 정리 — 약한 법칙(확률 수렴)·강한 법칙(거의 확실한 수렴). (Central Limit Theorem, CLT): 평균 μ·분산 σ²(유한)인 모집단에서 크기 n인 표본을 뽑으면, 모집단 분포와 관계없이 n이 충분히 클 때 표본평균의 분포가 정규분포 N(μ, σ²/n)에 근사한다는 정리.
구조와 칸
| 조건 | 사용 |
|---|---|
| σ를 앎 | z-검정 |
| σ 모름 + 대표본(n ≥ 30) | z-검정 근사 가능(실무에서는 t-검정도 무방) |
| σ 모름 + 소표본 + 모집단 정규 | t-검정 |
| 정규성 의심 + 소표본 | 비모수 검정(윌콕슨 부호 순위 등) |
| 비율 검정(대표본) | z-검정 |
표본평균의 평균 = μ, 표본평균의 표준편차() = σ ÷ √n. 표준화: Z = (x̄ − μ) ÷ (σ ÷ √n) ~ N(0, 1) (n 충분히 클 때). "충분히 큰 n": 관행적으로 n ≥ 30, 모집단이 심하게 치우치면 더 큰 n 필요, 모집단이 정규면 어떤 n에서도 정확히 성립. 주사위 예: 한 번 던지기는 균등분포(1~6)지만, 30번 던진 평균의 분포는 3.5 근처 종 모양.
대수의 법칙 vs 중심극한정리
| 기준 | 대수의 법칙 | 중심극한정리 |
|---|---|---|
| 말하는 것 | 표본평균이 어디로 가는가(μ) | 표본평균이 어떻게 퍼져 있는가(정규, σ/√n) |
| 필요 조건 | 유한 평균, 독립 동일 분포 | 유한 분산, 독립 동일 분포, 충분한 n |
| 용도 | 추정의 일치성 보장 | 신뢰구간·검정의 분포 근거 |
| 기준 | z-검정 | t-검정 |
|---|---|---|
| 모분산 | 앎(또는 대표본) | 모름(s로 대체) |
| 표본 크기 | 대표본 | 소표본도 가능 |
| 분포 | 표준정규 | t(df = n − 1) |
| 임계값(95% 양측) | 1.96 | 에 따라 큼(df 8: 2.306) |
| 종류 | 평균·비율 검정 | 일표본·독립표본·대응표본 |
품질 관리: 표본평균 관리도(X̄ 관리도) — CLT로 관리 한계 ±3σ/√n 설정. A/B 테스트: 대표본 전환율 차이 z-검정. 소규모 실험: 신약·교육 효과 소표본 t-검정.
답안은 중심극한정리/t-검정/z-검정 (대수의 법칙 포함)의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
확률통계
통계적 가설검정과 유의수준
통계적 가설검정(Statistical Hypothesis Test): 모집단에 대한 주장(가설)이 맞는지를 표본 자료로 확률적으로 판단하는 절차
확률통계
점추정/구간추정
추정(Estimation): 표본 자료로 모집단의 모수(평균 μ·비율 p·분산 σ²)를 추측하는 통계적 추론
확률통계
독립표본 t-검정 vs 대응표본 t-검정
독립표본 t-검정(Independent Samples t-test, 2-sample t-test): 서로 다른 두 집단(예: A반 vs B반, 실험군 vs 대조군)의 모평균이 같은지 검정 — 두 표본이 서로 독립