표본분포

전체(모집단)를 모두 조사하기는 어렵기 때문에 일부(표본)를 뽑아 전체를 추측한다. 그러려면 표본에서 계산한 값, 특히 표본평균이 어떻게 흩어지는지 알아야 한다.

핵심 개념

  • 모평균 $m$, 모표준편차 $\sigma$: 모집단의 평균과 표준편차
  • 표본평균 $\bar X=\frac{X_1+\cdots+X_n}{n}$: 표본에 따라 달라지는 확률변수
  • 표본평균의 분포: $E(\bar X)=m$, $V(\bar X)=\frac{\sigma^2}{n}$, $\sigma(\bar X)=\frac{\sigma}{\sqrt n}$
  • 모집단이 정규분포이면 $\bar X\sim N\!\left(m,\frac{\sigma^2}{n}\right)$
  • 중심극한정리: 모집단의 분포와 상관없이, $n$이 충분히 크면 $\bar X$는 근사적으로 $N\!\left(m,\frac{\sigma^2}{n}\right)$을 따른다.
표본 크기 1, 4, 16일 때 표본평균 분포의 폭이 좁아지는 그림
표본이 커질수록 표본평균은 모평균 근처에 모인다

핵심 정리

$E(\bar X)=m$, $V(\bar X)=\frac{\sigma^2}n$

증명 보기

$X_1,\dots,X_n$이 모두 모집단과 같은 분포를 따르고 서로 독립이라 하자(복원추출).

  • 기댓값의 합의 성질에 의해 $E(\bar X)=\frac1n\{E(X_1)+\cdots+E(X_n)\}=\frac1n\cdot nm=m$
  • 독립인 확률변수의 분산은 더해지고 $V(aX)=a^2V(X)$이므로 $V(\bar X)=\frac{1}{n^2}\{V(X_1)+\cdots+V(X_n)\}=\frac{1}{n^2}\cdot n\sigma^2=\frac{\sigma^2}{n}$ $\blacksquare$

표준편차가 $\frac{1}{\sqrt n}$배가 되므로, 오차를 절반으로 줄이려면 표본을 $4$배로 늘려야 한다.

예제

모평균 $50$, 모표준편차 $12$인 모집단에서 크기 $36$인 표본을 뽑으면 $\bar X$의 평균은 $50$, 표준편차는 $\frac{12}{6}=2$이다. $P(\bar X\ge54)\approx P(Z\ge2)\approx0.023$

확인 문제

표본평균의 표준편차를 $\frac{\sigma}{5}$ 이하로 만들려면 표본의 크기는 최소 얼마여야 하는가?

풀이 보기

$\frac{\sigma}{\sqrt n}\le\frac\sigma5$에서 $\sqrt n\ge5$, $n\ge25$이다.

정리

  • 표본평균: 평균 $m$, 표준편차 $\frac{\sigma}{\sqrt n}$
  • 중심극한정리: 표본이 크면 표본평균은 정규분포에 가깝다.
알림: 보호된 콘텐츠입니다.