통계적 추정 — 표본으로 모집단 추론하기

💡 왜 필요할까요?

코로나19 백신 임상시험에서 4만 명을 대상으로 효과를 검증했습니다. 전 세계 수십억 명 중 4만 명의 결과로 모든 사람에게 적용되는 결론을 내릴 수 있는 것 — 이것이 통계적 추정의 힘입니다. 95% 신뢰구간 $[94\%, 96\%]$는 이 백신의 실제 효과율이 이 범위에 포함된다는 뜻입니다.

📜 역사 이야기

20세기 초, 농업 연구소에서 일하던 영국의 수학자 로널드 피셔는 인류 역사를 바꿀 질문과 씨름하고 있었습니다. "비료 A가 비료 B보다 수확량을 늘리는가?" 이 질문을 답하려면 전국의 모든 농지를 실험해야 할까요? 아닙니다 — 피셔는 통계적 추론으로 **일부 표본만으로 전체를 판단하는 방법**을 정립했습니다. 피셔는 로담스테드 실험소(Rothamsted Research)에서 수십 년 데이터를 분석하며 현대 통계학의 기초를 쌓았습니다. 그의 1925년 저서 《연구자를 위한 통계 방법(Statistical Methods for Research Workers)》은 생물학, 농업, 의학 분야에 통계학을 전파한 혁명적 교과서였습니다. 피셔는 여기서 **최대우도추정(MLE)**, **분산분석(ANOVA)**, **유의성 검정(significance test)**을 체계화했습니다. 통계적 추정의 또 다른 축은 예르지 네이만(Jerzy Neyman)과 에곤 피어슨(Egon Pearson)이 1933년 정립한 **신뢰구간(confidence interval)** 이론입니다. 그들은 "모수가 특정 구간에 포함된다는 것을 95% 확신한다"는 진술의 정확한 의미를 규정했습니다. 피셔와 네이만-피어슨은 철학적 해석을 두고 평생 논쟁했지만, 두 접근법은 오늘날 통계학의 두 기둥이 되었습니다. 현대의 갤럽(Gallup) 여론조사, FDA의 신약 승인, 넷플릭스의 A/B 테스트, 선거 출구조사까지 — 모두 피셔와 네이만-피어슨이 만든 통계적 추론 체계 위에서 작동합니다. 전국민 1%도 안 되는 표본으로 선거 결과를 예측하는 것은 기적이 아니라 수학입니다.

"데이터의 최선의 활용은 우리의 무지를 줄이는 것이다." — 로널드 피셔

🔬 직접 발견하기

📐 공식 이해하기

$\bar{X}$는 표본평균, $\sigma$는 모표준편차, $n$은 표본 크기, $z_{\alpha/2}$는 신뢰 계수입니다. 95% 신뢰구간에서는 $z_{0.025} = 1.96 \approx 2$, 99%에서는 $z_{0.005} = 2.576 \approx 2.58$을 사용합니다. 오차 한계 $e$는 신뢰구간의 절반 폭입니다.

\bar{X}

표본평균 (모평균 $\mu$의 추정량)

$\sigma$

모표준편차 (기지(既知) 또는 표본이 클 때 $s$로 대체)

$n$

표본 크기

z_{\alpha/2}

신뢰 계수 (95%: 1.96, 99%: 2.576)

$e$

오차 한계 (margin of error) = 신뢰구간 절반 폭

\frac{\sigma}{\sqrt{n}}

표준오차 (표본평균의 표준편차)

1. 1
   중심극한정리: $n$이 크면 $\bar{X} \sim N\!\left(\mu, \frac{\sigma^2}{n}\right)$
2. 2
   표준화: $Z = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0,1)$
3. 3
   95% 조건: $P(-1.96 \leq Z \leq 1.96) = 0.95$
4. 4
   부등식 변환: $P\!\left(\bar{X} - 1.96\frac{\sigma}{\sqrt{n}} \leq \mu \leq \bar{X} + 1.96\frac{\sigma}{\sqrt{n}}\right) = 0.95$
5. 5
   신뢰구간: $\left[\bar{X} - 1.96\frac{\sigma}{\sqrt{n}},\; \bar{X} + 1.96\frac{\sigma}{\sqrt{n}}\right]$

📝 퀴즈로 확인하기

📋 수능 기출 문제