주요 개념

  • 통계 (Statistics): 데이터 수집 과정의 설계, 분석 결과의 요약 및 해석, 결론까지 도출하기 위한 원칙과 방법론. 데이터를 이해하고 변동성 (Variability)와 불확실성 (Uncertainty)에 직면하여 의사결정을 내리는 응용 학문.
    • 데이터 ≠ 정보
    • 데이터 = 시그널(정보) + 노이즈
  • 모집단 (Population): 우리가 알고 싶어하는 대상이자 집단 전체. e.g. 대한민국 전체 인구, 센터 전체 근로자.
  • 표본 (Sample): 우리가 측정 또는 관찰한 결과들의 집합. 모집단의 부분 집합. e.g. 한 개 FC 센터 근로자 10명.
  • 모수 (Parameter): 모집단의 특성을 설명하는 수치. e.g. 모평균, 모분산, 모비율.
  • 통계량 (Statistic): 표본의 특성을 설명하는 수치. e.g. 표본 평균, 표본 분산, 표본 비율.

 

 

모집단과 표본과의 관계

 

표본추출 및 추론으로 설명 될 수 있는 모집단과 표본간의 관계

 

  • ‘모집단’ (Population)은 사용자가 알고 싶어하는 집단 전체를 의미합니다. 예를 들어 사용자가 대한민국 남자와 여자의 평균 키를 알고 싶다면, 모집단은 ‘대한민국 모든 남자와 여자의 키’가 됩니다. 다른 예시로, 새롭게 개발된 백신 A, B가 있을 때 이 백신 A를 처방했을때와, 백신 B를 처방했을 때 어떤 임상 효과가 있는지 알고 싶다고 한다면 모집단은 백신 A와 B를 처방했을 떄 발생한 모든 효과를 포함합니다.
  • ‘표본’ (Sample)은 모집단에 대해 추정하기 위해 선정 혹은 추출된 부분 집합입니다. 모집단의 분포가 어떻게 되어있는지 정확하게 알기 위해서는 전수조사가 필요하나 경제적으로 전수조사는 거의 불가능하고 비효율적입니다. 따라서 표본추출을 통해 모집단 전체에 대한 추정치를 대신 산출하게 됩니다. 표본자료의 평균, 분산, 분포 모양과 같은 요소를 통해 전체 모집단이 어떻게 생겼는지 추론할 수 있습니다. 앞서 언급된 예시 관련, 대한민국 모든 남자와 여자의 키를 조사하기 위해 한 학교를 선정해 조사한다면 해당 학교가 조사를 위한 표본이 됩니다. 백신 처방에 대한 효과를 분석하기 위해 실험에 참여한 인원을 임상 시험의 표본이라고 볼 수 있습니다.

 

기술 통계와 추론 통계의 차이

 

  • 통계는 데이터를 다루는 목적에 따라 ‘기술통계학’과 ‘추론 통계학’으로 나눠집니다. 평균, 중앙값, 산포도와 같은 수치로 주어진 자료를 요약하고 특성을 분석하는 것을 ‘기술통계학’ (Descriptive Statistics)이라고 합니다. 이와 반대로 주어진 자료 자체를 분석하는 것이 아닌, 표본의 평균, 중앙값, 산포도와 같은 수지 자료를 바탕으로 추출된 모집단이 어떻게 생겼는지 파악하는 것을 ‘추리 통계학’(Inferential Statistics)이라고 합니다. 모집단의 특성을 수치로 나타낸 것을 ‘모수’ (Parameter), 표본의 특성을 수치로 나타낸 것을 ‘통계량’ (Statistic)이라고 합니다.

 

 

예시: 물류센터에서 근로할 수 있는 잠재적 인원 추산

  • ‘물류센터에서 근무할 수 있는 잠재적 인구수 파악’이라는 주제를 갖고 완벽하게 조사하려면 대한민국에 거주하는 경제활동인구 (만 15세 이상 인구 중 재화나 용역을 생산하기 위해 노동을 제공할 의사와 능력이 있는 사람) 대상으로 설문을 진행하는 전수조사를 고려 할 수 있으나, 이는 현실적으로 불가능합니다. 따라서 현재 물류센터에서 근무하는 인원을 대상을 표본이라고 보고 해당 인원들에 대한 통계량을 바탕으로 대한민국에 거주하는 경제활동인구에 대한 모수를 추론하게 된다면 통계적 방식으로, 전수조사 없이 물류센터에서 근무할 수 있는 잠재적 인구수를 추론하는 과정이라고 볼 수 있습니다.
  • 해당 시나리오에서 모집단은 ‘물류센터에서 근무할 수 있는 잠재적 인구수’, 표본은 ‘현재 물류센터에서 근무하는 인원’입니다.

 

+ Recent posts