통계 분석에서 혼동하기 쉬운 모집단·표본·분포 용어

표본에서 시작해 모집단의 판단으로 이어지는 과정

분석에서 직접 관측하는 것은 대개 모집단 전체가 아니라 그 일부인 표본이다. 이 차이를 분명히 해두지 않으면 표본에서 얻은 결과를 모집단의 사실처럼 과도하게 해석하게 된다.

모집단(population)은 관심 대상 전체집합이다. 특정 국가의 성인 전체가 한 예다. 모집단의 분포 특성을 규정하는 값은 모수(population parameter)이며, 모집단 평균 μ, 분산 σ², 비율 p가 이에 해당한다.

표본(sample)은 모집단에서 선택한 부분집합이다. 표본추출 방식에 따라 대표성은 달라진다. 표본의 특성을 수치로 표현한 표본통계량(sample statistic)은 표본평균 x̄, 표본분산 s², 표본비율 p̂처럼 나타내며 모수 추정에 사용한다.

실무의 흐름은 모집단과 모수를 상정한 뒤 표본을 추출하고, 표본통계량을 계산해 모수를 추정하거나 가설을 검정하는 방식이다. 편향 없는 추출과 충분한 표본크기가 정밀도와 타당성에 영향을 준다.

확률현상을 데이터 모델로 읽는 법

확률현상은 가능한 결과의 범위는 알 수 있지만 실제 결과는 불확실한 현상이다. 동전 던지기가 대표적이다. 확률변수(random variable)는 그 결과를 수로 대응시키는 변수이며, 셀 수 있는 값을 갖는 이산형과 셀 수 없는 값을 갖는 연속형으로 나뉜다.

함수(function)는 집합 원소 사이의 매핑 관계다. 통계에서는 분포가 값에서 확률 또는 밀도로 이어지는 함수로 표현된다. 데이터 생성 메커니즘과 측정단위를 기준으로 계수형 데이터에는 이산 모델을, 측정형 데이터에는 연속 모델을 선택할 수 있다. 계산 편의와 적합도 사이에는 트레이드오프가 있으며, 연속근사인 정규근사를 쓸 때는 조건을 검토해야 한다.

확률분포(probability distribution)는 확률변수가 취하는 값의 확률 구조를 뜻한다. 예를 들어 P(X=1)=1/2처럼 표현한다. 이산확률분포(discrete)는 정수처럼 셀 수 있는 값을 다루며 베르누이, 이항, 포아송 분포가 예다. 연속확률분포(continuous)는 실수 구간의 값을 다루고 정규, 감마, 지수 분포가 여기에 속한다.

pmf·pdf·cdf는 계산 목적이 다르다

이산형 확률변수 X에는 확률질량함수(pmf)를 사용한다. p(x)=P(X=x)이며, 모든 x에서 p(x)≥0이고 Σ p(x)=1이다.

연속형 확률변수에는 확률밀도함수(pdf)가 쓰인다. f(x)≥0이고 구간 확률은 P(a≤X≤b)=∫[a,b] f(x)dx로 계산한다. 전체 적분은 1이며, 연속형에서는 P(X=x)=0이다. pdf의 값은 확률이 아니라 밀도라는 점을 구분해야 한다.

누적분포함수(cdf)는 F(x)=P(X≤x)로 정의된다. 비감소하고 오른쪽 연속이며, 이산형에서는 계단형으로, 연속형에서는 매끈한 곡선으로 나타난다. 누적 확률과 분위수 계산이 필요한 상황에서 특히 유용하다.

개념	적용대상	정의·역할	핵심 성질	사건확률 계산
pmf p(x)	이산	P(X=x)	p(x)≥0, Σ p(x)=1	P(X∈A)=Σ p(x), x∈A
pdf f(x)	연속	밀도 함수	f(x)≥0, ∫ f(x)dx=1	P(a≤X≤b)=∫[a,b] f(x)dx
cdf F(x)	이산·연속	누적확률 P(X≤x)	비감소, 오른쪽 연속	P(a<X≤b)=F(b)-F(a)

iid 가정은 편리하지만 자동으로 성립하지 않는다

iid는 independent and identically distributed의 약자로, 복수의 확률변수가 서로 독립이고 동일한 분포를 따른다는 뜻이다. 현업에서는 “독립동일분포” 표기를 권장하며, “독립항등분포”와 동의어다.

이 가정은 표본평균의 불편성·일치성, 중심극한정리 적용, 단순한 표준오차 공식 사용을 가능하게 한다. 반면 시계열의 시간의존성, 집단 내 상관으로 인한 군집효과, 개체 이질성이 존재하면 위반될 수 있다. 이런 경우 재표본화, 계층화, 혼합모형 같은 보완 방법을 검토한다.

분포를 입력에서 출력으로 이어지는 매핑으로 보면 예측·추정·검정 절차를 같은 틀에서 설계할 수 있다. 모형 선택, 적합, 검증(진단), 배포까지 이어지는 운영 사이클을 관리하는 관점이기도 하다.

가정 점검을 분석 흐름에 포함하기

⤢✕

샘플링 편향이 발생하면 가중치 보정이나 층화설계를 적용한다. 독립성 위반에는 블록·클러스터 설계, 로버스트 표준오차, 시계열 모형을 적용할 수 있다. 동일분포 위반인 드리프트가 확인되면 구간별 적합, 온라인 리트레이닝, 변화점 탐지를 수행한다.

분석 환경에서 만나는 적용 장면

A/B 테스트에서는 전환을 베르누이·이항으로 다루고, 대규모 상황에서는 정규근사를 사용한다. cdf는 최소검출효과와 검정력 산정에 쓰인다. 사용자 단위 무작위배정과 쿠키·세션 중복 제어는 iid 위반을 줄이는 방법이다.

제조 공정 품질 관리에서는 포아송·바이노멀 분포로 결점수를 모델링하고, 정규 공정능력지수 Cp, Cpk를 평가한다. 표본크기, 검출력, 검사비용의 트레이드오프도 함께 관리 대상이 된다.

신용·리스크 분석에서는 로지스틱으로 이항 사건을, 감마·로그정규 분포로 손실규모를 다룰 수 있다. cdf는 VaR과 ES 계산에 활용된다. 비독립 포트폴리오에서는 상관구조인 코퓰라를 도입해 iid 가정을 완화한다.

데이터 제품 모니터링에서는 cdf와 분위수로 지표 분포를 추적하고, KS와 PSI로 드리프트를 감지한다. 이상치와 결측 처리 방식을 표준화하면 통계량의 안정성을 확보하는 데 도움이 된다.

표본크기를 효과량·분산 기반으로 설계하면 실험 비용을 20~40% 절감 가능하다. 적합한 분포 선택은 추정오차(RMSE) 감소와 검정력(1-β) 향상으로 이어질 수 있다. 용어·가정·절차를 표준화하면 커뮤니케이션 비용을 낮추고, 분석의 재현성 및 감사 가능성을 강화해 운영 리스크를 완화할 수 있다.