[내일배움캠프] QA/QC_5기 ( 36일차 )

[ADsP 복습] 통계와 확률 분포 핵심 개념 완벽 정리

1. 통계 분석의 기초: 모집단과 표본

통계는 특정 집단을 조사하여 얻은 자료를 요약하고 분석하는 학문

• 모집단(Population): 조사하고자 하는 정보의 전체 대상.
• 표본(Sample): 모집단의 일부분으로, 우리가 실제로 조사하는 대상.
• 모수(Parameter): 모집단의 특성을 나타내는 값.
• 통계량(Statistic): 모수를 추론하기 위해 표본에서 구한 요약 수치.

2. 데이터의 종류: 측정 척도

데이터를 어떻게 측정하느냐에 따라 분석 방법이 달라진다.

• 질적 척도 (범주형): 숫자의 크기 차이가 의미 없는 자료
  
  • 명목 척도: 성별, 출생지 등 단순히 분류를 위한 척도
  • 순서 척도: 만족도, 학년 등 서열 관계가 있는 척도.
• 양적 척도 (수치형): 숫자 크기 차이를 계산할 수 있는 자료.
  • 구간 척도: 온도, 지수 등 속성의 양을 측정.
  • 비율 척도: 절대적 '0'이 존재하며 비율 계산이 가능.

3. 확률의 기본 개념

확률은 특정 사건이 일어날 가능성을 수치로 나타낸 것.

독립 사건: 한 사건이 다른 사건에 영향을 주지 않는 관계.

• 배반 사건: 두 사건이 동시에 발생할 수 없는 관계.
• 조건부 확률: 사건 A가 발생했다는 전제하에 사건 B가 발생할 확률.

4. 확률 변수와 확률 분포

확률 실험의 결과를 숫자로 바꾸면 확률 변수가 되고, 이 변수들이 가지는 확률의 패턴을 확률 분포라고 한다.

분류	특징	주요 분포 예시
이산확률분포	값을 셀 수 있는 경우 (확률질량함수)	베르누이, 이항, 기하 분포
연속확률분포	특정 구간 내 모든 실숫값을 가질 때 (확률밀도함수)	균일, 정규, t, 카이제곱, F 분포

5. 주요 확률 분포 요약

• 정규 분포: 평균을 중심으로 좌우 대칭인 종 모양의 분포로, 가장 대표적인 분포입니다.
• t-분포: 표본이 적을 때 모집단의 평균을 추정하기 위해 사용합니다.
• 카이제곱 분포: 두 집단 간의 동질성 검정이나 모분산 검정에 활용됩니다.
• F-분포: 두 집단 간 분산이 동일한지 검정할 때 사용합니다.

 

1. 연속확률분포의 시각적 이해

연속확률변수는 특정 구간의 전체 값을 가지기 때문에 그래프 아래의 면적(Integral)이 곧 확률이 됨.

① 균일 분포 (Uniform Distribution)

모든 확률 변수가 구간 내에서 동일한 확률을 가질 때 나타납니다. 그래프는 평평한 직사각형 형태를 띤다.

• 특징: 시작점 a부터 끝점 b까지 높이가 1/(b-a)로 일정함.
• 시각화 포인트: 직사각형의 넓이가 항상 1이 됨을 강조.

• 

② 정규 분포 (Normal Distribution)

자연계와 사회 현상에서 가장 많이 발견되는 분포로, 평균($\mu$)을 중심으로 대칭인 종 모양(Bell-shape).

• 특징: 평균에 데이터가 가장 많이 몰려 있고, 표준편차($\sigma$)가 클수록 그래프가 옆으로 퍼지고 낮아짐.
• 시각화 포인트: 평균 위치의 중심축과 표준편차에 따른 곡선의 기울기 변화.

• 

---

2. 추론 통계에서 활용되는 주요 분포

표본을 통해 모집단을 추정할 때 사용하는 분포들입니다. 자유도($df$)라는 개념에 따라 그래프 모양이 변하는 것이 특징.

③ t-분포 (t-Distribution)

표본의 크기가 작을 때 모집단의 평균을 추정하기 위해 사용.

• 특징: 표준정규분포와 비슷하게 0을 중심으로 대칭이지만, 양쪽 끝(Tail)이 정규분포보다 더 두껍다.
• 변화: 자유도(표본 수 - 1)가 커질수록 정규분포에 가까워진다.

• 

④ 카이제곱 분포 (Chi-Square Distribution) & F-분포 (F-Distribution)

주로 분산 검정이나 독립성 검정에 사용되며, 항상 0 이상의 값만 가짐.

• 특징: 오른쪽으로 긴 꼬리를 가진 비대칭 형태.
• 변화: 자유도가 커질수록 그래프가 점점 오른쪽으로 이동하며 정규분포와 유사한 대칭형태로 변함.

---

3. 데이터의 분포 특징을 보여주는 측도

개념	그래프상의 특징	시각적 의미
왜도 (Skewness)	꼬리가 어느 쪽으로 긴가?	양수: 왼쪽 밀집(꼬리 우측) / 음수: 오른쪽 밀집(꼬리 좌측)
첨도 (Kurtosis)	정규분포보다 얼마나 뾰족한가?	데이터가 중앙에 얼마나 집중되어 있는지를 나타냄