키, 시험 점수, 제품의 무게처럼 자연스럽게 생기는 데이터를 큰 규모로 모아서 그래프를 그려보면, 평균 근처에 데이터가 잔뜩 몰려 있고 평균에서 멀어질수록 점점 줄어드는 좌우대칭 종 모양이 나타날 때가 많아요. 이런 분포를 정규분포라고 해요.
정규분포는 딱 두 값, 평균(μ)과 표준편차(σ)만으로 모양이 완전히 결정돼요. 평균은 곡선의 중심 위치를, 표준편차는 곡선이 얼마나 넓게 퍼져 있는지를 나타내요. σ가 작으면 데이터가 평균 근처에 뾰족하게 몰려 있고, σ가 크면 넓게 퍼져 있는 납작한 곡선이 돼요.
정규분포에는 아주 유용한 규칙이 하나 있어요. μ와 σ가 어떤 값이든 상관없이, 평균에서 표준편차 1배 안에는 항상 전체 데이터의 약 68%가, 2배 안에는 약 95%가, 3배 안에는 약 99.7%가 모여 있다는 거예요. 이걸 경험적 법칙(68-95-99.7 법칙)이라고 불러요. 이 규칙 덕분에 "이 값이 평균에서 얼마나 떨어져 있는가"만 알면, 굳이 복잡한 계산 없이도 그 값이 상대적으로 흔한 값인지 아주 드문 값인지 바로 감을 잡을 수 있어요.
여기서 자연스럽게 이어지는 주제가 추정이에요. 어떤 모집단 전체(예: 전국 고1 학생 전체의 키)를 다 조사하는 건 현실적으로 어려우니까, 그중 일부인 표본만 뽑아서 조사하고 그 결과로 전체를 짐작해요. 표본에서 계산한 평균을 표본평균(x̄)이라고 하는데, 표본평균은 매번 표본을 뽑을 때마다 조금씩 달라져요. 그래서 "모평균은 정확히 이 값이다"라고 딱 잘라 말하기보다, "이 범위 안에 있을 가능성이 높다"는 식으로 신뢰구간을 제시하는 게 더 정직한 방법이에요.
모표준편차 σ를 알고 있을 때, 모평균에 대한 신뢰구간은 x̄ ± z×(σ/√n) 형태로 구해요. 여기서 n은 표본 크기, z는 신뢰수준에 따라 정해지는 값이에요(95% 신뢰수준이면 z=1.96, 99%면 z=2.58을 써요). σ/√n을 표준오차라고 부르는데, 이름 그대로 표본평균이 모평균에서 얼마나 떨어져 있을지에 대한 오차의 정도를 나타내요.
이 식에서 가장 중요한 통찰은, 표본 크기 n이 커질수록 √n이 커지면서 표준오차(σ/√n)는 점점 작아진다는 거예요. 즉 표본을 더 많이 뽑을수록 신뢰구간이 좁아지고, 추정은 더 정확해져요. 반대로 더 높은 신뢰수준(예: 95%→99%)을 원하면 z값이 커지면서 구간도 함께 넓어져요 — 더 확신을 갖고 싶으면 그만큼 더 넓은 범위를 제시해야 하는 거죠.
저희 체험 페이지에서는 슬라이더로 평균과 표준편차를 바꿔가며 경험적 법칙을 직접 확인할 수 있고, 표본 크기와 신뢰수준을 바꿔가며 신뢰구간이 넓어지고 좁아지는 모습을 숫자와 그래프로 동시에 확인할 수 있어요.