표준편차 계산 방법
표준편차는 데이터가 평균으로부터 얼마나 퍼져 있는지를 나타내는 가장 흔한 통계적 측정값 중 하나입니다. 실생활에서 표준편차는 시험 점수 변동, 매출 변동, 키 차이, 심지어 금융 데이터의 위험도와 같은 현상의 안정성 또는 변동성을 이해하는 데 도움을 줍니다. 표준편차가 작을수록 데이터는 평균에 가깝습니다. 반대로 표준편차가 크면 데이터가 평균에서 멀리 떨어져 있고 변동성이 크다는 것을 의미합니다.
이 글에서는 표준편차의 의미, 사용되는 공식, 그리고 이해하기 쉬운 예시를 통해 수동으로 계산하는 단계를 설명합니다.
1. 표준편차의 정의
표준편차는 분산의 제곱근입니다. 분산 자체는 각 데이터 포인트와 평균 간의 차이의 제곱의 평균입니다. 왜 제곱을 사용할까요? 데이터 포인트와 평균 간의 차이는 음수일 수도 있고 양수일 수도 있기 때문입니다. 음수와 양수 차이를 직접 더하면 서로 상쇄되어 잘못된 결과를 초래할 수 있습니다. 차이를 제곱하면 모든 값이 양수가 되므로 데이터 분포를 더 정확하게 측정할 수 있습니다.
간단히:
분산 = 분포의 크기를 제곱 단위로 나타낸 척도입니다.
표준편차 = 데이터가 원래 단위로 얼마나 퍼져 있는지를 나타내는 척도입니다.
예시: 데이터가 시험 점수(점수 단위) 형식인 경우, 분산은 점수 단위로, 표준 편차 또한 점수 단위로 표시되어 해석하기가 더 쉽습니다.
2. 모집단 표준편차 vs 표본 표준편차
계산을 시작하기 전에 어떤 유형의 데이터가 있는지 파악하는 것이 중요합니다.
1. 모집단: 데이터에는 연구 대상이 되는 모든 구성원이 포함됩니다.
모집단 표준편차 공식은 제수 N(데이터 개수)을 사용합니다.
2. 표본: 데이터는 전체 모집단의 일부에 불과하며, 일반적으로 더 큰 모집단을 대표하는 데 사용됩니다.
표본 표준편차 공식은 추정 편향을 보정하기 위해 제수(n-1)를 사용합니다. 이 보정을 베셀 보정이라고 합니다.
일상적인 활동(예: 연구, 설문 조사, 수업 분석)에서 데이터는 종종 표본으로 간주되므로 나누는 수는 (n − 1)입니다.
3. 표준편차 공식
A. 모집단 표준편차 공식
다음과 같은 데이터가 있다고 가정해 보겠습니다. \( x_1, x_2, \dots, x_N \)
인구 평균:
\[
\mu = \frac{\sum_{i=1}^{N} x_i}{N}
\]
인구 변동성:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
모집단 표준편차:
\[
σ = √σ²
\]
B. 표본 표준편차 공식
표본 평균:
\[
\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}
\]
표본 분산:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n – 1}
\]
표본 표준편차:
\[
s = \sqrt{s^2}
\]
4. 표준편차를 수동으로 계산하는 단계
이해를 돕기 위해 5명의 학생 시험 성적 데이터를 예로 들어 설명하겠습니다.
데이터: 60, 70, 70, 80, 90
이 데이터가 샘플이라고 가정해 보겠습니다(학습 예시에서 흔히 볼 수 있는 경우).
1단계: 평균을 계산합니다
\[
\bar{x} = \frac{60 + 70 + 70 + 80 + 90}{5} = \frac{370}{5} = 74
\]
평균 점수는 74점입니다.
2단계: 각 데이터와 평균값의 차이를 계산합니다.
차이 열 \( (x_i – \bar{x}) \)을 생성합니다.
– 60 − 74 = −14
– 70 − 74 = −4
– 70 − 74 = −4
– 80 − 74 = 6
– 90 − 74 = 16
3단계: 차이를 제곱합니다.
\( (x_i – \bar{x})^2 \ )를 계산하세요.
– (−14)² = 196
– (−4)² = 16
– (−4)² = 16
– 6² = 36
– 16² = 256
4단계: 차이의 제곱을 더합니다.
\[
Σ(x_i – \bar{x})^2 = 196 + 16 + 16 + 36 + 256 = 520
\]
5단계: 분산을 계산합니다 (표본의 경우 n − 1로 나눕니다).
n = 5이므로 n − 1 = 4입니다.
\[
s^2 = \frac{520}{4} = 130
\]
따라서 표본 분산은 130입니다.
6단계: 분산의 제곱근을 구하여 표준편차를 구합니다.
\[
s = \sqrt{130} \approx 11{,}40
\]
따라서 데이터의 표준편차는 약 11,40입니다. 이는 학생들의 점수가 평균 74점에서 평균적으로 약 11점 정도 벗어난다는 것을 의미합니다.
5. 간편한 방법: 대체 공식 (계산)
위에서 설명한 수동 방법 외에도, 특히 데이터 양이 많을 경우 계산 속도를 높이기 위해 자주 사용되는 계산 공식이 있습니다.
표본 분산:
\[
s^2 = \frac{\sum x_i^2 – \frac{(\sum x_i)^2}{n}}{n – 1}
\]
이 공식은 차이를 하나씩 계산하는 것을 피하지만, 데이터의 제곱합을 계산할 때 여전히 정확성이 요구됩니다.
하지만 개념 이해를 위해서는 단계별 방법(차이 → 제곱 → 합)이 일반적으로 더 쉽고 오류 발생 가능성도 낮습니다.
6. 표준편차의 해석
표준편차는 단순히 숫자로만 존재하는 것이 아니라 해석되어야 합니다.
표준편차가 작을수록 데이터가 평균값 근처에 집중되어 변동성이 낮고 결과의 일관성이 높아집니다.
– 표준편차가 큼: 데이터가 평균에서 멀리 퍼져 있고, 변동성이 크며, 결과의 일관성이 떨어짐.
예를 들어, 두 학급의 평균 점수가 모두 74점이라고 가정해 봅시다. 만약 A 학급의 표준편차가 5이고 B 학급의 표준편차가 15라면, A 학급의 점수 분포는 더 고르고 안정적입니다. B 학급은 점수의 변동성이 더 커서, 어떤 학생은 매우 낮고 어떤 학생은 매우 높습니다.
7. 흔히 저지르는 실수
표준편차 계산 시 흔히 저지르는 실수 몇 가지:
1. 표본과 모집단을 구분하지 못해서 나누는 수가 잘못되었습니다 (N 대 n-1).
2. 평균값을 잘못 계산하여 이후의 모든 단계가 잘못되는 경우.
3. 차이를 제곱하는 것을 잊거나, 마지막에 제곱근을 계산할 때 실수를 하는 경우.
4. 숫자의 덧셈이나 제곱을 계산할 때 발생하는 산술 오류.
오류를 방지하려면 계산표를 만들고 결과를 다시 확인하는 것이 좋습니다.
폐회
표준편차 계산은 단계를 정확히 따르면 실제로 어렵지 않습니다. 평균을 계산하고, 각 데이터 세트의 차이를 구하고, 차이를 제곱하고, 모두 더하고, (n 또는 n-1로) 나눈 다음 제곱근을 취하면 됩니다. 표준편차를 이해하면 데이터의 일관성과 변동성을 평가할 수 있습니다.
원하시면 더 많은 데이터를 사용한 추가 예시, 그룹화된 데이터 예시(빈도표), 또는 엑셀/구글 시트를 사용하여 표준 편차를 계산하는 방법 등을 만들어 드릴 수 있습니다.
