기술통계: 평균, 중앙값, 산포도와 그래프
혈압을 잰 숫자 스무 개를 받았다고 합시다. 숫자를 늘어놓기만 해서는 아무것도 보이지 않습니다. 가운데가 어디인지, 얼마나 퍼졌는지, 어떤 모양인지를 몇 개의 숫자와 그림으로 줄여 봅니다. 점을 끌면 숫자와 그림이 같이 바뀝니다. 이 쪽의 자료는 모두 지어낸 것입니다.
한 줄 답. 기술통계는 숫자 더미를 몇 개의 숫자와 그림으로 줄여 한눈에 보게 하는 일입니다. 대푯값(central tendency, 가운데)이 어디인지(평균, 중앙값), 얼마나 퍼졌는지(범위, 사분위 범위, 표준편차), 어떤 모양인지(히스토그램, 상자 그림)를 봅니다. 모양이 한쪽으로 치우쳤거나 이상치(outlier, 튀는 값)가 있으면 평균과 표준편차보다 중앙값과 사분위 범위가 자료를 더 잘 나타냅니다.
| n | 평균 | 중앙값 | Q1 | Q3 | 사분위 범위 | 최솟값 | 최댓값 | 표준편차 s |
|---|---|---|---|---|---|---|---|---|
점 하나가 한 사람입니다. 점을 좌우로 끌거나, 사람을 고르고 혈압 칸에 숫자를 넣어 보세요(90 ~ 200). 주황 세모는 평균, 검은 점선은 중앙값입니다. 가운데 상자 그림의 파란 상자는 Q1 에서 Q3 까지(가운데 절반), 상자 안의 굵은 선은 중앙값, 양옆의 선(수염)은 울타리 안에서 가장 먼 값까지 갑니다. 주황 점선 둘이 울타리(Q1 − 1.5 × IQR, Q3 + 1.5 × IQR)이고, 그 밖의 값은 주황 점과 주황 동그라미로 그립니다. 맨 아래 히스토그램은 같은 자료를 칸 너비만큼씩 나눠 센 막대입니다. 20명의 혈압은 지어낸 값이고, 1 ~ 7번은 6절의 손 예제와 같은 숫자입니다. 표준편차는 n − 1 로 나눈 값입니다(5절).
1. 기술통계란: 숫자 더미를 줄이기
기술통계는 가진 자료를 있는 그대로 요약하는 일입니다. 「이 20명의 혈압은 대략 어떻다」를 숫자 몇 개와 그림 한두 장으로 말합니다. 요약은 세 가지를 봅니다.
- 대푯값(가운데): 값들이 대체로 어디에 있나. 평균, 중앙값, 최빈값(2절).
- 산포도(dispersion, 퍼짐): 얼마나 흩어져 있나. 범위, 사분위 범위, 표준편차(3절).
- 모양: 대칭인가, 한쪽으로 꼬리가 긴가, 봉우리가 둘인가, 이상치가 있나. 히스토그램, 상자 그림, 점 그림(4, 7, 8절).
이 20명을 넘어 모집단(population, 더 큰 무리)에 대해 말하려면(「이런 사람들은 대체로 어떻다」) 추론 통계가 필요합니다. 그것은 다음 주제인 표본분포부터 신뢰구간, 가설 검정으로 이어집니다. 기술통계는 그 모든 분석의 첫걸음입니다.
자료의 종류: 무엇을 셀 수 있나
어떤 요약과 그림을 쓸지는 먼저 자료의 종류가 정합니다. 예는 모두 지어낸 것입니다.
| 종류 | 예 | 대푯값 | 산포도 | 그림 |
|---|---|---|---|---|
| 범주형: 이름만 다르다 | 혈액형 A·B·O·AB, 사는 지역 | 최빈값, 칸마다의 수와 비율(%) | 따로 없다. 칸마다의 비율로 본다 | 막대그래프 |
| 순서형: 차례가 있다 | 증상 정도(없음·약함·보통·심함), 설문 1 ~ 5 단계 | 중앙값, 최빈값 | 사분위 범위, 칸마다의 비율 | 막대그래프(차례대로) |
| 이산: 셀 수 있는 수 | 현미경 한 칸의 세포 수, 입원한 날수 | 평균 또는 중앙값 | 표준편차 또는 사분위 범위 | 히스토그램, 점 그림. 값의 가짓수가 적으면 막대그래프도 |
| 연속: 사이의 값도 있다 | 키, 몸무게, 혈압 | 대칭이면 평균, 치우쳤으면 중앙값 | 대칭이면 표준편차, 치우쳤으면 사분위 범위 | 히스토그램, 상자 그림, 점 그림 |
숫자로 적혀 있다고 모두 수는 아닙니다. 혈액형을 1, 2, 3, 4 로 적어도 「평균 2.3」은 뜻이 없습니다. 순서형도 「약함」과 「보통」의 간격이 「보통」과 「심함」의 간격과 같다는 보장이 없어서, 평균보다 중앙값과 칸마다의 비율로 적는 쪽이 안전합니다. 이산과 연속은 둘 다 수라서 같은 요약을 씁니다.
2. 대푯값: 평균, 중앙값, 최빈값
- 평균은 모두 더해 개수로 나눈 값입니다:
x̄ = (x₁ + x₂ + … + xₙ) ÷ n = Σx ÷ n. x̄ 는 「엑스 바」, Σ(시그마)는 「모두 더한다」, n 은 값의 개수입니다. 모든 값을 쓰므로 값 하나가 d 만큼 움직이면 평균은d ÷ n만큼 따라 움직입니다. - 중앙값은 작은 것부터 늘어놓았을 때 한가운데 값입니다. 개수가 홀수면 가운데 하나, 짝수면 가운데 두 값의 평균입니다. 순서만 보므로 끝에 있는 값이 아무리 멀어져도 그대로입니다.
- 최빈값은 가장 자주 나온 값입니다. 범주형 자료의 가운데입니다(가장 많은 혈액형). 연속 자료에서는 같은 값이 거의 나오지 않아서, 히스토그램의 가장 높은 칸(봉우리)을 말할 때 씁니다. 봉우리가 둘 이상일 수도 있습니다.
| 무엇 | 어떻게 | 이상치가 있으면 | 언제 쓰나 |
|---|---|---|---|
| 평균 | Σx ÷ n | 끌려간다 | 대칭이고 이상치가 없을 때. 합계에 뜻이 있을 때(모두의 합 = 평균 × 사람 수) |
| 중앙값 | 늘어놓고 한가운데 | 거의 그대로 | 한쪽으로 치우친 자료(입원 기간, 소득, 응답 시간), 순서형 |
| 최빈값 | 가장 자주 나온 값 | 그대로 | 범주형. 봉우리가 어디 있나 |
해 볼 것. (맨 위 실험) ① 처음 20명은 평균 124, 중앙값 124.5 로 거의 같습니다. ② 처음에 골라져 있는 2번 사람(144)을 190 까지 끌거나 혈압 칸에 190 을 넣어 보세요. 평균은 126.3 으로 2.3 움직입니다. 46 만큼 옮긴 값 하나가 20명에 나뉘어 46 ÷ 20 = 2.3 입니다. 중앙값은 124.5 그대로입니다. ③ 2번을 100 으로 두면 중앙값이 123 으로 1.5 움직입니다. 값이 한가운데를 건너가면 중앙값도 한 자리만큼 옮겨 가고, 그보다 더 움직이지는 않습니다. 평균은 121.8 입니다.
3. 산포도: 범위, 사분위 범위, 표준편차
가운데가 같아도 퍼진 정도는 다를 수 있습니다. 120, 120, 120 과 100, 120, 140 은 평균과 중앙값이 모두 120 입니다.
| 무엇 | 어떻게 | 단위 | 이상치가 있으면 | 짝이 되는 대푯값 |
|---|---|---|---|---|
| 범위 | 최댓값 − 최솟값 | 원래 단위 | 크게 흔들린다. 두 끝 값만 본다 | 없음 |
| 사분위 범위(IQR) | Q3 − Q1. 가운데 절반이 퍼진 폭 | 원래 단위 | 거의 그대로 | 중앙값 |
| 분산 | 평균까지 거리의 제곱을 더해 n − 1 로 나눈다 | 단위의 제곱(mmHg²) | 더 크게 흔들린다. 거리를 제곱하기 때문 | 평균 |
| 표준편차 | √분산 | 원래 단위 | 크게 흔들린다 | 평균 |
범위는 사람을 더 모을수록 커지는 성질이 있습니다. 많이 모을수록 더 극단적인 값을 만날 기회가 늘기 때문입니다. 그래서 사람 수가 다른 두 집단의 범위를 바로 비교하기 어렵습니다.
표준편차는 「값들이 평균에서 대략 이만큼 떨어져 있다」는 뜻입니다. 자료가 종 모양이라면 평균 ± 1 표준편차 안에 약 68%, ± 2 표준편차 안에 약 95% 가 들어갑니다(정규분포). 종 모양이 아니면 이 비율은 맞지 않습니다. 식이 왜 이렇게 생겼는지는 5절에서 한 단계씩 봅니다.
해 볼 것. (맨 위 실험) ① 처음 20명의 범위는 110 ~ 144(34), 사분위 범위 9.5, 표준편차 8.28 입니다. ② 2번을 190 으로 두면 범위는 80 으로, 표준편차는 16.47 로 거의 두 배가 됩니다. 사분위 범위는 9.5 그대로입니다. ③ 2번을 130 으로 두면 표준편차가 7 로 줄어듭니다. 값 하나가 표준편차를 8.28 에서 7 로 바꿀 만큼 셉니다.
4. 사분위수와 상자 그림
사분위수는 자료를 작은 것부터 늘어놓고 네 토막으로 나누는 세 값입니다. Q1 은 25% 자리, Q2 는 50% 자리(곧 중앙값), Q3 은 75% 자리입니다. Q1 아래에 약 4분의 1, Q3 위에 약 4분의 1 이 있고, Q1 에서 Q3 사이에 가운데 절반이 있습니다. 같은 생각을 아무 퍼센트로나 넓힌 것이 백분위수입니다. 서버 응답 시간의 p95 가 95 백분위수입니다.
사분위수를 구하는 방식
자리가 값과 값 사이에 걸릴 때 어떻게 할지가 책과 도구마다 다릅니다. 이 쪽은 이렇게 합니다. 늘어놓은 값의 자리는 0 부터 셉니다.
자리 = (n − 1) × q (Q1 이면 q = 0.25, 중앙값이면 0.5, Q3 이면 0.75)
자리가 정수면 그 자리의 값이고, 정수가 아니면 앞뒤 두 값 사이를 직선으로 잇습니다. 자리가 1.5 면 1번째 값과 2번째 값의 한가운데입니다. numpy 의 percentile 기본값, R 의 quantile 기본값(type 7), 파이썬 statistics.quantiles 의 method="inclusive" 가 이 방식입니다. 파이썬 statistics.quantiles 의 기본값("exclusive")은 다른 방식이라, 6절의 일곱 개 숫자에서 Q1 이 118 이 아니라 116, Q3 이 126 이 아니라 128 로 나옵니다. 작은 자료에서는 이만큼 차이가 나고, 자료가 많아지면 줄어듭니다. 보고할 때는 어떤 도구로 구했는지 같이 적습니다.
상자 그림 그리는 법
- Q1 에서 Q3 까지 상자를 그립니다. 상자의 폭이 사분위 범위입니다.
- 상자 안에 중앙값 선을 긋습니다.
- 울타리를 잽니다: 아래 울타리
Q1 − 1.5 × IQR, 위 울타리Q3 + 1.5 × IQR. 울타리는 계산에만 쓰고 보통 그리지 않습니다. 맨 위 실험은 보이도록 주황 점선으로 그렸습니다. - 수염: 상자에서 울타리 안의 가장 먼 값까지 선을 긋습니다. 울타리까지가 아니라 실제 값까지입니다.
- 울타리 밖의 값은 하나씩 점(동그라미)으로 찍습니다. 이상치 후보입니다.
1.5 라는 숫자는 널리 쓰는 관례이고, 출처의 NIST 통계 안내서도 이 규칙을 적고 있습니다. 자료가 종 모양이라면 이 울타리 밖으로 나가는 값은 약 0.7% 로 드뭅니다(평균에서 표준편차의 약 2.7 배 밖. 정규분포로 직접 계산한 값). 그래서 울타리 밖의 값은 「눈여겨볼 값」입니다. 틀린 값이라는 뜻은 아닙니다(자주 묻는 것 5). 상자 그림은 다섯 숫자만 그리므로 봉우리가 둘인 것은 보여 주지 못합니다(9절).
해 볼 것. (맨 위 실험) ① 처음 20명의 울타리는 118.75 − 1.5 × 9.5 = 104.5 와 128.25 + 1.5 × 9.5 = 142.5 입니다. 2번(144)이 위 울타리 밖이라 주황으로 그려지고, 위 수염은 울타리 안의 가장 큰 값 135 에서 멈춥니다. ② 2번을 130 으로 두면 주황 동그라미가 사라지고, 위 수염이 최댓값 135 까지 닿습니다. ③ 2번을 100 으로 두면 이번에는 아래 울타리(102.88) 밖이 되어 왼쪽에 동그라미가 생깁니다.
5. 식이 만들어지는 과정: 표준편차
표준편차의 식은 처음 보면 복잡합니다: s = √(Σ(x − x̄)² ÷ (n − 1)). 조각마다 까닭이 있습니다. 6절의 손 예제와 같은 7명의 혈압(122, 144, 116, 120, 128, 114, 124 mmHg, 지어낸 값)으로 한 단계씩 만들어 봅니다.
「다음」을 누르면 한 단계씩 넘어갑니다. 위에 식이 한 조각씩 붙고(옅은 주황 바탕이 이번에 붙은 조각, 진한 주황은 쓸 수 없는 길), 그림이 그만큼 바뀌고, 아래에 까닭이 나옵니다. 점은 어느 단계에서나 끌 수 있고 숫자 칸으로도 바꿀 수 있습니다(100 ~ 150). 아래쪽 정사각형들은 칸에 들어가게 줄여 그렸습니다. 위의 수직선과 크기가 다릅니다.
- 평균과 편차:
x − x̄. 평균은x̄ = 868 ÷ 7 = 124. 값마다 평균을 뺀 것이 편차입니다: −2, +20, −8, −4, +4, −10, 0. 까닭: 퍼짐은 「가운데에서 얼마나 떨어져 있나」이므로, 먼저 가운데를 정하고 거기까지의 거리를 잽니다. - 그냥 더하면:
Σ(x − x̄) = 0. + 쪽의 합 24 와 − 쪽의 합 −24 가 지워져 0 입니다. 우연이 아닙니다.Σ(x − x̄) = Σx − n × x̄ = Σx − Σx = 0이라 어떤 자료든 늘 0 입니다. 까닭: 그래서 편차를 부호째 더해서는 퍼짐을 잴 수 없고, 부호를 없애야 합니다. - 제곱:
Σ(x − x̄)². 제곱하면 음수가 없어집니다:4 + 400 + 64 + 16 + 16 + 100 + 0 = 600. 그림의 정사각형 넓이가 편차의 제곱입니다. 까닭: 부호를 없애는 방법에는 절댓값도 있습니다. 제곱을 쓰는 것은 계산이 매끈하고(미분하기 쉽다), 서로 영향을 주지 않는 것끼리 더하면 분산도 그대로 더해지는 좋은 성질이 있어서입니다. 대신 멀리 있는 값이 훨씬 크게 셉니다. 2번 한 사람이 600 가운데 400 입니다. - 제곱의 평균 = 분산:
σ² = Σ(x − x̄)² ÷ n.600 ÷ 7 ≈ 85.71. 까닭: 합은 사람이 많을수록 커지므로 사람 수로 나눠 「한 사람에 얼마」로 만듭니다. 이것이 분산입니다. 그런데 단위가 mmHg² 라서 값과 바로 비교할 수 없습니다. - 표본이면 n − 1:
s² = Σ(x − x̄)² ÷ (n − 1).600 ÷ 6 = 100. 까닭: 이 7명이 모집단에서 뽑은 표본이고 그 모집단의 분산을 추정하려는 것이라면 n − 1 로 나눕니다. 모집단의 진짜 평균은 모르니 표본의 평균 x̄ 로 대신 쟀는데, x̄ 는 표본 한가운데에 딱 맞춰진 값이라 그 둘레의 제곱합은 진짜 평균에서 잴 때보다 늘 작거나 같습니다. n − 1 로 나누면 이 모자람이 평균적으로 메워집니다. 여기서는 증명하지 않습니다. 표본분포와 정규분포 쪽의 「n 으로 나누나, n − 1 로 나누나」를 보세요. 논문과 통계 도구가 적는 표준편차는 대개 이쪽입니다. - 제곱근 = 표준편차:
s = √(Σ(x − x̄)² ÷ (n − 1)).√100 = 10mmHg. 까닭: 제곱했던 단위를 되돌려 원래 값과 같은 mmHg 로 만듭니다. 이제 「7명의 혈압은 평균 124 에서 대략 10 쯤 떨어져 있다」고 읽을 수 있습니다. n 으로 나눈 쪽은σ = √85.71 ≈ 9.26입니다.
해 볼 것. ① ② 단계에서 점을 아무리 끌어도 편차의 합은 늘 0 입니다. + 쪽 막대와 − 쪽 막대의 길이가 같이 바뀝니다. ② ③ 단계에서 2번(144)을 124 로 끌어 보세요. 평균이 121.14 로 옮겨 가고, 제곱합이 600 에서 142.86 으로 줄어듭니다. 마지막 단계의 s 는 10 에서 4.88 이 됩니다. 한 사람이 표준편차의 절반 넘게를 만들고 있었습니다. ③ 일곱 값을 모두 124 로 맞추면 편차가 모두 0 이라 s = 0 입니다.
6. 손으로 풀어 보기: 숫자 일곱 개
7명의 수축기 혈압(mmHg, 지어낸 값)을 적은 차례대로: 122, 144, 116, 120, 128, 114, 124. 맨 위 실험의 1 ~ 7번, 5절의 실험과 같은 숫자입니다.
- 늘어놓기. 114, 116, 120, 122, 124, 128, 144. 0 부터 세면 0번째가 114, 6번째가 144 입니다.
- 평균.
(122 + 144 + 116 + 120 + 128 + 114 + 124) ÷ 7 = 868 ÷ 7 = 124. - 중앙값. 자리
(7 − 1) × 0.5 = 3. 3번째 값 122. - 사분위수. Q1 의 자리
6 × 0.25 = 1.5는 1번째(116)와 2번째(120)의 한가운데라 118. Q3 의 자리6 × 0.75 = 4.5는 4번째(124)와 5번째(128)의 한가운데라 126. 사분위 범위는126 − 118 = 8. - 울타리와 이상치.
118 − 1.5 × 8 = 106,126 + 1.5 × 8 = 138. 144 는 138 보다 커서 이상치입니다. 수염은 114 와 128 까지 갑니다. - 범위.
144 − 114 = 30. - 표준편차. 아래 표처럼 편차를 제곱해 더하면 600.
s² = 600 ÷ 6 = 100,s = √100 = 10.
| 늘어놓은 값 x | x − 124 | (x − 124)² |
|---|---|---|
| 114 | −10 | 100 |
| 116 | −8 | 64 |
| 120 | −4 | 16 |
| 122 | −2 | 4 |
| 124 | 0 | 0 |
| 128 | 4 | 16 |
| 144 | 20 | 400 |
| 합 868 | 0 | 600 |
적는 법: 평균 ± 표준편차는 124 ± 10, 중앙값(사분위 범위)은 122 (118–126) mmHg 입니다. 144 하나가 끼친 몫도 봅니다. 144 를 빼고 여섯 개로 다시 구하면 평균 120.67, 중앙값 121 입니다. 평균은 3.33 움직였고 중앙값은 1 움직였습니다.
# 파이썬 표준 라이브러리로 확인
from statistics import mean, median, quantiles, stdev, pstdev
x = [122, 144, 116, 120, 128, 114, 124]
mean(x), median(x) # 124, 122
quantiles(x, n=4, method="inclusive") # [118.0, 122.0, 126.0]: 이 쪽과 같은 방식
quantiles(x, n=4) # [116.0, 122.0, 128.0]: 기본값은 다른 방식
stdev(x), pstdev(x) # 10.0, 9.258...: n − 1 로 나눈 것, n 으로 나눈 것
7. 히스토그램과 막대그래프
히스토그램은 수의 범위를 같은 너비의 칸으로 나누고, 칸마다 든 값의 수를 막대 높이로 그린 것입니다. 가운데, 퍼짐, 치우침, 봉우리 수, 이상치를 한눈에 보는 데 씁니다. 이 쪽은 칸을 칸 너비의 배수에서 시작하고(110 ~ 120 처럼), 칸의 경계에 놓인 값은 오른쪽 칸에 넣습니다(120 은 120 ~ 130 칸).
칸 너비가 인상을 바꾼다
같은 자료라도 칸을 어떻게 나누느냐에 따라 모양이 달라 보입니다. 칸이 너무 좁으면 우연한 들쭉날쭉이 봉우리처럼 보이고, 너무 넓으면 모양이 뭉개져 덩어리 하나만 남습니다. 칸이 시작하는 자리만 옮겨도 모양이 바뀔 수 있습니다. 정답인 칸 너비는 없습니다. 몇 가지로 그려 보고, 어느 너비에서도 보이는 모양만 믿습니다.
해 볼 것. (맨 위 실험) 칸 너비를 바꿔 보세요. 처음 20명은 칸 10 이면 6, 10, 3, 1 명으로 봉우리 하나가 보입니다. 칸 5 면 3, 3, 4, 6, 2, 1, 1 명으로 들쭉날쭉해지고, 칸 20 이면 6, 13, 1 명으로 덩어리 하나라 모양이 거의 보이지 않습니다.
막대그래프와 무엇이 다른가
| 히스토그램 | 막대그래프 | |
|---|---|---|
| 가로축 | 이어지는 수(혈압 110 ~ 120, 120 ~ 130, …) | 범주(혈액형 A, B, O, AB) |
| 막대 사이 | 붙어 있다. 수가 이어지기 때문 | 떨어져 있다. 범주가 따로따로이기 때문 |
| 막대 차례 | 바꿀 수 없다(수의 차례) | 바꿔도 된다. 순서형이면 그 차례를 지킨다 |
| 막대 폭 | 칸 너비. 뜻이 있다 | 뜻이 없다 |
| 보는 것 | 모양: 가운데, 퍼짐, 치우침, 봉우리 | 범주끼리 수나 비율 비교 |
연속 자료의 평균을 막대 하나로 그리고 위에 오차 막대를 단 그림도 흔합니다. 그런데 이 막대는 자료의 모양을 감춥니다. 9절처럼 전혀 다른 자료가 똑같은 막대가 됩니다. 그래서 연속 자료는 사람 수가 적으면 점을 다 찍는 점 그림으로, 많으면 상자 그림이나 히스토그램으로 보이자는 글이 있습니다(출처의 Weissgerber 등).
8. 모양에 따라 고르는 요약
자료의 모양이 어떤 요약을 쓸지 정합니다. 미리 만든 분포 넷을 골라 평균과 중앙값이 어느 쪽으로 어긋나는지 보세요.
위는 히스토그램, 아래는 같은 자료의 상자 그림입니다. 주황 세모는 평균, 검은 점선은 중앙값입니다. 네 분포는 고정 시드(seed)의 작은 난수기로 지어낸 자료라 쪽을 열 때마다 같습니다.
| 모양 | 평균과 중앙값 | 알맞은 요약 |
|---|---|---|
| 대칭 | 거의 같다 | 평균 ± 표준편차 |
| 오른쪽 꼬리(입원 기간, 소득, 응답 시간) | 평균이 대개 더 크다. 긴 꼬리가 끌어당긴다 | 중앙값(사분위 범위). 로그를 씌워 보기도 한다 |
| 왼쪽 꼬리(쉬운 시험의 점수처럼 위가 막힌 것) | 평균이 대개 더 작다 | 중앙값(사분위 범위) |
| 봉우리 둘 | 둘 다 골짜기에 놓일 수 있다 | 집단을 나눠 따로 요약한다. 그림을 꼭 같이 보인다 |
| 이상치 | 평균이 끌려간다 | 먼저 확인한다. 진짜면 중앙값(사분위 범위), 또는 넣은 것과 뺀 것을 둘 다 |
해 볼 것. ① 대칭(키): 평균 164.72, 중앙값 165.3 cm 로 거의 같습니다. ② 오른쪽 꼬리(입원 기간): 평균 4.86 일, 중앙값 4 일로 평균이 0.86 큽니다. 중앙값(사분위 범위)으로 적으면 4 (2–6) 일입니다. 평균 ± 표준편차로 적으면 4.86 ± 3.44 인데, 평균에서 표준편차 두 개를 빼면 4.86 − 6.88 = −2.02 일로 음수가 됩니다. 입원 기간에 음수는 없으니 종 모양이 아니라는 신호입니다. ③ 봉우리 둘(세포 지름): 평균 11.03, 중앙값 10.65 µm 인데, 10 ~ 12 µm 의 두 칸에는 200개 가운데 6개뿐입니다. 「세포 지름은 대략 11 µm」라고 적으면 거의 없는 세포를 말하는 셈입니다. ④ 이상치(맥박): 40명 가운데 131 과 146 두 명이 울타리 밖입니다. 평균 74.35, 표준편차 16.09 입니다. 두 명을 빼고 구하면 평균 70.97, 표준편차 5.97 이라, 두 명이 표준편차를 2.7 배로 키운 셈입니다. 중앙값은 71.5 와 70.5 로 1 차이입니다.
9. 같은 요약, 다른 자료: 그림을 먼저 그린다
아래 네 집단(각 20명의 수축기 혈압, 지어낸 값)은 평균이 모두 120, 표준편차가 모두 10 입니다. 숫자 둘만 보면 같은 자료 같습니다.
| 평균 | 표준편차 | 중앙값 | 사분위 범위 | 최솟값 ~ 최댓값 |
|---|
해 볼 것. ① 표의 평균과 표준편차는 넷 다 120 과 10 입니다(일부러 맞춰 지어낸 자료입니다). 중앙값과 사분위 범위는 120 과 13, 120 과 18.5, 115.5 와 9.75, 118 과 3.25 로 다릅니다. ② 점 그림에서 B 는 120 근처에 아무도 없습니다. 평균 120 에서 가장 가까운 사람도 6 떨어져 있습니다. ③ 「상자 그림」을 누르면 C 와 D 는 상자가 좁고 오른쪽에 이상치 동그라미가 있습니다. B 는 A 처럼 대칭인 상자로 보여 봉우리 둘이 드러나지 않습니다.
두 숫자 묶음에서 같은 일을 보여 주는 유명한 예가 앤스컴의 네 쌍(Anscombe's quartet)입니다. 평균, 분산, 상관계수, 회귀 직선이 거의 같은데 산점도는 전혀 다른 자료 네 쌍입니다(상관과 회귀). 요약 숫자를 내기 전에 그림부터 그립니다.
10. 논문 표 읽기: 평균 ± 표준편차, 중앙값(사분위 범위)
의학·생물 논문의 첫 표는 보통 대상의 특성을 기술통계로 적습니다. 아래는 지어낸 예입니다.
| 집단 A (n = 40) | 집단 B (n = 38) | |
|---|---|---|
| 나이(세), 평균 ± SD | 54.2 ± 9.8 | 55.1 ± 10.4 |
| 수축기 혈압(mmHg), 평균 ± SD | 131 ± 14 | 129 ± 15 |
| 입원 기간(일), 중앙값 (IQR) | 4 (2–6) | 5 (3–8) |
| 여성, n (%) | 22 (55%) | 19 (50%) |
- 54.2 ± 9.8: 평균 54.2 세, 표준편차 9.8 세. 종 모양에 가깝다면 대략 셋 가운데 둘이 44.4 ~ 64 세, 스물 가운데 열아홉쯤이 34.6 ~ 73.8 세에 있습니다(정규분포의 68-95 규칙).
- 4 (2–6): 중앙값 4 일, Q1 2 일, Q3 6 일. 가운데 절반이 2 ~ 6 일입니다. 괄호 안이 두 값(Q1–Q3)인지, 폭 하나(IQR = 4)인지, 최솟값–최댓값(범위)인지는 표마다 다르니 표 아래의 주석을 봅니다.
- 22 (55%): 범주형이라 수와 비율로 적습니다.
22 ÷ 40 = 55%. - ± 뒤의 숫자가 표준편차(SD)가 아니라 표준오차(SE, SEM)일 때도 있습니다. 표준오차는 표준편차를 √n 으로 나눈 것이라 훨씬 작습니다. 집단 A 의 나이라면
9.8 ÷ √40 ≈ 1.55입니다. 주석에서 어느 쪽인지 확인합니다(11절의 흔한 실수). - 어떤 줄은 평균 ± SD, 어떤 줄은 중앙값 (IQR) 로 적힌 것은 저자가 줄마다 모양을 보고 골랐기 때문입니다. 입원 기간처럼 오른쪽 꼬리가 긴 것은 중앙값으로 적는 일이 흔합니다.
11. 꼭 알아야 할 성질과 흔한 실수
| 성질 | 쉬운 말 | 실험에서 |
|---|---|---|
평균은 값 하나에 d ÷ n 만큼 끌려간다 | 모든 값을 쓰기 때문. 사람이 적을수록 더 끌려간다 | 2번을 144 → 190: 평균 +2.3 |
| 중앙값과 사분위수는 순서만 본다 | 끝 값이 아무리 멀어져도 그대로. 값이 가운데를 건너갈 때만 한 자리만큼 움직인다 | 2번을 190, 100 으로 |
| 표준편차는 제곱 때문에 이상치에 특히 약하다 | 멀리 있는 값 하나가 제곱합의 큰 몫을 차지한다 | 손 예제의 400 / 600, 맥박의 5.97 → 16.09 |
| 값을 옮기거나 늘이면 | 모든 값에 c 를 더하면 가운데만 c 만큼 옮겨 가고 퍼짐은 그대로다. 모든 값을 k 배 하면(단위 바꾸기) 가운데와 퍼짐이 모두 k 배, 분산은 k² 배다 | 없음 |
| 대칭이면 평균 ≈ 중앙값 | 오른쪽 꼬리면 대개 평균 > 중앙값, 왼쪽 꼬리면 대개 평균 < 중앙값. 「대개」인 것은 이 규칙이 맞지 않는 모양도 있어서다 | 8절의 실험 |
흔한 실수
- 치우친 자료에 평균(± 표준편차)만 적기. 8절의 입원 기간처럼 평균이 보통 사람보다 큰 쪽을 가리키고, 평균 − 2 × 표준편차가 음수가 되기도 합니다. 중앙값(사분위 범위)으로 적거나 같이 적습니다.
- 표준편차와 표준오차를 섞기. 표준편차(SD)는 사람(값)들이 얼마나 퍼져 있는지, 표준오차(SE)는 평균이라는 숫자 하나가 표본을 다시 뽑을 때마다 얼마나 흔들리는지입니다.
SE = SD ÷ √n이라 사람이 많을수록 작아집니다. 오차 막대를 표준오차로 그리면 퍼짐이 실제보다 훨씬 좁아 보입니다. 왜 √n 인지는 다음 쪽 표본분포에서 봅니다. - 범주형에 평균 내기. 혈액형을 1 ~ 4 로 적은 칸의 평균은 뜻이 없습니다. 수와 비율로 적습니다.
- 그림 없이 숫자만 보기. 9절의 네 집단처럼 같은 숫자 뒤에 전혀 다른 자료가 있을 수 있습니다.
- 이상치를 말없이 빼기. 뺐다면 몇 개를 왜 뺐는지 적고, 넣은 결과와 뺀 결과를 같이 보입니다.
어디에 쓰나
- 논문과 보고서의 첫 표. 대상의 나이, 혈압, 성별 비율 같은 특성을 요약합니다(10절).
- 자료 검사. 최솟값과 최댓값만 봐도 입력 실수가 드러납니다. 혈압 칸에 1200 이나 0 이 있으면 잘못 적었을 가능성이 큽니다. 상자 그림의 이상치 표시는 이런 값을 찾는 출발점입니다.
- 분석 방법 고르기. 많은 검정(예: t 검정)이 자료의 모양에 대한 가정을 둡니다. 모양이 크게 치우쳤으면 비모수 검정을 보거나 로그를 씌워 봅니다. 그 판단의 출발점이 히스토그램과 상자 그림입니다.
- 서비스 지표. 서버 응답 시간은 오른쪽 꼬리가 길어서, 평균보다 중앙값(p50)과 p95, p99 같은 백분위수를 봅니다. 같은 생각입니다.
- 머신러닝의 준비 단계. 정규화와 표준화는 평균과 표준편차(또는 중앙값과 사분위 범위)로 입력의 눈금을 맞춥니다.
자주 묻는 것
평균과 중앙값 가운데 무엇을 적어야 하나요?
자료가 대칭에 가깝고 이상치가 없으면 평균(± 표준편차)을, 한쪽으로 치우쳤거나 이상치가 있으면 중앙값(사분위 범위)을 적습니다. 어느 쪽인지 모르겠으면 먼저 히스토그램이나 점 그림을 그려 모양을 보고, 둘 다 적어도 됩니다.
표준편차와 표준오차는 무엇이 다른가요?
표준편차는 사람(값)들이 평균에서 얼마나 퍼져 있는지를, 표준오차는 표본을 다시 뽑을 때마다 표본 평균이 얼마나 흔들리는지를 말합니다. 표준오차는 표준편차를 √n 으로 나눈 것이라 사람이 많을수록 작아집니다. 자료의 퍼짐을 보여 줄 때는 표준편차를 씁니다.
왜 n 이 아니라 n − 1 로 나누나요?
가진 자료가 모집단에서 뽑은 표본이고 그 모집단의 분산을 추정하려 할 때입니다. 표본의 평균은 표본 한가운데에 딱 맞춰져 있어서, 그 평균에서 잰 제곱합은 모집단의 진짜 평균에서 잴 때보다 작거나 같습니다. n − 1 로 나누면 이 모자람이 평균적으로 메워집니다. 논문과 통계 도구의 표준편차는 대개 n − 1 로 나눈 것입니다.
사분위수가 도구마다 다르게 나오는 까닭은 무엇인가요?
자리가 값과 값 사이에 걸릴 때 처리하는 방식이 여럿이기 때문입니다. 이 쪽은 numpy 와 R 의 기본값과 같은 방식을 씁니다. 파이썬 statistics.quantiles 의 기본값은 다른 방식이라 같은 숫자 일곱 개에서 Q1 이 118 이 아니라 116 으로 나옵니다. 자료가 많아지면 차이가 줄어듭니다.
상자 그림의 이상치는 빼도 되나요?
1.5 × IQR 규칙은 눈여겨볼 값을 표시할 뿐, 빼도 된다는 뜻이 아닙니다. 잘못 재거나 잘못 적은 값인지 먼저 확인하고, 진짜 값이면 남깁니다. 뺐다면 몇 개를 왜 뺐는지 적고, 넣은 결과와 뺀 결과를 같이 보입니다.
낱말
| 여기서 쓴 말 | 책에서 부르는 말 |
|---|---|
| 가진 자료를 있는 그대로 요약하기 | 기술통계(descriptive statistics). 모집단을 추정하는 쪽은 추론 통계(inferential statistics) |
| 이름만 다른 / 차례가 있는 자료 | 범주형, 명목형(categorical, nominal) / 순서형(ordinal) |
| 셀 수 있는 수 / 사이의 값도 있는 수 | 이산형(discrete) / 연속형(continuous) |
| 평균 | 산술평균(arithmetic mean), 표본 평균 x̄(엑스 바) |
| 한가운데 값 / 가장 자주 나온 값 | 중앙값(median) / 최빈값(mode) |
| 25%, 50%, 75% 자리의 값 | 사분위수(quartile) Q1, Q2, Q3. 넓히면 백분위수(percentile), 분위수(quantile) |
| 가운데 절반이 퍼진 폭 | 사분위 범위(interquartile range, IQR) |
| 최댓값 − 최솟값 | 범위(range) |
| 값에서 평균을 뺀 것 | 편차(deviation) |
| 편차의 제곱을 더한 것 | 제곱합(sum of squares) |
| n 으로 / n − 1 로 나눈 분산 | 모분산(population variance, σ²) / 표본 분산(sample variance, s²) |
| 분산의 제곱근 | 표준편차(standard deviation, SD, σ 또는 s) |
| 표본 평균이 흔들리는 정도 | 표준오차(standard error, SE, SEM) |
| 상자 그림, 수염, 울타리 | 상자 수염 그림(box plot, box-and-whisker plot), 수염(whisker), 울타리(fence) |
| 튀는 값 | 이상치, 이상값(outlier) |
| 칸, 칸 너비 | 계급, 구간(bin), 계급 폭(bin width) |
| 점을 다 찍는 그림 | 점 그림(dot plot), 띠 그림(strip plot) |
| 오른쪽 / 왼쪽으로 꼬리가 긴 | 오른쪽으로 치우친, 양의 왜도(right-skewed, positively skewed) / 왼쪽으로 치우친(left-skewed) |
| 봉우리가 둘인 | 쌍봉(bimodal) |
| 이상치에 잘 흔들리지 않는 | 강건한, 로버스트(robust) |
출처
- NIST/SEMATECH e-Handbook of Statistical Methods: 1.3.5.1 Measures of Location(평균, 중앙값, 최빈값), 1.3.5.6 Measures of Scale(분산, 표준편차, 범위, 사분위 범위), 1.3.3.7 Box Plot(1.5 × IQR 울타리와 수염), 1.3.3.14 Histogram.
- 사분위수를 구하는 방식: numpy.percentile 문서, R quantile 문서(type 1 ~ 9, 기본값 type 7), 파이썬 statistics 모듈 문서(quantiles 의 exclusive·inclusive, stdev 와 pstdev).
- Douglas G. Altman, J. Martin Bland, Standard deviations and standard errors, BMJ. PubMed 16223828. 표준편차와 표준오차의 차이.
- Tracey L. Weissgerber 외, Beyond Bar and Line Graphs: Time for a New Data Presentation Paradigm, PLOS Biology. 연속 자료를 평균 막대로만 보이는 것의 문제.
- Anscombe's quartet(위키백과 영어판).