평균·분산·표준편차 계산기

평균만으로는 부족한 이유

반 학생 다섯 명의 시험 점수가 85, 90, 78, 92, 88점이면 평균은 86.6점입니다. 그런데 다른 반의 점수가 60, 95, 70, 100, 108점이라면 이것도 평균을 계산하면 비슷한 수준이 나올 수 있습니다. 평균만 보면 두 반의 성적이 비슷해 보이지만, 점수가 얼마나 퍼져 있는지는 전혀 다릅니다. 이 차이를 숫자로 보여주는 것이 분산과 표준편차입니다.

공장에서 부품 치수를 측정할 때도 마찬가지입니다. 평균 치수가 설계값과 정확히 맞아떨어져도, 개별 부품의 편차가 크면 조립 단계에서 불량이 속출합니다. 투자 수익률을 볼 때도 평균 수익률이 같은 두 상품이라도 변동성(표준편차)이 크게 다르면 체감 위험이 전혀 다릅니다. 평균과 표준편차를 함께 봐야 데이터의 진짜 모습이 보입니다.

계산법 — 모집단이냐 표본이냐에서 실수가 갈린다

분산을 구하는 방법은 간단합니다. 각 값에서 평균을 뺀 편차를 제곱해서 모두 더한 뒤, 이 합계를 나누면 됩니다. 문제는 무엇으로 나누느냐입니다. 갖고 있는 데이터가 조사 대상 전체(모집단)라면 데이터 개수(n)로 나누고, 전체 중 일부만 뽑은 표본이라면 n에서 1을 뺀 값(n-1)으로 나눕니다.

왜 표본일 때 1을 덜 나누는지는 직관적으로 이렇게 이해할 수 있습니다. 표본의 평균은 모집단의 진짜 평균과 정확히 일치하지 않을 가능성이 높고, 표본 평균을 기준으로 계산한 편차는 실제보다 작게 나오는 경향이 있습니다. n-1로 나누면 이 과소평가를 보정해 표본 분산이 모집단 분산에 더 가까운 값을 추정하게 됩니다. 이 계산기는 두 값을 동시에 보여주므로, 상황에 맞는 쪽을 골라 쓰면 됩니다.

모집단 vs 표본 — 언제 어느 것을 쓰나

실무에서는 표본인지 모집단인지 애매한 경우가 많습니다. 예를 들어 한 회사 전 직원의 만족도를 조사했다면 그 회사에 한해서는 모집단이지만, 이 결과로 업계 전체 만족도를 추정하려는 목적이라면 표본으로 다뤄야 합니다. 목적이 무엇인지에 따라 같은 데이터라도 분류가 달라진다는 점이 헷갈리는 지점입니다.

표준편차가 크다는 건 어느 정도인가

표준편차 자체는 원래 데이터와 같은 단위를 쓰기 때문에 분산보다 해석이 직관적입니다. 데이터가 정규분포에 가깝다면 평균에서 표준편차 1개 범위 안에 전체의 약 68%, 2개 범위 안에 약 95%, 3개 범위 안에 약 99.7%가 몰려 있다는 경험 법칙(68-95-99.7 법칙)이 자주 쓰입니다. 평균 86.6점, 표준편차 5.2점인 시험이라면 대부분의 학생이 81.4점에서 91.8점 사이에 몰려 있다고 대략 짐작할 수 있습니다.

반대로 평균이 같아도 표준편차가 20점처럼 크다면 66.6점에서 106.6점까지 넓게 퍼져 있다는 뜻이므로, 같은 평균이라도 학생들 사이의 실력 격차가 훨씬 크다는 신호입니다. 표준편차만 따로 떼어놓고 보면 크다 작다를 판단하기 어렵지만, 평균이나 정상 범위와 함께 놓고 보면 데이터가 얼마나 고르게 분포하는지 가늠할 수 있습니다.

사례로 끝까지 계산하기

85, 90, 78, 92, 88 다섯 개 값을 예로 들어보겠습니다. 합계는 433이고 평균은 433÷5로 86.6입니다. 각 값에서 평균을 뺀 편차는 -1.6, 3.4, -8.6, 5.4, 1.4이고, 이를 제곱하면 2.56, 11.56, 73.96, 29.16, 1.96이며 합은 119.2입니다.

이 다섯 개가 조사 대상 전체(모집단)라면 분산은 119.2÷5로 23.84, 표준편차는 그 제곱근인 약 4.88입니다. 반대로 더 큰 집단에서 뽑은 표본이라면 분산은 119.2÷4로 29.8, 표준편차는 약 5.46입니다. 같은 데이터인데 어떤 기준으로 나누느냐에 따라 표준편차가 4.88과 5.46으로 달라지는 것을 이 계산 과정에서 확인할 수 있습니다.

계산 전 체크리스트

계산을 시작하기 전에 세 가지를 확인하면 실수를 줄일 수 있습니다. 첫째, 갖고 있는 데이터가 전체인지 일부 표본인지 먼저 정합니다. 둘째, 이 계산기는 6개까지 입력할 수 있으므로 데이터가 6개를 넘으면 여러 번에 나눠 계산한 뒤 합계와 개수를 별도로 합산해야 합니다. 셋째, 실제 데이터 값에 0이 섞여 있다면 이 계산기에서는 0을 '빈 칸'으로 처리하므로, 정확한 계산을 위해 0.0001처럼 아주 작은 값으로 대체해 입력해야 합니다.

표준편차를 실전에서 쓰는 법

표준편차 자체는 최종 결론이 아니라 다음 판단으로 넘어가기 위한 중간 값인 경우가 많습니다. 품질관리 현장에서는 표준편차를 관리한계선을 정하는 데 씁니다. 평균에서 표준편차 3배를 벗어난 측정값이 나오면 공정에 이상이 생겼다는 신호로 보고 즉시 점검에 들어가는 식입니다. 투자에서는 표준편차를 변동성 지표로 써서, 같은 평균 수익률이라도 표준편차가 작은 상품을 상대적으로 안정적인 선택으로 평가합니다.

표본 표준편차와 모집단 표준편차의 차이는 데이터 개수가 적을수록 커집니다. 데이터가 5개일 때는 두 값의 차이가 눈에 띄게 나지만, 데이터가 100개, 1,000개로 늘어나면 n과 n-1의 차이가 상대적으로 미미해져 두 값은 거의 같아집니다. 그래서 설문조사나 실험처럼 표본 크기가 작은 상황일수록 어떤 기준으로 나눴는지가 결과 해석에 더 큰 영향을 줍니다. 논문이나 보고서에 표준편차를 인용할 때는 표본인지 모집단인지, n인지 n-1인지를 함께 밝히는 것이 정확한 소통의 기본입니다.