[출제 의도] 모분산과 표본분산의 계산 공식 차이를 대수적으로 파악하고, 왜 표본분산을 구할 때는 데이터의 개수 $n$ 이 아닌 $n-1$ 로 나누어야만 하는지 그 수학적 당위성(베셀의 보정)을 이해한다. 나아가, 전체를 알 수 없는 현실에서 일부의 데이터를 통해 전체의 진리를 추론해 내는 '통계적 추론'의 철학적 의미를 논술한다.
상황 제시
대한민국 성인 남성의 평균 키와 그 산포도(분산)를 완벽하게 알기 위해서는 2,500만 명 전체의 데이터를 조사해야 한다. 통계학에서는 이 전체 집단을 '모집단(Population)'이라 부른다. 그러나 현실적으로 2,500만 명을 모두 조사하는 것은 비용과 시간 측면에서 불가능하다.
따라서 우리는 모집단에서 무작위로 1,000명의 '표본(Sample)'을 뽑아 이들의 분산을 구한 뒤, 이를 바탕으로 2,500만 명 전체의 모분산을 추측(추정)해야만 한다. 이 과정에서 수학자들은 표본의 분산을 구할 때 데이터의 개수 $n(1000)$으로 나누지 않고, 반드시 $n-1(999)$로 나누어야만 정확한 추론이 가능함을 발견했다. 다음 물음에 답하며 그 이유를 수학적으로 증명하시오.
[문제 1] 공식의 분리: 모분산과 표본분산의 정의 (기초 역량)
데이터의 개수가 $N$ 인 모집단의 모평균을 $m$, 크기가 $n$ 인 표본집단의 표본평균을 $\bar{x}$ 라고 하자. 모집단의 흩어짐을 나타내는 모분산($\sigma^2$)과 표본집단의 흩어짐을 바탕으로 모분산을 추정하기 위해 고안된 표본분산($s^2$)의 계산 공식을 각각 대수적으로 명시하고, 두 공식의 구조적 차이점을 서술하시오.
해설 및 모범 채점 기준 확인하기
수능 영어 1등급을 결정짓는 킬러 문항 정복
청랑북스 추천 도서
S-Class 수능 영어 킬러 마스터 1권
수능 영어 최상위권을 향한 30일의 여정! 단순히 영어 문장을 번역하는 수준을 넘어, 지문 전체의 뼈대를 파악하고 문장 간의 숨겨진 유기적 연결고리를 찾아내는 대수적 사고력을 길러드립니다.
구조적으로 모분산은 진짜 평균 $m$ 과 전체 개수 $N$ 을 사용하는 완벽한 식이지만, 표본분산은 가짜 평균인 $\bar{x}$ 를 사용하며 분모에 $n$ 이 아닌 $n-1$ 을 채택한다는 결정적인 대수적 차이가 존재합니다.
정답: 모분산은 모평균 $m$ 을 기준으로 $N$ 으로 나누고, 표본분산은 표본평균 $\bar{x}$ 를 기준으로 $n-1$ 로 나눈다.
평가 요소
채점 기준 및 감점 요인
배점
모분산의 공식
전체 개수 $N$ 과 모평균 $m$ 을 기호로 정확히 사용하여 분산 공식을 표기함.
+10점
표본분산의 구조적 차이
표본평균 $\bar{x}$ 를 사용하며, 분모가 $n$ 이 아닌 $n-1$ 로 정의됨을 명확히 구분하여 서술함.
+15점
[문제 2] 과소추정의 오류와 'n-1'의 보정 (응용 역량)
만약 표본분산을 구할 때 분모를 $n$ 으로 나누면, 우리가 구하고자 하는 진짜 모분산보다 결과값이 항상 작게 계산되는 '과소추정(Underestimation)' 오류가 발생한다. 편차를 구할 때 모평균 $m$ 대신 표본평균 $\bar{x}$ 를 기준점으로 사용했기 때문에 이 오류가 발생함을 기하학적 무게중심의 성질을 이용하여 증명하고, 이를 보정하기 위해 분모를 $n-1$ 로 줄이는 이유(베셀의 보정)를 서술하시오.
해설 및 모범 채점 기준 확인하기
지문 구조를 꿰뚫는 완벽한 독해의 기술
청랑북스 추천 도서
S-Class 수능 영어 킬러 마스터 3권 (DAY21~30)
단순히 영어 문장을 번역하는 수준을 넘어, 지문 전체의 뼈대를 파악하고 문장 간의 숨겨진 유기적 연결고리를 찾아내는 '논리적 사고력'이 필요합니다. 30일 완성 마스터 플랜으로 상위 1%에 도전하세요.
우리가 현실에서 표본을 뽑아 분산을 계산할 때, 전체의 진짜 평균인 모평균 $m$ 을 알지 못하므로 어쩔 수 없이 우리끼리 계산한 **'표본평균 $\bar{x}$'** 를 기준점으로 사용합니다.
문제는 여기서 발생합니다. 평균이라는 값의 대수적 본질은 "자신을 둘러싼 데이터들과의 거리(편차)의 제곱합을 가장 '최소화'시키는 무게중심"입니다. 즉, 표본 데이터들의 거리 제곱합은 우주에 존재하는 그 어떤 숫자를 기준점으로 잡더라도 $\bar{x}$ 를 기준으로 할 때보다 커지게 됩니다.
$$ \sum (x_i - \bar{x})^2 \le \sum (x_i - m)^2 $$
모평균 $m$ 은 표본평균 $\bar{x}$ 와 일치하지 않고 무조건 어느 정도 빗겨나 있습니다. 따라서 가짜 기준점($\bar{x}$)으로 구한 표본의 편차 제곱합은, 진짜 기준점($m$)으로 구했을 때보다 항상 작게 계산(과소추정)됩니다.
이대로 분모를 $n$ 으로 나누어 분산을 구하면, 우리가 기대했던 진짜 분산(모분산)보다 결괏값이 작아져 통계적 오류가 발생합니다. 수학자 베셀(Bessel)은 이 줄어든 오차만큼을 강제로 뻥튀기하여 보정하기 위해, 분모를 $n$ 보다 작게 만들어 전체 결과값을 다시 키워주는 조작을 가했습니다. 이것이 바로 분모에 $n$ 대신 $n-1$ (자유도)이 들어가는 수학적 필연성입니다. 이렇게 보정된 분산을 우리는 '불편추정량(Unbiased Estimator)'이라고 부릅니다.
정답: 가짜 기준점($\bar{x}$)을 쓰면 편차 제곱합이 억지로 최소화되어 값이 줄어들기 때문에, 분모를 $n$에서 $n-1$로 작게 만들어 전체 값을 키우는 보정(과소추정 극복)을 한 것이다.
평가 요소
채점 기준 및 감점 요인
배점
과소추정 원리 논증
표본평균 $\bar{x}$ 가 데이터들과의 거리를 최소화하는 성질을 가져, 모평균 $m$ 을 쓸 때보다 편차합이 작아진다는 핵심 기하학적 이유를 명확히 서술함.
+15점
보정 계수의 타당성
작아진 값을 원래의 진리(모분산)에 맞게 되돌리기 위해 분모를 $n-1$ 로 줄여 결과값을 확대한 통계학적 보정 원리를 훌륭히 설명함.
+15점
[문제 3] AI 시대의 통계적 추론의 철학 (심층 사고력)
통계학에서 우리가 구하는 표본의 평균과 분산은 그 자체로는 아무런 의미가 없다. 우리의 최종 목적은 결국 볼 수 없는 '모집단'을 알아내는 데 있다. 앞선 1번과 2번 문항의 논의(n-1의 보정)를 바탕으로, 불완전한 파편(표본 데이터)만으로 우주의 진리(모집단)를 예측해 내는 '통계적 추론(Statistical Inference)'이 인공지능과 빅데이터 시대에 인류에게 어떤 철학적, 과학적 무기가 되었는지 논술하시오.
해설 및 모범 채점 기준 확인하기
비문학 독해와 논술 실력을 동시에 잡는 기적의 15분
청랑북스 추천 도서
하루 15분, 시사 논술 필사
단순히 글자를 따라 적는 연습에 그치지 않고, '논술 공식 → 쟁점 분석 → 핵심 어휘 → 예시 답안 필사'로 이어지는 체계적 프로세스로 논리적 글쓰기 실력과 비문학 독해력을 동시에 끌어올려 줍니다.
인간은 전지전능한 신(God)이 아니기에 무한에 가까운 모집단 전체를 관측할 수 없습니다. 우리가 쥐고 있는 것은 항상 파편화되고 불완전한 소수의 '표본'뿐입니다. 앞선 문제에서 보았듯 표본만으로 세상을 분석하면 기준점의 왜곡(과소추정)이 발생하여 필연적으로 진리(모집단)에서 빗나가게 됩니다.
그러나 인류는 절망하지 않고, 그 편향된 오차의 크기를 정확히 대수적으로 계산하여 $n-1$ 이라는 마법의 보정 상수를 도출해 냈습니다. 이 보정을 거친 표본분산은 비록 일부의 데이터만을 썼음에도 불구하고 '진짜 모집단의 분산과 기댓값이 일치'하는 놀라운 수학적 성질(불편성)을 갖게 됩니다.
이것이 인공지능과 머신러닝 시대를 이끄는 **'통계적 추론(Statistical Inference)'**의 위대한 철학입니다. AI는 결코 미래 전체를 내다보고 정답을 맞히는 것이 아닙니다. 제한된 과거의 데이터(표본)를 수학적으로 보정하여 보이지 않는 전체 세상(모집단)의 패턴을 가장 진리에 가깝게 예측해 내는 것입니다. 불완전한 관측의 한계를 수학적 교정($n-1$)으로 극복하여 보이지 않는 우주의 진리(모분산)에 도달하는 이 메커니즘이야말로 빅데이터 시대를 지배하는 가장 강력한 인류의 지적 무기입니다.
정답: 인간의 한계인 표본의 과소추정 오류를 수학적으로 교정(n-1)함으로써, 일부 데이터만으로 미지의 전체 집단(모집단)을 정확히 예측해 내는 통계적 추론의 위대한 원리를 보여준다.
평가 요소
채점 기준 및 감점 요인
배점
통계적 추론의 이해
표본을 구하는 목적이 궁극적으로 보이지 않는 '모집단'을 알아내기 위함(추정)이라는 통계학의 대전제를 명확히 제시함.
+15점
보정의 철학적 가치
인간의 한계(불완전한 관측)를 수학적 수단($n-1$ 보정)으로 극복하여 진리에 도달하는 과정이 AI와 빅데이터 예측 모델의 핵심 동력임을 훌륭히 서술함.
