신뢰구간 계산기

신뢰구간 계산기

인기 AI Skill PRO

계산 입력

공식

CI=x‾±z·sn여기서{x‾=표본 평균s=표준편차n=표본 크기z=z1−1−신뢰수준2\begin{gathered} \text{CI} = \bar{x} \pm z \cdot \frac{s}{\sqrt{n}} \\[1.5em] \text{여기서}\quad \left\{ \begin{aligned} \bar{x} &= \text{표본 평균} \\ s &= \text{표준편차} \\ n &= \text{표본 크기} \\ z &= z_{1-\frac{1-\text{신뢰수준}}{2}} \end{aligned} \right. \end{gathered}
사용 통계

광고

결과

95% 신뢰구간
9.3054 ~ 11.0946
오차 범위: ±0.8946
표준오차
0.4564
Z-점수
1.96
평균
10.2
표본 크기
30
표준편차
2.5

이 페이지의 오류 신고

이 신뢰구간 계산기가 하는 일

신뢰구간은 하나의 표본을 바탕으로, 실제 모평균이 들어 있을 가능성이 높은 값의 범위를 알려 줍니다. 이 계산기는 입력한 표본 통계량을 받아 하한값, 상한값, 그리고 오차범위(margin of error)를 돌려줍니다. 덕분에 "참 평균은 95% 신뢰수준에서 X와 Y 사이에 있다"와 같은 형태로 결과를 제시할 수 있습니다. 이 계산기는 z-분포(정규분포)를 사용하는데, 이는 표본 크기가 충분히 크거나 모집단 표준편차를 알고 있을 때 사용하는 표준적인 방법입니다.

입력해야 하는 값

  • 표본 평균 — 표본 데이터의 평균값(신뢰구간의 중심).
  • 표준편차 — 표본 값들이 얼마나 흩어져 있는지를 나타내는 정도.
  • 표본 크기 — 표본에 포함된 관측치의 개수.
  • 신뢰수준 — 얼마나 확신하고 싶은지, 보통 90%, 95%, 99%를 사용합니다.
표본 평균 지점과 하한·상한 신뢰 한계를 보여 주는 수직선
구간은 평균을 기준으로 하한과 상한으로 표시됩니다.

계산 공식

계산기는 다음 단계를 거쳐 결과를 구합니다.

  • 표준오차 = 표준편차 ÷ √(표본 크기)
  • Z-점수 = 신뢰수준에 해당하는 정규분포의 임계값(예: 90%는 1.645, 95%는 1.96, 99%는 2.576)
  • 오차범위 = Z-점수 × 표준오차
  • 신뢰구간 = 표본 평균 ± 오차범위

계산기는 alpha/2 지점의 역누적확률을 구해 z-점수를 찾습니다. 여기서 alpha = 1 − 신뢰수준이며, 이렇게 하면 불확실성이 양쪽 꼬리에 고르게 나뉘게 됩니다.

광고

계산 예시

표본 평균이 100, 표준편차가 15, 표본 크기가 36이고, 신뢰수준으로 95%를 선택했다고 가정해 봅시다.

  • 표준오차 = 15 ÷ √36 = 15 ÷ 6 = 2.5
  • 95%의 Z-점수 = 1.96
  • 오차범위 = 1.96 × 2.5 = 4.9
  • 하한값 = 100 − 4.9 = 95.1
  • 상한값 = 100 + 4.9 = 104.9

따라서 실제 모평균이 95.1과 104.9 사이에 있다고 95% 신뢰수준에서 말할 수 있습니다.

중앙 신뢰구간이 음영 처리되고 평균에서의 오차 범위가 표시된 종형 곡선
신뢰구간은 오차 범위만큼 표본 평균을 중심으로 대칭으로 펼쳐집니다.

신뢰 구간 해석하기

신뢰 구간은 표본으로부터 구성된 모집단 평균 \(\mu\)의 타당한 값의 범위를 보고합니다. 이것이 지지하는 진술은 절차에 관한 것이지, 화면에 있는 그 하나의 구간에 관한 것이 아닙니다: 만약 동일한 표본 추출을 반복하고 매번 95% 구간을 계산한다면, 그 구간들의 약 95%가 참 평균을 포함할 것입니다. 참 평균은 고정된 (하지만 미지의) 수입니다 — 이동하지 않습니다. 무작위인 것은 구간이며, 이는 무작위 표본으로부터 계산되기 때문입니다. 따라서 "μ가 이 두 수 사이에 있을 95% 확률이 있다"고 말하는 것은 올바르지 않습니다; 구간이 계산되면 μ는 그 안에 있거나 없습니다. (베이즈 신용 구간은 직접적인 확률 진술을 지지하지만, 이들은 다른 구성이며 사전분포를 필요합니다.)

너비: 추정값을 정확하게 만드는 것

더 좁은 구간은 더 정확한 추정을 의미합니다. 반너비는 오차 한계입니다

$$\text{오차 한계} = z \cdot \frac{s}{\sqrt{n}}$$

따라서 세 가지가 이를 움직입니다:

  • 표본 크기 \(n\) — 오차 한계는 \(n\)이 아닌 \(\sqrt{n}\)으로 줄어듭니다. 표본을 4배 하면 오차 한계가 절반으로 줄어듭니다; 오차 한계를 다시 절반으로 줄이려면 원래 표본의 16배가 필요합니다. 이것이 정밀도가 빠르게 비싸지는 이유입니다.
  • 신뢰 수준 — 더 높은 수준은 더 큰 임계값을 사용하므로, 99% 구간은 항상 같은 데이터의 95% 구간보다 넓습니다 (2.576/1.960 ≈ 1.31, 약 31% 더 넓습니다). 신뢰도와 정밀도는 서로 절충 관계입니다.
  • 산포 \(s\) — 더 가변적인 데이터는 같은 \(n\)에 대해 더 넓은 구간을 제공합니다.

참조값 또는 가정된 값 읽기

당신이 관심 있는 값 — 차이나 변화 점수의 경우 0, 목표 평균, 작년 수치, 명세 값 — 이 구간 안에 떨어지는지 확인하십시오. 참조값이 양측 \(100(1-\alpha)\)% 구간 밖에 있으면, \(H_0: \mu = \text{참조값}\)의 해당 양측 검정은 유의 수준 \(\alpha = 1 - \text{신뢰 수준}\)에서 기각됩니다; 내부에 있으면, 검정은 기각되지 않습니다. 95% 구간과 \(\alpha = 0.05\)에서의 양측 검정은 동일한 계산의 두 가지 관점입니다. "기각되지 않음"은 데이터가 그 값과 호환된다는 의미입니다 — 그 값이 참이라는 것이 아니며, 효과가 0이라는 것도 아닙니다.

또한 구간의 끝점을 실질적으로 읽으십시오. [0.2, 19.8]의 구간은 0을 제외하지만 하찮은 것에서 큰 것까지의 효과와 호환 가능합니다; 이는 0을 제외하고 효과를 정확히 하는 [9.5, 10.5]와는 다른 상황입니다.

개인이 아닌 평균

이 구간은 다음 관찰이 아닌 모집단의 평균을 포함합니다. 큰 \(n\)에서 평균의 구간은 매우 좁을 수 있지만 개별 값은 여전히 광범위하게 분산됩니다. 단일 미래 관찰을 포함할 가능성이 있는 범위가 필요하면, 이는 예측 구간이며, 평균에 대한 불확실성 외에도 개별 변동을 흡수해야 하기 때문에 훨씬 넓습니다.

당신이 의존하고 있는 가정들

  1. 관심 모집단으로부터의 무작위, 독립적 관찰. 편의표본, 군집 데이터, 동일 대상에 대한 반복 측정 및 시계열 데이터가 이를 위반하며, 구간은 일반적으로 너무 좁을 것입니다.
  2. 표본 분포의 근사 정규성. 중심극한정리에 의해 중간 정도로 왜곡된 데이터의 경우 \(n \ge 30\)이 되면 이는 일반적으로 합리적입니다; 작은 표본의 경우 모집단 자체가 대략 정규분포여야 하며, 강하게 왜곡된 데이터나 큰 이상값의 경우 \(n = 30\)도 충분하지 않을 수 있습니다.
  3. 알려진-\(\sigma\) 또는 큰-\(n\) 근사. 이 계산기는 정규 임계값 \(z\)를 사용합니다. \(\sigma\)가 작은 표본에서 \(s\)로 추정될 때, \(n-1\) 자유도를 가진 \(t\) 분포는 엄격히 올바른 선택이며 약간 더 넓은 구간을 제공합니다; 차이는 \(n\)이 대략 30 이상이면 작습니다.
  4. 체계적 오류 없음. 구간은 표본 추출 변동성만을 정량화합니다. 선택 편향, 무응답, 부정확하게 표현된 질문, 잘못 보정된 기기 또는 측정 오류를 수정하지 않습니다. 편향된 표본은 잘못된 값 주위에 타이트한 구간을 생성합니다 — 그리고 큰 \(n\)은 그 잘못된 구간을 더 조여주지만, 더 나아지지는 않습니다.

마지막으로, 동일한 데이터에서 많은 구간을 계산하면, 최소한 하나가 목표를 놓칠 확률이 \(\alpha\)를 훨씬 초과합니다; 이는 다중성 조정이 필요합니다. 이 섹션은 특정 연구 설계에 맞춘 조언이 아닌 일반적인 통계 정보입니다.

광고

주요 용어 및 변수

용어 기호 의미
표본 평균 \(\bar{x}\) 관찰된 데이터의 산술 평균, \(\bar{x} = \frac{1}{n}\sum x_i\). 이는 측정하는 것이며 구간의 중심입니다.
모집단 평균 \(\mu\) 전체 모집단에 걸친 참 평균. 미지이고 고정되어 있으며, 구간이 괄호 안에 넣으려는 값입니다.
표본 표준편차 \(s\) 분모에 \(n-1\)을 사용하여 계산된 개별 관찰의 산포: \(s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}\).
모집단 표준편차 \(\sigma\) 모집단의 참 산포. 거의 알려지지 않음; \(s\)는 그 추정값으로 사용되며, 이것이 \(t\) 분포가 존재하는 이유입니다.
표본 크기 \(n\) 독립적 관찰의 수. \(\sqrt{n}\)을 통해 정밀도를 결정합니다.
평균의 표준오차 SE \(\text{SE} = s/\sqrt{n}\). 표본 평균과 모집단 평균 사이의 전형적인 거리. \(s\)와 다릅니다: \(s\)는 개인이 얼마나 분산되어 있는지를 설명하며 더 많은 데이터를 수집해도 줄어들지 않습니다; SE는 평균이 얼마나 불확실한지를 설명하며 \(n\)이 증가함에 따라 줄어듭니다.
오차 한계 MoE \(\text{오차 한계} = z \times \text{SE}\). 구간의 반너비 — 추정값과 함께 보고되는 "± 수"입니다.
신뢰 수준 \(1-\alpha\) 이런 방식으로 구축된 구간들의 장기 비율로 \(\mu\)를 포착합니다 (예: 95%). 소수로 작성된 같은 값 (0.95)은 신뢰 계수입니다.
알파 \(\alpha\) \(\alpha = 1 - \text{신뢰 수준}\); 장기 실패율이며 동등한 양측 검정의 유의 수준입니다.
알파 반 \(\alpha/2\) 양측 구간의 각 끝에서의 꼬리 영역 — 95% 구간의 경우 꼬리당 0.025입니다.
임계값 / z-점수 \(z\) 표준 정규분포로부터의 승수 \(\Phi^{-1}(1-\alpha/2)\). z-점수는 더 일반적으로 값이 평균으로부터 몇 표준편차 떨어져 있는지를 나타냅니다.
하한 LB \(\bar{x} - \text{오차 한계}\), 구간의 더 작은 끝점입니다.
상한 UB \(\bar{x} + \text{오차 한계}\), 더 큰 끝점입니다. 구간은 \([\text{하한},\ \text{상한}]\)로 작성됩니다.
자유도 \(df = n-1\) \(\bar{x}\)를 추정한 후 남은 독립적 정보의 수입니다. \(z\)에 대한 \(t\) 대안을 사용할 때 \(t\) 표의 행을 선택합니다.
점 추정 \(\bar{x}\) \(\mu\)에 대한 단일 최적 추정 수입니다. 이는 자신의 불확실성을 나타내는 표시가 없습니다.
구간 추정 \([\text{하한}, \text{상한}]\) 명시된 신뢰 수준의 범위입니다. 점 추정 그리고 그 정밀도를 보고하며, 이것이 저널 및 표준 기관이 일반적으로 이를 선호하는 이유입니다.
신뢰 구간 CI 모수의 범위 — 여기서는 모집단 평균입니다. \(n \to \infty\)일 때 단일 점으로 좁혀집니다.
예측 구간 PI 단일 미래 관찰의 범위입니다. 같은 데이터의 CI보다 항상 넓습니다. 개인 수준의 변동을 포함하기 때문입니다; \(n\)이 증가함에 따라 점으로 축소되지 않으며, 대신 대략 \(\mu \pm z\sigma\)로 수렴합니다.

자주 묻는 질문

구간이 넓으면 결과가 나쁜 건가요? 구간이 넓다는 것은 불확실성이 더 크다는 뜻입니다. 신뢰수준을 높이거나(예: 95% → 99%) 표본이 작을수록 구간은 넓어지고, 표본이 클수록 구간은 좁아집니다.

"95% 신뢰"는 정확히 무슨 의미인가요? 표본 추출을 여러 번 반복하면서 매번 신뢰구간을 만든다면, 그 구간들 가운데 약 95%가 실제 모평균을 포함하게 된다는 뜻입니다.

z를 써야 하나요, t를 써야 하나요? 이 도구는 z(정규)분포를 사용하며, 표본이 비교적 크거나 모집단 표준편차를 알고 있을 때 적합합니다. 표본이 아주 작고 모집단 표준편차를 모르는 경우에는 엄밀히 말해 t-분포가 더 정확합니다.

최종 업데이트:

수학 및 통계 인기 계산기

수학 및 통계 계산기 전체 보기