이 분산 계산기로 할 수 있는 일
분산은 숫자들이 평균을 중심으로 얼마나 넓게 퍼져 있는지를 나타내는 값입니다. 분산이 작으면 값들이 평균 가까이에 촘촘히 모여 있고, 분산이 크면 값들이 넓게 흩어져 있다는 뜻입니다. 이 계산기는 쉼표로 구분한 숫자 목록 하나만 입력하면 평균, 분산, 표준편차를 한 번에 계산해 줍니다. 덕분에 데이터가 얼마나 일관적인지 또는 변동이 심한지를 곧바로 판단할 수 있습니다.
사용 방법
입력란은 단 하나, 숫자 입력 (쉼표로 구분)뿐입니다. 데이터 값을 쉼표, 세미콜론, 공백, 심지어 전각 쉼표로 구분해 입력하거나 붙여넣기 하세요. 예를 들면 4, 8, 15, 16, 23, 42처럼요. 계산기는 입력한 텍스트를 분리해 각 항목을 숫자로 변환한 뒤 다음을 계산합니다.
- 평균 — 모든 값의 산술 평균입니다.
- 분산 — 평균에서 벗어난 편차를 제곱해 평균낸 값입니다.
- 표준편차 — 분산의 제곱근으로, 원래 데이터와 같은 단위를 가집니다.
적용되는 공식
이 계산기는 Apache Commons Math의 StatUtils.variance 메서드를 사용합니다. 이 메서드는 n이 아닌 n − 1로 나누는 표본분산(sample variance)을 계산합니다. 공식은 다음과 같습니다.
여기서 \(x_i\)는 각 값, \(\bar{x}\)는 평균, \(n\)은 값의 개수입니다. 표준편차는 단순히 \(s = \sqrt{s^2}\)로 구합니다. \(n-1\)을 사용하는 베셀 보정(Bessel's correction)을 적용하면, 더 큰 모집단에서 추출한 표본의 분산을 편향 없이(unbiased) 추정할 수 있습니다.
계산 예시
2, 4, 6, 8을 입력했다고 가정해 봅시다.
- 평균 $$= \frac{2 + 4 + 6 + 8}{4} = 5$$
- 편차의 제곱: \((2-5)^2=9\), \((4-5)^2=1\), \((6-5)^2=1\), \((8-5)^2=9\) → 합계 $$= 20$$
- 표본분산 $$= \frac{20}{4 - 1} = 6.667$$
- 표준편차 $$= \sqrt{6.667} \approx 2.582$$
계산기는 이 세 가지 값을 자동으로 보여 줍니다.
분산 결과 해석하기
분산은 데이터 집합의 값들이 평균으로부터 얼마나 멀리 퍼져 있는지를 측정합니다. 모든 편차가 제곱된 후 평균을 내기 때문에 결과는 제곱 단위를 가집니다. 데이터가 센티미터 단위의 길이라면 분산은 cm²이고, 시험 점수라면 '제곱 포인트'입니다. 이것이 표준편차(SD) — 분산의 제곱근 — 이 보통 함께 인용되는 이유입니다. SD는 데이터의 원래 단위로 돌아가므로 평균과 직접 비교할 수 있기 때문입니다.
여기서 사용되는 공식은 표본 분산으로, 제곱 편차의 합을 자유도 \(n-1\)로 나눕니다:
$$s^2 = \frac{1}{n-1}\sum_{i=1}^{n}\left(x_i - \bar{x}\right)^2$$숫자가 말해주는 것
- 분산은 절대 음수가 아닙니다. 제곱 편차는 0보다 작을 수 없으므로 \(s^2 \ge 0\)는 항상 성립합니다. 정확히 0인 분산은 오직 하나의 의미를 가집니다. 집합의 모든 값이 동일하며 SD도 0입니다.
- 더 크다는 것은 더 큰 퍼짐을 의미합니다 — 하지만 같은 단위 내에서만입니다. 400 cm²의 분산은 9 m²의 분산보다 "크지" 않습니다. 먼저 공통 단위로 변환하십시오 (9 m² = 90 000 cm²).
- 분산은 규모에 무관하지 않습니다. 큰 평균을 가진 데이터는 자연적으로 더 큰 절대 편차를 생성합니다. 다른 평균 또는 다른 단위를 가진 데이터 집합의 퍼짐을 비교하려면 변동계수를 사용하십시오:
예를 들어, 집합 {2, 4, 6, 8}은 \(\bar{x} = 5\), \(s^2 = 6.667\) 이고 \(s = \sqrt{6.667} \approx 2.582\)이며, \(\text{변동계수} = 2.582 / 5 \times 100\% \approx 51.6\%\)을 줍니다. 변동계수는 오직 양수 평균을 가진 비율 척도 데이터에만 의미가 있습니다 — 섭씨(°C) 온도나 0 근처에 중심을 둔 데이터에는 적합하지 않습니다.
분산과 데이터의 형태
데이터가 대략적으로 정규 분포를 따르는 경우(대체로 대칭이고 종 모양), 경험적 규칙 — 종종 68-95-99.7 규칙이라고 불리는 — 은 빠른 규모 감각을 제공합니다. 약 68%의 값이 \(\bar{x} \pm 1s\) 범위 내에 있고, 약 95%가 \(\bar{x} \pm 2s\) 범위 내에 있으며, 약 99.7%가 \(\bar{x} \pm 3s\) 범위 내에 있습니다. 이 백분율은 거의 정규 분포 데이터에만 해당하는 근사값입니다. 왜곡되거나 다중 모드 데이터의 경우 이 백분율은 크게 오도할 수 있으므로, 분산만으로는 이를 드러낼 수 없습니다 — 항상 원본 값이나 그래프도 함께 살펴보십시오.
주의사항
- 이상치가 지배합니다. 편차가 제곱되므로 하나의 극단값이 과도한 영향을 미칩니다. {2, 4, 6}에 100을 하나 더하면 표본 분산이 4에서 2300 이상으로 증가합니다. 결과가 비합리적으로 크게 보이면 해석하기 전에 오타, 단위 혼합 또는 진정한 극단 관측값을 확인하십시오. 사분위수 범위나 중앙 절대 편차와 같은 견고한 대안은 덜 영향을 받습니다.
- 소규모 표본은 불안정한 추정을 제공합니다. \(n = 4\) 또는 \(n = 5\)인 경우, 기본 과정이 변하지 않아도 표본 분산이 한 표본에서 다음 표본으로 크게 변할 수 있습니다. 이를 정확한 값이 아니라 대략적인 지표로 취급하십시오.
- \(n = 1\)은 정의되지 않습니다. 단일 값의 경우 분모 \(n - 1\)은 0이므로 표본 분산을 계산할 수 없습니다 — 단독 관측값은 퍼짐에 대한 정보를 전혀 갖지 않습니다.
- 표본 대 모집단. 이 계산기는 \(n-1\) 제수를 적용하며, 이는 숫자가 더 큰 그룹에서 추출한 표본인 경우의 올바른 선택입니다. 숫자가 전체 모집단인 경우, 모집단 분산은 대신 \(n\)을 사용하며 항상 다소 작을 것입니다.
주요 용어 및 기호
| 용어 | 기호 | 의미 |
|---|---|---|
| 평균 (표본) | \(\bar{x}\) | 표본 값의 산술 평균, \(\bar{x} = \frac{1}{n}\sum x_i\). 엑스 바로 읽습니다. |
| 평균 (모집단) | \(\mu\) | 모집단의 모든 구성원의 평균, \(\mu = \frac{1}{N}\sum x_i\). 뮤로 읽습니다. |
| 표본 크기 / 모집단 크기 | \(n\) / \(N\) | 사용된 값의 개수. 관례상 소문자 \(n\)은 표본을 나타내고 대문자 \(N\)은 전체 모집단을 나타냅니다. |
| 편차 | \(x_i - \bar{x}\) | 값이 평균으로부터 얼마나 멀리 떨어져 있는지. 평균 위는 양수, 아래는 음수. 편차의 합은 항상 0이므로 평균을 내기 전에 제곱합니다. |
| 제곱 편차 | \((x_i - \bar{x})^2\) | 편차에 자신을 곱한 것 — 부호를 제거하고 큰 간격을 확대합니다. |
| 제곱합 | SS | 모든 제곱 편차의 합계, \(SS = \sum_{i=1}^{n}(x_i - \bar{x})^2\). 모든 분산 공식의 분자. |
| 표본 분산 | \(s^2\) | \(s^2 = \dfrac{SS}{n-1}\) — 표본으로부터의 모집단 분산의 불편향 추정값. 이것이 이 계산기가 반환하는 것입니다. |
| 모집단 분산 | \(\sigma^2\) | \(\sigma^2 = \dfrac{1}{N}\sum (x_i - \mu)^2\) — 데이터가 전체 모집단을 다룰 때 사용됩니다. 시그마 제곱으로 읽습니다. |
| 자유도 | \(df = n-1\) | 평균이 고정된 후 자유롭게 변할 수 있는 편차의 개수. 평균과 \(n-1\)개의 편차를 알면 마지막 편차가 결정됩니다. |
| Bessel 수정 | \(n-1\)로 나누기 | \(n\)을 \(n-1\)로 바꾸는 조정입니다. 없으면 표본 분산은 체계적으로 모집단 분산을 과소추정합니다. 편차가 표본 자체의 평균에서 측정되기 때문입니다. |
| 표준편차 | \(s\) / \(\sigma\) | 분산의 제곱근으로, 데이터와 같은 단위로 표현됩니다. \(s = \sqrt{s^2}\). |
| 변동계수 | CV | 상대 퍼짐, \(CV = s / \bar{x}\), 보통 백분율로 표시됩니다. 무차원이므로 다른 단위 또는 크기를 가진 데이터 집합을 비교합니다. |
| 범위 | — | 최대값에서 최소값을 뺀 값. 두 개의 값만 사용하고 그 사이의 모든 것을 무시하는 대략적인 퍼짐 측도입니다. |
| 이상치 | — | 나머지 데이터에서 멀리 떨어진 값. 편차가 제곱되므로 이상치는 분산을 불균형하게 부풀립니다. |
단위 참고: 분산은 항상 데이터 단위의 제곱으로 표현됩니다 — 초 단위 데이터는 s²를 주고, 킬로그램은 kg²를 주며, 화폐 금액은 "화폐 제곱"을 주는데, 이는 일상적인 의미가 없습니다. 대부분의 보고서가 분산 자체보다 표준편차를 인용하는 실질적인 이유입니다.
계산 규칙과 경계 사례
아래 사례는 모두 이 계산기로 실제 계산한 것이며, 결과 열은 계산기가 실제로 돌려준 값입니다.
| 사례 | 입력 | 결과 |
|---|---|---|
| 소수 0.1, 0.2, 0.3 | 0.1, 0.2, 0.3 | 0.01 |
| 값의 개수가 짝수 (1, 2, 3, 4) | 1, 2, 3, 4 | 1.6667 |
| 음수 값 (−3, −1, 4) | -3, -1, 4 | 13 |
| 목록에 0 포함 (0, 4, 9) | 0, 4, 9 | 20.3333 |
| 표본 또는 모집단 (2, 4, 4, 4, 5, 5, 7, 9) | 2, 4, 4, 4, 5, 5, 7, 9 | 4.5714 |
| 값이 하나뿐 | 7 | 표본분산을 구하려면 값이 2개 이상 필요합니다. |
2026-11-08 확인
자주 묻는 질문
표본분산인가요, 모분산인가요? 이 계산기는 \(n-1\)로 나누는 표본분산을 계산합니다. 입력한 숫자가 전체 모집단이 아니라 그 일부인 표본을 나타낼 때 일반적으로 사용하는 방식입니다.
어떤 구분 기호를 쓸 수 있나요? 쉼표, 세미콜론, 공백, 그리고 전각(아시아식) 쉼표를 모두 인식합니다. 그래서 정리되지 않은 상태로 붙여넣은 데이터도 대부분 올바르게 처리됩니다.
표준편차도 함께 보여 주는 이유는 무엇인가요? 표준편차는 원래 데이터와 단위가 같아 해석하기 쉽기 때문입니다. 반면 분산은 단위가 제곱된 형태라 직관적으로 이해하기 어렵습니다.