본문 바로가기

비즈니스 통계

대학교 경영학 · 주제 5

교재 자료

이 과정의 내용과 활용 방법

이것은 대학 경영학의 다섯 번째 과정인 경영통계학입니다. 이 과정에서는 스스로를 속이지 않으면서 데이터를 의사 결정으로 연결하는 방법을 다룹니다. 누구나 재현할 수 있는 하나의 데이터셋이 과정 전체에 걸쳐 사용됩니다. 님버스의 주말 서비스에서 기록한 포장 음식 배달 시간 40개이며, 단위는 분입니다. 이 자료의 모든 통계치는 끝에 나열된 데이터로 다시 계산할 수 있습니다.

이 과정의 핵심 습관: 주장을 밝히고, 불확실성을 밝히며, 무엇이 자신의 생각을 바꾸게 할지 말합니다. 평균에는 표준오차가, 검정에는 가정이, 상관관계에는 주의 사항이 따릅니다. 모든 풀이 예제는 다음을 기준으로 확인되었습니다. 점층적인 worked examples, 사람들이 실제로 범하는 실수, 그리고 세 줄 요약

  • 5.1–5.2단원에서는 데이터를 수집하고 기술합니다. 표본 추출, 편향, 정직한 그림을 다룹니다.
  • 5.3–5.5단원에서는 우연을 추론합니다. 확률, 추정, 검정을 다룹니다.
  • 단위 5.6–5.7는 관계와 결정을 다룹니다: 회귀, 상관관계, 그리고 분석과 설득을 구분하는 한계입니다.

각 단원은 질문, 방법, 검산한 수치가 포함된 두 개의 풀이 예제와 그중 더 어려운 두 번째 예제, 흔한 실수, 짧은 요약이 있습니다.

데이터와 표본 추출

중요한 이유. 경영 보고서의 모든 숫자는 어떤 데이터 선택 방식에서 나왔습니다. 숫자를 해석하기 전에 무엇을 어떻게 선택했는지, 누구를 빠뜨렸는지 알아야 합니다. 그렇지 않으면 뒤따르는 분석은 추측을 꾸미는 데 그칩니다.

대규모 인파
군중은 모집단입니다. 표본을 추출하는 방식에 따라 데이터가 보여 줄 수 있는 것이 결정됩니다
네 가지 무작위 표본 추출 설계: 누가 선택되고 어떻게 하는지
네 가지 무작위 표본 설계: 누가 선정되며, 어떻게

핵심 개념. 배달 시간 40개는 주말 서비스에서 추출한 표본이며, 일정 기간의 모든 주문은 모집단이 됩니다. 표본을 선택하는 방식에 따라 표본이 신뢰할 수 있게 알려 줄 수 있는 내용이 결정됩니다. 단순 임의표본에서는 모든 주문이 같은 확률로 선택됩니다. 편의표본(관리자가 우연히 본 주문)은 그렇지 않습니다.

주문 집단을 표본으로 선택하는 네 가지 표본 설계 경로: 단순 무작위, 시간별 계층화, 일정한 간격의 계통추출, 그리고 편향 표시된 편의 경로
설계가 추론이다: 당신이 표본을 추출한 것이야말로 당신이 주장할 수 있는 대상이다.

정의.

  • 데이터는 양적(배달 시간, 분 단위)이거나 범주형(어느 배달원인지)입니다.
  • 측정 척도에는 명목 척도, 서열 척도, 등간 척도, 비율 척도가 있습니다. 분 단위 시간은 비율 척도입니다. 0은 시간이 전혀 없음을 뜻합니다.
  • 편향은 설계로 인해 발생하는 체계적인 오차입니다.
    • 선택 편향: 누구에게 접근할 수 있는가
    • 무응답 편향: 누가 응답하는가
    • 생존 편향: 누가 여전히 남아 있는가
  • 데이터 사전은 각 필드의 의미, 단위, 부호화 방식을 기록합니다. 데이터셋의 여권과 같으며, 이를 비판적으로 읽는 것은 모든 분석의 출발점입니다.

크기로 편향을 해결할 수 없는 이유. 표본이 무작위로 추출되었다면 표본평균은 모평균의 불편추정량입니다. 많은 표본을 반복해 추출했을 때 평균적으로 참값과 일치합니다. 설계에 편향이 있다면 표본 크기를 아무리 늘려도 해결할 수 없습니다. 저녁 주문 10,000건으로 이루어진 편의표본은 여전히 점심에 관해서는 아무것도 알려 주지 않습니다. 편향은 크기가 아니라 설계의 속성입니다.

풀이 예제 1: 데이터 사전 읽기. 데이터셋의 사전:

필드 유형 참고 사항
delivery_min 비율 척도, 분, 소수 첫째 자리 배달원이 타이머를 멈추는 것을 잊으면 결측됨(3건)
hour 서열 척도, 11–21
rider_id 명목 척도

평균을 계산하기 전에 살펴보면, 3개의 결측값은 0 분이 아니며 무작위로 결측된 것도 아닙니다. 배달원은 바쁠 때 더 자주 잊습니다. 따라서 결측값이 없는 37건의 평균과 결측값을 함께 보고하고, 결측 사실을 밝히지 않은 채 평균만 제시하지 않습니다.

풀이 예제 2: 질문에 맞게 설계하기. Nimbus는 주말 서비스가 더 느린지 알고 싶어 합니다.

  • 설계 A: 40개의 시간 자료를 분석합니다. 모두 토요일 자료입니다.
  • 설계 B: 토요일 주문 20건과 수요일 주문 20건을 표본으로 추출합니다. 요일을 비교하는 질문이므로 층화표본입니다.

설계 A는 "토요일은 어떠한가?"에 답합니다. 질문에 답하는 설계는 B뿐입니다. 반대 방향의 함정도 확인해 봅시다. 20 + 20건을 추출한 뒤 하나의 평균으로 합치면 실제 주문이 그 비율로 나뉘는지와 관계없이 두 요일에 같은 가중치가 부여됩니다. 설계는 양쪽 방향 모두에서 주장에 맞아야 합니다.

흔한 실수.

  • 편의표본이 크다는 이유로 무작위 표본으로 취급하기
  • 무응답을 무시하기. 설문에 응답하지 않은 고객도 무언가를 알려 줍니다.
  • 데이터 사전 없이 데이터셋을 읽기. 단위와 코드를 잘못 해석하면 분석에 오류가 생깁니다.

요약. 무엇을 결론으로 내릴 수 있는지는 설계에 달려 있습니다. 편향은 체계적이므로 표본을 더 크게 만들어도 해결할 수 없습니다. 데이터 사전은 데이터의 일부입니다.

서술적 통계 및 시각화

중요한 이유. "평균 배달 시간: 27.4분"이라는 한 문장에는 전체 분포가 가려져 있습니다. 기술은 "진짜" 통계에 앞선 형식적인 절차가 아닙니다. 대부분의 비즈니스 통찰을 얻는 단계이자 많은 비즈니스 차트가 오해를 불러일으키는 단계입니다.

데이터 2, 3, 3, 5, 7: 평균(mean) = 4, 중앙값(median) = 3, 최빈값(mode) = 3, 범위(range) = 5
소규모 데이터 세트의 평균, 중앙값, 최빈값 및 범위

핵심 개념. 모든 데이터셋에서는 중심, 산포, 분포의 모양, 이상치라는 네 가지를 살펴봅니다. 40개의 시간 자료는 다음과 같습니다.

측도 값
평균 27.43
중앙값 27.6
표준편차 4.91
사분위수($(n+1)p$ 규칙에 따름) 24.5 / 27.6 / 30.9
IQR 6.3

히스토그램은 봉우리가 하나이고 대체로 대칭이며 오른쪽으로 조금 더 뻗어 있습니다. 가장 큰 시간인 38.5은 높지만 이상치 판정 경계 안에 있습니다. Q3 + 1.5 × IQR = 40.3.

왼쪽: 평균과 중앙값이 표시된 40 배송 시간의 히스토그램 및 1.5-IQR 경계선이 40.3에 위치함; 오른쪽: 옆에 배치된 상자 그림 *하나의 데이터셋, 두 가지 정직한 시각화: 히스토그램에서 형태를 보고,.path에서 다섯 개의 수치를 확인하세요.

정의.

  • 평균 = 합계 ÷ $n$; 중앙값 = 순서대로 나열했을 때 가운데 값.
  • 표준편차: $s = \sqrt{\sum(x_i-\bar x)^2/(n-1)}$.
  • IQR = Q3 − Q1. 이상치는 Q1 − 1.5 × IQR보다 작거나 Q3 + 1.5 × IQR보다 큰 값입니다.
  • 분포의 모양: 대칭, 치우침 또는 여러 봉우리.

평균은 긴 꼬리의 영향을 받고 중앙값은 그 영향을 덜 받습니다. 소득이나 지연 시간처럼 치우친 데이터는 중앙값을 보고하고 그 이유를 설명합니다.

계산. 주어진 데이터에 대해 $\bar x = 1{,}097.2/40 = 27.43$입니다. 표준편차 공식의 분자는 $\sum(x_i-\bar x)^2 = 940.3$이므로, $s = \sqrt{940.3/39} = 4.91$입니다. 왜 $n - 1$로 나눌까요? 표본의 편차들은 서로 연결되어 있으므로($\sum(x_i - \bar x) = 0$) $n$로 나누면 산포를 실제보다 작게 추정합니다. 먼저 평균을 추정하는 데 "자유도" 하나가 사용됩니다.

풀이 예제 1: 정직한 그림. 한 마케팅 슬라이드의 배달 차트에서 y축이 24분부터 시작합니다. 17–23분이 걸린 주문이 사라지고 차이가 세 배 더 커 보입니다. 다시 그리세요 축의 생략 부분을 명확히 표시하면 평균 27.4이 정직한 그림에 나타납니다. 축을 잘라 내는 것은 아주 오래된 속임수입니다. 숫자는 바뀌지 않았지만 그림은 바뀌었습니다.

풀이 예제 2: 이상치 하나. 데이터 입력 오류 하나를 추가합니다. 168분이 걸린 배달입니다. 타이머가 멈추지 않았습니다. 값이 41개일 때:

측도 이전 이후 변화
평균 27.43 30.86 +3.43
중앙값 27.6 27.7 +0.1
표준편차 4.91 22.5 약 4.5배 증가

잘못된 키 입력 한 번으로 평균은 3분 넘게 변하고 표준 편차는 네 배 반으로 늘었지만 중앙값은 거의 변하지 않았습니다. 판정 경계와 비교해 보면 사분위수는 거의 변하지 않고, Q3 + 1.5 × IQR은 여전히 약 40이며 168은 경계를 크게 벗어납니다. 판정 경계가 오류를 발견하고 데이터 사전이 그 원인을 설명합니다. 이상치를 처리할 때는 조사하고 발견한 내용을 기록한 다음 결정합니다. 아무 설명 없이 삭제해서는 안 됩니다.

흔한 실수.

  • 데이터가 치우쳐 있다는 사실을 밝히지 않고 평균만 제시하기
  • 이상치를 조사하기 전에 삭제하기
  • 보기 좋다는 이유로 차트 유형을 선택하기. 연속형 변수 하나를 막대그래프로 나타내면 히스토그램에서 볼 수 있는 정보가 가려집니다.

요약. 중심(평균과 중앙값), 산포(표준편차와 IQR), 분포의 모양, 이상치를 모두 보고합니다. 숫자가 사실이어도 그림은 오해를 불러일으킬 수 있습니다.

확률 및 분포

중요성. "이 주문이 지각할 확률은 얼마인가?"는 확률 문제입니다. 두 가지 표준 모형인 이항 모형과 정규 모형은 이러한 문제의 대부분의 비즈니스 사례에 답합니다. 중요한 능력은 질문에 맞는 모형을 고르고 그 이유를 설명하는 것입니다.

이항 분포의 막대그래프에 정규 곡선이 겹쳐져 있는 그림
$np$과 $n(1-p)$이 모두 충분히 클 때, 정규 곡선은 평균과 분산이 동일한 이항분포를 근사할 수 있다.

핵심 개념. 주문의 20%가 지연된다면 다음 5건 중 지연된 주문의 수는 이항분포를 따릅니다.

$$P(X{=}2) = \binom{5}{2}(0.2)^2(0.8)^3 = 0.2048$$

배달 시간 자체는 중심 주변에 모여 있고 꼬리는 대칭입니다. 이는 정규곡선으로 모형화하며, 값의 68%, 95%, 99.7%가 각각 평균에서 표준편차의 1배, 2배, 3배 이내에 있습니다.

왼쪽: n = 5, p = 0.2인 이항 분포에서 P(X = 2) = 0.2048에 해당하는 영역이 음영 처리됨; 오른쪽: 배송 모델(평균 28, 표준편차 5)에 대한 정규 곡선에서 68/95 규칙의 범위가 표시되고, 33분 임계점이 0.8413에 위치하며 음영 처리됨
두 가지 모델, 두 가지 질문: 지연 주문의 개수와 연속적인 분

정의.

  • 덧셈 법칙: $P(A \cup B) = P(A) + P(B) - P(A \cap B)$.
  • 독립성: $P(A|B) = P(A)$.
  • 이항: 서로 독립인 $n$번의 시행으로, 각각의 성공 확률은 $p$.
  • 정규: 대칭인 종 모양이며 평균 $\mu$과 표준편차 $\sigma$로 완전히 표현됩니다.
  • 표준화: $z = (x - \mu)/\sigma$은 모든 정규분포를 표준정규곡선으로 바꿉니다.

계산.

  • 이항: 5건 중 2건이 지연되는 경우의 수는 $\binom{5}{2} = 10$가지이며, 각각의 확률은 $0.2^2 \times 0.8^3 = 0.02048$이므로 $P(X = 2) = 0.2048$입니다. 또한 $P(X \le 1) = 0.8^5 + 5(0.2)(0.8^4) = 0.7373$.
  • 정규: $\mu = 28$이고 $\sigma = 5$일 때, 33분이 걸리는 주문은 평균보다 $z = 1$만큼 높으며 주문의 $\Phi(1) = 0.8413$이 더 빠릅니다. 이것은 표에서 가장 자주 쓰이는 수치입니다.

풀이 예제 1: 서비스 약속. Nimbus는 "30분 디저트가 무료"라고 약속합니다. 모델 $\mu = 28$, $\sigma = 5$ 하에서:

$$P(X > 30) = P(z > 0.4) = 1 - 0.6554 = 0.3446$$

따라서 주문의 삼분의 일에 무료 디저트가 제공됩니다. 주방 작업이 더 빠르다면, $\mu = 26$: $P(X > 30) = P(z > 0.8) = 0.2119$로, 여전히 5건 중 1건입니다. 이 약속에 드는 비용은 확률로 나타납니다. 조리 속도가 더 빨라져야만 ($\mu$이 더 작아져야만) 꼬리가 바뀝니다. 약속 시간을 늘리면 기준선만 이동합니다.

풀이 예제 2: 질문에 맞는 모형 고르기.

질문 모형 답
(a) 다음 20건의 주문 중 적어도 4건이 지연될 확률($p = 0.2$) 이항 $1 - P(X \le 3) = 1 - 0.4114 = 0.5886$
(b) 주문 한 건에 35분을 초과하는 시간이 걸릴 확률($\mu = 28$, $\sigma = 5$) 정규 $z = 1.4$, 꼬리 $0.0808$
(c) 요리사가 오늘 만든 디저트 3개 중 2개를 무작위로 확인했습니다. 둘 다 시간이 오래 걸린 2개에 속할 확률 조합을 이용한 경우의 수 계산 $1/\binom{3}{2} = 1/3$

잘못된 모형은 자신 있게 계산해도 여전히 잘못된 모형입니다. 모형을 선택한 이유도 답의 일부입니다.

흔한 실수.

  • 동시에 일어날 수 있는 사건들의 확률을 더하면서 겹치는 부분을 빼지 않기
  • 횟수에 정규 모형을 사용하거나(이항 모형을 사용해야 합니다), 지연 시간 데이터가 치우쳐 있다는 사실을 밝히지 않고 정규 모형을 사용하기
  • 표의 꼬리 부분을 나머지 부분으로 잘못 읽기. 수치를 찾기 전에 항상 곡선을 그리고 해당 영역을 색칠합니다.

요약. 횟수 → 이항; 대칭인 연속형 데이터 → 정규; $z = (x-\mu)/\sigma$은 둘 사이를 변환합니다. 계산하기 전에 모형을 명시합니다.

표본 분포와 추정

중요한 이유. 40개의 시간 자료는 하나의 표본입니다. Nimbus는 네가 가진 ONE 숫자가 보지 못하는 진실에 대해 말하는 학문이다 — 정직한 범위를 포함하여. 가지고 있는 하나의 수치가 보이지 않는 참값에 관해 무엇을 알려 주는지 정직한 범위와 함께 설명하는 훈련이 필요합니다.

표본 평균이 중앙에 위치하고 양쪽으로 구간이 뻗어 있는 수직선 그림
$95\%$ 신뢰구간은 표본 평균 양쪽으로 $1.96$ 표준오차만큼 뻗어 있습니다.

핵심 개념. 주문 16건을 무작위로 표본 추출해 평균을 계산하고, 이를 계속 반복합니다. 평균 자체도 분포를 이룹니다. 이 분포는 원래 데이터의 분포보다 좁고 참평균을 중심으로 합니다. 이것이 중심극한정리이며 이 분포의 폭은 $\sqrt{n}$에 따라 줄어듭니다.

The build-up: the population spread of the 40 times, then the distribution of many sample means at n = 4 and n = 16 narrowing by the square root of n, with one realised sample mean and its 95% interval marked 정의. 평균의 표준오차는

정의.

  • 평균의 표준오차 $SE = s/\sqrt{n}$은 데이터가 아닌 표본평균의 표준편차입니다.
  • 95% 신뢰구간은 $\bar x \pm t \times SE$입니다.
  • 신뢰수준은 방법을 설명합니다. 이 방법으로 만든 구간의 95%가 참평균을 포함합니다. "이 특정 구간에 참값이 있을 확률이 95%"라는 뜻은 아닙니다.

계산. 이 과정에서 무작위로 추출한 주문 16건의 표본은 (난수 시드 11을 사용) 평균이 28.66이고 표준편차가 4.70이므로, $SE = 4.70/\sqrt{16} = 1.175$입니다. $t_{15} = 2.131$을 사용하면 95% 신뢰구간은 $28.66 \pm 2.50$, 즉 **[26.2, 31.2]**입니다. 표본 크기를 4배로 늘리면(주문 64건) SE는 절반이 됩니다. 정밀도를 높이는 데는 $\sqrt{n}$의 비용이 듭니다. 통계에서 가장 비싼 교환 비율.

풀이 예제 1: 구간을 올바르게 해석하기. "평균 배달 시간은 95%의 신뢰 수준에서 26.2분과 31.2분 사이이다." 세 가지 해석:

  • (a) "실제 평균이 [26.2, 31.2]에 있을 확률은 95%이다." 틀림.
  • (b) "주문의 95%는 26–31분이 걸린다." 틀림: 이는 예측 구간이 나타내는 것으로, 그 구간은 훨씬 더 넓을 것이다.
  • (c) "이 범위를 구한 방법은 그 방법을 사용한 경우의 95%에서 실제 평균을 포함한다." 맞음.

구간은 평균에 관한 것이고, 신뢰 수준은 방법에 관한 것이다.

풀이 예제 2: 정밀도의 대가. 관리자는 평균을 오차 ±0.5분 이내로 알고 싶어 한다. 조건은 $t \cdot s/\sqrt{n} \le 0.5$이다. 필요한 표본 크기에서는 $t \approx 1.97$ ($n = 16$의 2.131이 아님)이므로

$$\sqrt{n} \ge \frac{1.97 \times 4.7}{0.5} = 18.52 \quad\Rightarrow\quad n \ge 343 \text{ orders}$$

정밀도를 다섯 배로 높이려면 (±2.5에서 ±0.5로) 데이터가 스무 배 넘게 필요하다 (16에서 343로). 그리고 그 주문들이 편의 표본이었다면, 편향된 관측값 343개는 그저 343배만큼 잘못된 것이다. 정밀도와 편향이 없는 상태는 각각 대가를 치러야 하는 서로 다른 것이다.

흔한 실수.

  • 표준편차 (데이터의 산포)와 표준오차 (평균의 불확실성)를 혼동하기.
  • 신뢰 수준을 이 하나의 구간에 관한 확률로 해석하기.
  • 구간이 무작위 표본을 가정한다는 것을 잊기. 계산으로는 설계의 문제를 바로잡을 수 없다.

요약. $SE = s/\sqrt{n}$. 중심극한정리에 따라 평균은 대략 정규분포를 따른다. $\bar x \pm t \cdot SE$을 사용하고, 신뢰 수준은 방법의 속성으로 해석한다.

가설 검정

중요한 이유. "평일 서비스가 주말 서비스보다 정말 느린가?" 검정은 아무 차이도 없을 때 관측된 데이터가 놀라울 정도인지 공식적으로 묻는 방법이다. 정직하게 사용하면 주장을 엄격하게 다듬지만, 의례적으로 사용하면 주장을 만들어 낸다.

핵심 개념. 귀무가설 ($H_0$: 평균은 30) 과 대립가설을 세운다. $H_0$이 참일 때 표본이 얼마나 극단적인지 계산하고, 선택한 기준을 넘을 때만 $H_0$을 기각한다. p값 p는 $H_0$이 참일 때 이만큼 또는 이보다 더 극단적인 데이터가 나올 확률이다.

t 분포에서 ±2.131 외의 기각 영역이 음영 처리되고, 관측된 t = -1.138가 비기각 영역 내에 표시되며 두 가지 오류 유형이 라벨링됨
증거가 임계치에 미치지 못하여 기각하지 않음—실패가 아닌 결과

정의. 가설 검정은 데이터가 얼마나 극단적인지를 선택한 기준과 비교한다.

  • 검정통계량: $t = (\bar x - \mu_0)/(s/\sqrt n)$.
  • 유의 수준 $\alpha$: 제일종 오류가 발생하는 비율입니다. 즉, $H_0$을 기각하는 오류)의 비율로, 보통 0.05이다.
  • 제이종 오류 $\beta$: 실제 효과를 발견하지 못하는 것입니다. 검정력 $= 1 - \beta$.
  • "통계적으로 유의하다"는 것은 오직 $p < \alpha$이라는 뜻이다.

계산. 평균은 30분인가? 시드가 11인 표본을 사용하면:

$$t = \frac{28.66 - 30}{1.175} = -1.14$$

유의수준 $\alpha = 0.05$에서 양측 검정을 하고 자유도가 15일 때 임계값은 $|t| > 2.131$이다. $1.14 < 2.131$이므로 $H_0$을 기각하지 못한다. 데이터는 평균이 30분인 경우와 양립하며, 다른 많은 값과도 양립한다. 이것이 말하지 않는 것에 주목하자. "평균이 30이다"도 아니고, "차이가 없다"도 아니다. 오직 "평균이 30이라면 이 표본은 놀랍지 않을 것이다"라는 뜻이다.

풀이 예제 1: 정직한 p값. 한 배달원이 자신의 토요일 배달 경로가 더 빠르다고 주장한다. 그가 배달한 16건의 평균은 26.9분으로, 가게의 28.7과 비교하고 $s = 4.0$이므로 $t = (26.9 - 28.7)/(4.0/4) = -1.8$이며, $p \approx 0.09$이다. "거의 유의함"이라는 범주는 없다. $p = 0.09$을 보고하고, 틀렸을 때의 비용을 고려하여 결정한다. 답에 따라 무료 후식만 달라진다면 $\alpha = 0.10$이 적절할 수 있지만, 직원 재교육이 달려 있다면 0.05 또는 0.01을 사용한다. $\alpha$는 그리스 문자로 표현한 사업상 선택이다.

풀이 예제 2: 유의하다는 것은 중요하다는 뜻이 아니다.

  • 두 집단에 각각 4,000건의 주문이 있을 때, 0.4분의 차이에 대해 $SE = 5\sqrt{2/4000} \approx 0.11$이므로 $z \approx 3.6$이고 $p < 0.01$이다. 통계적으로 유의하지만 어떤 고객도 24초를 알아차리지 못한다.
  • 각 집단에 8건의 주문이 있을 때, 3분의 차이에 대해 $SE = 5\sqrt{2/8} = 2.5$이므로 $t = 1.2$이고 $p \approx 0.25$이다. 검정은 이를 감지하지 못하지만 모든 고객은 알아차릴 것이다.

해결 방법은 효과 크기를 그 구간과 함께 보고하는 것이다: "0.4 분, 95% 신뢰구간 [0.2, 0.6]: 유의하지만 사소함". 유의성은 "효과가 있는가?"를 묻고, 효과 크기는 "그 효과가 중요한가?"를 묻는다. 사업에서는 두 번째 답이 필요하다.

흔한 실수.

  • 귀무가설을 "채택"하기. 귀무가설을 기각하지 못한 것이다. 효과의 증거가 없다는 것은 효과가 없다는 증거가 아니다.
  • $p$을 가설이 참일 확률이라고 생각하기.
  • p값 조작: 어떤 결과가 0.05을 통과할 때까지 반복해서 검정하기. 단원 5.7에서 이를 살펴본다.

요약. $t = (\bar x - \mu_0)/SE$. 허용할 오류 수준으로 선택한 기준을 넘으면 기각한다. $p$은 가설이 아니라 데이터에 관한 것이다. 유의하다는 것이 중요하다는 뜻은 아니다. 항상 효과 크기를 보고한다.

회귀 및 상관관계

중요한 이유. "배달 시간이 더 오래 걸리는 주문은 더 먼 주소에서 오는가?" 회귀분석은 숫자 쌍을 직선으로 나타내고, 숫자들이 얼마나 밀접하게 함께 변하는지 측정하며, 주의하지 않으면 원인이 있는 것처럼 보이게 한다. 이 단원에서는 직선을 적합하고, 직선이 놓치는 부분을 해석하며, 원인에 관한 주장을 신중하게 다룬다.

12 학생의 공부 시간과 점수에 대한 산점도로, 평균 점(4.75, 62.4)을 지나는 회귀선 y = 39.3 + 4.87x 및 r = 0.974
y에 대한 x의 회귀선과 평균 점

핵심 개념. 추적한 배달 열두 건에서 거리 (1.0–3.75 km)와 시간을 얻는다. 산점은 촘촘하며 오른쪽으로 갈수록 올라간다. 최소제곱 직선은

$$\hat y = 17.4 + 4.83x$$

따라서 거리가 일 킬로미터 늘 때마다 시간이 4.83분 추가됩니다. 상관관계는 $r = 0.989$이고, $r^2 = 0.979$이다. 시간 변동의 97.9%가 거리와 함께 변한다.

Left: the scatter of the 12 deliveries with the fitted line and its equation; right: the residuals plotted against distance, patternless and small
The fit is only half the report - the residuals are the other half

정의.

  • 기울기: $x$이 한 단위 증가할 때 $\hat y$의 변화량.
  • 절편: $x = 0$일 때의 $\hat y$ (의미가 없는 경우가 많다. 0 km는 배달이 아니다).
  • 잔차: $y - \hat y$으로, 직선이 설명하지 못하는 부분.
  • $r^2$: $y$의 변동 중 직선이 설명하는 비율.
  • 데이터 범위를 벗어난 외삽은 근거 없는 추측이다.

직선을 구하는 방법. 최소제곱법은 $\sum(y_i - a - bx_i)^2$을 최소화하며, 그 결과 $b = r \, s_y/s_x$과 $a = \bar y - b\bar x$을 얻는다. 배달 12건에 대해 $b = 4.83$이고 $a = 17.4$이다. 잔차는 −1.2분부터 +1.1분까지 분포하며 아무런 패턴이 없으므로, 여기서는 직선이 잘 맞는다. 잔차도가 그 근거이다.

풀이 예제 1: 적합 결과 해석하기.

  • 2 km 배달에는 $17.4 + 9.7 = 27.1$분이 걸릴 것으로 예측되며, 3 km 배달에는 31.9분이 걸릴 것으로 예측된다.
  • 절편인 0 km에서의 17.4분은 주방 작업과 인계에 걸리는 시간으로 해석할 수 있다. 여기서는 일정한 준비 시간이 있을 것으로 예상할 실제 이유가 있기 때문에만 그 해석이 타당하다. 이런 해석은 근거를 밝히고, 그저 가정하지 않는다.
  • 7 km에 대한 예측 (51분)은 외삽이다. 3.75 km를 넘는 데이터가 없어 그 구간의 직선을 뒷받침하지 못한다.

풀이 예제 2: 상관관계는 인과관계가 아니다. 상관계수 0.989은 사업 데이터에서 볼 수 있는 수준 중 매우 강하지만, 그래도 원인에 대해서는 아무것도 증명하지 못한다. 다른 요인이 작용할 수 있다. 교통량이 늘면 거리와 시간이 모두 증가할 수 있고, 주문을 배정하는 방식 (한가한 시간에 배달원이 먼 주문을 맡는 방식) 때문에 거리가 적합된 비율로 시간의 원인이 되지 않더라도 거리와 시간이 함께 변할 수 있다. 정직한 표현은 다음과 같다. "이 표본에서는 거리로 시간을 예측할 수 있다 ($r^2 = 0.98$). 인과적 비율을 구하려면 경로 배정을 고정해야 한다." 상관관계는 이 데이터셋에서 두 변수가 어떻게 함께 변했는지 설명한다. 인과관계는 개입했을 때 무엇이 변할지에 관한 주장이다. 서로 다른 주장에는 서로 다른 증거가 필요하다.

흔한 실수.

  • $r^2 = 0.98$을 "98% 정확한 예측"으로 해석하기.
  • $x = 0$이 의미가 없을 때 절편을 해석하기.
  • 데이터 범위를 벗어나 외삽하기.
  • 흔히 저지르는 실수: 작동 원리도, 실험도, 주의도 없이 상관관계로부터 인과관계를 결론짓기.

요약. 최소제곱법으로 $\hat y = a + bx$. 잔차를 확인하고 가정하지 않는다. $r^2$은 연관성을 측정하며, 연구 설계만이 인과관계를 보여 줄 수 있다.

의사결정 한계

중요성. 이 단원 이전의 모든 과정이 정확히 이루어졌더라도 여전히 거짓을 produced할 수 있다—many questions를 질문하고, 편리한 시기에 멈추거나, 존재하지 않던 확신을 보고함으로써. 이 마지막 단원은 통계를 학문이 아닌 수사에 머물게 하지 않는 체크리스트이다. 그래도 잘못된 결론을 낼 수 있다. 많은 질문을 하거나, 자신에게 유리할 때 멈추거나, 존재한 적 없는 확실성을 보고하는 방식으로 말이다. 이 마지막 단원은 통계가 설득의 수단이 아닌 학문으로 남도록 하는 점검 목록이다.

핵심 개념. 함정:

  • 다중 검정: 20개의 질문을 $\alpha = 0.05$에서 검정하면 검정 방식 자체로 인해 "유의한" 우연의 결과가 나온다.
  • 중단 규칙: 데이터를 반복해서 살펴보다가 $p < 0.05$이 되는 즉시 멈춘다.
  • 결과 선택: 변화가 나타난 지표 하나만 보고한다.
  • 거짓 확실성: 구간 없이 단일 숫자로 예측을 제시한다.
An argument map from a headline claim back through its four challenge gates: how many tests were run, when did you stop, who was selected out, and where is the uncertainty band
모든 보고된 통계는 네 가지 질문에 대해 견디지 못하면 이야기일 뿐이다

정의.

  • p값 조작: 분석 방법을 여러 가지로 바꾸어 하나가 기준을 통과할 때까지 시도한다.
  • HARKing: 결과를 본 후에 가설을 만들어 낸다.
  • 출판 편향 또는 선택 편향: 아무도 보여 주지 않는 효과가 없는 결과들이 서랍에 가득 쌓여 있다.
  • 구간이 없는 예측은 그저 기분일 뿐이다.

다중 검정의 계산. 20개의 독립적인 검정을 $\alpha = 0.05$:

$$P(\text{at least one false positive}) = 1 - 0.95^{20} = 0.64$$

따라서 발견이 아니라 우연일 가능성이 높다. 본페로니 규칙: 20개의 검정에서 전체 $\alpha$이 0.05일 때, 각 검정에는 $p < 0.05/20 = 0.0025$이 필요하다. 이제 단원 5.5의 예제를 두 가지 방식으로 해석할 수 있다. $p = 0.09$은 유의하지 않으며, 보고된 몇 안 되는 검정 중 하나이기도 하다. 보고되지 않은 검정의 수는 p값의 의미를 구성하는 일부이다.

풀이 예제 1: 대시보드 점검하기. 한 대시보드는 매주 12개의 지표를 추적한다. 이번 주에는 그중 하나가 작년과 비교해 $p = 0.04$을 나타낸다.

  1. 비교는 몇 번 했는가? 지표 12개 × 52주: 이 "발견"은 수백 장의 복권을 산 결과이다.
  2. 사전에 정해 두었는가? 아니다.
  3. 효과 크기가 중요한가? 0.3%이다.

판단: 이는 변화의 증거가 아니라, 대시보드가 주목할 만한 결과를 만들어 낼 수 있다는 증거이다. 올바른 대응은 새로운 데이터로 사전에 계획한 확인 검정을 실시하는 것이다.

풀이 예제 2: 불확실성을 밝힌 예측. 관리자는 "다음 토요일의 평균 배달 시간: 27.4분"이라고 예측합니다. 데이터셋이 알려 주는 답은 다음과 같습니다. 새로운 토요일의 40건 주문에 대한 평균에는 $SE \approx 4.91/\sqrt{40} = 0.78$이 있고, 예측의 근거가 되는 27.4에도 같은 크기의 오차가 있습니다. 따라서 예측 오차는

$$4.91\sqrt{\tfrac{1}{40} + \tfrac{1}{40}} = 1.10$$

이며 예측은 **"27.4 ± 2.2, 신뢰수준 95%"**로 표시해야 합니다. 그래도 그러면 어느 한 토요일의 평균이 그 범위를 벗어날 가능성은 약 스무 번 중 한 번입니다. 의사 결정에 미치는 영향: 범위의 상한에 맞춰 인력을 배치하고 범위의 상한(29.6)에 맞춰 인력을 계획하세요. 불확실성이 표시되지 않은 수치는 관리할 수 없고 기대만 할 수 있습니다.

흔한 실수.

  • 여러 결과 중 유의한 결과 하나를 발견으로 여기는 것.
  • "기각하지 못했다"는 말을 "귀무가설을 증명했다"는 뜻으로 생각하는 것. 이는 5.5단원의 함정과 정반대입니다.
  • 예측에서 구간을 요구하는 대신 확실성을 요구하는 것.

요약. 검정 횟수를 세고, 규칙을 미리 밝히고, 무엇을 제외했는지 보여 주며, 모든 예측에 범위를 표시하세요. 통계는 자신이 알지 못하는 것을 인정함으로써 의사 결정을 이끌 자격을 얻습니다.

데이터셋 (반복 가능)

포장 주문 배달 시간 40개를 분 단위로 소수 첫째 자리까지 나타내어 정렬한 값:

16.8, 17.2, 17.3, 21.1, 22.8, 22.9, 23.0, 23.0, 24.3, 24.4, 24.9, 25.2, 25.2, 25.2, 25.5, 26.0, 26.1, 26.9, 27.4, 27.5, 27.7, 28.2, 28.4, 28.7, 28.7, 28.9, 28.9, 29.2, 29.3, 30.4, 31.0, 31.4, 32.2, 32.5, 33.2, 33.3, 33.7, 34.8, 35.5, 38.5

확인된 통계량: $n$ = 40; 합계 1,097.2; 평균 27.43; 중앙값 27.6; 표준편차 4.91; 사분위수($(n+1)p$ 규칙 적용) 24.5 / 27.6 / 30.9; 사분위범위 6.3; 1.5 × 사분위범위 경계값(15.0 및 40.3)을 벗어나는 점은 없습니다. 추정 표본(시드 11, $n$ = 16): 평균 28.66, 표준편차 4.70, 표준오차 1.175, 95% 신뢰구간 [26.2, 31.2], $t$의 30에 대한 값 = −1.14. 회귀에 사용한 짝(배달 12건, km와 분): 기울기 4.83, 절편 17.4, $r$ = 0.989, $r^2$ = 0.979. 이 학습 자료의 모든 수치는 이 값들로 다시 계산할 수 있습니다.

English 한국어
business statistics 상업 통계
sample/ˈsæmpl/ 표본
population/ˌpɒpjʊˈleɪʃn/ 모집단
simple random sample/ˈsɪmpl ˈrændəm ˈsæmpl/ 简单随机样本
bias/ˈbaɪəs/ 편향
data dictionary/ˈdeɪtə ˈdɪkʃənəri/ 데이터 사전
mean/miːn/ 평균
median/ˈmiːdiːən/ 중위수
standard deviation/ˈstændəd ˌdiːvɪˈeɪʃn/ 표준편차
confidence interval/ˈkɒnfɪdəns ˈɪntəvl/ 신뢰 구간
binomial distribution/baɪˈnəʊmɪəl ˌdɪstrɪˈbjuːʃn/ 이항 분포
normal distribution/ˈnɔːml ˌdɪstrɪˈbjuːʃn/ 정규 분포
central limit theorem/ˈsentrəl ˈlɪmɪt ˈθɪərəm/ 중심 극한 정리
standard error/ˈstændəd ˈerə/ 표준오차
null hypothesis/nʌl haɪˈpɒθəsɪs/ 귀무가설
p-value/piː ˈvæljuː/ p값
correlation/ˌkɒrɪˈleɪʃn/ 상관계수
least squares 최소제곱법
residual/rɪˈsɪdʒuːəl/ 잔차
hypothesis test/haɪˈpɒθəsɪs test/ 가설 검정
stratified/ˈstrætɪfaɪd/ 층화

이 주제에 대한 인터랙티브 수업

즉시 체크 기능 exercises를 통해 단계별로 진행하세요.

대학교 경영학 내 추가 주제

로그인 또는 계정 만들기

IGCSE, A-Level & AP