FrontPage › CentralLimitTheorem
Central Limit Theorem

Difference between r1.2 and the current

@@ -17,7 +17,7 @@

Standard error의 공식을 다시 써보면 아래와 같은데,

$\;\;\;\; \sigma_{\overline{X}} = \frac{\sigma}{\sqrt{n}} $
$\;\;\;\; \sigma_{\overline{X}} = \displaystyle \frac{\sigma}{\sqrt{n}} $

위의 standard error 값의 크기에 영향을 주는 것에는
1. 샘플의 크기 (n)


1. CLT

Central Limit Theorem (CLT) 이란
평균이 $\mu$ , 그리고 표준편차( $s$ )가 $\sigma$ 인 모든 종류의 모집단에서, 샘플 숫자를 $n$ 으로 하여 샘플평균을 분포시키면, 그 분포는 정규분포(normal distribution)에 가까와지며, 그 분포의 평균(mean, $\mu_{\overline{x}}$ )은 $\mu$ 와 같은 값이 되고, 표준편차(stdev, $s_{\overline{x}}$ )는 $ \sigma / \sqrt{n}$ 가 된다는 것이다.

정규분포에 가까와 진다고 표현한 것은 샘플의 숫자가 작을 경우에는 정규분포와 완전하게 일치하지 않기 때문이다. 그러나, n=30 정도만 되면 샘플평균들의 분포는 거의 완벽한 정규분포곡선을 만든다. 사실, 아래의 두 조건 중 어느 하나만을 만족하면, distribution of sample means은 완전한 normal distribution을 만든다.
  1. sample을 취하는 population이 normal distribution을 이룬다
  2. n이 비교적 클 때. 약 30 이상일 때.
"mean of sample means은 population의 mean값과 같다" 즉, 샘플평균들의 평균은 모집단의 평균값과 같다진다.

위의 문장이 의미하는 것은 수 많은 샘플을 취했을 때, 그 샘플들의 평균은 실제 population의 평균값에 근사하게 된다는 것을 의미한다. (위의 이유에서, the mean of the distribution of sample means를 expected value of $\overline{X}$ 라고 부른다.)

Standard error:: standard deviation of the distribution of sample means를 특별히 standard error of $\overline{X}$ 라고 부른다.

Standard error 또한 standard deviation 이므로 (즉, standard deviation of distribution of sample means), 각 샘플의 평균이 샘플들의 평균값(the mean of distribution of sample means)에서 얼마나 떨어져 있는 가를 나타내는 지표로 쓰인다. 다시 말하면, 이 특별한 standard deviation은 내가 샘플링을 했을 때, 그 샘플의 평균값이 population mean에서 얼마나 떨어져 있을 수 있는가의 가능성(확율)을 나타내는 값이다. 즉, standard error = $\sigma_{\overline{X}}$ = standard deviation distance between $\overline{X}$ and $\mu$ 라고 할 수 있다. 이 standard error 값에 영향을 주는 것은 두 가지가 있다.

Standard error의 공식을 다시 써보면 아래와 같은데,

$\;\;\;\; \sigma_{\overline{X}} = \displaystyle \frac{\sigma}{\sqrt{n}} $

위의 standard error 값의 크기에 영향을 주는 것에는
  1. 샘플의 크기 (n)
  2. population의 standard deviation 가 있다.
위에서 첫번째를 살펴보면, 샘플의 크기가 커질 수록 분모의 숫자인 $\sqrt{n}$ 의 값은 커지고, 따라서 se의 값은 작아진다는 것을 의미한다. se가 작아진다는 것은 distribution of samples means 의 전체적인 분포곡선이 평균을 중심으로 좁게 분포되어 있다는 것을 의미하고, 이는 곧 n값이 크게 되면, 한 샘플의 평균이 원래 평균에서 크게 벗어나지 않게 된다는 것을 의미한다. 우리가 샘플의 크기를 적당히 크게 잡는 이유는 한 샘플의 평균이 원래의 모집단 평균에서 크게 벗어나지 않기를 바라기 때문이다.

만약에 샘플의 숫자(n)을 1로 가정한다면 (n=1), standard error of $\overline{X}$ 의 값은 population의 $\sigma$ 값과 같아지게 된다.
to be finished. . . .

2. Summary, e.g.,

Central Limit Theorem 을 다시 정리하자면, 아래의 세가지로 요약된다.

\begin{eqnarray} & & \text{Normal distribution of sample means.} \\ & & \mu_{\overline{X}} = \mu \\ & & (\sigma_{\overline{X}})^2 = \frac{\sigma^2}{n} \;\; \text{or} \;\; \sigma_{\overline{X}} = \frac{\sigma}{\sqrt{n}} \end{eqnarray}
Central Limit Theorem이 사용되는 예를 들어보면 . . . . McDonald 햄버거의 세계시장 공략을 위한 매니저의 역할을 가정해 볼 수 있다.

McDonald 본사의 총괄 매니저인 A는 감자튀김의 원료인 감자의 공급자가 일정 수준의 
감자를 꾸준하게 공급해 줄 것을 요구하여 왔다. 공급자는 자사의 감자가 평균 200g이며, 
표준편차 값이 15라고 주장하였다. 그러나, 웬일인지 요사이 감자 튀김의 매출이 떨어지게 
되었는데. . . . A는 공급되는 감자의 품질검사를 실시하기로 한다. . . .

품질 검사를 위해서 모든 감자를 다 체크해 볼 수는 없는 일이다. 샘플을 이용해서 하는 수 밖에 없다는 생각에 우선 A는 공급사인 C사의 말이 사실이라고 가정을 해본다. A는 공급된 감자에서 900개의 감자를 샘플로 뽑아서 이 샘플의 특징( Statistics )을 살펴보고, 이를 통해서 C사의 진실성에 대한 판단을 하기로 한다 (n = 900).

우선, A는 감자를 뽑기 전에 아래와 같은 가정을 한다.
  1. $n=900$ 인 감자의 샘플을 계속 뽑아서, 각 샘플의 평균으로 분포도를 만들어 본다면, 이 분포도는 정규분포를 이룰 것이고,
  2. 샘플 평균들의 평균은 C사가 주장하는 원래 평균인 200g일 것이며,
  3. 이 특별한 샘플평균 분포의 표준편차(standard deviation 즉, standard error )는 $\frac{\sigma}{\sqrt{n}}$ 일 것이다. 이를 직접 계산해 보면, $n=900$ 이므로, $\frac{15}{30}=0.5$ 이다.
위는 900개짜리 샘플을 뽑았을 때, 나올수 있는 샘플 평균의 범위를 보여준다.

A는 여기까지 가정을 한후에 샘플을 뽑아 보았다. 뽑은 결과, 그 평균이 198g 이 나왔다. 이제 A는 이 결과를 가지고 다음과 같이 생각할 수 있다.

Standard error 값이 .5 이므로 2 단위의 standard error 값을 사용하여 범위를 구하여도 199-201 이다. 이는 n=900인 샘플을 취한다고 가정할 때 100번의 샘플링을 한다고 가정하면 95번 (95%) 은 이 범위에서 샘플의 평균이 나온다고 생각할 수 있다. 그런데, 지금 A가 취한 샘플의 평균은 198g이다. 이것이 의미하는 것은 두 가지인데 . . . .

  1. 100번의 95번에 걸리질 않아서 이번 샘플의 평균이 극단치를 가졌다. 그러나, 이렇게 될 확률은 5%정도 밖에 안된다. . . .
  2. C사가 거짓말을 하고 있다. 애초 계약인 200g 에 못 미치는 감자를 공급하고 있다. 즉, A는 C사가 거짓말을 하고 있지 않다고 가정하고 정상적인 샘플링을 하였을 때 나타날 수 있는 샘플 평균의 범위를 그려 보았는데 이번 평균은 그 범위를 벗어났으니, 처음 생각인 A는 C사가 거짓말을 하고 있지 않다는 생각을 부정(혹은 기각) 할 수 있다 . 그러나, 이렇게 생각하여도 위의 1번에서의 오류를 무시할 수는 없다. 즉, C사가 거짓말을 하고 있다고 확신하기에는 5%의 '유별난' 샘플링의 확률이 있다. 따라서, 5% 판단의 잘못을 염두에 두고 C사가 거짓말을 한다고 판단하는 것이 옳다.

Valid XHTML 1.0! Valid CSS! powered by MoniWiki
last modified 2012-05-08 14:46:10
Processing time 0.0168 sec