숫자로 보는 범위: 자주 쓰는 경계값 표
아래 비율은 표준정규분포의 정확한 값을 소수 둘째 자리까지 반올림한 것입니다(위키백과 및 직접 계산 확인). '밖에 있는 비율'은 100%에서 뺀 값입니다.
| 평균에서의 범위 | 안에 들어오는 비율 | 밖에 있는 비율 | 대략적인 감각 |
|---|---|---|---|
| ±1 표준편차 | 68.27% | 31.73% | 약 3명 중 1명이 밖 |
| ±2 표준편차 | 95.45% | 4.55% | 약 22명 중 1명이 밖 |
| ±3 표준편차 | 99.73% | 0.27% | 약 370명 중 1명이 밖 |
| ±1.645 표준편차 | 90% | 10% | 90% 신뢰구간에 쓰는 값 |
| ±1.96 표준편차 | 95% | 5% | 95% 신뢰구간에 쓰는 값 |
| ±2.576 표준편차 | 99% | 1% | 99% 신뢰구간에 쓰는 값 |
'68-95-99.7 규칙'은 이 중 앞의 세 줄을 외우기 쉽게 줄인 것입니다. 정확히 95%가 필요한 통계 검정에서는 2가 아니라 1.96을 쓴다는 점이 자주 헷갈리는 부분입니다.
직접 해 보기: 서로 다른 시험을 Z점수로 비교하기 (가상 예시)
아래는 계산 연습을 위한 가상 예시입니다. 영희가 A 시험(평균 70점, 표준편차 10점)에서 85점, B 시험(평균 60점, 표준편차 15점)에서 80점을 받았다고 합시다. A 시험의 Z점수는 (85 − 70) ÷ 10 = 1.5, B 시험은 (80 − 60) ÷ 15 ≈ 1.33입니다. 점수는 B가 더 낮지만 평균과의 거리를 표준편차로 환산하면 A에서의 위치가 더 높습니다. 두 시험의 점수가 정규분포를 따른다고 가정하면 Z=1.5는 상위 약 6.7%(누적 약 93.3%), Z≈1.33은 상위 약 9.1%(누적 약 90.9%) 지점입니다. 이 해석은 점수 분포가 정규분포에 가깝다는 가정이 있을 때만 맞으며, 실제 시험은 분포 모양이 치우칠 수 있습니다. 비슷한 개념인 백분위수와 함께 보면 이해가 쉽습니다.
또 다른 가상 예시로, 어떤 학급 학생들의 키가 평균 170cm, 표준편차 6cm인 정규분포에 가깝다고 하면 약 68%는 164~176cm, 약 95%는 158~182cm, 약 99.7%는 152~188cm에 들어올 것으로 예상할 수 있습니다. 실제 키 분포는 성별과 연령에 따라 달라지므로 이 숫자는 설명용입니다.
실제 사례 두 가지
사례 1. IQ 점수는 어떻게 '100과 15'가 되었나 (표준화의 사례)
위키백과 설명으로는 현대의 IQ 검사는 점수를 변환해 평균이 100, 표준편차가 15인 척도를 만듭니다(웩슬러 척도가 대표적인 예). 이 척도에서는 약 3분의 2가 85에서 115 사이이고, 약 2%가 130을 넘으며 약 2%가 70에 못 미칩니다. 이는 앞의 표에서 본 ±1, ±2 표준편차 비율과 일치하는 구조입니다. 또 세계 여러 곳에서 같은 채점 규칙을 쓰면 원점수가 10년마다 약 3점씩 올랐다는 '플린 효과'가 보고되었지만, 새 검사를 낼 때마다 중앙값을 100으로 다시 맞추므로(재규준화) 이 상승이 점수에 드러나지 않습니다. 그래서 먼 시기의 IQ 점수를 직접 비교하기 어렵다고 설명됩니다. 배울 점은 정규분포가 자연이 준 모양이기도 하지만, 점수 척도를 설계할 때 사람이 맞춰 쓰는 도구이기도 하다는 것입니다. 이 점수가 한 사람의 가치나 능력 전체를 말해 주는 것은 아닙니다.
사례 2. 정규분포 가정이 위기를 키웠다고 비판받은 사례: 가우스 코퓰라 (금융의 사례)
데이비드 X. 리는 2000년 「Journal of Fixed Income」에 실린 논문 「On Default Correlation: A Copula Function Approach」에서 가우스 코퓰라를 부채담보부증권(CDO) 평가에 적용했습니다. 이 방법은 주택담보대출처럼 복잡한 자산을 가격으로 환산하게 해 주는 도구가 되었다고 위키백과는 설명합니다. 그러나 2008년 금융 위기 이후 이 모형은 위기의 원인 중 하나로 거론되었습니다. 위키백과의 코퓰라 항목은 가우스 코퓰라가 극단적인 사건을 잘 표현하지 못하고, 상관관계가 시간에 따라 변하는 것(하락장에서 상관이 커지는 현상)을 허용하지 않는다는 비판을 소개합니다. 리 본인도 2005년에 이 모형의 본질을 이해하는 사람이 극소수라고 말했다고 전해지며, 모형을 오용한 쪽의 책임이라는 반론도 함께 있습니다. 금융 위기의 원인은 여러 가지여서 하나의 모형만으로 설명할 수 없지만, 배울 점은 정규분포 기반 모형이 평소에는 잘 맞다가 극단적 상황(꼬리)에서 크게 어긋날 수 있다는 점입니다.
정규분포를 쓸 때의 체크리스트
- 히스토그램 먼저: 데이터를 그려서 좌우 대칭의 종 모양에 가까운지 확인합니다. 이를 위한 그래프는 통계 그래프 읽기를 참고하세요.
- 치우침과 꼬리 확인: 소득이나 대기 시간처럼 한쪽으로 긴 꼬리가 있으면 정규분포 규칙을 그대로 쓰지 않습니다.
- 이상치 해석 주의: 3 표준편차 밖의 값은 오류일 수도 있고 실제로 드문 사건일 수도 있으니 원인을 확인합니다.
- 표본 크기: 평균을 다룰 때는 중심극한정리 덕분에 정규분포 근사가 가능한 경우가 많지만, 표본이 매우 작거나 극단값이 많으면 조심합니다.
- 평균과 표준편차 함께 보기: 두 값의 계산은 표준편차 가이드와 통계 계산기로 확인할 수 있습니다.
흔한 오해와 정정
- 오해: 종 모양이면 모두 정규분포다. 실제: 코시 분포, 스튜던트 t분포, 로지스틱 분포도 종 모양이지만 정규분포가 아닙니다(위키백과 설명).
- 오해: 자연의 모든 값이 정규분포를 따른다. 실제: 몸무게나 주가처럼 양수이거나 크게 치우친 값은 로그정규분포나 파레토 분포가 더 적합할 수 있습니다.
- 오해: 평균에서 2 표준편차 밖이면 이상한 값이다. 실제: 정규분포라도 약 4.55%는 그 밖에 있습니다. 100개 중 4~5개는 자연스럽게 밖에 나옵니다.
- 오해: 95%는 표준편차 2개다. 실제: 2개는 95.45%이고, 정확히 95%는 약 1.96개입니다.
한계와 더 알아볼 점
정규분포 가정은 계산을 쉽게 해 주는 대신 현실의 두꺼운 꼬리와 비대칭을 놓칠 수 있습니다. 위 금융 사례가 보여 주듯, 평소에 맞는 모형이 드문 극단 사건에서는 틀릴 수 있습니다. 또 중심극한정리는 독립성과 유한한 분산 같은 조건이 있어야 하므로, 이를 만족하지 않는 자료에는 그대로 적용할 수 없습니다. 이 글의 역사 서술은 위키백과의 정리를 따랐으며, 정규분포에 '정규'라는 이름이 붙은 경위나 갈턴의 실험처럼 이 글에서 다루지 않은 부분은 별도 문헌을 확인하세요.
자주 묻는 질문
모든 데이터가 정규분포를 따르나요?
아닙니다, 소득처럼 한쪽으로 치우친 데이터도 많으며, 정규분포는 여러 분포 형태 중 자연·사회 현상에서 비교적 자주 나타나는 한 가지 형태일 뿐입니다.
표준편차 3개를 벗어나는 값은 어떻게 봐야 하나요?
표준편차 3개 범위를 벗어나는 값은 전체의 0.27% 정도로 드물기 때문에, 측정 오류이거나 특별한 원인이 있는 이상치일 가능성을 함께 살펴보는 것이 좋습니다. 다만 데이터가 많으면 그런 값이 몇 개쯤 섞여 있는 것은 자연스럽습니다.
표준정규분포와 정규분포는 무엇이 다른가요?
표준정규분포는 평균이 0이고 표준편차가 1인 정규분포입니다. 어떤 정규분포든 (값 − 평균) ÷ 표준편차로 바꾸면 표준정규분포가 되어, 하나의 표로 확률을 구할 수 있습니다.
표본 평균은 왜 정규분포에 가까워지나요?
중심극한정리 때문입니다. 같은 분포에서 독립적으로 뽑은 값들의 평균은 표본이 커질수록 원래 분포의 모양과 관계없이 정규분포에 가까워집니다. 단, 분산이 유한하다는 조건이 필요합니다.
Z점수가 음수이면 무슨 뜻인가요?
값이 평균보다 작다는 뜻입니다. 예를 들어 Z = −1이면 평균보다 표준편차 1개만큼 낮은 값이며, 정규분포에서는 아래에서 약 15.9% 지점에 해당합니다.
이어서 읽어 보세요
- 표준편차 이해하기: 정규분포의 폭을 정하는 값
- 백분위수 이해하기: 내 위치를 퍼센트로 나타내는 방법
- 통계적 유의성: 1.96 같은 경계값이 쓰이는 곳
- 평균·중앙값·최빈값: 분포의 중심을 나타내는 세 가지 방법