한 표본에서 평균 반응은 10.2였습니다. 평균의 95% 신뢰구간은 9.5–10.9입니다. 그렇다면 다음 독립 시료도 거의 확실히 이 안에 들어올까요? 또 이 구간이 모집단 관측값의 95%를 감쌀까요?

둘 다 아닙니다. 평균이 있을 만한 범위, 새 관측값 하나가 나올 범위, 모집단 관측값 대부분을 감싸는 범위는 서로 다른 질문입니다.

앞 단원에서 평균 신뢰구간은 모집단 평균 μ라는 고정 모수를 겨냥한다고 배웠습니다. 이번에는 그 구간을 모든 종류의 ‘범위’로 확장해 쓰지 않도록 경계를 세웁니다.

구간 이름보다 먼저 대상을 말하십시오

세 구간을 CI, PI, TI라는 약자로만 외우면 숫자가 비슷할 때 쉽게 바뀝니다. 문장을 먼저 완성하면 구분이 선명해집니다.

• “모집단 평균 μ는 어느 범위인가?” → confidence interval, CI
• “같은 과정에서 얻을 다음 독립 관측값 하나는 어느 범위인가?” → prediction interval, PI
• “모집단 관측값의 지정 비율을 어느 범위가 감싸는가?” → tolerance interval, TI

세 질문 모두 같은 표본의 x̄와 s를 사용할 수 있지만, 불확실성에 포함해야 할 대상이 달라 계산 결과도 달라집니다.

대표적인 정규모형과 같은 신뢰수준에서는 평균 CI가 PI보다 좁고, 높은 coverage를 요구하는 TI가 더 넓게 보이는 경우가 많습니다. 그러나 폭의 순서만 외우면 안 됩니다. 설정한 confidence, coverage, 미래 관측 수, 단측·양측 여부와 모형에 따라 폭은 달라질 수 있습니다. 대상이 정의를 결정하고, 폭은 그 결과입니다.

신뢰구간은 모수의 불확실성을 표현합니다

평균의 95% CI는 모집단 평균 μ를 겨냥합니다. 표본을 반복해 같은 절차로 만든 구간 중 약 95%가 μ를 포함한다는 장기 포함률을 갖습니다.

이 구간은 평균의 추정 정밀도를 나타내므로 독립 n이 커질수록 좁아지는 경향이 있습니다. 하지만 개별 관측값의 자연스러운 퍼짐 자체가 사라지는 것은 아닙니다. 평균 CI가 아주 좁더라도 다음 시료값은 그 밖에서 나올 수 있습니다.

예측구간은 다음 한 관측의 변동까지 포함합니다

다음 독립 시료 하나를 예측할 때는 두 불확실성을 함께 생각해야 합니다.

1. 모집단 평균을 표본으로 추정했기 때문에 생기는 불확실성
2. 평균을 정확히 알아도 개별 시료값이 평균 주변에서 자연스럽게 달라지는 변동

그래서 같은 표본으로 계산한 다음 한 관측의 PI는 평균 CI보다 대체로 넓습니다. 알려지지 않은 평균의 정규모형에서 대표적인 양측 PI 구조는 다음과 같습니다.

x̄ ± t* × s × √(1 + 1/n)

평균 CI의 s/√n과 비교하면 √(1+1/n) 항이 개별 관측의 변동을 반영합니다. n이 매우 커져 평균 추정이 정밀해져도 개별 관측의 산포는 남으므로 PI는 0으로 수축하지 않습니다.

PI의 “다음”은 같은 정의된 과정과 조건에서 무작위로 얻을 독립 관측을 뜻합니다. 장비, 원료, 작업자, donor, 배양조건이나 시간 범위가 달라지면 원래 PI를 그대로 적용할 근거가 약해집니다.

허용구간은 모집단의 비율을 겨냥합니다

TI는 모집단 평균 하나나 다음 관측 하나가 아니라 모집단 관측값의 지정 비율을 감싸려 합니다. 따라서 완전한 TI 문장에는 퍼센트가 두 개 필요합니다.

예를 들어 “95% confidence로 모집단의 최소 95%를 포함하는 양측 허용구간”이라고 말합니다.

• coverage p=95%: 한 모집단의 관측값 가운데 구간이 포함하려는 비율
• confidence γ=95%: 표본을 반복해 TI를 만들 때 coverage 목표를 달성하는 절차의 장기 신뢰수준

95%/95% TI라고 줄여 쓸 수 있지만 어느 쪽이 confidence이고 coverage인지 본문에서 명시해야 합니다. “95% 허용구간”만 쓰면 정보가 부족합니다.

정규모집단의 양측 TI는 흔히 x̄ ± k·s 형태로 표현합니다. 여기서 k는 단순히 1.96이나 3으로 고정되는 값이 아닙니다. 표본크기, confidence, coverage, 단측·양측 여부에 따라 달라집니다.

정규모형이 부적절하다면 정규 TI의 coverage 보장도 의도대로 작동하지 않을 수 있습니다. 분포를 가정하지 않는 방법도 있지만 같은 confidence와 coverage를 얻으려면 더 큰 표본이나 훨씬 넓은 구간이 필요할 수 있습니다.

규격은 통계구간이 아닙니다

규격한계 또는 허용기준은 제품·공정·시험값이 충족해야 할 외부 기준입니다. 설계 요구, 과학적 필요, 품질위험, 임상적 의미나 규제·계약 맥락에 따라 분석 전에 정해져야 합니다.

반면 CI·PI·TI는 표본과 통계모형에서 계산되어 표본마다 움직입니다.

TI와 규격선을 나란히 놓으면 현재 데이터와 모형 아래 모집단 분포가 기준 안에 있을 가능성을 조사하는 데 도움을 줄 수 있습니다. 그러나 다음 등식은 성립하지 않습니다.

• TI = specification
• TI가 규격 안 → 자동 승인
• 변경 후 값이 변경 전 TI 안 → 두 공정 comparability 확정

Comparability는 무엇을 같은 것으로 볼지, 어떤 품질특성을 평가할지, 허용 가능한 차이와 위험을 어떻게 정할지 포함하는 도메인 판단입니다. 과거 데이터의 TI 하나가 이 전체 판단을 대신하지 않습니다.

같은 표본에서 세 구간을 비교해봅시다

아래 Lab은 μ=10, σ=3인 정규 생성 과정에서 독립 표본을 만듭니다. 세 구간 모두 같은 x̄와 s에서 출발하지만 대상을 다르게 설정합니다.

1. n=20에서 CI, 다음 한 관측의 PI, 95% confidence/95% coverage TI를 비교합니다.
2. 새 표본을 누르면 중심과 세 구간이 함께 움직이는지 봅니다.
3. n을 5와 40으로 바꿔 표본 불확실성의 영향을 비교합니다.

이 Lab에서 μ와 σ를 아는 이유는 생성 과정을 우리가 정했기 때문입니다. 실제 분석에서는 모집단 모수를 모르며, 모델 선택과 표집 범위가 적절한지 먼저 검토해야 합니다.

JMP에서는 세 결과의 입력 질문이 다릅니다

현재 JMP Distribution 도움말은 연속형 변수에 Confidence Intervals, Prediction Intervals, Tolerance Intervals라는 서로 다른 결과를 둡니다. 여기서는 클릭 순서가 아니라 결과가 묻는 대상을 읽습니다.

Prediction Interval 결과는 한 미래 관측인지 미래 표본의 요약인지 구분해야 하며, confidence level과 미래 표본 수 설정이 해석에 영향을 줍니다. Tolerance Interval 결과에는 confidence level과 proportion to cover가 별도로 등장합니다. 이 두 입력이 U06의 두 퍼센트입니다.

JMP 출력 전후로 다음을 확인하십시오.

1. 내가 추정하려는 대상은 모수, 한 미래 관측, 모집단 비율 중 무엇인가?
2. 표본의 독립 단위와 모집단 범위는 무엇인가?
3. 정규 같은 분포 가정이 질문과 데이터에 적절한가?
4. 단측 한계가 필요한가, 양측 구간이 필요한가?
5. TI라면 confidence와 coverage를 모두 기록했는가?
6. 비교할 규격·허용기준은 데이터와 독립적으로 정해졌는가?

보고 문장은 대상까지 포함해야 합니다

나쁜 문장:

95% 구간은 6.2–14.1이었다.

좋은 문장:

독립 시료 20개에서 모집단 평균의 양측 95% Student t 신뢰구간은 8.8–11.6이었다.

같은 정규 생성 과정에서 다음 독립 관측 하나에 대한 양측 95% 예측구간은 3.5–16.9였다.

정규모형 아래 모집단 관측값의 최소 95%를 95% confidence로 포함하도록 계산한 양측 허용구간은 1.7–18.7이었다.

숫자는 표본에 따라 달라지지만 문장 구조는 유지됩니다. 대상, 수준, 방향, 모형과 독립 n을 남기십시오.

단원을 마치며 확인할 다섯 문장

• CI는 평균 같은 모수를 겨냥한다.
• PI는 다음 한 독립 관측의 자연 변동까지 포함한다.
• TI는 지정한 모집단 비율을 지정한 confidence로 감싼다.
• μ±1.96σ와 표본에서 계산한 95%/95% TI는 같은 것이 아니다.
• 규격과 comparability 기준은 통계구간이 자동으로 정하거나 승인하지 않는다.

다음 단원에서는 범위를 비교하는 단계에서 차이가 우연만으로도 생길 수 있는가라는 질문으로 이동합니다. 귀무가설·대립가설, p-value와 유의수준 α가 어떤 판단 구조를 만드는지 살펴보겠습니다.

공식 보충 자료

• NIST/SEMATECH · Tolerance intervals for a normal distribution
• NIST/SEMATECH · Prediction and tolerance intervals
• JMP Help · Prediction Intervals
• JMP Help · Confidence Interval for One Sample Mean

이 글의 숫자, 그림과 In-Silico Lab은 통계 개념을 설명하기 위한 합성 자료입니다. 실제 연구·임상·품질·규제·comparability 판단의 근거로 사용할 수 없습니다.