어제 독립적으로 준비한 여덟 개 시료의 평균 반응값은 9.6이었습니다. 오늘 같은 조건을 목표로 새 시료 여덟 개를 준비했더니 평균은 10.7입니다. 프로토콜도 같고 측정항목도 같은데 숫자가 달라졌습니다. 어느 날의 실험이 틀린 것일까요?

그렇게 결론내릴 수는 없습니다. 어제와 오늘은 같은 시료를 본 것이 아니라 서로 다른 독립 단위로 구성된 두 표본을 보았습니다. 같은 조건을 목표로 해도 표본에 포함된 대상이 달라지면 관측값과 그 평균은 달라질 수 있습니다.

앞 단원에서는 한 표본 안에서 평균만 보지 않고 표준편차, 분포, 원자료점과 반복 구조를 함께 읽었습니다. 이제 시선을 한 단계 뒤로 물립니다. 잘 읽어낸 그 표본 자체가 다시 실험하면 달라질 수 있다는 사실을 보겠습니다.

용어가 다시 많아 보이지만 네 쌍만 나침반으로 두겠습니다. 한꺼번에 외우기보다 그림에서 서로의 역할을 비교하십시오.

먼저 질문의 경계를 그어봅시다

“우리 실험의 평균은 얼마인가?”라는 질문은 생각보다 불완전합니다. 어떤 세포, 어떤 donor, 어떤 시간대와 배양 조건까지를 가리키는지 먼저 정해야 합니다. 이처럼 연구 질문이 궁극적으로 가리키는 전체 대상이 모집단입니다.

모집단이 반드시 눈앞에 쌓인 거대한 명부일 필요는 없습니다. 냉동고에 보관된 특정 시료 전체처럼 셀 수 있는 집합일 수도 있고, 같은 조건에서 앞으로 독립적으로 준비할 때 나올 수 있는 결과의 생성 과정일 수도 있습니다. 중요한 것은 어디까지를 같은 질문으로 묶을지 문장으로 정의하는 일입니다.

표본은 그 모집단을 알아보기 위해 실제로 관측한 일부 독립 단위의 값입니다. 오늘 준비한 여덟 개의 독립 culture가 표본이라면, 내일 새로 준비한 여덟 개는 같은 모집단을 겨냥한 또 다른 표본이 될 수 있습니다.

표본은 모집단의 일부이지만 자동으로 완벽한 축소판이 되지는 않습니다. 쉬운 시료만 골랐거나 특정 donor·날짜·장비에 치우쳤다면 데이터가 많아도 질문의 전체를 제대로 비추지 못할 수 있습니다. 표본 수는 중요하지만, 어디서 어떻게 얻었는가를 대신하지는 못합니다.

모집단의 숫자와 표본의 숫자는 이름부터 다릅니다

모집단 전체의 특성을 숫자로 표현한 것을 모수라고 합니다. 모집단 평균은 그리스 문자 μ(뮤), 모집단 표준편차는 σ(시그마)로 나타내겠습니다. 반면 지금 손에 든 표본에서 계산한 값은 통계량입니다. 표본평균은 x̄(엑스바), 표본표준편차는 s로 나타냅니다.

이 기호는 단순한 표기 취향이 아닙니다. 무엇을 알고 싶은지와 무엇을 실제로 계산했는지를 구분하는 안전장치입니다. 현실에서는 모집단 전체를 모두 관측하지 못하는 경우가 많으므로 μ와 σ를 직접 알 수 없습니다. 우리는 표본의 x̄와 s를 통해 그 모집단의 특성을 알아가려 합니다.

통계 프로그램이 Mean = 10.274라고 정밀하게 표시해도, 그것은 입력한 표본의 x̄입니다. 소수점 자릿수가 많다고 μ를 직접 관측한 것이 되지는 않습니다. 새 표본이 들어오면 x̄와 s도 바뀔 수 있습니다.

같은 모집단인데 평균이 왜 달라질까요?

아주 작은 유한 모집단으로 직관을 만들어봅시다. 실제 바이오 데이터가 아니라 설명을 위한 다섯 값입니다.

6, 8, 10, 12, 14

이 다섯 값 전체의 평균은 10입니다. 이제 여기서 두 개씩 뽑는다고 해봅시다.

세 표본은 같은 모집단에서 왔지만 평균은 7, 10, 13으로 다릅니다. B만 성공이고 A와 C가 실패한 것이 아닙니다. 어떤 단위가 표본에 포함됐는지가 달라서 표본평균도 달라진 것입니다.

같은 모집단과 같은 추출 규칙을 유지하면서 새로운 독립 단위로 표본을 다시 구성하는 사고실험을 반복표집이라고 합니다. 이때 표본의 구성과 통계량이 표본마다 달라지는 현상이 표집변동입니다.

표집변동은 “아무것도 믿을 수 없다”는 뜻이 아닙니다. 오히려 한 번의 결과가 어느 정도 흔들릴 수 있는지를 연구 대상으로 삼겠다는 선언에 가깝습니다. 한 표본의 숫자를 확정된 진실로 밀어 올리지 않고, 같은 절차를 반복했을 때 가능한 통계량의 움직임을 봅니다.

분포가 하나 더 등장합니다

앞 단원에서 본 히스토그램의 점 하나는 개별 실험단위의 관측값이었습니다. 이것이 원자료의 분포입니다. 이번에는 같은 크기의 표본을 여러 번 뽑고, 매번 계산한 x̄를 점 하나씩 남겨봅시다. 이 표본평균들이 만드는 분포가 표본평균의 표집분포입니다.

두 그림은 같은 숫자 축을 쓸 수 있지만 점 하나가 뜻하는 대상이 다릅니다.

• 원자료 분포의 점 하나: 독립 실험단위에서 얻은 관측값 하나
• 표집분포의 점 하나: 한 표본 전체에서 계산한 통계량 x̄ 하나

표집분포라는 말에서 “분포”만 보고 원자료 히스토그램과 합치면 안 됩니다. 무엇의 분포인지를 항상 끝까지 말해야 합니다. 평균의 표집분포, 중앙값의 표집분포처럼 선택한 통계량에 따라 서로 다른 분포가 생깁니다. 이번 강의에서는 표본평균만 따라갑니다.

독립 표본 수가 커지면 무엇이 달라질까요?

같은 모집단에서 네 개씩 뽑아 평균을 내는 경우와 스물다섯 개씩 뽑아 평균을 내는 경우를 비교해봅시다. 작은 표본은 우연히 낮거나 높은 값 몇 개가 포함됐을 때 평균이 크게 움직입니다. 큰 표본에서는 여러 값이 함께 평균에 들어오므로 개별 관측의 우연한 영향이 서로 완화되는 경향이 있습니다.

따라서 같은 생성 과정과 올바른 독립 표집을 전제로 하면, n이 큰 표본에서 얻은 평균들은 대체로 μ 주변에 더 좁게 모입니다. 그러나 여기에는 세 가지 중요한 경계가 있습니다.

1. 큰 표본 한 번의 x̄가 반드시 μ와 정확히 같아지는 것은 아닙니다.
2. 특정 조건에 치우친 표본을 많이 모아도 그 치우침이 저절로 사라지지는 않습니다.
3. 같은 생물학적 시료를 여러 번 읽은 기술반복은 독립 n을 늘리지 않습니다.

‘다시 했다’는 말부터 정확히 해야 합니다

같은 culture에서 네 개의 technical well을 읽는 것과 독립 culture 네 개를 새로 준비하는 것은 모두 표에 네 행을 만들 수 있습니다. 그러나 첫 번째는 한 생물학적 단위 안의 기술반복이고, 두 번째는 모집단을 향한 새로운 독립 단위들입니다.

기술반복은 쓸모없는 데이터가 아닙니다. 분주와 판독을 포함한 측정 과정의 흔들림을 살피는 데 중요합니다. 다만 같은 시료의 측정을 늘렸다고 모집단에서 새 생물학적 정보를 네 번 얻은 것은 아닙니다. 반복표집을 말하려면 표본에 새로 들어온 독립 실험단위가 무엇인지 설명할 수 있어야 합니다.

이제 표본을 직접 다시 뽑아봅시다

아래 미니 Lab은 모집단 평균 μ=10, 모집단 표준편차 σ=3인 대칭 연속형 생성 과정을 사용합니다. 이것은 실제 실험 데이터가 아니라 반복표집을 관찰하기 위한 합성 모형입니다.

먼저 n=8에서 새 표본 뽑기를 여러 번 눌러보십시오. μ는 계속 10이지만 이번 표본의 x̄와 s는 바뀝니다. 그다음 n을 4와 25로 바꾸어 표본평균 흔적의 폭을 비교해보십시오.

Lab의 seed는 난수를 다시 만들 수 있게 하는 시작값입니다. 같은 simulator version, 모집단 설정, n과 seed를 사용하면 같은 합성 표본이 재현됩니다. 하지만 이것은 계산 재현성입니다. 같은 seed가 실제 세포실험의 생물학적 재현성을 보증하는 것은 아닙니다.

생성된 표를 복사하면 한 행은 새로 뽑은 독립 실험단위 하나입니다. 자신의 결과가 본문의 숫자와 달라도 정상입니다. 숫자를 맞히려 하지 말고 다음 세 문장을 확인하십시오.

• 이번 x̄는 μ와 정확히 같지 않을 수 있다.
• seed가 바뀌면 표본과 통계량이 바뀐다.
• 같은 반복수라면 큰 n의 평균점들이 대체로 더 좁게 모인다.

JMP는 이 현상을 어떻게 표현할까요?

JMP가 표본을 만들어내는 연구설계를 대신 정해주는 것은 아닙니다. JMP는 입력된 표본을 정확하게 요약하고, 우리가 반복 실행에서 모은 통계량 열을 그래프로 표현해줍니다.

현재 표본을 JMP의 Distribution 결과로 보면 Summary Statistics의 Mean은 x̄, Std Dev는 s, N은 입력된 관측행 수를 나타냅니다. 이때 N이 실제 독립 실험단위 수와 맞는지는 연구자가 먼저 확인해야 합니다. JMP는 같은 culture의 네 기술반복 행을 보고 스스로 “독립 n은 1”이라고 고쳐주지 않습니다.

새 표본마다 Summary Statistics를 비교하면 x̄와 s가 바뀌는 것을 볼 수 있습니다. 그리고 Lab 원장처럼 sample_id, seed, n, sample_mean을 모은 표가 있다면 sample_mean 열의 Distribution으로 표본평균들의 위치와 흔들림을 표현할 수 있습니다. 그것이 앞에서 말한 표본평균의 표집분포입니다.

여기서도 JMP의 사용 순서는 중요하지 않습니다. 읽어야 할 관계는 다음과 같습니다.

1. 현재 표본의 Mean은 모수 μ가 아니라 통계량 x̄입니다.
2. 새 표본에서는 Mean과 Std Dev가 달라질 수 있습니다.
3. 표본평균 열의 각 행은 서로 다른 표본 전체를 요약한 값입니다.
4. 프로그램 출력은 모집단 정의, 추출 편향과 독립성을 보증하지 않습니다.

한 번의 평균을 보고 멈추지 않기 위한 다섯 질문

1. 내가 알고 싶은 모집단은 어디까지인가? 대상, 조건, 시간과 독립 단위를 문장으로 정의합니다.
2. 지금 가진 것은 모집단 전체인가, 표본인가? 관측 범위를 질문의 전체와 구분합니다.
3. 화면의 숫자는 모수인가, 통계량인가? 표본에서 계산했다면 x̄와 s입니다.
4. 새로 뽑힌 독립 단위는 무엇인가? 기술반복 행을 새 생물학적 표본으로 세지 않습니다.
5. 다시 뽑았을 때 통계량은 어떻게 흔들리는가? 한 번의 결과를 확정값으로 만들지 않습니다.

표집변동은 실험을 방해하는 귀찮은 예외가 아닙니다. 표본으로 모집단을 배우려는 순간 반드시 마주하는 구조입니다. 이 구조를 인정해야 다음 단계에서 “그렇다면 한 번 얻은 x̄를 중심으로 μ가 있을 만한 범위를 어떻게 표현할까?”라는 질문을 제대로 시작할 수 있습니다.

다음 단원에서는 표본평균 하나 옆에 불확실성의 범위를 붙입니다. 표준오차가 무엇을 재는지, 신뢰구간이 왜 표본마다 달라지는지, 그리고 흔히 말하는 95%를 어떻게 읽어야 하는지 반복표집 관점에서 연결하겠습니다.

공식 보충 자료

• JMP Statistics Knowledge Portal · Descriptive Statistics
• JMP Statistics Knowledge Portal · Inferential Statistics
• JMP Academic · Probability and Sampling Distributions
• JMP Help · Distributions of Continuous Variables

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