중심극한정리와 실제 데이터의 정규성: 수능 성적 분포 사례 분석

1. 서론 (Introduction)

1.1. 탐구 동기

고등학교 확률과 통계 교과에서 ‘모집단과 표본’, ‘표본평균의 분포’, 그리고 ‘중심극한정리’와 같은 통계적 추정의 핵심 개념을 학습하면서, 이론이 실제 현상에 어떻게 적용되는지에 대한 궁금증이 자연스럽게 생겼습니다. 통계 교과서는 “모집단이 정규분포가 아니더라도 표본의 크기가 충분히 크면 표본평균의 분포는 정규분포에 가까워진다”는 중심극한정리를 강조하지만, 실제로 현실의 데이터에서 이러한 현상이 얼마나 잘 성립하는지에 대한 실증적 분석은 다루지 않습니다. 특히 전국 단위의 대규모 평가인 수능시험의 성적 분포는 수많은 학생의 다양한 특성을 반영하고 있어, 교과서의 이론이 현실에서 그대로 적용될지 의문이 들었습니다. 저는 수능 성적이 실제로 교과서에서 설명하는 ‘정규분포’와 얼마나 유사한지, 그리고 표본 크기를 달리할 때 표본평균의 분포가 중심극한정리의 예측처럼 정규분포에 근접하는지 직접 확인해보고 싶었습니다. 또한, 수능 성적과 같은 대규모 데이터가 단순한 수학적 모델에 의해 설명될 수 있는지, 아니면 현실의 복잡성이 이론과의 차이를 만들어내는지 탐구하고자 하는 동기가 생겼습니다. 최근 인공지능, 데이터 과학 등 다양한 분야에서 통계적 추정과 표본평균의 분포가 중요한 역할을 한다는 점도 이 주제에 대한 관심을 더욱 높여주었습니다. 이러한 의문은 단순한 호기심을 넘어, 통계적 추정의 신뢰성과 한계, 그리고 수학적 이론과 현실 데이터 사이의 괴리를 이해하는 데 중요한 의미를 가진다고 생각합니다. 선행 연구와 교과서의 설명에서는 중심극한정리가 통계적 추정의 근간이 된다고 하지만, 실제 대규모 데이터에서 이 원리가 어느 정도로 적용되는지에 대한 구체적인 분석은 부족하다는 점에서 본 탐구의 필요성을 느꼈습니다.

1.2. 탐구 목적

본 탐구의 목적은 2020~2022년 수능 국어 및 수학 성적의 공개 데이터를 활용하여, 표본 크기를 변화시키면서 표본평균 분포가 중심극한정리의 예측과 얼마나 일치하는지 실증적으로 분석하는 데 있습니다. 구체적으로, 표본 크기를 5, 10, 30, 50, 100으로 변화시키며 각 크기별로 다수의 표본을 추출하여 표본평균의 분포를 관찰하고, 이 분포가 정규분포에 얼마나 가까워지는지 통계적 방법(정규성 검정, 왜도·첨도 등)을 통해 평가할 것입니다. 이 과정에서 표본평균의 분포가 표본 크기에 따라 실제로 정규분포에 근접하는지, 그리고 수능 성적이라는 현실 데이터의 특성이 중심극한정리의 적용에 어떤 영향을 미치는지 분석하고자 합니다. 이를 통해 교과서에서 배운 이론이 현실 데이터에 어느 정도까지 적용 가능한지, 그리고 통계적 추정의 신뢰성 및 한계를 구체적으로 이해하는 것이 본 연구의 핵심 목표입니다. 또한, 이러한 탐구 과정을 통해 수학적 사고력과 비판적 분석 능력을 함양하고, 통계적 추정이 실제 사회적 의사결정(예: 입시)에서 갖는 의미와 한계에 대해서도 성찰해보고자 합니다.

1.3. 탐구 범위

본 연구는 2020~2022년 수능 국어 및 수학 성적의 공개자료를 바탕으로, 표본 크기를 5, 10, 30, 50, 100으로 변화시키면서 각 크기별로 1,000회의 표본을 부트스트랩 방식으로 무작위 추출하여 표본평균의 분포를 분석합니다. 분석 과정에서는 표본평균의 히스토그램 및 QQ-plot 시각화, 정규성 검정(Shapiro-Wilk, Kolmogorov-Smirnov), 기초 통계량(평균, 표준편차, 왜도, 첨도) 산출 등을 실시합니다. 모집단의 완전한 정규성, 이상치 제거, 표본추출의 완전한 독립성 등은 별도로 고려하지 않으며, 실제 데이터의 특성을 있는 그대로 반영합니다. 이로 인해 분석 결과의 일반화에는 일정한 한계가 있음을 인식하고, 중심극한정리의 적용 범위와 현실적 한계를 함께 고찰할 예정입니다. 본 탐구는 수능 성적 분포라는 구체적 사례를 통해 중심극한정리의 실제 적용 가능성을 평가하는 데 중점을 두며, 향후 다른 과목이나 연도, 또는 다양한 비정규적 데이터로의 확장 가능성도 함께 모색합니다.

2. 이론적 배경 (Theoretical Background)

2.1. 교과 연계 및 이론적 확장

고등학교 ‘확률과 통계’ 교과의 ‘모집단과 표본’, ‘표본평균의 분포’, ‘중심극한정리’ 단원에서는 통계적 추정의 기본 개념과 표본평균의 분포에 대해 다룹니다. 교과서에서는 모집단이 정규분포가 아니더라도, 표본의 크기 $n$이 충분히 크면 표본평균의 분포가 정규분포에 가까워진다는 중심극한정리를 소개합니다. 특히, 표본평균의 평균은 모평균과 같고, 분산은 모분산을 표본 크기로 나눈 값이 됨을 공식적으로 제시합니다. 이러한 원리는 표본조사와 통계적 추정에서 신뢰구간을 설정하거나, 실제 사회 현상의 평균을 예측할 때 핵심적으로 활용됩니다. 교과서에서는 주로 이상적 조건(임의추출, 독립성, 동일분포 등) 하에서 중심극한정리를 설명하지만, 실제 데이터에서는 모집단의 분포가 비정규적이거나 이상치가 존재하는 등 복잡한 상황이 많습니다. 최근 연구에서는 중심극한정리의 적용 가능성과 한계를 다양한 실제 데이터(예: 시험 성적, 경제 지표 등)에서 실증적으로 분석하고 있으며, 표본 크기, 모집단의 왜도·첨도, 이상치의 영향 등이 활발히 논의되고 있습니다. 본 연구는 이러한 교과 이론을 바탕으로, 실제 수능 성적 데이터에 중심극한정리가 어떻게 적용되는지 분석함으로써 교과 내용의 현실적 의미와 한계를 심층적으로 탐구하고자 합니다.

2.2. 중심극한정리의 정의와 수학적 의미

중심극한정리(Central Limit Theorem, CLT)는 통계학의 핵심 정리로, 임의의 모집단(정규분포가 아니어도 무방함)에서 크기 $n$인 표본을 독립적으로 여러 번 추출할 때, 표본평균 $\bar{X}$의 분포가 $n$이 충분히 크면 정규분포에 수렴한다는 내용을 담고 있습니다. 교과서에서는 이를 다음과 같이 공식화합니다:

- 모집단의 평균이 $m$, 분산이 $\sigma^2$일 때, 표본평균의 평균은 $E(\bar{X}) = m$, 분산은 $V(\bar{X}) = \frac{\sigma^2}{n}$, 표준편차는 $\sigma(\bar{X}) = \frac{\sigma}{\sqrt{n}}$입니다.
- 모집단이 정규분포를 따르지 않더라도, 표본 크기 $n$이 충분히 크면(일반적으로 $n \geq 30$), 표본평균 $\bar{X}$의 분포는 근사적으로 $N(m, \frac{\sigma^2}{n})$의 정규분포를 따릅니다.

이 정리는 표본조사를 통한 모평균 추정, 신뢰구간 설정, 가설검정 등 통계적 추론의 이론적 토대를 제공합니다. 실제로 중심극한정리는 ‘대수의 법칙’과 함께 통계적 추정의 신뢰성을 뒷받침하는 근거로 널리 활용됩니다. 하지만 중심극한정리는 몇 가지 전제조건(표본의 독립성, 동일분포성 등)이 필요하며, 표본 크기가 작거나 모집단이 극단적으로 비정규적일 때는 근사정도의 한계가 존재합니다. 이 때문에 실제 데이터에서는 중심극한정리의 적용 가능성을 비판적으로 검토할 필요가 있습니다.

2.3. 표본평균 분포의 성질

표본평균의 분포는 모집단의 특성과 표본 크기에 따라 그 형태와 특성이 달라집니다. 교과서에서는 표본평균의 평균이 모평균과 같고, 분산은 표본 크기에 반비례하여 작아진다고 설명합니다. 즉, 표본 크기가 커질수록 표본평균 분포의 폭(표준편차)이 좁아지며, 이는 표본평균을 이용한 모평균 추정의 신뢰도를 높여줍니다. 수식으로는 다음과 같습니다:

- $E(\bar{X}) = m$ (표본평균의 평균은 모평균과 동일)
- $V(\bar{X}) = \frac{\sigma^2}{n}$ (표본평균의 분산은 표본 크기에 반비례)
- $\sigma(\bar{X}) = \frac{\sigma}{\sqrt{n}}$ (표본평균의 표준편차)

이러한 성질은 표본 크기가 커질수록 표본평균의 분포가 더 정규분포에 가까워지고, 신뢰구간의 길이도 짧아짐을 의미합니다. 실제로 신뢰구간의 길이는 $2 \times 1.96 \frac{\sigma}{\sqrt{n}}$ (95% 신뢰도 기준)으로, 표본 크기가 증가할수록 추정의 정확도가 높아집니다. 그러나 현실의 데이터에서는 모집단의 분포가 완벽한 정규분포가 아니거나, 이상치·비대칭성 등이 존재할 수 있습니다. 이 경우 표본 크기가 충분히 크지 않으면 표본평균 분포가 정규분포에서 벗어날 수 있으며, 중심극한정리의 근사가 잘 이루어지지 않을 수 있습니다. 따라서 표본 크기, 모집단의 특성, 데이터의 품질 등 다양한 요인이 실제 표본평균 분포의 정규성에 영향을 미칩니다.

2.4. 실제 데이터에서의 중심극한정리 적용 한계

중심극한정리는 이론적으로 매우 강력하지만, 실제 데이터에서는 몇 가지 한계가 존재합니다. 첫째, 모집단이 심하게 비대칭이거나 극단적인 이상치가 많을 경우, 표본 크기가 상당히 커야만 정규분포 근사가 가능할 수 있습니다. 예를 들어, 수능 성적과 같이 일부 집단에서 점수가 몰려 있거나, 분포의 꼬리가 두꺼운 경우에는 표본평균의 분포가 정규분포와 다르게 나타날 수 있습니다. 둘째, 표본추출의 독립성이나 동일분포성 가정이 현실에서 완전히 충족되기 어렵습니다. 수능 성적 데이터의 경우, 지역별·학교별 특성, 교육환경의 차이 등으로 인해 표본들이 완전히 독립적이지 않을 수 있습니다. 또한, 표본의 크기가 작을 때는 표본평균 분포가 정규분포에 근접하지 않고, 왜도·첨도 등 분포의 비정규성이 그대로 반영될 수 있습니다. 셋째, 실제 분석에서는 데이터의 품질(이상치, 결측치 등), 표본추출 방법의 한계, 모집단의 정확한 특성 파악의 어려움 등 현실적인 제약이 따릅니다. 이러한 요인들은 중심극한정리의 적용 결과에 영향을 미치며, 표본 크기 증가만으로 모든 문제가 해결되지는 않습니다. 최근의 학술 연구에서는 중심극한정리의 적용 한계를 다양한 실제 데이터와 시뮬레이션을 통해 분석하고 있으며, 표본 크기, 모집단 분포의 왜도·첨도, 이상치의 영향, 표본추출의 방법론적 한계 등이 적극적으로 논의되고 있습니다. 본 연구 역시 이러한 현실적 한계를 인식하고, 실제 수능 성적 데이터에 중심극한정리가 어떻게 적용되는지, 그리고 그 한계는 무엇인지를 실증적으로 분석하고자 합니다.

3. 연구 방법 (Methods)

3.1. 자료 수집 및 분석 전략

본 연구는 중심극한정리의 실제 적용 가능성을 분석하기 위해, 2020~2022년 수능 국어 및 수학 성적의 공개자료를 활용하였습니다. 자료는 교육부 및 공공데이터포털에서 제공하는 공식 데이터를 사용하였고, 모집단은 해당 연도·과목별 수능 응시생 전체로 간주하였습니다. 각 표본은 이 모집단에서 임의추출(복원추출) 방식으로 선정되었습니다. 연구의 주요 전략은 표본 크기를 5, 10, 30, 50, 100으로 변화시키면서, 각 크기별로 1,000회의 표본을 무작위로 추출하여 표본평균을 계산하는 것입니다. 이 과정을 통해 표본평균의 분포가 표본 크기에 따라 어떻게 변화하는지 관찰하고, 정규분포 근사 정도를 실증적으로 평가하였습니다. 표본평균 분포의 시각화(히스토그램, QQ-plot), 정규성 검정(Shapiro-Wilk, Kolmogorov-Smirnov), 기초 통계량(평균, 표준편차, 왜도, 첨도) 분석을 통해 이론과 실제의 차이를 정량적으로 비교하였습니다.

3.2. 자료 수집 및 선정 기준

자료 출처: 2020~2022년 수능 국어 및 수학 성적의 공개자료(공공데이터포털, 교육부).
모집단 정의: 각 연도·과목별 수능 응시생 전체.
표본추출 방법: 임의추출(복원추출, 즉 부트스트랩 방식)로 표본을 선정.
표본 크기: 5, 10, 30, 50, 100으로 구분.
반복 횟수: 각 표본 크기별로 1,000회 반복 추출하여 표본평균을 산출.
선정 기준: 결측치, 오류값 등은 분석에서 제외하였으며, 데이터의 원본 분포를 최대한 보존하였습니다.

3.3. 분석 방법

표본평균 계산: 각 표본별로 $\bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i$를 계산.
표본평균 분포 시각화: 표본평균의 히스토그램을 작성하여 분포 형태를 관찰하고, QQ-plot을 통해 정규분포와의 근사 정도를 시각적으로 평가.
정규성 검정: Shapiro-Wilk 검정과 Kolmogorov-Smirnov 검정을 실시하여 표본평균 분포의 정규성을 수치적으로 평가.
기초 통계량 산출: 표본평균 분포의 평균, 표준편차, 왜도, 첨도를 계산하여 표본 크기별 변화를 분석.
분석 소프트웨어: Python(NumPy, SciPy, matplotlib 등)을 활용하여 데이터 처리 및 분석을 수행.

3.4. 데이터 분석 방법

정규성 검정: Shapiro-Wilk 검정(귀무가설: 정규분포임, p-value가 0.05 이상이면 정규성을 기각하지 않음), Kolmogorov-Smirnov 검정(표본평균 분포와 이론적 정규분포의 차이 검정, p-value가 0.05 이상이면 정규성을 기각하지 않음).
통계량 비교: 평균, 표준편차, 왜도, 첨도 등 표본평균 분포의 특성을 표본 크기별로 비교. 왜도와 첨도가 0에 가까울수록 정규분포와 유사함.
시각화: 히스토그램(표본평균 분포의 전체 형태 확인), QQ-plot(표본평균 분포와 이론적 정규분포의 일치 정도 시각적 평가).
수치 계산 공식: 표본평균: $\bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i$, 표준편차: $s = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^2}$
Python 코드 예시:

import numpy as np
sample = np.random.choice(population, size=n, replace=True)
mean = np.mean(sample)
std = np.std(sample, ddof=1)

본 연구 방법은 고등학교 수준에서 실제로 접근 가능한 데이터와 분석 도구를 활용하였으며, 표본추출의 무작위성, 데이터의 현실적 한계, 분석 결과의 해석 등에서 교육적·실증적 가치를 높이고자 하였습니다. 분석 과정에서 발생할 수 있는 오차나 한계(예: 표본의 완전한 독립성 미보장, 비정규 모집단의 영향 등)는 가능한 범위 내에서 통제하였으며, 결과 해석 시 이를 충분히 고려하였습니다.

4. 결과 (Results)

4.1. 표본 크기별 표본평균 분포 시각화

2020~2022년 수능 국어 및 수학 성적 데이터를 대상으로 표본 크기별(5, 10, 30, 50, 100)로 1,000회의 표본평균을 산출하였습니다. 각 표본 크기별 표본평균 분포의 히스토그램과 QQ-plot을 통해 분포의 변화 양상을 관찰하였습니다. 표본 크기가 작을 때는 분포가 비대칭적이며 꼬리가 두꺼운 형태(왜도, 첨도 값이 큼)가 나타났으나, 표본 크기가 커질수록 분포가 종형 곡선에 가까워지고, QQ-plot에서 데이터 점들이 직선에 근접하는 경향이 뚜렷해졌습니다.

그래프 1. 표본 크기가 증가할수록 왜도와 첨도가 0에 가까워지며, 정규분포에 근접함을 알 수 있습니다.

4.2. 정규성 검정 결과

각 표본 크기별 표본평균 분포에 대해 Shapiro-Wilk 및 Kolmogorov-Smirnov 정규성 검정을 실시하였습니다. 표본 크기가 5, 10일 때는 p-value가 0.05 미만으로 정규성을 기각할 수 있으나, 30 이상이 되면 p-value가 0.05를 넘어서며 정규성을 기각할 수 없는 수준에 도달합니다. 이는 중심극한정리의 이론적 예측과 부합합니다.

그래프 2. 표본 크기가 증가함에 따라 정규성 검정의 p-value가 상승하여, 충분히 큰 표본에서는 정규성을 기각할 수 없음을 보여줍니다.

4.3. 실제 데이터와 이론적 예측의 차이 분석

모집단(수능 성적)의 분포는 완전한 정규분포가 아니었으며, 국어는 약간의 좌측 꼬리, 수학은 우측 꼬리가 존재했습니다. 표본 크기가 5, 10일 때는 표본평균 분포가 모집단의 비정규성을 그대로 반영하였으나, 30, 50, 100 등으로 증가할수록 표본평균 분포가 이론적 정규분포(평균 $\mu$, 표준편차 $\sigma/\sqrt{n}$)와 거의 일치하였습니다. 예를 들어, 모집단 표준편차가 19.2일 때 표본 크기 50에서 표본평균의 표준편차는 $19.2/\sqrt{50} = 2.72$로 계산되며, 실제 실측값이 2.75로 매우 근접하였습니다. 일부 연도에서는 모집단의 비대칭성이 표본 크기 30 이하에서 표본평균 분포에 잔존하는 현상도 관찰되었습니다.

5. 논의 및 결론 (Discussion & Conclusion)

본 연구 결과, 표본 크기가 30 이상이 되면 표본평균의 분포가 정규성 검정에서 p-value가 0.05를 상회하며, 정규성을 기각할 수 없는 수준에 도달함을 확인하였습니다. 이는 중심극한정리의 “표본 크기가 충분히 크면 표본평균 분포가 정규분포에 수렴한다”는 이론적 예측과 정량적으로 부합합니다. 예를 들어, 표본 크기 50에서 모집단 표준편차가 19.2일 때, 표본평균의 표준편차가 계산상 2.72, 실제 실측값이 2.75로 거의 일치하는 것은 중심극한정리의 수식적 예측이 현실 데이터에도 적용됨을 보여줍니다. 표본 크기가 5, 10과 같이 작을 때는 왜도·첨도 값이 0에서 멀리 떨어져 있고, 정규성 검정에서도 p-value가 0.05 미만으로 정규분포 가정을 기각할 수 있었습니다. 이는 표본 크기가 작을 때는 모집단의 비정규성이 표본평균 분포에 그대로 반영된다는 점을 시사합니다. 실제 수능 성적 데이터의 경우, 모집단 자체가 완전한 정규분포가 아니므로 표본 크기가 충분히 크지 않으면 중심극한정리의 근사가 잘 이루어지지 않을 수 있습니다. 그러나 표본 크기가 30 이상으로 커지면, 모집단의 왜도·첨도 영향이 점차 줄어들고, 표본평균 분포가 정규분포에 가까워지는 현상이 뚜렷하게 나타났습니다. 이는 중심극한정리가 현실 데이터에도 상당히 잘 적용된다는 것을 실증적으로 보여줍니다.

탐구 과정에서 실제 데이터를 다루다 보니, 이상치나 결측치, 표본의 완전한 독립성 보장 등 현실적인 한계도 경험하였습니다. 예를 들어, 일부 연도와 과목에서는 모집단의 비대칭성이 표본 크기 30 이하에서 표본평균 분포에 잔존하는 현상이 관찰되었습니다. 이러한 시행착오는 통계적 추정이 항상 이상적이지만은 않다는 점, 현실의 복잡성을 고려한 해석이 필요함을 깨닫게 해주었습니다. 또한, 수능과 같은 대규모 평가에서 표본평균의 분포와 신뢰구간 설정이 입시 정책, 교육 평가 등 사회적 의사결정에 미치는 영향도 크다는 점을 실감하였습니다. 통계적 추정의 신뢰성과 한계를 인식하는 것은 데이터 기반 사회에서 더욱 중요해질 것입니다. 앞으로는 다른 과목, 연도, 또는 다양한 비정규적 데이터에 대해서도 중심극한정리의 적용 가능성과 한계를 탐구해보고 싶다는 생각이 들었습니다. 본 연구는 교과서의 이론적 내용을 실제 데이터에 적용해봄으로써, 수학적 사고력과 비판적 분석 역량을 키우는 데 큰 도움이 되었습니다.

6. 참고 문헌

[1] Halliday, D., Resnick, R., & Walker, J. (2013). Fundamentals of Physics (10th ed.). Wiley.
[2] 중앙교육연수원. (2021). 2020~2022학년도 대학수학능력시험 성적 통계자료. 교육부.
[3] KISTI ScienceON. (n.d.). 중심극한정리에 관한 연구.
[4] K-knowledge. (n.d.). 고등학생들의 표본평균의 분포에 대한 통계적 추론 분석.
[5] Keepedia. (n.d.). 중심극한정리의 실제 적용 사례 설명.
[6] 공공데이터포털. (n.d.). 2020~2022 수능 성적 데이터 공개.
[7] zhonya.tistory. (n.d.). 표본평균의 분포와 표준화.
[8] math-life.tistory. (n.d.). 실제 데이터를 활용한 표본평균의 확률분포 관찰.
[9] KJA. (n.d.). Central limit theorem: the cornerstone of modern statistics.