Mathematics추론 통계학University

두 표본 t-검정 통계량 (독립 표본)

Q: What are common mistakes with the 두 표본 t-검정 통계량 (독립 표본) formula?

표본 크기나 분포가 크게 다를 때 등분산을 가정하는 것. 표본이 실제로 독립적인지 확인하지 않는 것 (예: 짝지은 데이터에 사용하는 것). 비합동 버전 대신 표준 합동 분산 공식을 사용하는 것.

Q: What are some study tips for the 두 표본 t-검정 통계량 (독립 표본) formula?

표본 크기가 작으면(n < 30) 정규성을 반드시 확인하세요. 이 검정의 자유도를 계산하려면 Welch-Satterthwaite 식을 사용하세요. 표본이 독립적이라는 것, 즉 한 대상자의 선택이 다른 대상자의 선택에 영향을 주지 않는다는 점을 확인하세요.

이 통계량은 모집단 분산을 모를 때 두 독립 그룹의 평균 차이가 통계적으로 유의한지 여부를 결정한다.

Understand the formulaSee the free derivationOpen the full walkthrough

t = \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{\frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}}

Open Full Walkthrough Try Calculator

This public page keeps the free explanation visible and leaves premium worked solving, advanced walkthroughs, and saved study tools inside the app.

Core idea

Overview

두 표본 t-검정 통계량 (독립 표본)은 주요 입력값과 식의 관계를 정리하고 계산 결과의 의미를 해석하기 위한 설명입니다. 조건, 단위, 전제를 확인하면서 사용하면 결과를 비교, 판단, 추정, 위험 확인과 연결하기 쉽습니다. 필요하면 값을 바꾸어 결과가 어떻게 달라지는지도 확인하세요.

When to use: 두 표본 t-검정 통계량 (독립 표본)은 주어진 값에서 필요한 결과를 구해야 할 때 사용합니다. 입력 단위, 범위, 전제 조건을 확인한 뒤 대입하고, 계산 결과를 실제 조건이나 문제의 목적과 비교해 해석하세요.

Why it matters: 두 표본 t-검정 통계량 (독립 표본)의 결과는 수치를 비교하고 경향, 제약, 위험, 설계 판단을 설명하는 데 도움이 됩니다. 답을 단독 숫자로만 보지 말고 조건이 바뀔 때의 의미와 타당성도 함께 확인할 수 있습니다.

Symbols

Variables

t = t-statistic, $\overset{x}{ˉ}$ _1 = Mean of sample 1, $\overset{x}{ˉ}$ _2 = Mean of sample 2, $s_{1}^{2}$ = Variance of sample 1, $s_{2}^{2}$ = Variance of sample 2

t

t-statistic

Variable

\overset{x}{ˉ}_{1}

Mean of sample 1

Variable

\overset{x}{ˉ}_{2}

Mean of sample 2

Variable

s_{1}^{2}

Variance of sample 1

Variable

s_{2}^{2}

Variance of sample 2

Variable

n_{1}

Size of sample 1

Variable

n_{2}

Size of sample 2

Variable

diff

Hypothesized difference

Variable

Walkthrough

Derivation

두 표본 t-검정 통계량의 유도 (독립 표본)

이 유도는 표집 분포의 속성을 활용하여 두 표본 평균 간의 차이를 표준화함으로써 t-분포를 따르는 검정 통계량을 구성합니다.

두 표본은 서로 독립적입니다.
표본을 추출한 모집단은 대략 정규 분포를 따릅니다.
모집단 분산을 알 수 없으므로 표본 분산을 추정치로 사용해야 합니다.

평균 차이의 표집 분포 정의

독립 정규 모집단의 표본 평균 자체가 정규 분포를 따르므로, 그 차이는 모평균의 차이를 중심으로 결합 분산을 갖는 정규 분포를 따릅니다.

(\overset{x}{ˉ}_{1} - \overset{x}{ˉ}_{2}) \sim N (μ_{1} - μ_{2}, \frac{σ _{1}^{2}}{n _{1}} + \frac{σ _{2}^{2}}{n _{2}})

Note: 두 독립 변수의 차이의 분산은 각각의 분산의 합과 같습니다.

표준화 (Z-점수)

표본 평균의 차이를 기댓값을 빼고 표준 오차로 나누어 표준 정규 변수로 변환합니다.

Z = \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{\frac{σ _{1}^{2}}{n _{1}} + \frac{σ _{2}^{2}}{n _{2}}} \sim N (0, 1)

Note: 이 단계는 모집단 분산에 대한 지식이 필요한데, 이는 일반적으로 알려져 있지 않습니다.

표본 분산으로 대체

모집단 분산을 알 수 없으므로, 이를 표본 분산 $s_{1}^{2}$ 와 $s_{2}^{2}$ 으로 대체합니다. 이 대체는 Z-분포를 t-분포로 변환합니다.

t = \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{\frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}}

Note: 이것은 분산이 같지 않다고 가정할 때 Welch t-검정으로 알려져 있으며, 자유도는 Welch-Satterthwaite 방정식을 통해 근사됩니다.

Result

t = \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{\frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}}

Source: Welch, B. L. (1947). 'The generalization of 'Student's' problem when several different population variances are involved'.

Free formulas

Rearrangements

Solve for $\overset{x}{ˉ}_{1}$

$\overset{x}{ˉ}$ _1 을(를) 주제로 만들기

\overset{x}{ˉ}_{1} = t \frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}} + \overset{x}{ˉ}_{2} + (μ_{1} - μ_{2})

첫 번째 표본 평균을 분리하기 위해 표준 오차를 곱하고 다른 항들을 더합니다.

Difficulty: 3/5

Solve for $\overset{x}{ˉ}_{2}$

$\overset{x}{ˉ}$ _2 을(를) 주제로 만들기

\overset{x}{ˉ}_{2} = \overset{x}{ˉ}_{1} - (μ_{1} - μ_{2}) - t \frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}

대수적 이항을 통해 두 번째 표본 평균을 분리합니다.

Difficulty: 3/5

Solve for $μ_{1}$

$μ_{1}$ 를 주제로 설정

μ_{1} = (\overset{x}{ˉ}_{1} - \overset{x}{ˉ}_{2}) - t \frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}} + μ_{2}

분자 구성 요소를 재배열하여 첫 번째 모집단 평균을 분리합니다.

Difficulty: 3/5

Solve for $μ_{2}$

$μ_{2}$ 를 주제로 만들기

μ_{2} = μ_{1} - (\overset{x}{ˉ}_{1} - \overset{x}{ˉ}_{2}) + t \frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}

항을 재배열하여 두 번째 모집단 평균을 분리합니다.

Difficulty: 3/5

Solve for $s_{1}$

$s_{1}$ 를 주제로 만들기

s_{1} = n_{1} ([\frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{t}]^{2} - \frac{s _{2}^{2}}{n _{2}})

대수적 분리 후 양변을 제곱하여 첫 번째 표본 분산 항을 분리합니다.

Difficulty: 5/5

Solve for $s_{2}$

$s_{2}$ 를 주제로 만들기

s_{2} = n_{2} ([\frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{t}]^{2} - \frac{s _{1}^{2}}{n _{1}})

두 번째 표본 분산 항을 $s_{1}$ 과 유사한 단계를 따라 분리하십시오.

Difficulty: 5/5

Solve for $n_{1}$

$n_{1}$ 을 구하세요

n_{1} = \frac{s _{1}^{2}}{[ \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{t} ] ^{2} - \frac{s _{2}^{2}}{n _{2}}}

대수적 단계를 역순으로 적용하여 첫 번째 그룹의 표본 크기를 분리합니다.

Difficulty: 5/5

Solve for $n_{2}$

$n_{2}$ 을 구하세요

n_{2} = \frac{s _{2}^{2}}{[ \frac{( x ˉ _{1} - x ˉ _{2} ) - ( μ _{1} - μ _{2} )}{t} ] ^{2} - \frac{s _{1}^{2}}{n _{1}}}

대수적 역연산을 사용하여 두 번째 그룹의 표본 크기를 분리합니다.

Difficulty: 5/5

The static page shows the finished rearrangements. The app keeps the full worked algebra walkthrough.

Why it behaves this way

Intuition

수직선 위에 떠 있는 두 개의 서로 다른 종 모양 확률 분포를 상상해 보세요. 분자는 두 분포의 꼭대기(중심) 사이의 물리적 거리를 측정합니다. 분모는 두 분포의 퍼짐(불확실성/분산)에 따라 축소 또는 확장되는 '자' 역할을 합니다. t-통계량은 두 꼭대기가 분리된 '자-길이'의 개수입니다.

t

t-statistic

신호 대 잡음 비율: 관찰된 차이가 가설 차이로부터 몇 표준 오차만큼 떨어져 있는지를 알려줍니다.

x̄₁ - x̄₂

표본 평균의 차이

'신호' 또는 두 그룹의 평균 결과 간의 원시 관찰 차이.

μ_{1} - μ_{2}

모집단 평균의 가설 차이

'귀무 가설 기준선'; 일반적으로 0이며, 그룹 간에 실제 차이가 없다는 가정을 나타냅니다.

s₁²/n₁ + s₂²/n₂

제곱 표준 오차의 합

추정에서의 총 '잡음' 또는 불확실성으로, 각 그룹이 얼마나 변동하는지(s²)를 데이터 수(n)로 스케일링하여 결합한 것입니다.

Signs and relationships

x̄₁ - x̄₂: 뺄셈은 차이의 방향을 정의합니다; 양수 결과는 첫 번째 그룹의 평균이 더 높다는 것을, 음수는 두 번째 그룹이 더 높다는 것을 나타냅니다.
분모의 제곱근: 우리는 표준 편차 대신 분산(s²/n)을 합합니다. 왜냐하면 분산은 가법적이기 때문입니다. 제곱근을 취하면 총 분산이 평균과 동일한 단위(표준 오차)로 변환됩니다.

One free problem

Practice Problem

다음 조건을 사용해 두 표본 t-검정 통계량 (독립 표본)을(를) 구하세요. 필요한 값을 식에 대입하고 단위와 자릿수를 확인해 답하세요. 조건: 1, 50, 2, 10, 20, 45, 12, 25, 0. 관련 기호: $s^{2}$ .

Hint: 두 표본 t-검정 통계량 (독립 표본)의 식에 알려진 값을 대입하고 단위, 부호, 분자와 분모의 대응을 확인하면서 계산하세요. 문제에서 주어진 조건을 먼저 정리하면 더 쉽게 풀 수 있습니다. 관련 기호: s1^2, s2^2.

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

두 표본 t-검정 통계량 (독립 표본)은 실무, 학습, 분석 상황에서 구체적인 값을 대입해 결과를 확인할 때 사용할 수 있습니다. 계산 결과를 단순한 숫자로만 보지 않고 조건 비교, 판단, 추정, 위험 확인과 연결해 해석하는 데 도움이 됩니다.

Study smarter

Tips

표본 크기가 작으면(n < 30) 정규성을 반드시 확인하세요.
이 검정의 자유도를 계산하려면 Welch-Satterthwaite 식을 사용하세요.
표본이 독립적이라는 것, 즉 한 대상자의 선택이 다른 대상자의 선택에 영향을 주지 않는다는 점을 확인하세요.

Avoid these traps

Common Mistakes

표본 크기나 분포가 크게 다를 때 등분산을 가정하는 것.
표본이 실제로 독립적인지 확인하지 않는 것 (예: 짝지은 데이터에 사용하는 것).
비합동 버전 대신 표준 합동 분산 공식을 사용하는 것.

Common questions

Frequently Asked Questions

이 유도는 표집 분포의 속성을 활용하여 두 표본 평균 간의 차이를 표준화함으로써 t-분포를 따르는 검정 통계량을 구성합니다.

두 표본 t-검정 통계량 (독립 표본)은 주어진 값에서 필요한 결과를 구해야 할 때 사용합니다. 입력 단위, 범위, 전제 조건을 확인한 뒤 대입하고, 계산 결과를 실제 조건이나 문제의 목적과 비교해 해석하세요.

두 표본 t-검정 통계량 (독립 표본)의 결과는 수치를 비교하고 경향, 제약, 위험, 설계 판단을 설명하는 데 도움이 됩니다. 답을 단독 숫자로만 보지 말고 조건이 바뀔 때의 의미와 타당성도 함께 확인할 수 있습니다.

표본 크기나 분포가 크게 다를 때 등분산을 가정하는 것. 표본이 실제로 독립적인지 확인하지 않는 것 (예: 짝지은 데이터에 사용하는 것). 비합동 버전 대신 표준 합동 분산 공식을 사용하는 것.

표본 크기가 작으면(n < 30) 정규성을 반드시 확인하세요. 이 검정의 자유도를 계산하려면 Welch-Satterthwaite 식을 사용하세요. 표본이 독립적이라는 것, 즉 한 대상자의 선택이 다른 대상자의 선택에 영향을 주지 않는다는 점을 확인하세요.

References

Sources

Rice, J. A. (2006). Mathematical Statistics and Data Analysis.
Welch, B. L. (1947). The generalization of 'Student's' problem when several different population variances are involved.
Welch, B. L. (1947). 'The generalization of 'Student's' problem when several different population variances are involved'.

두 표본 t-검정 통계량 (독립 표본)

Overview

Variables

Derivation

평균 차이의 표집 분포 정의

표준화 (Z-점수)

표본 분산으로 대체

Rearrangements

Intuition

Practice Problem

Real-World Context

Tips

Common Mistakes

Related Formulas

One-Sample t-Test

Pooled Two-Sample t-Test

Frequently Asked Questions

Sources