권세혁HOME
  • SDV(데이터 가치화)
  • 강의노트
    • 기초수학·수리통계·조사방법
    • 기초통계·회귀·다변량분석
    • 머신러닝·딥러닝
    • AI·감성분석
  • 통계챗봇
  • 오늘의 검색 트렌드
  • 통계, 다르게 읽기
  • 통계로 보는 세상(티스토리 e책방)
  • 데이터 플랫폼
  • 유튜브
  1. 📖 (표본은 어떻게 전체를 말하는가) 표본이 크면 언제나 정확할까? — 표본 크기의 함정
  • 📋 전체 목록

  • 📖 (비율과 백분율의 함정) 인구 1만 명당 범죄율을 사용하는 이유
  • 📖 (비율과 백분율의 함정) 위험이 두 배 증가했다는 뉴스는 얼마나 위험한가?
  • 📖 (비율과 백분율의 함정) 지지율 3% 상승인가, 3%포인트 상승인가?
  • 📖 (비율과 백분율의 함정) 매출이 50% 늘었다는 말에 속지 않는 법
  • 📖 (숫자를 대표하는 방법) 같은 평균, 전혀 다른 세상
  • 📖 (숫자를 대표하는 방법) 연봉은 평균보다 중앙값으로 보아야 하는 이유
  • 📖 (숫자를 대표하는 방법) 우리 반 평균이 올랐는데 학생들은 왜 불만일까?
  • 📖 (숫자를 대표하는 방법) 별점 4.5점짜리 식당은 믿을 만한가?
  • 📖 (숫자를 대표하는 방법) 내 체온 36.5도는 정말 정상인가?
  • 📖 지각하는 사람들의 비밀
  • 📖 대기 시간의 비밀
  • 📖 평균의 함정
  • 📖 p-값은 왜 0.05인가?
  • 📖 카톡 답장 속도와 호감도의 통계학
  • 📖 (그래프는 어떻게 우리를 속이는가) 막대그래프의 축을 자르면 차이가 커진다
  • 📖 (그래프는 어떻게 우리를 속이는가) 두 개의 세로축이 만드는 가짜 상관관계
  • 📖 (그래프는 어떻게 우리를 속이는가) 누적그래프는 왜 항상 좋아 보일까?
  • 📖 (그래프는 어떻게 우리를 속이는가) 선형 눈금과 로그 눈금은 무엇이 다른가?
  • 📖 (그래프는 어떻게 우리를 속이는가) 좋은 그래프는 무엇을 숨기지 않는가?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 농구에서 ’슛 감각이 올랐다’는 말은 사실일까?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 동전이 다섯 번 앞면이면 다음은 뒷면일까?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 성공한 사람만 보면 성공법이 보이지 않는다
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 시험을 망친 다음 점수가 오르는 이유
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 기억에 잘 남는 사건이 더 자주 일어난다고 느끼는 이유
  • 📖 (기록의 착시, 대표값의 재발견) 연승과 연패, 우연일까 실력일까
  • 📖 (기록의 착시, 대표값의 재발견) 작은 표본이 만드는 큰 착각 — 야구 타율 3할의 의미
  • 📖 (기록의 착시, 대표값의 재발견) 세대별 평균이 말해주는 진짜 의미 — 평균 키가 자라는 이유
  • 📖 (기록의 착시, 대표값의 재발견) 평균으로 설명되지 않는 데이터들 — 최빈값이 필요한 순간
  • 📖 (기록의 착시, 대표값의 재발견) 평균의 함정 총정리 — 평균 수심 1m 강물이 위험한 이유
  • 📖 (흩어짐과 역설) “보통”의 폭을 재는 법 — 표준편차란 무엇인가
  • 📖 (흩어짐과 역설) 재벌 총수가 낀 동네 평균 소득 — 이상치 하나가 바꾸는 평균
  • 📖 (흩어짐과 역설) 입시에서 표준점수를 쓰는 이유 — 편차값의 비밀
  • 📖 (흩어짐과 역설) 단위가 다른 두 집단을 견주는 법 — 변동계수로 비교하기
  • 📖 (흩어짐과 역설) 부분에서 이기고도 전체에서 지는 이유 — 심슨의 역설
  • 📖 (숫자로 사람을 줄 세우는 법) 숫자 하나로 사회를 요약하기 — 지니계수로 읽는 불평등
  • 📖 (숫자로 사람을 줄 세우는 법) 어느 쪽이 더 공정할까 — 상대평가 vs 절대평가
  • 📖 (숫자로 사람을 줄 세우는 법) 1점 차이가 갖는 진짜 무게 — 순위의 착시
  • 📖 (숫자로 사람을 줄 세우는 법) 5.0과 4.8 사이, 표본크기의 문제 — 별점 평균의 함정
  • 📖 (숫자로 사람을 줄 세우는 법) 별점 대신 순위를 매기는 이유 — 넷플릭스 평점 시스템
  • 📖 (공식 통계 숫자 읽는 법) 평균수명 60세 시대의 오해 — 기대수명이라는 숫자의 함정
  • 📖 (공식 통계 숫자 읽는 법) 나만의 장바구니 물가지수 — 체감 물가와 통계 물가
  • 📖 (공식 통계 숫자 읽는 법) 누구를 세고 누구를 빼는가 — 실업률의 숨은 정의
  • 📖 (공식 통계 숫자 읽는 법) 분모가 다르면 결론도 다르다 — 치명률 숫자 읽는 법
  • 📖 (공식 통계 숫자 읽는 법) 인과추론 감각을 기르는 법 — 미신적 상관관계 모음
  • 📖 (확률과 우연의 세계) 23명만 모여도 생일이 겹칠 가능성이 높은 이유 — 생일 문제
  • 📖 (확률과 우연의 세계) 같은 번호가 연속으로 나오면 조작일까? — 독립사건
  • 📖 (확률과 우연의 세계) 무작위 숫자는 왜 고르게 흩어지지 않는가? — 군집 착각
  • 📖 (확률과 우연의 세계) 로또 번호에 명당이 존재할까? — 동일확률과 선택편향
  • 📖 (확률과 우연의 세계) 희귀한 사건이 매일 뉴스에 나오는 이유 — 다중 기회
  • 📖 (확률의 도구들) 확률을 세는 언어 — 표본공간과 사건이란 무엇인가
  • 📖 (확률의 도구들) “적어도 하나”의 확률 — 여사건으로 풀면 쉬워지는 문제
  • 📖 (확률의 도구들) 경우의 수 세기 — 카드 한 장을 뽑을 때 확률 계산법
  • 📖 (확률의 도구들) 오해하기 쉬운 개념 — 독립이라는 것의 진짜 의미
  • 📖 (확률의 도구들) 복권 기댓값으로 알아보기 — 기댓값이란 무엇인가
  • 📖 (분포가 들려주는 이야기) 세상의 모든 데이터는 정규분포일까? — 정규분포 신화와 한계
  • 📖 (분포가 들려주는 이야기) 키는 정규분포에 가깝고 소득은 그렇지 않은 이유 — 분포 모양이 다른 이유
  • 📖 (분포가 들려주는 이야기) 평균에서 세 표준편차 밖이면 이상한 값일까? — 68-95-99.7 법칙
  • 📖 (분포가 들려주는 이야기) 하루에 걸려오는 전화 수는 어떤 분포를 따를까? — 포아송분포
  • 📖 (분포가 들려주는 이야기) 분포를 모르면 평균도 해석할 수 없다 — 분포 이해의 중요성
  • 📖 (조건부확률과 베이즈의 사고) 검사 결과가 양성이면 정말 병에 걸린 것일까? — 기저율
  • 📖 (조건부확률과 베이즈의 사고) 정확도 99% 검사가 틀릴 수 있는 이유 — 조건부확률
  • 📖 (조건부확률과 베이즈의 사고) 범인이 범행 현장에 있을 확률과 현장에 있던 사람이 범인일 확률 — 조건의 방향
  • 📖 (조건부확률과 베이즈의 사고) 스팸메일 필터는 어떻게 배워가는가? — 베이즈 갱신
  • 📖 (조건부확률과 베이즈의 사고) 새로운 증거가 들어오면 믿음도 바뀌어야 한다 — 베이지안 사고
  • 📖 (위험과 불확실성을 이해하는 법) 비 올 확률 60%는 무슨 뜻인가? — 확률적 예보 읽는 법
  • 📖 (위험과 불확실성을 이해하는 법) 100년 빈도 홍수는 100년에 한 번만 오는가? — 재현빈도의 오해
  • 📖 (위험과 불확실성을 이해하는 법) 보험회사는 어떻게 사고를 예측하는가? — 기대손실
  • 📖 (위험과 불확실성을 이해하는 법) 발생 가능성은 낮지만 피해가 큰 사건을 어떻게 볼 것인가? — 저확률·고피해 리스크
  • 📖 (위험과 불확실성을 이해하는 법) 위험은 확률과 피해 크기의 결합이다 — 위험 평가의 원칙
  • 📖 (확률의 뒷이야기) 문을 바꾸면 정말 유리할까 — 몬티홀 문제
  • 📖 (확률의 뒷이야기) 시행이 많아질수록 진짜 확률에 가까워지는 이유 — 큰 수의 법칙
  • 📖 (확률의 뒷이야기) 벼락 맞을 확률과 나란히 놓아보면 — 로또 1등의 확률
  • 📖 (확률의 뒷이야기) 그럴듯하게 느껴지는 이유 — 혈액형 성격론과 바넘 효과
  • 📖 (확률의 뒷이야기) 우연과 확증편향 사이 — 징크스는 통계적으로 존재할까
  • 📖 (위험 인식과 승부의 확률) 무엇이 더 위험한지 확률로 따져보면 — 비행기 vs 자동차
  • 📖 (위험 인식과 승부의 확률) 절대적 숫자와 상대적 숫자 — 백신 부작용 확률 읽는 법
  • 📖 (위험 인식과 승부의 확률) 확률적 행운이 바꾼 삶 — 복권 당첨자들의 그 후
  • 📖 (위험 인식과 승부의 확률) 먼저 차는 팀이 유리한 이유 — 승부차기의 심리 확률
  • 📖 (위험 인식과 승부의 확률) 숫자로 검증한 홈어드밴티지 — 홈그라운드의 이점
  • 📖 (우연을 다루는 더 깊은 생각) 오늘 날씨가 내일 날씨에 미치는 영향 — 마르코프 체인 쉽게 이해하기
  • 📖 (우연을 다루는 더 깊은 생각) 복잡한 사건을 가지 치듯 풀어내기 — 확률나무 그려보기
  • 📖 (우연을 다루는 더 깊은 생각) 컴퓨터로 확률을 추정하는 법 — 몬테카를로 시뮬레이션이란
  • 📖 (우연을 다루는 더 깊은 생각) 확률이 낮아도 불가능은 아니다 — 무한 원숭이 정리
  • 📖 (우연을 다루는 더 깊은 생각) 우연과 필연 사이 — 확률적 사고를 마무리하며
  • 📖 (표본은 어떻게 전체를 말하는가) 국 한 숟가락으로 냄비 전체의 맛을 알 수 있을까? — 표본조사의 비유
  • 📖 (표본은 어떻게 전체를 말하는가) 전 국민을 조사하지 않아도 되는 이유 — 표본조사
  • 📖 (표본은 어떻게 전체를 말하는가) 표본이 크면 언제나 정확할까? — 표본 크기의 함정
  • 📖 (표본은 어떻게 전체를 말하는가) 빅데이터가 대표성 문제를 해결하지 못하는 이유 — 많다고 대표성이 생기진 않는다
  • 📖 (표본은 어떻게 전체를 말하는가) 표본의 크기보다 뽑는 방법이 중요하다 — 표본추출 방법의 중요성

목차

  • 240만 명을 조사하고도 완전히 틀렸다
  • 5만 명짜리 작은 표본이 더 정확했다
  • 무엇이 잘못됐을까 — 명단 자체가 편향되어 있었다
  • 더 깊이: 확률표본의 성질
  • SDV 관점: 큰 데이터보다 설계가 옳은 데이터가 가치 있다
  • 결론: 크기보다 먼저 물어야 할 질문

(표본은 어떻게 전체를 말하는가) 표본이 크면 언제나 정확할까? — 표본 크기의 함정

통계기초
표본조사
1936년 미국 대선을 앞두고 한 잡지사는 240만 명에게 설문해 ’랜던 후보 압승’을 예측했다. 그런데 갤럽은 겨우 5만 명을 조사해 정반대 결과를 맞혔다. 표본이 48배나 작았는데 오히려 더 정확했던 이유는, 표본의 크기가 아니라 뽑는 방식에 있었다.
Author

권세혁

Published

November 18, 2026

240만 명을 조사하고도 완전히 틀렸다

1936년 미국 대선을 앞두고, 당시 유력 잡지였던 《리터러리 다이제스트(Literary Digest)》는 무려 1,000만 명에게 설문지를 보내 240만 명의 응답을 받았다. 이 거대한 표본을 근거로 잡지는 공화당의 알프 랜던 후보가 57%, 현직 대통령 프랭클린 루스벨트가 43%를 얻어 랜던이 압승할 것이라 예측했다. 그런데 실제 선거 결과는 루스벨트가 60.8%를 얻어 압도적으로 승리했다. 240만 명이라는 거대한 표본이 완전히 빗나간 것이다.

5만 명짜리 작은 표본이 더 정확했다

같은 해, 신생 여론조사 기관을 운영하던 조지 갤럽은 겨우 5만 명을 조사해 루스벨트의 승리를 정확히 예측했다(그의 추정치는 55.7%로, 실제 득표율보다는 낮았지만 승자는 정확히 맞혔다). 표본 크기는 리터러리 다이제스트의 약 48분의 1에 불과했는데도, 갤럽의 예측이 훨씬 정확했다.

The 1936 US presidential election poll disaster: Literary Digest’s enormous 2.4-million-person survey predicted the wrong winner (Landon 57% vs the actual Roosevelt 60.8%), while Gallup’s much smaller 50,000-person survey correctly called Roosevelt as the winner. A sample 48 times larger was far less accurate.

리터러리 다이제스트의 예측 오차는 약 18%포인트에 달했지만, 갤럽의 오차는 5%포인트에 그쳤다. 표본이 48배 작았는데도 오차는 오히려 훨씬 작았다.

무엇이 잘못됐을까 — 명단 자체가 편향되어 있었다

문제는 표본의 크기가 아니라 누구를 조사했는가에 있었다. 리터러리 다이제스트는 설문 대상을 전화번호부, 자동차 등록 명단, 잡지 구독자 명단, 클럽 회원 명단에서 뽑았다. 대공황이 한창이던 1936년, 전화기와 자동차를 가진 사람들은 사회 전체에서 상대적으로 부유한 계층에 치우쳐 있었다. 게다가 설문지를 보낸 1,000만 명 중 응답한 사람은 24%뿐이었다 — 이 역시 특정 성향(불만이 많거나, 시간 여유가 있는 사람)의 사람들이 더 적극적으로 응답했을 가능성을 키웠다. 표본이 아무리 커도, 애초에 뽑힌 사람들의 구성 자체가 전체 유권자와 다르면 그 편향은 표본을 키운다고 사라지지 않는다. 오히려 크기가 클수록 “이렇게 큰 조사가 틀릴 리 없다”는 잘못된 확신만 키운다.

Simulated voting intention in a population split 60% Roosevelt / 40% Landon, but where wealthier voters (fewer in number, more likely to own phones and cars) lean more toward Landon. A huge sample drawn only from the ‘phone and car owner’ subgroup stays badly wrong no matter how large it gets, while a modest random sample across the whole population converges to the true 60/40 split.

빨간 선(편향된 표본)은 아무리 표본 크기가 커져도 참값(60%)에 다가가지 않고 30% 근처에 머문다. 반면 짙은 초록 선(무작위 표본)은 표본이 커질수록 참값에 가까워진다. 표본 크기를 늘리는 것은 무작위성이 보장된 표본의 오차를 줄여줄 뿐, 편향 자체를 줄여주지는 않는다.

표본 크기를 믿기 전에 확인할 것
  1. 표본이 어떻게 뽑혔는지부터 물어라. 크기보다 먼저 확인해야 할 질문이다.
  2. “무응답자”가 누구인지 생각하라. 응답하지 않은 사람들이 특정 성향으로 치우쳐 있다면 편향이 숨어 있다.
  3. 크기와 정확도를 동일시하지 마라. 편향된 표본은 커질수록 “확신을 주는 틀린 답”이 될 뿐이다.
  4. 작지만 잘 설계된 표본을 더 신뢰하라. 1936년의 교훈은 지금도 유효하다.

더 깊이: 확률표본의 성질

강의노트 〈수리통계학 4. 표본분포 — 확률표본 성질〉은 제대로 된 확률표본이 갖춰야 할 성질(독립성, 동일분포)을 정의한다. 리터러리 다이제스트의 표본은 애초에 모집단 전체에서 뽑힌 것이 아니라, 전화와 자동차를 가진 부유층이라는 부분집합에서만 뽑혔다 — 확률표본의 정의 자체를 만족하지 못한 것이다. 크기를 키운다고 이 근본적인 결함이 고쳐지지는 않는다.

SDV 관점: 큰 데이터보다 설계가 옳은 데이터가 가치 있다

표본 크기와 편향을 구분하는 일은 요약과 추론(1~2단계)의 핵심이며, SDV(통계적 데이터 가치화) 관점에서는 “데이터가 많으면 믿을 만하다”는 흔한 착각을 바로잡는 문제다. 수백만 건의 로그 데이터, 수십만 명의 앱 사용자 데이터도, 애초에 특정 성향의 사용자만 모은 것이라면 그 규모는 신뢰의 근거가 되지 못한다. 데이터를 가치 있는 결정으로 바꾸려면, 양을 늘리기 전에 그 데이터가 누구를, 어떻게 대표하고 있는지부터 검증해야 한다. (SDV(데이터 가치화))

결론: 크기보다 먼저 물어야 할 질문

나는 학생들에게 “이 조사는 몇 명을 대상으로 했는가”라는 질문보다 “그 몇 명이 누구인가”라는 질문이 먼저라고 말한다. 1936년의 교훈은 90년이 지난 지금도 그대로다. 표본이 크다는 사실은 안심할 이유가 아니라, 오히려 그 큰 표본이 어떻게 뽑혔는지를 더 의심해야 할 이유다.

참고 자료
  • 1936년 리터러리 다이제스트 여론조사의 표본 규모, 예측치, 응답률(24%), 갤럽의 예측치와 결과는 다음을 참고했다: The Literary Digest — 위키백과(영문), 1936 election: Case Study I — University of Pennsylvania
  • 두 번째 시뮬레이션(부유층 비중, 지지율 가정)은 편향의 작동 방식을 보여주기 위한 가상의 설명용 수치다.
권세혁 교수의 통계책방 사이트 소개 슬라이드 (클릭하면 크게 보기)
사이트 소개 슬라이드 확대
 
 

방문자 수 since 2026.08.08