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) 국 한 숟가락으로 냄비 전체의 맛을 알 수 있을까? — 표본조사의 비유
  • 📋 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

  • 냄비를 다 먹어봐야 간을 알 수 있는 건 아니다
  • 젓지 않은 국은 어디서 뜨느냐에 따라 맛이 다르다
  • 100번 떠보면 알 수 있다
  • 이 비유가 통계학에서 뜻하는 것
  • 더 깊이: 확률표본의 정의
  • SDV 관점: 표본을 뜨는 방법을 명시하지 않은 데이터는 가치가 없다
  • 결론: 숟가락보다 중요한 것은 젓는 방법이다

(표본은 어떻게 전체를 말하는가) 국 한 숟가락으로 냄비 전체의 맛을 알 수 있을까? — 표본조사의 비유

통계기초
표본조사
된장찌개를 끓이면서 냄비 전체를 다 먹어보고 간을 맞추는 사람은 없다. 잘 저은 뒤 한 숟가락만 떠서 맛보면 충분하다. 그런데 바닥에 가라앉은 건더기만 떠먹으면, 같은 한 숟가락도 전혀 다른 맛을 알려준다. 표본조사의 핵심 원리가 이 국 한 숟가락 안에 다 들어 있다.
Author

권세혁

Published

November 16, 2026

냄비를 다 먹어봐야 간을 알 수 있는 건 아니다

된장찌개를 끓이던 사람이 간을 보려고 냄비를 통째로 다 먹어보는 일은 없다. 잘 휘저은 뒤 숟가락으로 한 번 떠서 맛보면, 그 한 숟가락의 맛이 냄비 전체의 맛을 대표한다고 믿는다. 왜 이 믿음이 합리적일까? 국물을 충분히 저었다면, 숟가락이 국물의 어느 지점에서 떠지든 소금과 된장의 농도가 거의 같기 때문이다. 이것이 바로 통계학에서 말하는 표본조사의 핵심 원리다 — 전체(모집단)를 대표하도록 잘 섞인 뒤, 일부(표본)만 들여다보면 전체를 짐작할 수 있다는 것.

젓지 않은 국은 어디서 뜨느냐에 따라 맛이 다르다

그런데 이 비유가 성립하려면 조건이 하나 있다. 국물이 고르게 섞여 있어야 한다. 만약 국을 젓지 않은 채 바닥에 건더기가 가라앉아 있다면, 윗부분에서 뜬 숟가락과 바닥에서 뜬 숟가락은 완전히 다른 맛을 보여준다. 숟가락(표본) 자체는 똑같이 한 숟가락인데, 어디서 떴는가에 따라 “짜다”와 “싱겁다”는 정반대의 결론이 나올 수 있다.

A pot of soup simulated as 1,000 particles of broth and seasoning. Left: well-stirred, so a random spoonful (red circle) matches the pot’s true seasoning level regardless of where it’s taken. Right: unstirred, with seasoning settled near the bottom - a spoonful taken near the surface badly underestimates the true level.

왼쪽처럼 잘 저은 국은 숟가락을 어디서 뜨든 양념 입자(빨간 점)의 비율이 거의 같다. 오른쪽처럼 젓지 않은 국은 표면 근처에서 뜬 숟가락이 바닥에 가라앉은 양념을 전혀 담지 못한다. 숟가락의 크기는 똑같은데, 표본을 뜨는 방법이 결과를 완전히 바꿔놓는다.

100번 떠보면 알 수 있다

이 차이를 숫자로 확인해보자. 잘 저은 국과 젓지 않은 국에서 각각 100번씩 숟가락을 떠서 양념 비율을 재는 것을 시뮬레이션하면, 결과가 얼마나 다르게 흔들리는지 알 수 있다.

100 simulated spoonfuls from each pot, measuring the share of seasoning particles each time. From the well-stirred pot, every spoonful’s reading clusters tightly around the true 15% level. From the unstirred pot, readings swing wildly depending on whether the spoon happened to dip low - sometimes reading near 0%, sometimes near 50%.

잘 저은 국에서 뜬 숟가락은 매번 15% 안팎으로 안정적인 값을 준다. 젓지 않은 국에서 뜬 숟가락은 0%에 가까울 때도, 45%에 가까울 때도 있다 — 같은 냄비, 같은 크기의 숟가락인데도 말이다.

이 비유가 통계학에서 뜻하는 것

여기서 “잘 젓는다”는 것이 바로 무작위 추출(random sampling)에 해당한다. 모집단의 모든 구성원이 표본에 뽑힐 기회를 비슷하게 가질 때, 비로소 작은 표본으로도 전체를 대표할 수 있다. 반대로 “젓지 않은 국”은 편향된 표본(biased sample)을 비유한다 — 특정 집단(바닥에 가라앉은 건더기)이 표본에 뽑힐 기회가 다른 집단과 다를 때 생기는 문제다. 이번 주 나머지 글들은 이 비유를 실제 숫자와 현실의 사례로 풀어나간다.

표본조사를 이해하는 첫걸음
  1. “잘 저었는가”부터 물어라. 표본이 모집단에서 고르게 뽑혔는지가 크기보다 먼저다.
  2. 숟가락의 크기(표본 크기)와 뜨는 방법(추출 방법)을 구분하라. 둘은 서로 다른 문제다.
  3. 여러 번 떠서 비교해보라. 한 번의 결과가 아니라 여러 번의 결과가 얼마나 흔들리는지 보면 신뢰도를 가늠할 수 있다.
  4. “어디서 떴는가”를 항상 의심하라. 조사 대상이 어떻게 뽑혔는지 모르면 숫자를 믿기 어렵다.

더 깊이: 확률표본의 정의

강의노트 〈수리통계학 4. 표본분포 — 확률표본 정의〉는 확률표본을 모집단에서 각 구성원이 알려진 확률로 추출되는 표본으로 정의한다. “국을 잘 젓는다”는 비유는 바로 이 정의, 곧 모집단의 모든 원소가 표본에 뽑힐 기회를 동등하게(또는 알려진 방식으로) 갖도록 만드는 과정을 눈으로 보여주는 것이다.

SDV 관점: 표본을 뜨는 방법을 명시하지 않은 데이터는 가치가 없다

표본조사의 기본 비유를 이해하는 일은 요약과 추론(1~2단계)의 출발점이며, SDV(통계적 데이터 가치화) 관점에서는 모든 데이터 수집의 전제조건이다. 고객 설문, 품질 검사, 여론조사 어디에서든 “몇 명을 조사했는가”보다 먼저 “어떻게 뽑았는가”를 밝혀야 한다. 표본을 어떻게 저었는지 모르는 숫자는, 아무리 커도 신뢰할 수 없는 국 한 숟가락과 같다. 데이터에 가치를 더하는 첫걸음은 추출 방법을 투명하게 밝히는 것이다. (SDV(데이터 가치화))

결론: 숟가락보다 중요한 것은 젓는 방법이다

나는 학생들에게 표본조사를 설명할 때 이 국 한 숟가락 이야기로 시작한다. 전 국민을 다 조사하지 않아도 되는 이유는, 세상이 대체로 “잘 저어져 있기” 때문이거나, 우리가 “잘 젓는 방법”을 알고 있기 때문이다. 이번 주 나머지 글들에서, 그 “젓는 방법”이 구체적으로 무엇을 뜻하는지 하나씩 풀어본다.

참고 자료
  • 국 한 숟가락 비유와 시뮬레이션 수치는 표본조사의 원리를 설명하기 위한 가상의 예시다.
권세혁 교수의 통계책방 사이트 소개 슬라이드 (클릭하면 크게 보기)
사이트 소개 슬라이드 확대
 
 

방문자 수 since 2026.08.08