T - test 개념

💡

1. T 검정의 기본 아이디어

T 검정(T-test)은 모집단의 평균에 대한 가설 검정을 수행할 때 주로 사용되는 통계 기법입니다. 표본 크기가 크지 않고(일반적으로 30개 미만) 모수(모집단 표준편차 등)를 알 수 없을 때 활용됩니다. 정규분포를 가정하므로, 표본이 정규분포를 따른다는 전제 혹은 표본 크기가 충분히 커서 중심극한정리에 따라 표본평균이 정규분포에 가까워진다는 전제가 필요합니다.

1.1 T 검정의 정의

T 검정(Student’s t-test)은 표본 크기가 작고(n<30) 모집단의 표준편차(분산)를 모를 때, 표본으로부터 추정한 표준편차를 사용하여 모평균에 대한 가설을 검정하는 통계적 기법입니다.
검정 통계량이 T 분포(Student’s t-distribution)를 따른다는 점이 특징이며,
일반적으로 “표본이 정규분포를 따른다”라는 가정 또는 “표본 크기가 충분히 커서 중심극한정리에 의해 표본평균이 정규분포에 근접한다”라는 가정이 필요합니다. T 검정은 “모집단 평균이 특정 값(또는 두 모집단의 평균이 서로 같다)“이라는 귀무가설(Null hypothesis)을 설정하고, 표본으로부터 구한 통계량(표본평균 등)을 활용해 이 가설이 얼마나 타당한지를 평가합니다. 평가에는 T 분포(스튜던트의 t 분포, Student’s t-distribution)가 사용됩니다.

💡 정규분포와 t - 분포 관계

💡 잠깐! Z 검정과의 차이점

Z 검정은 모집단 표준편차( $\sigma$ )를 알고 있거나, 표본 크기가 충분히 커서 표준편차 추정치가 안정적일 때 정규분포(Z 분포)를 사용합니다. 반면 T 검정은 모집단 표준편차를 모르고, 표본 표준편차( $s$ )로 모집단 표준편차를 추정해야 할 때 사용되며 그때 T 분포를 사용합니다

2. T 분포(Student’s t-distribution)

T 분포는 정규분포와 유사한 연속확률분포이지만, 표본 크기가 작을 때 표본 표준편차로부터 모집단 표준편차를 추정하기 때문에 양 꼬리가 좀 더 두텁게(분산이 좀 더 큼) 나타납니다. T 분포는 자유도( $df$ )에 따라 그 모양이 달라지며, 자유도가 클수록 점차 정규분포와 유사해집니다. 자유도( $df$ )는 단일 표본일 경우,

보통 $n-1$ (표본 크기 $n$ ),
두 표본 독립 $t$ 검정의 경우 일반적으로 $(n_1 + n_2 - 2)$ 와 같이 계산됩니다 (등분산 가정 시)

3. T 검정의 종류

(1) 단일 표본 t 검정(One-sample t-test)

목적: 어떤 모집단의 평균이 특정 값(예: $\mu_0$ )과 차이가 있는지 확인 예시 가설
검정 통계량

t = \frac{\bar{X} - \mu_0}{s / \sqrt{n}}

여기서 $\bar{X}$ 는 표본평균, $s$ 는 표본표준편차, $n$ 은 표본크기입니다.

(2) 독립 표본 t 검정(Independent two-sample t-test)

목적: 서로 독립된 두 집단(예: A 집단, B 집단)의 평균이 동일한지 비교
예시 가설
- 귀무가설( $H_0$ ) : $\mu_A = \mu_B$
- 대립가설( $H_1$ ): $\mu_A \neq \mu_B$ (양측 검정 기준)
검정 통계량 (등분산을 가정하는 경우)

t = \frac{\bar{X}_A - \bar{X}_B}{\sqrt{\frac{(n_A-1)s_A^2 + (n_B-1)s_B^2}{n_A + n_B - 2} \times \left(\frac{1}{n_A} + \frac{1}{n_B}\right)}}

$\bar{X}_A, \bar{X}_B$ : 각 표본평균
$s_A^2, s_B^2$ : 각 표본분산
$n_A, n_B$ : 각 표본크기 만약 두 집단의 분산이 다르다고 판단될 경우(등분산 가정이 어렵다면) ‘웰치의 t 검정(Welch’s t-test)’ 공식을 사용합니다.

(3) 대응 표본 t 검정(Paired t-test)

목적: 같은 집단에서 실험 전후(또는 쌍으로 묶인 데이터)와 같이 종속적인 두 상황에서 얻은 평균 비교
예시 가설
- 귀무가설( $H_0$ ): 두 시점(혹은 쌍) 간 평균 차이가 0이다.
- 대립가설( $H_1$ ): 두 시점 간 평균 차이가 0이 아니다.
검정 통계량 각 짝(pair)에서 차이를 구한 후, 그 차이값( $D$ )을 하나의 표본으로 보고 단일 표본 t 검정을 수행합니다.

t = \frac{\bar{D} - 0}{s_D / \sqrt{n}}

$\bar{D}$ : 차이값의 표본평균
$s_D$ : 차이값의 표본표준편차
$n$ : 쌍(pair)의 수

4. 가정(Assumptions)과 주의사항

정규성(Normality):

각 그룹(혹은 차이값)이 정규분포를 따른다고 가정합니다.
표본 크기가 30 이상이면 중심극한정리에 의해 정규성 가정이 대체로 완화될 수 있지만, 표본 수가 작다면 정규성 검정(Shapiro–Wilk 테스트 등)을 먼저 수행하는 것이 좋습니다.

독립성(Independence):

독립 표본 t 검정에서는 두 표본이 서로 독립적이어야 합니다.
대응 표본 t 검정에서는 각각의 쌍(pair)은 독립적이나, 같은 쌍 내의 데이터는 서로 종속적이라는 구조를 가집니다.

등분산성(Equal Variances) (독립 표본 t 검정 시):

두 집단의 분산이 동일하다고 가정(등분산 가정)이 필요합니다.
등분산이 만족되지 않는 경우, 웰치의 t 검정을 사용합니다.

표본 크기(Sample size):

표본 크기가 작을 때 t 검정을 사용하며, 표본 크기가 커지면 Z 검정(또는 일반적인 방법)으로 접근할 수도 있습니다.

5. T 검정의 해석

유의확률(p-value)와 유의수준()

$t$ 검정 통계량 로부터 p-value를 계산하고, 사전에 설정한 $\alpha$ ** **(예: 0.05)와 비교합니다.
$p \le \alpha$ 이면 귀무가설을 기각(모집단 평균에 차이가 있다, 두 그룹 평균이 다르다 등)하고,
$p > \alpha$ 이면 귀무가설을 채택(통계적으로 유의한 차이를 발견하지 못했다)합니다.

신뢰구간(Confidence Interval)

차이의 크기와 방향을 더 풍부하게 해석하기 위해 신뢰구간을 확인합니다.
예: 두 집단의 평균 차이에 대한 95% 신뢰구간이 0을 포함하지 않으면, 두 집단 평균이 유의하게 다르다고 볼 수 있습니다.

6. 요약

T 검정은 “모집단 표준편차를 모를 때, 표본 표준편차를 통해 모집단 평균에 대한 가설 검정을 수행” 하는 기본 통계 방법입니다.
데이터 특성(독립/대응 여부, 등분산 여부)에 따라 단일 표본 t 검정, 독립 표본 t 검정, 대응 표본 t 검정 등으로 나뉩니다.
통계분석에서 비교적 간단하면서도 널리 사용되는 방법이지만, 정규성·독립성·등분산성 등의 가정을 만족하는지 여부를 철저히 확인해야 합니다.
결과 해석 시, p-value와 신뢰구간을 함께 고려하여 판단하는 것이 좋습니다.

아래는 기존 교안의 각 섹션별로 조금 더 풍부한 설명과 실제 적용 시 팁을 보강한 내용입니다. 본문에 표나 예시, 추가 고려사항을 더해 보았습니다.

T 검정(T-test) 교안 (보충판)

1. 개요

1.2 사용 조건

표본이 정규분포를 따른다고 볼 수 있어야 함

표본 크기가 30 미만일 경우 정규성 가정을 더 엄격히 확인합니다(Shapiro-Wilk 등).
표본 크기가 큰 경우(30 이상)는 중심극한정리에 의해 정규성 가정이 완화될 수 있습니다.

모집단 표준편차를 모를 때

T 검정은 표본 표준편차 로 모집단 표준편차를 추정합니다. ss

(독립 표본 T 검정의 경우) 서로 다른 집단이 독립적이어야 함

독립 표본 t 검정에서는 두 집단 간에 어떠한 연관도 없어야 합니다.

1.3 Z 검정과의 차이점

구분	T 검정	Z 검정
사용 조건	모집단 표준편차 미지, 표본 표준편차 사용	모집단 표준편차(σ) 기지(알고 있음) 또는 표본 크기가 매우 커서 s≈σ 추정 정확
분포	T 분포 (자유도 df에 의존)	정규분포(Z 분포)
표본 크기	작은 표본(n<30)에서 주로 사용 (단, n≥30이라도 σ 미지이면 T 검정 사용 가능)	큰 표본(n≥30)에서 주로 사용, σ 기지 상태이면 n 크기에 무관히 Z 검정 가능

실제로는 ‘모집단 표준편차를 알고 있는 경우’가 현실에서는 드물기 때문에, 실무에서는 T 검정을 더 자주 사용하게 됩니다.
다만, 표본 수가 매우 크면(수백~수천 건 이상) Z 검정이나 T 검정이나 결과가 거의 비슷해집니다.

2. T 분포의 이해

2.1 특징

종 모양의 대칭분포(좌우대칭)
정규분포보다 꼬리가 두껍다(heavy-tailed)

이는 작은 표본에서 모집단 표준편차를 모르기 때문에, 추정 시 불확실성이 증가하여 분산이 더 커지는 효과 때문입니다.

자유도(df)가 커질수록 정규분포에 근접

df가 무한대로 갈 때, T 분포는 표준정규분포(Z 분포)에 점차 가까워집니다.

2.2 자유도(df) 계산

단일 표본 T 검정: df = n−1n - 1
독립 표본 T 검정(등분산 가정 시): df = n1+n2−2n_1 + n_2 - 2
대응 표본 T 검정: df = (여기서 은 쌍(pair)의 수) n−1n - 1 nn

Tip:

3. T 검정의 유형

3.1 단일 표본 T 검정 (One-Sample t-test)

목적

“한 집단의 평균이 특정 이론값(혹은 기준값)과 다른지”를 검정 예시
새로 개발된 기계로 생산된 제품의 평균 무게가 ‘100g’인지 확인
학생들의 시험 점수 평균이 ‘70점’인지 확인 검정 통계량 t=Xˉ−μ0s/nt = \frac{\bar{X} - \mu_0}{s / \sqrt{n}}
Xˉ\bar{X}: 표본 평균
μ0\mu_0: 귀무가설에서의 모평균(기준값)
ss: 표본 표준편차
nn: 표본 크기

실무 팁:

3.2 독립 표본 T 검정 (Independent Two-Sample t-test)

목적

서로 독립된 두 집단의 평균이 동일한지, 혹은 차이가 있는지 검정 예시
남녀 집단 간 시험 점수 차이
신약(A) 그룹과 위약(placebo) 그룹 간 혈압 감소량 비교 검정 통계량 (등분산 가정 시) t=Xˉ1−Xˉ2sp2(1n1+1n2)t = \frac{\bar{X}_1 - \bar{X}_2}{\sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}
Xˉ1,Xˉ2\bar{X}_1, \bar{X}_2: 각 집단의 표본 평균
n1,n2n_1, n_2: 각 집단의 표본 크기
sp2s_p^2: 통합 표본분산(pooled variance) sp2=(n1−1)s12+(n2−1)s22n1+n2−2s_p^2 = \frac{(n_1 - 1)s_1^2 + (n_2 - 1)s_2^2}{n_1 + n_2 - 2} 등분산 가정 위배 시 (Welch’s t-test)
집단 간 분산이 동일하지 않을 때
scipy.stats.ttest_ind(..., equal_var=False) 형태로 사용 가능

실무 팁:

3.3 대응 표본 T 검정 (Paired t-test)

목적

같은 집단을 시간차(사전-사후)나 조건차(복용 전-복용 후)로 측정했을 때 평균의 변화(차이)를 검정
동일한 개체(피험자)에서 두 번 측정 → 서로 종속적인 표본 예시
다이어트 약 복용 전·후 몸무게 비교
동일한 학생의 시험 점수(1학기 vs 2학기) 검정 통계량 t=DˉsD/nt = \frac{\bar{D}}{s_D / \sqrt{n}}
Dˉ\bar{D}: (두 관측값의) 차이값들의 표본 평균
sDs_D: 차이값들의 표본 표준편차
nn: 쌍의 수

실무 팁:

4. 검정 절차

가설 설정

귀무가설(): “평균에 차이가 없다” 또는 “평균이 기준값과 같다” H0H_0
대립가설(): “평균에 차이가 있다” 또는 “평균이 기준값과 다르다” H1H_1

유의수준(α) 설정

일반적으로 0.05(5%) 혹은 0.01(1%)를 많이 사용
다중 검정이 있을 경우(여러 번 반복 검사) 보정(Bonferroni, FDR 등) 고려

검정 통계량 계산

단일 표본/독립 표본/대응 표본에 맞는 T 통계량 공식 적용

임계값 또는 p-value 확인

계산된 t값을 t 분포 표를 통해 임계값과 비교하거나,
소프트웨어를 사용해 p-value를 직접 구한 뒤 와 비교 α\alpha
- p<αp < \alpha → 귀무가설 기각 (유의한 차이 존재)
- p≥αp \ge \alpha → 귀무가설 채택 (유의한 차이 없음)

5. 기본 가정 검토

5.1 정규성

Shapiro-Wilk 검정: p-value가 0.05 이상이면 정규성 가정을 채택할 수 있음(엄격한 규칙은 아님).
Q-Q Plot: 정규분포선을 기준으로 점들이 직선 근처에 분포하는지 시각적으로 확인
히스토그램: 대략 종 모양이면 정규분포 가능성↑
표본 크기가 충분히 크면(일반적으로 n≥30~50 이상) 정규성 검정 결과가 크게 중요치 않을 수 있음(중심극한정리).

5.2 독립성

독립 표본 T 검정: 두 집단은 측정 대상이 완전히 달라야 함.
대응 표본 T 검정: 같은 개인(쌍)을 전후(사전-사후, 실험-대조 등)로 본 것이므로, 짝 내에서는 독립이 아님. 짝 간에는 독립.

5.3 등분산성

Levene’s test or F-test 등을 통해 분산이 동일한지 확인
등분산이 아니면 Welch’s t-test 사용(독립 표본 T 검정 시)

6. 결과 해석

6.1 통계적 유의성

p-value < α:
- “귀무가설을 기각”
- 즉, “통계적으로 유의한 차이가 있다”
p-value ≥ α:
- “귀무가설을 채택(또는 기각하지 않음)”
- “통계적으로 유의한 차이를 발견하지 못함”

6.2 신뢰구간

통계적 유의성만 확인하는 것보다는, 신뢰구간(CI)을 함께 제시하면 훨씬 해석이 풍부해짐
예: 95% 신뢰구간 내에 0이 포함되어 있지 않으면 “평균 차이가 유의하게 0이 아니다”라고 봄
실무 보고서/논문에서 평균 차이와 함께 신뢰구간을 제시하면 효과 크기의 추정 범위를 직관적으로 알 수 있음

6.3 효과 크기 (Effect Size)

단순히 “유의하다/아니다” 외에, 차이가 얼마나 큰가를 보려면 효과 크기가 중요
- Cohen’s d: 두 집단 간 평균 차이를 표준편차로 나눈 값
  - d=0.2(작은 효과), 0.5(중간 정도 효과), 0.8(큰 효과) 정도로 해석
- Hedges’ g: 표본 크기가 다른 두 집단 비교 시 보정된 효과 크기
- Glass’ Δ: 대조군 표준편차만 사용하는 효과 크기 지표

7. 실무 적용 시 주의사항

표본 크기의 적절성

표본이 너무 작으면(예: 5~10개) 정규성 가정을 만족하기 어렵고, 검정력이 매우 낮을 수 있음
사전 검정력(파워) 분석을 통해 필요한 표본 크기를 산출하는 방법도 권장

이상치(Outlier) 처리

극단값이 있으면 T 검정 결과에 민감하게 반영될 수 있음
사전에 이상치 진단(IQR, Boxplot, Z-score 등) 후 처리 방침 결정

다중검정(Multiple Testing) 시 α 보정

여러 그룹을 동시에 비교할 경우(예: 그룹 A, B, C, D …) t 검정을 여러 번 하면 1종 오류가 누적
Bonferroni, Holm 등 방법으로 유의수준 보정

검정력(power) 분석

2종 오류(귀무가설이 거짓인데 채택하는 오류)를 줄이기 위해서는 충분한 표본 크기가 필요
실험 설계 단계에서 표본 수, 효과 크기, 유의수준 등을 종합해 파워가 80% 이상 확보되도록 계획

Type I, II 오류 고려

Type I 오류(1종 오류): 참인 귀무가설을 기각 (α만큼 허용)
Type II 오류(2종 오류): 거짓인 귀무가설을 채택 (β로 표현, 1-β=검정력)
연구 목적에 따라 어느 오류를 더 중시할지 고민 필요

8. 연습문제 (간단 예시)

아래는 실제 데이터를 활용하기 전, 학습용으로 간단하게 랜덤 데이터나 예시 데이터를 통해 연습해볼 수 있는 문제들입니다.

단일 표본 T 검정

특정 제품의 표본 무게(10개)가 [50, 52, 49, 51, 48, 52, 50, 51, 49, 50]로 관측되었다고 할 때, 이 제품의 모평균이 50g이라고 주장할 수 있는지(α=0.05) 검정해보라.

독립 표본 T 검정

두 그룹(A, B)의 시험 점수가 다음과 같을 때, 그룹 간 평균 점수 차이가 유의한지 검정하라(α=0.05).
- A: [70, 75, 80, 68, 74, 72, 78, 81]
- B: [65, 70, 66, 64, 71, 68, 70, 69]

대응 표본 T 검정

동일한 8명의 혈압(수축기 혈압)을 약 복용 전/후로 측정했을 때, 평균 혈압이 유의하게 감소했는지 확인해보라(α=0.05).
- 복용 전: [140, 150, 145, 142, 138, 155, 147, 149]
- 복용 후: [135, 146, 140, 139, 136, 150, 141, 144]

(풀이 과정: 가설 설정 → 정규성 확인(가능하다면) → T 검정 통계량 및 p-value 계산 → 의사결정)

9. 참고문헌

Student. (1908). The probable error of a mean. Biometrika, 6(1), 1-25.

“Student”라는 필명으로 William Sealy Gosset이 최초로 t 분포를 소개한 고전 논문

Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28-35.

등분산 가정이 깨지는 경우에 대한 Welch의 t 검정 제안

Montgomery, D. C., & Runger, G. C. (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.

공학 분야에서 많이 참조되는 통계학 교재

연구 논문 및 신뢰구간, 효과 크기 관련 참조:

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

마무리

위 내용을 토대로, T 검정을 적용할 때는 가설 설정→ 가정 확인(정규성, 독립성, 등분산성) → 검정 통계량 계산 → p-value 비교 → 결론 해석 순으로 접근합니다. 단순히 “p < 0.05”와 같은 결과뿐 아니라, 신뢰구간이나 효과 크기를 함께 살피면서 실질적인 의미를 해석하는 것이 중요합니다. 또한, 데이터를 수집하기 전 실험 설계(표본 크기, 무작위 배정, 독립성 확보 등) 단계에서 통계적 고려사항을 충분히 검토해야, 사후 분석에서 오류를 줄이고 결론의 신뢰도를 높일 수 있습니다.