요약 미리보기
통계, 어렵지 않아요: 친절한 여정
안녕하세요! 혹시 Henry Elicker Klugh의 'Statistics'라는 책을 집어 들으셨나요? 1986년에 Routledge에서 출간된 이 책은 단순한 전공 서적과는 달라요. 마치 숫자의 세계, 데이터의 바다를 헤쳐나가는 친절한 길잡이 같은 느낌이죠. Klugh의 목표는 아마도 통계를 덜 위협적이고 더 쉽게 다가갈 수 있도록 만드는 것이었을 거예요. 우리가 세상을 이해하는 데 사용하는 도구, 즉 일상적인 관찰부터 복잡한 연구에 이르기까지, 이 모든 것을 어떻게 이해할 것인가에 대한 이야기죠. 이 책은 통계학의 기초 지식을 탄탄하게 쌓을 수 있도록 돕는 것을 목표로 합니다. 단순히 공식을 외우는 것을 넘어, 그 뒤에 숨겨진 논리를 이해하고, 가장 중요한 것은 그것을 어떻게 적용할 것인지 배우는 거죠. 강의를 듣는 학생이든, 보고서를 해석하려는 직장인이든, 혹은 데이터가 우리 삶을 어떻게 형성하는지 궁금한 일반인이든, Klugh의 작업은 여러분의 든든한 동반자가 되어줄 것입니다. 날것의 숫자를 의미 있는 통찰로 바꾸고, 매일 접하는 정보에 대해 비판적으로 사고하도록 돕는 것이죠. 우리는 이 책이 다룰 내용을 깊이 파고들어, 이해하기 쉬운 조각들로 나누어 살펴볼 거예요. 핵심 아이디어, 실제 적용 사례, 그리고 이 책이 수십 년 전에 쓰였음에도 불구하고 왜 통계학을 이해하는 것이 그 어느 때보다 중요한지를 탐구할 것입니다. 기본적인 원칙은 크게 변하지 않았고, 명확성과 이해에 초점을 맞춘 Klugh의 접근 방식은 시대를 초월합니다. 자, 편안한 자리에 앉아 통계학의 마법을 함께 풀어봅시다!
섹션 1: 왜 통계학에 주목해야 할까? 큰 그림 보기
자, 백만 불짜리 질문부터 시작해 보죠: 통계학에 왜 관심을 가져야 할까요? 솔직히 말해서, 숫자는 좀 무섭게 느껴지지 않나요? 많은 사람들이 '통계학'이라는 단어를 들으면 지루한 강의, 혼란스러운 그래프, 끝없는 계산을 떠올립니다. 하지만 솔직히 말하면, 통계학은 세상을 이해하는 초능력과 같아요. 데이터의 언어이고, 데이터는 어디에나 존재합니다. 한번 생각해 보세요. 매일 우리는 정보의 홍수에 빠집니다. 뉴스에서는 여론 조사 결과, 경제 동향, 과학 연구에 대해 이야기합니다. 광고주들은 데이터를 활용해 우리를 타겟팅합니다. 심지어 좋아하는 스포츠 팀도 통계를 이용해 다음 경기를 계획하죠. 통계학에 대한 기본적인 이해 없이는, 이 정보의 홍수 속에서 눈가리개를 한 채 항해하는 것과 같습니다. 잘못된 정보에 쉽게 현혹되거나, 잘못된 추론에 기반한 결정을 내리거나, 혹은 실제로 무슨 일이 일어나고 있는지 이해하는 기회를 놓칠 수도 있습니다. Klugh의 책은 아마도 통계학이 단순히 수학자나 과학자만을 위한 것이 아니라는 점을 강조할 것입니다. 이것은 모든 사람에게 필수적인 기술입니다. 통계학은 여러분이 다음과 같은 일을 할 수 있도록 돕습니다: 더 나은 의사결정: 리뷰를 바탕으로 어떤 제품을 구매할지 결정하든, 의학적 치료와 관련된 위험을 이해하든, 개인 재정을 계획하든, 통계학은 증거를 평가하고 더 정보에 입각한 선택을 할 수 있는 도구를 제공합니다. 직감을 넘어 데이터에 의존하는 법을 배웁니다. 주변 세상 이해하기: 통계학은 사회적 추세, 경제 변동, 심지어 단순한 설문 조사 결과 속의 패턴을 해독하는 데 도움이 됩니다. 원시 숫자만으로는 보여줄 수 없는 큰 그림을 이해하며, 숲을 보고 나무를 보는 능력을 갖게 됩니다. 비판적으로 사고하기: 이것은 매우 중요한 부분입니다. 통계학은 데이터에 의문을 제기하도록 가르칩니다. 어디서 왔을까? 어떻게 수집되었을까? 편향은 없을까? 이러한 비판적 사고는 정보 과부하 시대, 솔직히 말해 잘못된 정보의 시대에 필수적입니다. 여러분은 정보의 더 분별력 있는 소비자가 됩니다. 효과적으로 소통하기: 데이터를 명확하게 제시하고 다른 사람의 데이터를 해석하는 능력은 많은 직업에서 중요합니다. 통계학은 복잡한 아이디어를 간단하고 설득력 있게 설명할 수 있는 어휘와 시각적 도구(차트 및 그래프 등)를 제공합니다. 따라서 여기서 핵심 메시지는 통계학이 선택 사항이 아니라 현대 생활을 탐색하는 데 필수적인 도구라는 것입니다. Klugh의 책은 아마도 이러한 실제 관련성을 보여주고 통계학을 장애물이 아닌 기회로 보도록 힘을 실어주면서 이 주장을 구축하는 것으로 시작할 것입니다. 혼란에서 명확함으로, 추측에서 정보에 입각한 판단으로 나아가는 것에 관한 것입니다. 핵심 메시지: 통계학은 정보에 입각한 의사결정을 내리고, 세상을 이해하며, 데이터가 풍부한 환경에서 비판적으로 사고하는 데 필수적인 도구입니다.
섹션 2: 기초 다지기 - 데이터란 무엇일까?
숫자를 계산하기 전에, 우리가 무엇을 다루고 있는지 이해해야 합니다. Klugh의 책은 당연히 기본적인 정의부터 시작할 것입니다. 데이터란 무엇이며, 어떤 종류가 있을까요? 간단해 보이지만, 이러한 구분을 이해하는 것은 나중에 올바른 통계 방법을 선택하는 데 매우 중요합니다. 데이터는 본질적으로 정보를 의미하며, 일반적으로 질문에 답하거나 현상을 연구하기 위해 수집되는 수치 형태입니다. 하지만 모든 데이터가 똑같이 만들어지는 것은 아닙니다. 그 본질을 이해하기 위해 우리는 종종 데이터를 분류합니다: 질적 (범주형) 데이터: 특성이나 성질을 설명하는 데이터입니다. 숫자로 쉽게 측정하기는 어렵지만 범주화할 수 있는 것들을 생각해보세요. 예를 들어: 명목 데이터: 내재된 순서가 없는 범주입니다. 머리 색깔(금발, 갈색, 검은색), 자동차 종류(세단, SUV, 트럭) 또는 예/아니오 설문 응답 등이 예시입니다. 각 범주에 몇 개가 속하는지 셀 수는 있지만, 순위를 매길 수는 없습니다. 순서 데이터: 자연스러운 순서나 순위가 있지만, 범주 간의 차이가 반드시 같거나 측정 가능한 것은 아닙니다. 고객 만족도 등급(매우 불만족, 불만족, 중립, 만족, 매우 만족)이나 학업 등급(A, B, C, D, F)을 생각해보세요. 'A'가 'B'보다 좋다는 것을 알지만, A와 B 사이의 '거리'가 B와 C 사이의 거리와 같지 않을 수 있습니다. 양적 (수치형) 데이터: 수치적으로 측정할 수 있는 데이터입니다. '통계학'이라는 단어를 들었을 때 대부분의 사람들이 생각하는 것입니다. 구간 데이터: 순서가 중요하고, 값 사이의 차이가 의미 있고 동일한 수치 데이터입니다. 그러나 진정한 절대 0점은 없습니다. 전형적인 예는 섭씨 또는 화씨 온도입니다. 0°C는 '온도가 없음'을 의미하지 않으며, 10°C와 20°C의 차이는 30°C와 40°C의 차이와 같습니다. 이러한 값을 의미 있게 더하고 뺄 수 있습니다. 비율 데이터: 이것은 가장 '완전한' 유형의 수치 데이터입니다. 구간 데이터의 모든 속성(순서, 동일한 간격)을 가지며, 추가로 의미 있고 진정한 0점을 가집니다. 이 0점은 측정되는 양의 부재를 의미합니다. 키, 몸무게, 나이, 소득 또는 판매된 항목 수 등이 예시입니다. 어떤 사람이 0달러를 가지고 있다면, 실제로 돈이 없는 것입니다. 또한 키가 1미터인 사람보다 키가 2미터인 사람이 두 배 더 크다고 말할 수 있습니다. 비율이 의미 있습니다. 이것이 왜 중요할까요? 가지고 있는 데이터 유형에 따라 수행할 수 있는 통계 분석의 종류가 결정되기 때문입니다. 머리 색깔의 평균을 계산하지는 않을 것입니다. (가장 흔한 색깔을 찾을 수는 있지만요.) 범주형 데이터와 수치형 데이터에 대해 다른 도구를 사용합니다. Klugh는 이를 명확하게 하기 위해 많은 예시와 함께 이러한 정의를 안내할 것입니다. 아마 변수에 대해서도 언급할 것입니다. 변수는 변하거나 변할 수 있는 특성이나 속성일 뿐입니다. 데이터에서 키는 변수이고, 만족도 등급은 변수 등입니다. 변수를 이해하는 것은 우리가 무엇을 측정하고 있는지, 그리고 그것이 우리가 측정하는 다른 것들과 어떻게 관련되는지를 파악하는 데 도움이 됩니다. 따라서 여기서 얻을 수 있는 결론은 데이터가 원료이고, 질적 및 양적, 명목, 순서, 구간, 비율 등 다양한 형태를 이해하는 것이 모든 통계 분석의 첫 번째 중요한 단계라는 것입니다. 글쓰기 전에 알파벳을 배우는 것과 같습니다. 핵심 메시지: 데이터 유형(질적 대 양적, 그리고 그 하위 유형)을 구별하는 것은 적절한 통계 방법을 선택하는 데 기본이 됩니다.
섹션 3: 뒤죽박죽 데이터 정리하기 - 기술 통계
좋아요, 이제 데이터가 생겼습니다. 거대한 스프레드시트일 수도 있고, 설문 조사 결과 묶음일 수도 있고, 실험에서 얻은 측정값일 수도 있습니다. 아마 좀 뒤죽박죽이겠죠? 여기서 기술 통계(Descriptive Statistics)가 등장합니다. 데이터를 요약하고 정리하여 개별 숫자에 묻히지 않고 데이터가 말하려는 주요 이야기를 파악할 수 있도록 하는 예술이라고 생각하세요. Klugh는 이것이 아마도 책의 상당 부분을 차지할 것이라고 예상합니다. 기술 통계는 다음과 같은 기본적인 질문에 답하는 데 도움이 됩니다: 일반적인 값은 무엇인가? 값은 얼마나 퍼져 있는가? 데이터의 전반적인 모양은 어떤가? 주요 도구들을 살펴봅시다: 1. 중심 경향의 척도: 이들은 데이터의 '중심' 또는 일반적인 값을 알려줍니다. 평균 (Mean): 아마도 가장 흔한 것일 겁니다. 모든 값을 더하고 값의 개수로 나눕니다. 수치 데이터에는 좋지만, 극단값(이상치)에 의해 쉽게 왜곡될 수 있습니다. 회사 평균 급여를 계산하는 것을 상상해보세요. 억만장자 CEO 한 명이 다른 모든 사람들에게 평균 급여를 엄청나게 높게 보이게 할 수 있습니다. 중앙값 (Median): 모든 데이터 포인트를 순서대로 배열했을 때의 중간값입니다. 데이터 포인트 수가 짝수이면 두 중간값의 평균입니다. 중앙값은 평균보다 이상치의 영향을 훨씬 덜 받으므로, 왜곡된 데이터의 일반적인 값을 측정하는 데 더 나은 척도입니다. 예를 들어, 동네의 평균 주택 가격보다 중앙 주택 가격이 일반적인 가격을 나타내는 데 더 나은 지표인 경우가 많습니다. 최빈값 (Mode): 단순히 데이터 세트에서 가장 자주 나타나는 값입니다. 범주형 데이터(머리 색깔 등)에도 사용할 수 있는 유일한 중심 경향 척도입니다. 데이터 세트는 하나의 최빈값(단봉), 두 개의 최빈값(이봉) 또는 그 이상을 가질 수 있습니다. 2. 변산성 (분산)의 척도: 이들은 데이터가 얼마나 퍼져 있는지 또는 얼마나 밀집되어 있는지를 알려줍니다. 범위 (Range): 가장 간단한 척도입니다. 가장 높은 값과 가장 낮은 값의 차이일 뿐입니다. 계산하기 쉽지만, 두 개의 데이터 포인트만 사용하며 그 사이의 퍼짐에 대해서는 아무것도 알려주지 않습니다. 분산 (Variance): 각 데이터 포인트가 평균으로부터 얼마나 떨어져 있는지를 평균적으로 측정합니다. 평균으로부터의 차이를 제곱하고, 합산하고, 데이터 포인트 수(또는 표본의 경우 n-1)로 나누어 계산합니다. 제곱하면 모든 값이 양수가 되고 더 큰 편차를 강조합니다. 표준 편차 (Standard Deviation): 분산의 제곱근입니다. 데이터의 원래 단위로 퍼짐의 척도를 되돌리기 때문에 매우 유용합니다. 작은 표준 편차는 데이터 포인트가 평균 주위에 tightly clustered 되어 있음을 의미하는 반면, 큰 표준 편차는 더 넓은 범위에 걸쳐 퍼져 있음을 나타냅니다. 3. 데이터 시각화: 숫자는 좋지만, 때로는 그림이 천 마디 말보다 가치가 있습니다. 히스토그램: 수치 데이터의 빈도 분포를 보여주는 막대 차트입니다. 막대는 값의 범위(구간)를 나타내고, 막대의 높이는 해당 범위에 속하는 데이터 포인트 수를 보여줍니다. 데이터의 모양, 중심, 퍼짐에 대한 훌륭한 시각적 감각을 제공합니다. 막대 차트: 범주형 데이터에 사용되며, 각 범주의 빈도 또는 비율을 보여줍니다. 파이 차트: 범주형 데이터의 전체 비율을 보여주는 또 다른 방법입니다. 카테고리가 몇 개 없을 때 사용하는 것이 좋습니다. 상자 그림 (Box Plot): 다섯 가지 요약(최소값, 1사분위수, 중앙값, 3사분위수, 최대값)을 시각화하고 잠재적 이상치를 식별하는 데 탁월합니다. 특히 다른 그룹의 분포를 비교하는 데 유용합니다. Klugh는 이러한 측정값을 계산하는 방법(간단한 계산기나 손으로 직접 계산하는 예시 포함)과, 더 중요하게는 그것들을 해석하는 방법을 설명할 것입니다. 기술 통계학을 이해하는 것은 데이터의 느낌을 파악하고, 주요 특성을 식별하며, 더 복잡한 분석에 뛰어들기 전에 잠재적인 특이 사항을 발견하는 것과 같습니다. 뒤죽박죽인 숫자들을 이해할 수 있는 요약으로 바꾸는 것에 관한 것입니다. 핵심 메시지: 기술 통계는 데이터 세트의 주요 특징을 요약하고 이해하는 데 필수적인 도구(중심 경향, 변산성, 시각화 척도)를 제공합니다.
섹션 4: 확률의 춤 - 확률 소개
좋아요, 이제 방향을 좀 바꿔봅시다. 지금까지는 우리가 가진 데이터를 설명하는 것에 대해 이야기했습니다. 하지만 미래는 어떨까요? 아직 일어나지 않은 사건에 대해서는요? 여기서 확률(Probability)이 등장합니다. 불확실성의 수학적 언어이며, 통계학의 근본입니다. Klugh의 책이 1986년 것이더라도, 확률의 개념은 시대를 초월합니다. 그것은 무언가가 일어날 가능성을 정량화하는 것에 관한 것입니다. 생각해 보세요: 동전을 던질 때, 앞면이나 뒷면이 나올 가능성이 높다는 것을 알지만 100% 확신할 수는 없습니다. 확률은 그 '기회'를 표현하는 방법을 제공합니다. Klugh는 아마 몇 가지 핵심 아이디어를 통해 확률을 소개할 것입니다: 사건 (Event): 사건은 무작위 실험의 결과 또는 결과 집합일 뿐입니다 (예: 동전 던지기, 주사위 굴리기, 카드 뽑기). 표본 공간 (Sample Space): 이것은 실험의 모든 가능한 결과의 모음입니다. 동전 던지기의 경우 표본 공간은 {앞면, 뒷면}입니다. 표준 6면체 주사위를 굴리는 경우 {1, 2, 3, 4, 5, 6}입니다. 사건의 확률: 이것은 사건이 발생할 가능성을 나타내는 0과 1 사이(또는 0%와 100% 사이)의 숫자입니다. 확률이 0이면 사건이 불가능하고, 확률이 1이면 사건이 확실합니다. 확률을 어떻게 계산할까요? 고전적 확률: 모든 결과가 동등하게 가능할 때 적용됩니다. 다음과 같이 계산합니다: P(사건) = (유리한 결과의 수) / (총 가능한 결과의 수) 예를 들어, 공정한 주사위에서 4가 나올 확률은 1(유리한 결과: 4가 나오는 것) 나누기 6(총 가능한 결과: 1, 2, 3, 4, 5, 6)이므로, P(4가 나올 확률) = 1/6입니다. 경험적 (또는 상대 빈도) 확률: 과거 실험 또는 관찰에서 얻은 데이터에 기반합니다. 다음과 같이 계산합니다: P(사건) = (사건이 발생한 횟수) / (총 관찰 횟수) 이것이 현실에서 일어나는 일입니다. 특정 항공사가 100편의 비행 중 5편의 지연이 있었다면, 지연의 경험적 확률은 5/100 = 0.05입니다. 주관적 확률: 개인적인 믿음, 경험 또는 직관에 기반합니다. 덜 수학적이며 교육받은 추측에 가깝습니다. 예를 들어, 코치는 팀이 다음 경기에서 이길 확률이 70%라고 말할 수 있습니다. Klugh는 통계적 추론의 기초를 형성하기 때문에 고전적 및 경험적 접근 방식에 중점을 둘 것입니다. 또한 다음과 같은 내용을 소개할 수 있습니다: 기본 확률 규칙: 사건 A 또는 사건 B가 발생할 확률(덧셈 규칙), 그리고 사건 A 그리고 사건 B가 발생할 확률(곱셈 규칙)과 같습니다. 이러한 규칙은 사건이 종속적인지(하나의 결과가 다른 것에 영향을 미침) 독립적인지에 따라 더 복잡해집니다. 여사건: 사건이 발생할 확률과 발생하지 않을 확률을 더하면 항상 1이 됩니다. 따라서 P(A가 아님) = 1 - P(A)입니다. 확률을 이해하는 것은 우리가 이미 일어난 일을 단순히 설명하는 것에서 일어날 수도 있는 일에 대한 교육받은 추측을 하는 것으로 나아갈 수 있게 해주기 때문에 중요합니다. 그것은 기술 통계와 추론 통계 사이의 다리를 놓습니다. 위험을 이해하고, 예측하고, 결과에 대한 확신을 정량화하는 데 도움이 됩니다. 이 책이 오래되었더라도, 확률 개념에 대한 설명은 기회의 기본을 이해하려는 모든 사람에게 여전히 매우 관련성이 높을 것입니다. 핵심 메시지: 확률은 불확실성을 정량화하고 다양한 결과의 가능성을 이해하는 틀을 제공하며, 통계적 추론으로 가는 다리를 형성합니다.
섹션 5: 표본에서 모집단으로 - 추론 통계의 시작
여기서 일이 정말 흥미로워지고 – 그리고 아마도 일부 사람들에게는 약간 위협적으로 느껴질 수도 있습니다. 지금까지는 데이터를 설명하고 기회를 이해하는 것에 대해 이야기했습니다. 이제 대부분의 통계 분석의 핵심 목적을 다루어 봅시다: 추론 통계(Inferential Statistics). 기본 아이디어는 다음과 같습니다: 여러분이 관심을 가진 모든 사람 또는 모든 것(전체 모집단)에 대한 데이터를 수집하는 것은 보통 불가능하거나 비실용적입니다. 그래서 여러분은 작고 관리하기 쉬운 그룹( 표본)에서 데이터를 수집하고, 그 표본 데이터를 사용하여 전체 모집단에 대해 교육받은 추측이나 추론을 합니다. 수백만 명의 투표 의사를 알고 싶어하는 여론 조사원을 생각해 보세요. 그들은 모든 사람에게 물어볼 수 없습니다. 대신, 신중하게 선택된 몇 천 명(표본)을 조사하고 통계적 방법을 사용하여 전체 모집단의 선호도를 추정합니다. 그 추정치의 품질은 표본이 모집단을 얼마나 잘 대표하는지와 사용된 통계 기법에 크게 좌우됩니다. 1986년 Klugh의 책은 이 과정을 뒷받침하는 핵심 개념을 소개할 것입니다: 모집단 대 표본: 이것은 근본적인 구분입니다. 모집단은 여러분이 무언가를 알고 싶어하는 전체 그룹입니다 (예: 한 국가의 모든 성인, 한 공장에서 생산된 모든 전구). 표본은 실제로 데이터를 수집하는 모집단의 부분 집합입니다 (예: 무작위로 선택된 성인 1000명, 테스트된 전구 50개). 무작위 표본 추출: 유효한 추론을 하려면 표본이 모집단을 대표해야 합니다. 이를 달성하는 가장 좋은 방법은 무작위 표본 추출인데, 여기서 모집단의 모든 구성원이 선택될 동등한 기회를 갖습니다. 이것은 편향을 최소화하는 데 도움이 됩니다. 모수 대 통계량: 모수(Parameter)는 모집단의 수치적 특성입니다 (예: 모든 성인 남성의 실제 평균 키). 통계량(Statistic)은 표본의 수치적 특성입니다 (예: 연구에 참여한 100명의 평균 키). 표본 통계량을 사용하여 모집단 모수를 추정합니다. 추론 통계의 핵심 도구: Klugh는 기초적인 기술들을 다룰 것입니다: 추정: 표본 통계량을 사용하여 모집단 모수를 추정하는 것을 포함합니다. 두 가지 주요 유형이 있습니다: 점 추정: 모수에 대한 최상의 추측으로 단일 숫자를 제공합니다 (예: 표본 평균은 모집단 평균에 대한 우리의 점 추정치입니다). 구간 추정 (신뢰 구간): 모집단 모수가 있을 가능성이 있는 값의 범위와 신뢰 수준을 함께 제공합니다 (예: '성인 남성의 실제 평균 키가 170cm에서 175cm 사이일 것으로 95% 확신합니다'). 이것은 불확실성을 인정하기 때문에 점 추정치보다 훨씬 더 유익합니다. 가설 검정: 표본 데이터를 기반으로 모집단 모수에 대한 결정을 내리는 공식적인 절차입니다. 가설(모집단에 대한 주장, 귀무가설이라고 함)로 시작하고 표본 데이터를 사용하여 해당 가설을 기각할 충분한 증거가 있는지 결정합니다. 예를 들어, 새로운 약이 위약에 비해 효과가 없다는 가설을 검정할 수 있습니다. 테스트 결과는 관찰된 차이가 통계적으로 유의미한지(우연히 발생했을 가능성이 낮은지) 또는 그렇지 않은지를 알려줍니다. 중심 극한 정리 (Central Limit Theorem, CLT): Klugh의 설명이 현대적 처리보다 덜 복잡하더라도, 이것은 추론 통계의 초석입니다. CLT는 본질적으로 충분히 큰 무작위 표본을 어떤 모집단(원래 분포와 상관없이)에서 추출하면, 표본 평균의 분포가 정규 분포(종 모양)를 따르는 경향이 있다는 것을 말합니다. 모집단의 원래 모양에 대해 아무것도 모르는 경우에도 정규 분포의 속성을 사용하여 추론할 수 있게 해주므로 이는 매우 강력합니다. 추론 통계는 우리가 특정 연구에서 더 넓은 결론으로 일반화할 수 있게 해줍니다. 그것은 과학 연구, 시장 분석 및 오늘날 우리가 보는 많은 데이터 기반 의사결정의 원동력입니다. Klugh의 책은 이러한 강력한 기술을 신비롭게 풀고, 어떻게 작동하는지, 그리고 결과를 어떻게 신중하고 올바르게 해석할지를 보여주는 것을 목표로 할 것입니다. 핵심 메시지: 추론 통계는 표본 데이터를 사용하여 더 큰 모집단에 대한 결론을 도출하며, 추정 및 가설 검정과 같은 기술을 사용하고, 종종 중심 극한 정리에 의존합니다.
