표준편차란? 데이터 분석의 첫걸음

표준편차는 데이터가 평균에서 얼마나 퍼져 있는지를 하나의 숫자로 나타낸 것입니다. 쉽게 말해 "들쭉날쭉한 정도"를 측정하는 도구입니다. 예를 들어, A반 시험 점수가 48, 50, 52점이고 B반이 20, 50, 80점이라면, 두 반의 평균은 같은 50점이지만 B반이 훨씬 들쭉날쭉합니다. 이때 A반의 표준편차는 약 1.6, B반은 약 24.5로, 숫자가 클수록 데이터가 평균에서 멀리 흩어져 있다는 뜻입니다. 반대로 표준편차가 0이면 모든 값이 평균과 똑같다는 의미입니다. 시험 성적, 키, 몸무게, 주가 등 숫자로 된 데이터를 분석할 때 평균만으로는 전체 모습을 알 수 없고, 표준편차를 함께 봐야 데이터의 진짜 특성을 파악할 수 있습니다.

표준편차는 4단계로 계산합니다. 데이터가 2, 4, 4, 4, 5, 5, 7, 9인 경우를 예로 들겠습니다. 1단계 — 평균 구하기: (2+4+4+4+5+5+7+9) ÷ 8 = 5 2단계 — 각 값에서 평균을 빼고 제곱하기: (2-5)²=9, (4-5)²=1, (4-5)²=1, (4-5)²=1, (5-5)²=0, (5-5)²=0, (7-5)²=4, (9-5)²=16 3단계 — 편차 제곱의 평균(분산): (9+1+1+1+0+0+4+16) ÷ 8 = 4 4단계 — 분산에 제곱근 씌우기: √4 = 2 따라서 표준편차는 2입니다. 편차를 제곱하는 이유는 양수·음수가 상쇄되는 것을 막기 위해서입니다. 표본 데이터는 N 대신 N-1로 나누어 보정합니다.

분산과 표준편차는 쌍둥이 같은 관계입니다. 분산은 편차를 제곱한 값의 평균이고, 표준편차는 분산에 제곱근(√)을 씌운 것입니다. 즉, 분산 = 표준편차²이고, 표준편차 = √분산입니다. 왜 분산을 그대로 쓰지 않고 제곱근을 취할까요? 핵심 이유는 단위 때문입니다. 시험 점수(점)의 분산은 단위가 "점²"이 되어 해석하기 어렵습니다. 제곱근을 씌우면 원래 데이터와 같은 "점" 단위로 돌아와 "평균에서 약 몇 점 퍼져 있다"고 바로 해석할 수 있습니다. 예를 들어 분산이 16점²이면 표준편차는 4점으로, "평균에서 대략 4점 벗어나 있다"고 이해할 수 있습니다. 통계 공식에서는 분산이 계산에 편리하고, 해석에서는 표준편차가 직관적이어서 둘 다 사용됩니다.

데이터가 종 모양의 정규분포를 따를 때, 표준편차는 강력한 해석 도구가 됩니다. "68-95-99.7 규칙"이라는 경험 법칙이 있습니다. 평균 ± 1σ(시그마) 범위에 전체 데이터의 약 68%가, ± 2σ에 약 95%, ± 3σ에 약 99.7%가 포함됩니다. 예를 들어 한국 성인 남성 평균 키가 173cm, 표준편차가 6cm라면: 167~179cm(±1σ)에 약 68%, 161~185cm(±2σ)에 약 95%, 155~191cm(±3σ)에 약 99.7%가 해당합니다. 키 191cm 이상이거나 155cm 이하인 사람은 전체의 0.3%, 약 1,000명 중 3명 수준입니다.

표준편차는 다양한 분야에서 핵심 지표로 쓰입니다. 투자 위험 측정: 주식 A의 수익률 표준편차가 5%, B가 20%라면 B는 수익도 크지만 손실 위험도 큽니다. 투자에서 표준편차는 곧 "변동성(위험)"입니다. 품질관리(6시그마): 제조업에서 제품 규격을 표준편차 6배(6σ) 안에 두어 불량률을 100만 개당 3.4개 이하로 줄이는 것이 목표입니다. 시험 성적 분석: 표준편차가 작은 시험은 실력 차이가 적고, 큰 시험은 변별력이 높습니다. 게임 데미지: 무기 데미지 "100 ± 10"은 안정적이고, "100 ± 50"은 한 방이 크게 터지거나 쪽 데미지가 날 수 있습니다.