# 정규분포의 특성으로 옳지 않은 것은?

> source: MyMerci (mymerci.kr)  
> url: https://mymerci.kr/pages/nclex_q.php?qn_id=254971  
> language: ko  
> subject: 보건관리

## 문제

정규분포의 특성으로 옳지 않은 것은?

## 보기

1. 좌우 비대칭 **✔ 정답**
2. 평균을 중심으로 좌우 대칭
3. 평균 = 중앙값 = 최빈값
4. 종 모양의 곡선
5. 평균으로부터 표준편차 1배 이내에 약 68%의 자료 분포

**정답: 1**

## 해설

정규분포는 평균을 중심으로 좌우 대칭인 종 모양의 분포이며, 평균, 중앙값, 최빈값이 일치한다.

## 심화 해설

핵심 해설
이 문제는 정규분포(Normal distribution)의 기본적인 특성을 묻고 있어요. 정규분포는 통계학에서 가장 기본이 되는 확률분포로, 자연 현상이나 보건의료 데이터를 분석할 때 핵심적인 역할을 합니다. 정규분포의 가장 큰 특징은 평균을 중심으로 완벽하게 좌우 대칭을 이룬다는 점이에요. 따라서 '좌우 비대칭'이라는 설명은 옳지 않습니다.

**핵심 개념 분석**: 정규분포(Normal distribution)는 가우스 분포(Gaussian distribution)라고도 불리며, 종 모양 곡선(Bell-shaped curve)의 형태를 가집니다. 이 분포에서는 평균(Mean), 중앙값(Median), 최빈값(Mode)이 모두 동일한 값을 가지며, 곡선의 정중앙에 위치합니다. 보건의료 연구에서 흔히 다루는 중심극한정리(Central Limit Theorem)도 이 정규분포를 기반으로 하고 있어요.

**정답 근거**: 정규분포는 이름 그대로 '정상적인' 분포를 의미하며, 평균을 중심으로 좌우가 완벽히 대칭인 형태입니다. 핵심! 만약 분포가 좌우 비대칭이라면, 즉 한쪽으로 치우쳐 있다면 이는 왜도(Skewness)가 있는 분포로, 정규분포가 아닙니다.

**오답 분석**: 보기 2, 3, 4, 5는 모두 정규분포의 정확한 특성입니다.
① 혼동 주의! '좌우 비대칭'은 정규분포가 아닌 비대칭 분포(Asymmetric distribution)의 특징입니다. 예를 들어 소득 분포처럼 오른쪽으로 긴 꼬리를 가지는 양의 왜도(Positive skewness)나, 왼쪽으로 긴 꼬리를 가지는 음의 왜도(Negative skewness) 분포가 이에 해당합니다.

**연관 개념 정리**: 정규분포에서는 표준편차(Standard deviation, SD)가 매우 중요한 역할을 합니다.

| 구간 | 해당 구간에 속하는 자료의 비율 |
| --- | --- |
| 평균 ± 1 SD | 약 68.27% |
| 평균 ± 2 SD | 약 95.45% |
| 평균 ± 3 SD | 약 99.73% |

이를 경험적 규칙(Empirical rule) 또는 68-95-99.7 규칙이라고 하며, 검사 결과의 정상 범위를 설정하는 근거가 됩니다.

개념 정리
**정규분포의 4가지 핵심 특성**
1.  **형태**: 평균을 중심으로 좌우 대칭인 종 모양 곡선입니다.
2.  **중심**: 평균, 중앙값, 최빈값이 모두 일치하며 곡선의 가장 높은 지점에 위치합니다.
3.  **대칭성**: 평균을 기준으로 왼쪽과 오른쪽이 완벽하게 거울상(Mirror image)을 이룹니다.
4.  **면적**: 곡선 아래 전체 면적은 1이며, 표준편차 범위에 따라 일정 비율의 자료가 포함됩니다.

암기 팁
'**대**칭 **종** 모양, **평**균 **중**앙 **최**빈 일치'의 앞 글자를 따서 "**대종 평중최**"로 외우면 좋습니다. 정규분포는 **대**칭적이고 **종** 모양이며, **평**균, **중**앙값, **최**빈값이 일치한다는 개념을 쉽게 떠올릴 수 있어요.

## 임상 시나리오

핵심 포인트
보건의료 데이터 분석에서 정규분포 가정은 매우 중요합니다. 예를 들어, 대규모 집단의 혈압(Blood pressure)이나 혈당(Blood glucose) 수치는 대체로 정규분포에 가까운 형태를 보입니다. 이 개념이 중요한 이유는 대부분의 모수적 통계 기법들, 예를 들어 t-검정(t-test)이나 분산분석(ANOVA)이 데이터의 정규성을 기본 가정으로 하기 때문이에요.

**실제 적용 의미**: 정규분포(Normal distribution)의 '평균 ± 2 표준편차' 구간은 흔히 정상 범위(Reference range)를 설정하는 통계적 근거가 됩니다. 만약 어떤 환자의 검사 수치가 이 범위를 크게 벗어난다면, 이는 정상적인 생물학적 변이를 벗어난 비정상 소견(Abnormal finding)으로 간주할 가능성이 높다는 뜻이에요.

**판단 사고 흐름**: 데이터의 분포를 확인할 때, 먼저 히스토그램(Histogram)을 그려 종 모양의 대칭 형태인지 시각적으로 확인합니다. 이후 왜도(Skewness)와 첨도(Kurtosis) 통계량을 통해 정규성을 객관적으로 평가하고, 필요하다면 샤피로-윌크 검정(Shapiro-Wilk test) 같은 가설 검정을 수행합니다. 정규성을 만족하지 못하면 비모수적 방법을 고려해야 합니다.

**흔한 오류 및 주의사항**: 혼동 주의! 표본 데이터의 분포가 종 모양처럼 '보인다'고 해서 무조건 정규분포를 가정해서는 안 됩니다. 특히 표본 크기가 작을수록 정규성 검정 결과에 더 주의해야 하며, 검정 결과 유의확률(p-value)이 0.05 미만이면 정규분포를 가정할 수 없다고 판단합니다.

## 핵심 개념

- **정규분포(Normal distribution)** — 평균을 중심으로 좌우 대칭인 종 모양의 확률분포로, 평균, 중앙값, 최빈값이 일치하며 보건의료 통계 분석의 근간이 됩니다.
- **왜도** — 분포의 비대칭 정도를 나타내는 통계량입니다. 0이면 완벽한 대칭(정규분포), 양수는 오른쪽으로, 음수는 왼쪽으로 긴 꼬리를 가집니다.
- **표준편차(Standard Deviation)** — 데이터가 평균으로부터 얼마나 퍼져 있는지 나타내는 지표로, 정규분포에서 ±1 SD 구간에는 전체의 약 68%가 포함됩니다.
- **경험적 규칙(Empirical rule)** — 정규분포에서 평균으로부터 ±1, ±2, ±3 표준편차 범위에 각각 약 68%, 95%, 99.7%의 데이터가 포함된다는 통계적 법칙입니다.
- **중심극한정리(Central Limit Theorem)** — 표본의 크기가 충분히 클 때(보통 30 이상), 표본평균의 분포가 모집단의 분포 형태와 관계없이 정규분포에 가까워진다는 이론입니다.

## 같은 주제 문제

- [보건통계에서 질적 변수에 해당하는 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254968)
- [연속형 자료의 중심경향을 나타내는 대표값 중 극단값의 영향을 가장 적게 받는 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254969)
- [자료의 산포도를 나타내는 지표로 가장 적절한 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254970)
- [통계적 가설검정에서 제1종 오류(α)는?](https://mymerci.kr/pages/nclex_q.php?qn_id=254972)
- [통계적 유의수준 0.05의 의미는?](https://mymerci.kr/pages/nclex_q.php?qn_id=254973)
- [p-값의 해석으로 옳은 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254974)
- [두 독립집단의 평균 비교에 사용되는 통계 검정 방법은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254975)
- [범주형 변수 간의 관련성을 분석하는 통계 방법은?](https://mymerci.kr/pages/nclex_q.php?qn_id=254976)

---

More free questions: [기출문제](https://mymerci.kr/)

_학습 참고용입니다. 실제 임상은 최신 지침과 소속 기관 프로토콜을 따르세요._