평균 중앙값 최빈값 차이와 표준편차 구하는 법, 엑셀 함수까지 총정리

"우리 회사 평균 연봉이 4,800만 원이래" 같은 말을 들으면 이상하게 내 통장과는 거리가 멀게 느껴질 때가 있죠. 결론부터 말하면 데이터에 튀는 값(이상치)이 있으면 평균보다 중앙값이 '보통 사람'을 더 잘 보여주고, 옷 사이즈처럼 '가장 많이 나온 값'이 궁금하면 최빈값을 써요. 그리고 평균 하나만으로는 부족해서, 값들이 평균에서 얼마나 흩어져 있는지를 표준편차로 같이 봐야 데이터를 제대로 읽을 수 있어요.

이 글에서는 평균·중앙값·최빈값을 언제 무엇을 쓰는지, 분산과 표준편차를 손으로 계산하는 과정을 5단계로 풀어 보고, 헷갈리기 쉬운 모집단(N으로 나누기)과 표본(n−1로 나누기) 표준편차의 차이, 엑셀의 STDEV.P·STDEV.S·VAR.P·VAR.S·MEDIAN·MODE.SNGL·QUARTILE.INC 함수까지 정리했어요. 성적 가중평균, 사분위수와 IQR로 이상치 찾기, 단위가 다른 데이터를 비교하는 변동계수도 다뤄요. 예시 숫자는 모두 이해를 위해 만든 가상의 데이터이고, 계산은 직접 해서 검산했어요.

핵심 요약

평균은 모든 값을 반영하지만 이상치에 크게 흔들리고, 중앙값은 정렬했을 때 가운데 값이라 이상치에 강해요. 최빈값은 가장 자주 나온 값으로, 범주형 데이터에도 쓸 수 있어요.

표준편차는 (각 값 − 평균)²의 평균을 낸 뒤 제곱근을 씌운 값이에요. 가진 데이터가 전체(모집단)면 N으로, 일부(표본)로 전체를 추정하면 n−1로 나눠요.

엑셀에서는 모집단이면 STDEV.P·VAR.P, 표본이면 STDEV.S·VAR.S를 써요. 데이터가 적을수록 둘의 차이가 커져요.

사분위수로 구한 IQR의 1.5배 바깥 값은 이상치 후보로 보고, 단위나 평균 크기가 다른 데이터의 흩어짐은 변동계수(표준편차 ÷ 평균)로 비교해요.

평균, 중앙값, 최빈값 차이: 정의부터 정확히

세 값 모두 "데이터를 대표하는 하나의 숫자"라서 대표값이라고 불러요. 하지만 계산 방식이 달라서 같은 데이터에서도 서로 다른 값이 나와요.

예를 들어 한 신발 매장에서 하루 동안 팔린 운동화 10켤레의 사이즈가 250, 255, 260, 260, 260, 265, 265, 270, 275, 280(mm)이라고 해 볼게요.

• 평균: 합계 2,640 ÷ 10 = 264mm
• 중앙값: 10개라서 5번째(260)와 6번째(265)의 평균 = 262.5mm
• 최빈값: 260이 3번으로 가장 많음 = 260mm

매장 사장님이 다음 주 재고를 채운다면 어떤 값을 볼까요? 264mm나 262.5mm짜리 신발은 존재하지 않으니, 실제로 가장 많이 팔린 260mm(최빈값)가 가장 쓸모 있는 정보예요. 이렇게 "무엇을 결정하려는가"에 따라 맞는 대표값이 달라져요.

언제 무엇을 쓰나: 상황별 선택 기준

• 값이 고르게 퍼져 있고 극단값이 없을 때 → 평균. 시험 점수, 키처럼 좌우 대칭에 가까운 데이터는 평균과 중앙값이 거의 같아서 평균을 쓰면 돼요.
• 한쪽으로 긴 꼬리가 있을 때 → 중앙값. 연봉, 집값, 자산, 배달 시간처럼 소수의 큰 값이 있는 데이터는 평균이 위로 끌려 올라가요.
• 숫자가 아니거나, 가장 흔한 선택지가 궁금할 때 → 최빈값. 옷 사이즈, 선호 메뉴, 설문 응답처럼 범주형 데이터에는 평균을 낼 수 없어요.
• 항목마다 중요도(비중)가 다를 때 → 가중평균. 학점, 과목별 반영 비율이 다른 성적, 매입 단가가 다른 주식 평균단가가 여기에 해당해요.

평균 vs 중앙값: 연봉 예시로 보는 이상치의 영향

이상치가 평균을 얼마나 흔드는지 가상의 예시로 확인해 볼게요. 직원 10명인 작은 회사가 있고, 연봉(만 원)이 이렇다고 가정해요. 실제 통계가 아니라 설명을 위해 만든 숫자예요.

3,000 / 3,200 / 3,400 / 3,500 / 3,600 / 3,800 / 4,000 / 4,200 / 4,500 / 15,000(대표)

• 평균: 합계 48,200 ÷ 10 = 4,820만 원
• 중앙값: 5번째 3,600과 6번째 3,800의 평균 = 3,700만 원

평균 4,820만 원보다 연봉이 낮은 사람이 10명 중 9명이에요. "평균 연봉 4,820만 원"이라는 말은 틀린 건 아니지만, 이 회사 직원의 보통 연봉을 보여주지는 못해요. 대표 한 명을 빼고 9명만 계산하면 평균은 약 3,688.9만 원, 중앙값은 3,600만 원으로 둘이 거의 같아져요.

평균은 대표 한 명 때문에 약 1,131만 원이 올라갔지만, 중앙값은 100만 원 차이에 그쳤어요. 국가 통계에서 소득을 발표할 때 평균과 함께 중위값(중앙값)을 따로 내는 것도 이 때문이에요. 뉴스에서 "평균 소득"과 "중위 소득"이 같이 나오면, 두 값의 간격이 클수록 상위 소수의 값이 크다는 신호로 읽으면 돼요.

반대로 중앙값은 대표 연봉이 15,000이든 50,000이든 3,700 그대로라, 인건비 총액(평균 × 인원)은 알려주지 못해요. "보통 사람"이 궁금하면 중앙값, "합계·총량"이 궁금하면 평균이라고 기억하면 편해요.

분산과 표준편차 구하는 법: 손계산 5단계

평균이 같아도 데이터가 퍼진 정도는 전혀 다를 수 있어요. 이걸 숫자로 나타낸 게 분산과 표준편차예요. 다섯 명의 시험 점수 70, 80, 85, 90, 95로 직접 계산해 볼게요.

1단계 — 평균 구하기 (70 + 80 + 85 + 90 + 95) ÷ 5 = 420 ÷ 5 = 84

2단계 — 편차(값 − 평균) 구하기 70 − 84 = −14, 80 − 84 = −4, 85 − 84 = 1, 90 − 84 = 6, 95 − 84 = 11 편차를 그냥 더하면 −14 − 4 + 1 + 6 + 11 = 0이에요. 편차의 합은 항상 0이라서, 흩어짐을 재려면 부호를 없애야 해요.

3단계 — 편차 제곱하기 196, 16, 1, 36, 121 → 합계(편차제곱합) 370

4단계 — 나누어 분산 구하기

• 모집단 분산: 370 ÷ 5 = 74
• 표본 분산: 370 ÷ (5 − 1) = 92.5

5단계 — 제곱근을 씌워 표준편차 구하기

• 모집단 표준편차: √74 ≈ 8.60점
• 표본 표준편차: √92.5 ≈ 9.62점

분산은 단위가 "점²"이라 해석이 어렵지만, 제곱근을 씌운 표준편차는 원래 단위(점)로 돌아와서 "평균 84점에서 보통 8~9점 정도 떨어져 있다"고 읽을 수 있어요.

왜 절댓값이 아니라 제곱일까

편차의 절댓값 평균(이 예시에서는 36 ÷ 5 = 7.2점)도 흩어짐을 재는 방법이지만, 제곱은 큰 편차에 더 큰 가중치를 주고 수학적으로 다루기 쉬워서 정규분포·회귀분석 같은 통계 도구 대부분이 분산과 표준편차를 기준으로 만들어져 있어요. 정규분포에서 평균 ± 1표준편차 안에 약 68%, ± 2표준편차 안에 약 95%가 들어간다는 성질은 키 백분위와 정규분포 글에서 자세히 다뤘어요.

모집단 표준편차 vs 표본 표준편차: N과 n−1의 차이

위 계산에서 나누는 수가 5와 4로 달랐죠. 이게 모집단과 표본의 차이예요.

• 모집단(N): 내가 가진 데이터가 관심 대상 전체일 때. 예: 우리 반 30명 전원의 점수, 우리 팀 5명의 이번 달 실적.
• 표본(n−1): 내가 가진 데이터가 더 큰 집단의 일부이고, 이걸로 전체의 흩어짐을 추정할 때. 예: 전국 고3 중 100명을 뽑아 조사한 점수, 공장 생산품 중 20개를 뽑아 잰 무게.

표본으로 계산하면 왜 n−1로 나눌까요? 표본의 평균은 표본 값들에 가장 가깝게 잡히기 때문에, 진짜 모집단 평균을 기준으로 잴 때보다 편차제곱합이 작게 나오는 경향이 있어요. 그래서 n으로 나누면 분산을 체계적으로 과소추정하게 되고, n−1로 나눠 이를 보정해요. 이걸 베셀 보정이라고 해요. 평균을 계산하는 데 데이터 하나만큼의 정보(자유도)를 이미 썼다고 이해하면 돼요.

표본 표준편차는 모집단 공식 값에 √(n ÷ (n−1))을 곱한 것과 같아서, 데이터 개수가 많아질수록 둘의 차이가 빠르게 줄어요.

데이터가 5개뿐이면 약 11.8%나 차이가 나지만, 100개만 돼도 0.5%로 줄어요. 그래서 데이터가 적을 때 모집단·표본 구분이 특히 중요해요. 헷갈리면 "이 데이터 말고 더 있는 전체를 말하려는가?"를 스스로 물어보세요. 그렇다면 표본(n−1)이에요. 논문이나 보고서, 통계 소프트웨어의 기본값은 대부분 표본 표준편차예요.

엑셀 표준편차·분산 함수 정리 (STDEV.P vs STDEV.S)

엑셀은 함수 이름 끝의 .P(Population, 모집단)와 .S(Sample, 표본)로 구분해요. A1:A5에 70, 80, 85, 90, 95를 넣었을 때 결과는 이래요.

몇 가지 자주 하는 실수도 정리해 둘게요.

• 옛 함수 이름: STDEV, VAR은 표본(n−1) 버전이고, STDEVP, VARP는 모집단 버전이에요. 호환용으로 남아 있지만, 의도가 드러나는 .P/.S 함수를 쓰는 게 좋아요.
• STDEVA 계열: 텍스트를 0으로 계산에 넣어서, "결시" 같은 글자가 섞인 범위에서 결과가 달라져요. 구글 시트도 같은 함수 이름으로 동작해요.
• MODE.SNGL: 최빈값이 여러 개여도 하나만 돌려줘서, 동률을 놓치기 쉬워요. 의심되면 MODE.MULT나 COUNTIF로 빈도를 직접 확인하세요.

가중평균 계산: 성적 반영 비율 예시

과목이나 항목마다 비중이 다르면 단순 평균은 틀린 답을 줘요. 한 과목의 성적 반영 비율이 중간고사 30%, 기말고사 40%, 과제 20%, 출석 10%이고, 점수가 각각 85, 72, 95, 100점이라고 해 볼게요.

• 가중평균 = 85×0.3 + 72×0.4 + 95×0.2 + 100×0.1 = 25.5 + 28.8 + 19 + 10 = 83.3점
• 단순 평균 = (85 + 72 + 95 + 100) ÷ 4 = 88점

비중이 가장 큰 기말고사(40%) 점수가 낮아서, 단순 평균보다 4.7점 낮게 나와요. 가중치의 합이 1(100%)이 아니라면 마지막에 가중치 합으로 나눠야 해요. 대학 학점 평점평균도 같은 구조로, 과목 학점이 가중치 역할을 해요. 과목 등급과 학점으로 평점을 내는 과정은 학점 계산 방법 글에 자세히 정리했고, 바로 계산하려면 학점 계산기를 써도 돼요.

사분위수와 IQR로 이상치 판단하기

"튀는 값"을 감으로 고르지 않고 기준을 세우는 대표적인 방법이 사분위수(Quartile)예요. 데이터를 크기순으로 놓고 4등분하는 지점을 Q1(25%), Q2(50% = 중앙값), Q3(75%)라고 하고, IQR = Q3 − Q1이에요. 이 IQR의 1.5배를 울타리로 삼아요.

• 아래 울타리 = Q1 − 1.5 × IQR
• 위 울타리 = Q3 + 1.5 × IQR
• 울타리 밖의 값 = 이상치 후보

앞의 가상 연봉 10명 데이터에 적용해 볼게요. 엑셀 QUARTILE.INC 방식(위치 = (n−1) × p + 1번째, 사이 값은 보간)으로 계산하면,

• Q1 = 3,425 (3번째 3,400과 4번째 3,500 사이 25% 지점)
• Q3 = 4,150 (7번째 4,000과 8번째 4,200 사이 75% 지점)
• IQR = 4,150 − 3,425 = 725
• 아래 울타리 = 3,425 − 1,087.5 = 2,337.5, 위 울타리 = 4,150 + 1,087.5 = 5,237.5

15,000은 위 울타리 5,237.5를 크게 넘으니 이상치 후보예요. 나머지 9개는 모두 울타리 안이에요.

주의할 점이 두 가지 있어요. 첫째, 사분위수 계산법은 하나가 아니에요. 엑셀 QUARTILE.EXC로 같은 데이터를 계산하면 Q1 = 3,350, Q3 = 4,275로 조금 달라요. 데이터가 적을수록 차이가 커서, 다른 프로그램과 결과를 비교할 때는 어떤 방식인지 확인해야 해요. 둘째, 이상치 후보는 지울 대상이 아니라 확인할 대상이에요. 입력 실수(4,500을 45,000으로 친 경우)라면 고치고, 대표 연봉처럼 진짜 값이면 남겨 두고 중앙값 같은 이상치에 강한 지표를 함께 보고하는 게 정직한 처리예요.

변동계수: 단위나 평균이 다른 데이터의 흩어짐 비교

표준편차는 원래 단위를 따라가서, 단위나 평균 크기가 다른 데이터끼리는 그대로 비교하기 어려워요. 이럴 때 변동계수(CV) = 표준편차 ÷ 평균(보통 % 표시)을 써요.

예를 들어 A반 60, 65, 70, 75, 80점과 B반 40, 55, 70, 85, 100점은 평균이 모두 70점이지만, 표본 표준편차는 A반 약 7.91점, B반 약 23.72점이에요. 변동계수로는 A반 11.3%, B반 33.9%로, B반의 실력 편차가 3배 정도 커요. "평균이 같으니 비슷한 반"이라고 결론 내리면 안 되는 이유예요. 키(cm)와 몸무게(kg)처럼 단위가 다른 데이터도 같은 방식으로 퍼진 정도를 나란히 비교할 수 있어요.

변동계수는 평균이 0에 가깝거나 음수가 섞인 데이터(기온 ℃, 수익률 등)에는 쓰기 어려워요. 평균으로 나누는 값이라 분모가 작으면 값이 폭주하기 때문이에요. 비율끼리 비교할 때 생기는 착시는 퍼센트와 퍼센트포인트 차이 글도 참고해 보세요.

자주 묻는 질문

평균과 중앙값이 많이 다르면 무엇을 믿어야 하나요?

두 값의 차이 자체가 정보예요. 평균이 중앙값보다 훨씬 크면 큰 쪽에 소수의 극단값이 있다는 뜻이라, "보통 사람" 기준으로는 중앙값을 보는 게 맞아요. 다만 총액이나 합계를 예상할 때는 평균이 필요하니, 목적에 따라 둘을 함께 보고하는 게 가장 좋아요.

표준편차는 엑셀에서 STDEV.P와 STDEV.S 중 뭘 써야 하나요?

가진 데이터가 관심 대상 전체라면 STDEV.P, 더 큰 집단에서 뽑은 일부로 전체를 추정한다면 STDEV.S를 써요. 설문·실험·품질 검사처럼 표본을 뽑은 경우가 대부분이라 일반적으로는 STDEV.S가 기본이에요. 데이터가 30개 이상이면 둘의 차이는 2% 미만이에요.

최빈값이 없거나 두 개 이상이면 어떻게 하나요?

모든 값이 한 번씩만 나오면 최빈값은 없다고 보고, 엑셀 MODE.SNGL은 #N/A를 돌려줘요. 가장 많이 나온 값이 두 개 이상이면 모두 최빈값이에요(이봉분포 등). 연속적인 숫자 데이터라면 구간을 나눠 가장 많은 구간을 보는 편이 더 의미 있어요.

표준편차가 크다는 건 나쁜 건가요?

좋고 나쁨이 아니라 "값들이 평균에서 멀리 퍼져 있다"는 뜻이에요. 공정 품질처럼 일정해야 하는 데이터에서는 작을수록 좋지만, 시험 점수에서는 변별력이 있다는 뜻일 수도 있어요. 평균 크기가 다른 데이터와 비교할 때는 변동계수로 상대적인 크기를 보세요.

이상치는 무조건 빼고 평균을 내야 하나요?

아니에요. IQR 1.5배 기준은 "확인해 볼 후보"를 고르는 규칙일 뿐이에요. 입력 오류라면 고치고, 실제로 존재하는 값이면 남겨 둔 채 중앙값처럼 이상치에 강한 지표를 함께 쓰거나, 제외했다면 그 사실과 기준을 명시하는 게 원칙이에요.

정리

대표값은 목적에 따라 골라요. 고르게 퍼진 데이터의 일반적인 수준은 평균, 연봉·집값처럼 한쪽 꼬리가 긴 데이터의 보통 사람은 중앙값, 사이즈·선호처럼 가장 흔한 선택은 최빈값, 항목별 비중이 다르면 가중평균이에요. 그리고 대표값 옆에는 항상 흩어짐을 같이 적어야 해요. 표준편차는 편차 제곱의 평균에 제곱근을 씌운 값이고, 데이터가 전체면 N(STDEV.P), 일부로 전체를 추정하면 n−1(STDEV.S)로 나눠요.

이상치는 IQR의 1.5배 울타리로 후보를 찾은 뒤 원인을 확인하고, 단위나 평균이 다른 데이터의 흩어짐은 변동계수로 비교하면 돼요. 숫자를 붙여 넣기만 하면 평균·중앙값·최빈값·분산·표준편차(모집단/표본)·사분위수·가중평균을 한 번에 보여주는 평균·표준편차 계산기로 내 데이터를 바로 확인해 보세요. 성적 가중평균이 궁금하다면 학점 계산기, 비율 계산은 퍼센트 계산기가 편해요.