36회 ADsP 기출문제 · 해설

데이터는 가공 전의 객관적인 사실(fact)로, 개별 데이터 자체로는 의미가 중요하지 않고 추론, 예측, 전망, 추정을 위한 근거로 기능하며 다른 객체와의 상호 관계 속에서 가치를 가집니다. 축적된 지식과 아이디어가 결합된 창의적 산물은 데이터가 아니라 지혜에 대한 설명이므로 적절하지 않습니다.
시험 포인트: 데이터 = 객관적 사실·추론의 근거, 축적된 지식과 아이디어의 결합 = 지혜

빅데이터는 산업 전체의 생산성을 높이고, 개인에게 맞춤형 서비스와 적시의 정보를 주어 기회비용을 줄이며, 기업에는 비즈니스 모델 혁신과 신사업 발굴 기회를 줍니다. 기업활동의 투명성은 오히려 높아졌으므로 투명성이 없어진다는 설명이 옳지 않습니다.
시험 포인트: 빅데이터 영향 = 기업(모델 혁신·투명성·경쟁력)·정부(사회 변화 추정)·개인(맞춤형 서비스)

사생활 침해는 정보 제공자의 동의제에서 정보 사용자의 책임제로 바꾸어 해결합니다. 책임원칙의 훼손은 기존의 결과 기반 책임 원칙을 고수하고, 데이터 오용은 알고리즘 접근권을 허용하고 객관적 인증 방안을 도입해 대응합니다.
시험 포인트: 사생활 침해 → 동의제를 책임제로, 책임원칙 훼손 → 결과 기반 책임 고수, 데이터 오용 → 알고리즘 접근권

암묵지와 형식지의 상호작용에서 개인의 내재된 경험을 책이나 교본 같은 형식지로 만드는 과정은 표출화입니다. 공통화는 암묵지를 다른 사람에게 전하는 것, 연결화는 형식지에 새로운 형식지를 더하는 것, 내면화는 형식지를 보고 암묵지를 습득하는 것입니다.
시험 포인트: 공통화(암묵→암묵)·표출화(암묵→형식)·연결화(형식→형식)·내면화(형식→암묵)

비식별화 기법에는 가명처리, 데이터 범주화, 데이터 마스킹, 총계처리 등이 있습니다. 데이터 마스킹은 카드번호 뒤 4자리나 주민등록번호 뒤 6자리를 숨기는 것처럼 식별 가능한 값의 일부를 가리는 기법이어서, 특정 값을 삭제하는 것이라는 설명이 틀렸습니다.
시험 포인트: 범주화 = 홍길동 35세 → 홍씨 30~40세, 마스킹 = 일부 숨기기, 총계처리 = 합계·평균으로 대체

데이터베이스는 다수 사용자가 공동으로 이용하는 공용 데이터이고 DBMS로 구축하며 법률적으로 저작물로 인정됩니다. RDBMS는 데이터를 2차원 테이블로 표현하지만 NoSQL 등은 계층 구조나 Key-Value 같은 방식을 쓰므로 모든 데이터가 2차원 테이블로 표현된다는 설명은 적절하지 않습니다.
시험 포인트: RDBMS = 2차원 테이블, NoSQL = 테이블 외 방식(Key-Value 등)도 존재

데이터웨어하우스는 기업 내 의사결정 지원을 위한 정보를 제공하는 통합된 저장 공간으로, 시간의 흐름에 따라 변하는 값을 유지하며 ETL로 데이터를 적재합니다. 전사적 차원보다 특정 조직의 업무 분야에 초점을 둔 것은 데이터 마트이므로 이 설명이 적절하지 않습니다.
시험 포인트: 데이터웨어하우스 = 전사적 통합, 데이터 마트 = 특정 부서·주제 중심

데이터 사이언스는 정형, 반정형, 비정형 데이터를 모두 대상으로 의미 있는 정보를 추출하는 학문입니다. 분석뿐 아니라 구현과 전달까지 포함한 포괄적 개념이고 과학과 인문학의 교차로에 서 있습니다. 정형 데이터만을 대상으로 한다는 설명은 부적절합니다.
시험 포인트: 데이터 사이언스 = 다양한 유형 데이터 대상·총체적(holistic) 접근, 과학과 인문학의 교차로

블록체인은 거래 정보를 하나의 덩어리(블록)로 보고 차례로 연결한 거래장부입니다. 중앙 서버에 기록하는 기존 방식과 달리 모든 참여자에게 거래 내역을 나누어 주고 거래 때마다 대조해 위조를 막습니다.
시험 포인트: 블록체인 = 분산 거래장부, 참여자 전원이 대조해 위조 방지

사물인터넷(IoT, Internet of Things)은 사람의 개입을 최소화하고 인터넷을 기반으로 모든 사물을 연결해 사물끼리 정보를 주고받는 지능형 기술입니다. 기저귀의 습도를 감지해 알려 주는 허기스 tweet pee, 구글 글래스, 나이키 퓨얼밴드, 스마트워치처럼 센서가 달린 기기가 데이터를 만들어 내 빅데이터의 원천이 됩니다. 사물인터넷이 확산될수록 모든 것이 데이터화되는 사회로 나아갑니다.
시험 포인트: IoT = 사람 개입 최소화·사물 간 인터넷 연결·상호 소통

기업의 데이터 분석 도입 수준은 분석 업무 파악, 분석 인력 및 조직, 분석 기법, 분석 데이터, 분석 문화, IT 인프라의 6가지 영역을 대상으로 진단합니다. 분석 성과 평가는 도입 수준 진단 영역에 포함되지 않습니다.
시험 포인트: 분석 준비도 6영역 = 업무 파악·인력/조직·기법·데이터·문화·IT 인프라

분석 성숙도는 비즈니스 부문, 조직/역량 부문, IT 부문을 대상으로 진단하고 도입, 활용, 확산, 최적화 단계로 구분합니다. 기업 문화 부문은 성숙도 진단 부문이 아니라 분석 준비도의 영역입니다.
시험 포인트: 분석 성숙도 진단 부문 = 비즈니스·조직/역량·IT, CMMI 기반

분석의 활용적인 측면에서는 모델과 실제 값의 차이인 Accuracy가 중요하고, 안정적인 측면에서는 모델을 반복했을 때의 편차인 Precision이 중요합니다. 두 개념의 중요 측면을 서로 바꿔 설명한 문장이 틀렸습니다. 둘은 트레이드 오프인 경우가 많습니다.
시험 포인트: Accuracy = 활용 측면(모델과 실제의 차이), Precision = 안정성 측면(반복 시 편차)

분석 대상은 명확하지만 분석 방법을 모르는 경우 솔루션을 찾는 방식으로 분석 과제를 수행하는 유형이 솔루션입니다. 최적화는 대상과 방법을 모두 알 때, 통찰은 대상이 불분명하고 방법은 알 때, 발견은 둘 다 모를 때입니다.
시험 포인트: 최적화(둘 다 앎)·솔루션(대상 앎, 방법 모름)·통찰(대상 모름, 방법 앎)·발견(둘 다 모름)

분석 과제 정의서(SOW)는 필요한 소스 데이터, 분석 방법, 데이터 입수 난이도, 데이터 입수 사유, 분석 수행 주기, 분석 결과에 대한 검증, 분석 과정 상세 등을 담습니다. 이해관계자가 방향을 설정하고 성공 여부를 판별하는 자료이며, 업무를 분류하고 할당하는 것은 WBS에 대한 설명입니다.
시험 포인트: 분석 과제 정의서(SOW) = 소스 데이터·분석 방법·입수 난이도·검증·상세 과정

분석 마스터 플랜에서 우선순위 고려 요소는 전략적 중요도, ROI, 실행 용이성이고, 적용 범위와 방식의 고려 요소는 업무 내재화 적용 수준, 분석 데이터 적용 수준, 기술 적용 수준입니다. 투입 비용 수준은 여기에 포함되지 않습니다.
시험 포인트: 적용 범위·방식 고려 = 업무 내재화·분석 데이터·기술 적용 수준

분석 마스터플랜의 세부 이행계획은 모든 단계를 반복하기보다 데이터 수집과 준비 단계는 순차적으로, 모델링 단계는 반복적으로 진행하는 혼합형을 많이 씁니다. 따라서 데이터 분석체계의 특징을 고려해 프로젝트의 세부 일정계획을 작성한다는 설명이 적절합니다.
시험 포인트: 이행계획 = 데이터 수집·준비는 순차적, 모델링은 반복적(혼합형), 분석체계를 고려한 일정 수립

분석 기획은 어떤 목표를 달성하기 위해 어떤 데이터로 어떤 방식으로 수행할지 계획하는 사전 작업입니다. 탐색적 데이터 분석은 분석 기획 단계가 아니라 데이터 분석 단계에 포함되므로, 상향식 분석이 분석 기획 전에 탐색적 분석을 한다는 설명이 적절하지 않습니다.
시험 포인트: 분석 기획 = 사전 계획, 탐색적 데이터 분석(EDA)은 데이터 분석 단계의 활동

빅데이터의 특징은 처음에 규모(Volume), 다양성(Variety), 속도(Velocity)의 3V였고, 여기에 가치(Value)가 더해져 4V가 됩니다. 데이터에서 얻는 가치가 핵심이라는 관점이 반영된 것입니다.
시험 포인트: 3V = Volume·Variety·Velocity, 4V = 3V + Value

분석 과제 우선순위는 시급성과 난이도로 평가합니다. 시급성은 전략적 중요도와 목표가치로, 난이도는 데이터 획득·저장·가공 비용, 분석 적용 비용, 분석 수준으로 판단합니다. 두 평가 기준에 모두 공통으로 들어가는 앞의 항목은 시급성입니다.
시험 포인트: 우선순위 평가 기준 = 시급성(전략적 중요도·목표가치) + 난이도(비용·분석 수준)

군집분석 기법에는 PAM, DBSCAN, 퍼지 군집(Fuzzy Clustering) 등이 있습니다. 실루엣 지수는 군집 분석의 결과를 평가하는 지표이므로 군집분석 기법이 아닙니다.
시험 포인트: 군집 기법 = PAM·DBSCAN·퍼지 군집·K-means, 군집 평가 = 실루엣 계수·Dunn Index

aov(wage ~ age) 결과표에는 자유도, 제곱합, 평균제곱, F값, p-value만 나오고 회귀계수의 부호는 나오지 않습니다. 제곱합은 항상 양수이므로 이 표만으로는 age가 늘 때 wage가 늘어나는지 줄어드는지 알 수 없어, 양의 상관관계라고 단정한 해석이 틀렸습니다. 관측치 수는 전체 자유도(1+2998=2999)에 1을 더한 3000개이고, MSE는 잔차의 Mean Sq인 1675입니다. 방향을 보려면 lm()의 계수나 상관계수를 확인해야 합니다.
[출제 논란] 복수 정답 논란: age는 연속형 변수(자유도 1)라 이 분산분석은 단순회귀의 F검정과 같고, p-value가 매우 작아 age와 wage 사이에 선형관계가 있다고 볼 수 있습니다. 그래서 선형관계를 알 수 없다는 해석도 틀린 설명으로 볼 여지가 있으며, 패스뱅크는 시행처 정답을 따릅니다.
시험 포인트: 분산분석표 = 변동의 크기만 제시(방향 X), 관측치 수 = 전체 자유도 + 1, MSE = 잔차 평균제곱

웹 데이터를 수집하기 위해 웹페이지의 구조를 분석해 데이터를 자동으로 가져오는 방법은 웹 크롤링입니다. FTP는 파일 전송 프로토콜, Streaming은 멀티미디어 데이터의 실시간 송수신, Open API는 API를 통해 실시간으로 데이터를 수집하는 기술입니다.
시험 포인트: 웹 크롤링 = 웹페이지 구조 분석 후 자동 수집, Open API = API 이용 실시간 수집

출력값이 여러 개이고 목표치가 다범주인 경우 각 범주에 속할 사후 확률을 제공하는 활성화 함수는 소프트맥스(softmax)입니다. 시그모이드는 결과가 두 개 범주일 때 쓰고, ReLU는 은닉층에서 음수는 0으로 양수는 그대로 내보내며, 항등 함수는 입력을 그대로 출력합니다.
시험 포인트: sigmoid = 2범주, softmax = 다범주 사후 확률, ReLU = 은닉층용, 항등 = 그대로 출력

시그모이드 함수는 1/(1+e^(−x)) 형태로, 어떤 실수 입력이 들어와도 출력이 0과 1 사이의 연속값이 되며 입력이 0일 때 0.5입니다. 로지스틱 함수라고도 하며 이진 분류의 확률 출력에 씁니다. −1~1 범위를 갖는 것은 tanh 함수이고, −1~0이나 0.5~1은 시그모이드 범위의 일부만 가리키므로 틀립니다.
시험 포인트: sigmoid = 0~1(x=0일 때 0.5), tanh = −1~1, ReLU = 0 이상

수식 Σ|xᵢ−yᵢ|는 거리 차의 절댓값의 합으로 구하는 맨해튼 거리입니다. 유클리드 거리는 차이의 제곱합에 제곱근을 씌우고, 민코프스키 거리는 차수 p로 일반화한 형태입니다.
시험 포인트: 맨해튼 = Σ|x−y|, 유클리드 = √Σ(x−y)², 민코프스키 = (Σ|x−y|^p)^(1/p)

연관분석은 조건반응(if-then)으로 결과가 표현되어 이해하기 쉽고 목적 없이 사용할 수 있는 강력한 비목적성 분석 기법이며 대표 알고리즘은 Apriori입니다. 계산이 간편하다는 것이 장점이고, 품목 수가 늘면 계산이 기하급수적으로 늘어나는 것이 단점이므로 분석 계산이 복잡하다는 점을 특징으로 든 설명이 틀렸습니다.
시험 포인트: 연관분석 = 비목적성·if-then·Apriori, 단점 = 품목 수 증가 시 계산량 급증

표본들이 서로 관련되어 있을 때 짝지어진 두 관찰치의 크고 작음을 +와 −로 표시하고 그 개수로 두 그룹의 분포 차이를 검정하는 방법은 부호 검정(Sign Test)입니다. 카이제곱 검정은 범주형 변수의 적합성·동질성·독립성을 검정합니다.
시험 포인트: 부호 검정 = 짝지어진 관찰치의 +/− 개수로 분포 차이 검정

비율척도는 절대 0점이 있어 사칙연산이 가능한 척도이고 길이, 무게, 나이 등이 해당합니다. 혈액형과 학력은 명목척도나 서열척도에 해당하므로 비율척도의 예로 든 설명이 적절하지 않습니다.
시험 포인트: 비율척도 = 절대 0점·사칙연산 가능(키·몸무게), 명목척도 = 혈액형, 서열척도 = 학력·순위

오른쪽 꼬리가 긴 분포(Positive skewed)에서는 극단적으로 큰 값이 평균을 끌어올리므로 평균이 중앙값보다 큽니다. 왼쪽 꼬리가 긴 분포는 중앙값이 평균보다 크고, 정규분포는 둘이 같습니다.
시험 포인트: 오른쪽 꼬리 → 평균 > 중앙값, 왼쪽 꼬리 → 중앙값 > 평균, 정규분포 → 평균 = 중앙값

R에서 서로 다른 타입의 벡터를 하나로 합칠 때 문자형 벡터가 포함되어 있으면 결과는 문자형 벡터가 됩니다. 숫자형과 논리형만 합치면 숫자형 벡터가 됩니다.
시험 포인트: R 벡터 결합 = 문자형 > 숫자형 > 논리형 순으로 형 변환(문자가 있으면 문자형)

데이터 분석 프로세스의 모델링 단계에는 데이터 분할, 데이터 모델링, 모델 적용 및 운영 방안이 있습니다. 수행방안 설계는 모델링 단계의 항목이 아닙니다.
시험 포인트: 모델링 단계 = 데이터 분할·데이터 모델링·모델 적용 및 운영 방안

회귀 모형 평가에는 결정계수, MAPE, MAE, MSE 등을, 분류 모형 평가에는 오분류표, ROC 그래프, 향상도, Kappa 등을, 군집 모형 평가에는 실루엣 지수, Dunn Index를 씁니다. 엔트로피는 불순도 측정에 사용하는 지표이므로 모형 성과 평가 방법으로 적절하지 않습니다.
시험 포인트: 엔트로피 = 불순도 측정(의사결정나무), 군집 평가 = 실루엣 지수·Dunn Index

분류 모형 평가에는 오분류표를 활용한 정확도, 정밀도, F1, 특이도, 민감도와 ROC 그래프, 이익도표, 향상도 그래프, Kappa 지수를 사용합니다. 덴드로그램은 계층적 군집분석의 결과를 나무 모양으로 나타낸 그림이므로 분류 모형 평가에 쓰지 않습니다.
시험 포인트: 덴드로그램 = 계층적 군집 결과 그림, 분류 평가 = 오분류표·ROC·이익도표·향상도·Kappa

다차원척도법(MDS)은 개체 사이의 유사성·비유사성(거리)을 측정해 2차원이나 3차원 공간에 점으로 배치하고, 개체들의 상대적 위치와 군집을 시각적으로 파악하는 방법입니다. 출제 기준에서는 개체 간 관계를 시각화하는 것이 목적이고 차원 축소는 그 과정에서 따라오는 결과로 보아, 차원 축소를 사용 목적으로 든 설명을 적절하지 않다고 봅니다. 개체 간 거리는 유클리드 거리와 유사도로 구하고, 실제 거리와 배치된 거리의 적합 정도는 스트레스 값으로 나타내며 0에 가까울수록 적합도가 좋습니다.
[출제 논란] 출제 오류 가능성: 교재와 같은 회차 해설지 메모도 다차원척도법을 차원 축소 기법으로 분류하고 있어, 차원 축소에 쓴다는 설명도 맞는 서술로 볼 수 있습니다. 그렇게 보면 적절하지 않은 보기가 없게 되고, 37회 32번은 반대로 MDS를 차원 축소 방법으로 보아 정답 처리했습니다. 패스뱅크는 각 회차의 시행처 정답을 따릅니다.
시험 포인트: MDS = 개체 간 근접성을 저차원 점으로 시각화, 적합도 = 스트레스 값(0에 가까울수록 좋음)

앙상블은 여러 모형의 결과를 종합해 정확도를 높이고 성능을 분산시켜 과대적합을 줄이는 방법이며 배깅, 부스팅 등이 있습니다. 모형 간 상호연관성이 낮을수록 효과가 크므로 상호연관성이 높을수록 정확도가 높아진다는 설명이 틀렸습니다.
시험 포인트: 앙상블 = 모형 간 상관이 낮을수록 효과적, 과대적합 감소

이상치 탐색에서 IQR을 쓰는 방식은 Q1−1.5×IQR보다 작거나 Q3+1.5×IQR보다 큰 값을 이상치로 봅니다. Q2(중위수)를 기준으로 삼는다는 설명은 틀렸습니다. DBSCAN으로 군집에 포함되지 않은 점, ESD(평균±3×표준편차), 기하평균 방식은 모두 이상치 탐색 방법입니다.
시험 포인트: IQR 이상치 = Q1 − 1.5×IQR 미만 또는 Q3 + 1.5×IQR 초과

군집분석은 집단 간 이질성과 집단 내 동질성이 모두 높아지는 방향으로 군집을 만듭니다. 둘 다 낮아지는 방향이라는 설명이 적절하지 않습니다. 집단별 특성이 유사하면 안정성이 높고, 비계층적 분석은 군집 수를 사용자가 정해야 해 결과가 잘 나오지 않을 수 있습니다.
시험 포인트: 좋은 군집 = 집단 간 이질성 높음 + 집단 내 동질성 높음

의사결정나무는 상관성이 높은 변수가 있어도 영향을 크게 받지 않고, 범주형과 연속형 목적변수에 모두 쓸 수 있으며 설명력이 좋지만 과대적합에 취약합니다. 가지치기를 사용해 잡음에 민감하지 않도록 할 수 있으므로 잡음 데이터에 민감하게 분류한다는 설명이 알맞지 않습니다.
시험 포인트: 의사결정나무 = 설명력 좋음·과대적합 취약, 가지치기로 잡음 영향 완화

데이터는 학습용, 검증용, 평가용으로 나누어 쓰며 데이터 수가 적을 때는 교차 검증을 씁니다. 검증용 데이터는 학습 단계에서 과적합 여부를 확인하거나 조기 종료를 판단하는 데 쓰이므로 학습 과정에서 사용되지 않는다는 설명이 알맞지 않습니다.
[출제 논란] 출제 오류 가능성: 학습 과정에서 사용되지 않는다는 설명과 훈련에 사용되지 않는다는 설명은 사실상 같은 뜻이라 한쪽만 틀렸다고 보기 어렵습니다. 검증 데이터는 가중치를 맞추는 훈련에는 쓰이지 않지만 학습 도중 과적합 점검·조기 종료 판단에는 쓰인다는 차이를 묻는 의도로 보고 시행처 정답을 따릅니다.
시험 포인트: 검증 데이터 = 학습 중 성능 확인(과적합·조기 종료), 훈련 데이터로는 사용하지 않음

코드는 swiss 데이터에 대한 선형회귀 결과입니다. F통계량의 p-value가 5.594e-10으로 5%보다 매우 작아 회귀모형은 통계적으로 유의합니다. Examination 계수는 p-value 0.315로 유의하지 않고, 설명력은 결정계수 0.7067(70.67%)이며, 데이터 개수는 41+5+1=47개입니다.
시험 포인트: 모형 유의성 = F 검정의 p-value, 설명력 = 결정계수, 표본 수 = 잔차 자유도 + 변수 수 + 1

데이터 전처리에서 데이터의 특성을 파악하고 통찰을 얻기 위해 하는 분석을 탐색적 데이터 분석(EDA)이라고 합니다. 결측치를 포함한 데이터는 연산이 불가능한 경우가 있어 반드시 해결해야 하고, 모든 분석에서 이상치를 모두 제거해야 하는 것은 아니며, 데이터 변환으로 정규분포 형태로 만드는 것은 학습에 도움이 될 수 있습니다.
시험 포인트: EDA = 데이터 특성 파악·통찰, 결측치는 해결 필요, 이상치는 무조건 제거하지 않음

구간화(binning)의 개수가 감소하면 데이터가 단순해져 정확도는 낮아지고 속도는 높아질 수 있습니다. 그래서 정확도가 높아지지만 속도가 느려진다는 설명이 적절하지 않습니다. log, sqrt는 큰 값을 작게 만들어 오른쪽 꼬리가 긴 분포에, 제곱과 exp는 작은 값을 크게 만들어 왼쪽 꼬리가 긴 분포에 쓰며, MinMax 정규화는 값을 0~1 범위로 바꿉니다.
시험 포인트: 구간화 개수 감소 → 정확도 하락·속도 향상, MinMax 정규화 = 0~1

자기 자신의 과거 자료로 설명하는 모형으로 백색잡음의 현재값과 자기 자신의 과거값의 가중합으로 선형성을 표현하는 정상시계열 모형은 AR 모형입니다. MA 모형은 과거 오차들로부터 현재 상태를 추론합니다.
시험 포인트: AR(p) = 과거 p개 자기 값의 선형 가중합, MA(q) = 과거 q개 오차의 선형결합

배깅에 랜덤 과정을 추가해 노드를 나눌 때 모든 예측변수에서 최적 분할을 고르는 대신 설명변수의 일부분만 고려해 성능을 높이는 앙상블 방법은 랜덤 포레스트입니다.
시험 포인트: 랜덤 포레스트 = 배깅 + 변수 일부만 무작위로 고려해 분할

F1 score는 정밀도와 재현율의 조화평균입니다. 정밀도는 30÷90=1/3, 재현율은 30÷100=3/10이므로 F1=2×(1/3×3/10)÷(1/3+3/10)=(1/5)÷(19/30)=6/19입니다.
시험 포인트: F1 = 2×정밀도×재현율 ÷ (정밀도+재현율)

기댓값은 각 값에 확률을 곱해 더한 값입니다. P(X=1)=0.3이므로 P(X=2)+P(X=4)=0.7이고 1×0.3+2p+4×(0.7−p)=2.7에서 0.3+2p+2.8−4p=2.7, 2p=0.4가 되어 P(X=2)=0.2입니다.
시험 포인트: 이산확률변수 기댓값 E(X) = Σ x·P(x), 확률의 합 = 1

상위 2% 안에 들려면 Z가 2.05 이상이어야 합니다(P(Z≤2.05)=0.98). 최소 점수는 평균에 표준편차×Z를 더한 값이므로 85+5×2.05=95.25점입니다.
시험 포인트: 정규분포 점수 = 평균 + 표준편차 × Z

확률적 표본추출은 모집단의 모든 개체가 뽑힐 확률을 알고 무작위로 뽑는 방법으로 단순 무작위 추출, 계통 추출, 층화 추출, 군집(집락) 추출이 있습니다. 편의 추출은 연구자가 접근하기 쉬운 대상을 임의로 고르는 비확률적 추출법이라 확률적 표본추출 방법이 아닙니다.
[출제 논란] 출제 오류 안내: 원본 시험지는 네 보기가 모두 확률적 추출법(편의 추출법 자리에 집락 추출법)이라 정답이 없는 문항이었고, 원본 정답키는 집락 추출법이었습니다. 패스뱅크는 출제 의도(확률적 추출이 아닌 것 고르기)에 맞게 그 보기를 비확률 추출법인 편의 추출법으로 바꿔 수록했습니다.
시험 포인트: 확률적 추출 = 단순 무작위·계통·층화·군집(집락), 비확률적 추출 = 편의 추출 등