[한국방송통신대학교] 2021년도 1학기 컴퓨터과학과 데이터정보처리입문 출석수업과제물 A+ (성적우수졸업)

문서 내 토픽

• 1. 전국 총출생성비 추이

  2009년부터 2019년까지의 연도별 전국 총출생성비를 시계열도표로 나타내고, 도표를 이용하여 경향을 설명하였습니다. 출생성비는 '(남자 출생아 / 여자 출생아) × 100' 로 계산할 수 있는데, 쉽게 말해 여아 100명당 남아수를 의미합니다. 2011년은 전년도에 비해 다소 큰 감소폭을 보였으나, 이후 5년간은 매우 완만한 감소세를 보입니다. 다만 2017년에는 106.3으로 2016년에 비해 다소 남아가 증가한 모습을 보이는데, 이듬해부터 다시 평년과 비슷한 수치로 돌아왔습니다. 자연 출생성비는 대략 103~107명 사이입니다. 결국 2009년부터 2019년까지 한국의 전국 총 출생성비는 전반적으로 남아가 매우 완만한 감소세를 보이는 모습을 보이면서, 정상범위 내에서 유지되는 경향성을 보입니다.

• 2. 전국 합계출산율 추이

  2009년부터 2019년까지의 연도별 전국 합계 출산율을 시계열도표로 나타내고, 도표를 이용하여 경향을 설명하였습니다. 합계출산율은 여성 1명이 가임기간(15~49세)에 낳을 것으로 기대되는 평균 출생아 수를 말하며, 출산력 수준을 나타내는 대표적인 지표입니다. 2012년까지 꾸준한 증가세를 보여주었으나, 2013년 큰 감소를 보여주었습니다. 다만 이후 2015년까지 완만한 증가세를 보였지만, 2015년을 기점으로 2019년까지 반등없이 가파르게 하락했고, 특히 2018년부터는 합계출산율 1.0 선이 붕괴되었습니다. 2009~2019년까지의 경제협력개발기구(OECD) 평균 출산율은 1.6~1.7선이었습니다. 2009년부터 이미 OECD 평균치를 밑도는 세계 최저치를 보여주었으나, 2015년까지는 일정한 범위 내에서 등락을 반복하는 모습을 경향을 보였습니다. 하지만 2015년을 기점으로 매우 가파르게 감소하는 경향성을 보여주는데, 이는 OECD 평균치를 과거보다도 더욱 크게 밑도는 것임을 알 수 있습니다.

• 3. 임의 생성 데이터 분석

  교재 75쪽에 제시된 데이터 score.txt와 비슷하게(똑같이 하지 말 것) 데이터를 생성하고, R을 이용하여 분석하였습니다. 평균은 38.71, 중앙값은 39, 표본분산은 384.90, 표본표준편차는 19.62, 변동계수는 약 50.7%입니다. 평균과 중앙값이 매우 유사하여 특이값(outlier)이 적은 상황으로 볼 수 있습니다. 분산과 표준편차를 통해 데이터의 흩어진 정도를 확인할 수 있으며, 변동계수를 통해 교과서의 score.txt 데이터보다 더 흩어져 있음을 알 수 있습니다. 줄기-잎 그림, 히스토그램, 상자그림을 통해 데이터의 분포 형태를 시각적으로 확인할 수 있었습니다.

Easy AI와 토픽 톺아보기

• 1. 전국 총출생성비 추이

  전국 총출생성비 추이는 우리나라의 인구 구조와 출산율 변화를 보여주는 중요한 지표입니다. 최근 수십 년간 지속적으로 감소하는 추세를 보이고 있는데, 이는 저출산 문제가 심각해지고 있음을 나타냅니다. 이러한 추세는 사회 전반에 걸쳐 많은 문제를 야기할 수 있습니다. 따라서 정부와 지자체 차원에서 출산 장려 정책을 강화하고, 일-가정 양립 지원 등 다각도의 노력이 필요할 것으로 보입니다. 또한 개인적으로도 출산에 대한 인식 개선과 사회적 분위기 조성이 중요할 것 같습니다.

• 2. 전국 합계출산율 추이

  전국 합계출산율 추이는 우리나라의 출산율 변화를 보여주는 대표적인 지표입니다. 지난 수십 년간 지속적으로 감소하여 현재 세계 최저 수준에 머물러 있는 상황입니다. 이는 개인의 가치관 변화, 경제적 어려움, 일-가정 양립의 어려움 등 다양한 요인이 복합적으로 작용한 결과라고 볼 수 있습니다. 이러한 저출산 문제를 해결하기 위해서는 정부의 적극적인 정책 지원과 더불어 사회 전반의 인식 개선이 필요할 것으로 보입니다. 특히 일-가정 양립을 위한 제도적 기반 마련, 출산 및 양육에 대한 경제적 지원 확대, 그리고 사회적 분위기 조성 등이 중요할 것 같습니다.

• 3. 임의 생성 데이터 분석

  임의 생성 데이터 분석은 실제 데이터가 없는 상황에서 가상의 데이터를 활용하여 분석을 수행하는 것입니다. 이는 새로운 알고리즘이나 모델을 개발하고 검증하는 데 유용하게 활용될 수 있습니다. 또한 데이터 가공 및 전처리 기법을 연습하는 데에도 도움이 될 수 있습니다. 다만 임의 생성 데이터는 실제 데이터와는 다른 특성을 가질 수 있기 때문에, 분석 결과를 해석할 때는 주의가 필요합니다. 실제 데이터와의 차이를 고려하여 분석 결과를 활용해야 할 것입니다. 또한 임의 생성 데이터를 활용할 때는 데이터의 특성을 충분히 이해하고 분석 목적에 맞게 데이터를 생성하는 것이 중요합니다.