많이 더하면 무엇이든 종 모양이 된다
세상에는 분포가 수없이 많은데, 유독 한 모양이 어디에나 나타나요. 종 모양, 정규분포예요. 사람들의 키, 시험 점수, 측정 오차, 공장 부품의 치수, 심지어 통계의 표본평균까지, 출처가 전혀 다른데도 다들 약속이나 한 듯 가운데가 봉긋한 좌우대칭 종을 그려요. 왜 하필 이 모양이 이렇게 흔할까요? 답은 우아하고 강력해요. 서로 독립인 작은 무작위 요인을 많이 더하면, 원래 각 요인이 어떤 모양이든 상관없이 그 합은 종 모양으로 수렴해요. 이게 중심극한정리, 통계학에서 가장 깊고 아름다운 결과예요. 키가 정규분포인 건 유전자 수천 개와 환경 요인이 더해진 결과고, 측정 오차가 정규분포인 건 수많은 작은 떨림이 합쳐진 결과죠. E3에서 분포를 중심과 퍼짐 두 숫자로 요약했는데, 정규분포는 바로 그 두 숫자, 평균과 표준편차만으로 완전히 결정돼요. 이번 마지막 강에서 종 모양이 왜 어디에나 나타나는지, 그리고 그 자 하나로 세상을 어떻게 재는지 봐요.
먼저 종 모양 자체와 친해져요. 정규분포는 평균에서 가장 높고, 양옆으로 대칭으로 부드럽게 내려가요. 놀라운 건 이 곡선이 단 두 숫자, 평균 μ와 표준편차 σ만으로 완전히 정해진다는 거예요. μ는 봉우리의 위치(중심), σ는 종의 폭이죠. 그리고 정규분포에는 외워둘 만한 멋진 규칙이 하나 있어요. 68-95-99.7 규칙이에요. 버튼을 눌러 보세요. 평균에서 ±1σ 안에 전체의 약 68%가, ±2σ 안에 약 95%가, ±3σ 안에 약 99.7%가 들어와요. 다시 말해, 정규분포를 따르는 값은 거의 항상(99.7%) 평균에서 3σ 이내에 있고, 3σ를 벗어나는 일은 천 번에 세 번꼴로 드물어요. σ가 자연스러운 자(ruler)인 거예요. '평균에서 몇 σ 떨어졌나'가 곧 '얼마나 드문 일인가'를 말해줘요. 이 규칙 하나로 '이 측정값은 정상인가, 이상한가'를 바로 판단할 수 있어요.
이제 종 모양이 어떻게 저절로 생겨나는지 봐요. 주사위 하나를 던지면 1부터 6까지 확률이 똑같아요. 분포가 평평한 직사각형, 종이랑은 거리가 멀죠. 그런데 주사위를 여러 개 던져 합을 보면 마법이 일어나요. 버튼으로 주사위 개수를 늘려 보세요. 두 개만 더해도 평평하던 분포가 7을 꼭대기로 하는 삼각형이 되고, 세 개, 네 개로 늘리면 모서리가 둥글어지면서 점점 종 모양에 가까워져요. 왜 그럴까요? 합이 매우 작으려면 모든 주사위가 동시에 작은 눈이 나와야 하는데 그건 드물고, 합이 가운데쯤 되는 길은 수없이 많거든요. 그래서 중간값이 압도적으로 자주 나와 봉우리가 생겨요. 원래 재료(주사위 하나)는 전혀 종 모양이 아닌데, 그걸 몇 개만 더해도 종이 나타나는 거예요. 이게 중심극한정리가 작동하는 모습을 가장 단순하게 보여주는 예예요.
주사위는 원래 대칭이라 좀 봐줬다고 할 수 있어요. 그럼 대놓고 한쪽으로 치우친 분포라면 어떨까요? 여기 지수분포가 있어요. 0 근처가 가장 많고 오른쪽으로 긴 꼬리를 끄는, 전혀 대칭이 아닌 분포예요. 이 치우친 분포에서 N개를 뽑아 평균을 내고, 그 평균값을 많이 모아 히스토그램을 그려요. 슬라이더로 표본 크기 N을 키워 보세요. N=1이면 원래의 치우친 모양 그대로지만, N을 키우면 놀랍게도 표본평균의 분포가 점점 대칭 종 모양이 되고, 동시에 점점 좁아져요. 원천이 아무리 비뚤어져 있어도, 충분히 많이 뽑아 평균 내면 그 평균은 정규분포로 수렴해요. 이게 중심극한정리의 핵심이에요. 그리고 폭이 N이 커질수록 1√N로 줄어들어요. 표본을 4배 늘리면 평균의 흩어짐이 절반이 되죠. 그래서 표본이 많을수록 평균 추정이 정밀해지는 거예요. 여론조사가 몇 천 명만 물어도 꽤 정확한 이유가 바로 이거예요.
정규분포가 어디에나 나타난다면, 모든 정규분포를 하나의 표준 자로 통일하면 편하겠죠. 그게 z 표준화예요. 어떤 정규분포 N(μ, σ)의 값 X를, 평균에서 얼마나 떨어졌는지를 σ 단위로 바꿔요. 식으로 z = (X − μ)σ. 먼저 μ를 빼서 중심을 0으로 옮기고, σ로 나눠서 폭을 1로 맞추는 거예요. E3에서 본 aX+b 변환의 한 경우죠(a=1σ, b=−μσ). 슬라이더로 μ와 σ를 아무리 바꿔도, 곡선 아래 z 눈금은 늘 0, ±1, ±2로 고정돼 있는 걸 보세요. x값(윗줄)은 분포마다 다르지만, z값(아랫줄)으로 재면 모든 정규분포가 똑같은 표준정규 N(0, 1)이 돼요. 이게 강력한 이유는, 표준정규 하나만 표(또는 함수)로 갖고 있으면, 세상 모든 정규분포의 확률을 z로 바꿔서 그 표 하나로 다 읽을 수 있기 때문이에요. 키가 175cm일 확률이든 주가 수익률이든, z로 바꾸면 같은 자로 잴 수 있죠.
마지막으로, 이 모든 게 공학에서 어떻게 쓰이는지 봐요. 똑같은 양을 여러 번 측정해도 매번 값이 조금씩 달라요. 그 흩어짐은 수많은 작은 잡음이 더해진 거라, 중심극한정리에 의해 정규분포를 따라요. 측정점들을 보면 평균 주위에 종 모양으로 퍼져 있죠. 여기에 68-95-99.7 규칙을 적용해요. 버튼으로 띠 폭을 바꿔 보세요. 측정값들의 약 95%가 평균 ±2σ 안에 들어와요. 이걸 뒤집으면, '참값은 측정 평균에서 ±2σ 안에 있을 것'이라고 약 95% 확신할 수 있어요. 이게 신뢰구간이에요. 측정 결과를 '5.0 ± 0.2'처럼 적는 그 ±가 바로 이거예요. 공학에서 어떤 숫자도 ± 없이 혼자 다니지 않아요. 부품 치수의 공차, 실험값의 오차범위, 여론조사의 표본오차, 센서의 정밀도, 모두 '추정값 ± 몇 σ'로 말하죠. 그래서 통계는 '평균이 얼마다'가 아니라 '평균이 이 범위 안에 있고, 그걸 이만큼 확신한다'를 말하는 언어예요. 정규분포와 중심극한정리가 그 확신에 숫자를 붙여줘요. 이걸로 공업수학 한 바퀴를 마쳐요. 선형대수의 변환과 고유값, 복소수의 회전, 미분방정식의 흐름과 안정성, 그리고 확률의 분포와 추정까지, 공대생의 도구상자가 한 손에 들어왔어요.