TL;DR
중심극한정리는 서로 다른 모집단에서 반복적으로 표본을 뽑아 표본 평균을 계산하면 그 평균들의 분포가 모집단 형태와 무관하게 정규분포에 근사한다는 통계적 원리이다. 기사에서는 주사위 평균, 양봉형 화면 시청시간, 우측으로 치우친 소득이라는 세 가지 시뮬레이션을 Python 코드와 히스토그램으로 실행해 각 경우에서 표본 평균 분포가 종모양으로 수렴하는 점을 관찰하게 한다. 이 접근은 통계 추론과 실무 보고에서 평균 지표가 왜 안정적으로 사용되는지를 직관적으로 이해하게 해준다.
섹션별 상세
이미지 분석
이미지는 세 단계 흐름을 시각적으로 압축해 전달한다. 첫 단계에서 서로 다른 원자료 분포들을 제시하고 중간 단계에서 동일한 분포별로 여러 번 샘플링한 히스토그램들을 쌓아 보이며 마지막 단계에서 평균들의 히스토그램이 종모양으로 수렴하는 과정을 한 눈에 확인하게 한다. 이 구성은 본문 시뮬레이션의 입력→처리→출력 흐름을 직관적으로 보강해 독자의 이해를 돕는다.
3 Visual Proofs of the Central Limit Theorem to Build Your Intuition의 제목 이미지로, 왼쪽은 원래 분포 예시들, 가운데는 반복 샘플링으로 얻은 여러 히스토그램들, 오른쪽은 최종적으로 합쳐진 종형 히스토그램을 보여준다.
용어 해설
- 표본분포(샘플링 분포)(Sampling distribution)
- — 표본분포는 같은 모집단에서 같은 크기의 표본을 여러 번 뽑아 통계량(예: 평균)을 계산했을 때 그 통계량들이 이루는 분포이다. 입력 단계에서 모집단에서 반복 추출을 하고 처리 단계에서 각 표본의 평균을 계산하면 출력으로 평균들의 히스토그램이 생성된다. 중심극한정리는 표본 크기가 충분하면 이 표본분포가 모집단의 형태와 무관하게 정규분포에 근사된다는 점 때문에 통계 추론에서 중요하다.
- 대수의 법칙(Law of Large Numbers)
- — 대수의 법칙은 표본 크기가 커질수록 표본 평균이 모집단의 기댓값에 근접해진다는 확률적 수렴 원리이다. 개별 관측값들이 독립적이고 동일한 분포를 가정하면 반복 추출 과정에서 평균의 변동이 줄어드는 과정이 발생한다. 중심극한정리와 함께 해석하면 표본 평균은 위치(기댓값)가 안정되고 분포 형태는 정규에 수렴한다.
- 왜도(치우침)(Skewness)
- — 왜도는 분포의 비대칭성을 수치화한 척도로 오른쪽 치우침이면 양의 왜도, 왼쪽 치우침이면 음의 왜도이다. 모집단이 심하게 치우쳤을 때 개별 관측값들은 긴 꼬리를 만들지만 표본 평균을 여러 번 계산하면 그 왜도는 평균화 과정에서 완화된다. 중심극한정리에 따르면 샘플 평균의 분포는 왜도가 있는 모집단에서도 표본 크기가 충분하면 거의 대칭에 가까운 정규곡선으로 수렴한다.
코드 예제
import numpy as np
import matplotlib.pyplot as plt
# Simulating 100,000 averages of 5 dice rolls: upper bound of 7 is excluded in randint()
dice_averages = [np.mean(np.random.randint(1, 7, 5)) for _ in range(100000)]
plt.hist(dice_averages, bins=20, edgecolor='black', color='skyblue')
plt.title("Distribution of 5-Dice Averages")
plt.show()이 코드 블록은 5개의 주사위를 동시에 굴려 나온 값들의 평균을 100,000번 샘플링하여 그 평균들의 히스토그램을 그리는 시뮬레이션이다. 입력으로는 np.random.randint로 생성한 정수 샘플들이 들어가고 처리 과정에서 각 샘플의 평균을 계산하여 출력으로 히스토그램을 생성한다. 결과 히스토그램은 개별 주사위 분포(균등분포)와 달리 평균의 분포가 종모양으로 수렴함을 확인할 수 있게 한다.
quick = np.random.normal(2, 0.5, 50000)
deep = np.random.normal(30, 5, 50000)
bimodal_population = np.concatenate([quick, deep])
# Taking 10,000 samples of 40 users each, and averaging screen times
screen_time_averages = [np.mean(np.random.choice(bimodal_population, 40)) for _ in range(10000)]
plt.hist(screen_time_averages, bins=30, edgecolor='black', color='mediumpurple')
plt.title("Averages of Bimodal Screen Times for 10K 40-user samples")
plt.show()이 코드 블록은 두 개의 정규분포를 합쳐 인위적으로 양봉(bimodal) 모집단을 만든 다음, 크기 40의 표본을 10,000번 무작위 추출하여 각 표본의 평균을 히스토그램으로 그리는 과정이다. 처리 단계에서 무작위 추출(np.random.choice)과 평균 계산(np.mean)을 반복하여 출력으로 평균들의 분포를 확보한다. 이 출력은 서로 다른 집단이 섞인 모집단에서도 표본 평균 분포가 종모양으로 모이는 현상을 확인하게 해준다.
population = np.random.exponential(scale=50000, size=100000)
# Taking 10,000 samples of 50 people and averaging them
income_averages = [np.mean(np.random.choice(population, 50)) for _ in range(10000)]
plt.hist(income_averages, bins=30, edgecolor='black', color='salmon')
plt.title("Averages of Skewed Wealth Samples")
plt.show()이 코드 블록은 지수분포(scale=50000)를 사용해 소득처럼 오른쪽으로 긴 꼬리를 가진 모집단을 생성한 뒤, 표본 크기 50으로 10,000번 반복 샘플링하여 평균을 계산하고 히스토그램을 그린다. 입력은 np.random.exponential으로 만든 모집단이고 처리 과정은 무작위 추출과 평균 계산이며 출력은 평균들의 분포이다. 출력 히스토그램은 원래 모집단의 심한 왜도에도 불구하고 표본 평균이 거의 대칭인 종모양으로 수렴하는 점을 확인시킨다.
근거 모음
- 표본 평균은 모집단 형태와 무관하게 표본 크기가 충분하면 정규분포에 근사한다. — 기사 전반의 세 가지 시뮬레이션(주사위 평균, 양봉형 화면 시간, 치우친 소득)과 각 시뮬레이션에 포함된 히스토그램 코드 및 결과.
- 양봉형 모집단에서도 표본 크기 40의 평균을 반복하면 중앙의 골이 사라지고 종모양 분포가 나타난다. — 두 정규분포를 합친 bimodal_population 생성 코드와 10,000회 크기 40 샘플의 평균을 그린 히스토그램 코드 블록.
- 우측으로 심하게 치우친 소득 분포도 표본 크기 50으로 평균을 반복하면 거의 대칭인 정규 곡선으로 수렴한다. — np.random.exponential(scale=50000, size=100000)로 만든 모집단과 10,000회 크기 50 샘플 평균 히스토그램 코드.
기술
- Python
- numpy
- matplotlib
활용 사례
- 통계 교육에서 중심극한정리의 직관을 키우기 위한 실습 자료로 활용할 수 있다.
- 데이터 분석에서 표본 평균을 사용해 집단 특성을 정량화할 때 평균의 분포를 근사 정규로 간주하는 근거로 사용할 수 있다.
- 모의실험(Monte Carlo)으로 샘플 평균의 안정성과 아웃라이어 영향 완화 효과를 평가하는 용도로 쓸 수 있다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
