비가 온 뒤 컵에 고인 물의 높이, 사람들의 키, 시험 점수, 마라톤 기록. 서로 전혀 달라 보이는 데이터인데도 충분히 많이 모으면 이상하게 비슷한 모양을 만든다. 가운데가 높고 양쪽 끝으로 갈수록 낮아지는, 익숙한 종 모양 곡선이다.

핵심 요약

  • 종 모양 곡선의 배경에는 중심극한정리(Central Limit Theorem)가 있다.
  • 개별 사건이 제멋대로 움직여도, 여러 독립 요인의 평균은 정규분포에 가까워진다.
  • 이 원리는 도박 확률 연구에서 출발해 현대 통계학과 과학 실험의 핵심 도구가 됐다.
  • 단, 표본이 충분히 많고 서로 독립적이어야 하며, 극단값 분석에는 별도 접근이 필요하다.

무작위가 평균을 만나면 질서가 생긴다

Quanta Magazine의 글은 종 모양 곡선이 자주 등장하는 이유를 중심극한정리로 설명한다. 핵심은 단순하다. 어떤 개별 사건의 분포가 꼭 예쁘거나 규칙적일 필요는 없다. 동전 던지기, 주사위 굴리기, 사람의 키를 결정하는 여러 요인처럼 제각각인 요소들도 충분히 많이 더하고 평균을 내면 결과는 점점 정규분포에 가까워진다.

예를 들어 주사위 하나를 계속 굴리면 1부터 6까지가 거의 비슷하게 나온다. 그래프는 평평하다. 그런데 주사위를 10번 굴린 뒤 평균을 내고, 이 실험을 수없이 반복하면 평균값은 3.5 근처에 몰린다. 양쪽 끝으로 갈수록 드물어지고, 그래프는 종 모양을 띤다. 원래 분포가 평평했는데 평균의 분포는 전혀 다른 모양이 되는 것이다. 이 지점이 중심극한정리가 직관에 반하는 이유다. 우리는 보통 “원인이 불규칙하면 결과도 불규칙할 것”이라고 생각한다. 하지만 많은 시행을 평균으로 묶는 순간, 개별 사건의 거친 표면은 줄어들고 반복 가능한 구조가 남는다. 그래서 통계학은 복잡한 세계 전체를 완벽히 알지 못해도, 표본 평균이라는 좁은 창을 통해 꽤 안정적인 판단을 내릴 수 있다.

도박판에서 태어난 현대 통계의 기둥

이 아이디어의 시작은 18세기 도박 연구였다. 프랑스 출신 수학자 아브라함 드무아브르(de Moivre)는 런던에서 도박사들에게 확률 계산을 조언하며 생계를 이어갔다. 그는 동전을 100번 던졌을 때 앞면이 몇 번 나올지 같은 문제를 분석하다가, 많은 시행이 쌓이면 결과가 일정한 곡선으로 모인다는 사실을 발견했다.

이후 피에르시몽 라플라스가 이 통찰을 일반화했다. 특정한 무작위 과정의 세부 구조를 모두 알지 못해도, 여러 결과의 평균은 예측 가능한 형태를 갖는다는 것이다. 그래서 통계학자는 원인을 전부 모르더라도 평균과 표본을 통해 세상을 추정할 수 있다. 현대 과학 논문에서 신뢰구간, 유의성, 표본 평균 같은 개념이 작동하는 배경에도 이 정리가 깔려 있다. 예컨대 신약 임상시험에서 모든 사람의 반응을 미리 알 수는 없다. 대신 충분한 표본을 모아 평균 효과를 계산하고, 그 평균이 우연히 나온 값인지 아닌지를 따진다. 선거 여론조사, 제조 공정의 품질 관리, 웹서비스의 A/B 테스트도 비슷하다. 개별 관측값은 흔들리지만 평균은 비교적 예측 가능한 방식으로 흔들린다.

그래서 과학은 “확신”을 말할 수 있다

중심극한정리는 단순히 예쁜 그래프를 설명하는 이론이 아니다. 어떤 결과가 우연인지, 아니면 이상 신호인지 판단하게 해준다. 공정한 동전을 100번 던졌는데 앞면이 20번만 나왔다면 어떨까. 직감적으로도 이상하지만, 중심극한정리는 그것이 얼마나 드문 일인지 수치로 말해준다. 즉 “이 동전은 수상하다”는 판단을 감이 아니라 확률로 표현하게 만든다. 데이터 분석에서 중요한 것은 바로 이 전환이다. 눈대중으로 이상하다고 말하는 대신, 정상적인 무작위 과정이라면 이 정도 결과가 얼마나 드문지 계산할 수 있다.

사람의 키도 비슷하다. 키는 유전, 영양, 환경, 성장 과정 같은 여러 요인이 합쳐져 결정된다. 각각의 요인은 복잡하지만, 많은 작은 효과가 더해지면 전체 분포는 대체로 종 모양에 가까워진다. 그래서 세상 곳곳에서 정규분포가 반복해서 나타난다. 자연이 일부러 종 모양을 그리는 것이 아니라, 많은 독립 요인이 합쳐지는 구조가 그 모양을 만들어내는 셈이다. 그래서 정규분포는 “세상 모든 것이 평균적이다”라는 말이 아니다. 오히려 수많은 작은 차이가 동시에 작동할 때, 그 차이들이 서로를 어느 정도 상쇄하며 가운데로 모인다는 뜻에 가깝다. 평균 주변에 사람이 많이 몰리고, 극단적으로 크거나 작은 값은 드물어지는 이유가 여기에 있다.

하지만 모든 데이터가 종 모양은 아니다

주의할 점도 있다. 중심극한정리는 표본이 충분히 많고, 각 표본이 서로 독립적일 때 강하게 작동한다. 전국 여론을 보겠다면서 한 작은 마을에서만 조사한다면 표본을 아무리 늘려도 좋은 평균이 나오기 어렵다. 서로 비슷한 조건의 사람들만 반복해서 측정했기 때문이다.

또 평균만 보면 놓치는 세계도 있다. 홍수, 금융위기, 대형 사고처럼 극단값이 중요한 문제에서는 평균 주변의 종 모양보다 꼬리 부분이 더 중요하다. Quanta가 인용한 통계학자들의 지적처럼, 오늘날에는 “평균적인 일”만큼이나 “드물지만 치명적인 일”을 모델링하는 능력도 중요해졌다. 특히 기후위기 이후의 폭우, 금융시장의 급락, 대규모 보안 사고처럼 꼬리가 두꺼운 현상은 단순한 정규분포 가정으로 과소평가될 수 있다. 중심극한정리는 강력한 출발점이지만, 모든 문제에 자동으로 붙일 수 있는 만능 도장은 아니다. 좋은 분석가는 평균을 믿되, 평균이 숨기는 예외까지 함께 본다. 이 글이 흥미로운 이유도 여기에 있다. 중심극한정리는 어려운 공식 하나를 외우라는 이야기가 아니라, 데이터가 왜 때로는 믿을 만한 신호가 되는지 설명해준다. 무작위는 우리를 속이지만, 충분한 반복과 올바른 표본 설계가 있으면 그 무작위 안에서도 질서가 드러난다. 반대로 표본이 편향되어 있거나 사건들이 서로 강하게 연결되어 있다면, 종 모양 곡선은 오히려 잘못된 안도감을 줄 수 있다. 결국 핵심은 곡선의 모양을 보는 것이 아니라, 그 곡선이 만들어진 조건을 묻는 것이다.

실무자가 볼 핵심 포인트

  • 평균은 강력하지만 조건이 있다: 표본 수가 충분하고 독립성이 확보될 때 중심극한정리가 힘을 발휘한다.
  • A/B 테스트와 설문조사의 기본 감각: 개별 사용자는 예측하기 어렵지만, 충분한 표본의 평균은 비교 가능한 신호가 된다.
  • 이상치 판단의 기준: 어떤 결과가 “이상하다”는 느낌을 확률과 신뢰구간으로 바꿀 수 있다.
  • 극단 사건은 따로 봐야 한다: 평균 중심 분석만으로는 재난, 금융 리스크, 보안 사고 같은 꼬리 위험을 설명하기 어렵다.

원문 출처

원문: The Math That Explains Why Bell Curves Are Everywhere — Joseph Howlett, Quanta Magazine