🔔

정규분포 — 자연의 종 모양 곡선

∫Lv.8미적분

사람 100명의 키를 측정하면 대부분 평균 근처에 몰리고 극단값은 드뭅니다. 이 직관적 패턴을 수학적으로 완벽하게 포착한 것이 정규분포입니다 — 자연이 가장 선호하는 분포.

💡 왜 필요할까요?

스마트폰 카메라 센서의 픽셀별 노이즈, 배터리 수명 편차, 택배 배송 시간 — 이 모두가 정규분포를 따릅니다. 삼성전자는 반도체 공정 산포를 $6\sigma$ (시그마) 수준으로 관리합니다. $6\sigma$ 란 불량률을 $3.4/100만$ 이하로 유지한다는 뜻으로, 정규분포 없이는 이 목표 자체가 정의되지 않습니다.

🔔📊🌌

📜 역사 이야기

🌌

칼 프리드리히 가우스

1809년 · 독일 괴팅겐

"수학의 왕자"라 불린 칼 프리드리히 가우스는 어릴 때부터 신동으로 명성이 자자했습니다. 10살 때 1부터 100까지의 합을 순식간에 계산했다는 일화는 지금도 교과서에 실립니다. 그러나 정규분포와의 만남은 그가 천문학자로 활동하던 1801년으로 거슬러 올라갑니다. 1801년, 이탈리아 천문학자 피아치가 소행성 세레스(Ceres)를 발견했지만 이후 태양 뒤로 사라져 버렸습니다. 유럽 천문학계가 세레스의 위치를 계산하지 못해 쩔쩔매는 사이, 24세의 가우스는 단 세 번의 관측 데이터만으로 세레스의 궤도를 정확히 예측했습니다. 그 비결은 **최소제곱법(least squares method)**이었습니다. 측정 오차가 종 모양의 대칭적 분포를 따른다고 가정하면, 오차의 합이 최소가 되는 추정치를 구할 수 있었습니다. 이 과정에서 자연스럽게 정규분포가 등장했습니다. 가우스는 1809년 《천체운동론(Theoria Motus)》에서 이 이론을 발표했습니다. 그러나 실제로 정규분포를 처음 수학적으로 정의한 것은 1733년 드무아브르(Abraham de Moivre)였습니다 — 그는 이항분포의 극한으로 종 모양 곡선을 발견했지만 충분히 주목받지 못했습니다. 프랑스 수학자 라플라스도 독립적으로 이 분포를 연구했기 때문에 **드무아브르-라플라스-가우스 분포**라고도 불립니다. 정규분포가 자연에서 이렇게 자주 나타나는 이유는 **중심극한정리** 때문입니다. 독립적인 무수한 랜덤 요인들의 합은, 각 요인의 분포가 무엇이든, 표본 수가 커지면 정규분포에 가까워집니다. 사람의 키, 체중, IQ, 제품 오차, 주식 수익률의 일일 변동 — 이 모든 것이 정규분포에 근사하는 이유입니다.

"수학은 과학의 여왕이며, 산술은 수학의 여왕이다." — 칼 프리드리히 가우스

🤩 독일 마르크 지폐 시절, 10마르크 지폐에는 가우스의 초상화와 함께 정규분포 곡선이 인쇄되어 있었습니다. 수학이 화폐에 등장한 가장 유명한 사례입니다.

🔬 직접 발견하기

📐 공식 이해하기

f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \quad Z = \frac{X-\mu}{\sigma}

f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \quad Z = \frac{X-\mu}{\sigma}

$X \sim N(\mu, \sigma^2)$ : 평균 $\mu$ , 분산 $\sigma^2$ 인 정규분포. 확률밀도함수(pdf)는 $\mu$ 에서 최댓값을 가지며 좌우 대칭인 종 모양입니다. 표준화 $Z = (X-\mu)/\sigma$ 로 $N(0,1)$ (표준정규분포)으로 변환하면 Z표를 사용할 수 있습니다.

$\mu$: 평균 (분포의 중심, 대칭축)
$\sigma^2$ \sigma^2: 분산 (종 모양의 넓이 — 클수록 납작하고 넓음)
$\sigma$: 표준편차 (분포의 산포도)
$Z$: 표준정규변수 $\sim N(0, 1)$
$f(x)$ f(x): 확률밀도함수 (곡선 아래 면적 = 확률)

1
가우스: 측정 오차의 합이 최소가 되려면 오차 분포가 $e^{-cx^2}$ 형태여야 함
2
확률의 합이 1이 되도록 정규화 상수 $\frac{1}{\sigma\sqrt{2\pi}}$ 결정
3
평균 $\mu$ 로 이동, 분산 $\sigma^2$ 으로 스케일링하면 $f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$
4
표준화: $Z = (X-\mu)/\sigma$ 를 대입하면 $Z \sim N(0,1)$
5
68-95-99.7 규칙: 적분으로 $P(|Z|\leq 1) \approx 0.6827$ , $P(|Z|\leq 2) \approx 0.9545$ , $P(|Z|\leq 3) \approx 0.9973$

🧬 원리: 어떻게 탄생했나?

공식은 외우는 것이 아니라, 어디서 왔는지를 이해하는 것이에요

💡

탄생 배경

정규분포는 **측정 오차의 철학**에서 탄생했습니다. 가우스는 '수많은 독립적인 작은 오차들이 합산될 때 어떤 분포를 만드는가?'라는 질문에서 출발했습니다. 이 사고방식은 이항분포 $B(n,p)$ 에서 $n \to \infty$ 로 보낼 때의 극한으로도 도출됩니다(드무아브르-라플라스 정리). 즉, 이항분포가 정규분포의 부모입니다.

⚡

핵심 관계식

정규분포의 핵심은 **중심극한정리(Central Limit Theorem)**입니다: 분포가 무엇이든 $n$번 독립 시행의 평균 $\bar{X}$는 $n$이 충분히 크면 $N\!\left(\mu, \frac{\sigma^2}{n}\right)$에 근사합니다. 이 정리가 정규분포를 통계학의 중심에 놓는 이유입니다. $\bar{X}$의 표준오차 $\frac{\sigma}{\sqrt{n}}$는 통계적 추정의 핵심 공식으로 이어집니다.

정규분포의 핵심은 **중심극한정리(Central Limit Theorem)**입니다: 분포가 무엇이든 $n$번 독립 시행의 평균 $\bar{X}$는 $n$이 충분히 크면 $N\!\left(\mu, \frac{\sigma^2}{n}\right)$에 근사합니다. 이 정리가 정규분포를 통계학의 중심에 놓는 이유입니다. $\bar{X}$의 표준오차 $\frac{\sigma}{\sqrt{n}}$는 통계적 추정의 핵심 공식으로 이어집니다.

🔍

왜 공식을 외울 필요가 없나요?

68-95-99.7 규칙이 성립하는 이유는 정규분포의 pdf를 $[-1, 1]$ , $[-2, 2]$ , $[-3, 3]$ 구간에서 적분한 결과가 각각 0.6827, 0.9545, 0.9973이기 때문입니다. 이 값들은 $\int_{-k}^{k} \frac{1}{\sqrt{2\pi}} e^{-t^2/2} dt$ 의 수치 계산에서 나오며, 지수함수 $e^{-t^2/2}$ 의 급격한 감소 때문에 $|Z| > 3$ 인 영역의 확률이 극히 작아집니다.

📝 퀴즈로 확인하기

1/5

$X \sim N(60, 100)$ 일 때, $P(50 \leq X \leq 70)$ 은? (단, $P(0 \leq Z \leq 1) = 0.3413$ )

무한 드릴 연습

랜덤 20문제 · 약 10분

풀어보기 →

📋 수능 기출 문제

📝

이 개념의 기출 문제를 추가 중이에요

수능 기출 전체 목록에서 관련 문제를 찾아보세요.

📋 수능 기출 전체 보기 →