6. 기호의 진화: 연속확률 변수의 평균($m$)과 분산($\sigma^2$)

[도입부] 학습 목표 (Learning Objectives)

  • 동전과 막대기를 세던 이산 세계에서 우리가 지독하게 외웠던 확률의 덧셈 기호 시그마($\Sigma$) 가 드디어 목숨을 다하고, 그 빈자리를 아름답고 소름 돋는 부드러운 S자 곡선 적분 기호 인테그랄($\int$) 이 똑같이 대체하는 기호의 진화론을 감상합니다.
  • 기댓값($E(X)$) 과 분산($V(X)$) 을 산출하는 공식 베이스 자체는 단 하나도 변한 게 없으며, 오직 그 도구만 덧셈 기계($\Sigma$) 에서 면적 스캐너($\int$)로 판갈이 된 팩트를 확인합니다.
  • 파이썬(Python)의 scipy.integrate.quad 수치 적분 모듈을 이용해, 연속 함수의 $x \cdot f(x)$ 를 미적분 구문으로 계산하며 한 땀 한 땀 코드로 적분 수식을 풀어내는 인공지능 해비타트를 목격합니다.

1. 덧셈($\Sigma$)의 죽음, 적분($\int$)의 부활

우리가 앞선 챕터(이산확률분포)에서 기댓값(평균) 피를 토할 때 썼던 가장 중요한 공식은 바로 “(변수 값 $\cdot$ 확률) 의 덧셈” 이었습니다. 이것을 수식으로 쓰면 위대한 $\sum x_i P(x_i)$ 가 됩니다. (예: 1점짜리가 나올 확률 $1/6$, 2점짜리가 나올 확률 $1/6 \dots$ 을 모조리 곱해서 더함).

그러나 1수업에서 우린 이제 불연속적인 1점 2점이 아니라 무한히 이어지는 “연속된 수직선”으로 넘어왔습니다. 무한한 소수점들을 다 더할 수는 없습니다. 수학자들은 덧셈 기호 시그마($\Sigma$)를 과감히 휴지통에 쳐박습니다. 그리고 그 쪼개짐의 한계를 벗어난 궁극의 면적 색칠 무기, 적분 기호($\int$) 를 복사 붙여넣기로 세팅합니다.

  • [이산] 평균 $m$ = $\sum x \cdot P(x)$
  • [연속] 평균 $m$ = $\int x \cdot f(x) dx$

완전히 똑같지 않습니까? 확률값 $P(x)$ 자리에 함수 $f(x)$ 덩어리가 들어갔고, 더하라는 $\Sigma$ 대신 면적을 구하라는 $\int$ 가 앞을 막고 섰을 뿐, 수학의 뼈대 논리는 티끌 하나 바뀌지 않은 위대하고 통쾌한 순간입니다!

연속 확률분포 평균 분산 지진 SVG


1. 평균($E(X)$) : 모든 것을 잘게 썰어 적분하라

연속 확률 세계의 곱연산(적분)

이산 확률 세계에서 평균(기댓값) 이란 변수 $X$ 에다가 확률 $P$ 를 곱한 뒤 $\Sigma$ (시그마) 로 막노동 덧셈을 하는 것이었습니다. 하지만 연속 우주에서는 $X$ 값이 무한히 쪼개진 모래알이 되어버립니다. 그래서 $\Sigma$ 의 최종 진화 버전인 $\int$ (인테그랄, 적분) 을 사용합니다.

  • [이산] 분산 $V(X)$ = $\sum x^2 \cdot P(x) - m^2$
  • [연속] 분산 $V(X)$ = $\int x^2 \cdot f(x) dx - m^2$

이제 우린 수능 문제에서 징그러운 $f(x)$ 함수(예: $2x+1$ 같은 것)를 맞닥뜨리더라도 당황하지 않습니다. 사장님이 평균을 내놓으라고 하면 저 $f(x)$ 앞에 $x$ 하나만 곱한 채로 범위 면적 적분만 $\int$ 땡겨줍니다. 분산이 필요하면 $f(x)$ 에 $x^2$ 을 곱해 넣은 폭탄을 하나 툭 하고 적분기계에 흘려 보낸 뒤 내 몸무게(평균)의 제곱만 빼면 모든 상황이 스무스하게 끝납s.

2. 분산($V(X)$) : 재평평재 도 적분으로 간다

분산을 구하는 가장 달콤하고 짧은 치트키 공식을 기억하십니까? 바로 “제곱의 평균 - 평균의 제곱” (재평평재) 입니다. 이 놈 역시 연속의 나라로 입국 심사를 받을 땐 $\int$ 마크를 이마에 달아야 합니다.

  • [이산] 분산 $V(X)$ = $\sum x^2 \cdot P(x) - m^2$
  • [연속] 분산 $V(X)$ = $\int x^2 \cdot f(x) dx - m^2$

이제 우린 수능 문제에서 징그러운 $f(x)$ 함수(예: $2x+1$ 같은 것)를 맞닥뜨리더라도 당황하지 않습니다. 사장님이 평균을 내놓으라고 하면 저 $f(x)$ 앞에 $x$ 하나만 곱한 채로 범위 면적 적분만 $\int$ 땡겨줍니다. 분산이 필요하면 $f(x)$ 에 $x^2$ 을 곱해 넣은 폭탄을 하나 툭 하고 적분기계에 흘려 보낸 뒤 내 몸무게(평균)의 제곱만 빼면 모든 상황이 스무스하게 끝납니다.

3. 💻 파이썬(Python) 연속 적분기(Integral)를 이용한 평균/분산 연산 엔진

과거엔 칠판 하나를 꽉 채워 적분을 깎아 나갔지만, 파이썬에게는 수식만 툭 던져주면 알아서 무한대의 소수점 픽셀 직사각형으로 나눠 순식간에 평균과 분산 지표를 배포합니다.

🐍 파이썬 예제: 연속확률함수(PDF)의 적분을 통한 평균과 분산 스캐닝

import scipy.integrate as integrate

print("--- ⚔️ 기호의 부활: 연속 함수 f(x) 적분(Integral) 엔진 ---")

# (가정) 어떤 기계 부품 수명을 나타내는 연속확률밀도함수 최적화 (단 0 <= x <= 2 구간 제한)
# f(x) = 0.5 * x 
def f_x(x):
    return 0.5 * x

# 1. 기댓값 E(X) 연산: [  적분( x * f(x) )  ]
def expectation_func(x):
    return x * f_x(x)

# 0에서 2구간 면적 파열 스캔!
mean_result, error = integrate.quad(expectation_func, 0, 2)
print(f"▶ 1차 산출: E(X) 평균 산출값 (x * f(x) 면적) = {mean_result:.4f}")

# 2. 분산 V(X) 연산: [ 적분 ( x^2 * f(x) ) ] - (평균)^2 (이름하여 '재평평재')
def square_expectation_func(x):
    return (x**2) * f_x(x)

e_x_square, error = integrate.quad(square_expectation_func, 0, 2)
variance_result = e_x_square - (mean_result**2)

print(f"▶ 2차 산출: V(X) 분산 산출값 (x² * f(x) 면적 - m²) = {variance_result:.4f}")

print("-" * 50)
print(f" [최종 해독 완료] 이 롤러코스터 부품 데이터 집단의")
print(f"   - 평균 중심점은 {mean_result:.3f} 이며,")
print(f"   - 뚱뚱하게 퍼진 오차력(분산)은 {variance_result:.3f} 입니다.")

# 결과창:
# --- ⚔️ 기호의 부활: 연속 함수 f(x) 적분(Integral) 엔진 ---
# ▶ 1차 산출: E(X) 평균 산출값 (x * f(x) 면적) = 1.3333
# ▶ 2차 산출: V(X) 분산 산출값 (x² * f(x) 면적 - m²) = 0.2222
# --------------------------------------------------
#  [최종 해독 완료] 이 롤러코스터 부품 데이터 집단의
#    - 평균 중심점은 1.333 이며,
#    - 뚱뚱하게 퍼진 오차력(분산)은 0.222 입니다.

데이터 사이언스의 핵심은 거대한 덩어리(함수)를 적분기에 쑤셔 넣어 평균과 분산을 뽑아내는 것입니다. 우리는 덧셈 노가다를 하지 않고 오직 컴퓨터의 수치 적분(Numeric integration) 파워를 통해 통계의 진면목을 완성합니다.

[결론] 학습 정리 (Summary)

  1. 시그마의 사망, 인테그랄의 왕위 계승: 불연속적인 점(이산)들을 더할 때 쓰던 더하기 $\Sigma$ 는 소수점으로 무한히 팽창하는 연속의 세계 앞에서 박살나고, 오직 등성이의 밑면적(넓이)을 스무스하게 긁어모으는 $\int$ 적분 기호가 지위봉을 물려받습니다.
  2. 뼈대 공식은 절대 변하지 않는다: $E(X) = X$ 와 확률을 곱한다! $V(X) = X^2$ 과 확률을 곱하고 $m^2$ 을 뺀다! 이 공식의 뼈대 자체는 단 하나도 변하지 않았으며 오직 기호 껍질만 갈아입었음을 간파해야 합니다.
  3. 적분은 컴퓨터의 몫: 현대 수학의 응용에서 우리가 손으로 다항함수 적분식을 풀 일은 없습니다. 공식을 꿰뚫는 눈만 있다면 파이썬 레이더망(integrate.quad)이 그 면적 확률을 1초 만에 렌더링해줄 것입니다.
서브목차