(분포가 들려주는 이야기) 세상의 모든 데이터는 정규분포일까? — 정규분포 신화와 한계

교과서의 종 모양 곡선은 너무 익숙해서, 세상의 데이터도 다 그럴 거라고 믿기 쉽다. 그러나 대기업 직원의 연봉, 특정 지역의 강수량, 고객이 머문 시간은 대칭이 아니다. 네 가지 분포를 나란히 놓고 정규분포가 언제 맞고 언제 틀리는지 살펴본다.

교과서의 종 모양이 세상의 모양은 아니다

통계 수업에서 가장 먼저 배우는 그림은 종 모양의 정규분포다. 평균 근처에 데이터가 몰리고 양쪽으로 대칭으로 줄어드는 이 곡선은 너무 익숙해서, 많은 사람이 세상의 모든 데이터가 이 모양일 거라고 생각한다. 시험 점수나 키처럼 여러 요인이 더해져 만들어진 값은 실제로 정규분포에 가깝다. 그런데 회사원의 연봉, 하루 동안 한 사람이 쓰는 돈, 웹사이트 체류 시간은 어떨까? 이런 데이터는 한쪽 꼬리가 길게 늘어진 비대칭 모양인 경우가 많다.

네 가지 모양을 나란히 보기

아래 그림은 같은 평균(100)을 가진 네 가지 가상의 데이터를 나란히 놓은 것이다. 왼쪽 위는 정규분포, 오른쪽 위는 균일분포, 왼쪽 아래는 지수분포(기다리는 시간), 오른쪽 아래는 로그정규분포(소득, 재산 같은 값)다.

Four distributions with the same mean of 100: normal (symmetric), uniform (flat), exponential (waiting times) and lognormal (incomes, wealth). Only the first looks like the textbook bell curve; the others have very different shapes and tails.

정규분포와 균일분포에서는 평균과 중앙값이 거의 같다. 그런데 지수분포와 로그정규분포에서는 평균이 중앙값보다 눈에 띄게 오른쪽에 있다. 꼬리가 긴 쪽으로 평균이 끌려가기 때문이다. 같은 “평균”이라도 분포의 모양에 따라 대표성이 달라진다는 뜻이다.

정규분포가 나타나는 조건

정규분포가 자연스럽게 나타나는 이유는 중심극한정리에 있다. 개별 데이터가 어떤 모양이든, 독립적인 값들이 많이 더해지거나 평균을 내면 그 합이나 평균의 분포는 정규분포에 가까워진다. 그래서 측정 오차, 여러 유전자의 합으로 결정되는 키, 많은 시험 문항의 합산 점수는 종 모양이 된다. 반면 소득은 곱셈 구조로 만들어진다. 학력, 업종, 경력, 운이 각각 소득을 몇 배씩 키우거나 줄이므로, 로그를 취해야 대칭에 가까워지는 로그정규 모양이 된다.

A sum of 30 independent uniform values looks normal. A product of 30 independent multipliers is strongly skewed on its own scale (values above 12 are cut off in the middle panel), but its logarithm, which is a sum of logs, looks normal again.

정규분포를 가정하기 전에 던질 질문

정규분포를 가정하면 평균과 표준편차만으로 모든 것을 설명할 수 있어 편하다. 그러나 그 편리함이 함정이 된다. 데이터가 한쪽으로 치우쳐 있는데도 평균과 표준편차로 “보통”을 정의하면, 실제 대부분의 사람과 동떨어진 기준이 나온다. 따라서 분석에 들어가기 전에 히스토그램을 먼저 그려보고, 대칭인지, 꼬리가 긴지, 상한이나 하한이 있는지를 확인하는 것이 순서다.

정규분포 가정을 점검하는 법

1. 분포 모양부터 그려보라. 평균과 표준편차를 계산하기 전에 히스토그램 한 장이 가장 많은 것을 말해준다.
2. 평균과 중앙값을 비교하라. 차이가 크면 분포가 치우쳐 있다는 신호다.
3. “여러 요인이 더해졌는가, 곱해졌는가”를 생각하라. 더해지면 정규분포에 가깝고, 곱해지면 로그를 취해야 한다.
4. 0이나 상한이 있는 데이터인지 확인하라. 음수가 불가능한 값은 대칭일 수 없다.

더 깊이: 정규분포의 정의와 중심극한정리

강의노트 〈수리통계학 5. 유명분포 — 정규분포〉는 정규분포를 평균 \(\mu\)와 분산 \(\sigma^2\)로 정의하고, 중심극한정리를 그 이론적 근거로 소개한다. 오늘 본 합의 분포와 곱의 분포 차이가 바로 그 정리가 말하는 조건을 눈으로 확인하는 과정이다.

SDV 관점: 분포를 가정하기 전에 분포를 데이터에서 확인하라

분포 모양을 확인하는 일은 요약과 추론(1~2단계)의 출발점이다. SDV(통계적 데이터 가치화) 관점에서 정규분포 가정은 데이터에 가치를 더하는 과정에서 조용히 판단을 왜곡하는 가장 흔한 원인이다. 고객 가치, 매출, 대기 시간 같은 지표에 평균과 표준편차로 “정상 범위”를 설정하면, 꼬리가 긴 데이터에서는 정상 범위가 너무 좁거나 넓게 잡힌다. 지표를 설계하기 전에 실제 분포를 그려보고 적합한 기준(중앙값, 분위수, 로그 변환)을 고르는 것이 데이터를 결정의 가치로 바꾸는 첫 단계다. (SDV(데이터 가치화))

결론: 종 모양은 가정이지, 출발점이 아니다

나는 학생들에게 정규분포를 “세상의 기본값”이 아니라 “여러 작은 힘이 더해진 결과에만 나타나는 특수한 모양”으로 기억하라고 말한다. 데이터를 받으면 공식보다 먼저 그림을 그려라. 종 모양이 보이면 정규분포를 쓰고, 한쪽으로 길게 늘어지면 다른 도구를 찾아라.

참고 자료

• 중심극한정리와 정규분포에 관한 이론적 설명은 강의노트를 기준으로 했으며, 그림은 시뮬레이션 데이터(가상 자료)다.