#P07 · 확률 · 통계 · AI 최적화 (Probability & AI) · Lv.43D 마인드맵에서 보기

중심극한정리 (CLT)와 신뢰구간

피에르시몽 라플라스 · 랴푸노프 · 1810년

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0, 1) \quad (n \to \infty)

\text{95\% CI} = \bar{X} \pm 1.96 \frac{\sigma}{\sqrt{n}}

모집단이 어떤 분포를 따르더라도 표본 크기 n이 충분히 크면 표본평균 X̄의 분포는 평균 μ, 표준오차 σ/√n인 정규분포에 수렴한다는 통계학 최고의 정리입니다.

🧮 즉석 공식 계산기 & 그래프 플로터

표본평균 X̄

표준편차 σ

표본 크기 n

\text{SE} = \frac{12}{\sqrt{36}} = 2.000, \quad \text{95\% CI} = 50 \pm 3.92

표준오차 SE = σ/√n

2.0000

95% 신뢰구간 [L, U]

[46.08, 53.92]

오차 한계 (±1.96 SE)

±3.920

선수 개념 경로 (Prerequisite Path) (16 STEP)

전체 경로 분석기

아래 순서대로 클릭하면 3D 네온 경로를 따라 기초부터 목표 공식까지 정복합니다.

STEP 1#P01순열과 조합 (경우의 수)

{}_nP_r = \frac{n!}{(n-r)!}

STEP 2#A02곱셈공식과 인수분해 항등식

(a+b)^2 = a^2 + 2ab + b^2

STEP 3#A03지수법칙과 거듭제곱근

a^m \cdot a^n = a^{m+n}

STEP 4#A01등식의 성질과 일차방정식

ax + b = 0 \implies x = -\frac{b}{a}

STEP 5#A06로그의 정의와 밑변환 공식

\log_a(xy) = \log_a x + \log_a y

STEP 6#P02조건부확률과 곱셈정리

P(A \mid B) = \frac{P(A \cap B)}{P(B)}

STEP 7#A08이항정리와 파스칼의 삼각형

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 8#C01극한의 정의와 자연상수 e의 탄생

e = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n \approx 2.718281828

STEP 9#P05이항분포와 베르누이 시행

P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}

STEP 10#A07등차·등비수열의 합과 무한등비급수

S_n = \frac{a(1 - r^n)}{1 - r}

STEP 11#C02미분계수와 도함수 (순간변화율과 접선)

f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}

STEP 12#P04기댓값과 분산 (확률변수의 모멘트)

E[X] = \sum_i x_i p_i

STEP 13#C04미적분학의 기본정리와 정적분

\int_a^b f(x)\

STEP 14#P06정규분포 (가우시안 분포)와 표준화 Z

f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)

STEP 15#C06테일러 급수와 매클로린 다항 근사

f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^n

STEP 16#P07중심극한정리 (CLT)와 신뢰구간

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0

기하학적·직관적 원리 해설

표본 오차를 절반으로 줄이려면 표본 크기 n을 2배가 아니라 4배(√4 = 2)로 늘려야 한다는 '루트 n의 법칙'을 알려줍니다.

단계별 수식 유도 과정

Step 1.독립 항등분포 확률변수 X₁..Xₙ의 표본평균 X̄ = (X₁+...+Xₙ)/n에 대해 E[X̄] = μ입니다.
Step 2.분산 성질 Var(aX) = a²Var(X)에 의해 Var(X̄) = (1/n²) · nσ² = σ²/n이므로 표준오차 SE = σ/√n입니다.
Step 3.특성함수(푸리에 변환)의 테일러 2차 전개에 의해 n→∞일 때 표준화된 합은 N(0,1)로 수렴합니다.

AI · 프로그래밍 실전 활용처

미니배치 확률적 경사하강법(Mini-batch SGD)에서 배치 크기 n에 따른 그래디언트 분산 감소(1/√n) 및 몬테카를로 시뮬레이션 오차 추정에 사용됩니다.

#Mini-Batch SGD#Monte Carlo Ray Tracing#Confidence Intervals#Statistical Inference

const stdError = (sigma, n) => sigma / Math.sqrt(n); const ci95 = (mean, se) => [mean - 1.96*se, mean + 1.96*se];

확률 · 통계 · AI 최적화 (Probability & AI) — 함께 탐험할 연관 공식

순열과 조합 (경우의 수)

Lv.1 · Combinatorics

조건부확률과 곱셈정리

Lv.2 · LLM Next-Token

베이즈 정리 (사후확률 추론)

Lv.3 · Spam Filter

기댓값과 분산 (확률변수의 모멘트)

Lv.2 · Reinforcement Learning

이항분포와 베르누이 시행

Lv.2 · A/B Testing

정규분포 (가우시안 분포)와 표준화 Z

Lv.3 · Diffusion Models