갈톤 보드 중심극한정리 시뮬레이터
수백 개의 구슬이 핀 격자를 지나며 정규분포(가우스 벨 곡선)로 완벽히 수렴하는 드무아브르-라플라스 정리를 시각적 물리 시뮬레이션으로 경험하세요.
이항분포의 정규분포 수렴 원리 (드무아브르-라플라스 정리)
갈톤 보드(Galton Board)에서 구슬이 n개의 핀을 거쳐 떨어질 때, 각 핀에서 오른쪽으로 튕길 확률이 p이면 최종 위치 k는 이항분포 B(n, p)를 따릅니다. 구슬의 수(N)가 증가함에 따라 이 분포는 평균 μ = n × p, 표준편차 σ = √(n × p × (1 - p))인 완벽한 가우스 정규분포 N(μ, σ²)로 수렴합니다.
이항분포 정규 수렴 공식
P(X = k) = nCk · pk · (1 - p)n - k ≈ (1 / √(2πσ²)) · exp(- (k - μ)² / (2σ²))
⚙️ 시뮬레이션 환경 설정 및 프리셋
단
개
%
개/초
🔮 갈톤 보드 실시간 물리 시뮬레이터
정규분포 완벽 수렴
갈톤 보드 N = 500개 · n = 12단 (p = 50%)
98.5
%
이론 이항분포 / 가우스 정규분포 적합도 (Chi-square Fit)
초기 표본
수렴 진행
우수 수렴
완벽 수렴
수백 개의 구슬이 독립적 무작위 경로를 거쳐 바닥에 완벽한 좌우 대칭의 가우스 종 모양 곡선을 형성했습니다.
누적 투하 구슬
실시간
500개
목표 100% 도달
목표 500개 중 500개 완료
표본 평균 (x̄)
μ = 6.00
6.02
오차 극소화
이론 평균 대비 오차 0.33%
표본 표준편차 (s)
σ = 1.73
1.72
산포도 일치
이론 표준편차 대비 오차 0.58%
정규분포 적합도
완벽 수렴
98.5점
가우스 수렴
중심극한정리 완벽 성립
📊 바닥 슬롯별 구슬 분포 및 이론 확률 대조
구슬이 낙하하며 각 슬롯에 적층된 실제 빈도와 이항분포 P(X=k) 이론 기대치를 실시간 비교합니다. (최빈 슬롯은 하이라이트 행으로 강조)
| 슬롯 (k회 우측) | 이론 확률 | 이론 기대 | 실측 구슬 | 오차 |
|---|
갈톤 보드 물리 메커니즘
원리 해설- 핀 충돌 디플렉션: 구슬이 상단 투입구에서 떨어져 삼각형으로 배치된 핀에 부딪힐 때마다 좌/우 50% 확률로 튕겨 나갑니다.
- 독립 시행 누적: n단 핀 보드를 지나는 구슬은 정확히 n번의 독립 이항 시행을 거칩니다.
- 슬롯 집계: 오른쪽으로 k번 튕긴 구슬은 바닥의 k번째 슬롯에 쌓여 이항분포 바 그래프를 만듭니다.
중심극한정리와 대수의 법칙
통계학적 가치- 드무아브르-라플라스 정리: 이항분포 B(n, p)에서 n이 커질수록 정규분포 N(np, np(1-p))로 완벽히 수렴합니다.
- 대수의 법칙 (LLN): 투하된 구슬 수 N이 커질수록 표본 분포와 이론 분포 사이의 상대 오차가 0에 가까워집니다.
- 자연계 법칙: 키, 시험 점수, 측정 오차 등 수많은 자연 현상이 개별 무작위 요인의 합으로 정규분포를 그리는 이유입니다.
💡 자주 묻는 질문 (FAQ)
Q 갈톤 보드(Galton Board)란 무엇인가요?
갈톤 보드는 19세기 영국의 통계학자 프랜시스 갈톤(Francis Galton)이 고안한 실험장치로, 핀(Peg)들이 삼각형 격자로 박힌 판 위에 구슬을 떨어뜨려 바닥 슬롯에 쌓이는 모습을 관찰하는 도구입니다. 각 핀에서 구슬이 좌우로 50% 확률로 튕기며 떨어지면서 바닥에 완벽한 좌우 대칭의 가우스 정규분포(종 모양 곡선)를 형성합니다.
Q 이 시뮬레이션에 적용된 핵심 수학 공식은 무엇인가요?
드무아브르-라플라스 정리(De Moivre–Laplace Theorem)에 기반합니다. 핀 단수가 n일 때 각 구슬이 오른쪽으로 이동할 확률이 p이면, 오른쪽으로 튕긴 횟수 k는 이항분포 B(n, p)를 따릅니다. 시도 횟수 또는 핀 수 n이 커질수록 이 이항분포는 평균 mu = n * p, 표준편차 sigma = sqrt(n * p * (1 - p))인 정규분포 N(mu, sigma^2)로 완벽히 수렴합니다.
Q 구슬 개수(N)와 핀 단수(n)가 정규분포 모양에 어떤 영향을 주나요?
구슬 개수 N이 많을수록 무작위 오차가 줄어들어 정규분포 이론 곡선과의 적합도(Fit Score)가 100%에 가깝게 높아집니다(대수의 법칙). 핀 단수 n이 증가할수록 바닥 슬롯 수(n+1개)가 늘어나며 가우스 벨 곡선이 더욱 매끄럽고 완만해집니다.
Q 좌우 확률 p를 0.5가 아닌 다른 값(예: 0.3)으로 바꾸면 어떻게 되나요?
p = 0.5일 때는 완벽한 좌우 대칭 벨 곡선이 형성됩니다. p < 0.5일 때는 왼쪽으로, p > 0.5일 때는 오른쪽으로 치우친 비대칭(Skewed) 분포가 형성되지만, n과 N이 충분히 크면 이 역시 평균 mu = n * p 주변으로 정규분포 형태를 띠게 됩니다.