시그마 렌즈가 깨질 때

"표준편차는 비정규 자료에서도 퍼짐을 요약할 수 있어. 깨지는 것은 σ 자체가 아니라, σ를 정규분포의 꼬리확률로 자동 번역하는 습관이야."

두 단계를 구분해

유한한 분산이 있는 자료라면 분포가 비대칭이거나 두꺼운 꼬리여도 표준편차를 계산할 수 있어. 표준편차가 중심에서의 제곱거리 규모를 알려준다는 사실도 남아. 그러나 'z=3이면 위쪽에 약 0.13%'라는 해석은 정규분포 모형이 맞을 때만 성립해.

금융수익률, 네트워크 지연, 파일크기, 온라인 도달량처럼 비대칭·상태 변화·의존성·두꺼운 꼬리가 나타날 수 있는 자료에서는 평균과 σ만으로 꼬리위험을 충분히 표현하지 못할 수 있어. 각 도메인이 언제나 같은 분포를 따른다고 단정하지 말고 실제 자료와 생성 과정을 확인해야 해.

왜 평온한 구간이 위험할까

짧은 평온 기간에서 추정한 평균과 표준편차는 위기나 부하 상태의 변동성을 반영하지 못할 수 있어. 금융에서는 변동성 군집과 상관구조 변화가 나타나고, 시스템에서는 트래픽 폭주나 병목이 새로운 상태를 만들 수 있지. 이런 경우 과거의 고정 σ로 계산한 '몇 시그마'가 현재 꼬리확률을 과소평가해.

문제는 자료가 겉으로 종 모양처럼 보였다는 사실만이 아니야. 표본이 짧거나 꼬리 관측이 적고, 분포가 시간에 따라 변하며, 관측값이 독립적이지 않을 수 있다는 점이 함께 작용해.

시민의 점검표

σ를 무엇에 쓰고 있어? 단순한 퍼짐 요약인지, 정규분포 꼬리확률까지 주장하는지 구분해.
분포와 의존성이 안정적이야? 시간에 따른 변동성, 군집, 구조 변화, 상관을 확인해.
관심 있는 꼬리를 실제로 봤어? 중심부 적합만으로 극단위험 모형을 정당화하지 마.
다른 요약과 모형은? 중앙값, 분위수, 경험적 꼬리, 강건한 척도, 극값모형, 스트레스 시나리오를 함께 검토해.

트랙 04 마무리

σ는 유용한 퍼짐 척도고, 정규분포는 그 σ를 확률로 번역하는 특정 모형이야. 둘을 분리하면 비정규 자료에서도 표준편차를 버리지 않으면서, 근거 없는 꼬리확률만 거절할 수 있어. 트랙 07에서는 이 구분을 위험모형과 실제 사례에 적용할 거야.

Code

정규 vs 두꺼운 꼬리 데이터에 적용한 시그마 렌즈·python

import numpy as np
rng = np.random.default_rng(100)

# 두 데이터셋 생성: 하나는 진정으로 정규, 하나는 두꺼운 꼬리 Student-t (df=3).
# 둘 다 N=10,000 이고 비슷한 표본 std.
normal = rng.normal(size=10_000)
fat = rng.standard_t(df=3, size=10_000)

# 둘 다 표준화.
def summary(label, x):
    z = (x - x.mean()) / x.std()
    p2 = (np.abs(z) > 2).mean()
    p3 = (np.abs(z) > 3).mean()
    p4 = (np.abs(z) > 4).mean()
    p5 = (np.abs(z) > 5).mean()
    print(f"{label:>20s}: P(|z|>2)={p2:.4f}  >3={p3:.4f}  >4={p4:.5f}  >5={p5:.6f}")

summary("진짜 정규", normal)
summary("두꺼운 꼬리 (t)", fat)
print("\n정규-예상:           P(|z|>2)=0.0455   >3=0.0027   >4=0.00006   >5=6e-7")

# 진짜 정규가 예상 희귀성과 가깝게 일치.
# 두꺼운 꼬리 데이터에 σ 렌즈가 계산할 수 있는 'sigma' 가 있지만,
# 실현된 꼬리 확률이 렌즈가 예측한 것보다 훨씬 더 높음.
# 이 두꺼운 꼬리 데이터의 5σ 사건은 대략 0.5% — 350만 분의 1 이 아니야.
# 같은 σ-어휘; 다른 현실.

Exercise

시그마로 표현된 위험 주장 하나를 찾아봐. σ가 퍼짐 요약인지 정규 꼬리확률의 입력인지 구분하고, 추정기간·의존성·상태 변화·경험적 꼬리를 확인해. 분위수나 스트레스 시나리오를 함께 제시하면 결론이 어떻게 바뀌는지도 적어.

Hint

극단사건이 예상보다 자주 보인다고 무조건 멱법칙이나 무한분산을 선언하지 마. 먼저 시간가변 변동성, 혼합분포, 의존성, 자료 품질을 확인해.

두 단계를 구분해

왜 평온한 구간이 위험할까

시민의 점검표

트랙 04 마무리

Code

External links

Exercise

Progress

댓글 0