~12 min · normalization, meta-frame, clt, perception, audio, image
Level 0통계 초심자
0 XP0/55 lessons0/14 achievements
0/100 XP to next level100 XP to go0% complete
"통계의 표준화와 감각·신호 시스템의 적응은 닮은 점이 있어. 하지만 같은 메커니즘도, 모두 CLT의 사례도 아니야."
비유의 경계를 먼저 그어
트랙 02에서는 서로 다른 시스템이 입력을 다루기 쉬운 범위로 바꾸는 모습을 하나의 '정규화' 프레임으로 묶었어. 이 프레임은 유용하지만, 서로 다른 현상을 같은 물리 법칙으로 만들지는 않아. 통계의 표준화, 신경계의 적응, 카메라의 노출 제어, 오디오의 동적 범위 압축은 목적과 계산이 서로 달라.
CLT에서 실제로 하는 일
중심극한정리에서는 합에서 기대값을 빼고 표준편차 크기로 나눠.
(Sₙ − nμ) / (σ√n)
이 변환을 하면 서로 다른 표본 크기의 합을 같은 척도에서 비교할 수 있어. 조건이 맞을 때 이 표준화된 합의 분포가 표준 정규분포에 가까워진다는 것이 CLT의 결론이야. 단순히 값을 재스케일링했다고 종 모양이 생기는 것은 아니고, 합의 확률 구조와 정리의 조건이 함께 필요해.
뇌와 장치는 무엇을 하나
시각계는 주변 밝기와 대비에 적응하고, 청각계는 시간과 주파수에 따라 감도를 조절해. 이 과정에는 여러 단계의 신경 계산이 들어가며, CLT의 표준화 공식을 그대로 실행한다고 볼 근거는 없어.
오디오 컴프레서는 신호 레벨이 문턱값을 넘을 때 설정한 비율과 시간 상수에 따라 게인을 줄여. 카메라의 자동 노출은 센서 측광과 장면 분석을 바탕으로 셔터 속도·조리개·감도 같은 변수를 조절하지. 둘 다 제한된 출력 범위를 관리하지만, 하나의 보편적인 '평균을 빼고 표준편차로 나누기' 연산은 아니야.
그래도 비유가 쓸모 있는 이유
공통점은 입력의 맥락을 읽고, 제한된 범위에서 비교하거나 표현하기 쉽게 바꾼다는 데 있어. 이 정도의 추상화에서는 같은 가족으로 볼 수 있지. 다만 이 비유로 종 모양의 원인을 증명하거나, 뇌와 카메라가 CLT를 구현한다고 주장하면 범위를 넘어가.
루프를 닫는 프레임
좋은 비유는 구조를 보게 하고, 좋은 통계는 비유가 멈추는 지점도 표시해. '집계와 척도 조정'이라는 공통 패턴을 기억하되, 어떤 정리와 조건이 실제 결론을 지지하는지는 따로 확인해야 해. 트랙 10에서도 이 경계를 지키며 전체 이야기를 묶을 거야.
Code
두 도메인의 집계+정규화 나란히 보기·python
import numpy as np
rng = np.random.default_rng(50)
# 두 도메인에서 집계 후 정규화 를 나란히 시연.
# 도메인 1: 수학적 CLT — 30개 균등 draw 합, 표준화.
M = 5_000
uniform_samples = rng.uniform(low=-1, high=1, size=(M, 30))
sums = uniform_samples.sum(axis=1)
math_normalized = (sums - sums.mean()) / sums.std()
# 도메인 2: '오디오' 스타일 — 변하는 음량의 노이즈 신호, 윈도우 집계,
# 그리고 윈도우 레벨에 대해 정규화.
T = 50_000
signal = rng.normal(scale=np.linspace(0.5, 3.0, T), size=T) # 음량 증가
window = 200
aggregated = np.convolve(signal, np.ones(window) / window, mode="same")
local_std = np.sqrt(np.convolve(signal ** 2, np.ones(window) / window, mode="same"))
audio_normalized = signal / (local_std + 1e-6)
for label, x in [("수학 (CLT-표준화)", math_normalized), ("오디오 (윈도우-정규화)", audio_normalized)]:
print(f"{label:>28s}: 평균={x.mean():+.3f} std={x.std():.3f} 범위=[{x.min():+.2f}, {x.max():+.2f}]")
# 두 파이프라인: 집계, 그러고 나서 보편 격자로 재스케일.
# 한쪽은 통계; 다른 쪽은 신호 처리.
# 같은 동작; 다른 이름; 같은 가족.