갈톤 보드베타
공 수천 개가 핀을 지나 쌓이며 정규분포가 생기는 갈톤 보드
이 도구는 아직 안정화 중인 베타 버전입니다. 결과가 예상과 다르면 알려주세요.
- 떨어진 공
- 0
- 평균 칸
- – 이론 –
- 분산
- – 이론 –
- 카이제곱
- – df –
공은 위 가운데에서 떨어져 줄마다 핀에 부딪히며 왼쪽이나 오른쪽으로 튕깁니다. 줄마다 왼쪽·오른쪽을 동전 던지기로 정하지는 않습니다. 갈 길은 아주 작은 투입 위치 차이, 핀 위에서 멈추지 않도록 핀에 닿을 때마다 더하는 아주 작은 무작위 옆 힘, 그리고 이 차이를 키우는 충돌의 혼돈에서 정해집니다. n줄을 지나면 공이 k번째 칸에 들어갈 확률은 이항분포 C(n,k)/2ⁿ에 가깝고, 공이 많아질수록 쌓인 모양이 종 모양의 정규분포(평균 n/2, 분산 n/4)에 다가갑니다. 선은 지금까지 떨어진 공 수로 계산한 이론 높이입니다. 캔버스를 누르거나 끌면 그 위치에서 공을 더 떨어뜨릴 수 있습니다(맨 바깥 두 칸은 넘친 공 칸).
처리 중…
0.0
멈춘 것이 아닙니다. 계산이 끝나면 결과가 표시됩니다.
갈톤 보드 소개
갈톤 보드는 엇갈리게 박힌 핀 사이로 공을 떨어뜨려 아래 칸에 쌓는 장치다. 공은 줄마다 핀 하나에 부딪혀 왼쪽이나 오른쪽으로 비껴 가고, n줄을 지나면 오른쪽으로 간 횟수 k에 따라 k번째 칸에 들어간다. 매 줄의 선택이 반반이고 서로 독립이라면 k번째 칸에 들어갈 확률은 이항분포 C(n,k)/2ⁿ이다. 프랜시스 골턴은 1889년 『Natural Inheritance』에서 이 장치(퀸컹스)를 그림과 함께 설명하며, 작은 우연이 여러 번 더해지면 종 모양 분포가 된다는 것을 보여 주었다.
이 시뮬레이션은 동전을 던지지 않는다. 공은 중력과 핀 충돌을 계산하는 물리 엔진으로 움직이고, 왼쪽·오른쪽은 투입 위치의 미세한 차이, 핀에 닿을 때마다 더하는 아주 작은 무작위 옆 힘, 그리고 충돌의 혼돈에서 정해진다. 그래서 이론 이항분포와 비교해 보는 것 자체가 실험이 된다. 공이 반반으로 갈리는가, 줄마다 독립인가를 결과로 확인하는 것이다.
이항분포에서 정규분포로
n줄을 지난 공의 칸 번호 k는 평균 n/2, 분산 n/4인 이항분포를 따른다. 기본값 12줄이면 평균은 6번 칸, 표준편차는 √3 ≈ 1.73칸이다. 가운데 칸 확률은 C(12,6)/4096 = 924/4096 ≈ 22.6%이고, 맨 끝 칸은 1/4096로 3,000개를 떨어뜨려도 평균 0.7개밖에 들어가지 않는다.
중심극한정리는 독립인 작은 변화를 많이 더하면 그 합이 정규분포에 가까워진다고 말한다. 공의 최종 위치는 ±½ 칸 이동 n개의 합이므로 n이 클수록 정규분포 곡선과 맞아 간다. 도구의 두 선(이항, 정규)을 켜고 줄 수를 바꿔 보면 차이가 보인다. 4줄에서 가운데 칸은 이항 0.375, 정규 근사 0.399로 6% 넘게 어긋나지만, 24줄에서는 0.1612와 0.1629로 1% 정도만 다르다.
관찰 실험 1: 반발 계수와 공이 건너뛰는 칸
진짜 갈톤 보드에서 공은 핀 하나에 맞고 바로 아래 줄의 이웃 핀으로만 가지 않는다. 튕김이 크면 한 줄을 건너뛰거나 같은 방향으로 연달아 미끄러진다. 이렇게 되면 줄마다의 선택이 독립이 아니게 되어 분산이 n/4에서 벗어난다. 튕김(반발 계수)을 0.35에서 0.7로 올리고 3,000개를 다시 떨어뜨린 뒤 「분산」과 이론값을 비교해 보라. 반대로 0.1로 낮추면 공이 핀에 착 붙어 한 칸씩 내려가 이항분포에 더 가깝게 움직인다. 결과는 보드 크기와 설정에 따라 달라지므로, 실제 값은 도구의 통계 칸에서 확인한다.
관찰 실험 2: 무작위는 어디서 오는가
투입 흔들림을 0으로 두면 모든 공이 정확히 같은 위치, 같은 속도로 출발한다. 그래도 분포가 생기는 이유는 두 가지다. 핀에 닿을 때마다 아주 작은 가로 흔들림이 더해지고(핀 꼭대기에서 영원히 균형을 잡는 것을 막기 위한 처리), 핀 충돌은 작은 차이를 줄마다 크게 키우는 혼돈계이기 때문이다. 실제 장치에서도 공 표면의 미세한 흠이나 공기 흐름이 같은 역할을 한다. 결정론적 물리가 확률처럼 보이는 결과를 낸다는 점이 골턴의 장치가 지금도 흥미로운 이유다.
카이제곱 값 읽는 법
도구는 기대 빈도가 5개 이상인 칸만 모아 χ² = Σ(관측 − 기대)²/기대를 계산한다. 공이 정말 이항분포를 따른다면 χ²는 대략 자유도와 비슷한 값 근처에서 흔들린다. 12줄, 3,000개라면 기대 빈도가 5 이상인 칸은 1번부터 11번까지 11칸이고, 전체 개수를 맞추는 제약이 하나 있으므로 자유도는 10이고, 도구도 칸 수에서 1을 뺀 10을 표시한다. 자유도 10에서 유의수준 5% 임계값은 18.31이므로 χ²가 그보다 크게 나오면 반반·독립 가정이 이 설정에서 맞지 않는다고 볼 수 있다.
예시
기본 설정의 기대 분포
- 입력
12줄, 공 3,000개- 결과
가운데(6번) 칸 ≈ 677개, 5·7번 ≈ 580개, 0·12번 칸 ≈ 0.7개
3,000 × 924/4096 = 676.8, 3,000 × 792/4096 = 580.1. 평균은 6, 분산은 3이다. 평균의 표준오차는 √(3/3000) ≈ 0.03칸이므로 측정 평균이 6.1을 넘으면 보드가 한쪽으로 기울었을 가능성을 의심해 볼 만하다.
줄 수에 따른 정규 근사의 정확도
- 입력
가운데 칸 확률: 4줄 / 12줄 / 24줄- 결과
이항 0.375 / 0.226 / 0.161, 정규 0.399 / 0.230 / 0.163
정규 근사의 가운데 높이는 1/(σ√(2π)), σ = √n/2다. 줄이 늘수록 두 값의 상대 오차가 약 6% → 2% → 1%로 줄어든다.
사용 방법
- 핀 줄 수와 공 개수를 정한다(바꾸면 처음부터 다시 떨어진다).
- 튕김과 투입 흔들림을 조절하고 공이 쌓이는 것을 본다.
- 이항분포·정규분포 선과 평균·분산·카이제곱을 이론값과 비교한다.
- 캔버스를 눌러 원하는 위치에서 공을 추가로 떨어뜨린다.
자주 묻는 질문
맨 바깥 두 칸은 무엇인가요?
벽에 부딪혀 보드 가장자리로 빠진 공을 받는 넘침 칸이다. 이론 이항분포에는 없는 칸이라 평균·분산에는 포함하되 카이제곱 계산에서는 빠진다.
공을 한가운데가 아닌 곳에서 떨어뜨리면요?
분포의 중심이 그 위치로 옮겨 간다. 모양은 같은 이항분포이지만 가장자리에 가까우면 넘침 칸으로 새는 공이 늘어난다.
골턴은 이 장치로 무엇을 보이려 했나요?
『Natural Inheritance』에서 그는 키 같은 형질이 많은 작은 요인의 합이라면 정규분포를 따른다는 생각을 이 장치로 설명했다. 같은 책에는 칸을 두 단계로 나눈 변형 장치도 나오는데, 이것으로 부모와 자식 사이의 평균으로의 회귀를 설명했다.
공이 많을수록 이론과 더 잘 맞나요?
무작위 요동은 칸마다 대략 √(기대 개수)만큼이라, 공이 많을수록 상대 오차는 줄어든다. 하지만 보드 자체의 치우침(반발 계수로 인한 칸 건너뛰기 등)은 공을 늘려도 사라지지 않고 오히려 카이제곱에서 더 뚜렷하게 드러난다.
참고
핀 충돌에는 공이 핀 위에 멈추지 않도록 아주 작은 난수 차기가 들어간다. 무작위성의 일부는 이 처리에서 나온다.
공기 저항과 속력 상한이 들어 있어 실제 나무 보드보다 공이 덜 튀도록 조정되어 있다.
출처
- Francis Galton, Natural Inheritance (1889), galton.org facsimile
- NIST/SEMATECH e-Handbook — Binomial distribution
- NIST/SEMATECH e-Handbook — Chi-square goodness-of-fit test
기준일: