[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,90 +2,168 @@
|
||||
id: wiki-2026-0508-대수의-법칙-law-of-large-numbers
|
||||
title: 대수의 법칙(Law of Large Numbers)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [LLN, Law of Large Numbers, 큰 수의 법칙]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [statistics, probability, frontend-analytics, ab-testing]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: typescript
|
||||
framework: analytics
|
||||
---
|
||||
|
||||
# 대수의 법칙(Law of Large Numbers)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
대수의 법칙(Law of Large Numbers)은 수많은 시도로부터 얻은 결과의 평균이 기댓값에 가까워져야 하며, 시도 횟수가 많아질수록 기댓값에 더욱 근접하게 된다는 수학적 원리입니다 [1]. 성공적인 게임 경제 설계에 있어서 이 법칙은 몬테카를로 시뮬레이션(Monte Carlo Simulation)의 기반이 됩니다 [1]. 이를 통해 게임 기획자들은 단순한 확률 계산을 넘어, 실제 플레이어 기반이 유발하는 변동성을 고려하여 보다 정확한 예측 결과를 얻을 수 있습니다 [2].
|
||||
## 매 한 줄
|
||||
> **"매 sample 수가 커질수록 sample mean 의 expected value 로의 수렴"**. 매 Bernoulli (1713) 의 weak LLN, Kolmogorov (1930) 의 strong LLN. 매 frontend analytics / A/B testing / RUM (Real User Monitoring) 의 통계적 정당성 — 매 sample 적으면 의미 X.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **단순 평균 및 확률의 한계 극복**: 실제 플레이어들은 개인적인 선호도나 역할놀이의 선택, 편향성 등으로 인해 게임 메커니즘과 수학적으로 최적화된 패턴으로 상호작용하지 않습니다 [3]. 따라서 무작위성(randomness)이 결여된 단순한 수학적 평균은 플레이어의 행동을 예측하는 데 실패하는 경우가 많습니다 [3].
|
||||
* **무작위성의 반영과 시뮬레이션의 정확도 향상**: 대수의 법칙과 몬테카를로 시뮬레이션을 결합하면 시뮬레이션에 무작위성을 다시 추가하여 이러한 문제를 간단하게 해결할 수 있습니다 [3]. 대수의 법칙에 따라 매개변수에 대해 더 많은 시뮬레이션을 실행할수록 결과는 더욱 정확해집니다 [2].
|
||||
* **장기적인 게임 밸런싱의 도구**: 이 법칙을 활용한 시뮬레이션은 실제 플레이어 기반이 도입하는 변동성을 설명할 수 있으므로, 단순한 확률론적 접근보다 훨씬 정확한 결과를 도출합니다 [2]. 이는 게임 디자이너가 장기간에 걸쳐 다양한 유형의 플레이어에 맞게 게임의 밸런스를 효과적으로 맞추고 경제 시스템의 구조적 무결성을 유지할 수 있도록 돕습니다 [2].
|
||||
## 매 핵심
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[몬테카를로 시뮬레이션(Monte Carlo Simulation)|몬테카를로 시뮬레이션(Monte Carlo Simulation]], 게임 경제 밸런싱(Game Economy Balancing), 게임 시뮬레이션(Game Simulation
|
||||
- **Projects/Contexts:** [[마키네이션(Machinations.io) 시뮬레이션|Machinations.io]]
|
||||
- **Contradictions/Notes:** 소스에 관련 정보에 대한 특별한 상충점은 존재하지 않습니다.
|
||||
### 매 두 형태
|
||||
- **Weak LLN**: $\bar{X}_n \xrightarrow{P} \mu$ — 매 probability convergence.
|
||||
- **Strong LLN**: $\bar{X}_n \xrightarrow{a.s.} \mu$ — 매 almost sure convergence.
|
||||
- 매 둘 다 finite mean μ 가정.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
### 매 frontend 함의
|
||||
- **A/B test sample size**: 매 N=100 의 noise 지배 — 매 N=10,000+ 필요 (effect size 의 함수).
|
||||
- **Core Web Vitals p75**: 매 RUM 의 "75th percentile" — 매 N>1,000 sessions 권장 (Google).
|
||||
- **Conversion rate stabilization**: 매 daily flux → weekly average 의 수렴.
|
||||
- **Error rate monitoring**: 매 small traffic page 의 false alert.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. A/B test power analysis (sample size calculator).
|
||||
2. Web Vitals percentile reliability.
|
||||
3. Recommendation system click-through rate.
|
||||
4. Survival analysis of user retention.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Sample size for A/B test
|
||||
```typescript
|
||||
// Two-proportion z-test, 80% power, α=0.05
|
||||
function abTestSampleSize(
|
||||
baselineRate: number,
|
||||
minDetectableEffect: number,
|
||||
): number {
|
||||
const p1 = baselineRate;
|
||||
const p2 = baselineRate + minDetectableEffect;
|
||||
const pBar = (p1 + p2) / 2;
|
||||
const z_alpha = 1.96; // two-sided 0.05
|
||||
const z_beta = 0.84; // power 0.80
|
||||
const numerator =
|
||||
Math.pow(z_alpha * Math.sqrt(2 * pBar * (1 - pBar)) +
|
||||
z_beta * Math.sqrt(p1 * (1 - p1) + p2 * (1 - p2)), 2);
|
||||
return Math.ceil(numerator / Math.pow(p2 - p1, 2));
|
||||
}
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
// Baseline 5% conversion, want to detect +1 percentage point lift
|
||||
console.log(abTestSampleSize(0.05, 0.01)); // ~3,000 per arm
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Running mean (LLN visualizer)
|
||||
```typescript
|
||||
function* runningMean(samples: Iterable<number>) {
|
||||
let n = 0;
|
||||
let mean = 0;
|
||||
for (const x of samples) {
|
||||
n += 1;
|
||||
mean += (x - mean) / n; // Welford
|
||||
yield { n, mean };
|
||||
}
|
||||
}
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
// Coin flip (true mean = 0.5)
|
||||
const flips = Array.from({ length: 10000 }, () => (Math.random() < 0.5 ? 1 : 0));
|
||||
for (const { n, mean } of runningMean(flips)) {
|
||||
if (n % 1000 === 0) console.log(`n=${n}, mean=${mean.toFixed(4)}`);
|
||||
}
|
||||
// n=1000 mean ≈ 0.49
|
||||
// n=10000 mean ≈ 0.50 (LLN convergence)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Web Vitals percentile reliability check
|
||||
```typescript
|
||||
import { onLCP } from 'web-vitals';
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
const lcpSamples: number[] = [];
|
||||
onLCP((metric) => {
|
||||
lcpSamples.push(metric.value);
|
||||
if (lcpSamples.length >= 1000) {
|
||||
const sorted = [...lcpSamples].sort((a, b) => a - b);
|
||||
const p75 = sorted[Math.floor(sorted.length * 0.75)];
|
||||
sendBeacon({ p75, n: lcpSamples.length });
|
||||
}
|
||||
});
|
||||
// p75 trustworthy only after N>1,000 (Google CrUX guidance)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Bayesian early-stopping (avoid LLN trap)
|
||||
```typescript
|
||||
// Don't peek at A/B test before sample size reached!
|
||||
function shouldStop(arm: { successes: number; trials: number }, target: number) {
|
||||
if (arm.trials < target) return false;
|
||||
// proceed to analysis
|
||||
return true;
|
||||
}
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Bootstrap confidence interval
|
||||
```typescript
|
||||
function bootstrapCI(samples: number[], B = 10000, alpha = 0.05) {
|
||||
const means: number[] = [];
|
||||
for (let b = 0; b < B; b++) {
|
||||
let sum = 0;
|
||||
for (let i = 0; i < samples.length; i++) {
|
||||
sum += samples[Math.floor(Math.random() * samples.length)];
|
||||
}
|
||||
means.push(sum / samples.length);
|
||||
}
|
||||
means.sort((a, b) => a - b);
|
||||
return [
|
||||
means[Math.floor(B * (alpha / 2))],
|
||||
means[Math.floor(B * (1 - alpha / 2))],
|
||||
];
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Sample size guideline |
|
||||
|---|---|
|
||||
| Web Vitals p75 (Google CrUX) | N > 1,000 sessions per page |
|
||||
| A/B test (5% baseline, 1pp lift) | ~3,000 per arm |
|
||||
| Click-through rate stabilization | N > 10,000 impressions |
|
||||
| Error rate monitoring (rare events) | Apply Poisson, not LLN naively |
|
||||
|
||||
**기본값**: 매 결과 보고 전 N≥1,000 — 매 LLN safety zone.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Probability Theory]] · [[Statistical Inference]]
|
||||
- 변형: [[Central Limit Theorem]] · [[Strong vs Weak Convergence]]
|
||||
- 응용: [[A/B Testing]] · [[Core Web Vitals]] · [[Real User Monitoring]]
|
||||
- Adjacent: [[Monte Carlo Methods]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 sample size 결정 / 매 metric 의 reliability 의 statistical 정당화 / 매 small-N false-positive 의 진단.
|
||||
**언제 X**: 매 비-i.i.d. data (autocorrelated time series) — 매 LLN naive 적용 X. 매 stationarity 확인.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Peeking at A/B test**: 매 N=50 에서 "winner" 선언 — 매 LLN 미달 + multiple testing.
|
||||
- **Rare event LLN**: 매 0.01% conversion → 매 N=1000 의 평균 0 가능. 매 Poisson 필요.
|
||||
- **Heavy-tail distribution**: 매 Cauchy (no finite mean) — 매 LLN 미적용.
|
||||
- **Selection bias**: 매 sample 이 random 이 X — 매 N 무관 의 biased estimate.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kolmogorov, "Foundations of Probability"; Google web.dev — Web Vitals reporting).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — LLN with frontend analytics applications |
|
||||
|
||||
Reference in New Issue
Block a user