P2-2.2 시그마(sigma)와 반복 계산¶

Section ID: P2-2.2 Version: v2026.09.08

시그마(sigma)는 여러 값을 더하는 계산을 압축한 표기입니다.

\[ \sum \]

시그마(sigma)는 낯설어 보이지만, 핵심은 단순합니다. 여러 값을 반복해서 더하라는 뜻입니다. AI 문서에서는 데이터 여러 개의 합, 평균(mean), 손실(loss)의 합, 배치(batch) 단위 계산을 설명할 때 자주 등장합니다.

반복 범위와 더할 값¶

기준	왜 중요한가
시그마는 같은 모양의 덧셈을 반복하라는 압축 표기라는 점	낯선 기호를 계산 구조로 다시 읽게 해 줍니다.
인덱스는 몇 번째 값을 더하는지 구분하는 이름이라는 점	반복 위치를 놓치지 않게 해 줍니다.
시그마가 AI 문서에 자주 나오는 이유는 여러 데이터를 모아 합·평균·손실을 계산하기 때문이라는 점	통계와 손실 집계가 왜 같은 표기를 공유하는지 보여 줍니다.

시그마의 구성¶

시그마에는 반복 범위와 더할 항을 함께 적습니다.

\[ \sum_{i=1}^{n}x_i \]

이 한 줄에는 네 가지 정보가 들어 있습니다.

큰 기호 \(\sum\): 더하라는 명령입니다.
아래 \(i=1\): 어디서 시작할지 알려 줍니다.
위 \(n\): 어디까지 반복할지 알려 줍니다.
오른쪽 \(x_i\): 반복할 때마다 무엇을 더할지 알려 줍니다.

이렇게 나누어 보면 시그마는 갑자기 등장한 어려운 기호가 아니라, 반복 덧셈을 짧게 적는 문장처럼 읽을 수 있습니다.

i를 1에서 시작합니다.
i가 n이 될 때까지 반복합니다.
매번 x_i를 더합니다.

즉 시그마는 “합”이라는 결과만 말하는 기호가 아닙니다. 무엇을 어떤 순서와 범위로 모을지 함께 적는 표기입니다. 이 관점은 코드의 반복문(loop)을 떠올릴 때도 유용합니다.

다만 시그마가 코드의 반복문과 완전히 같다는 뜻은 아닙니다. 수학 표기는 계산 구조를 압축해 보여 주고, 코드는 그 계산을 실제 실행 절차로 풀어 씁니다.

간단한 시그마 풀이¶

시그마는 짧은 식을 직접 풀어 써 보면서 읽습니다.

\[ \sum_{i=1}^{3} i \]

이 식은 \(i\)를 1부터 3까지 바꾸며 \(i\) 자체를 더하라는 뜻입니다.

1
2
3

i = 1일 때 더할 값: 1
i = 2일 때 더할 값: 2
i = 3일 때 더할 값: 3

따라서 다음처럼 풀어 쓸 수 있습니다.

\[ \sum_{i=1}^{3} i = 1 + 2 + 3 = 6 \]

조금 더 AI 문서에 가까운 형태로 보면 다음과 같습니다.

\[ \sum_{i=1}^{3}x_i \]

만약 \(x_1=2\), \(x_2=4\), \(x_3=6\)이라면 다음처럼 계산합니다.

\[ \sum_{i=1}^{3}x_i = x_1 + x_2 + x_3 = 2 + 4 + 6 = 12 \]

평균까지 계산하면 다음과 같습니다.

\[ \frac{1}{3}\sum_{i=1}^{3}x_i = \frac{1}{3}(2 + 4 + 6) = 4 \]

인덱스와 반복문¶

시그마에서 i는 인덱스(index)입니다. 인덱스는 지금 몇 번째 값을 보고 있는지 나타내는 이름입니다.

\[ \sum_{i=1}^{n}x_i \]

여기서 각 부분은 다음처럼 읽습니다.

i: 반복 위치를 나타내는 인덱스(index)
1: 시작 위치
n: 끝 위치
xi: i번째 값
Σ: i를 바꾸며 값을 더하라는 표시

코드로는 다음과 비슷합니다.

값 네 개가 들어 있는 리스트 values입니다. 전체 합 10이 출력됩니다.

# values는 반복해서 더할 값들의 목록입니다.
values = [1, 2, 3, 4]

# total은 반복문이 지나가며 합을 누적하는 변수입니다.
total = 0

for value in values:
    total = total + value

print(total)

실행 결과 예시:

수식의 i와 코드의 value가 완전히 같은 것은 아닙니다. 하지만 둘 다 반복 중 현재 보고 있는 대상을 가리킨다는 점에서 연결됩니다.

합과 평균¶

평균(mean)은 시그마를 이해하기 좋은 예입니다. 여러 값을 모두 더하고, 그 개수로 나누면 평균입니다.

\[ \mathrm{mean} = \frac{x_1 + x_2 + x_3 + x_4}{4} \]

시그마로 쓰면 다음처럼 압축됩니다.

\[ \mathrm{mean} = \frac{1}{n}\sum_{i=1}^{n}x_i \]

이 식은 다음처럼 읽습니다.

i를 1부터 n까지 바꾸며 x_i를 모두 더합니다.
그 합을 n으로 나눕니다.

코드로는 다음처럼 쓸 수 있습니다.

값 네 개가 들어 있는 리스트 values입니다. 평균값 2.5가 출력됩니다.

# values는 평균을 낼 데이터이고, mean은 그 요약값입니다.
values = [1, 2, 3, 4]
mean = sum(values) / len(values)

print(mean)

실행 결과 예시:

2.5

NumPy 배열(array)을 쓰면 더 짧게 쓸 수 있습니다.

값 네 개를 담은 NumPy 배열 values입니다. 평균값 2.5가 출력됩니다.

import numpy as np

# values는 NumPy 배열로 바꾼 반복 계산 대상입니다.
values = np.array([1, 2, 3, 4])

# mean은 배열 전체를 하나의 평균값으로 집계합니다.
mean = values.mean()

print(mean)

실행 결과 예시:

2.5

여기서 values.mean()은 내부적으로 평균 계산을 수행합니다. 수식의 시그마를 직접 쓰지는 않지만, 여러 값을 모아 계산한다는 구조는 같습니다.

샘플별 손실과 평균 손실¶

머신러닝에서 손실(loss)은 모델 출력과 기준값 사이의 차이를 숫자로 표현합니다. 데이터가 하나라면 손실도 하나만 계산하면 됩니다.

\[ \mathrm{loss} = (\mathrm{prediction} - \mathrm{target})^2 \]

하지만 실제 학습에서는 데이터가 여러 개입니다. 각 데이터마다 예측(prediction)과 목표값(target)이 있고, 각 데이터마다 손실이 생깁니다.

\[ \mathrm{loss}_1,\ \mathrm{loss}_2,\ \mathrm{loss}_3,\ \cdots,\ \mathrm{loss}_n \]

전체 손실(total loss)을 단순히 더하면 다음과 같습니다.

\[ \mathrm{total\_loss} = \mathrm{loss}_1 + \mathrm{loss}_2 + \cdots + \mathrm{loss}_n \]

시그마로 쓰면 다음과 같습니다.

\[ \mathrm{total\_loss} = \sum_{i=1}^{n}\mathrm{loss}_i \]

평균 손실(mean loss)은 이 합을 데이터 개수로 나눈 것입니다.

\[ \mathrm{mean\_loss} = \frac{1}{n}\sum_{i=1}^{n}\mathrm{loss}_i \]

코드로는 다음처럼 볼 수 있습니다.

예측값 리스트 predictions와 정답 리스트 targets입니다. 각 샘플 손실의 평균값이 출력됩니다.

# predictions와 targets는 각 샘플의 예측값과 실제값을 짝으로 비교하기 위한 목록입니다.
predictions = [2.8, 4.1, 5.0]
targets = [3.0, 4.0, 4.5]

# losses에는 샘플별 제곱 오차가 차례로 쌓입니다.
losses = []
for prediction, target in zip(predictions, targets):
    loss = (prediction - target) ** 2
    losses.append(loss)

# mean_loss는 여러 샘플의 손실을 하나로 요약한 평균 손실입니다.
mean_loss = sum(losses) / len(losses)
print(mean_loss)

실행 결과 예시:

1	`0.09999999999999999`

이 예시는 실제 딥러닝 학습 코드를 단순화한 것입니다. 핵심은 데이터가 여러 개라서 같은 계산이 반복되고, 그 반복 결과를 합치거나 평균 낸다는 점입니다.

배치의 손실 집계¶

딥러닝에서는 데이터를 하나씩 처리하기보다 여러 개를 묶어 배치(batch)로 처리하는 일이 많습니다. 배치 안에는 여러 샘플(sample)이 있고, 모델은 각 샘플에 대해 출력을 만듭니다. 여기서 batch는 여러 입력 데이터 묶음이고, prediction은 각 입력에 대한 모델 출력이며, loss는 각 출력과 기준값의 차이이고, mean_loss는 배치 안 손실의 평균입니다.

이때도 시그마의 관점은 유지됩니다. 즉 배치 안의 각 샘플을 보고, 각 샘플의 손실을 계산한 뒤, 그 손실들을 더하거나 평균 냅니다.

반복문과 배열 연산¶

앞의 세 샘플에서 제곱 오차는 각각 약 0.04, 0.01, 0.25이고, 평균은 (0.04 + 0.01 + 0.25) / 3 = 0.1입니다. NumPy에서는 뺄셈과 제곱을 배열의 각 위치에 적용하고 mean()으로 평균을 구합니다.

예측 배열 predictions와 정답 배열 targets입니다. 평균 손실값이 출력됩니다.

import numpy as np

# predictions와 targets는 배열 계산으로 한 번에 비교할 예측값과 실제값입니다.
predictions = np.array([2.8, 4.1, 5.0])
targets = np.array([3.0, 4.0, 4.5])

# losses는 샘플별 제곱 오차 배열이고, mean_loss는 그 평균입니다.
losses = (predictions - targets) ** 2
mean_loss = losses.mean()

print(mean_loss)

실행 결과 예시:

1	`0.09999999999999999`

반복문이 보이지 않지만 반복 계산이 사라진 것은 아닙니다. 배열 계산이 여러 값을 한 번에 다루도록 표현을 바꾼 것입니다.

체크리스트¶

시그마(sigma)를 반복 덧셈의 압축 표기로 설명할 수 있다.
인덱스(index), 시작 위치, 끝 위치, 더할 항(term)을 구분할 수 있다.
평균(mean)을 시그마 표기와 코드로 모두 설명할 수 있다.
여러 데이터의 손실(loss)을 더하거나 평균 내는 흐름을 설명할 수 있다.
반복문(loop)과 배열 계산(array computation)이 시그마 표기와 연결될 수 있음을 설명할 수 있다.
시그마가 나오면 “무엇을 몇 번 더하는가?”라는 질문으로 풀어 읽을 수 있다.
시그마가 이후 통계(statistics), 손실 계산(loss calculation), 배치 계산(batch calculation), 최적화(optimization)를 읽는 데 도움이 되는 이유를 설명할 수 있다.
간단한 시그마 식을 항(term)별로 펼쳐 쓰고 합 또는 평균을 계산할 수 있다.
평균, 손실, 배치 계산이 같은 집계 구조라는 점을 시그마와 코드로 연결해 설명할 수 있다.

출처와 참고 자료¶

Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong, Mathematics for Machine Learning, Cambridge University Press, 2020, 확인 날짜: 2026-07-19.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016, 확인 날짜: 2026-07-19.
Charles R. Harris et al., Array Programming with NumPy, Nature, 2020, 확인 날짜: 2026-07-19.
NumPy Developers, numpy.sum, NumPy User Guide, 확인 날짜: 2026-07-19. 배열 원소의 합과 축 기준 합 계산을 설명하는 공식 참고 자료입니다.
NumPy Developers, numpy.mean, NumPy User Guide, 확인 날짜: 2026-07-19. 평균 계산과 mean() 예제를 뒷받침하는 공식 참고 자료입니다.