P2-2.3 극한(limit)과 변화의 직관¶

Section ID: P2-2.3 Version: v2026.07.20

P2-2.2에서는 시그마(sigma)를 반복 덧셈의 압축 표기로 읽었습니다. 이제 또 하나의 낯선 표기인 극한(limit)을 봅니다.

극한(limit)은 “값을 정확히 대입한다”는 감각과 조금 다릅니다. 어떤 값에 가까워질 때 함수(function)의 결과가 어디로 가까워지는지 보는 표기입니다. AI 문서에서는 극한 자체보다, 극한이 이어 주는 변화율(rate of change), 미분(derivative), 그래디언트(gradient), 최적화(optimization)의 직관이 더 자주 필요합니다.

여기서는 극한 표기를 보고 “무엇이 어디로 가까워지는가?”를 읽고, 이것이 함수의 작은 변화와 미분의 준비 단계라는 점을 설명합니다.

여기서는 극한(limit), 수렴(convergence), 변화율(rate of change), 대입(substitution), 가까워짐(approach)를 다시 정리합니다. 2.2에서 반복과 집계의 표기를 읽었다면, 값이 아주 조금 바뀔 때 함수가 어떻게 반응하는지 읽는 표기를 정리합니다.

독자 기준에서는 여기서 한 단계가 더 필요합니다. 극한을 가까워지는 경향으로 읽는 것까지만 하면 이해가 멈출 수 있습니다. Part 2에서 정말 필요한 것은 그 다음 질문, 즉 조금 가까워질 때 함수값이 얼마나 달라지는가까지 이어지는 감각입니다.

먼저 보는 작은 다리 예시¶

극한에서 미분으로 넘어가는 가장 작은 장면은 다음처럼 볼 수 있습니다.

x = 2 근처에서 값을 조금씩 움직여 봅니다.

이 표에서 독자가 먼저 볼 것은 x가 2에 가까워질수록 f(x)도 4에 가까워진다는 사실입니다. 그런데 여기서 한 걸음 더 가면, 단순히 어디로 가까워지는가만이 아니라 얼마나 빠르게 변하는가도 읽고 싶어집니다. 바로 이 질문이 변화율(rate of change), 그리고 다음 Chapter의 미분으로 이어집니다.

즉 극한은 끝점이 아니라 다리입니다.

• x가 어디로 가까워지는가?
• f(x)가 어디로 가까워지는가?
• 그 과정에서 함수값이 얼마나 빠르게 달라지는가?

이 세 번째 질문이 생겨야 극한이 미분 입구로 제대로 연결됩니다.

극한을 이해하면 이후의 여러 내용을 더 편하게 읽을 수 있습니다. 특히 “정확한 한 점”보다 “가까워질 때의 경향”을 보는 감각이 생깁니다.

• 미분(derivative)을 배울 때, 아주 작은 변화의 비율을 왜 생각하는지 이해하기 쉬워집니다.
• 그래디언트(gradient)를 읽을 때, 손실(loss)이 어느 방향으로 변하는지 보는 언어를 받아들이기 쉬워집니다.
• 최적화(optimization)를 배울 때, 값을 조금씩 바꾸며 더 나은 방향을 찾는 흐름을 이해하기 쉬워집니다.
• 수치 계산(numerical computation)에서 너무 작은 값, 0에 가까운 값, 근사(approximation)가 왜 조심스러운지 감을 잡기 쉬워집니다.
• 딥러닝 학습 설명에서 “손실을 줄이는 방향”이라는 표현이 단순한 비유가 아니라 함수 변화의 언어와 연결됨을 볼 수 있습니다.

핵심 기준: 극한(limit)과 변화의 직관¶

• 극한(limit)을 “가까워지는 값을 관찰하는 표기”로 읽을 수 있습니다.
• \(x \to a\)와 \(f(x) \to L\)의 차이를 설명할 수 있습니다.
• 극한과 단순 대입(substitution)을 구분할 수 있습니다.
• 수렴(convergence)을 값들이 하나의 값에 가까워지는 현상으로 설명할 수 있습니다.
• 작은 변화량(change)과 변화율(rate of change)의 직관을 연결할 수 있습니다.
• 극한이 이후 미분(derivative), 그래디언트(gradient), 최적화(optimization)를 읽는 준비가 되는 이유를 말할 수 있습니다.
• 극한 표기를 움직이는 값, 가까워지는 값, 관찰하는 함수값으로 나누어 읽을 수 있습니다.
• 간단한 극한 식을 대입, 정리, 주변 값 확인 수준에서 풀어 볼 수 있습니다.

세 가지 기준¶

본문을 읽을 때 기준이 되는 세 가지 관점은 다음과 같습니다.

극한을 읽는 수학교육적 관점¶

수학 교육에서 극한은 보통 “어떤 값에 한없이 가까워질 때의 값”으로 배웁니다. 여기서는 이 정의를 외우기보다, 표기 안의 역할을 나누어 읽습니다.

이 한 줄에는 네 가지 정보가 들어 있습니다.

• \(\lim\): 가까워지는 경향을 보겠다는 표시입니다.
• \(x \to a\): 입력 \(x\)가 \(a\)로 가까워진다는 뜻입니다.
• \(f(x)\): 그때 관찰할 함수값(function value)입니다.
• \(L\): 함수값이 가까워지는 목표값입니다.

이렇게 나누어 보면 극한은 “어려운 계산 기호”라기보다, 가까워지는 상황을 관찰하는 문장처럼 읽을 수 있습니다.

1. x가 a에 가까워집니다.
2. 그때 f(x)를 봅니다.
3. f(x)가 L에 가까워지는지 확인합니다.

이 관점에서 중요한 것은 “가까워진다”와 “같다”를 구분하는 것입니다. 극한은 주변에서 보이는 경향을 읽는 표기입니다. 특정 지점에서 실제로 정의되는지, 그 값을 직접 넣을 수 있는지는 별도로 확인해야 합니다.

수렴은 가까워지는 현상이다¶

한국어 수학 표현에서 자주 만나는 말로 수렴(convergence)이 있습니다. 수렴은 값들이 어떤 하나의 값에 점점 가까워지는 현상을 말합니다.

값들이 하나의 값에 가까워지면, 그 값으로 수렴한다고 말할 수 있습니다.

극한(limit)은 이런 수렴이 일어나는지, 일어난다면 어떤 값으로 가까워지는지를 표현하고 확인하는 데 쓰입니다. 그래서 다음 문장은 자연스럽습니다.

즉 x가 a에 가까워질 때 f(x)는 L로 수렴한다고 읽습니다.

다만 극한과 수렴을 완전히 같은 말로 쓰면 안 됩니다. 수렴은 가까워지는 현상이고, 극한은 그 가까워지는 값을 표현하거나 확인하는 개념과 표기입니다. 값들이 하나의 값으로 가까워지지 않으면 수렴하지 않는다고 말하고, 그 경우에는 해당 방식의 극한값을 말하기 어렵습니다.

여기서는 수렴을 깊게 증명하지 않습니다. 다만 극한 표기를 볼 때 “무엇이 어디로 수렴하는가?”라고 질문하면 이해에 도움이 됩니다.

간단한 극한 풀이¶

극한은 짧은 식을 직접 풀어 보며 감각을 만듭니다. 가장 쉬운 경우는 직접 대입해도 문제가 없는 함수입니다.

이 식은 \(x\)가 2에 가까워질 때 \(x+1\)이 어디로 가까워지는지 묻습니다. 이 경우에는 \(x=2\)를 직접 넣어도 문제가 없습니다.

따라서 다음처럼 쓸 수 있습니다.

이 경우에는 \(x\)가 2에 가까워질 때 \(x+1\)이 3으로 수렴한다고 말할 수 있습니다.

하지만 모든 극한이 이렇게 끝나지는 않습니다. 다음 식은 \(x=1\)을 바로 넣으면 분모가 0이 됩니다.

이때는 먼저 식을 정리해 봅니다.

\(x\)가 정확히 1이 아닌 주변 값에서는 \(x-1\)을 약분해 다음처럼 볼 수 있습니다.

그러면 \(x\)가 1에 가까워질 때 \(x+1\)은 2에 가까워집니다.

이 경우에도 \(x\)가 정확히 1일 때의 대입값을 말하는 것이 아니라, \(x\)가 1에 가까워질 때 식의 값이 2로 수렴한다는 점을 보는 것입니다.

여기서 핵심은 “분모가 0이면 무조건 계산 불가”라고 멈추지 않는 것입니다. 직접 대입이 안 되면, 주변에서 같은 형태로 볼 수 있는지 정리하고 가까워지는 값을 확인합니다. 이 정도의 풀이 감각이면 뒤에서 변화율과 미분 표기를 읽을 준비가 됩니다.

극한은 가까워지는 과정을 본다¶

다음 표기를 봅니다.

이 식은 다음처럼 읽습니다.

1. x가 a에 가까워질 때를 봅니다.
2. f(x)가 L에 가까워지는지 확인합니다.

여기서 중요한 것은 \(x\)가 정확히 \(a\)와 같다는 말이 아닙니다. \(x\)가 \(a\)에 점점 가까워질 때, 함수값 \(f(x)\)가 어떤 값 \(L\)에 가까워지는지를 보는 것입니다.

극한을 읽을 때는 다음을 나누어 봅니다.

• \(x \to a\): 입력(input)이 어디로 가까워지는가
• \(f(x)\): 관찰할 함수값(function value)은 무엇인가
• \(L\): 함수값이 어디로 가까워지는가

즉 극한은 하나의 값만 보는 표기가 아니라, 가까워지는 방향과 그때의 결과를 함께 보는 표기입니다.

대입과 극한은 다를 수 있다¶

극한을 “그냥 값을 넣어 보는 것”으로만 이해하기 쉽습니다. 실제로 많은 간단한 함수에서는 \(x=a\)를 대입한 값과 극한값이 같습니다.

이 경우에는 \(x=2\)를 넣어도 \(f(2)=3\)입니다. 그래서 대입과 극한이 같아 보입니다.

하지만 극한의 핵심은 대입이 아니라 가까워지는 과정입니다. 어떤 식은 특정 지점에서 직접 계산하기 어렵거나 정의되지 않아도, 그 주변에서 어디로 가까워지는지 볼 수 있습니다.

이 식은 \(x=1\)을 직접 넣으면 분모가 0이 됩니다. 하지만 \(x\)가 1에 가까워질 때의 형태를 보면 다음처럼 정리할 수 있습니다.

따라서 \(x\)가 1에 가까워질 때 \(g(x)\)는 2에 가까워집니다.

이 예시는 극한이 “정확히 그 값을 넣는다”가 아니라 “그 주변에서 어디로 가까워지는지 본다”는 점을 보여 줍니다.

작은 변화가 함수의 변화를 보여 준다¶

AI 학습에서 중요한 것은 함수값이 어떻게 변하는지입니다. 입력이 조금 바뀌면 출력이 얼마나 바뀌는지, 파라미터(parameter)가 조금 바뀌면 손실(loss)이 얼마나 바뀌는지가 중요해집니다.

아주 단순한 함수가 있다고 해 봅니다.

\(x\)가 2일 때 함수값은 다음과 같습니다.

이제 \(x\)를 조금 늘려 봅니다.

입력은 \(0.1\)만큼 변했고, 함수값은 \(0.41\)만큼 변했습니다.

1. 입력은 2에서 2.1로 변합니다.
2. 출력은 4에서 4.41로 변합니다.

이런 관찰은 변화율(rate of change)의 출발점입니다.

이 식은 “입력이 변한 양에 비해 함수값이 얼마나 변했는가”를 봅니다. 여기서는 아직 미분을 계산하지 않습니다. 중요한 것은 함수의 변화를 비율로 보려는 관점입니다.

같은 장면을 더 좁혀 보면 변화율로 넘어가는 다리가 더 선명해집니다.

구간을 점점 줄일수록 변화율이 4에 가까워지는 모습을 볼 수 있습니다. 여기서는 아직 도함수라는 말을 본격적으로 쓰지 않아도 됩니다. 독자가 붙잡아야 할 핵심은 가까워짐을 보던 질문이 이제 변화 비율이 어디로 가까워지는가라는 질문으로 바뀐다는 점입니다.

극한은 미분으로 이어진다¶

미분(derivative)은 아주 작은 변화에서의 변화율을 보려는 개념입니다. 평균적인 변화율을 더 작은 구간으로 좁혀 가면, 한 지점 근처에서 함수가 어느 방향으로 얼마나 변하는지 볼 수 있습니다.

앞의 f(x) = x^2 예시에서는 x = 2 근처 구간을 점점 줄였을 때 변화율이 4에 가까워졌습니다. 이 장면 하나가 극한과 미분의 연결을 가장 짧게 보여 줍니다.

1. 먼저 입력이 어떤 값에 가까워집니다.
2. 그때 함수값이 어디로 가까워지는지 봅니다.
3. 다음에는 변화 비율이 어디로 가까워지는지도 봅니다.
4. 이 질문이 순간 변화율과 미분으로 이어집니다.

즉 Chapter 2의 극한은 가까워짐을 읽는 언어를 복구하고, Chapter 4의 미분은 그 가까워짐을 이용해 변화 방향과 크기를 읽는 언어를 복구합니다.

이 식은 \(x\)에서 \(h\)만큼 움직였을 때 함수값이 얼마나 바뀌는지 봅니다. 여기서 \(h\)를 0에 가깝게 보내면 한 지점 근처의 변화율을 생각할 수 있습니다.

이 표기는 미분의 핵심 직관으로 이어집니다. 단, 여기서는 미분 공식이나 계산법을 다루지 않습니다. “극한은 작은 변화가 점점 작아질 때의 경향을 보는 표기이고, 그래서 미분의 언어가 된다”는 점만 잡습니다.

AI 학습에서 왜 필요한가¶

머신러닝과 딥러닝에서 학습(learning)은 보통 손실(loss)을 줄이는 방향으로 파라미터(parameter)를 조정하는 과정으로 설명됩니다. 이때 중요한 질문은 다음과 같습니다.

• 파라미터를 조금 바꾸면 손실은 어떻게 변하는가?
• 손실이 줄어드는 방향은 어디인가?
• 너무 크게 바꾸면 어떤 문제가 생기는가?

이 질문들은 변화율과 그래디언트(gradient)로 이어집니다. 극한은 이 변화율을 더 정밀하게 생각하기 위한 표기입니다.

간단히 말하면 다음 흐름입니다.

간단히 말하면 함수값이 변하면 변화량을 비교하고, 변화율을 보며, 아주 작은 변화의 경향을 읽고, 그 흐름이 미분과 그래디언트로 이어져 결국 손실을 줄이는 방향을 찾게 됩니다.

따라서 극한은 AI 모델을 직접 실행하는 표기라기보다, 학습이 “값을 조금씩 바꾸며 더 나은 방향을 찾는다”는 설명을 읽기 위한 준비입니다.

극한을 볼 때의 읽기 순서¶

극한 표기가 나오면 다음 순서로 읽습니다.

1. 무엇이 움직이는가?
2. 어디로 가까워지는가?
3. 어떤 함수값을 관찰하는가?
4. 그 함수값은 어디로 가까워지는가?
5. 이 표기가 변화율이나 미분을 준비하는가?

예를 들어 다음 식을 봅니다.

이 식은 다음처럼 읽을 수 있습니다.

• h가 0에 가까워진다.
• x에서 h만큼 움직인 뒤 함수값의 변화를 본다.
• 그 변화량을 h로 나누어 변화율을 본다.
• h를 점점 작게 하며 한 지점 근처의 변화 경향을 본다.

이 표기는 P2-4.1, P2-4.2에서 미분과 변화율을 다시 읽을 때 다시 등장합니다. 여기서는 “작은 변화를 보는 표기”로 이해합니다.

사례 및 예시¶

사례 1. 손실을 조금 바꾸면 결과가 얼마나 달라지는지를 왜 봐야 하는가¶

학습자가 극한(limit)을 보면 가장 먼저 이게 AI에서 어디에 쓰이지?라는 질문이 나올 수 있습니다. 극한 자체를 자주 계산하지 않더라도, 모델 학습에서는 값을 조금 바꾸면 손실이 어떻게 달라지는가를 계속 따지기 때문에 그 직관이 필요합니다.

예를 들어 어떤 파라미터를 약간만 올렸을 때 손실이 크게 늘어나는지, 거의 변하지 않는지를 알고 싶다고 해 보겠습니다. 이때 중요한 것은 정확히 한 점의 값만 보는 것이 아니라, 그 점 주변에서 함수가 어느 방향으로 어떻게 변하는지를 보는 관점입니다.

극한은 바로 이 가까워질 때의 경향을 읽는 표기입니다. 그래서 h를 0에 가깝게 보낸다는 말은 단순한 형식이 아니라, 아주 작은 변화에서의 비율을 보려는 준비 단계가 됩니다. 이 흐름이 뒤에서 미분과 그래디언트로 이어집니다.

이 사례는 극한을 고립된 수학 개념이 아니라 학습 방향을 읽는 전 단계로 연결합니다. 지금은 공식을 완전히 증명하는 것보다, 작은 변화의 경향을 본다는 감각을 잡는 것이 더 중요합니다.

극한이 어렵게 느껴지는 이유¶

극한이 어려운 이유는 계산 자체보다 표현 방식이 낯설기 때문입니다. 특히 가까워지는 입력, 그때의 함수값, 정확한 대입과 주변 경향의 차이가 한꺼번에 섞이면 어렵게 느껴집니다.

극한을 처음 복구할 때는 엄밀한 증명보다 문장으로 풀어 읽는 것이 먼저입니다. 예를 들어 x가 a에 가까워질 때 f(x)는 어디로 가까워지는가?, h가 0에 가까워질 때 변화율은 어떤 값에 가까워지는가?를 먼저 물어볼 수 있어야 합니다.

이 질문을 할 수 있으면, 이후 미분과 그래디언트를 읽을 준비가 됩니다.

체크리스트¶

• 극한(limit)을 가까워지는 과정을 보는 표기로 설명할 수 있다.
• \(x \to a\), \(h \to 0\), \(f(x) \to L\)의 의미를 구분할 수 있다.
• 극한과 단순 대입(substitution)이 항상 같은 뜻은 아님을 설명할 수 있다.
• 수렴(convergence)을 값들이 하나의 값에 가까워지는 현상으로 설명하고, 극한(limit)과 같은 말로 단정하지 않을 수 있다.
• 작은 변화량(change)과 변화율(rate of change)의 관계를 설명할 수 있다.
• 극한이 미분(derivative), 그래디언트(gradient), 최적화(optimization)를 읽는 준비가 되는 이유를 말할 수 있다.
• 극한이 이후 미분, 그래디언트, 최적화, 수치 계산에서 다시 등장하는 이유를 설명할 수 있다.
• 간단한 극한 식을 직접 대입하거나 식을 정리해 가까워지는 값을 계산할 수 있다.
• 극한을 단순 대입과 구분하고, 작은 변화의 경향을 읽는 언어로 설명할 수 있다.
• 극한이 미분, 그래디언트, 최적화로 이어지는 이유를 한 흐름으로 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.
• Catherine F. Higham, Desmond J. Higham, Deep Learning: An Introduction for Applied Mathematicians, arXiv, 2018, 확인 날짜: 2026-07-19.
• OpenStax, Calculus Volume 1, 2.2 The Limit of a Function, Rice University, 확인 날짜: 2026-07-19. 표와 주변 값으로 극한을 추정하는 설명을 확인하는 참고 자료입니다.
• OpenStax, Calculus Volume 1, 3.1 Defining the Derivative, Rice University, 확인 날짜: 2026-07-19. 변화율과 차분몫의 극한을 미분 직관으로 연결하는 부분의 참고 자료입니다.