Chapter 8 - 적분 등장, 미적분학의 기본정리

0. 이 장의 목적

"단순히 넓이를 구하는 기술을 넘어, '누적된 변화'가 어떻게 '순간적 변화(미분)'의 역연산이 되는지 미적분학의 기본정리(FTC)를 통해 그 본질적 연결고리를 체득한다."

Chapter 7까지가 오차를 지배하는 극한($\epsilon$-$\delta$)의 엄밀성과 로피탈 정리를 통해 미분 불능의 난관을 돌파하는 세계를 다루었다면, Chapter 8은 잘게 쪼갠 변화량을 하나로 엮어내는 '적분(Integral)'과 미분·적분을 하나의 체계로 통합하는 '미적분학의 기본정리(FTC)'의 세계로 들어갑니다.

우리는 이 장을 통해 불규칙하게 변하는 속도 곡선 아래의 넓이가 왜 이동 거리가 되는지 리만 합의 기하학적 원리를 파악하고, 전혀 다른 문제처럼 보였던 '넓이 구하기'와 '기울기의 역연산'이 맞닿는 순간을 이해하여, 이것이 확률 밀도 함수(PDF)의 기댓값 계산과 AI/딥러닝의 연속 시간 모델(Neural ODE, Diffusion Model)에 어떻게 적용되는지 직관적으로 체득해 보겠습니다.

1. 적분(Integral)의 직관적 탄생: 속도와 거리

1.1 자동차의 계기판 예시

창문이 가려진 차 안에서 오직 속도계만 볼 수 있다고 가정해 봅시다.

$8$초 동안 변화하는 속도 $v(t) = t(8-t)$를 관찰했을 때, 우리가 총 이동한 거리 $s(t)$를 어떻게 알 수 있을까요?

• 미분의 역산: 이전 장에서 거리의 미분이 속도임을 배웠습니다.

• 따라서 거리를 구하는 것은 "미분해서 $v(t)$가 되는 함수(부정적분)는 무엇인가?"라는 질문과 같습니다.

1.2 "곱셈"의 한계와 미세한 조각들

속도가 일정하다면 $\text{거리} = \text{속도} \times \text{시간}$으로 간단히 계산할 수 있습니다. 그러나 현실의 속도는 매 순간 변합니다.

이를 해결하기 위해 시간을 아주 짧은 간격 $dt$로 나누고, 그 짧은 찰나만큼은 속도가 일정하다고 가정하여 작은 직사각형의 넓이 $v(t) \cdot dt$를 구한 뒤 모두 더합니다.

2. 리만 합과 적분 기호의 엄밀한 의미

2.1 시그마($\sum$)에서 인테그랄($\int$)로

• $dt$의 이중적 역할: $dt$는 직사각형의 가로 길이이자 샘플링하는 시간 간격을 의미합니다. $dt$가 작아질수록 직사각형의 개수는 무한히 많아지고 실제 곡선과의 오차는 사라집니다.

• 늘어진 S ($\int$): 적분 기호 $\int$는 'Sum(합)'의 머리글자 S를 길게 늘어뜨린 것입니다. 이는 $dt \to 0$으로 수렴할 때 무한히 많은 미세 영역들의 누적합을 의미합니다.

2.2 기하학적 해석: 부호가 있는 넓이(Signed Area)

그래프가 가로축($t$축) 아래로 내려가면 속도가 음수(후진)임을 뜻합니다.

이때의 넓이는 음수값으로 계산되어 총 변위에서 차감됩니다. 즉, 정적분은 단순한 '기하학적 면적'이 아니라 '방향성이 고려된 순 누적량(Net Accumulation)'입니다.

3. 미적분학의 기본정리 (Fundamental Theorem of Calculus, FTC)

미적분학에서 가장 위대한 통찰은 "곡선 아래의 넓이를 구하는 문제"와 "미분의 역연산을 찾는 문제"가 본질적으로 같다는 점입니다.

3.1 넓이 함수 $A(x)$의 미분

어떤 함수 $f(t)$에 대해 $a$부터 $x$까지의 넓이를 나타내는 함수를 $A(x) = \int_a^x f(t)\,dt$라고 정의해 봅시다.

$x$가 아주 미세하게 $dx$만큼 증가할 때, 넓이의 변화량 $dA$는 높이 $f(x)$와 가로 $dx$를 곱한 미세 직사각형의 넓이와 거의 같습니다.

$dA \approx f(x) \cdot dx$

양변을 $dx$로 나누면 다음과 같은 미분 형태를 얻습니다:

$\frac{dA}{dx} = f(x)$

핵심: 넓이 함수 $A(x)$를 미분하면 원래의 함수 $f(x)$가 튀어나옵니다. 즉, 적분의 도함수는 원래 함수입니다.

3.2 계산의 마법: 양 끝점만으로 충분하다

연속적인 모든 지점의 넓이를 일일이 더할 필요 없이, $f(x)$의 부정적분 함수를 $F(x)$라 할 때 양 끝값의 차이만으로 정적분이 완벽히 계산됩니다.

$\int_{a}^{b} f(x)\,dx = F(b) - F(a)$

이는 수많은 미세 변화량($dt$)들이 연속적으로 더해지면서 중간 지점들의 경계가 서로 상쇄(Telescoping)되고, 결국 시작점과 끝점의 상태 차이만 남기 때문입니다.

4. 실전 분석 및 AI 확장

4.1 $v(t) = t(8-t)$의 이동 거리 계산

미적분학의 기본정리를 활용해 $t=0$부터 $t=8$까지 이동한 거리를 엄밀하게 구해봅니다.

1. 식 전개: $v(t) = 8t - t^2$
2. 부정적분 도출: 미분해서 $8t - t^2$이 되는 원시함수 $s(t)$를 찾습니다.
   $s(t) = 4t^2 - \frac{1}{3}t^3 + C \quad (\text{단, } C \text{는 적분상수})$
3. 정적분 계산 ($t=0$부터 $t=8$까지):
   $\int_{0}^{8} (8t - t^2)\,dt = \left[ 4t^2 - \frac{1}{3}t^3 \right]_{0}^{8}$ $= \left( 4(8^2) - \frac{1}{3}(8^3) \right) - (0) = 256 - \frac{512}{3} = \frac{256}{3} \approx 85.33$

   통찰: 이 수치는 속도 곡선 아래의 전체 면적이자, 8초 동안 자동차가 실제로 전진한 총 물리적 거리입니다.

4.2 AI 엔지니어가 잡아야 할 직관

머신러닝에서 적분은 연속 확률 분포의 기댓값($\mathbb{E}[X] = \int x p(x)\,dx$) 과 누적 분포 함수(CDF) 의 근간이 됩니다. 특히 고차원 적분은 해석적으로 풀기 어려워 몬테카를로(Monte Carlo) 샘플링이나 VAE의 변분 추론(Variational Inference)으로 근사합니다. 나아가 최신 생성 모델인 확산 모델(Diffusion Model) 과 Neural ODE 는 네트워크 레이어를 이산적인 스텝이 아닌 연속 시간 $t$에 대한 적분 궤적으로 정의하여 미분방정식 솔버(ODE Solver)를 통해 데이터를 생성합니다.

5. 이 장의 핵심 요약

• 적분의 본질: 적분은 잘게 쪼갠 뒤 다시 합치는 과정(Integrate)이며, 그래프 아래의 누적된 부호 있는 넓이(Signed Area)를 의미합니다.

• 미분과의 연결: 넓이 함수를 미분하면 원래 함수가 됩니다($\frac{d}{dx}\int_a^x f(t)dt = f(x)$). 이 정리를 통해 복잡한 면적 계산이 단순한 '미분의 역연산'으로 전환됩니다.

• 경계값의 원리: 정적분은 무수한 중간 과정을 거치지만, 최종 결과는 역도함수의 양 끝점 차이($F(b) - F(a)$)만으로 완벽히 결정됩니다.

• 공학적 확장: 연속적인 확률 밀도의 누적합, 기댓값 추정, 연속 시간 신경망(Neural ODE)의 상태 전이를 해석하는 근본 도구로 사용됩니다.

6. 스스로 체크하기

아래 질문들에 대해 스스로 설명할 수 있다면 Chapter 8을 완벽히 이해한 것입니다!

• 적분상수의 상쇄: 왜 정적분 계산에서는 적분상수 $C$가 사라지는가?

  • (A: $(F(b) + C) - (F(a) + C) = F(b) - F(a)$로 $C$가 서로 상쇄되기 때문입니다. 초기 기준 위치가 어디든 상관없이 두 지점 사이의 '순수 변화량'은 일정합니다.)

• 용어의 기원: 적분을 왜 'Integrate'라고 부르는가?

  • (A: 'Integrate'는 여러 파편을 하나로 통합한다는 라틴어(Integrare)에서 유래했습니다. 무수히 많은 미세 조각($f(x)dx$)들을 결합하여 전체 거동(면적/누적량)을 복원한다는 의미입니다.)

• 역연산의 난이도: 미분보다 적분이 계산상 훨씬 어렵게 느껴지는 이유는?

  • (A: 미분은 곱/몫/연쇄법칙 등 정형화된 알고리즘에 따라 기계적으로 분해 가능하지만, 적분은 "어떤 함수를 미분해야 이 식이 나오는가?"를 거꾸로 추론해야 하는 역문제(Inverse Problem)이기 때문입니다.)