당신이 3번 섞은 카드, 사실 안 섞였다? 마술사 출신 수학자가 찾은 카드 섞기의 정답 (인천대 이승재 교수)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

카드를 세 번 섞어 무작위처럼 보여도 충분히 섞였다고 할 수 없으며, 영상에서 설명한 52장 리플 셔플 모델에서는 약 일곱 번이 무작위에 가까워지는 기준이다.

📌 핵심 요점

1. 잘 섞였는지는 카드 한 벌의 겉모습보다 섞는 과정이 만들어 내는 확률 분포로 판단해야 한다. 정렬된 배열도 무작위 과정에서 나올 수 있고, 복잡한 배열도 의도적으로 만들 수 있다.
2. 52장 카드의 가능한 배열은 52!개다. 영상은 각 배열이 같은 확률로 나오는 균등분포와 리플 셔플의 결과 분포를 총 변동거리로 비교한다.
3. 총 변동거리는 각 결과의 확률 차이에 절댓값을 씌워 더한 뒤 절반으로 나눈 값이다. 영상의 25%씩인 분포와 40%·30%·20%·10% 분포를 비교하면 0.20이다.
4. GSR 모델은 자르는 카드 수에 이항분포를 적용하고, 두 묶음에 남은 카드 수의 비율에 따라 다음 카드를 내려놓는다. 정확히 반으로 나눠 한 장씩 교차하는 동작과는 다르다.
5. 리플 셔플은 각 묶음 내부의 상대적 순서를 보존하므로 적은 횟수로는 가능한 배열이 제한된다. 영상은 약 6~7회 부근에서 총 변동거리가 빠르게 줄어드는 컷오프 현상을 설명한다.

🧩 배경과 문제 정의

카드를 몇 번 섞으면 충분할까? 항성은 세 번 정도 섞으면 이미 무작위처럼 보인다는 일상적인 감각에서 출발해 인천대 이승재 교수에게 수학적인 판단 기준을 묻는다. 영상은 마술사 출신 수학자 퍼시 다이아코니스와 데이브 베이어가 1992년에 분석한 리플 셔플 연구를 소개한다.

문제의 대상은 특정 카드 배열의 외형이 아니라 섞는 과정이 만들어 내는 확률 분포다. 52!개의 배열이 같은 확률로 나타나는 이상적인 분포와 실제 셔플 모델의 분포를 비교하고, 그 차이가 반복에 따라 어떻게 줄어드는지 살핀다. 이를 위해 총 변동거리, GSR 모델, 상승 수열, 컷오프 현상을 차례로 설명한 뒤 사다리 게임과 다른 분야로 논의를 넓힌다.

🕒 시간순 섹션별 상세정리

1. 공정해 보이는 카드와 연구의 출발점

• 도입부에서는 참가자가 멈추는 위치를 고르는 카드 시연을 통해, 공정해 보이는 절차에도 속임수가 개입할 수 있음을 보여 준다. [00:25]
• 항성은 몇 번 섞으면 충분히 무작위처럼 보인다는 감각을 소개하고, 이 질문을 연구한 마술사 출신 수학자 퍼시 다이아코니스를 언급한다. [00:58]
• 다이아코니스와 데이브 베이어가 1992년에 이상화한 리플 셔플로 52장이 얼마나 섞이는지 분석했다는 배경을 설명하고 이승재 교수와 대화를 시작한다. [01:33]

2. 무작위성은 배열보다 과정의 문제

• 정렬된 1·2·3·4보다 3·2·1·4가 더 무작위처럼 보이지만, 외형만으로 잘 섞였는지를 판단하기는 어렵다고 보여준다. [02:30]
• 충분히 섞어도 우연히 정렬된 배열이 나올 수 있고, 복잡해 보이는 배열을 매번 똑같이 만들 수도 있다. [02:47]
• 수학적 질문은 어떤 배열이 더 무작위처럼 보이는가보다, 어떤 과정으로 섞어야 잘 섞이는가에 초점을 둔다. [03:03]

3. 세 번이면 충분하다는 직관

• 사람의 의도와 속임수가 개입할 수 있다는 문제를 짚으며 카지노에서 섞는 기계를 사용한다는 사례를 보여준다. [03:17]
• 처음 구입했을 때의 순서로 준비한 카드를 놓고, 리플 셔플을 약 일곱 번 하면 대체로 충분하다는 답을 제시한다. [03:53]
• 실제로 세 번 섞은 뒤에는 이미 무작위처럼 보이지만, 수학적으로 충분히 섞인 상태와는 차이가 있다고 보여준다. [04:11]

4. 52!개의 배열과 분포 비교

• 52장 중 하나, 남은 51장 중 하나를 차례로 고르면 가능한 배열의 수는 52!개이며, 대략 10의 68승 규모라고 보여준다. [04:30]
• 모든 배열을 직접 확인하는 대신, 이상적인 무작위 분포와 리플 셔플로 얻는 분포가 얼마나 다른지 비교하겠다고 문제를 정리한다. [04:58]
• 두 분포의 차이를 나타내는 기준으로 총 변동거리, 즉 토탈 베리에이션 디스턴스를 보여준다. [05:08]

5. 공정한 추출과 편향된 추출

• 네 장의 카드로 논의를 줄이고, 공정하게 뽑는다는 가정에는 속임수가 없어야 한다는 조건이 포함됨을 카드 시연으로 강조한다. [05:58]
• 공정하다면 각 카드가 처음 나올 확률은 모두 같아야 한다고 보여준다. [06:11]
• 비교 대상으로 각 카드가 40%·30%·20%·10%의 확률로 나오는 분포를 설정하고, 균등한 25%씩의 분포와 대비한다. [06:41]

6. 총 변동거리의 계산과 의미

• 각 카드의 확률 차이는 15·5·5·15%포인트다. 부호가 서로 상쇄되지 않도록 절댓값을 더하고 절반으로 나누면 총 변동거리 0.20이 된다. [07:34]
• 두 분포가 같으면 거리는 0이고, 가장 크게 차이 나는 극단의 값은 1이라고 보여준다. [07:49]
• 이 수치를 이용해 셔플 횟수에 따른 분포 변화를 살피며, 총 변동거리를 분포 비교에 널리 쓰이는 대표적인 기준 중 하나로 보여준다. [08:31]

7. 정확한 교차가 무작위는 아니다

• 52장을 정확히 26장씩 나누고 한 장씩 번갈아 놓는 방식이 이상적인 무작위 셔플이라는 생각에 의문을 제기한다. [08:48]
• 여덟 장을 같은 크기의 두 묶음으로 나눠 규칙적으로 교차시키는 동작을 반복한다. [09:27]
• 세 번째 반복 뒤 A부터 8까지 원래 순서로 돌아오는 모습을 보여 주며, 정교한 규칙성이 무작위성을 보장하지 않음을 보여준다. [09:37]

8. GSR 모델이 무작위성을 넣는 방법

• 자르는 위치부터 무작위성을 부여한다. 동전을 52번 던졌을 때 앞면의 수가 달라지는 예로, 자르는 카드 수에 이항분포를 적용한다고 보여준다. [10:21]
• 30장과 20장의 묶음이라면 각각 30/50과 20/50의 비율로 다음 카드를 내려놓고, 한 장이 내려오면 남은 카드 수에 맞춰 확률을 갱신한다. [11:00]
• 같은 묶음에서 여러 장이 연이어 내려올 수도 있는 이 방식을 GSR 모델이라고 소개하며 리플 셔플의 기본적인 수학 모델로 보여준다. [11:26]

9. 일곱 번이라는 답의 판단 기준

• 52!개의 배열을 하나씩 조사하는 대신, 균등분포와 GSR 셔플 분포 사이의 총 변동거리를 계산한다고 정리한다. [11:42]
• 네 번까지는 거리가 거의 1에 가깝고, 일곱 번에서는 약 0.33으로 내려간다고 보여준다. 세 번 섞어서는 전체 배열을 충분히 구현하기 어렵다는 점을 강조한다. [12:15]
• 총 변동거리가 0.5 아래로 내려가는 시점을 대체로 괜찮다고 보는 기준으로 잡았다고 드러낸다. [12:33]

10. 상승 수열로 확인하는 남아 있는 순서

• 정렬된 카드 열 장을 한 번 섞은 뒤, 원래 순서를 따라가는 상승 수열을 추적한다. [13:24]
• 카드 사이에 다른 카드가 끼어들었어도 1부터 7, 8부터 10의 상대적 순서는 남아 있어 두 개의 수열로 볼 수 있다고 보여준다. [13:55]
• 리플 셔플은 두 묶음을 교차시키면서 각 묶음 내부의 상대적 순서를 보존한다. 따라서 한 번이면 최대 두 개, 두 번이면 최대 네 개처럼 n회 뒤 상승 수열 수는 2^n의 상한을 갖는다. [14:44]

11. 가능한 배열과 균등한 확률의 차이

• 네 번 섞으면 상승 수열이 최대 16개이므로, 52개가 필요한 완전한 역순 배열은 만들 수 없다고 보여준다. 다섯 번도 해당 배열에는 도달하지 못한다. [15:16]
• 잘 섞인 52장 배열의 상승 수열 평균은 26.5개라고 소개하며, 적은 횟수의 셔플이 가진 제약을 보여준다. [15:29]
• 여섯 번 이후에는 2^n이라는 상한만으로 충분한 섞임을 판단할 수 없으며, 일곱 번에서 총 변동거리가 약 0.3대로 내려가고 더 반복하면 감소한다고 보여준다. [15:54]

12. 급격히 무작위에 가까워지는 컷오프

• 반복할 때마다 비슷한 속도로 섞이는지, 어느 순간 급격하게 섞이는지를 질문하며 컷오프 개념을 보여준다. [16:14]
• 상승 수열 수에 따른 배열의 발생 확률을 이용하면 균등분포와의 차이를 계산할 수 있고, 적은 횟수에서는 나올 수 없는 배열이 많아 총 변동거리가 거의 1이라고 보여준다. [17:20]
• 약 6~7회 부근에서 거리 곡선이 급격하게 꺾이는 모습을 컷오프 현상으로 설명하며, 반복의 효과가 일정하리라는 직관과 비교한다. [17:55]

13. 다른 셔플과 사다리 게임의 공정성

• 힌두 셔플은 방법에 따라 수천 번, 일부 이론적 결과에서는 만 번까지 필요하다고 소개하며 섞는 방식의 차이를 강조한다. [18:16]
• 사다리 게임도 가능한 연결 결과가 균등하게 나오는지를 물을 수 있다. 가로선이 적으면 가능한 결과가 제한되고, 선이 늘면서 무작위에 급격히 가까워지는 현상이 나타난다고 보여준다. [20:34]
• 여섯 명의 예에서는 가로선 약 20~30개를 언급하고, 선이 적은 현실의 사다리에서는 가까운 위치의 결과로 갈 확률이 상대적으로 높을 수 있다고 보여준다. [21:16]

14. 초기 조건에서 벗어나는 문제와 마무리

• 분자 운동과 자기장 속 자성의 분포를 언급하며, 초기 배열의 영향이 어떻게 줄어드는가라는 질문으로 논의를 넓힌다. [22:01]
• 페이지랭크, 딥러닝의 무작위성, MCMC를 관련 사례로 소개하고, 불확실성과 무작위성 속에서 법칙을 찾는 연구의 의미를 보여준다. [22:46]
• 일상에서 느끼는 무작위성과 수학적으로 정의한 무작위성의 차이를 정리하며 대담을 마친다. 마지막에는 김갑진 교수의 도서 『우리는 어쩌다 과학을 믿게 되었을까?』 홍보가 계속된다. [23:18]

🧾 결론

• 세 번 섞은 카드가 충분히 무작위처럼 보이는 것은 사람의 인상이며, 전체 배열의 확률이 고르게 분포한다는 증거는 아니다.
• 일곱 번이라는 답은 52장, GSR 리플 셔플 모델, 총 변동거리라는 평가 기준을 함께 전제한다. 영상에서 제시한 일곱 번의 거리는 약 0.33으로, 완전한 균등분포와 일치하지는 않는다.
• 상승 수열은 원래 순서가 얼마나 남아 있는지 설명하고, 총 변동거리는 결과 분포가 균등분포와 얼마나 다른지 평가한다. 두 개념이 직관과 수학적 판단의 차이를 연결한다.
• 영상의 더 큰 질문은 카드 기술을 넘어, 초기 조건의 영향을 줄이고 무작위에 가까운 결과를 얻으려면 어떤 과정과 반복 횟수가 필요한가이다.

📈 투자·시사 포인트

• 공정성을 평가할 때는 결과가 그럴듯해 보이는지보다 가능한 결과에 어떤 확률이 배정되는지 살펴야 한다. 카드와 사다리 게임이 이를 보여 주는 사례다.
• 반복 횟수만 비교하기 전에 섞는 방법을 확인해야 한다. 영상에서 리플 셔플과 힌두 셔플은 필요한 횟수가 크게 다른 방법으로 소개된다.
• 반복의 효과가 매번 비슷하게 나타난다고 가정하면 개선 속도를 잘못 판단할 수 있다. 컷오프 설명에서는 특정 구간에서 무작위에 가까워지는 속도가 크게 달라진다.
• 영상이 언급한 분자 운동, 자기장, 페이지랭크, 딥러닝, MCMC의 연결점은 초기 상태의 영향과 분포의 변화를 살피는 문제다. 구체적인 적용 조건은 사례별로 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 일곱 번은 모든 카드 수와 모든 섞기 방식에 적용되는 보편적인 횟수가 아니다. 실제 손동작이 영상의 GSR 모델 가정에 얼마나 가까운지는 별도의 확인이 필요하다.
• 다섯 번 섞었을 때의 총 변동거리는 앞부분에서 약 0.9, 뒷부분에서 0.99대로 다르게 언급된다. 정확한 수치가 필요하다면 해당 연구의 계산 결과를 확인해야 한다.
• 총 변동거리 0.5 미만은 영상에서 채택한 판단 기준이다. 거리 0.33을 카드가 섞이지 않았을 확률 33%로 해석해서는 안 된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 카드 섞기를 평가할 때 카드 수, 셔플 방식, 반복 횟수, 공정성 기준을 함께 기록한다.
• 여덟 장을 정확히 반으로 나누고 한 장씩 교차시키는 시연을 재현해, 영상처럼 반복 뒤 원래 순서로 돌아오는지 관찰한다.
• 정렬된 카드에 리플 셔플을 한 번 적용하고 두 묶음 내부의 상대적 순서가 어떻게 남는지 추적한다.
• 25%·25%·25%·25%와 40%·30%·20%·10%를 비교해 총 변동거리 0.20을 직접 계산한다.

❓ 열린 질문

• 실제 사람이 수행하는 리플 셔플은 GSR 모델의 자르기와 카드 내려놓기 가정을 어느 정도 충족할까?
• 총 변동거리의 허용 기준을 더 엄격하게 잡으면 필요한 셔플 횟수는 어떻게 달라질까?
• 카드 수와 섞는 방법을 바꾸면 컷오프가 나타나는 위치와 변화 속도는 어떻게 달라질까?