조화 평균 (Harmonic Mean)
조화 평균은 주어진 수들의 역수의 산술 평균을 구한 뒤, 다시 그 결과의 역수를 취하여 계산하는 평균값으로, 주로 비율이나 속도와 같이 단위당 기준이 변하는 값의 평균을 구할 때 사용됩니다.
정의 및 개념
조화 평균은 데이터 집합의 역수(Reciprocal, 어떤 수 $x$에 대해 $1/x$가 되는 수)들의 산술 평균의 역수로 정의됩니다.
일반적인 산술 평균이 값들의 단순 합계를 개수로 나누는 방식이라면, 조화 평균은 '단위당 처리량'이나 '속도'처럼 분모에 변수가 포함된 비율 데이터의 평균을 정확하게 산출하기 위해 고안되었습니다. 예를 들어, 동일한 거리를 서로 다른 속도로 이동했을 때의 평균 속력은 단순히 속도 값들을 더해 나누는 산술 평균이 아니라, 전체 거리와 전체 시간을 고려한 조화 평균으로 계산해야 합니다.
계산 방법 및 공식
일반식
$n$개의 양수 $x_1, x_2, \dots, x_n$이 있을 때, 조화 평균 $H$는 다음과 같은 공식으로 계산합니다.
$$H = \frac{n}{\sum_{i=1}^{n} \frac{1}{x_i}} = \frac{n}{\frac{1}{x_1} + \frac{1}{x_2} + \dots + \frac{1}{x_n}}$$
두 수의 조화 평균 (간략식)
두 수 $a$와 $b$에 대해서는 다음과 같이 간략하게 표현할 수 있습니다.
$$H = \frac{2}{\frac{1}{a} + \frac{1}{b}} = \frac{2ab}{a+b}$$
계산 단계
- 각 데이터 값의 역수($1/x$)를 모두 구합니다.
- 구한 역수들의 합을 계산합니다.
- 데이터의 개수($n$)를 역수의 합으로 나눕니다.
def harmonic_mean(data):
"""
리스트로 입력받은 데이터의 조화 평균을 계산하는 함수
"""
try:
n = len(data)
# 역수의 합 계산
sum_of_reciprocals = sum(1.0 / x for x in data)
return n / sum_of_reciprocals
except ZeroDivisionError:
return float('nan') # 데이터 중 0이 포함된 경우 정의되지 않음
# 테스트 데이터: 왕복 속력 (60km/h, 40km/h)
speeds = [60, 40]
print(f"조화 평균 속력: {harmonic_mean(speeds):.2f} km/h")
# 결과: 48.00 km/h
주요 활용 사례
조화 평균은 '고정된 거리' 또는 '고정된 작업량'이 전제된 상태에서 속도나 효율의 평균을 구할 때 필수적입니다.
평균 속력 계산
A 지점에서 B 지점까지 60km/h로 가고, 다시 B에서 A로 40km/h로 돌아왔을 때의 평균 속력을 구하는 경우입니다.
| 구분 |
산술 평균 적용 (오류) |
조화 평균 적용 (정답) |
| 계산식 |
$(60 + 40) / 2$ |
$2 / (1/60 + 1/40)$ |
| 결과값 |
$50 \text{ km/h}$ |
$48 \text{ km/h}$ |
| 오류 원인 |
속도가 느린 구간에서 더 많은 시간을 소비함을 무시함 |
시간의 가중치를 자동으로 반영함 |
작업 효율 계산
두 명의 작업자가 동일한 양의 업무를 처리하는데, A는 시간당 10개, B는 시간당 20개를 처리할 때 두 사람의 평균 처리 효율은 다음과 같이 계산합니다.
| 구분 |
계산식 |
결과값 |
| 조화 평균 적용 |
$2 / (1/10 + 1/20) = 2 / (3/20) = 40/3$ |
$\approx 13.33 \text{ 개/시간}$ |
가중 조화 평균 (Weighted Harmonic Mean)
각 데이터가 차지하는 비중(가중치)이 다를 경우 가중 조화 평균을 사용합니다. 각 값 $x_i$에 대응하는 가중치 $w_i$가 있을 때 공식은 다음과 같습니다.
$$H_w = \frac{\sum_{i=1}^{n} w_i}{\sum_{i=1}^{n} \frac{w_i}{x_i}}$$
이는 주로 포트폴리오의 평균 매입 단가 계산 등 금융 공학에서 널리 활용됩니다.
수학적 성질 및 관계
산술-기하-조화 평균의 관계 (AM-GM-HM Inequality)
양수 집합에 대하여 산술 평균($A$), 기하 평균($G$), 조화 평균($H$) 사이에는 항상 다음과 같은 크기 관계가 성립합니다.
$$A \ge G \ge H$$
- 산술 평균 (Arithmetic Mean): $$A = \frac{a+b}{2}$$
- 기하 평균 (Geometric Mean): $$G = \sqrt{ab}$$
- 조화 평균 (Harmonic Mean): $$H = \frac{2ab}{a+b}$$
단, 모든 데이터 값이 동일할 때만 $A = G = H$가 성립하며, 값이 서로 다를수록 세 평균의 격차는 벌어집니다.
관계 증명 (두 수 $a, b$ 기준)
-
$A \ge G$ 증명:
$(\sqrt{a} - \sqrt{b})^2 \ge 0$ 이므로, $a - 2\sqrt{ab} + b \ge 0$ 이 성립합니다.
따라서 $a + b \ge 2\sqrt{ab}$ 이며, 양변을 2로 나누면 $\frac{a+b}{2} \ge \sqrt{ab}$ 가 됩니다.
-
$G \ge H$ 증명:
위의 $A \ge G$ 관계에서 $a$와 $b$ 대신 그 역수인 $1/a$와 $1/b$를 대입합니다.
$\frac{1/a + 1/b}{2} \ge \sqrt{\frac{1}{a} \cdot \frac{1}{b}}$
$\frac{a+b}{2ab} \ge \frac{1}{\sqrt{ab}}$
양변의 역수를 취하면 (부등호 방향이 바뀜), $\frac{2ab}{a+b} \le \sqrt{ab}$ 가 성립합니다.
머신러닝의 분류 모델 성능 평가 지표인 F1-Score는 정밀도(Precision)와 재현율(Recall)의 조화 평균으로 정의됩니다.
- 정밀도(Precision): 모델이 True라고 예측한 것 중 실제 True인 비율
- 재현율(Recall): 실제 True인 것 중 모델이 True라고 예측한 비율
$$F1\text{-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$
조화 평균을 사용하는 이유:
산술 평균을 사용할 경우, 정밀도가 1.0이고 재현율이 0.0인 극단적인 경우에도 평균값이 0.5가 되어 모델이 어느 정도 성능을 내는 것처럼 보일 수 있습니다. 하지만 조화 평균을 사용하면 어느 한 쪽이 0에 가까울 때 전체 결과값이 급격히 낮아지므로, 정밀도와 재현율 두 지표가 모두 균형 있게 높아야만 높은 F1-Score를 얻을 수 있습니다.
적용 조건 및 한계
적용 조건
- 양수 데이터: 조화 평균은 모든 데이터 값이 양수($x_i > 0$)일 때만 정의됩니다.
- 비율 데이터: '단위당 기준'이 고정된 비율 데이터(속력, 밀도, 효율 등)에 적용해야 합니다.
한계점
- 0의 포함: 데이터 집합에 0이 하나라도 포함되어 있으면 역수($1/0$)를 구할 수 없으므로 계산이 불가능합니다.
- 이상치 민감도: 조화 평균은 산술 평균과 달리 큰 값(Large Outliers)의 영향력을 억제하는 특성이 강합니다. 대신 매우 작은 값(0에 가까운 값)이 포함되어 있을 경우, 그 값이 전체 평균을 강력하게 끌어내리는 경향이 있습니다. 이는 F1-Score와 같이 불균형을 잡아내야 하는 경우에는 장점이 되지만, 일반적인 데이터 분석에서는 작은 값에 의한 왜곡을 초래할 수 있습니다.
평균 종류 비교 요약
| 구분 |
산술 평균 (AM) |
기하 평균 (GM) |
조화 평균 (HM) |
| 핵심 개념 |
값들의 단순 합의 평균 |
값들의 곱의 평균 |
역수들의 산술 평균의 역수 |
| 주요 용도 |
일반적인 수치 데이터 |
성장률, 이자율, 배수 |
속력, 효율, 비율의 평균 |
| 특징 |
계산이 가장 간편함 |
복리 계산에 적합함 |
작은 값에 매우 민감함 |
| 크기 관계 |
가장 큼 ($A \ge G \ge H$) |
중간 |
가장 작음 |
율(Rate)의 평균과 수치 예시
산술 평균이 단순한 '양(Amount)'의 합계를 기반으로 한 평균이라면, 조화 평균은 '율(Rate)'의 평균입니다. 율이란 '단위 시간당 거리(속력)', '단위 비용당 수량(효율)'과 같이 분모에 변수가 포함된 값을 의미합니다.
산술 평균 vs 조화 평균 수치 비교
동일한 거리(100km)를 갈 때와 올 때의 속력이 각각 $100\text{km/h}$와 $50\text{km/h}$인 경우를 가정해 보겠습니다.
- 산술 평균 (양의 평균): $\frac{100 + 50}{2} = 75\text{km/h}$
- 이는 단순히 '속도'라는 숫자 자체의 평균일 뿐, 실제 이동 시간의 차이를 반영하지 못합니다.
- 조화 평균 (율의 평균): $\frac{2}{\frac{1}{100} + \frac{1}{50}} = \frac{2}{\frac{3}{100}} \approx 66.67\text{km/h}$
- 실제 총 이동 거리($200\text{km}$)를 총 소요 시간($1\text{h} + 2\text{h} = 3\text{h}$)으로 나눈 값과 일치하며, '율'의 관점에서 정확한 평균을 보여줍니다.
조화 평균의 기하학적 의미
조화 평균은 기하학적으로 평행선 사이의 선분 길이 관계 또는 역수 관계의 대칭성으로 해석할 수 있습니다.
- 평행선과 조화 분할: 두 평행선 사이에 한 점이 있고, 그 점을 지나는 직선들이 형성하는 선분들의 길이 관계에서 조화 평균이 나타납니다. 특히, 조화 수열은 기하학적으로 '투영(Projection)'의 성질을 가지며, 이는 원근법이나 렌즈의 초점 거리 계산($\frac{1}{f} = \frac{1}{d_o} + \frac{1}{d_i}$)과 같은 광학적 원리와 맞닿아 있습니다.
- 역수의 산술 평균: 조화 평균 $H$는 $1/H$가 $1/x_i$들의 산술 평균이 되는 지점입니다. 즉, 데이터의 스케일을 '역수 공간'으로 옮겨 산술 평균을 구한 뒤 다시 원래 공간으로 되돌린 값으로, 이는 비선형적인 비율 관계를 선형적인 관계로 변환하여 처리하는 직관을 제공합니다.
실생활의 다른 사례: 금융 및 경제 (DCA)
금융 분야에서 조화 평균의 가장 대표적인 활용 사례는 정액 분할 매수법(Dollar Cost Averaging, DCA)을 통한 평균 매입 단가 계산입니다.
DCA 계산 원리
매달 동일한 금액($W$)을 주식에 투자할 때, 주가($P_i$)가 변동하더라도 최종적인 평균 단가는 산술 평균이 아닌 가중 조화 평균으로 수렴합니다.
단계별 계산 과정:
1. 매수 수량 계산: 매회 투자 금액 $W$를 당시 주가 $P_i$로 나누어 매수 수량을 구합니다.
$$\text{수량}_i = \frac{W}{P_i}$$
2. 총 투자 금액 및 총 수량 합산:
$$\text{총 금액} = \sum W = n \times W$$
$$\text{총 수량} = \sum \frac{W}{P_i} = W \sum \frac{1}{P_i}$$
3. 평균 단가($P_{avg}$) 산출: 총 금액을 총 수량으로 나눕니다.
$$P_{avg} = \frac{n \times W}{W \sum \frac{1}{P_i}} = \frac{n}{\sum \frac{1}{P_i}}$$
결과적으로 DCA의 평균 단가는 주가들의 조화 평균과 정확히 일치합니다. 이는 주가가 낮을 때 더 많은 수량을 매수하게 되므로, 산술 평균보다 항상 낮은(유리한) 평균 단가를 형성하게 만드는 금융적 이점을 수학적으로 증명합니다.
평균 크기 비교 시각화 및 분석
산술 $\ge$ 기하 $\ge$ 조화 평균 관계
데이터의 분산이 커질수록 세 평균의 격차는 더욱 뚜렷해집니다.
graph TD
A[산술 평균 AM] -->|가장 큼| B[기하 평균 GM]
B -->|중간| C[조화 평균 HM]
C -->|가장 작음| D[데이터의 최소값]
(그래프 설명: 동일한 데이터 셋에 대해 $AM \ge GM \ge HM$ 순으로 값이 형성되며, 모든 값이 동일할 때만 한 점으로 수렴합니다.)
보수적 평가로서의 조화 평균
조화 평균은 작은 값에 매우 민감하게 반응하는 특성이 있습니다. 이는 데이터 분석에서 다음과 같은 '보수적 평가'의 도구로 활용됩니다.
- 리스크 관리: 여러 지표 중 하나라도 매우 낮은 값을 기록하면 전체 평균을 급격히 낮춥니다. 이는 "모든 조건이 균형 있게 충족되어야 한다"는 엄격한 기준을 적용할 때 유용합니다.
- 정직한 지표: 산술 평균은 극단적으로 큰 값(Outlier)에 의해 평균이 왜곡되어 실제보다 과대평가될 위험이 크지만, 조화 평균은 큰 값의 영향을 억제하고 낮은 값의 페널티를 강조함으로써 더 정직하고 보수적인 성능 지표(예: F1-Score)를 제공합니다.
# 조화 평균 (Harmonic Mean)
조화 평균은 주어진 수들의 역수의 산술 평균을 구한 뒤, 다시 그 결과의 역수를 취하여 계산하는 평균값으로, 주로 비율이나 속도와 같이 단위당 기준이 변하는 값의 평균을 구할 때 사용됩니다.
## 정의 및 개념
조화 평균은 데이터 집합의 역수(Reciprocal, 어떤 수 $x$에 대해 $1/x$가 되는 수)들의 산술 평균의 역수로 정의됩니다.
일반적인 산술 평균이 값들의 단순 합계를 개수로 나누는 방식이라면, 조화 평균은 '단위당 처리량'이나 '속도'처럼 분모에 변수가 포함된 비율 데이터의 평균을 정확하게 산출하기 위해 고안되었습니다. 예를 들어, 동일한 거리를 서로 다른 속도로 이동했을 때의 평균 속력은 단순히 속도 값들을 더해 나누는 산술 평균이 아니라, 전체 거리와 전체 시간을 고려한 조화 평균으로 계산해야 합니다.
## 계산 방법 및 공식
### 일반식
$n$개의 양수 $x_1, x_2, \dots, x_n$이 있을 때, 조화 평균 $H$는 다음과 같은 공식으로 계산합니다.
$$H = \frac{n}{\sum_{i=1}^{n} \frac{1}{x_i}} = \frac{n}{\frac{1}{x_1} + \frac{1}{x_2} + \dots + \frac{1}{x_n}}$$
### 두 수의 조화 평균 (간략식)
두 수 $a$와 $b$에 대해서는 다음과 같이 간략하게 표현할 수 있습니다.
$$H = \frac{2}{\frac{1}{a} + \frac{1}{b}} = \frac{2ab}{a+b}$$
### 계산 단계
1. 각 데이터 값의 역수($1/x$)를 모두 구합니다.
2. 구한 역수들의 합을 계산합니다.
3. 데이터의 개수($n$)를 역수의 합으로 나눕니다.
### Python 구현 예제
```python
def harmonic_mean(data):
"""
리스트로 입력받은 데이터의 조화 평균을 계산하는 함수
"""
try:
n = len(data)
# 역수의 합 계산
sum_of_reciprocals = sum(1.0 / x for x in data)
return n / sum_of_reciprocals
except ZeroDivisionError:
return float('nan') # 데이터 중 0이 포함된 경우 정의되지 않음
# 테스트 데이터: 왕복 속력 (60km/h, 40km/h)
speeds = [60, 40]
print(f"조화 평균 속력: {harmonic_mean(speeds):.2f} km/h")
# 결과: 48.00 km/h
```
## 주요 활용 사례
조화 평균은 **'고정된 거리'** 또는 **'고정된 작업량'**이 전제된 상태에서 속도나 효율의 평균을 구할 때 필수적입니다.
### 평균 속력 계산
A 지점에서 B 지점까지 60km/h로 가고, 다시 B에서 A로 40km/h로 돌아왔을 때의 평균 속력을 구하는 경우입니다.
| 구분 | 산술 평균 적용 (오류) | 조화 평균 적용 (정답) |
| :--- | :--- | :--- |
| **계산식** | $(60 + 40) / 2$ | $2 / (1/60 + 1/40)$ |
| **결과값** | $50 \text{ km/h}$ | $48 \text{ km/h}$ |
| **오류 원인** | 속도가 느린 구간에서 더 많은 시간을 소비함을 무시함 | 시간의 가중치를 자동으로 반영함 |
### 작업 효율 계산
두 명의 작업자가 동일한 양의 업무를 처리하는데, A는 시간당 10개, B는 시간당 20개를 처리할 때 두 사람의 평균 처리 효율은 다음과 같이 계산합니다.
| 구분 | 계산식 | 결과값 |
| :--- | :--- | :--- |
| **조화 평균 적용** | $2 / (1/10 + 1/20) = 2 / (3/20) = 40/3$ | $\approx 13.33 \text{ 개/시간}$ |
## 가중 조화 평균 (Weighted Harmonic Mean)
각 데이터가 차지하는 비중(가중치)이 다를 경우 가중 조화 평균을 사용합니다. 각 값 $x_i$에 대응하는 가중치 $w_i$가 있을 때 공식은 다음과 같습니다.
$$H_w = \frac{\sum_{i=1}^{n} w_i}{\sum_{i=1}^{n} \frac{w_i}{x_i}}$$
이는 주로 포트폴리오의 평균 매입 단가 계산 등 금융 공학에서 널리 활용됩니다.
## 수학적 성질 및 관계
### 산술-기하-조화 평균의 관계 (AM-GM-HM Inequality)
양수 집합에 대하여 산술 평균($A$), 기하 평균($G$), 조화 평균($H$) 사이에는 항상 다음과 같은 크기 관계가 성립합니다.
$$A \ge G \ge H$$
- **산술 평균 (Arithmetic Mean):** $$A = \frac{a+b}{2}$$
- **기하 평균 (Geometric Mean):** $$G = \sqrt{ab}$$
- **조화 평균 (Harmonic Mean):** $$H = \frac{2ab}{a+b}$$
단, 모든 데이터 값이 동일할 때만 $A = G = H$가 성립하며, 값이 서로 다를수록 세 평균의 격차는 벌어집니다.
### 관계 증명 (두 수 $a, b$ 기준)
1. **$A \ge G$ 증명:**
$(\sqrt{a} - \sqrt{b})^2 \ge 0$ 이므로, $a - 2\sqrt{ab} + b \ge 0$ 이 성립합니다.
따라서 $a + b \ge 2\sqrt{ab}$ 이며, 양변을 2로 나누면 $\frac{a+b}{2} \ge \sqrt{ab}$ 가 됩니다.
2. **$G \ge H$ 증명:**
위의 $A \ge G$ 관계에서 $a$와 $b$ 대신 그 역수인 $1/a$와 $1/b$를 대입합니다.
$\frac{1/a + 1/b}{2} \ge \sqrt{\frac{1}{a} \cdot \frac{1}{b}}$
$\frac{a+b}{2ab} \ge \frac{1}{\sqrt{ab}}$
양변의 역수를 취하면 (부등호 방향이 바뀜), $\frac{2ab}{a+b} \le \sqrt{ab}$ 가 성립합니다.
## 응용 분야: F1-Score
머신러닝의 분류 모델 성능 평가 지표인 **F1-Score**는 정밀도(Precision)와 재현율(Recall)의 조화 평균으로 정의됩니다.
- **정밀도(Precision):** 모델이 True라고 예측한 것 중 실제 True인 비율
- **재현율(Recall):** 실제 True인 것 중 모델이 True라고 예측한 비율
$$F1\text{-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$
**조화 평균을 사용하는 이유:**
산술 평균을 사용할 경우, 정밀도가 1.0이고 재현율이 0.0인 극단적인 경우에도 평균값이 0.5가 되어 모델이 어느 정도 성능을 내는 것처럼 보일 수 있습니다. 하지만 조화 평균을 사용하면 어느 한 쪽이 0에 가까울 때 전체 결과값이 급격히 낮아지므로, 정밀도와 재현율 두 지표가 모두 균형 있게 높아야만 높은 F1-Score를 얻을 수 있습니다.
## 적용 조건 및 한계
### 적용 조건
- **양수 데이터:** 조화 평균은 모든 데이터 값이 양수($x_i > 0$)일 때만 정의됩니다.
- **비율 데이터:** '단위당 기준'이 고정된 비율 데이터(속력, 밀도, 효율 등)에 적용해야 합니다.
### 한계점
- **0의 포함:** 데이터 집합에 0이 하나라도 포함되어 있으면 역수($1/0$)를 구할 수 없으므로 계산이 불가능합니다.
- **이상치 민감도:** 조화 평균은 산술 평균과 달리 **큰 값(Large Outliers)의 영향력을 억제**하는 특성이 강합니다. 대신 매우 작은 값(0에 가까운 값)이 포함되어 있을 경우, 그 값이 전체 평균을 강력하게 끌어내리는 경향이 있습니다. 이는 F1-Score와 같이 불균형을 잡아내야 하는 경우에는 장점이 되지만, 일반적인 데이터 분석에서는 작은 값에 의한 왜곡을 초래할 수 있습니다.
## 평균 종류 비교 요약
| 구분 | 산술 평균 (AM) | 기하 평균 (GM) | 조화 평균 (HM) |
| :--- | :--- | :--- | :--- |
| **핵심 개념** | 값들의 단순 합의 평균 | 값들의 곱의 평균 | 역수들의 산술 평균의 역수 |
| **주요 용도** | 일반적인 수치 데이터 | 성장률, 이자율, 배수 | 속력, 효율, 비율의 평균 |
| **특징** | 계산이 가장 간편함 | 복리 계산에 적합함 | 작은 값에 매우 민감함 |
| **크기 관계** | 가장 큼 ($A \ge G \ge H$) | 중간 | 가장 작음 |
## 율(Rate)의 평균과 수치 예시
산술 평균이 단순한 **'양(Amount)'**의 합계를 기반으로 한 평균이라면, 조화 평균은 **'율(Rate)'**의 평균입니다. 율이란 '단위 시간당 거리(속력)', '단위 비용당 수량(효율)'과 같이 분모에 변수가 포함된 값을 의미합니다.
### 산술 평균 vs 조화 평균 수치 비교
동일한 거리(100km)를 갈 때와 올 때의 속력이 각각 $100\text{km/h}$와 $50\text{km/h}$인 경우를 가정해 보겠습니다.
* **산술 평균 (양의 평균):** $\frac{100 + 50}{2} = 75\text{km/h}$
* 이는 단순히 '속도'라는 숫자 자체의 평균일 뿐, 실제 이동 시간의 차이를 반영하지 못합니다.
* **조화 평균 (율의 평균):** $\frac{2}{\frac{1}{100} + \frac{1}{50}} = \frac{2}{\frac{3}{100}} \approx 66.67\text{km/h}$
* 실제 총 이동 거리($200\text{km}$)를 총 소요 시간($1\text{h} + 2\text{h} = 3\text{h}$)으로 나눈 값과 일치하며, '율'의 관점에서 정확한 평균을 보여줍니다.
## 조화 평균의 기하학적 의미
조화 평균은 기하학적으로 **평행선 사이의 선분 길이 관계** 또는 **역수 관계의 대칭성**으로 해석할 수 있습니다.
1. **평행선과 조화 분할:** 두 평행선 사이에 한 점이 있고, 그 점을 지나는 직선들이 형성하는 선분들의 길이 관계에서 조화 평균이 나타납니다. 특히, 조화 수열은 기하학적으로 '투영(Projection)'의 성질을 가지며, 이는 원근법이나 렌즈의 초점 거리 계산($\frac{1}{f} = \frac{1}{d_o} + \frac{1}{d_i}$)과 같은 광학적 원리와 맞닿아 있습니다.
2. **역수의 산술 평균:** 조화 평균 $H$는 $1/H$가 $1/x_i$들의 산술 평균이 되는 지점입니다. 즉, 데이터의 스케일을 '역수 공간'으로 옮겨 산술 평균을 구한 뒤 다시 원래 공간으로 되돌린 값으로, 이는 비선형적인 비율 관계를 선형적인 관계로 변환하여 처리하는 직관을 제공합니다.
## 실생활의 다른 사례: 금융 및 경제 (DCA)
금융 분야에서 조화 평균의 가장 대표적인 활용 사례는 **정액 분할 매수법(Dollar Cost Averaging, DCA)**을 통한 평균 매입 단가 계산입니다.
### DCA 계산 원리
매달 동일한 금액($W$)을 주식에 투자할 때, 주가($P_i$)가 변동하더라도 최종적인 평균 단가는 산술 평균이 아닌 **가중 조화 평균**으로 수렴합니다.
**단계별 계산 과정:**
1. **매수 수량 계산:** 매회 투자 금액 $W$를 당시 주가 $P_i$로 나누어 매수 수량을 구합니다.
$$\text{수량}_i = \frac{W}{P_i}$$
2. **총 투자 금액 및 총 수량 합산:**
$$\text{총 금액} = \sum W = n \times W$$
$$\text{총 수량} = \sum \frac{W}{P_i} = W \sum \frac{1}{P_i}$$
3. **평균 단가($P_{avg}$) 산출:** 총 금액을 총 수량으로 나눕니다.
$$P_{avg} = \frac{n \times W}{W \sum \frac{1}{P_i}} = \frac{n}{\sum \frac{1}{P_i}}$$
결과적으로 DCA의 평균 단가는 주가들의 **조화 평균**과 정확히 일치합니다. 이는 주가가 낮을 때 더 많은 수량을 매수하게 되므로, 산술 평균보다 항상 낮은(유리한) 평균 단가를 형성하게 만드는 금융적 이점을 수학적으로 증명합니다.
## 평균 크기 비교 시각화 및 분석
### 산술 $\ge$ 기하 $\ge$ 조화 평균 관계
데이터의 분산이 커질수록 세 평균의 격차는 더욱 뚜렷해집니다.
```mermaid
graph TD
A[산술 평균 AM] -->|가장 큼| B[기하 평균 GM]
B -->|중간| C[조화 평균 HM]
C -->|가장 작음| D[데이터의 최소값]
```
*(그래프 설명: 동일한 데이터 셋에 대해 $AM \ge GM \ge HM$ 순으로 값이 형성되며, 모든 값이 동일할 때만 한 점으로 수렴합니다.)*
### 보수적 평가로서의 조화 평균
조화 평균은 작은 값에 매우 민감하게 반응하는 특성이 있습니다. 이는 데이터 분석에서 다음과 같은 **'보수적 평가'**의 도구로 활용됩니다.
* **리스크 관리:** 여러 지표 중 하나라도 매우 낮은 값을 기록하면 전체 평균을 급격히 낮춥니다. 이는 "모든 조건이 균형 있게 충족되어야 한다"는 엄격한 기준을 적용할 때 유용합니다.
* **정직한 지표:** 산술 평균은 극단적으로 큰 값(Outlier)에 의해 평균이 왜곡되어 실제보다 과대평가될 위험이 크지만, 조화 평균은 큰 값의 영향을 억제하고 낮은 값의 페널티를 강조함으로써 더 정직하고 보수적인 성능 지표(예: F1-Score)를 제공합니다.