피타고라스의 정리 (Pythagorean Theorem)
쉽게 풀면
사다리를 벽에 기대어 놓은 모습을 떠올려 봅시다. 사다리의 길이, 사다리가 벽에 닿은 높이, 그리고 사다리 밑동과 벽 사이의 바닥 거리, 이 세 길이는 서로 아무렇게나 정해지지 않습니다. 벽과 바닥이 직각으로 만나는 한, "사다리 길이의 제곱"은 항상 "높이의 제곱 + 바닥 거리의 제곱"과 같아집니다. 이것이 바로 피타고라스의 정리입니다. 예를 들어 높이가 3, 바닥 거리가 4라면 사다리 길이는 반드시 5가 됩니다(3² + 4² = 5²). 이 관계는 지도 위 두 지점 사이의 최단 거리를 구하거나, 화면 속 물체 사이의 거리를 계산하는 등 아주 다양한 곳에서 그대로 쓰입니다.
왜 중요한가
피타고라스의 정리는 거리와 크기를 계산하는 가장 기초적인 도구이기 때문에, 컴퓨터 비전의 좌표 거리 계산, 통계학의 유클리드 거리 기반 유사도 측정, 공학의 벡터 크기 계산 등 사실상 모든 정량적 연구 분야에서 배경 지식으로 전제됩니다. 특히 다차원 데이터를 다루는 머신러닝이나 신호처리 연구에서는 이 정리가 고차원으로 확장된 형태로 거리 및 오차를 정의하는 데 반복적으로 사용됩니다. 이처럼 단순해 보이는 정리가 다양한 분야의 정량적 방법론을 뒷받침하는 공통 기반이 된다는 점에서 중요하게 다뤄집니다.
논문에서는 이렇게 쓰입니다
이 문장은 좌표평면 위 두 점 사이의 직선 거리를, 가로 방향 차이와 세로 방향 차이를 각각 제곱해 더한 뒤 제곱근을 씌워 구했다는 뜻입니다. 공학이나 물리 논문에서 위치나 거리를 계산할 때 배경 지식으로 자주 등장합니다.
컴퓨터 비전 연구에서 예측된 위치와 실제 위치의 차이를 정량적으로 나타내기 위해 이 정리를 활용했다는 뜻입니다.
여러 개의 변수로 이루어진 데이터 사이의 차이를 측정할 때도 이 정리의 원리가 그대로 확장되어 쓰인다는 것을 보여주는 데이터과학 연구의 예시입니다.
조금 더 깊게 보면
피타고라스의 정리는 2차원 평면을 넘어 3차원 이상의 공간으로 자연스럽게 확장되며, 이때 두 점 사이의 거리는 각 좌표 차이의 제곱을 모두 더한 뒤 제곱근을 취하는 유클리드 노름으로 일반화됩니다. 통계학과 머신러닝에서는 이 개념이 오차제곱합(SSE)이나 손실함수 정의의 바탕이 되며, 벡터 공간에서의 내적과 직교성 개념과도 연결됩니다. 다만 실제 데이터 분석에서는 유클리드 거리 외에도 맨해튼 거리, 코사인 유사도 등 다른 거리 척도가 상황에 따라 더 적합할 수 있어, 어떤 거리 척도를 선택했는지가 논문에서 함께 논의되는 경우가 많습니다.
주의할 점
피타고라스의 정리는 반드시 직각(90도)이 있는 삼각형에서만 성립합니다. 각이 직각이 아닌 일반적인 삼각형의 변과 각 사이의 관계를 다룰 때는 삼각비나 코사인법칙 같은 확장된 개념이 필요합니다.