야구는 이닝이라는 분명한 구조를 가진 거의 유일한 메이저 스포츠다. 9개의 균질한 단위가 반복되는 것처럼 보이지만, 실제 이닝별 득점 분포를 들여다보면 깊은 비대칭성이 발견된다. 1회와 7회는 통계적으로 다르고, 9회는 더더욱 다르다. 이 비대칭은 단순한 데이터 관찰을 넘어 야구라는 게임의 구조적 특성을 드러내며, 평균이라는 단일 지표로는 결코 포착할 수 없는 정보의 깊이를 품고 있다. 본 분석은 평균치의 한계를 짚고, 분포의 형태를 보는 시각이 어떻게 분석의 결론을 뒤바꾸는지 추적한다.

01평균과 분포의 차이

MLB 시즌 전체 데이터에서 이닝별 득점의 평균은 약 0.5점 내외로 비교적 균등하게 분포된 것처럼 보인다. 하지만 평균은 이야기의 절반만 들려준다. 표준편차와 분포 형태를 함께 분석하면 1회는 두 번째 가장 변동성이 큰 이닝이며, 7회는 가장 점프가 큰 이닝, 9회는 점수 차이에 따른 전략 변화로 분포가 절벽처럼 떨어지는 이닝임이 드러난다. 1회의 평균은 약 0.51점, 7회는 0.54점, 9회는 0.46점이지만, 같은 숫자가 의미하는 분포 형태는 전혀 다르다.

분포의 형태를 측정하는 도구로 표준편차, 왜도(Skewness), 첨도(Kurtosis) 세 지표가 함께 사용된다. 1회의 분포는 양의 왜도를 가지는 우측 꼬리가 두꺼운 형태이며, 9회는 점수 차이 조건에 따라 두 개의 봉우리를 가지는 이중 분포(Bimodal)에 가깝다. 단일 평균은 이 두 가지 전혀 다른 분포 형태를 동일한 0.5점이라는 숫자로 환원하며, 분석의 출발점에서부터 정보가 소실된다.

평균치 단일 메트릭으로 이닝을 분석하면 이런 비대칭은 완전히 사라진다. 데이터의 형태를 보는 것은 평균의 함정에서 벗어나는 첫 단계이며, 세이버메트릭스의 출발점이기도 하다.

027회의 점프와 9회의 절벽

7회는 통계적으로 가장 흥미로운 이닝이다. 선발 투수의 교체 시점과 겹치는 이닝이라 이닝별 득점이 평균보다 0.1-0.15점 높게 발생하는 경향이 있다. 이를 ‘Bullpen Gap’이라고 부르며, 메이저리그 분석가들 사이에서 잘 알려진 패턴이다. 반면 9회는 점수 차이에 따라 두 극단으로 나뉜다. 동점 또는 1점 차에서는 평균보다 많은 득점이, 5점 이상 차에서는 평균보다 적은 득점이 나오는 양극화된 분포를 보인다.

9회의 양극화 분포는 단순한 데이터 호기심 이상의 의미를 가진다. 동점 또는 1점 차 상황의 9회 평균 득점은 약 0.62점, 5점 이상 차이가 벌어진 9회는 약 0.31점이다. 두 분포는 통계적으로 거의 다른 게임을 다루고 있다고 보아도 될 만큼 분리되어 있으며, 이를 평균 0.46점이라는 단일 숫자로 묶는 분석은 9회라는 이닝의 본질을 가장 결정적으로 놓치는 분석이다.

평균치 기반의 분석은 이런 양극화를 평탄화시킨다. 라이브 가격 발견 환경, 예를 들어 한국어 운영의 온라인카지노 같은 라이브 마켓에서 이닝별 가격이 평균치만 기반으로 책정될 경우, 실제 분포와의 시차가 의사결정의 신뢰도를 떨어뜨린다. 통계의 정확성은 분포의 형태를 얼마나 정밀하게 모델링하느냐에 달려 있다.

03표본 편향과 구장 효과

이닝별 득점 분포 분석에서 자주 발생하는 오류는 표본 편향이다. 특정 시즌의 데이터만 사용하거나 특정 구장의 데이터만 사용하면 비대칭 패턴이 왜곡된다. 쿠어스 필드(콜로라도)의 이닝별 득점 분포는 페트코 파크(샌디에이고)와 통계적으로 완전히 다른 패턴을 보인다. 구장 효과를 보정하지 않은 분석은 사실상 무의미하다.

구장 효과 외에 시즌 진행에 따른 분포 변화도 무시할 수 없다. 시즌 초반의 이닝별 분포는 투수들의 컨디션과 타자들의 적응이 겹치면서 후반과 다른 패턴을 보인다. 특히 8월 이후의 분포는 트레이드 데드라인 이후 로스터 재편과 페넌트 레이스의 압박으로 7회와 9회의 양극화 정도가 더 심해지는 경향이 데이터로 확인된다. 분포 분석은 시간 차원의 변화까지 함께 고려해야 한다.

5시즌 평균을 사용하더라도 올스타 브레이크 이후의 분포와 이전의 분포는 서로 다르게 움직인다. 데이터 분석의 정확성은 표본의 적절성에 달려 있으며, 단일 시즌이나 단일 구장의 데이터만 사용한 결론은 일반화하기 어렵다. 세이버메트릭스의 일반적인 분석 프레임에 대해서는 위키피디아 세이버메트릭스 항목에서 추가 참조가 가능하다.

04모델링의 실무적 함의

이닝별 득점 분포의 비대칭성을 정확히 모델링한다는 것은 단일 평균을 9개의 분포로 분해하고, 각 분포에 점수 차이 조건과 구장 효과 조건을 곱해 수십 개의 조건부 분포로 확장하는 작업이다. 이는 데이터 처리 비용과 모델 복잡도를 비약적으로 늘리지만, 그만큼 모델의 예측력을 결정한다.

가장 단순한 평균치 모델과 가장 정교한 조건부 분포 모델의 예측력 차이는, 동일한 이닝 데이터를 다루는 두 분석 시스템 사이에 5-15%의 정확도 격차를 만들어낸다. 이 격차는 단발성 예측에서는 무시할 만한 차이로 보이지만, 누적 의사결정의 결과를 비교하면 두 분석의 결론이 완전히 다른 방향을 가리키는 지점에 도달한다.

분석의 정밀도는 데이터의 양보다 분포의 충실성에 의존한다는 점이 야구 데이터 분석의 합의에 가깝다. 같은 21,870 이닝 표본을 단일 평균으로 환원하는 분석과 조건부 분포로 분해하는 분석은, 동일한 입력에서 전혀 다른 통계학적 결과를 산출한다. 분포의 형태를 보는 것은 단순한 분석 기법의 선택이 아니라, 야구라는 게임을 어떻게 이해하느냐의 인식론적 선택에 가깝다.