로젠블랫 변환

편집 역사 토론
통계 수치해석 마지막 수정: 2026-07-30 04:13:05

1. 개요[편집]

로젠블랫 변환(Rosenblatt transformation)은 임의의 결합분포를 갖는 확률벡터 X=(X1,…,Xn)\mathbf X=(X_1,\dots,X_n)을, 조건부 누적분포함수를 차례로 통과시켜 서로 독립인 표준정규 확률벡터 U\mathbf U로 정확히 사상하는 변환이다. 1952년 머리 로젠블랫이 다변량 적합도 검정을 위해 제시한 결과인데, 정작 지금은 신뢰성 해석의 FORM/SORM에서 U-공간을 만드는 표준 도구로 더 유명하다.

왜 굳이 표준정규로 옮기는가? 표준정규 밀도는 원점 중심의 방사 대칭이라 “원점에서 멀수록 드물다”가 거리 하나로 환원되기 때문이다. 이 성질 위에서만 “한계상태면까지의 최단거리 β\beta“라는 개념이 성립하고, Pf≈Φ(−β)P_f\approx\Phi(-\beta)가 의미를 갖는다. 원래의 X\mathbf X 공간에서 그 짓을 하면 거리는 아무 확률적 의미가 없다.1

2. 정의 — 조건부 CDF의 사슬[편집]

주변 및 조건부 CDF를 F1(x1)F_1(x_1), F2∣1(x2∣x1)F_{2|1}(x_2\mid x_1), … 로 쓰면 변환 U=T(X)\mathbf U=T(\mathbf X)는 다음과 같다.

u1=Φ−1 ⁣(F1(x1))u2=Φ−1 ⁣(F2∣1(x2∣x1))  ⋮un=Φ−1 ⁣(Fn∣1⋯n−1(xn∣x1,…,xn−1))\begin{aligned} u_1 &= \Phi^{-1}\!\big(F_1(x_1)\big)\\ u_2 &= \Phi^{-1}\!\big(F_{2|1}(x_2\mid x_1)\big)\\ &\ \ \vdots\\ u_n &= \Phi^{-1}\!\big(F_{n|1\cdots n-1}(x_n\mid x_1,\dots,x_{n-1})\big) \end{aligned}

핵심은 중간 단계다. 확률적분변환에 의해 각 조건부 CDF의 값은 Uniform(0,1)\mathrm{Uniform}(0,1)을 따르고, 서로 다른 성분의 그 값들은 서로 독립이다. 여기에 Φ−1\Phi^{-1}을 씌우면 독립 표준정규가 된다. 즉 로젠블랫 변환은 결합밀도의 사슬 분해

fX(x)=f1(x1) f2∣1(x2∣x1)⋯fn∣1⋯n−1(xn∣⋅)f_{\mathbf X}(\mathbf x)=f_1(x_1)\,f_{2|1}(x_2\mid x_1)\cdots f_{n|1\cdots n-1}(x_n\mid \cdot)

를 그대로 좌표변환으로 번역한 것이다. 역변환 T−1T^{-1}도 같은 순서로 x1=F1−1(Φ(u1))x_1=F_1^{-1}(\Phi(u_1))부터 하나씩 풀면 되므로 표본 생성기로 그대로 쓸 수 있다. 독립 표준정규 난수를 뽑아 역로젠블랫에 통과시키면 원하는 상관·비정규 구조를 가진 표본이 나온다. 라틴 하이퍼큐브 표본추출이나 소볼 수열 같은 저불일치 수열에 종속성을 입힐 때도 이 경로를 쓴다.

3. 순서 의존성[편집]

로젠블랫 변환의 가장 유명한 특징이자 함정. 성분을 조건화하는 순서를 바꾸면 다른 변환이 나온다. nn개 변수면 n!n!가지 서로 다른 TT가 있다.

물론 어느 순서를 쓰든 U\mathbf U의 분포는 똑같이 독립 표준정규이므로, 참값 PfP_f는 순서와 무관하다. 문제는 근사다. FORM은 한계상태면을 MPP에서 평면으로 대체하는데, 그 면의 휘어짐은 순서에 따라 달라진다. 그래서 같은 문제인데도 변수 순서를 바꾸면 β\beta가 소수점 아래에서 흔들리는 일이 생긴다. 비선형이 강한 문제일수록 차이가 커지며, 이때는 SORM이나 부분집합 시뮬레이션으로 교차검증하는 것이 답이다.

4. 야코비안과 민감도 전파[편집]

정의를 보면 uiu_i가 x1,…,xix_1,\dots,x_i에만 의존하므로 야코비안 J=∂u/∂x\mathbf J=\partial\mathbf u/\partial\mathbf x는 하삼각행렬이다. 대각 성분은

∂ui∂xi=fi∣1⋯i−1(xi∣⋅)φ(ui)\frac{\partial u_i}{\partial x_i}=\frac{f_{i|1\cdots i-1}(x_i\mid\cdot)}{\varphi(u_i)}

이고, 삼각행렬이므로 행렬식은 대각 곱이다. 사슬 분해를 대입하면 깔끔한 항등식이 나온다.

det⁡J=fX(x)φn(u)\det\mathbf J=\frac{f_{\mathbf X}(\mathbf x)}{\varphi_n(\mathbf u)}

즉 야코비안 행렬식은 두 밀도의 비다. 확률질량이 보존된다는 사실의 다른 표현일 뿐이지만, 중요도 표본추출의 가중치를 유도할 때 이 형태가 그대로 쓰인다.

한계상태함수 gg의 기울기는 연쇄법칙으로 옮긴다.

∇u g=J−⊤ ∇x g\nabla_{\mathbf u}\,g=\mathbf J^{-\top}\,\nabla_{\mathbf x}\,g

하삼각이라 역행렬을 명시적으로 만들 필요 없이 전방대입 한 번이면 끝난다. 유한요소법 해석에서 자동 미분이나 민감도 해석의 수반법으로 ∇xg\nabla_{\mathbf x}g를 뽑아 두면, MPP 탐색에 필요한 것은 이 한 줄이 전부다.

MPP u∗\mathbf u^*에서 정의되는 방향여현 α=−∇ug/∥∇ug∥\boldsymbol\alpha=-\nabla_{\mathbf u}g/\|\nabla_{\mathbf u}g\|의 성분 제곱 αi2\alpha_i^2는 흔히 “중요도 인자”로 보고된다. 여기서 반드시 짚어야 할 것 — 이 해석은 U-공간에서만 유효하다. 좌표가 독립이라야 분산 기여를 성분별로 나눠 읽을 수 있기 때문이고, 게다가 그 좌표는 조건화 순서에 묶여 있다. 원래 변수의 중요도를 알고 싶으면 소볼 지수 쪽이 정직하다.2

5. 두 변수 예제[편집]

감을 잡으려면 손으로 되는 경우를 하나 보는 게 빠르다. X1X_1이 로그정규, X2X_2가 X1X_1 조건 아래 정규분포 N(μ2+βx1, σ2∣12)\mathcal N(\mu_2 + \beta x_1,\ \sigma_{2|1}^2)을 따른다고 하자. 그러면

u1=Φ−1 ⁣(Φ ⁣(ln⁡x1−λζ))=ln⁡x1−λζ,u2=x2−μ2−βx1σ2∣1u_1=\Phi^{-1}\!\left(\Phi\!\left(\frac{\ln x_1-\lambda}{\zeta}\right)\right)=\frac{\ln x_1-\lambda}{\zeta}, \qquad u_2=\frac{x_2-\mu_2-\beta x_1}{\sigma_{2|1}}

가 되어 두 줄로 끝난다. 첫 성분은 로그정규의 정의상 Φ\Phi와 Φ−1\Phi^{-1}이 서로 상쇄되고, 둘째 성분은 조건부 정규라 표준화만 하면 된다. 야코비안은

J=(1ζx10−βσ2∣11σ2∣1)\mathbf J=\begin{pmatrix}\dfrac{1}{\zeta x_1} & 0\\[6pt] -\dfrac{\beta}{\sigma_{2|1}} & \dfrac{1}{\sigma_{2|1}}\end{pmatrix}

로 하삼각이고, 역변환은 x1=eλ+ζu1x_1=e^{\lambda+\zeta u_1}, x2=μ2+βx1+σ2∣1u2x_2=\mu_2+\beta x_1+\sigma_{2|1}u_2 순서로 풀린다. 여기서 순서를 뒤집어 X2X_2부터 조건화하려면 F2F_2(주변)와 F1∣2F_{1|2}를 구해야 하는데, 로그정규와 정규의 혼합이라 닫힌 형태가 안 나온다. 어느 순서가 계산 가능한가가 실제 순서 선택 기준이 되는 전형적인 상황이다.

6. 나타프 변환과의 차이[편집]

실무에서 결합분포를 통째로 아는 경우는 거의 없다. 손에 있는 건 대개 주변분포 nn개 + 상관행렬 하나뿐이다. 이 부족한 정보로 변환을 만들어 주는 것이 나타프 변환(Nataf transformation)이다.

나타프는 결합분포가 **가우시안 코퓰라**를 갖는다고 가정한다. 즉 zi=Φ−1(Fi(xi))z_i=\Phi^{-1}(F_i(x_i))로 각 변수를 개별적으로 정규화한 뒤, Z\mathbf Z가 다변량 정규분포를 따른다고 놓는다. 그러면 남는 일은 Z\mathbf Z의 상관계수 ρij0\rho^0_{ij}를 정하는 것인데, 이는 원래 상관계수 ρij\rho_{ij}와 다음 적분방정식으로 묶인다.

ρij=∫−∞∞ ⁣ ⁣∫−∞∞Fi−1(Φ(zi))−μiσi Fj−1(Φ(zj))−μjσj φ2(zi,zj;ρij0) dzi dzj\rho_{ij}=\int_{-\infty}^{\infty}\!\!\int_{-\infty}^{\infty} \frac{F_i^{-1}(\Phi(z_i))-\mu_i}{\sigma_i}\, \frac{F_j^{-1}(\Phi(z_j))-\mu_j}{\sigma_j}\, \varphi_2(z_i,z_j;\rho^0_{ij})\,dz_i\,dz_j

이 방정식을 매 쌍마다 수치적으로 푸는 대신, 데어 키우레기안과 리우(1986)가 흔한 주변분포 조합에 대해 비 R=ρ0/ρR=\rho^0/\rho의 닫힌 형태 근사식을 표로 정리해 뒀다. 오차가 1% 내외라 지금도 그대로 쓰인다. ρ0\rho^0가 정해지면 촐레스키 분해 R0=LL⊤\mathbf R^0=\mathbf L\mathbf L^\top로 u=L−1z\mathbf u=\mathbf L^{-1}\mathbf z를 만들면 끝이다. 촐레스키 분해 참고.

구분로젠블랫나타프
필요 정보결합분포(모든 조건부 CDF)주변분포 + 상관행렬
종속 구조정확히 재현가우시안 코퓰라로 가정
순서 의존있음없음
추가 계산조건부 CDF 역함수등가 상관계수 적분
적용 가능성결합분포를 알 때만사실상 대부분의 실무

정리하면, 결합분포를 정말 안다면 로젠블랫이 정확하고, 모른다면 나타프가 현실적이다. 다만 나타프의 가우시안 코퓰라 가정은 공짜가 아니다. 이 코퓰라는 꼬리 종속성이 0이라, 두 변수가 동시에 극단값을 갖는 사건의 확률을 구조적으로 과소평가한다. 하필 신뢰성 해석이 관심 있는 곳이 정확히 그 꼬리라는 게 문제다.3

7. 실무에서 걸리는 것들[편집]

  • 조건부 CDF 역함수의 수치 비용. 닫힌 형태가 없으면 매 평가마다 F−1F^{-1}을 뉴턴-랩슨법이나 이분법으로 풀어야 한다. MPP 탐색이 수십 번 반복되고 각 반복이 유한요소 해석 한 번이면, 변환 비용은 반올림 오차 수준이지만 몬테카를로 10810^8 표본에서는 그렇지 않다.
  • 꼬리에서의 Φ−1\Phi^{-1}. F(x)F(x)가 1에 붙으면 배정밀도로는 1−F1-F가 0으로 뭉개져 uu가 무한대로 튄다. 생존함수 1−F1-F를 별도 함수로 구현해 두는 것이 정석이다.
  • 이산·혼합 변수. CDF에 점프가 있으면 변환이 불연속이 되고, MPP 탐색의 기울기가 정의되지 않는다. 매끄럽게 하는 보조 난수를 넣거나(무작위화 확률적분변환), 이산 변수를 조건으로 분리해 여러 개의 연속 문제로 쪼개는 우회를 쓴다.
  • 변환은 비선형성을 만들어 낸다. 원래 공간에서 선형이던 gg가 U-공간에서는 휘어진다. 로그정규 변수 하나만 끼어도 그렇다. FORM 오차의 상당 부분이 물리 모델이 아니라 이 변환에서 나온다는 점은 자주 잊힌다.

8. 관련 문서[편집]

9. Footnotes[편집]

  1. 로젠블랫 본인은 이 변환을 신뢰성 공학에 쓰라고 만든 게 아니다. 다변량 표본이 어떤 분포에서 나왔는지 검정하려면 균등분포로 눌러 놓는 게 편해서 만든 도구였다. 30년쯤 지나 호놀드-린드 계열의 구조 신뢰성 이론이 이 변환을 발굴해 갔다. 순수 통계의 도구가 공학에 재취업한 흔한 사례. ↩

  2. 그래서 보고서에 “α12=0.6\alpha_1^2=0.6이므로 첫 번째 변수가 60% 기여”라고 쓰면 반쯤 맞고 반쯤 틀리다. 정확히는 “선택한 조건화 순서 아래의 U-공간에서, 선형화된 한계상태면 기준으로 60%“다. 각주를 안 달면 다음 리뷰에서 반드시 지적당한다. ↩

  3. 꼬리 종속성이 0이라는 말은 “둘 다 동시에 극단으로 가는 일은 사실상 없다고 치자”는 뜻이다. 2008년 금융위기 때 CDO 가격 모형이 가우시안 코퓰라를 쓰다가 정확히 이 지점에서 터졌다. 구조 신뢰성은 자릿수가 훨씬 보수적이라 아직 큰 사고가 안 났을 뿐, 가정의 성격은 똑같다. ↩