표제어 · 확률·통계

연속모수분포

Continuous Parametric Distributions · 원저자: Stuart A. Klugman · 출처: Encyclopedia of Actuarial Science (Wiley, 2004)

읽는 법. 본문은 원문 표제어의 내용을 그대로 옮긴 것입니다. 회색 해설 · 예제 상자는 학부 입문 학습을 돕기 위해 새로 추가한 부분이며 원문에는 없습니다. 모르는 용어는 글 끝 부록을 참고하세요.

1. 개관 General Observations

보험계리사는 여러 현상을 모형화하기 위해 연속분포(continuous distribution)를 사용한다. 가장 흔한 두 가지는 (1) 무작위로 선택된 재물손해 또는 배상책임 청구액의 크기, (2) 어떤 개인의 사망까지 남은 연수이다. 기록되는 수치는 사실 (금액 단위나 일수로 측정되므로) 셀 수 있는 값이지만, 가능한 값의 개수가 매우 많고 값들이 충분히 촘촘하므로 연속모형이 유용하다. (예외는 잔여수명을 연 단위로 측정하는 경우인데, 이때는 생명표(life table)라는 이산모형을 쓴다.)

모형으로 쓸 분포를 고를 때 한 가지 방법은 모수분포(parametric distribution)를 사용하는 것이다. 모수분포란 모수(parameter)라 불리는 고정 길이의 수 벡터로 색인(index)할 수 있는 확률변수들의 모임이다. 즉, 벡터들의 집합 Θ를 두고 θ=(θ₁,…,θ_k)^t라 하면, 모수분포는 분포함수들의 집합 F(x; θ), θ∈Θ이다. 예를 들어 2-모수 파레토(Pareto) 분포는 다음과 같이 정의된다.

여기서 Θ={(θ₁,θ₂): θ₁>0, θ₂>0}이다. 모수에 구체적인 수치를 부여하면 하나의 구체적 모형이 만들어진다.

보험 응용에서 흔히 쓰이는 모수분포로는 로그정규(log-normal), 감마(gamma), 와이블(Weibull), 파레토(Pareto)(1-모수·2-모수 모두)가 있다. 이들 및 많은 다른 모수분포의 표준 참고문헌은 Johnson·Kotz·Balakrishnan의 두 권이다. 보험문제에의 응용과 약 20개 분포의 목록은 Klugman 등의 Loss Models에 있다. 그 가운데에는 어떤 확률변수의 역수(reciprocal)의 분포함수를 구해 얻는 역분포(inverse distribution)들도 포함된다.

더 복잡한 모형으로는 3-모수 변환감마(transformed gamma) 분포와 4-모수 변환베타(transformed beta) 분포가 있다. 지수분포들의 유한혼합(혼합지수분포, mixture of exponentials)과 같은 유한혼합분포도 활발히 다뤄졌다. 또한 모수분포들 사이에는 유용한 관계가 종종 있다. 예컨대 적절한 모수를 1로 두면 변환감마 분포는 감마분포나 와이블분포가 된다. 한 분포는 둘 이상의 모수가 특정 방식으로 0이나 무한대로 갈 때 다른 분포의 극한(limiting case)이 되기도 한다.

해설 모수모형을 쓰는 이유: 검약성(parsimony)

대부분의 보험 응용에서는 청구를 생성하는 물리적 과정을 들여다보고 적절한 모수모형을 결정할 수 없다(예: 자동차 차량손해 청구가 와이블이 아니라 감마여야 할 이유는 없다). 이는 포아송 같은 이산 카운트 모형이 물리적 동기를 가질 수 있는 것과 대비된다. 그래도 경험분포나 커널평활 같은 준모수(semiparametric) 방법보다 모수모형을 쓰는 주된 이점은 검약성이다. 자료점이 적을 때, 분포 전체의 모양을 추정하기보다 모수 2~3개만 추정하는 편이 더 효율적일 수 있다. 게다가 모수모형은 대개 매끄러워(smooth) 이런 현상에 대한 우리의 직관과도 맞는다.

2. 변환베타 부류 Transformed Beta Class

변환베타(transformed beta) 분포(일반화 F 분포라고도 함)는 다음과 같이 정의된다.

적률은

로 주어지며, 최빈값(mode)은 τγ>1이면 θ[(τγ−1)/(αγ+1)]^1/γ, 아니면 0이다. 특수경우로 버(Burr) 분포(τ=1), 역버(inverse Burr)(α=1), 일반화 파레토(generalized Pareto)(γ=1, 제2종 베타분포라고도 함), 파레토(Pareto)(γ=τ=1, 제2종 파레토·Lomax), 역파레토(inverse Pareto)(α=γ=1), 로그로지스틱(loglogistic)(α=τ=1)이 있다. 2-모수 분포들과 버 분포는 분포함수가 닫힌 형태(closed form)를 가지며, 파레토 분포는 정수차 적률에 대해 닫힌 형태를 가진다.

3. 변환감마 부류 Transformed Gamma Class

변환감마(transformed gamma) 분포(일반화 감마라고도 함)는 다음과 같다.

분포함수는 F(x)=Γ(α; u)(불완전 감마함수), 적률은

이다. 특수경우로 감마(gamma)(τ=1, α가 정수일 때 얼랑(Erlang)), 와이블(Weibull)(α=1), 지수(exponential)(α=τ=1)가 있다. 이 네 분포 각각은 확률변수의 역수로 변환해 얻는 역분포도 가진다. 와이블·지수는 분포함수가 닫힌 형태를 가지며, 감마·지수는 정수차 적률을 구할 때 감마함수에 의존하지 않는다. 감마분포는 합성곱(convolution)에 대해 닫혀 있다(동일·독립인 감마 확률변수들의 합도 감마분포다). 확률변수 X를 e^X로 바꾸면 x>1에서 무거운 꼬리를 갖는 로그감마(log-gamma) 분포를 얻는다.

해설 "변환" 부류가 분포의 족보를 만든다

변환베타·변환감마는 손실모형의 가계도(family tree) 꼭대기에 있는 일반분포다. 모수를 1로 고정하거나 0/∞으로 보내면 버·파레토·감마·와이블·지수 등 친숙한 분포가 가지(branch)로 떨어져 나온다. 이렇게 부류로 묶어두면, 한 데이터에 어떤 분포가 맞는지 비교할 때 같은 틀 안에서 일관되게 다룰 수 있다.

4. 일반화 역가우스 부류 Generalized Inverse Gaussian Class

일반화 역가우스(generalized inverse Gaussian) 분포는 다음과 같이 주어진다.

여기서 K_θ는 수정 베셀함수(modified Bessel function)이다. 특수경우로 역가우스(inverse Gaussian)(θ=−1/2), 역수 역가우스(reciprocal inverse Gaussian)(θ=1/2), 감마 또는 역감마(ψ=0, θ<0이면 역분포), Barndorff-Nielsen 쌍곡(hyperbolic)(θ=0)이 있다. 역가우스 분포는 포아송 관측치의 혼합분포로서, 그리고 로그정규보다 약간 무거운 꼬리를 갖는 청구액 분포로서 유용한 보험 응용을 가진다. 그 밀도는

이며, 평균은 μ, 분산은 μ³/λ이다. 역가우스 분포 역시 합성곱에 대해 닫혀 있다.

5. 극단값 분포 Extreme Value Distribution

극단값(extreme value) 분포는 독립·동일 분포 확률변수들의 계열에서 극단(extremes)의 거동을 살펴 만든다. 분포함수는

로 주어지며, 여기서 z=(x−μ)/θ이다. 받침(support)은 ξ>0이면 (−1/ξ, ∞), ξ<0이면 (−∞, −1/ξ), ξ=0이면 실수 전체이다. 이 세 경우는 각각 프레셰(Fréchet), 와이블(Weibull), 검벨(Gumbel) 분포에 해당한다.

예제 어떤 분포가 무거운 꼬리인가

자동차 차량손해처럼 비교적 위험이 작은 사건과, 배상책임처럼 큰 손실을 낼 수 있는 사건이 있다. 각각 어떤 분포가 자연스러운가?

원문에 따르면 로그정규(log-normal) 분포는 비교적 위험이 작은 사건의 좋은 모형이고, 큰 값 위에서의 손실에는 파레토(Pareto) 분포를 지지하는 근거가 있다. 큰 임계값 위에서만 손실을 모형화할 때는 단일모수 파레토가, 위 꼬리거동 자체를 분석할 때는 극단값 분포가 쓰인다.

6. 청구액에 쓰이는 그 밖의 분포 Other Distributions Used for Claim Amounts

로그정규(log-normal) 분포는 정규변수를 지수화해 얻으며, 비교적 위험이 작은 사건의 좋은 모형이다. 밀도·분포함수·적률·최빈값은 다음과 같다(Φ는 표준정규 분포함수).

여기서 z=(log x−μ)/σ, F(x)=Φ(z)이고,

최빈값은 exp(μ−σ²)이다.

단일모수 파레토(single parameter Pareto) 분포(원조 파레토 모형)는 배상책임처럼 위험한 보험에 흔히 쓰이며, 고정된 0이 아닌 값 θ 위의 손실만 모형화한다.

최빈값은 θ이다. 또한 일반화 베타(generalized beta) 분포는 0과 어떤 양의 값 사이의 손실을, τ=1로 두면 베타분포를 준다. 공통 척도모수 θ를 갖고 서로 다른 형상모수 α를 갖는 감마분포들을 혼합하는 방법도 있다.

7. 수명에 쓰이는 분포 Distributions Used for Length of Life

인간 수명은 단순한 분포함수로 표현하기 어려운 복잡한 과정이다. 보험계리사가 약 25세에서 85세 사이에 잘 들어맞게 쓰는 모형으로 메이컴(Makeham) 분포가 있다.

여기서 A=0이면 곰페르츠(Gompertz) 분포라 부른다. 메이컴 모형은 두 독립생명 가운데 최초 사망 시점을 모형화할 때 계산이 단순해지는 이점이 있어, 계산비용이 비쌌던 시절에 인기가 있었다.

해설 곰페르츠와 메이컴

곰페르츠 법칙은 사망력(force of mortality)이 나이에 따라 지수적으로 증가한다고 본다(Bc^x 꼴). 메이컴은 여기에 나이와 무관한 상수항 A(사고 등 우연사망)를 더한 것이다. 위 식에서 A=0이면 메이컴이 곰페르츠로 돌아간다.

8. 신뢰성이론에서 온 분포 Distributions from Reliability Theory

그 밖의 유용한 분포는 신뢰성이론(reliability theory)에서 온다. 이들은 흔히 평균잔여수명(mean residual life)으로 정의되는데, 이는 다음과 같다(x⁺는 분포 F의 우측 경계).

고장률(failure rate)에서와 비슷하게, 분포 F는 평균잔여수명을 통해 다음과 같이 표현된다.

특수경우로 레일리(Rayleigh) 분포(τ=2인 와이블, 선형 고장률을 가짐)와, 조각별 선형 고장률에서 만든 모형이 있다. 또한 e(x)=(1/a)x^1−b로 택하면 벵크탄더 제II형(Benktander Type II) 분포를, e(x)=x(a+2b log x)⁻¹로 택하면 무거운 꼬리의 벵크탄더 제I형(Benktander Type I) 분포를 얻는다.

참고 및 관련 표제어

관련 표제어. 총청구분포 근사(Approximating the Aggregate Claims Distribution) · 코퓰러(Copulas) · 비모수통계(Nonparametric Statistics) · 난수생성과 준몬테카를로(Random Number Generation and Quasi-Monte Carlo) · 통계 용어(Statistical Terminology) · 과소·과대산포(Under- and Overdispersion) · 위험가치(Value-at-risk)

부록. 이 글에 나온 용어 (배경지식 보충)

모수분포 (parametric distribution) — 고정 길이의 모수 벡터로 색인되는 분포함수들의 집합.
검약성 (parsimony) — 적은 수의 모수만으로 모형을 기술하는 성질. 자료가 적을 때 추정 효율을 높인다.
변환베타·변환감마 (transformed beta / gamma) — 모수 특수화로 여러 분포를 낳는 일반화 손실분포 부류.
버 분포 (Burr) — 변환베타에서 τ=1인 특수경우. 보험 손실에 자주 쓰인다.
합성곱에 대한 닫힘 (closed under convolution) — 같은 종류 독립변수들의 합이 다시 같은 종류 분포가 됨(감마·역가우스·정규 등).
역가우스 분포 (inverse Gaussian) — 포아송 혼합·청구액 모형으로 쓰이며, 로그정규보다 약간 무거운 꼬리를 가짐.
극단값 분포 (extreme value distribution) — 표본 극값의 분포. 프레셰·와이블·검벨로 나뉜다.
평균잔여수명 (mean residual life) — 현재 x까지 생존했을 때 앞으로의 기대 잔여수명. 신뢰성이론의 핵심량.
메이컴·곰페르츠 (Makeham / Gompertz) — 사망력 모형. 사망력이 나이에 지수적으로 증가(곰페르츠)+상수항(메이컴).
혼합분포 (mixture distribution) — 여러 모수분포의 볼록결합. 지수의 혼합·감마의 혼합 등.

한국보험시장 현황 Korea Market Practice

연속모수분포는 한국 손해보험 요율 산정과 준비금 추정의 기초를 이룬다. 자동차·일반배상·의료비 담보의 개별 손해액 분포로는 대수정규, 파레토, 와이블, 감마 분포가 주로 쓰이며, 참조순보험요율 산출 기관(보험개발원)은 대용량 업계 자료를 이용해 연도별로 적합 분포를 갱신한다. 적합 분포의 꼬리 두께가 대재해 보험료나 재보험 트리티 구조 설계에 직접 영향을 미치므로, 분포 선택은 단순 기술통계를 넘어 꼬리지수·초과평균함수 분석을 수반한다.

IFRS17 보험계약 측정에서 무위험 할인율을 산출할 때 수익률 커브 모형(Nelson-Siegel 등)의 잔차 분포도 연속모수분포로 기술된다. K-ICS 시장위험 요구자본 산출을 위한 금리 충격 시나리오도 역사적 금리 변동의 모수분포(로그정규·정규 혼합 등)에 기반한 분위수로 설정된다. 이처럼 연속모수분포는 단순 청구액 모형을 넘어 금융 리스크 모형의 중추다.

장기 생명보험에서 잔여수명 분포는 제10회 경험생명표(2024.4 기준)의 생명함수로 표현되며, 수리적 해석은 이산에서 연속으로의 전환을 포함한다. 연금·CI(중대질병) 담보 요율에서는 복수의 발생률 가정(유병률·회복률 포함)이 결합된 복합 연속분포가 필요하다. 이 경우 혼합(mixture) 연속분포 또는 다단계 마르코프 모형으로의 전환이 실무 표준이 돼 가고 있다.

실무 연속분포 적합 검증 3단계

손해분포 적합 후에는 ① Q-Q 그림으로 전체 적합도, ② 초과평균함수(MEF) 그림으로 꼬리 두께 적합도, ③ Anderson-Darling(A-D) 검정 통계량(꼬리 민감 검정)을 단계적으로 확인한다. 대수정규는 A-D 통과가 쉽지만 극단 꼬리를 과소추정하고, 파레토는 꼬리를 잘 잡지만 중앙 구간 적합도가 낮다. 실무에서는 두 분포를 혼합하거나, 한계 손해액 이상은 파레토 별도 적합하는 spliced 분포를 쓰는 것이 국내 중·대형 손보사의 관행이다.

[한국보험시장 현황]은 한국 보험시장 실무 관점(2026.6 기준)에서 추가 작성한 것임. · 원문: Encyclopedia of Actuarial Science (Wiley, 2004), "Continuous Parametric Distributions", Stuart A. Klugman. · 본 해설서의 [해설]·[예제]·[부록]은 학부 입문 학습용으로 추가·구성한 것임.