중심극한정리

1. 중심극한정리란 Overview

중심극한정리(central limit theorem, CLT)는, 점점 더 많은 수의 확률변수를 표준화하여 합한 것이 분포수렴(convergence in distribution)한다는 — 특히 정규분포(normal law)로 수렴한다는 — 모든 정리에 두루 붙이는 일반적인 이름이다. 이런 종류의 결과는 매우 광범위한 조건 아래서 성립하며, 그 덕분에 정규분포가 확률론과 통계학에서 중심적인 위치를 차지하게 되었다.

고전적인 형태의 CLT는 독립인 확률변수들 X₁, X₂, … 의 합을 다룬다. 각 k에 대해 EX_k = 0, EX_k² = σ_k² < ∞라 하고, 다음과 같이 둔다.

이하에서 →^d는 분포수렴을, N(μ, σ²)은 평균 μ·분산 σ²의 정규분포를, I(·)는 지시함수를 나타낸다. 가장 기본적인 중심극한 결과가 다음의 린데베르크–펠러 정리(Lindeberg–Feller theorem)이다.

2. 린데베르크–펠러 정리 Lindeberg–Feller Theorem

다음 두 수렴

이 성립할 필요충분조건은, 모든 ε > 0에 대해 다음의 린데베르크 조건(Lindeberg condition)이 성립하는 것이다.

3. 큰 수의 법칙에 대한 수렴 속도로서의 CLT CLT as a Rate of Convergence

CLT의 중요성은 상당 부분, 그것이 강대수의 법칙(strong law of large numbers, SLLN)에 대한 수렴 속도 결과라는 데서 온다. 이를 보기 위해, X₁, X₂, … 를 E|X₁| < ∞, EX₁ = μ인 독립동일분포(i.i.d.) 확률변수라 하고 S_n = ∑X_k라 하자. 그러면 SLLN은 n → ∞일 때 다음을 준다.

여기에 더해 Var X = σ² < ∞이면, 린데베르크–펠러 정리는 이 수렴의 속도에 대한 구체적 진술을 준다. 즉,

가 n → ∞일 때 성립한다. 이 결과는 통계 이론의 핵심에 있는데, 표본평균 n⁻¹S_n을 이용하여 μ에 대한 근사적 신뢰구간을 만들고 μ에 관한 가설을 검정할 수 있게 해 주기 때문이다.

4. 역사적 배경 Historical Background

CLT는 역사적으로 오차의 법칙(law of errors)으로 알려져 있었는데, 19세기 초 라플라스(Laplace)와 가우스(Gauss)의 오차론 연구에서 비롯되었다. 이 결과는 처음에 베르누이 시행의 경우, 즉 P(X_k=1)=p, P(X_k=0)=1−p인 i.i.d.에 대해 확립되었다. p = 1/2의 경우는 1718년 드무아브르(de Moivre)가, 일반 p의 경우는 1812년 라플라스가 다루었다. 임의 분포의 합에 대한 극한정리를 엄밀히 증명하는 효과적 방법은 19세기 후반 체비쇼프(Chebyshev)가 개발했으며(1887, 적률법), 최초의 현대적 논의는 1900–1901년 랴푸노프(Liapunov)가 특성함수(characteristic function)를 써서 제시했다. 린데베르크–펠러 정리의 충분성 부분은 1922년 린데베르크가, 필요성 부분은 1935년 펠러가 이루었다.

5. 일반화: UAN 조건과 무한분해가능 법칙 Generalizations: UAN and Infinitely Divisible Laws

린데베르크–펠러 결과에는 많은 일반화가 있고, 정규분포 외의 여러 극한법칙도 얻을 수 있다. 일반적으로는 각 n에 대해 행(row) X_n1, …, X_nn 가 독립인 삼각배열(triangular array)을 다룬다. 의미 있는 결과를 얻으려면 항들에 어떤 제약이 필요한데, 통상적인 제약은 항들이 일양점근무시가능(uniformly asymptotically negligible, UAN)한 것이다. 즉, 모든 ε > 0에 대해

가 성립한다(X_nk가 k에 대해 일양으로 0에 확률수렴). UAN 조건 아래에서는 가능한 극한법칙이 무엇인지, 또 언제 그것이 나타나는지에 대해 상세한 답을 줄 수 있다. 전형적으로 얻어지는 결과는 다음과 같다.

정리 A의 중요한 특수경우로 정규수렴과 푸아송수렴이 있다. 정규수렴은 ∑X_nk →^d N(μ,σ²)가 되는 경우로, 큰 값의 확률이 사라지고(린데베르크형 조건) 절단분산이 σ²로 수렴할 때 일어난다. 푸아송수렴은 1 근방에 질량이 모여 ∑X_nk가 모수 λ인 푸아송분포로 수렴하는 경우다.

6. 안정법칙과 무거운 꼬리 Stable Laws and Heavy Tails

응용에서 가장 중요한 경우는 X_nk = b_n⁻¹X_k − k⁻¹a_n 형태로, X_k가 (1) 독립이거나 (2) i.i.d.인 경우다. 이때 가능한 극한법칙은 무한분해가능 법칙의 부분집합으로, 경우 (1)에서는 자기분해가능(self-decomposable) 법칙, 경우 (2)에서는 안정(stable) 법칙이라 부른다. 어떤 분포가 특정 극한으로 수렴할 때, 그 분포는 그 극한법칙의 유인영역(domain of attraction)에 속한다고 한다.

안정법칙은 모수 α (0 < α ≤ 2)로 지표화되는 분포족이다. α = 2는 정규분포에 대응하고, α < 2는 꼬리확률이 지수 α의 거듭제곱처럼 행동하는 분포에 대응한다.

이러한 무거운 꼬리(heavy-tailed) 분포는 금융·보험·통신 분야에서 점점 더 많은 응용을 찾고 있다.

7. 다차원·함수형 극한정리(돈스커 정리) Higher Dimensions and Donsker's Theorem

k차원 유클리드 공간의 확률벡터에 대한 정리는, 크라메르–월드 장치(Cramér–Wold device)를 통해 일차원 결과로부터 얻을 수 있다. 즉, 모든 방향 t에 대해 사영 t·X_n이 t·X로 분포수렴하면, 특성함수를 살펴봄으로써 X_n →^d X임을 쉽게 안다.

보통의 중심극한형 결과 외에, 함수형 중심극한정리(functional CLT) 또는 불변원리(invariance principle)로 불리는 일반화가 있다. 가장 단순한 결과가 돈스커 정리(Donsker's theorem)다. 평균 0·분산 1인 i.i.d. X₁, X₂, … 에 대해, 부분합을 선형보간하여 [0,1] 위의 연속함수 Z_n(·)을 만들면, 그 분포 P_n은 다음과 같이 수렴한다.

이 일반적 결과로부터 많은 중요한 결론이 따른다. 예를 들어 연속사상정리(continuous mapping theorem)를 적용하면, 부분합의 최댓값이나 양수인 시간의 비율(아크사인 법칙) 같은 다양한 극한분포를 얻을 수 있다.

8. 종속변수로의 확장: 마팅게일 CLT Dependent Variables

위의 많은 결과는 종속(dependent) 변수의 맥락으로 일반화된다. 다만 독립성이 없으면 수렴의 필요조건은 거의 얻기 어렵다. 린데베르크–펠러 정리의 충분성 부분은 마팅게일(martingale)의 경우로 일반화된다.

평균 0·제곱적분가능 마팅게일 S_n에 대해, 조건부분산의 합 V_n² = ∑E(X_k²|F_k−1)이 s_n⁻²V_n² → 1(확률수렴)을 만족하고, 린데베르크형 조건이 성립하면 s_n⁻¹S_n →^d N(0,1)이 성립한다. 상수 대신 확률적 정규화(random normalization) V_n⁻¹S_n을 쓰면 이론상 큰 이점이 있다. 마팅게일 중심극한 이론은, 충분히 강한 점근적 독립 조건(강혼합·일양혼합 등)이 성립하는 매우 넓은 종속변수 합에 대해 CLT를 전개하는 편리한 기반을 제공한다.

9. 수렴 속도: 베리–에세인 정리와 에지워스 전개 Rates of Convergence

CLT의 정규근사가 얼마나 빠른지에 관한 방대한 문헌이 있다. 가장 유용한 결과의 하나가 1941–42년의 베리–에세인 정리(Berry–Esseen theorem)다. EX₁=0, EX₁²=σ², E|X₁|³ < ∞인 i.i.d.에 대해, 표준화한 합의 분포함수와 표준정규 분포함수 Φ의 차이는 다음으로 일양 한계가 매겨진다.

여기서 C는 절대상수이며 C ≤ 0.82이다. 더 높은 차수의 적률이 존재하면, 다음과 같은 에지워스 전개(Edgeworth expansion) 형태의 점근전개를 얻을 수 있다.

여기서 φ는 표준정규 밀도, P_k는 적률에만 의존하는 다항식이다. 에지워스 전개의 주요 보험계리 응용 중 하나가 NP 근사(NP approximation)이다. 한편 합의 분포의 꼬리 거동은 보통 CLT가 아니라 대편차이론(large deviations theory)의 틀에서 연구된다 — CLT는 일반적으로 분포의 중심부에서만 정확하기 때문이다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 중심극한정리 (CLT) — 표준화한 합이 정규분포로 분포수렴한다는 정리들의 총칭.
• 분포수렴 (convergence in distribution, →^d) — 분포함수가 극한분포함수로 수렴하는 약수렴.
• 린데베르크 조건 (Lindeberg condition) — 어느 한 항도 합을 지배하지 않게 하는 조건. CLT의 충분조건.
• UAN (일양점근무시가능) — 삼각배열의 개별 항이 일양으로 0에 확률수렴한다는 제약.
• 무한분해가능 법칙 (infinitely divisible law) — UAN 합의 가능한 극한분포 전체. 정규·푸아송을 포함.
• 안정법칙 (stable law) / 유인영역 — α(0<α≤2)로 지표화되는 극한분포족. α=2가 정규.
• 무거운 꼬리 (heavy tail) — 꼬리확률이 거듭제곱 x^−α처럼 천천히 감소. 분산이 무한할 수 있음.
• 돈스커 정리 / 불변원리 — 부분합 과정이 위너측도(브라운운동)로 약수렴한다는 함수형 CLT.
• 마팅게일 CLT — 종속변수(마팅게일 차분)의 합에 대한 중심극한정리.
• 베리–에세인 정리 / 에지워스 전개 — 정규근사의 수렴 속도(1/√n)와 고차 보정항.

한국보험시장 현황 Korea Market Practice

중심극한정리(CLT)는 한국 보험 계리 실무에서 요구자본 근사와 준비금 신뢰구간 산출의 이론적 기둥이다. K-ICS(2023) 표준모형은 보험위험·시장위험·신용위험·운영위험 등 각 위험 모듈의 요구자본을 1년 99.5% VaR 기준으로 정의하는데, 개별 위험 분포가 비정규이더라도 포트폴리오 규모가 충분히 크면 집합 손해의 분포가 정규에 근접하여 VaR 계산이 간명해진다는 CLT 논리가 깔려 있다.

실손보험·자동차보험의 순보험료 신뢰구간 설정도 CLT를 직접 활용한다. 표본 손해율의 표준오차(σ/√n)로부터 95%·99% 신뢰구간을 구하는 것이 표준 관행이며, 이 구간이 예정사업비 및 이익 적재량 설계의 안전 여유(safety loading) 기준이 된다. 제조물책임·배상책임처럼 단위 손해의 분포가 두꺼운 꼬리를 가질 때는 n이 충분히 커야 CLT가 실용적으로 작동하므로, 소규모 회사나 특종 담보에서는 CLT 적용 가능성 자체를 점검해야 한다.

IFRS17의 위험조정(RA)에서 신뢰수준 방식을 택한 회사는 집합 현금흐름의 분포 기준 분위수를 구하는데, 이 단계에서도 CLT 기반 정규 근사 또는 에지워스 전개가 계산 효율을 높이는 수단으로 쓰인다. 몬테카를로 시뮬레이션을 쓰더라도 수렴 오차를 √N으로 제어하는 논리 자체가 CLT에서 비롯된다.