커플링

1. 커플링이란 무엇인가 What is Coupling

커플링(coupling)은 단순하지만 강력한 확률론적 방법으로, 예제를 통해 가장 잘 이해된다. 커플링이란 둘 이상의 확률변수를 하나의 공통 확률공간 위에서 동시에 구성하는 것을 뜻한다. 좀 더 정확히 말하면, 확률변수들의 모음 (X̂_i : i ∈ I)이 다른 모음 (X_i : i ∈ I)의 커플링이라 함은, 각 X̂_i가 대응하는 X_i의 복제(copy)—즉 같은 분포를 갖는다—는 것이다.

여기서 X_i들은 실숫값 확률변수일 필요가 없다. 확률과정이거나, 임의의 가측공간 위의 확률요소(random element)일 수도 있다. 따라서 커플링 (X̂_i : i ∈ I)은 주변분포는 고정(각 X_i의 분포)되어 있지만 결합분포(joint distribution)는 임의로 잡을 수 있다. 요령은 자신의 목적에 맞는 결합분포를 찾는 것이다.

2. 최대 커플링 Maximal Coupling

확률변수 X가 밀도 f를 갖고, x-축과 곡선 f 사이 영역에서 점을 균등하게 무작위로 고르면, 그 점의 x-좌표 X̂는 X의 복제가 된다. 이제 밀도 g를 갖는 또 다른 확률변수 Y를 생각하자. 우리가 고른 점이 g 아래에 떨어지면 Ŷ = X̂로 두고, g 위·f 아래에 떨어지면 이번에는 f 위·g 아래 영역에서 새 점을 균등하게 골라 그 x-좌표를 Ŷ로 둔다. 그러면 Ŷ는 Y의 복제이고 (X̂, Ŷ)는 X와 Y의 커플링이 된다. 이 커플링은 다음을 만족한다.

여기서 f ∧ g는 두 밀도의 최솟값이다. 이 커플링은 어떤 커플링 (X̂, Ŷ)에 대해서도 P(X̂ = Ŷ)를 가능한 한 크게 만들기 때문에 최대 커플링(maximal coupling)이라 불린다. 최대 커플링은 임의의 가측공간 위 확률요소 모음에 대해 구성할 수 있으며, 이 개념의 변형들은 뒤에 언급할 일반 확률과정의 커플링 이론에서 핵심 역할을 한다.

3. 커플링 부등식과 전변동거리 Coupling Inequality and Total-variation Distance

커플링이 강력한 까닭은 두 분포가 얼마나 다른가를 두 복제가 일치하지 않을 확률로 위에서 막아주기 때문이다. 두 확률요소 X, Y의 분포 사이의 전변동거리(total-variation distance)는 다음과 같이 정의된다.

임의의 커플링 (X̂, Ŷ)에 대해 다음 커플링 부등식(coupling inequality)이 항상 성립한다. 즉 두 분포의 전변동거리는 둘을 같은 무대에 올렸을 때 서로 어긋날 확률 이하로 억눌린다.

이 부등식은 분포 간 거리를 단 하나의 사건 {X̂ ≠ Ŷ}의 확률로 바꾸어 준다. 따라서 두 복제가 자주 일치하도록 결합분포를 잘 설계할수록 더 좋은 거리 상한을 얻는다. 최대 커플링은 바로 이 P(X̂ ≠ Ŷ)를 가능한 최소로 만들며, 이때 커플링 부등식은 등호로 성립한다(전변동거리 = 1 − ∫f ∧ g).

4. 포아송 근사 Poisson Approximation

모수 n, p인 이항확률변수 X는, p가 작을 때 모수 np인 포아송 확률변수 Y로 근사할 수 있다. 이 잘 알려진 사실은 커플링으로 다음과 같이 보일 수 있다. U를 구간 [0, 1]에서 균등분포한다고 하고, Bin(1, p) 변수와 Poi(p) 변수를 같은 U로 정의하자.

1 − p ≤ e^−p이므로 P(X₁ = Y₁) = P(X₁ = 0, Y₁ = 0) + P(X₁ = 1, Y₁ = 1) ≥ 1 − p²가 되어, 두 변수가 어긋날 확률은 다음으로 억눌린다.

이제 (X₁, Y₁), …, (X_n, Y_n)을 (X₁, Y₁)의 독립 복제라 하면, 그 합은 각각 이항분포와 포아송분포가 된다.

P(X̂ ≠ Ŷ) ≤ P(X₁ ≠ Y₁) + ⋯ + P(X_n ≠ Y_n)이므로, 커플링 부등식과 결합하면 이항분포와 포아송분포의 전변동거리에 대한 깔끔한 근사 상한을 얻는다.

5. 확률적 지배 Stochastic Domination

X가 분포함수 F를 갖는다고 하고, 그 역함수(분위수 함수) F⁻¹을 다음과 같이 정의하자.

U를 [0, 1] 위 균등분포로 두고 X̂ = F⁻¹(U)로 두면 X̂는 X의 복제가 된다(역변환 표본추출, inverse-transform).

이제 분포함수 F, G를 갖는 확률요소 X, Y를 생각하자. X̂ ≤ Ŷ인 커플링 (X̂, Ŷ)이 존재하면 분명히 F(x) ≥ G(x)가 성립한다. 이를 확률적 지배(stochastic domination)라 하고 X ≤_D Y로 쓴다. 역으로 X ≤_D Y이면 같은 U에 대해 F⁻¹(U) ≤ G⁻¹(U)이므로 X̂ ≤ Ŷ인 커플링이 존재한다.

이것은 부분순서가 주어진 폴란드 공간(partially ordered Polish space) 위 확률요소에 대해 성립하는 일반 결과의 한 예다. 위의 커플링은, 예를 들어 확률적 지배가 독립 확률변수의 덧셈에 대해 보존됨을 증명하는 데 쓸 수 있다.

증명은 이렇다. (X₁, Y₁)과 (X₂, Y₂)를 각각 X̂₁ ≤ Ŷ₁, X̂₂ ≤ Ŷ₂인 독립 커플링으로 잡으면, (X̂₁ + X̂₂, Ŷ₁ + Ŷ₂)은 합들의 커플링이고 점별로 X̂₁ + X̂₂ ≤ Ŷ₁ + Ŷ₂이다. 이 증명은 커플링이 어떻게 분포적 관계를 점별 관계로 바꾸어 짧고 투명한 증명을 주는지 잘 보여준다. 확률적 지배란 결국 점별 지배의 분포판(distributional form)일 뿐이다.

6. 분포수렴과 밀도수렴 Convergence in Distribution and of Densities

분포함수 F₁, F₂, …와 F를 갖는 변수 X₁, X₂, …와 X에 대해, X̂_n → X̂(거의 확실히)인 커플링이 존재하면 F가 연속인 모든 점에서 F_n(x) → F(x)임을 쉽게 보일 수 있다. 이를 분포수렴(convergence in distribution)이라 하고 X_n →_D X로 쓴다. 거꾸로 [0, 1] 위 균등 U를 잡아 X̂_n = F_n⁻¹(U), X̂ = F⁻¹(U)로 두면 X̂_n → X̂인 커플링을 얻는다. 즉 분포수렴은 점별수렴의 분포판이며, 이는 분리가능 거리공간 위 확률요소에 대해 성립하는 일반 결과의 한 예다.

밀도수렴의 경우, lim inf f_n ≥ f인 밀도 f₁, f₂, …와 f를 갖는 연속 확률변수에 대해, 변수들이 단지 극한에 가까워지는 것이 아니라 실제로 극한에 도달하여 그 뒤로 머무는(hit and stay) 커플링을 구성할 수 있다. 이 결과는 임의의 공간에서 성립하며 증명도 연속 변수의 경우와 동일하다.

7. 마르코프 연쇄와 정상성으로의 수렴 Markov Chains and Convergence to Stationarity

아마 가장 유명한 커플링은 1938년 Doeblin으로 거슬러 올라가는 다음 구성이다. 유한 상태공간 E를 갖는 정칙(regular) 마르코프 연쇄 X = (X_n)을 생각하자. X의 점근적 정상성(asymptotic stationarity)을 보이기 위해, 정상 버전 Y = (Y_n)을 X와 독립으로 함께 돌리되, 두 연쇄가 같은 상태에서 처음 만나는 시각 T까지만 그렇게 한다. 시각 T 이후로는 두 연쇄를 함께(같은 경로로) 움직인다. 이 만남의 시각 T를 커플링 시각(coupling time)이라 한다.

정칙성(regularity)이란 어떤 r > 0이 있어 r-단계 전이확률이 모두 어떤 p > 0 이상이라는 뜻이다. 따라서 P(T > kr) ≤ (1 − p)^k이므로 T는 확률 1로 유한하다(즉 커플링이 성공적이다). 결국 X는 종국에 Y처럼 행동하므로 X는 점근적으로 정상이다. 더욱이 T는 기하적 꼬리(geometric tail)를 가지므로 정상분포로의 수렴 속도가 기하적이다.

이 구성을 고전적 커플링(classical coupling)이라 한다. 상태공간이 가산무한이고 X가 기약·비주기·양재귀(positive recurrent)일 때도 작동하지만, 이 경우 T의 유한성을 보이기가 더 어렵다. X가 영재귀(null recurrent)일 때는 고전적 커플링이 성공적이지 않을 수 있는데, 그때는 고정 상태로의 연속 방문이 이루는 확률보행(random walk)에 다음 구성을 적용하면 성공적 커플링을 얻는다. 1969년 Ornstein은 강비주기 보폭을 갖는 정수값 확률보행의 서로 다른 두 버전을, 두 보행의 차이가 클 때는 보폭을 일치시키고 그렇지 않으면 독립으로 둠으로써 커플링했다.

커플링 부등식을 이 상황에 적용하면, n단계 후 분포 ℒ(X_n)와 정상분포 π 사이의 전변동거리에 대한 명시적 상한을 얻는다.

즉 정상분포로의 수렴은 커플링 시각의 꼬리확률 P(T > n)이 결정하며, 정칙 마르코프 연쇄에서는 이것이 기하적으로 0으로 간다. 이것이 커플링이 마르코프 연쇄의 수렴(MCMC의 혼합시간 분석)에서 중심적 도구인 이유다.

8. 확률과정의 커플링과 완전 시뮬레이션 Coupling of Processes and Perfect Simulation

두 과정 X = (X_s)와 Y = (Y_s)를 결국 합쳐지게(eventually merge) 만드는 커플링을 정확 커플링(exact coupling)이라 한다. 성공적 정확 커플링은 두 과정이 전변동으로 수렴할 때, 그리고 두 과정이 꼬리집합(tail sets) 위에서 같은 분포를 가질 때에 한해 존재한다. 두 과정을 임의의 시간이동(time-shift)을 허용해 합치는 커플링은 이동 커플링(shift-coupling)이라 하며, 이는 두 과정이 체사로(Cesàro) 전변동으로 수렴할 때, 그리고 불변집합 위에서 같은 분포를 가질 때 성립한다. 이러한 동치 관계들은 양방향 시간 과정과 고차원 확률장(random field)으로 일반화된다. 고전적·Ornstein 아이디어는 격자값 재생시각을 갖는 재생과정(regenerative process)에도 적용된다.

완전 시뮬레이션(perfect simulation)은 유한상태 정칙 마르코프 연쇄의 정상상태를 정확히 표본추출하는 문제에 커플링을 쓴 것이다. 이를 과거로부터의 커플링(coupling from the past)이라 한다. 시각 −1에서 모든 상태로부터 한 단계 전이를 생성하고, 시각 0에서 모든 연쇄가 같은 상태이면 멈춘다. 아니면 시각 −2, −3, … 로 거슬러 올라가며 이미 생성한 전이를 재사용한다. 어떤 유한 무작위 정수 M이 있어 시각 −M에서 출발한 모든 연쇄가 시각 0에서 같은 상태 X₀^∗에 모이며, 이 X₀^∗이 정상상태의 정확한 실현이다. 연쇄가 단조(monotone, 생사과정 등)인 특수한 경우에는 맨 위·맨 아래 상태에서만 생성해도 충분하며, 이렇게 이징 모형(Ising model)을 생성할 수 있다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 커플링 (coupling) — 주변분포는 그대로 둔 채 둘 이상의 확률변수를 같은 확률공간 위에 동시에 구성하는 것.
• 복제 (copy) — 원래 변수와 같은 분포를 갖는 변수(X̂ =_D X).
• 최대 커플링 (maximal coupling) — 두 복제가 일치할 확률 P(X̂ = Ŷ)을 최대(=∫f∧g)로 만드는 커플링.
• 전변동거리 (total-variation distance) — 두 분포가 어떤 사건에서 매기는 확률 차이의 상한; 0이면 동일, 1이면 완전 분리.
• 커플링 부등식 (coupling inequality) — 전변동거리 ≤ P(X̂ ≠ Ŷ); 분포 비교를 ‘어긋날 확률’로 환원.
• 커플링 시각 (coupling time) T — 두 과정이 만나 그 뒤로 함께 가기 시작하는 시각; 성공적 커플링이면 T < ∞.
• 확률적 지배·순서화 (stochastic domination/ordering) — X ≤_D Y; 모든 임곗값에서 F ≥ G, 점별 지배의 분포판.
• 고전적 커플링 (classical coupling) — 정상 버전을 독립으로 돌려 만나게 한 뒤 함께 가는 Doeblin식 마르코프 연쇄 커플링.
• 정상분포 π (stationary distribution) — 한 단계 전이 후에도 변하지 않는 분포; 정칙 연쇄가 수렴하는 극한분포.
• 완전 시뮬레이션 / 과거로부터의 커플링 (perfect simulation / CFTP) — 정상상태를 오차 없이 정확히 표본추출하는 커플링 기법.

한국보험시장 현황 Korea Market Practice

커플링은 고급 확률론의 기법이므로 국내 보험 계리 실무에 직접 쓰인다는 표현보다는, 마르코프 체인 몬테카를로(MCMC) 알고리즘의 수렴 진단과 보험 포트폴리오 혼합 시간 분석에 이론적 기반을 제공한다고 보는 것이 정확하다. 국내 생보사들이 IFRS17 계약서비스마진(CSM) 추정, 장기 사망률 시나리오 생성, 베이지안 준비금 분포 추정에 MCMC를 도입하면서, 마르코프 체인이 정상분포 π로 수렴하는 속도—커플링 시간(coupling time)으로 상한이 주어지는 혼합 시간—가 알고리즘 설계에 실질적 의미를 갖게 되었다.

커플링 부등식 ‖ℒ(Xₙ) − π‖_TV ≤ P(T_c > n)은 “체인을 몇 번 돌려야 정상상태에 가까워지는가”를 상한 지어 주는 명제다. 국내 MCMC 기반 준비금 모형에서 번인(burn-in) 기간 설정은 이 혼합 시간 추정과 실질적으로 같은 문제이며, 번인이 너무 짧으면 초기분포 편향이 준비금 추정에 잔류한다. 커플링 개념은 이를 이론적으로 엄밀히 정량화하는 도구를 제공한다.

전변동거리(TV distance)는 두 리스크 분포의 “최대 분리”를 측정한다는 점에서, 보험 포트폴리오가 모형 변경(예: 가정 업데이트) 전후에 얼마나 달라지는지를 수치화하는 데도 쓰일 수 있다. IFRS17 CSM 재측정이나 K-ICS 가정 변경 충격 분석에서 “분포 거리”를 정의할 때 TV distance 또는 쿨백-라이블러 발산을 쓰는 접근이 학술 문헌에서 제안되고 있으며, 이는 커플링 이론의 응용이다.