나타프 변환

편집 역사 토론
통계 수치해석 마지막 수정: 2026-08-03 04:53:27

1. 개요[편집]

나타프 변환
Nataf Transformation
제안A. Nataf (1962), 신뢰성 도입은 Der Kiureghian & Liu (1986)
입력주변분포 $F_i$ $n$개 + 상관행렬 $\mathbf R$
출력표준정규 독립 벡터 $\mathbf u \sim N(\mathbf 0, \mathbf I)$
숨은 가정가우시안 코퓰라 — 꼬리 종속성 0
주 용도FORM/SORM 전처리, 상관 표본 생성

결합분포를 다 안다면 로젠블랫 변환을 쓰면 된다. 문제는 그걸 아는 사람이 아무도 없다는 것이다.

나타프 변환(Nataf transformation)은 주변분포와 상관행렬만 주어진 상관 비정규 확률벡터를 표준정규 공간(U 공간)의 독립 확률벡터로 옮기는 확률변환이다. 신뢰성 해석에서 FORM/SORM을 돌리기 직전에 반드시 거치는 전처리 단계이며, 반대로 뒤집으면 “주변분포와 상관을 지정한 상관 표본 생성기”가 된다.

왜 굳이 U 공간으로 가야 하냐면, 1차 신뢰도법의 전 논리가 표준정규 공간의 등방성 위에 서 있기 때문이다. U 공간에서는 확률밀도가 원점 중심으로 회전대칭이라, 한계상태면 g(u)=0g(\mathbf u)=0 까지의 원점 최단거리가 곧 신뢰도 지수 β\beta 가 되고 Pf≈Φ(−β)P_f \approx \Phi(-\beta) 라는 근사가 성립한다. 원 공간 x\mathbf x 에서는 이런 기하학적 해석이 성립하지 않는다. 그래서 변환의 품질이 곧 신뢰도 추정치의 품질이다.

2. 세 단계 절차[편집]

입력은 주변 CDF F1,…,FnF_1,\dots,F_n 과 상관행렬 R=[ρij]\mathbf R = [\rho_{ij}] 뿐이다.

1단계 — 주변 정규화. 각 변수를 개별적으로 표준정규로 민다.

zi=Φ−1 ⁣(Fi(xi))z_i = \Phi^{-1}\!\big(F_i(x_i)\big)

이 단계는 역변환 표본추출과 정확히 같은 연산의 역방향이다. 여기까지는 각 성분의 주변분포만 쓰므로 근사도 가정도 없다.

2단계 — 등가 상관계수. z\mathbf z 를 다변량 정규분포라고 놓는다(여기가 가정이다). 그러면 z\mathbf z 의 상관계수 ρ0,ij\rho_{0,ij} 는 원래 ρij\rho_{ij} 와 다음 이중적분 방정식으로 묶인다.

ρij=∫−∞∞ ⁣ ⁣∫−∞∞Fi−1(Φ(zi))−μiσi Fj−1(Φ(zj))−μjσj φ2(zi,zj;ρ0,ij) 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})\,\mathrm{d}z_i\,\mathrm{d}z_j

미지수는 ρ0,ij\rho_{0,ij} 하나뿐인 1차원 비선형 방정식이므로 이분법 몇 번이면 풀린다. 문제는 이걸 n(n−1)/2n(n-1)/2 쌍마다, 그것도 매 반복마다 하기 싫다는 것.

3단계 — 무상관화. R0=[ρ0,ij]\mathbf R_0 = [\rho_{0,ij}] 를 촐레스키 분해 R0=LL⊤\mathbf R_0 = \mathbf L\mathbf L^\top 한 뒤 u=L−1z\mathbf u = \mathbf L^{-1}\mathbf z. 끝.

3. 리우-더 키우렉헨의 F 인자[편집]

2단계의 이중적분을 매번 가우스-에르미트 구적으로 푸는 대신, 리우와 더 키우렉헨(1986)이 실무에 흔한 주변분포 조합에 대해 비

F=ρ0ρF = \frac{\rho_0}{\rho}

의 닫힌 형태 근사식을 표로 정리해 뒀다. FF 는 두 변수의 변동계수 Vi,VjV_i, V_j 와 ρ\rho 의 다항식으로 주어지고, 분포쌍(정규-정규, 정규-로그정규, 검벨-와이불 등)마다 계수가 다르다. 정규-정규는 당연히 F=1F=1 이고, 왜도가 큰 분포일수록 FF 가 1에서 멀어진다. 보고된 오차는 대체로 1% 안팎, 극단적인 조합에서도 수 % 수준이라 지금도 상용 코드에 그대로 들어가 있다.1

로그정규-로그정규 쌍은 아예 정확한 닫힌 해가 있다.

ρ0=ln⁡(1+ρViVj)ln⁡(1+Vi2) ln⁡(1+Vj2)\rho_0 = \frac{\ln(1 + \rho V_i V_j)}{\sqrt{\ln(1+V_i^2)\,\ln(1+V_j^2)}}

ρ0≥ρ\rho_0 \geq \rho 이고 변동계수가 커질수록 격차가 벌어진다는 것이 눈으로 보인다. 즉 “상관계수 0.6”을 원 공간에서 지정한 것과 정규 공간에서 지정한 것은 다른 물건이며, 이 구분을 안 하는 코드는 조용히 틀린 상관을 쓰고 있는 것이다.

4. 야코비안 — 감도 전파[편집]

FORM은 U 공간에서 경사법으로 설계점을 찾으므로 변환의 자코비안 행렬이 필요하다. 나타프 변환의 야코비안은 대각행렬과 삼각행렬의 곱이라 아주 싸다.

∂u∂x=L−1 diag ⁣(fi(xi)φ(zi))\frac{\partial \mathbf u}{\partial \mathbf x} = \mathbf L^{-1}\, \mathrm{diag}\!\left(\frac{f_i(x_i)}{\varphi(z_i)}\right)

여기서 fif_i 는 주변 PDF, φ\varphi 는 표준정규 PDF다. 한계상태함수의 기울기는 ∇ug=(∂x/∂u)⊤∇xg\nabla_{\mathbf u} g = (\partial\mathbf x/\partial\mathbf u)^\top \nabla_{\mathbf x} g 로 옮겨진다. 분모 φ(zi)\varphi(z_i) 가 꼬리에서 급격히 0으로 가기 때문에, 설계점이 꼬리 깊숙이 있을수록 야코비안 성분이 폭발해 수치적으로 까다로워진다는 점은 알고 있어야 한다. 민감도 해석에서 중요도 인자(감마 벡터)를 뽑을 때도 같은 행렬을 쓴다.

5. 핵심 한계 — 가우시안 코퓰라를 몰래 가정한다[편집]

2단계에서 ”z\mathbf z 가 다변량 정규”라고 놓는 순간, 우리는 결합분포의 종속 구조를 가우시안 코퓰라로 못박은 것이다. 주변분포는 정확히 보존되지만 종속 구조는 가정이다. 코퓰라 문서의 언어로 말하면, 나타프 분포 = (주어진 주변분포) + (가우시안 코퓰라)다.2

이 가정의 대가는 꼬리 종속성이 0이라는 것이다. 가우시안 코퓰라의 상측 꼬리 종속계수는

λU=lim⁡q→1−P(X2>F2−1(q) ∣ X1>F1−1(q))=0(∣ρ0∣<1)\lambda_U = \lim_{q\to 1^-} P\big(X_2 > F_2^{-1}(q) \,\big|\, X_1 > F_1^{-1}(q)\big) = 0 \quad (|\rho_0| < 1)

즉 상관계수가 0.9든 0.99든, 두 변수가 동시에 극단값을 갖는 사건의 확률을 구조적으로 과소평가한다. 하필 신뢰성 해석이 관심 있는 곳이 정확히 그 꼬리다. 시스템 신뢰성(직렬계, 다중 파괴모드)이나 극값 통계가 걸린 문제에서 나타프를 무비판적으로 쓰면 파괴확률이 낙관적으로 나온다. 꼬리 의존이 실제로 존재한다고 볼 근거가 있으면 t-코퓰라나 검벨 코퓰라로 갈아타야 한다.

6. 로젠블랫 변환과의 차이[편집]

항목나타프로젠블랫
필요한 정보주변분포 + 상관행렬완전한 결합분포(모든 조건부 CDF)
종속 구조가우시안 코퓰라로 가정정확히 재현
변수 순서무관 (결과가 유일)의존 — 순서를 바꾸면 다른 변환
추가 계산등가 상관계수 이중적분조건부 CDF와 그 역함수
현실 적용성사실상 대부분의 실무결합분포를 알 때만

정리하면 로젠블랫은 정보가 있을 때 정확하고, 나타프는 정보가 없을 때 작동한다. 실무에서 손에 쥔 것이 “재료 강도는 로그정규(평균, CoV), 하중은 검벨, 둘의 상관 0.3” 수준인 이상 선택지는 사실상 하나다.3 다만 순서 무관성은 나타프의 진짜 장점이다 — 로젠블랫에서는 변수 나열 순서만 바꿔도 설계점과 β\beta 가 달라져 재현성 논란이 생긴다.

7. 등가 상관계수가 존재하지 않을 때[편집]

나타프가 항상 성립하는 건 아니다. 실패 모드는 둘이다.

첫째, 목표 ρij\rho_{ij} 자체가 도달 불가능한 경우. 주변분포 쌍이 정해지면 어떤 결합분포로도 얻을 수 있는 피어슨 상관계수의 범위 [ρmin⁡,ρmax⁡][\rho_{\min}, \rho_{\max}] 가 프레셰-회프딩 한계로 제한된다. 왜도가 크게 다른 두 로그정규 사이에 ρ=−0.9\rho = -0.9 를 요구하면, 그건 나타프의 잘못이 아니라 애초에 존재하지 않는 분포를 요구한 것이다. 2단계 방정식이 ρ0∈(−1,1)\rho_0 \in (-1,1) 에서 해를 못 찾는 것으로 나타난다.

둘째, 쌍별로 푼 R0\mathbf R_0 가 양의 정부호가 아닌 경우. 원래 R\mathbf R 이 양의 정부호였어도, 쌍마다 독립적으로 비선형 방정식을 풀어 만든 R0\mathbf R_0 는 그 성질을 물려받지 않는다. 그러면 3단계 촐레스키가 그 자리에서 터진다. 대응은 세 가지다.

  • 최근접 상관행렬 투영 — 프로베니우스 노름 기준으로 가장 가까운 양의 정부호 상관행렬을 찾는다(Higham의 교대 투영법이 표준).
  • 고유값 절단 — 고유값 문제를 풀어 음수 고유값을 작은 양수로 치환하고 재정규화. 거칠지만 빠르다.
  • 모형 재검토 — 상관 추정치 자체를 의심한다. 전문가 판단으로 채워 넣은 상관행렬이 비일관적인 경우가 실제로 흔하다.

8. 실무에서[편집]

  • 표본 생성기로서. 절차를 역방향으로 돌리면 u→z=Lu→xi=Fi−1(Φ(zi))\mathbf u \to \mathbf z = \mathbf L\mathbf u \to x_i = F_i^{-1}(\Phi(z_i)) 로 상관 비정규 표본이 나온다. 이게 곧 가우시안 코퓰라 표본추출이라 몬테카를로 방법·중요도 표본추출·부분집합 시뮬레이션의 입력 생성에 그대로 쓰인다.
  • 라틴 하이퍼큐브 표본추출과의 결합. LHS로 층화 표본을 만든 뒤 나타프로 상관을 입힐 수 있다. 순위 상관을 직접 맞추는 이만-코노버 재배열은 분포 무관이라는 다른 장점이 있어 종종 대안으로 쓰인다.
  • 차원과 비용. 변환 자체는 O(n2)O(n^2) 이라 부담이 없다. 비싼 건 언제나 한계상태함수 평가이고, 그래서 대리 모델이나 다항식 카오스 전개와 붙여 쓴다. PC 전개에서는 나타프로 옮긴 표준정규 변수가 에르미트 기저의 자연스러운 입력이 된다.
  • 문서화 습관. 보고서에 “상관 0.3”만 적지 말고 원 공간 상관인지 정규 공간 상관인지, 그리고 코퓰라 가정이 무엇인지를 명시할 것. 불확실성 정량화 리뷰에서 가장 자주 터지는 지점이다.4

9. 관련 문서[편집]

10. Footnotes[편집]

  1. Liu, P.-L. & Der Kiureghian, A. (1986). 1986년에 만든 근사표가 2020년대 상용 신뢰성 코드에 그대로 살아 있다. 잘 만든 인자표는 논문보다 오래 산다. ↩

  2. 나타프 변환은 왜 “변환”이라는 이름을 달고도 사실상 분포 모형인가 — 주변분포를 보존하면서 종속 구조를 지정하는 순간, 그건 결합분포를 하나 고른 것이기 때문이다. 변환이라는 이름 때문에 “가정이 없다”고 오해하기 쉬운데, 가정은 2단계에 조용히 숨어 있다. ↩

  3. 참고로 실무에서 상관 자료가 아예 없을 때 가장 흔한 선택은 “전부 독립”인데, 이것도 코퓰라 가정(독립 코퓰라)이라는 점에서 나타프와 지위가 같다. 가정을 안 하는 선택지는 애초에 없다. ↩

  4. “상관을 0.3으로 넣었습니다”라는 문장은 정보량이 거의 0이다. 어느 공간에서, 어떤 코퓰라 아래에서, 어떤 근거로 0.3인지가 빠져 있으면 검토자가 확인할 수 있는 것이 아무것도 없다. ↩