분포수렴 (Convergence in Distribution)
쉽게 풀면
표본평균 자체가 어떤 하나의 값으로 정확히 수렴하는 것이 아니라, 표본평균을 표준화한 값의 '분포 형태'가 정규분포라는 특정한 모양으로 점점 가까워진다는 것이 분포수렴의 의미다. 중심극한정리가 말하는 것이 바로 이 분포수렴이다. 확률변수 하나하나의 값보다는 전체적인 확률적 패턴(분포)이 어디로 향하는지에 관심이 있을 때 사용하는 개념이다.
왜 중요한가
분포수렴은 표본 크기가 유한할 때 정확한 확률분포를 계산하기 어려운 상황에서, 극한에서의 근사분포를 이용해 통계적 추론을 가능하게 해주는 핵심 도구다. 중심극한정리를 비롯한 여러 극한정리가 이 개념 위에 세워져 있으며, 가설검정의 p값 계산, 신뢰구간 구성, 추정량의 점근적 성질 분석 등 통계학 전반의 방법론이 여기에 의존한다. 또한 머신러닝의 이론적 분석이나 확률과정 연구에서도 표본이나 알고리즘 반복이 늘어날 때의 극한 거동을 설명하는 언어로 널리 쓰인다.
논문에서는 이렇게 쓰입니다
정확한 표집분포를 몰라도 극한분포를 이용해 근사적인 검정이나 신뢰구간을 구성할 때 사용된다.
추정량의 성능을 유한표본에서 직접 분석하기 어려울 때, 점근적 정규성을 근거로 표준오차와 신뢰구간을 도출하는 데 사용되는 표현이다.
최적화 알고리즘 연구에서, 반복이 진행됨에 따라 추정값이 어떤 값 주변에서 요동치는 패턴 자체를 이론적으로 특징짓기 위해 쓰이는 표현이다.
조금 더 깊게 보면
분포수렴은 누적분포함수가 연속인 모든 점에서 점별로 수렴한다는 조건으로 정의되며, 이를 판정하는 대표적인 도구로 특성함수의 수렴을 이용하는 연속성 정리(continuity theorem)가 있다. 실제 논문에서는 분포수렴 자체보다, 이를 근거로 유도한 근사분포(예: 정규근사)를 이용해 검정통계량이나 신뢰구간을 구성하는 후속 단계가 더 자주 등장한다. 또한 분포수렴은 확률수렴이나 거의 확실한 수렴보다 약한 수렴 개념이므로, 두 확률변수가 같은 극한분포로 수렴한다고 해서 그 값들이 서로 가까워짐을 의미하지는 않는다는 점을 함께 살펴볼 필요가 있다.
주의할 점
분포수렴은 확률수렴보다 약한 개념이므로, 분포수렴만으로는 개별 확률변수 값들이 서로 가까워진다는 것을 의미하지 않는다.