감마분포 (Gamma Distribution)

한 줄 정의: 0보다 큰 연속적인 값, 주로 무언가가 일어날 때까지 걸리는 시간이나 수명 데이터가 어떤 분포를 이루는지 나타내는 확률분포입니다.

쉽게 풀면

버스 정류장에서 버스 한 대가 올 때까지 걸리는 시간은 지수분포로 설명할 수 있습니다. 그런데 "버스가 세 번 올 때까지 걸리는 총 시간"처럼, 특정 사건이 여러 번 반복해서 일어날 때까지 걸리는 시간을 알고 싶다면 어떻게 할까요? 감마분포는 바로 이런 상황, 즉 지수분포를 여러 번 더한 것과 같은 상황을 설명하는 분포입니다. 기계 부품의 고장까지 걸리는 시간, 환자가 특정 횟수의 치료를 마칠 때까지 걸리는 기간처럼 "0 이상의 값이면서 오른쪽으로 길게 늘어진" 형태의 데이터를 다룰 때 자주 사용됩니다.

왜 중요한가

감마분포는 대기시간·수명 데이터처럼 음수가 될 수 없고 오른쪽으로 긴 꼬리를 가진 현상을 유연하게 표현할 수 있어, 신뢰성 공학, 보험 통계, 생존분석, 베이즈 통계 등 폭넓은 분야에서 기본 도구로 쓰입니다. 특히 베이즈 통계에서는 포아송분포나 지수분포의 모수에 대한 사전분포로 감마분포가 흔히 선택되는데, 이는 사후분포 계산을 수학적으로 다루기 쉽게 만들어주는 켤레사전분포(conjugate prior) 관계 때문입니다. 이런 이유로 이론 통계뿐 아니라 실증분석 논문의 모형 설정 단계에서도 자주 등장합니다.

논문에서는 이렇게 쓰입니다

"장비의 고장까지 걸리는 시간은 감마분포(형태모수=2, 척도모수=0.5)를 따르는 것으로 나타났다."

이 문장은 장비가 고장 나기까지 걸리는 시간 데이터를 분석한 결과, 그 분포 모양이 정규분포가 아니라 오른쪽으로 긴 꼬리를 가진 감마분포에 잘 들어맞았다는 뜻입니다.

"보험금 청구 규모의 분포를 모형화하기 위해 감마분포를 가정한 일반화선형모형(GLM)을 적용한 결과, 로그정규분포보다 실제 관측치에 더 근접한 적합도를 보였다."

보험통계학에서는 청구액처럼 항상 양수이면서 오른쪽으로 치우친 데이터를 다룰 때 감마분포를 종종 사용하며, 이 예문처럼 다른 분포와의 적합도를 비교하여 어떤 분포가 데이터를 더 잘 설명하는지 검증하는 방식이 일반적입니다.

"포아송 우도함수에 감마분포를 켤레사전분포로 설정한 베이즈 모형을 통해 사후분포를 해석적으로 유도하고, 각 지역별 사건 발생률의 사후 신뢰구간을 산출하였다."

이 예문은 베이즈 통계에서 감마분포가 계산의 편의를 제공하는 사전분포로 활용되는 대표적인 방식을 보여주며, 수학적 유도 과정이 간단해진다는 실용적 이유로 널리 선택됩니다.

조금 더 깊게 보면

감마분포는 형태모수(shape parameter)와 척도모수(scale parameter, 또는 그 역수인 rate parameter) 두 개로 그 모양이 결정되는데, 형태모수가 1일 때는 지수분포와 같아지고, 형태모수가 정수일 때는 여러 개의 독립적인 지수분포 값을 더한 것과 수학적으로 동일해집니다. 이런 성질 때문에 감마분포는 "사건이 n번 일어날 때까지 걸리는 시간"을 자연스럽게 표현할 수 있습니다. 또한 감마분포는 포아송분포, 지수분포, 카이제곱분포와 수학적으로 밀접하게 연결되어 있어, 논문에서 이 분포들 사이의 관계를 이용해 모형을 단순화하거나 해석하는 경우가 흔합니다.

주의할 점

수명·대기시간 데이터에는 감마분포 외에도 와이블분포가 자주 쓰입니다. 두 분포 모두 오른쪽으로 긴 꼬리를 가진 비슷한 모양을 낼 수 있지만, 시간이 지날수록 사건이 일어날 가능성이 커지는지 작아지는지(위험률의 변화 양상)에 대한 가정이 다릅니다. 따라서 데이터에 어느 분포가 더 잘 맞는지 적합도 검정으로 확인한 뒤 선택해야 하며, 감마분포라고 무조건 가정해서는 안 됩니다.