결합분포 (Joint Distribution)
쉽게 풀면
키와 몸무게처럼 서로 관련이 있을 수 있는 두 변수를 따로따로 보지 않고, '키가 170이면서 동시에 몸무게가 65인 경우가 얼마나 흔한가'처럼 두 변수의 조합 전체를 확률로 표현한 것이 결합분포다. 결합분포를 알면 각 변수의 개별 분포(주변분포)와 한 변수가 주어졌을 때 다른 변수의 분포(조건부분포)를 모두 유도할 수 있다. 다변량 통계 분석의 출발점이 되는 개념이다.
왜 중요한가
결합분포는 다변량 통계, 베이지안 모형, 시계열 분석, 머신러닝의 확률적 그래프 모형 등 변수 간 관계를 다루는 거의 모든 분야의 이론적 기반이기 때문에 방법론 섹션에서 빈번히 등장합니다. 변수들이 함께 어떻게 움직이는지를 정확히 표현할 수 있어야 이후의 조건부 추론이나 예측이 가능해지므로, 그 중요성이 큽니다.
논문에서는 이렇게 쓰입니다
다변량 자료의 의존구조를 설명하거나 조건부 확률을 계산하는 이론적 근거로 언급된다.
계량금융 분야에서 결합분포를 코퓰러(copula) 모형과 함께 다룰 때 흔히 쓰이는 문장입니다.
조금 더 깊게 보면
결합분포를 각 변수의 주변분포와 변수 간 의존구조로 분리해 다루는 대표적인 도구가 코퓰러(copula)이며, 특히 극단값 사이의 동시 발생 경향(꼬리 의존성)을 분석할 때 자주 활용됩니다. 또한 결합분포로부터 조건부분포를 유도하는 과정은 베이즈 정리의 기초가 되며, 그래프 모형(graphical model)에서는 변수 간 조건부 독립 구조를 결합분포의 인수분해로 표현하기도 합니다. 두 확률변수가 서로 독립이라면 결합확률(밀도)함수는 각 변수의 주변분포함수의 곱으로 정확히 분해되는데, 반대로 이 곱셈 관계가 성립하지 않는다면 두 변수 사이에 어떤 형태로든 의존관계가 존재한다는 뜻이 됩니다. 이 성질은 독립성 검정의 이론적 근거로도 쓰입니다.
주의할 점
두 변수가 각각 정규분포를 따른다고 해서 결합분포도 자동으로 이변량 정규분포가 되는 것은 아니라는 점에 유의해야 한다. 이산형과 연속형처럼 서로 다른 유형의 확률변수가 섞여 있는 결합분포는 확률질량함수와 확률밀도함수를 함께 다뤄야 하므로 표현과 계산이 한 유형만 있을 때보다 더 복잡해진다.