A New Approximation to the Normal Distribution Quantile Function

기술 요약: 정규 분포 분위수 함수에 대한 새로운 근사법

문제 정의
본 논문은 정규 분포의 누적 분포 함수(CDF)의 역함수인 $N^{-1}(x)$인 정규 분포 분위수 함수의 계산 효율적인 근사의 필요성을 다룬다. Beasley-Springer 근사[3]나 Acklam의 근사[2]와 같은 기존 방법들은 높은 정확도를 제공하지만, 저자는 "적절히 정확한" 결과(구체적으로 Abramowitz-Stegun 근사[1]와 유사한 최대 절대 오차 $4.5 \cdot 10^{-4}$ 미만)를 유지하면서 속도를 우선시하는 방법이 필요하다는 특정 요구 사항을 식별하였다. 주요 과제는 꼬리(tail) 계산 시 일반적으로 요구되는 로그(logarithm) 및 제곱근(square root)과 같은 비용이 많이 드는 연산을 줄이는 것이다.

방법론
제안된 접근 방식은 영역을 넓은 중앙 영역과 좁은 꼬리 영역으로 분리하는 확립된 프레임워크를 따르며, $N^{-1}(x - 1/2)$의 홀수 대칭성을 활용한다. 그러나 저자는 근사에 사용되는 유리 함수 체계(rational function schemes)에 다음과 같은 수정을 도입한다:

1. 중앙 영역 근사:

   • Beasley-Springer( (3,4) 체계)나 Acklam( (5,5) 체계)에서 사용하는 고차 체계 대신, 본 논문은 중앙 영역을 위해 (2,2) 체계를 제안한다.
   • 함수는 $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$로 정의된다 (여기서 $q = p - 0.5$, $r = q^2$).
   • 두 가지 변형이 제시된다:
     • Rat22A: 경계값을 $p = 0.0465$ 및 $p = 0.9535$로 설정한다.
     • Rat22B: 꼬리 계산의 빈도를 더 줄이기 위해 더 넓은 경계값 $p = 0.025$ 및 $p = 0.975$를 사용한다.
   • 계수들은 최대 절대 오차를 최소화하기 위해(체비쇼프 근사) Maple의 numapprox 패키지에 있는 minimax 함수를 사용하여 도출되었다.

2. 꼬리 영역 근사:

   • 꼬리 영역($p < 0.0465$ 및 $p > 0.9535$)을 위해 (3,2) 체계가 채택된다.
   • 이 근사는 변수 $r = \sqrt{\log(1/p^2)}$ (또는 상측 꼬리의 경우 $\sqrt{\log(1/(1-p)^2)}$)를 활용한다.
   • 함수는 $r$의 유리 함수로 정의된다: $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$.
   • 계수들 역시 Maple의 minimax 알고리즘을 통해 최적화되었다.

3. 최적화 기법:

   • 유리 함수들은 곱셈 횟수를 최소화하도록 구조화되었다 (예: 선행 계수가 1이 되도록 분모를 정규화함).
   • 더 넓은 중앙 영역(Rat22B)은 비용이 많이 드는 log 및 sqrt 연산이 실행되어야 하는 횟수를 줄이기 위해 특별히 설계되었다.

주요 기여 및 결과

• 정확도: 새로운 (2,2) 중앙 근사는 중앙 영역에서 약 $2.5 \cdot 10^{-5}$, 꼬리 영역에서 $2.458 \cdot 10^{-5}$의 최대 절대 오차를 달이트한다. 전체 최대 절대 오차는 $2.5 \cdot 10^{-5}$ 미만이다.
  • 참고 (정확도): 저자는 이것이 Beasley-Springer(중앙 영역에서 오차가 $1.85 \cdot 10^{-9}$ 미만)나 Acklam 근사보다 정확도가 낮음을 명시적으로 인정한다.
• 성능: 본 논문의 주요 기여는 속도이다. Dell Inspiron 1525 (Intel Core 2 Duo T5800, 2.00 GHz)에서 Java (JDK 1.6.0 17)를 사용하여 200,000회 반복 수행한 벤치마크 결과는 다음과 같다:
  • Abramowitz-Stegun (AS): 25,210 ms
  • Beasley-Springer (BS): 10,212 ms
  • Rat22A (신규, 좁은 중앙 영역): 8,052 ms
  • Rat22B (신규, 넓은 중앙 영역): 6,649 ms
• 효율성 이득: 새로운 근사법은 기존 방법들보다 현저히 빠르다. Rat22A와 Rat22B의 비교는 log 및 sqrt 계산이 필요한 값의 부분 집합을 약 50% 줄임으로써(중앙 영역을 확장함으로써) CPU 시간을 거의 20% 단축했음을 보여준다.

의의 및 주장
본 논문은 제안된 근사법이 Beasley-Springer와 같은 최첨단 방법들에 비해 정밀도를 희생하는 것은 사실이지만, 상당한 계산 속도 이득을 통해 그 트레이드오프(trade-off)가 정당화된다고 주장한다. 저자는 오차 범위 $2.5 \cdot 10^{-5}$ 미만이 금융 시장을 구체적인 예로 들어 속도가 매우 중요한 분야에서 "많은 응용 분야에 충분하다"고 언급하였다.

또한, 본 논문은 Abramowitz-Stegun 근사( [1]의 식 26.2.22 및 26.2.23)를 재검토한다. 저자는 표준 IEEE-754 표현 범위 내에서 원래의 방식보다 5배 이상의 정확도를 제공하는 개선된 계수들을 제시하였으나, 범위가 0과 1의 극단에 가까워질수록 정확도는 저하된다.

요약하자면, 본 연구는 약간 더 높은 오차 한계가 허용되는 응용 분야를 위해 실행 시간을 우선시하며, 기존의 분위수 함수 근사법들에 대한 "더 빠른" 대안을 제공한다.