On strong law of large numbers for weakly stationary $\varphi$-mixing set-valued random variable sequences

Diese Arbeit erweitert den Begriff der $\varphi$-Mischung auf mengewertige Zufallsfolgen in einem Banachraum und beweist mehrere starke Gesetze der großen Zahlen für solche Folgen, wobei Beispiele die Natürlichkeit und Schärfe der Voraussetzungen veranschaulichen.

Das Wesentliche

🎲 Wenn Zufall nicht allein ist: Eine Geschichte über schwankende Mengen

Stell dir vor, du beobachtest einen riesigen, chaotischen Tanzsaal. In diesem Saal tanzen nicht einzelne Personen, sondern Gruppen von Tänzern, die sich immer wieder neu formieren. Jede Gruppe ist eine „Menge". Manchmal sind es nur zwei Leute, manchmal ein ganzer Kreis, manchmal eine lange Schlange.

In der klassischen Mathematik (dem „Gesetz der großen Zahlen") haben wir es meist mit einzelnen, unabhängigen Tänzern zu tun. Wenn du genug von ihnen beobachtest, findest du heraus, dass sie im Durchschnitt genau in die Mitte des Raumes tanzen. Das ist einfach.

Aber in der echten Welt ist nichts wirklich unabhängig. Die Tänzer schauen sich gegenseitig an, reagieren auf die Musik oder aufeinander. Das nennt man Abhängigkeit. Und wenn die Gruppen selbst nicht aus einzelnen Punkten, sondern aus ganzen Flächen bestehen (wie eine Wolke aus Tänzern), wird es noch komplizierter.

Diese Arbeit von Luc T. Tuyen untersucht genau dieses Chaos: Was passiert, wenn wir viele zufällige, sich überlappende Gruppen beobachten, die sich gegenseitig beeinflussen?

1. Die Grundidee: Der „Flüster-Effekt" (φ-Mixing)

Stell dir vor, die Tänzer in der ersten Reihe flüstern ein Geheimnis an die zweite Reihe weiter. Je weiter hinten eine Reihe steht, desto leiser wird das Flüstern. Nach einer Weile weiß die letzte Reihe gar nichts mehr von der ersten.

In der Mathematik nennt man das φ-Mixing. Es bedeutet: Je weiter zwei Gruppen im Zeitabstand voneinander liegen, desto weniger beeinflussen sie sich gegenseitig. Die Abhängigkeit „verfliegt" mit der Zeit. Die Autoren zeigen, dass wir auch bei solchen Gruppen noch Vorhersagen treffen können, solange das Flüstern irgendwann so leise wird, dass es kaum noch zählt.

2. Der „Schwache Takt" (Schwache Stationarität)

Normalerweise erwarten wir, dass alle Tänzergruppen exakt gleich aussehen (gleiche Größe, gleiche Form). Das ist aber in der Realität selten.

Die Autoren erlauben hier einen schwachen Takt:

• Die Gruppen müssen nicht identisch sein (eine Gruppe kann heute etwas größer sein als morgen).
• Aber ihr Durchschnitt (ihr „Herzschlag" oder ihre Mitte) muss immer gleich bleiben.

Die Analogie: Stell dir vor, du hast eine Gruppe von Schülern, die jeden Tag eine neue Menge an Aufgaben lösen.

• Montag: Sie lösen 5 bis 10 Aufgaben.
• Dienstag: Sie lösen 8 bis 12 Aufgaben.
• Mittwoch: Sie lösen 6 bis 11 Aufgaben.
  Die genaue Menge schwankt wild. Aber der Durchschnitt aller Aufgaben bleibt jeden Tag bei 9. Das ist „schwache Stationarität". Die Form ändert sich, aber der Kern bleibt stabil.

3. Das große Ziel: Der Durchschnitt der Mengen

Die große Frage der Arbeit lautet: Wenn wir über viele Tage hinweg alle diese schwankenden Gruppen nehmen und sie zu einer einzigen „Durchschnitts-Gruppe" zusammenfassen, was passiert dann?

Die Antwort der Autoren ist beruhigend: Ja, es gibt einen stabilen Durchschnitt!

Auch wenn die Gruppen jeden Tag anders aussehen und sich gegenseitig beeinflussen, wird sich die „Mittelgruppe" mit der Zeit immer mehr einer festen, vorhersehbaren Form annähern. Sie konvergiert.

Die Autoren beweisen dies auf zwei Arten, die wie zwei verschiedene Brillen wirken:

1. Die Hausdorff-Brille: Hier schauen wir auf den Abstand. Wenn die Durchschnittsgruppe nah genug an der Zielgruppe ist, ist alles gut.
2. Die Kuratowski-Mosco-Brille: Hier schauen wir genauer hin. Wir prüfen nicht nur den Abstand, sondern auch, ob sich die „Ränder" der Gruppen richtig verhalten. Selbst wenn die Gruppen unendlich groß oder sehr seltsam geformt sind (wie ein langer Strahl, der ins Unendliche reicht), funktioniert die Regel – sofern bestimmte mathematische Bedingungen erfüllt sind.

4. Warum ist das wichtig? (Die „Nadel im Heuhaufen"-Beispiele)

Die Autoren zeigen in ihren Beispielen, dass ihre Regeln nicht zu streng sind.

• Beispiel 1: Eine Gruppe, die wie ein kleiner Ball ist, der jeden Tag leicht wackelt. Das funktioniert.
• Beispiel 2: Eine Gruppe, die wie ein langer Strahl ist, an dessen Ende ein winziger Punkt hängt, der immer kleiner wird. Auch das funktioniert.
• Der Warnhinweis: Sie zeigen aber auch, was passiert, wenn man eine wichtige Regel ignoriert (wenn die Abhängigkeit zu stark bleibt oder die Schwankungen zu wild sind). Dann bricht das System zusammen, und die Gruppen finden keinen gemeinsamen Durchschnitt mehr.

Zusammenfassung für den Alltag

Stell dir vor, du bist ein Manager, der jeden Tag Berichte von verschiedenen Abteilungen erhält.

• Die Berichte sind nicht immer gleich lang (schwache Stationarität).
• Die Abteilungen reden miteinander und beeinflussen sich (φ-Mixing).
• Die Berichte enthalten ganze Listen von Daten, nicht nur eine Zahl (Mengen).

Diese Arbeit sagt dir: Keine Sorge! Wenn du genug Zeit hast und die Abteilungen nicht zu stark miteinander verstrickt sind, wirst du am Ende einen klaren, stabilen Trend erkennen. Das Chaos der einzelnen Tage glättet sich zu einer vorhersehbaren Wahrheit.

Kurz gesagt: Selbst wenn die Welt aus schwankenden, sich beeinflussenden Wolken besteht, gibt es einen stabilen Kern, den man berechnen kann. Und das ist ein großer Schritt für die Statistik und die Datenanalyse.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Artikels auf Deutsch:

Titel: Starkes Gesetz der großen Zahlen für schwach stationäre $\phi$-mischende Mengen-wertige Zufallsvariablen-Folgen

Autor: Luc T. Tuyen (Institut für Informationstechnologie, Vietnam Academy of Science and Technology)

---

1. Problemstellung und Motivation

Das starke Gesetz der großen Zahlen (SLLN) ist ein fundamentaler Baustein der Wahrscheinlichkeitstheorie. Während das SLLN für unabhängige und identisch verteilte (i.i.d.) reelle Zufallsvariablen sowie für i.i.d. mengen-wertige Zufallsvariablen (Random Sets) gut etabliert ist, bestehen Lücken bei der Behandlung von abhängigen mengen-wertigen Folgen.

Das Hauptproblem liegt in der Komplexität der Geometrie von Mengen-wertigen Variablen:

• Selbst wenn eine Folge von Mengen um den Nullpunkt "oszilliert", kann die geometrische Struktur stark dispergiert sein.
• Die Erwartungswertbildung bei Mengen-wertigen Variablen (Aumann-Integral) ist nicht trivial; ein Erwartungswert von $\{0\}$ führt nicht notwendigerweise zu einer Degeneration auf einen einzelnen Punkt.
• Bisherige Ergebnisse für abhängige Folgen (z. B. $\phi$-mischende Folgen) existierten primär für reelle Zufallsvariablen oder für den Spezialfall identisch verteilter Mengen-wertiger Variablen. Der Fall nicht-identisch verteilter, schwach stationärer und $\phi$-mischender Mengen-wertiger Folgen war offen.

Ziel des Papers ist es, das Konzept der $\phi$-Mischung auf Folgen von Mengen-wertigen Zufallsvariablen in einem Banach-Raum zu erweitern und starke Gesetze der großen Zahlen unter schwachen Stationaritätsannahmen zu beweisen.

2. Methodik und Definitionen

Der Autor arbeitet in einem separablen Banach-Raum $(X, \|\cdot\|_X)$ mit dem Dualraum $X^*$. Die Zufallsvariablen nehmen Werte in der Familie der nicht-leeren, abgeschlossenen Teilmengen von $X$ an.

Wichtige Definitionen:

• $\phi$-Mischung für Mengen: Die Abhängigkeitskoeffizienten $\phi(n)$ werden analog zum reellen Fall definiert, basierend auf den von den Mengen erzeugten $\sigma$-Algebren $F_m^n = \sigma(X_i : m \le i \le n)$. Eine Folge ist $\phi$-mischend, wenn $\phi(n) \to 0$ für $n \to \infty$.
• Schwache Stationarität: Eine Folge $\{X_n\}$ heißt schwach stationär, wenn der Aumann-Erwartungswert $E[X_n] = A$ für alle $n$ konstant ist (wobei $A$ eine nicht-leere, abgeschlossene Menge ist). Dies ist eine schwächere Bedingung als die strikte Stationarität (Verteilungsinvarianz).
• Konvergenzarten: Die Ergebnisse werden in zwei Metriken untersucht:
  1. Hausdorff-Distanz ($H$): Für konvexe, kompakte Mengen.
  2. Kuratowski-Mosco-Konvergenz (K-M): Eine stärkere Form der Konvergenz, die schwache und starke Grenzwerte von Folgen von Punkten in den Mengen berücksichtigt.

Hauptwerkzeug:
Die Beweise stützen sich auf die Stützfunktion (Support Function) $s(x^*, C) = \sup_{c \in C} \langle x^*, c \rangle$. Ein zentrales Ergebnis ist, dass die Stützfunktion einer Summe von Mengen der Summe der Stützfunktionen entspricht. Dies erlaubt die Reduktion des mengen-wertigen Problems auf ein skalares Problem für die Zufallsvariablen $s(x^*, X_n)$.

3. Hauptergebnisse (Theoreme)

Das Paper stellt drei Hauptsätze vor, die unter den Bedingungen der $\phi$-Mischung und schwachen Stationarität gelten:

Theorem 3.1 (Hausdorff-Konvergenz für konvexe Mengen):
Für eine schwach stationäre, $\phi$-mischende Folge $\{X_n\}$ von kompakten, konvexen Mengen mit $E[X_n] = A$:

• Voraussetzungen:
  1. $\sum_{n=1}^\infty \phi^{1/2}(n) < \infty$ (Summierbarkeit der Mischungskoeffizienten).
  2. $\sum_{n=1}^\infty \frac{E|s(x^*, X_n) - s(x^*, A)|^2}{n^2} < \infty$ für alle $x^*$ im Einheitsball von $X^*$.
• Ergebnis: Die empirische Mittelmenge konvergiert fast sicher gegen den Erwartungswert in der Hausdorff-Metrik:
  $$\lim_{n \to \infty} H\left(\frac{1}{n}\sum_{k=1}^n X_k, A\right) = 0 \quad \text{a.s.}$$

Theorem 3.2 (Nicht-konvexe Mengen):
Erweitert das Ergebnis auf Folgen von kompakten, aber nicht notwendig konvexen Mengen.

• Ergebnis: Die Mittelmenge konvergiert fast sicher gegen die konvexe Hülle des Erwartungswerts ($coA$) in der Hausdorff-Metrik.
  $$\lim_{n \to \infty} H\left(\frac{1}{n}\sum_{k=1}^n X_k, coA\right) = 0 \quad \text{a.s.}$$

Theorem 3.3 (Kuratowski-Mosco-Konvergenz für allgemeine abgeschlossene Mengen):
Dies ist das allgemeinste Ergebnis für Folgen in $K(X)$ (abgeschlossene Mengen, nicht notwendig beschränkt oder konvex).

• Voraussetzungen:
  1. Summierbarkeit der $\phi$-Koeffizienten.
  2. Existenz quadratintegrierbarer Auswahlen (Selections) $x_n \in X_n$ mit $E[x_n] = a$ für jedes $a \in A$, deren Varianz-Summe konvergiert.
  3. Eine Summierbarkeitsbedingung für die Varianz der Stützfunktionen $s(x^*, X_n)$ für alle $x^*$, bei denen $s(x^*, A) < \infty$.
• Ergebnis: Die Folge der Mittelmengen $S_n = \frac{1}{n} \text{cl} \sum X_k$ konvergiert im Sinne von Kuratowski-Mosco gegen $D = coA$.

4. Beispiele und Gegenbeispiele

Der Autor illustriert die Schärfe der Ergebnisse durch mehrere Beispiele:

• Beispiel 3.1 & 3.2: Zeigen, dass schwache Stationarität nicht strikte Stationarität impliziert und dass $\phi$-mischende Folgen existieren, die nicht auf skalare Variablen degenerieren.
• Beispiel 3.5 ("Needle + shrinking halo"): Ein Beispiel für unbeschränkte Mengen (ein Strahl plus einen schrumpfenden "Halo"), das zeigt, dass die Theoreme auch für nicht-degenerierte, unbeschränkte Fälle gelten.
• Beispiel 3.6 (Kritische Bedingung): Ein Gegenbeispiel, bei dem die Bedingung (iii) des Theorems 3.3 verletzt wird (die Stützfunktion hat unendliche Varianz). In diesem Fall konvergiert die Folge nicht im Sinne von Kuratowski-Mosco gegen den Erwartungswert. Dies beweist, dass die Summierbarkeitsbedingung für die Stützfunktionen im unbeschränkten Fall notwendig ist.

5. Bedeutung und Fazit

Wissenschaftlicher Beitrag:

1. Erweiterung des Geltungsbereichs: Das Paper schließt die Lücke zwischen skalaren $\phi$-mischenden Folgen und mengen-wertigen Folgen, insbesondere für den Fall der nicht-identischen Verteilung bei schwacher Stationarität.
2. Geometrische Tiefe: Es wird gezeigt, dass die Konvergenz von Mengen-wertigen Folgen durch die Konvergenz ihrer Stützfunktionen (skalare Projektionen) gesteuert werden kann, was eine elegante Brücke zwischen Funktionalanalysis und Wahrscheinlichkeitstheorie schlägt.
3. Notwendigkeit der Bedingungen: Durch die Gegenbeispiele wird demonstriert, dass die gestellten Annahmen (insbesondere die Summierbarkeit der Varianzen der Stützfunktionen) nicht nur technisch, sondern essentiell für die Konvergenz im unbeschränkten Fall sind.

Anwendungsrelevanz:
Die Ergebnisse sind relevant für Bereiche, in denen Unsicherheit durch Mengen (Intervalle, Polyeder) modelliert wird und Datenabhängigkeiten vorliegen, z. B. in der Finanzmathematik (Risikomengen), Datenanalyse und Logistik.

Zukunftsausblick:
Der Autor schlägt vor, die Ergebnisse auf stärkere Mischungsbedingungen (wie $\rho$-Mischung) zu erweitern und alternative Summierbarkeitsmethoden zu untersuchen.

Zusammenfassend liefert diese Arbeit einen rigorosen theoretischen Rahmen für das starke Gesetz der großen Zahlen unter Abhängigkeit für mengen-wertige Daten, der sowohl die geometrischen Eigenschaften der Mengen als auch die statistischen Abhängigkeitsstrukturen präzise berücksichtigt.