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

이 논문은 바나흐 공간의 닫힌 집합족을 값으로 하는 $\varphi$-혼합 집합값 확률변수 열에 대한 강한 대수의 법칙을 확장하여 증명하고, 그 가정의 자연스러움과 날카로움을 예시를 통해 보여줍니다.

핵심

이 논문은 수학의 **'대수의 법칙 (Law of Large Numbers)'**이라는 유명한 개념을, 숫자 대신 **'모양 (집합)'**으로 이루어진 데이터에 적용하는 새로운 방법을 제시합니다.

일반적인 통계학에서는 동전을 던져 앞면이 나오는 비율이 50% 에 수렴하는 것처럼, 개별 숫자들의 평균이 특정 값으로 모이는 현상을 설명합니다. 하지만 이 논문은 **"숫자 하나하나가 아니라, 숫자들로 이루어진 '상자'나 '구' 같은 모양들"**이 모여서 어떤 최종적인 모양으로 수렴하는지 연구합니다.

이 복잡한 수학적 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 핵심 개념: "흔들리는 상자"와 "혼합된 친구들"

상황 설정: 흔들리는 상자 (Set-valued Random Variables)

상상해 보세요. 여러분이 매일 아침 출근길에 다른 모양의 **'상자'**를 하나씩 받습니다.

• 어떤 날은 동그란 공이 들어간 상자 (원형)
• 어떤 날은 네모난 박스
• 어떤 날은 길쭉한 막대기

이 상자들은 매일 랜덤하게 변합니다. 하지만 이 논문은 이 상자들이 완전히 무작위인 게 아니라, **약간의 규칙성 (약한 정상성)**을 가진다고 가정합니다. 즉, 매일 상자의 '평균적인 모양'은 비슷하게 유지되지만, 구체적인 크기와 형태는 조금씩 흔들립니다.

문제: 친구들 사이의 영향력 (φ-mixing)

우리가 이 상자들을 매일 받아서 모두 한데 모아 평균을 내고 싶다고 칩시다. 그런데 여기서 문제가 생깁니다.

• 독립적인 경우: 오늘 받은 상자가 내일 받은 상자에 전혀 영향을 주지 않는다면, 그냥 쌓아두면 결국 평균 모양이 나옵니다.
• 의존적인 경우 (이 논문의 핵심): 하지만 현실에서는 오늘 받은 상자가 내일 받는 상자에 영향을 줄 수 있습니다. (예: 오늘 비가 와서 상자가 젖어 무거워지면, 내일도 비슷한 재질로 만들어질 수 있음).

이 논문은 **"상자들 사이의 영향력이 시간이 지날수록 점점 약해져서 결국 사라진다"**는 조건 (φ-mixing) 하에, 이 상자들을 계속 모아나가면 어떤 일이 일어날지 증명했습니다.

---

2. 이 논문이 발견한 것: "혼란 속의 질서"

이 논문은 수학적으로 매우 정교한 두 가지 결론을 내렸습니다.

결론 1: 모양이 하나로 수렴한다 (Hausdorff 수렴)

상자들을 매일 받아서 $n$일 치를 모두 섞어 평균을 내면, 그 결과물은 처음에 생각했던 **'평균 상자 (A)'**와 점점 더 비슷해집니다.

• 비유: 100 개의 서로 다른 모양의 퍼즐 조각을 섞어서 평균적인 그림을 그려보려 한다면, 조각들이 서로 영향을 주고받더라도 (약간의 연관성이 있더라도), 조각 수가 무한히 많아지면 결국 우리가 예상했던 '완성된 그림'과 거의 똑같은 모양이 나옵니다.

결론 2: 내부 구조도 정리된다 (Kuratowski-Mosco 수렴)

단순히 겉모양뿐만 아니라, 상자 안의 구멍이나 뾰족한 부분 같은 내부 구조도 정리됩니다.

• 비유: 상자들이 처음에는 뾰족한 가시처럼 튀어나와 있거나, 구멍이 숭숭 뚫려 있을 수 있습니다. 하지만 시간이 지나고 많은 상자를 모으면, 그 뾰족한 부분들은 다듬어져서 매끄러운 '평균 상자'의 윤곽을 따르게 됩니다.

---

3. 왜 이 연구가 중요한가요? (실생활 예시)

이론만으로는 이해하기 어렵지만, 다음과 같은 상황에 적용될 수 있습니다.

• 금융 리스크 관리: 주식 시장의 변동성을 하나의 '숫자'가 아니라 '변동폭의 범위 (상자)'로 봅니다. 이 범위가 서로 영향을 주더라도 (φ-mixing), 장기적으로 보면 시장의 평균적인 변동 범위가 예측 가능하다는 것을 수학적으로 증명해 줍니다.
• 데이터 마이닝: 여러 센서에서 수집된 데이터가 '점'이 아니라 '영역' (예: 특정 지역의 오염 농도 범위) 일 때, 이 데이터들이 서로 연관되어 있더라도 장기적인 추세를 예측할 수 있다는 근거를 제공합니다.
• 물류 및 공급망: 매일 도착하는 화물의 '크기'나 '형태'가 랜덤하지만 서로 연관되어 있을 때, 창고의 평균적인 공간 사용량을 예측하는 데 도움을 줍니다.

---

4. 요약: 이 논문의 메시지

이 논문은 **"세상의 데이터는 완벽하게 독립적이지 않고 서로 영향을 주고받지만, 그 영향력이 시간이 지나면 사라진다면, 우리는 수많은 데이터 (상자) 를 모았을 때 결국 예측 가능한 평균 모양을 얻을 수 있다"**는 것을 증명했습니다.

• 기존의 법칙: 숫자들의 평균은 일정하다.
• 이 논문의 확장: **모양 (집합)**들의 평균도 일정하다 (단, 서로의 영향이 서서히 사라져야 함).

마치 흐트러진 퍼즐 조각들이 서로 살짝 붙어있더라도, 조각을 무한히 많이 모으면 결국 원래의 그림이 선명하게 드러나는 것과 같은 원리입니다. 수학자들은 이 '선명해지는 과정'이 왜, 그리고 어떻게 일어나는지를 엄밀하게 증명해냈습니다.

기술 요약

논문 요약: 약한 정상성 φ-혼합 집합값 확률변수 열에 대한 강한 대수의 법칙

1. 연구 배경 및 문제 제기 (Problem)

• 대수의 법칙 (LLN) 의 확장 필요성: 확률론과 통계학의 핵심인 대수의 법칙은 독립 동일 분포 (i.i.d.) 실수 확률변수 열에 대해 잘 정립되어 있습니다. 또한, 집합값 확률변수 (Random Sets) 에 대한 i.i.d. 경우의 LLN 은 기존 연구 [1, 21] 를 통해 확립되었습니다.
• 존재하는 한계:
  • 실제 데이터는 종속적 (Markov chain, 선형 과정 등) 인 경우가 많으나, 집합값 확률변수에 대한 종속성 (dependence) 하의 LLN 연구는 제한적입니다.
  • 기존 연구 [5] 는 동일 분포를 가정하는 집합값 φ-혼합 (φ-mixing) 열에 대한 결과를 제시했으나, **비동일 분포 (non-identical)**인 경우나 **약한 정상성 (weak stationarity)**을 가진 일반적인 집합값 열에 대한 연구는 미비했습니다.
  • 집합값 확률변수의 기하학적 특성 (예: 기대값이 단일 점으로 퇴화하거나, 선택 함수 (selection) 가 종속성을 보존하지 못할 수 있음) 으로 인해 기존 단일 값 (single-valued) 이론을 직접 적용하기 어렵습니다.
• 연구 목표: 집합값 확률변수 열에 대한 φ-혼합 (φ-mixing) 개념을 새롭게 정의하고, 약한 정상성 (weak stationarity) 조건 하에서 하우스도르프 (Hausdorff) 거리와 쿠라토프스키 - 모스코 (Kuratowski-Mosco) 수렴에 대한 **강한 대수의 법칙 (Strong Law of Large Numbers, SLLN)**을 증명하는 것.

2. 방법론 (Methodology)

• 기본 설정:
  • 확률 공간 $(\Omega, \mathcal{F}, P)$와 가분 바나흐 공간 $X$를 가정합니다.
  • $K(X)$는 $X$의 공집합이 아닌 닫힌 집합들의 집합이며, $K_{kc}(X)$는 닫힌 유계 볼록 집합, $K_k(X)$는 콤팩트 집합을 의미합니다.
  • 집합값 확률변수 $X_n$의 기대값은 아우만 적분 (Aumann integral) $E[X_n]$으로 정의됩니다.
• 새로운 정의 도입:
  • 집합값 φ-혼합: 시그마 대수 $\mathcal{F}_m^k$와 $\mathcal{F}_{k+n}^\infty$ 사이의 의존도 계수 $\phi(n)$을 정의하고, $\phi(n) \to 0$이면 집합값 확률변수 열을 φ-혼합이라고 정의합니다.
  • 약한 정상성: 모든 $n$에 대해 기대값 $E[X_n] = A$ (고정된 닫힌 집합) 인 경우를 약한 정상성으로 정의합니다. (엄밀한 정상성보다 약한 조건입니다.)
• 주요 도구:
  • 지지 함수 (Support Function): 집합 $C$에 대한 지지 함수 $s(x^*, C) = \sup_{c \in C} \langle x^*, c \rangle$를 활용하여 집합값 문제를 실수값 확률변수 열 문제로 변환합니다.
  • 기존 SLLN 활용: 단일 값 φ-혼합 열에 대한 기존 SLLN (Theorem 1.1) 을 지지 함수 열에 적용합니다.
  • 수렴 개념:
    1. 하우스도르프 수렴: 집합 간의 거리 $H(\cdot, \cdot)$가 0 으로 수렴.
    2. 쿠라토프스키 - 모스코 (K-M) 수렴: 약한 상한 극한 (w-lim sup) 과 강한 하한 극한 (s-lim inf) 이 일치하는 수렴.

3. 주요 결과 (Key Results)

가. 하우스도르프 수렴에 대한 SLLN (Theorem 3.1 & 3.2)

• 가정: $X_n$이 $L^2$-적분 가능하고, 약한 정상성 ($E[X_n]=A$) 을 가지며, φ-혼합 조건 $\sum \phi^{1/2}(n) < \infty$를 만족합니다.
• 조건 (ii): 모든 $x^* \in S^*$ (단위 구) 에 대해 $\sum \frac{E|s(x^*, X_n) - s(x^*, A)|^2}{n^2} < \infty$.
• 결론:
  $$\lim_{n \to \infty} H\left( \frac{1}{n} \sum_{k=1}^n X_k, A \right) = 0 \quad \text{a.s.}$$
  • Theorem 3.2: $X_n$이 볼록하지 않은 콤팩트 집합인 경우에도, 그 볼록 껍질 (convex hull) 에 대해 동일한 수렴이 성립하며, 극한 집합은 $coA$가 됩니다.

나. 쿠라토프스키 - 모스코 수렴에 대한 SLLN (Theorem 3.3)

• 배경: 비볼록이거나 무계 (unbounded) 인 집합의 경우 하우스도르프 수렴보다 더 일반적인 K-M 수렴을 다룹니다.
• 추가 조건:
  • (ii) $A$의 임의의 점 $a$에 대해, $E[x_n]=a$를 만족하는 제곱 적분 가능 선택 함수 (selection) $x_n$의 존재 및 $\sum \frac{E\|x_n - a\|^2}{n^2} < \infty$.
  • (iii) 지지 함수의 분산 조건: $\sum \frac{E|s(x^*, X_n) - s(x^*, A)|^2}{n^2} < \infty$ (단, $s(x^*, A) < \infty$인 $x^*$에 대해서만).
• 결론:
  $$S_n = \frac{1}{n} \text{cl} \sum_{i=1}^n X_i \xrightarrow{K-M} D \quad \text{a.s.}$$
  여기서 $D = \text{co}A$ (A 의 닫힌 볼록 껍질) 입니다.

4. 예시 및 검증 (Illustrative Examples)

• 예시 3.1 (약한 정상성 vs 엄밀한 정상성): 반지름 분포가 짝수/홀수 $n$마다 다른 원판 열은 약한 정상성 (기대값은 동일) 을 만족하지만 엄밀한 정상성은 아닙니다.
• 예시 3.2 & 3.3: 유계 φ-혼합 실수 열 $x_n$을 이용해 $X_n = [x_n, x_n+1]$을 정의하면, 이는 집합값 φ-혼합 열이 되며 Theorem 3.1 의 조건을 만족함을 보여줍니다.
• 예시 3.4 (비볼록 집합): $X_n = \{x_n, x_n+1\}$ (두 점) 과 같이 볼록하지 않은 집합에 대해 Theorem 3.2 가 성립함을 보였습니다.
• 예시 3.5 & 3.6 (조건의 필요성):
  • 예시 3.5 는 조건을 만족할 때 K-M 수렴이 성립함을 보였습니다.
  • 예시 3.6 (중요): 조건 (iii) (지지 함수의 분산 합산 조건) 을 위반하면, 무계인 경우 (예: 원점을 중심으로 하는 반직선) K-M 수렴이 실패할 수 있음을 보였습니다. 이는 무계 집합의 경우 조건 (iii) 이 필수적임을 입증합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 이론적 기여:
  • 집합값 확률변수 이론에 φ-혼합 개념을 성공적으로 도입하고 확장했습니다.
  • 비동일 분포와 약한 정상성을 가정하더라도 집합값 열에 대한 강한 대수의 법칙이 성립함을 증명했습니다.
  • 하우스도르프 수렴과 K-M 수렴이라는 두 가지 다른 수렴 개념 하에서 결과를 정립했습니다.
• 실용적 의미:
  • 금융, 경제, 데이터 마이닝 등 종속성을 가진 불확실성 (집합 형태) 을 다루는 분야에서 이론적 기반을 제공합니다.
  • 예시를 통해 제시된 가정들이 자연스럽고 필요충분조건이 아닌 충분조건임을 보여주었습니다.
• 향후 과제:
  • 더 강한 혼합 개념 (예: $\rho$-mixing) 으로 결과 확장.
  • 가법성 방법 (summability methods) 을 이용한 SLLN 증명 시도.

이 논문은 종속적인 집합값 데이터의 점근적 거동을 이해하는 데 있어 중요한 이론적 진전을 이루었으며, 특히 비볼록 및 무계 집합을 포함한 일반적인 경우에 대한 수렴성을 rigorously (엄밀하게) 다뤘다는 점에서 의의가 큽니다.