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

Dit artikel breidt het concept van $\varphi$-menging uit naar verzameling-waardige stochastische processen in Banachruimten en bewijst sterke wetten van de grote getallen voor dergelijke sequenties, waarbij illustratieve voorbeelden aantonen dat de gebruikte aannames zowel natuurlijk als scherp zijn.

De kern

De Wet van de Grote Getallen voor "Wolkjes" in plaats van Punten

Stel je voor dat je in de statistiek gewoonlijk werkt met één getal per keer. Bijvoorbeeld: "Hoeveel regen viel er vandaag?" Dat is een enkel puntje op een lijn. De beroemde Wet van de Grote Getallen zegt dan: als je heel lang meet, komt het gemiddelde van al die metingen uiteindelijk heel dicht bij het echte gemiddelde van de natuur.

Maar wat als je niet één getal kunt meten, maar een wolk of een gebied?
Stel je voor dat je niet vraagt "hoeveel regen?", maar "in welk gebied viel de regen?". Het antwoord is dan geen punt, maar een vorm (een cirkel, een vierkant, een onregelmatige vlek). Dit noemen wiskundigen verzamelde toevalsvariabelen (set-valued random variables).

Dit artikel van Luc T. Tuyen gaat over wat er gebeurt als je met die "wolkjes" werkt, en ze bovendien niet helemaal onafhankelijk van elkaar zijn.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: Wolkjes die niet los van elkaar staan

In de echte wereld zijn dingen zelden helemaal los van elkaar. Als het vandaag regent, is de kans groter dat het morgen ook regent. In de wiskunde noemen we dit afhankelijkheid.

De auteur kijkt naar een specifiek soort afhankelijkheid genaamd φ-mixing (phi-mixing).

• De Analogie: Stel je voor dat je een groep vrienden hebt die een spelletje doen. Als je vriend A een beslissing neemt, beïnvloedt dat vriend B, maar alleen als ze vlak bij elkaar staan. Als ze ver uit elkaar lopen (naarmate de tijd vordert), vergeten ze elkaar en gedragen ze zich weer als onafhankelijke mensen.
• In dit artikel worden die "mensen" vervangen door wolkjes (verzamelingen). De vraag is: als die wolkjes na verloop van tijd steeds minder van elkaar weten, wat gebeurt er dan met hun gemiddelde?

2. De Oplossing: De "Grote Gemiddelde Wet" voor Wolkjes

De auteurs bewijzen dat er een wet bestaat die zegt:

"Als je heel veel van die wolkjes bij elkaar optelt en er een gemiddelde van maakt, dan zal dat gemiddelde uiteindelijk stabiliseren en gaan lijken op één vaste, mooie vorm."

Dit is de Sterke Wet van de Grote Getallen voor deze wolkjes.

Ze gebruiken twee manieren om te zeggen dat het gemiddelde "goed" is:

1. De Afstands-methode (Hausdorff): Stel je voor dat je een doosje hebt met een wolkje erin. Je vergelijkt dit met een perfecte, vaste doos (het gemiddelde). Als de afstand tussen de randen van je wolkje en de randen van de perfecte doos steeds kleiner wordt tot nul, dan heb je gelijk.
2. De "Binnen-Buiten" methode (Kuratowski-Mosco): Dit is iets subtieler. Het zegt: "Elk puntje dat in je wolkje zit, komt uiteindelijk dicht bij een puntje in de perfecte vorm, en elk puntje in de perfecte vorm kan benaderd worden door punten in je wolkje."

3. De Voorwaarden: Wanneer werkt het?

Niet elke verzameling wolkjes doet dit. De auteurs geven twee belangrijke regels:

• Regel 1 (De afstand): De wolkjes moeten na verloop van tijd "vergeten" wat ze eerder waren (de φ-mixing moet naar nul gaan).
• Regel 2 (De stabiliteit): De vorm van de wolkjes mag niet te wild gaan. Ze moeten een zekere orde houden. Als de wolkjes soms gigantisch groot worden en dan weer heel klein, werkt de wet niet.

4. De Voorbeelden: Waarom is dit belangrijk?

De auteur geeft leuke voorbeelden om te laten zien dat dit niet alleen droge theorie is:

• Voorbeeld 1: De "Rijstkorrel" vs. de "Lijn".
  Stel je hebt een lijnsegment dat een beetje schuift. Als je de gemiddelde positie van die lijnen over de tijd neemt, krijg je een stabiel lijnsegment. Dit is nuttig als je bijvoorbeeld de onzekerheid van een robotarm wilt berekenen (die is niet één punt, maar een klein gebied waar hij kan zijn).
• Voorbeeld 2: De "Naald met een Halo".
  Stel je hebt een oneindig lange lijn (een naald) en er zweven kleine wolkjes omheen die steeds kleiner worden. De auteurs tonen aan dat, zelfs als de lijn oneindig lang is, de "halo" (de wolkjes) verdwijnt en je uiteindelijk alleen de naald overhoudt.
• Voorbeeld 3: De "Gevaarlijke Stralen".
  Ze laten ook zien wat er gebeurt als je de regels negeert. Als de wolkjes (in dit geval stralen die draaien) te wild bewegen, dan komt het gemiddelde nooit tot rust. Het blijft een wazig, draaiend geheel. Dit bewijst dat hun voorwaarden echt nodig zijn.

Samenvatting in één zin

Dit artikel zegt: "Zelfs als je niet met één getal werkt, maar met hele gebieden of vormen die een beetje van elkaar afhankelijk zijn, kun je toch voorspellen dat hun gemiddelde op de lange termijn een stabiele, voorspelbare vorm aanneemt, zolang ze maar niet te wild gaan."

Waarom is dit nuttig?
In de echte wereld (financiën, logistiek, data-analyse) zijn dingen zelden exact. We hebben vaak te maken met onzekerheidsgebieden. Deze wiskundige wet helpt ons om te begrijpen hoe die onzekerheid zich gedraagt als we veel data verzamelen. Het geeft ons vertrouwen dat, als we lang genoeg kijken, het "gemiddelde wolkje" een duidelijke vorm krijgt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "On strong law of large numbers for weakly stationary φ-mixing set-valued random variable sequences" van Luc T. Tuyen, geschreven in het Nederlands.

Titel: Sterke wet van de grote getallen voor zwak stationaire φ-mixing verzameling-waardige stochastische variabelen

1. Probleemstelling

De wet van de grote getallen (WGG) is een hoeksteen van de waarschijnlijkheidstheorie en statistiek. Hoewel de WGG voor onafhankelijke en identiek verdeelde (i.i.d.) reële variabelen goed begrepen is, en er uitbreidingen bestaan voor afhankelijke sequenties (zoals φ-mixing) en verzameling-waardige variabelen (random sets) in het i.i.d.-geval, blijft er een belangrijke kennislacune bestaan.

Het specifieke probleem dat dit artikel aanpakt, is het ontbreken van sterke wetten van de grote getallen voor afhankelijke verzameling-waardige stochastische variabelen die niet noodzakelijk identiek verdeeld zijn, maar wel zwak stationair zijn.

• Uitdagingen: Bij verzameling-waardige variabelen kan de verwachting $\mathbb{E}[X]$ een enkel punt zijn, zelfs als de variabele zelf een niet-triviale verzameling is. Dit maakt het moeilijk om afhankelijkheidsstructuren (zoals φ-mixing) direct toe te passen op de "selecties" (keuzes) van de verzamelingen, omdat deze selecties de afhankelijkheidseigenschappen van de oorspronkelijke reeks niet altijd behouden.
• Doel: Het definiëren van een geschikte φ-mixing structuur voor verzameling-waardige variabelen en het bewijzen van convergentie naar een limietverzameling onder zwakke stationariteit en afhankelijkheidscondities.

2. Methodologie en Voorbereiding

Het artikel opereert binnen een kansruimte $(\Omega, \mathcal{F}, P)$ en een scheidbare Banachruimte $(X, \|\cdot\|_X)$. De verzameling-waardige variabelen $X_n$ nemen waarden aan in de familie van gesloten, niet-lege deelverzamelingen van $X$ (aangeduid als $K(X)$).

Kernconcepten:

• Aumann-integraal: De verwachting $\mathbb{E}[F]$ wordt gedefinieerd via de verzameling van integralen van alle meetbare selecties $f$ van $F$.
• Supportfunctie: Voor een verzameling $A$ en een functionaal $x^* \in X^*$ is de supportfunctie $s(x^*, A) = \sup_{a \in A} \langle x^*, a \rangle$. Dit is cruciaal omdat het de vectorruimte-problemen reduceert tot scalaire problemen.
• Afstandsmaten: Convergentie wordt gemeten via de Hausdorff-afstand ($H$) en de Kuratowski-Mosco-convergentie (sterke onderlimiet en zwakke bovenlimiet).

Nieuwe Definities:

1. Zwak stationair: Een reeks $\{X_n\}$ is zwak stationair als $\mathbb{E}[X_n] = A$ voor alle $n$, waarbij $A$ een vaste gesloten verzameling is.
2. φ-mixing voor verzamelingen: De afhankelijkheidscoëfficiënt $\phi(n)$ wordt gedefinieerd op basis van de $\sigma$-algebra's gegenereerd door de verzamelingen $X_k$. Een reeks is φ-mixing als $\phi(n) \to 0$ voor $n \to \infty$.
   • Belangrijk inzicht: Als $\{X_n\}$ φ-mixing is, dan is ook de reeks van supportfuncties $\{s(x^*, X_n)\}$ φ-mixing voor elke $x^* \in X^*$.

3. Belangrijkste Resultaten (Hoofdstellingen)

De auteur bewijst drie hoofdstellingen die sterke wetten van de grote getallen vaststellen voor zwak stationaire φ-mixing reeksen.

Stelling 3.1 (Convexe verzamelingen):
Voor een reeks $\{X_n\}$ in $L^2$ met waarden in compacte convexe verzamelingen ($K_{kc}(X)$), die zwak stationair is met verwachting $A$, en die voldoet aan:

1. $\sum_{n=1}^\infty \phi^{1/2}(n) < \infty$
2. $\sum_{n=1}^\infty \frac{\mathbb{E}|s(x^*, X_n) - s(x^*, A)|^2}{n^2} < \infty$ voor alle $x^* \in S^*$ (een dichtheidsverzameling in de eenheidsbol).

Conclusie: De gemiddelde verzameling convergeert bijna zeker in Hausdorff-afstand naar $A$:
$$H\left(\frac{1}{n}\sum_{k=1}^n X_k, A\right) \to 0 \quad \text{a.s.}$$

Stelling 3.2 (Niet-convexe verzamelingen):
Voor verzamelingen die niet noodzakelijk convex zijn, maar wel compact ($K_k(X)$), geldt een vergelijkbaar resultaat, maar de limiet is de gesloten convexe hull van de verwachting ($coA$):
$$\lim_{n \to \infty} H\left(\frac{1}{n}\sum_{k=1}^n X_k, coA\right) \to 0 \quad \text{a.s.}$$

Stelling 3.3 (Kuratowski-Mosco-convergentie voor algemene gesloten verzamelingen):
Dit is het meest algemene resultaat voor verzamelingen in $K(X)$ (niet noodzakelijk convex of begrensd). Het vereist extra voorwaarden voor selecties:

1. De φ-mixing en supportfunctie-condities (zoals in Stelling 3.1).
2. Voor elk punt $a \in A$ bestaat er een kwadratisch integreerbare selectie $x_n$ met $\mathbb{E}[x_n] = a$ en $\sum \frac{\mathbb{E}\|x_n - a\|^2}{n^2} < \infty$.

Conclusie: De gemiddelde verzameling convergeert in de Kuratowski-Mosco-sin (K-M) naar $D = coA$:
$$S_n = \frac{1}{n} \text{cl} \sum_{i=1}^n X_i \xrightarrow{K-M} D \quad \text{a.s.}$$

4. Illustratieve Voorbeelden en Scherpheid

De auteur presenteert meerdere voorbeelden om de voorwaarden te verduidelijken en te tonen dat ze scherp zijn:

• Voorbeeld 3.1 & 3.2: Toont aan dat een reeks zwak stationair kan zijn zonder strikt stationair te zijn (verschillende verdelingen voor even/oneven $n$) en dat verzameling-waardige variabelen (zoals lijnstukken $[x_n, x_n+1]$) niet degenereren tot scalair gedrag.
• Voorbeeld 3.5 ("Needle + shrinking halo"): Een geval met onbegrensde verzamelingen (stralen) waar de K-M-convergentie geldt. Dit toont aan dat de theorie werkt voor niet-compacte gevallen.
• Voorbeeld 3.6 (Schending van voorwaarde (iii)): Een constructie waarbij de som van de varianties van de supportfuncties divergeert. Hier faalt de K-M-convergentie; de limietverzameling wordt groter dan $A$. Dit bewijst dat voorwaarde (iii) noodzakelijk is voor onbegrensde verzamelingen.

5. Significatie en Bijdrage

• Theoretische Uitbreiding: Het artikel vult een gat in de literatuur door φ-mixing en sterke wetten van de grote getallen uit te breiden naar de context van verzameling-waardige variabelen zonder de restrictie van i.i.d. of identieke verdeling.
• Technische Innovatie: Het gebruik van supportfuncties om de vectorruimte-problemen te reduceren tot scalaire φ-mixing problemen is een krachtige methode. De behandeling van zowel Hausdorff- als K-M-convergentie biedt een volledig beeld van de asymptotische gedrag.
• Praktische Relevantie: De resultaten zijn toepasbaar in gebieden waar data in de vorm van sets voorkomt (bijv. beeldverwerking, economische voorspellingen met intervallen, of onzekerheidskwantificering) en waar afhankelijkheid tussen observaties aanwezig is (zoals tijdsreeksen).
• Toekomstperspectief: De auteur suggereert uitbreiding naar sterkere mengingsconcepten (zoals $\rho$-mixing) en het gebruik van sommeerbaarheidsmethoden.

Conclusie:
Luc T. Tuyen heeft succesvol de theorie van sterke wetten van de grote getallen voor verzameling-waardige variabelen geformaliseerd onder realistische afhankelijkheidscondities. De bewezen stellingen bieden robuuste convergentiegaranties die essentieel zijn voor statistische inferentie in complexe, afhankelijke omgevingen met set-data.