[논문 리뷰] On a General Approach to the Strong Laws of Large Numbers

István Fazekas|arXiv (Cornell University)|2014. 06. 11.

Probability and Risk Models참고 문헌 39인용 수 4

한 줄 요약

이 논문은 일반적인 프레임워크를 제시하여 강한 law of large numbers(SLLN)를 추론한다. 이는 추상적인 Hájek-Rényi 유형의 최대부등식을 사용하며, 이러한 부등식이 바탕이 되는 Kolmogorov 유형의 부등식들로부터 유도됨을 보여준다. 이 방법은 마팅게일, 믹싱앨, 관련 수열, 디미마팅게일 등 다양한 종속적인 수열에 대한 SLLN 결과를 통합하고 확장하며, 일반화된 Dini 유형의 보조정리에 의해 향상된 수렴 속도를 가능하게 한다.

ABSTRACT

A general method to obtain strong laws of large numbers is studied. The method is based on abstract Hájek-Rényi type maximal inequalities. The rate of convergence in the law of large numbers is also considered. Some applications for weakly dependent sequences are given.

연구 동기 및 목표

• 다양한 종속적인 랜덤 수열에 적용 가능한 강한 법의 수렴(SLLN)을 도출하기 위한 통합 이론적 프레임워크를 개발하는 것.
• 특정 종속성 구조를 가정하지 않고도 Hájek-Rényi 유형의 최대부등식이 바탕이 되는 Kolmogorov 유형의 부등식들로부터 체계적으로 유도됨을 입증하는 것.
• 마팅게일, 관련 수열, 디미마팅게일 등을 포함한 약간의 종속성 구조를 가진 과거의 SLLN 결과들을 동일한 추상적 설정 하에 확장하는 것.
• 모멘트 부등식을 위한 일반화된 Dini 유형의 보조정리 도입을 통해 SLLN의 수렴 속도를 체계적으로 향상시키는 것.
• 다양한 확률과정에 적용 가능한 SLLN 및 수렴 속도 결과를 도출하는 체계적인 방법을 제공하여 반복적인 증명을 피하는 것.

제안 방법

• 비음수 수열 $\alpha_l$, $r>0$ 및 정규화 수열 $\beta_l$을 사용하여 모멘트에 대한 추상적인 Kolmogorov 유형 및 Hájek-Rényi 유형의 최대부등식을 수립한다.
• 상수 $K$를 가진 임의의 Kolmogorov 유형 부등식이 상수 $C=4K$를 가진 해당하는 Hájek-Rényi 유형 부등식을 유도함을 증명하며, 이는 정규화 수열 $\beta_l$과 무관하다.
• 비내림차순이고 유계가 아닌 수열 $b_n$에 대해 수렴 조건 $\sum_{l=1}^\infty \frac{\alpha_l}{b_l^r} < \infty$ 를 확인하여 추상적 프레임워크를 적용해 SLLN를 도출한다.
• 일반화된 Dini 유형의 보조정리(보조정리 7.1)를 사용하여 향상된 수렴 속도를 도출하며, 분석에서 고전적 Dini 정리를 대체한다.
• 함수 $\varphi$가 $\sum \frac{\varphi(n)}{n^2} < \infty$ 와 $\varphi(x) \uparrow \infty$ 를 만족할 때, 수렴 속도 함수 $\beta_n = \max_{1\leq k\leq n} b_k (\varphi(1/\nu_k))^{-1/r}$ 를 구성한다. 여기서 $\nu_k = \sum_{l=k}^\infty \frac{\alpha_l}{b_l^r}$.
• 모멘트 부등식 조건을 확인하여 프레임워크가 $\varrho$-믹싱, 관련 수열, AANA, N-demimartingale 수열 등 다양한 종속 과정에 대해 균일하게 적용됨을 보여준다.

실험 결과

연구 질문

• RQ1 다양한 종속적인 랜덤 수열에 대해 강한 법의 수렴(SLLN)을 도출하는 데 있어 단일 추상적 프레임워크가 통합 가능할 수 있는가?
• RQ2 추가적인 가정 없이 Hájek-Rényi 유형의 최대부등식이 바탕이 되는 Kolmogorov 유형의 부등식들로부터 얼마나 체계적으로 도출될 수 있는가?
• RQ3 일반화된 수렴 기준을 사용하여 SLLN의 수렴 속도를 어떻게 체계적으로 향상시킬 수 있는가?
• RQ4 함수 $\varphi$는 최적의 수렴 속도를 얻기 위해 정규화 수열 $\beta_n$을 어떻게 정밀화하는가?
• RQ5 마팅게일, 디미마팅게일, 관련 수열 등과 같은 종속 과정의 몇 가지 유형에서 추상적 프레임워크가 유효한 SLLN 결과를 도출하는가?

주요 결과

• 모든 정규화 수열 $\beta_l$과 무관하게, 첫 번째 Kolmogorov 유형 부등식으로부터 첫 번째 Hájek-Rényi 유형의 모멘트 부등식이 유도되며, 이때 상수 $C=4K$는 보편적이다.
• 조건 $\sum_{l=1}^\infty \frac{\alpha_l}{b_l^r} < \infty$ 는 $\frac{S_n}{b_n} \to 0$ 거의확실하게 수렴함을 의미하며, 이는 모멘트 조건 하에서 SLLN의 일반 기준을 제공한다.
• 모든 $\alpha_l$, $r>0$, $K>0$ 를 만족하는 수열에 대해, $\{\beta_n\}$ 이 유계이면 정규화된 부분합 $S_n / \beta_n$ 이 거의확실하게 유계이며, 무한히 증가하면 0으로 수렴한다.
• Dini 정리를 보조정리 7.1로 대체함으로써 수렴 속도가 향상되며, 이는 $\sum \frac{\varphi(n)}{n^2} < \infty$ 와 $\varphi(x) \uparrow \infty$ 를 만족하는 함수 $\varphi$ 를 사용할 수 있게 한다.
• 모멘트 부등식 조건을 확인함으로써 프레임워크는 $\varrho$-믹싱, 관련 수열, AANA, NOD, 디미마팅게일 수열에 대해 SLLN 결과를 도출한다.
• 정규화 $\beta_n = \max_{1\leq k\leq n} b_k (\varphi(1/\nu_k))^{-1/r}$ 는 $\lim_{n\to\infty} \frac{\beta_n}{b_n} = 0$ 를 보장하며, 이는 $b_n$ 만으로는 달성할 수 없는 더 강한 수렴을 의미한다.