[논문 리뷰] Strong and Weak Laws of Large Numbers for Frechet Sample Means in Bounded Metric Spaces

Cedric E. Ginestet|arXiv (Cornell University)|2012. 04. 14.

Probability and Risk Models인용 수 4

한 줄 요약

이 논문은 유계 거리공간에서 프레셰 표본 평균에 대한 강한 법칙과 약한 법칙을 확립하며, 특히 그래프 값 랜덤 변수에 대해 적용한다. 거의 확실 수렴을 쿠라토프스키 외부 극한과 연결하고 유한 정점 그래프에서의 유계성에 기반하여, 모든 차수의 제한된 및 비제한된 프레셰 평균의 강한 일致성을 증명한다. 이는 이전 결과를 일반화한다.

ABSTRACT

The Frechet mean or barycenter generalizes the idea of averaging in spaces where pairwise addition is not well-defined. In general metric spaces, the Frechet sample mean is not a consistent estimator of the theoretical Frechet mean. For graph-valued random variables, for instance, the Frechet sample mean may fail to converge to a unique value. Hence, it becomes necessary to consider the convergence of sequences of sets of graphs. We show that a specific type of almost sure convergence for the Frechet sample mean previously introduced by Ziezold (1977) is, in fact, equivalent to the Kuratowski outer limit of a sequence of Frechet sample means. Equipped with this outer limit, we provide a new proof of the strong consistency of the Frechet sample mean for graph-valued random variables in separable (pseudo-)metric space. Our proof strategy exploits the fact that the metric of interest is bounded, since we are considering graphs over a finite number of vertices. In this setting, we describe two strong laws of large numbers for both the restricted and unrestricted Frechet sample means of all orders, thereby generalizing a previous result, due to Sverdrup-Thygeson (1981).

연구 동기 및 목표

• 일반 거리공간에서 이론적 프레셰 평균을 추정하는 프레셰 표본 평균의 일치성 부족 문제를 다루기 위해.
• 표본 평균이 유일한 값으로 수렴하지 않을 수 있는 그래프 값 랜덤 변수에서의 수렴 문제를 해결하기 위해.
• 유계 거리공간에서 분리 가능(가짜) 거리공간에 대해 프레셰 표본 평균에 대한 강한 법칙과 약한 법칙을 확립하기 위해.
• 서버드루프-티세슨(1981)의 결과를 제한된 및 비제한된 모든 차수의 프레셰 평균으로 확장하여 일반화하기 위해.

제안 방법

• 프레셰 표본 평균 수열의 거의 확실 수렴을 공식화하기 위해 쿠라토프스키 외부 극한을 사용한다.
• 특히 유한 정점 그래프에서 중요한 유계 거리공간의 성질을 활용한다.
• 지에졸드(1977)의 거의 확실 수렴 개념을 쿠라토프스키 외부 극한을 통해 재구성하여 엄밀한 분석을 가능하게 한다.
• 외부 극한 프레임워크를 적용하여 제한된 및 비제한된 프레CHASE 평균의 강한 일치성을 증명한다.
• 외부 극한 위상에서 프레CHASE 표본 평균 집합의 극한 행동을 분석하여 수렴 결과를 확립한다.
• 유계 거리공간에서 모든 차수의 프레CHASE 평균으로의 분석을 확장하여 이전 결과를 일반화한다.

실험 결과

연구 질문

• RQ1 유계 거리공간에서 프레CHASE 표본 평균이 이론적 프레CHASE 평균으로 거의 확실하게 수렴하는 조건은 무엇인가?
• RQ2 기본 일치성의 실패가 발생할 때, 그래프 값 랜덤 변수에 대한 프레CHASE 표본 평균의 수렴을 어떻게 공식적으로 기술할 수 있는가?
• RQ3 프레CHASE 평균의 맥락에서 지에졸드의 거의 확실 수렴과 쿠라토프스키 외부 극한 간의 관계는 무엇인가?
• RQ4 분리 가능(가짜) 거리공간에서 제한된 및 비제한된 모든 차수의 프레CHASE 평균에 대해 강한 대수법칙을 증명할 수 있는가?
• RQ5 거리공간의 유계성은 프레CHASE 평균의 더 강력한 수렴 결과를 어떻게 가능하게 하는가?

주요 결과

• 지에졸드(1977)가 정의한 프레CHASE 표본 평균의 거의 확실 수렴은 쿠라토프스키 외부 극한에서의 수렴과 공식적으로 동치이다.
• 쿠라토프스키 외부 극한 프레임워크를 사용하여 프레CHASE 표본 평균의 강한 일치성에 대한 새로운 증명이 확립된다.
• 유계 거리공간에서 제한된 및 비제한된 모든 차수의 프레CHASE 표본 평균에 대해 강한 대수법칙이 증명된다.
• 특히 유한 정점 그래프에서의 거리공간의 유계성 덕분에 강한 일치성 결과를 도출할 수 있다.
• 이 프레임워크는 서버드루프-티세슨(1981)의 결과를 고차수 프레CHASE 평균과 제한된 및 비제한된 경우로 일반화한다.
• 외부 극한은 비유클리드 공간에서 프레CHASE 표본 평균 집합의 수렴을 분석하는 강력한 위상적 도구를 제공한다.