퍼지 통계적 수렴과 그 응용

본 논문은 전통적인 수렴 개념이 요구하는 ‘모든 원소가 임의의 작은 이웃 안에 들어가야 한다’는 강한 조건을 완화하고, 통계적 수렴이라는 ‘대다수 원소만 조건을 만족하면 된다’는 개념을 소개한다. 그러나 실제 측정·계산 데이터는 오차와 잡음으로 인해 정확한 수렴 여부를 판단하기 어렵다. 이러한 현실적 한계를 극복하고자 저자들은 퍼지 집합 이론에서 도입된 r‑limit 개념을 차용해 ‘퍼지 비밀도(r‑density)’와 ‘퍼지 통계적 수렴(r‑stat‑lim)’을 정의한다. 먼저, 자연수 집합 ℕ의 부분집합 K에 대해 (1/n)·|K∩{1,…,n}|의 r‑limit을 취해 d_r(K)를 정의한다. r는 0≤r≤1이며, r=0이면 기존의 점밀도와 일치한다. 이때 r‑limit은 일반적인 극한과 달리 유일하지 않을 수 있어, 같은 집합에 대해 여러 개의 d_r값이 존재할 수 있다. 예시 2.1에서는 K={2i}에 대해 d_{1/2}(K) 가 1/2, 1/4, 3/5 등 다양한 값이 가능함을 보여준다. 다음으로, 수열 l={a_i}와 실수 a에 대해 L_ε(a)={i∈ℕ:|a_i−a|≥ε}를 정의하고, d_r(L_ε(a))=0이면 a를 l의 r‑통계적 극한이라 부른다. 이는 “ε-이웃 밖에 있는 원소들의 비밀도가 r‑밀도에서 0으로 수렴한다”는 의미이다. Lemma 2.7은 이를 다시 “(1/n)·|{i≤n:|a_i−a|≥ε}|의 r‑limit이 0” 혹은 “(1/n)·|{i≤n:|a_i−a|<ε}|의 r‑limit이 1”이라는 형태로 표현한다. 정리 2.1은 “모든 통계적으로 밀도 1인 부분수열이 r‑통계적 수렴이면 원수열도 r‑통계적 수렴이다”는 양방향 관계를 증명한다. 이는 통계적 밀도가 1인 부분수열이 원수열의 ‘핵심’ 정보를 담고 있음을 의미한다. 정리 2.2는 r‑통계적 수렴을 “밀도 1−r인 인덱스 집합 K를 선택해 그 부분수열이 일반 수렴한다”는 형태로 재표현한다. 증명 과정에서 L_{1/2n}(a) 집합을 차례로 제거해 남은 원소들의 비밀도가 1−r에 수렴함을 보인다. 연산에 관한 정리 2.3은 두 수열 l, h가 각각 a, b에 대해 r‑stat‑lim, q‑stat‑lim을 갖는 경우, 합·차·스칼라배에 대한 퍼지 통계적 극한이 (r+q)‑stat‑lim이 된다는 것을 보인다. 구체적으로, (a_i+b_i)−(a+b)의 절대값이 ε 이상인 인덱스의 비밀도는 각각 u_n, v_n의 합으로 상계되며, 이는 r+q에 수렴한다. 이는 퍼지 통계적 수렴이 선형 연산에 대해 닫혀 있음을 의미한다. 정리 2.4는 ‘압축(squeeze) 원리’를 퍼지 통계적 수렴에 적용한다. a_i≤b_i≤c_i이고 a와 c가 동일한 r‑stat‑lim을 가질 때, b도 같은 r‑stat‑lim을 가진다. 이는 전통적인 수렴의 squeeze 정리를 퍼지 통계적 맥락으로 확장한 결과이다. 섹션 3에서는 평균과 표준편차와 같은 통계량에 대한 퍼지 수렴을 다룬다. 정리 3.1은 수열의 평균이 r‑stat‑lim을 갖는 경우, 원수열 자체도 r‑stat‑lim을 가진다는 관계를 증명한다. 정리 3.2는 표준편차의 퍼지 수렴이 원수열의 퍼지 통계적 수렴과 동등함을 보이며, 이는 통계량 자체가 원수열의 퍼지 통계적 특성을 완전히 반영한다는 의미다. 전체적으로 논문은 다음과 같은 흐름을 가진다. (1) 통계적 수렴의 한계와 퍼지 논리 도입 필요성 제시, (2) 퍼지 비밀도와 퍼지 통계적 수렴 정의, (3) 부분수열·일반 수렴·연산·압축 원리와의 관계 정리, (4) 평균·표준편차와 같은 통계량에 대한 퍼지 수렴 연계, (5) 이를 통해 실제 데이터의 불확실성을 수학적으로 모델링할 수 있음을 강조한다. r 파라미터는 허용 가능한 ‘오염’ 정도를 조절하는 역할을 하며, r가 작을수록 전통적인 통계적 수렴에 가까워지고, r가 클수록 더 많은 ‘예외’ 원소를 허용한다. 따라서 신호 처리, 수치 해석, 데이터 과학 등 다양한 응용 분야에서 데이터의 잡음·오차를 정량화하고, 그 위에서 안정적인 분석을 수행하는 데 유용한 이론적 토대를 제공한다.