연속시간 분기 과정의 극값 통계: 교육용 입문서

초록

연속시간 이분기 모델에서 개체가 분열(b)과 사망(a)률을 갖는 과정을 연구하고, 인구 규모 N(t)를 양의 반무한 격자 위를 이동하는 ‘흥분된 랜덤 워크(ARW)’로 정확히 매핑한다. 이를 통해 최대 인구 M(t)=max₀≤τ≤t N(τ)의 분포 Q(L,t)를 세 가지 상(아임계, 임계, 초임계)에서 정확히 구한다. 아임계에서는 Q가 시간에 독립적인 지수형 정태분포, 임계에서는 L⁻² 꼬리를 갖는 정태분포와 L/(a t) 스케일링 함수 f_c(z)를, 초임계에서는 고정된 ‘유동부’와 평균 ⟨N⟩≈e^{(b−a)t}에 집중된 ‘응축부’(δ‑피크)로 구성된 복합 분포를 보인다. 결과는 수치 시뮬레이션과 일치하며, 전염병 확산 등 실용적 상황에 적용 가능하다.

상세 분석

본 논문은 연속시간 이분기 과정(N(t) → N+1, N−1)에서 개체가 분열(b)와 사망(a)이라는 두 기본 반응만을 고려한다. 초기 조건은 N(0)=1이며, 확산은 인구 규모에 영향을 주지 않으므로 모델은 1차원 마스터 방정식으로 완전히 기술된다. 저자들은 먼저 전통적인 뒤로(Fokker‑Planck) 접근법을 제시하지만, 이 방법은 비선형 마스터 방정식으로 인해 극값 분포 Q(L,t)를 직접 구하기에 부적합함을 지적한다. 대신, 인구 규모 N(t)를 격자 위치 n에 대응시키는 ‘흥분된 랜덤 워크(ARW)’로 정확히 매핑한다. 여기서 워커가 n번 위치에 있을 때 오른쪽(분열) 혹은 왼쪽(사망)으로 이동할 확률은 각각 b n·Δt, a n·Δt에 비례한다. 즉, 위치가 멀어질수록 전이율이 선형적으로 증가해 ‘흥분’한다는 의미이다. 이 ARW는 반무한 격자(0 ≤ n) 위에서 반사 경계 조건을 갖으며, 전이율이 n에 비례하므로 전통적인 단순 랜덤 워크와는 다른 확산‑수축 특성을 보인다.

극값 M(t)=max₀≤τ≤t N(τ)를 다루기 위해 저자들은 ‘최대 도달 높이’ 문제로 변환한다. Q(L,t)=Prob