확률 과정

확률 과정은 시간이나 공간과 같은 지표에 따라 무작위적으로 변화하는 현상을 수학적으로 모델링한 개념이다. 이는 단일 확률 변수가 아닌, 일련의 확률 변수들의 집합으로 구성된다. 예를 들어, 주식 시장의 일일 종가, 통신망에서의 패킷 도착 시간, 또는 입자의 무작위 운동과 같은 현상들은 모두 시간에 따른 무작위성을 내포하고 있으며, 이러한 불확실성을 체계적으로 기술하고 분석하기 위해 확률 과정이 활용된다.

확률 과정은 그 지표 집합의 성격에 따라 크게 두 가지 유형으로 구분된다. 지표가 이산적인 값을 취할 때, 이를 이산 시간 확률 과정이라고 한다. 대표적으로 매일, 매월과 같은 이산적인 시간 간격에서 관측된 데이터를 모델링할 때 사용된다. 반면, 지표가 연속적인 구간을 이루는 경우, 이를 연속 시간 확률 과정이라고 부른다. 이는 시간이 연속적으로 흐르는 상황에서의 무작위 현상, 예를 들어 전화 교환기에 걸려오는 통화의 시점이나 화학 반응에서의 분자 충돌과 같은 사건을 설명하는 데 적합하다.

이러한 모델은 금융 공학에서 주가나 이자율의 변동을 예측하는 데, 통신 이론에서 신호의 잡음이나 데이터 패킷의 흐름을 분석하는 데, 그리고 대기열 이론에서 고객의 도착과 서비스 시간을 모의하는 데 핵심적으로 적용된다. 또한 생물정보학에서는 유전자 서열의 진화나 돌연변이 발생을, 물리학에서는 입자의 확산 현상을 이해하는 데도 널리 사용된다.

확률 과정 이론은 확률론과 통계학의 핵심 분야로서, 미적분학과 해석학의 도구를 깊이 활용한다. 가장 기본적이고 중요한 확률 과정의 예로는 상태 전이가 과거 역사에 의존하지 않는 마르코프 과정, 일정한 비율로 독립적으로 발생하는 사건을 모델링하는 포아송 과정, 그리고 연속적인 무작위 움직임을 나타내는 브라운 운동 (위너 과정) 등을 꼽을 수 있다.

확률 과정을 정의하는 두 가지 핵심 구성 요소는 지표 집합과 상태 공간이다. 지표 집합은 확률 과정의 '시간' 역할을 하는 매개변수의 집합을 의미한다. 가장 일반적인 지표 집합은 실수 집합의 부분집합으로, 이 경우 시간이 연속적임을 나타낸다. 반면, 자연수 집합이나 정수 집합을 지표 집합으로 사용하면 시간이 이산적인 이산 시간 확률 과정을 정의할 수 있다. 지표 집합의 선택은 분석 대상 현상의 특성에 따라 결정된다.

상태 공간은 확률 과정이 취할 수 있는 모든 가능한 값들의 집합이다. 상태 공간이 유한 집합이나 가산 집합인 경우를 이산 상태 공간이라 하며, 연속적인 실수 구간이나 다차원 유클리드 공간인 경우를 연속 상태 공간이라 한다. 예를 들어, 포아송 과정은 이산 상태 공간(0, 1, 2, ...)을 가지며, 브라운 운동은 연속 상태 공간(실수 전체)을 가진다.

이 두 개념의 조합에 따라 확률 과정의 분류가 이루어진다. 지표 집합과 상태 공간이 모두 이산적인 경우는 마르코프 연쇄가 대표적이다. 지표 집합이 연속이고 상태 공간이 이산인 대표적인 예는 포아송 과정이며, 지표 집합과 상태 공간이 모두 연속인 경우는 브라운 운동이 있다. 이러한 분류는 확률 과정의 수학적 분석 방법과 적용 가능한 이론을 결정하는 기초가 된다.

마르코프 과정은 확률 과정의 중요한 한 종류로, 미래 상태가 오직 현재 상태에만 의존하고 과거 상태에는 독립적인 성질을 지닌다. 이 성질을 마르코프 성질이라고 하며, "기억이 없다"는 특성으로도 설명된다. 이러한 특성 덕분에 복잡한 확률적 현상을 상대적으로 단순한 모델로 분석할 수 있게 해준다.

마르코프 과정은 지표 집합이 이산적인지 연속적인지에 따라 이산 시간 마르코프 과정과 연속 시간 마르코프 과정으로 구분된다. 대표적인 예로, 이산 시간에서는 마르코프 연쇄가 있으며, 연속 시간에서는 포아송 과정이나 연속 시간 마르코프 연쇄가 이에 해당한다. 특히 상태 공간이 이산적인 경우를 마르코프 연쇄라고 부르며, 확률론과 통계학에서 광범위하게 연구된다.

이 과정의 핵심 분석 도구는 전이 확률이다. 이는 현재 상태에서 다음 상태로 이동할 조건부 확률을 나타내며, 이를 행렬 형태로 나타낸 것을 전이 확률 행렬이라고 한다. 마르코프 과정의 장기적 행동을 이해하는 데는 정상 분포가 중요한데, 이는 시간이 충분히 지난 후 과정이 도달하는 극한 확률 분포를 의미한다.

마르코프 과정은 그 수학적 우아함과 실용성 덕분에 금융 공학의 주가 모형, 통신 이론의 채널 모델링, 대기열 이론의 서비스 시스템 분석, 생물정보학의 유전자 서열 모형, 그리고 물리학의 통계 역학 등 매우 다양한 분야에서 핵심적인 모델로서 응용되고 있다.

포아송 과정은 특정 사건이 일정한 시간 또는 공간 구간 내에서 무작위적으로 발생하는 횟수를 모델링하는 데 널리 사용되는 확률 과정이다. 이 과정은 단위 시간당 평균 발생률이 일정한 독립 증분을 가지며, 연속 시간을 다루는 대표적인 확률 과정 중 하나이다. 포아송 과정은 사건 발생 간의 시간 간격이 지수 분포를 따르며, 서로 다른 구간에서의 사건 발생 횟수는 서로 독립적이라는 특징을 가진다.

이 과정의 핵심 매개변수는 강도(λ)로, 단위 시간당 평균 사건 발생 횟수를 의미한다. 포아송 과정은 상태 공간이 음이 아닌 정수 집합이며, 지표 집합은 연속 시간인 연속 시간 확률 과정에 해당한다. 이러한 단순한 구조 덕분에 수학적 분석이 비교적 용이하며, 다양한 현상을 모델링하는 기초 도구로 활용된다.

포아송 과정은 대기행렬 이론에서 고객의 도착을 모델링하거나, 통신 이론에서 패킷 도착, 금융 수학에서 극단적 가격 변동의 발생, 생물정보학에서 유전자 돌연변이의 발생 등을 설명하는 데 응용된다. 또한, 복잡한 확률 과정을 구성하는 기본 구성 요소로도 자주 사용된다.

브라운 운동은 연속 시간 확률 과정의 대표적인 예시로, 연속적인 무작위 움직임을 모델링한다. 이 과정은 1827년 식물학자 로버트 브라운이 꽃가루 입자의 불규칙한 운동을 관찰한 데서 그 이름이 유래했으며, 이후 알베르트 아인슈타인이 이를 통계 물리학적으로 설명했다. 수학적으로 엄밀하게 정의된 위너 과정은 브라운 운동의 수학적 모델로, 노르베르트 위너의 이름을 따서 명명되었다.

브라운 운동은 몇 가지 핵심적인 성질을 가진다. 첫째, 경로는 거의 확실하게 연속적이지만, 어느 점에서도 미분 가능하지 않다. 둘째, 증분은 독립적이며 정규 분포를 따른다. 즉, 어떤 두 시점 사이의 변화량은 평균이 0이고 분산이 시간 간격에 비례하는 정규 분포를 따른다. 셋째, 이 과정은 마르코프 성질과 마팅게일 성질을 모두 만족시킨다.

이러한 특성으로 인해 브라운 운동은 금융 수학에서 주가나 이자율 같은 금융 자산의 변동을 모형화하는 데 널리 사용된다. 가장 유명한 예가 블랙-숄즈 모형이다. 또한 물리학에서 열 운동을 설명하거나, 공학에서 신호 처리의 잡음 모델로, 그리고 최근에는 기계 학습 및 데이터 과학의 알고리즘에서도 중요한 역할을 한다.

브라운 운동은 더 복잡한 확률 과정의 기초가 되기도 한다. 예를 들어, 확산 방정식에 유동성을 더한 확산 과정이나, 점프를 포함하는 점프 확산 과정은 브라운 운동을 일반화한 모형이다. 이처럼 브라운 운동은 무작위성과 연속성을 동시에 요구하는 다양한 자연 현상 및 사회 현상을 이해하는 데 필수적인 수학적 도구이다.

갱신 과정은 연속 시간 확률 과정의 한 종류로, 연속적으로 발생하는 사건들 사이의 시간 간격이 서로 독립적이고 동일한 분포를 따르는 과정을 의미한다. 이 과정은 주로 시스템의 유지보수나 교체, 고객 도착, 입자 계수 등 반복적이고 무작위적인 사건들의 발생 패턴을 모델링하는 데 널리 사용된다. 갱신 과정의 핵심은 연속적인 갱신 사건 사이의 시간, 즉 갱신 간격의 분포에 있으며, 이 간격들의 독립성과 동일한 분포 특성이 모델의 분석을 가능하게 한다.

갱신 과정의 대표적인 예는 포아송 과정이다. 포아송 과정은 갱신 간격이 지수 분포를 따르는 특별한 경우로, 사건 발생률이 일정한 모델을 제공한다. 그러나 갱신 과정은 갱신 간격이 지수 분포가 아닌 다른 분포, 예를 들어 감마 분포나 와이블 분포를 따를 수도 있어 더 일반적인 모델링이 가능하다. 이러한 일반성을 통해 실제 세계의 다양한 현상, 예를 들어 기계 부품의 수명과 교체 주기, 통신 네트워크에서의 패킷 도착, 또는 의료 분야에서의 재발병 간격 등을 분석하는 데 적용된다.

갱신 과정의 주요 분석 도구로는 갱신 방정식과 갱신 정리가 있다. 갱신 정리는 장기적으로 시간당 평균 갱신 횟수가 갱신 간격의 평균값의 역수에 수렴한다는 것을 보여주며, 이는 대기행렬 이론이나 신뢰성 공학에서 시스템의 장기적 평균 성능을 계산하는 데 중요한 역할을 한다. 또한, 갱신 과정은 마르코프 과정과 결합된 마르코프 갱신 과정이나, 보상이 연관된 보상 갱신 과정 등으로 확장되어 더 복잡한 확률 모형의 기초를 이룬다.

마팅게일은 미래의 기대값이 현재의 관측값과 동일한 성질을 가진 확률 과정이다. 즉, 현재까지의 모든 정보를 알고 있을 때, 미래 상태의 조건부 기대값이 현재 상태와 같다. 이는 '공정한 게임'을 수학적으로 모델링한 것으로, 과거의 정보로 미래의 이득을 예측할 수 없음을 의미한다. 마팅게일은 금융 수학에서 주가나 파생상품 가격을 모델링하는 핵심 도구로 널리 사용되며, 특히 효율적 시장 가설과 깊은 연관이 있다.

마팅게일의 공식적 정의는 다음과 같다. 확률 과정 {X_t}와 정보의 흐름을 나타내는 필트레이션 {F_t}가 주어졌을 때, 모든 t에 대해 X_t가 F_t에 대해 가측이고, E[|X_t|] < ∞이며, s < t일 때 E[X_t | F_s] = X_s가 성립하면 {X_t, F_t}를 마팅게일이라 한다. 이 성질은 이산 시간과 연속 시간 모두에서 정의될 수 있다. 대표적인 예로는 공정한 동전 던지기 게임에서의 재산 변화, 또는 위너 과정인 브라운 운동이 있다.

마팅게일 이론은 확률론의 중요한 한 분야로, 마팅게일 수렴 정리나 마팅게일 불평등과 같은 강력한 정리들을 포함한다. 이러한 정리들은 확률 과정의 극한 행동을 분석하는 데 필수적이다. 또한 마팅게일은 마르코프 과정과도 밀접한 관계가 있으며, 많은 마르코프 과정이 특정 조건 하에서 마팅게일 성질을 만족시킨다. 이는 확률 미분방정식과 확률적 미적분학을 연구하는 데 기초가 된다.

마팅게일의 응용 분야는 매우 다양하다. 금융 공학에서는 옵션 가격 결정 모형인 블랙-숄즈 모형의 핵심 가정이 마팅게일 성질에 기반한다. 통계학에서는 추정 이론과 가설 검정에 활용되며, 알고리즘 분석이나 인공지능의 강화 학습에서도 중요한 역할을 한다. 이처럼 마팅게일은 순수 수학의 아름다운 구조와 함께 공학, 경제학 등 다양한 응용 분야에서 실용적인 가치를 지닌 강력한 개념이다.

확률 과정의 중요한 성질 중 하나는 정상성이다. 정상 확률 과정은 시간에 따라 그 통계적 성질이 변하지 않는 과정을 의미한다. 좀 더 엄밀하게는, 과정의 모든 유한차원 결합 분포가 시간 이동에 대해 불변일 때 강정상 과정이라고 하며, 평균과 공분산이 시간에 의존하지 않을 때 약정상 과정이라고 한다. 정상성은 신호 처리나 시계열 분석에서 잡음을 모델링하거나 시스템의 장기적 행동을 분석할 때 유용한 가정으로 자주 사용된다.

또 다른 핵심적인 성질은 독립 증분이다. 어떤 확률 과정이 독립 증분을 가진다는 것은, 서로 겹치지 않는 시간 구간에서의 증분(변화량)들이 서로 통계적으로 독립임을 뜻한다. 이 성질은 과정의 미래 변화가 과거의 특정 경로와 무관하게 결정된다는 점에서 마르코프 성질과도 연결된다. 독립 증분을 가지는 대표적인 예로는 포아송 과정과 브라운 운동이 있으며, 이를 통해 복잡한 현상을 상대적으로 단순한 모델로 분석할 수 있는 토대를 마련한다.

정상성과 독립 증분은 확률 과정을 분류하고 분석하는 데 필수적인 개념이다. 예를 들어, 백색 잡음은 평균이 0이고 서로 다른 시점에서의 값들이 무상관이며(약정상), 종종 독립이라는更强的 조건을 갖춘 과정으로 모델링된다. 반면, 금융에서의 주가 모형과 같은 많은 실제 과정들은 정상성을 갖지 않거나, 증분의 독립성 대신에 조건부 이분산성 등을 보이는 경우가 많아, 이러한 기본 성질을 일반화한 모델이 필요하게 된다.

전이 확률은 마르코프 과정의 핵심 개념으로, 현재 상태가 주어졌을 때 미래 상태가 특정 상태가 될 조건부 확률을 의미한다. 이산 시간 과정에서는 전이 확률 행렬로, 연속 시간 과정에서는 전이 확률 함수로 표현된다. 이는 과정의 동역학을 완전히 규정하며, 상태 공간을 통해 어떻게 이동하는지를 확률적으로 서술한다.

생성 연산자는 연속 시간 마르코프 과정을 분석하는 데 유용한 강력한 도구이다. 이 연산자는 과정의 무한소 발전을 기술하며, 전이 확률 함수의 시간에 대한 도함수와 관련이 있다. 생성 연산자를 통해 과정의 여러 중요한 성질, 예를 들어 상태에 머무는 시간의 분포나 다른 상태로의 전이율을 유도해낼 수 있다.

전이 확률과 생성 연산자는 대기행렬 이론에서 시스템의 혼잡도를 분석하거나, 금융 수학에서 주가 모형의 미래 가격 분포를 계산하는 등 다양한 응용 분야에서 실제 문제를 해결하는 데 필수적으로 사용된다. 이들을 통해 복잡한 확률 과정의 거동을 이해하고 예측하는 것이 가능해진다.

정상 분포는 확률 과정의 장기적인 행동을 설명하는 핵심 개념이다. 특히 마르코프 과정과 같이 특정 조건 하에서 시간이 충분히 지난 후 과정의 상태 분포가 일정한 값에 수렴할 때, 그 극한 분포를 정상 분포 또는 극한 분포라고 한다. 이 분포는 초기 상태에 의존하지 않으며, 과정이 이 분포를 따르게 되면 이후의 시간에 대해서도 분포가 변하지 않는 정상 상태에 도달한다고 본다. 이산 시간 마르코프 연쇄에서 정상 분포는 전이 확률 행렬의 고유벡터로 구할 수 있으며, 연속 시간 과정에서는 콜모고로프 방정식을 통해 분석된다.

극한 정리는 확률 과정의 점근적 행동을 연구하는 분야로, 대표적으로 에르고딕 정리가 있다. 이 정리는 과정이 충분한 시간 동안 관찰되었을 때, 시간 평균이 앙상블 평균(공간 평균)과 같아진다는 것을 보여준다. 즉, 하나의 표본 경로를 오래 관찰함으로써 전체 시스템의 통계적 성질을 추정할 수 있게 해준다. 이러한 성질은 대기행렬 이론에서 시스템의 평균 대기 시간이나 서버의 이용률을 계산하거나, 통계 역학에서 물리 시스템의 평형 상태 성질을 이해하는 데 필수적이다.

정상 분포와 극한 정리의 응용은 매우 다양하다. 금융 수학에서는 위험 중립 확률 하에서 자산 가격의 장기적 균형을 모델링하는 데 사용되며, 신호 처리에서는 잡음이 섞인 신호의 스펙트럼 분석에 적용된다. 생물정보학에서는 유전자 서열의 진화 과정이나 집단 내 대립유전자 빈도의 변화를 모형화할 때 중요한 도구가 된다. 또한 네트워크 이론이나 운영체제의 스케줄링 알고리즘 성능 분석에도 널리 쓰인다.

대기행렬 이론은 확률 과정을 활용하여 서비스 창구 앞에서 고객이 도착하고 서비스를 받는 과정을 모델링하고 분석하는 분야이다. 이는 운용 과학과 산업 공학의 핵심 도구로, 서비스 시스템의 효율성을 평가하고 최적화하는 데 사용된다. 대기행렬 모형은 일반적으로 고객의 도착 과정, 서비스 시간, 서버의 수, 대기열의 규칙 등으로 구성되며, 이러한 요소들은 대부분 확률 과정으로 표현된다.

가장 기본적인 모형은 포아송 과정을 도착 과정으로, 지수 분포를 서비스 시간으로 가정하는 M/M/1 대기열이다. 여기서 첫 번째 M은 도착 간격이 기억 부재 성질을 갖는 포아송 도착을, 두 번째 M은 서비스 시간이 지수 분포를 따름을 의미하며, 1은 단일 서버를 나타낸다. 이 모형을 통해 시스템 내 평균 고객 수, 평균 대기 시간, 서버의 이용률 등 주요 성능 지표를 해석적으로 구할 수 있다.

보다 복잡한 현실 시스템을 모델링하기 위해 다양한 변형 모형이 개발되었다. 서버가 여러 개인 M/M/c 모형, 대기 공간이 제한된 모형, 도착률이나 서비스율이 상태에 따라 변하는 모형, 우선순위 서비스를 제공하는 모형 등이 있다. 또한 도착 과정을 갱신 과정으로 일반화하거나, 서비스 시간 분포를 에를랑 분포나 초지수 분포 등으로 확장한 G/G/1 모형 등도 연구된다. 이러한 모형들의 분석에는 임베디드 마르코프 연쇄와 같은 확률 과정 이론의 기법이 동원된다.

대기행렬 이론의 응용은 매우 광범위하다. 통신 네트워크에서 패킷의 라우팅과 콜 센터의 인력 배치, 병원의 응급실이나 수술실 운영, 물류 창고의 출하 시스템, 제조업의 생산 라인 설계에 이르기까지 다양한 서비스 및 생산 시스템의 설계와 운영에 핵심적인 이론적 기반을 제공한다.

금융 수학, 특히 주식 시장 분석에서 확률 과정은 주가의 미래 움직임을 모델링하는 핵심 도구이다. 주가의 변동은 본질적으로 불확실성을 내포하므로, 이를 확률론적 관점에서 설명하는 확률 과정 모형이 널리 사용된다. 이러한 모형은 파생상품의 가격 결정, 포트폴리오 관리, 리스크 측정 등 금융 공학의 다양한 분야에 응용된다.

가장 기본적이고 유명한 모형은 브라운 운동을 기반으로 한 기하 브라운 운동이다. 이 모형은 주가의 로그 수익률이 정규 분포를 따른다고 가정하며, 블랙-숄즈 모형을 비롯한 많은 옵션 가격 결정 모델의 토대가 된다. 그러나 실제 금융 시계열 데이터는 기하 브라운 운동이 가정하는 것보다 더 뚜렷한 변동성 군집 현상이나 꼬리가 두꺼운 분포를 보이기 때문에, 이를 보완한 다양한 모형들이 제안되었다.

이를 극복하기 위해 점프 확산 과정이나 확률적 변동성 모형과 같은 더 정교한 확률 과정이 도입되었다. 점프 확산 과정은 주가에 갑작스러운 상승 또는 하락을 모형화할 수 있는 점프 성분을 추가하며, 확률적 변동성 모형은 변동성 자체가 시간에 따라 무작위적으로 변화하는 확률 과정을 따른다고 가정한다. 또한, 주가의 방향성을 예측하거나 매매 시점을 결정하는 데에는 마팅게일 이론이 중요한 역할을 한다.

이러한 확률 과정 기반의 주가 모형은 단순한 예측을 넘어, 금융 위험을 정량화하고 최적의 투자 전략을 수립하는 데 필수적인 이론적 틀을 제공한다. 현대 금융공학의 발전은 복잡한 확률 과정을 이해하고 계산하는 수학적 기법의 발전과 궤를 같이한다고 할 수 있다.

신호 처리 분야에서 확률 과정은 불확실성을 내포한 신호를 모델링하고 분석하는 핵심 도구로 사용된다. 특히 통신 시스템, 음성 처리, 영상 처리, 레이더 신호 분석 등에서 잡음과 무작위성을 수학적으로 기술하기 위해 광범위하게 적용된다.

잡음은 통상적으로 정규 분포를 따르는 백색 잡음으로 모델링되며, 이는 브라운 운동이나 가우시안 과정과 같은 확률 과정으로 설명할 수 있다. 신호의 추정 및 필터링 문제, 예를 들어 칼만 필터는 이러한 확률 과정 모델을 기반으로 한다. 칼만 필터는 선형 동적 시스템의 상태를 잡음이 섞인 관측치로부터 추정하는 알고리즘으로, 시스템 모델과 관측 모델 모두에 확률 과정이 사용된다.

또한, 정상 과정 이론은 신호의 통계적 특성이 시간에 따라 변하지 않는다고 가정할 때 유용하며, 파워 스펙트럼 밀도 추정과 같은 주파수 영역 분석의 기초를 제공한다. 최근에는 기계 학습 분야와의 결합이 활발해지며, 가우시안 과정 회귀와 같은 비모수적 베이지안 방법이 신호 처리에 도입되고 있다.

생물정보학 및 유전학 분야에서 확률 과정은 유전체 서열의 진화, 유전자 발현의 변이, 생물학적 경로의 동역학과 같은 복잡한 생물학적 현상을 모델링하고 분석하는 핵심 도구로 활용된다. 특히, DNA 서열의 변이나 진화 과정은 시간에 따른 무작위적 변화로 간주될 수 있어, 연속 시간 마르코프 과정 등의 모형이 널리 적용된다. 예를 들어, 진화 모형에서는 뉴클레오타이드나 아미노산의 치환을 확률 과정으로 표현하여 종 간의 계통 발생 관계를 추정하거나 분자 시계를 계산하는 데 사용한다.

유전체학과 전사체학에서도 확률 과정 기반 모델이 중요하다. 유전자 발현 데이터는 본질적으로 잡음을 포함하며, 세포 집단 내에서 또는 시간에 따라 변동성을 보인다. 이러한 확률적 변동을 설명하기 위해 확률 미분방정식으로 표현되는 확산 과정이나 포아송 과정을 이용한 모델이 개발되어 왔다. 단일 세포 RNA 시퀀싱 데이터 분석에서 세포 상태의 전이를 모델링하는 데에도 마르코프 과정이 적용된다.

또한, 생물정보학의 실용적 문제인 서열 정렬, 유전자 예측, 단백질 구조 예측 등에는 은닉 마르코프 모델과 같은 이산 시간 확률 과정이 기반 알고리즘으로 자주 쓰인다. 이러한 모델들은 관찰 가능한 생물학적 서열 뒤에 숨겨진 상태(예: 유전자 부위, 단백질 2차 구조)의 확률적 전이를 추론하는 데 유용하다. 따라서 확률 과정 이론은 생명 현상의 불확실성을 정량화하고, 방대한 생물학적 데이터로부터 의미 있는 정보를 추출하는 데 필수적인 수학적 언어를 제공한다고 할 수 있다.