IQ Lab
← all posts
AI 2026.04.28 · 12 min read Advanced

브라운 운동은 왜 이토 적분을 강제하는가

연속이지만 어디서도 미분불가능한 브라운 운동의 4가지 공리부터 이차변분 $(dB)^2 = dt$까지, SDE 이론의 필연성을 추적한다.

📚 Stochastic Processes Deep Dive 6 / 7
  1. 01 확률과정을 정의한다는 것은 무엇인가
  2. 02 마르코프 체인의 네 가지 얼굴 — 전이행렬에서 에르고딕 정리까지
  3. 03 Poisson 과정은 왜 세 가지 얼굴을 가지는가
  4. 04 연속시간 마르코프 체인의 통일 원리 — Q-matrix에서 정상분포까지
  5. 05 마팅게일은 왜 현대 AI 이론의 언어인가
  6. 06 브라운 운동은 왜 이토 적분을 강제하는가
  7. 07 MCMC는 왜 복잡한 분포에서도 작동하는가

브라운 운동(BM)은 연속이다. 그런데 어떤 점에서도 미분이 존재하지 않는다. 이 역설이 단순한 수학적 기이함이 아니라, DDPM·Score-SDE·Langevin dynamics 전체를 떠받치는 이토 적분의 존재 이유다. 왜 네 가지 공리의 조합이 이 역설을 낳고, 그 역설이 어떻게 SDE 이론 전체를 강제하는가?

네 공리가 만드는 유일한 과정

표준 BM {Bt}t≥0\{B_t\}_{t \geq 0}는 네 공리로 정의된다.

  • (B1) B0=0B_0 = 0
  • (B2) 독립증분: 겹치지 않는 구간의 증분이 서로 독립
  • (B3) Bt−Bs∼N(0,t−s)B_t - B_s \sim \mathcal{N}(0, t-s) for s<ts < t
  • (B4) 경로 t↦Bt(ω)t \mapsto B_t(\omega)가 거의 확실히 연속

이 네 공리의 조합이 BM을 유일하게 결정한다. (B2)+(B3)만으로는 경로의 연속성이 보장되지 않으므로 (B4)를 명시적으로 요구하거나, Kolmogorov 연속성 정리로 유도해야 한다.

공분산 구조는 공리에서 직접 따라온다. s≤ts \leq t에 대해 Bt=Bs+(Bt−Bs)B_t = B_s + (B_t - B_s)이고 독립증분으로 Bs⊥(Bt−Bs)B_s \perp (B_t - B_s)이므로

E[BsBt]=E[Bs2]+E[Bs]E[Bt−Bs]=s.\mathbb{E}[B_s B_t] = \mathbb{E}[B_s^2] + \mathbb{E}[B_s]\mathbb{E}[B_t - B_s] = s.

대칭성으로 E[BsBt]=min⁡(s,t)\mathbb{E}[B_s B_t] = \min(s, t). BM은 이 커널을 가진 Gaussian process다.

자기유사성도 공리의 귀결이다. Xt:=c−1/2BctX_t := c^{-1/2} B_{ct}로 정의하면 네 공리를 모두 만족하므로

{c−1/2Bct}t≥0=d{Bt}t≥0.\{c^{-1/2} B_{ct}\}_{t \geq 0} \stackrel{d}{=} \{B_t\}_{t \geq 0}.

스케일링 지수 1/21/2가 이후 Hölder 지수·이차변분·Hausdorff 차원 전부를 지배한다.

존재성: Lévy의 Haar 기저 구성

공리의 무모순성은 명시적 구성으로 증명한다. L2[0,1]L^2[0,1]의 Haar orthonormal basis {hn,k}\{h_{n,k}\}와 이를 적분한 Schauder tent 함수 Φn,k=∫0thn,k(s) ds\Phi_{n,k} = \int_0^t h_{n,k}(s)\,ds를 도입한다. iid N(0,1)\mathcal{N}(0,1) 계수 ξ0,ξn,k\xi_0, \xi_{n,k}로

Bt:=ξ0t+∑n=0∞∑k=02n−1ξn,k Φn,k(t).B_t := \xi_0 t + \sum_{n=0}^\infty \sum_{k=0}^{2^n - 1} \xi_{n,k}\,\Phi_{n,k}(t).

Parseval 항등식이 공분산 min⁡(s,t)\min(s,t)를 보장하고, Gaussian의 지수 꼬리 감쇠가 Borel-Cantelli를 통해 급수의 균등 수렴을 준다.

sup⁡t∣Zn(t)∣≤C n1/2 2−n/2,∑nn1/22−n/2<∞.\sup_t |Z_n(t)| \leq C\,n^{1/2}\,2^{-n/2}, \quad \sum_n n^{1/2} 2^{-n/2} < \infty.

균등 수렴의 극한은 연속 함수다. 이것이 경로 연속성 (B4)의 수학적 뿌리다. Lévy 구성은 wavelet 기반 시뮬레이션, Gaussian process의 Karhunen-Loève 전개, fractional BM 구성 전부의 원형이기도 하다.

CLT의 경로 버전: Donsker 불변원리

iid ξk\xi_k, Eξ=0\mathbb{E}\xi=0, Var ξ=1\text{Var}\,\xi=1의 random walk Sn=∑k=1nξkS_n = \sum_{k=1}^n \xi_k를 rescale하면

X(n)(t):=1nS⌊nt⌋→dBtin C[0,1].X^{(n)}(t) := \frac{1}{\sqrt{n}} S_{\lfloor nt \rfloor} \xrightarrow{d} B_t \quad \text{in } C[0,1].

증명의 두 축은 유한차원 분포의 수렴(다변량 CLT)과 tightness(Kolmogorov continuity로 4차 moment 통제)다. Prokhorov 정리가 이 둘을 묶어 C[0,1]C[0,1]에서의 약수렴을 준다.

핵심은 **불변원리(invariance principle)**다. ξk\xi_k의 구체적 분포가 무엇이든 극한은 항상 같은 BM이다. 이 universality가 DDPM → Score-SDE 이행의 수학적 근거다. DDPM의 이산 Markov chain이 step 수 T→∞T \to \infty에서 VP-SDE로 수렴하는 것, ResNet이 Neural ODE의 극한인 것, SGD가 Langevin SDE의 극한인 것 모두 Donsker 원리의 instance다.

✎ 트레이드오프

Donsker는 정성적 수렴(분포)만 보장한다. 수렴 속도는 별도다. DDIM·DPM-Solver 같은 fast sampler가 필요한 이유가 여기 있다 — 이산화 오차가 작은 step 수에서 무시할 수 없기 때문이다.

비미분 가능성과 이차변분의 대조

Paley-Wiener-Zygmund 정리: BM 경로는 거의 확실히 어디에서도 미분 불가능하다.

직관은 단순하다. 증분 (Bt−Bt0)/(t−t0)∼N(0,1/(t−t0))(B_t - B_{t_0})/(t - t_0) \sim \mathcal{N}(0, 1/(t-t_0))의 분산이 t→t0t \to t_0에서 발산한다. Lévy의 연속성 모듈러스가 이를 정량화한다.

lim sup⁡t→0+Bt2tlog⁡log⁡(1/t)=1a.s.\limsup_{t \to 0^+} \frac{B_t}{\sqrt{2t\log\log(1/t)}} = 1 \quad \text{a.s.}

1/21/2-Hölder bound CtC\sqrt{t}를 log 인자가 초과하므로 BM은 정확히 1/2−ϵ1/2 - \epsilon Hölder지 1/21/2 Hölder가 아니다. 경로의 Hausdorff 차원은 3/23/2다.

비미분 가능성의 양적 귀결이 이차변분이다. partition π\pi에 대해

[B]tπ:=∑i(Bti+1−Bti)2.[B]_t^\pi := \sum_i (B_{t_{i+1}} - B_{t_i})^2.
정리 1 · 이차변분의 $L^2$ 수렴

∣π∣→0|\pi| \to 0일 때 [B]tπ→t[B]_t^\pi \to t in L2L^2.

▷ 증명

E[(Bti+1−Bti)2]=ti+1−ti\mathbb{E}[(B_{t_{i+1}} - B_{t_i})^2] = t_{i+1} - t_i이므로 E[[B]tπ]=t\mathbb{E}[[B]_t^\pi] = t. 독립증분과 Gaussian의 4차 모멘트 공식 Var(Z2)=2σ4\text{Var}(Z^2) = 2\sigma^4을 적용하면

Var([B]tπ)=2∑i(ti+1−ti)2≤2∣π∣⋅t→0.\text{Var}([B]_t^\pi) = 2\sum_i (t_{i+1} - t_i)^2 \leq 2|\pi| \cdot t \to 0.

따라서 E[([B]tπ−t)2]→0\mathbb{E}[([B]_t^\pi - t)^2] \to 0. □\square

∎

smooth 함수의 이차변분은 0이다. BM의 이차변분이 양의 결정론적 값 tt로 수렴한다는 것이 non-smoothness의 정확한 양적 표현이다. 1차변분은 ∞\infty로 발산하고 2차변분은 tt로 수렴한다는 이 대조가 BM의 고유한 스케일링 질서다.

이차변분의 귀결이 (dB)2=dt(dB)^2 = dt 라는 치환이다. 이토 공식

df(Bt)=f′(Bt) dBt+12f′′(Bt) dtdf(B_t) = f'(B_t)\,dB_t + \frac{1}{2}f''(B_t)\,dt

의 두 번째 항은 Taylor 전개에서 (ΔB)2(\Delta B)^2을 Δt\Delta t로 치환한 결과다. BM이 유한변동이라면 이 항은 사라진다. BM이 유한변동이 아니기 때문에 이 항이 살아남고, 그래서 이토 공식은 고전 미적분과 다르다.

반사원리: 최대값과 첫 도달시각

BM의 강한 Markov 속성이 반사원리를 준다.

정리 2 · 반사원리

a>0a > 0에 대해 P(max⁡s≤tBs≥a)=2P(Bt≥a)\mathbb{P}(\max_{s \leq t} B_s \geq a) = 2\mathbb{P}(B_t \geq a).

▷ 증명

{Mt≥a}={τa≤t}\{M_t \geq a\} = \{\tau_a \leq t\}로 분해한다. τa\tau_a 이후 경로를 aa에 대해 반사한 B~\tilde{B}도 표준 BM이다(강한 Markov). {Mt≥a,Bt<a}\{M_t \geq a, B_t < a\}는 반사 경로에서 {B~t>a}\{\tilde{B}_t > a\}에 해당하므로

P(Mt≥a)=P(Bt≥a)+P(Bt>a)=2P(Bt≥a).□\mathbb{P}(M_t \geq a) = \mathbb{P}(B_t \geq a) + \mathbb{P}(B_t > a) = 2\mathbb{P}(B_t \geq a). \quad \square
∎

첫 도달시각 τa=inf⁡{t:Bt=a}\tau_a = \inf\{t : B_t = a\}의 밀도는 반사원리에서 직접 유도된다.

fτa(t)=a2πt3 e−a2/(2t),t>0.f_{\tau_a}(t) = \frac{a}{\sqrt{2\pi t^3}}\,e^{-a^2/(2t)}, \quad t > 0.

이는 Lévy 분포다. E[τa]=∞\mathbb{E}[\tau_a] = \infty — heavy tail. BM은 언젠가 반드시 aa에 도달하지만 평균 도달 시간은 무한하다.

정리

  • BM은 네 공리 — B0=0B_0=0, 독립증분, N(0,t−s)\mathcal{N}(0,t-s) 증분, 연속 경로 — 가 결정하는 유일한 Gaussian process다. 공분산 min⁡(s,t)\min(s,t)와 자기유사성 지수 1/21/2가 모든 성질의 근원이다.
  • Lévy의 Haar 기저 구성은 BM의 존재성을 보증하며, Gaussian 꼬리의 지수 감쇠가 급수의 균등 수렴을 강제한다.
  • Donsker 불변원리는 분포 무관의 universality를 확립한다. DDPM → Score-SDE, ResNet → Neural ODE, SGD → Langevin SDE가 모두 이 연속 극한의 사례다.
  • BM 경로는 어디서도 미분 불가능하고 무한변동을 가진다. 이차변분은 결정론적 tt로 수렴한다. 이 구조가 (dB)2=dt(dB)^2 = dt를
# brownian-motion # stochastic-calculus # diffusion-models # sde # quadratic-variation