함수의 증가와 감소 (Increasing and Decreasing Function)

한 줄 정의: x값이 커질 때 함숫값 y도 함께 커지면 증가, 반대로 y가 작아지면 감소라고 부르는, 그래프의 오르내림을 나타내는 성질입니다.

쉽게 풀면

등산로를 걷는다고 생각해보면 쉽습니다. 오른쪽(x가 커지는 방향)으로 걸어갈 때 길이 계속 오르막이면 그 구간에서 함수는 "증가"하고 있는 것이고, 내리막이면 "감소"하고 있는 것입니다. 이차함수 그래프처럼 포물선 모양이면 꼭짓점을 기준으로 한쪽은 감소하다가 다른 쪽은 증가하는 식으로 구간마다 다르게 나타날 수 있습니다. 그래프를 왼쪽에서 오른쪽으로 손가락으로 따라가며 위로 가는지 아래로 가는지 확인하면 바로 판단할 수 있습니다.

왜 중요한가

함수의 증가와 감소는 최적화, 미분방정식, 경제모형 등 다양한 분야의 논문에서 값의 방향성을 설명하는 가장 기초적인 도구입니다. 어떤 값이 시간이나 조건에 따라 늘어나는지 줄어드는지를 밝히는 것은 곧 시스템의 안정성, 수렴성, 효율성을 논증하는 출발점이 되기 때문입니다. 특히 극값이나 변곡점을 찾기 전 단계로서 함수의 증감을 구간별로 분석하는 과정은 거의 모든 정량적 논문에서 반복적으로 등장합니다.

논문에서는 이렇게 쓰입니다

"해당 구간에서 목적함수가 단조 증가함을 보임으로써, 제안된 알고리즘이 지역 최적해가 아닌 전역 최적해로 수렴함을 증명하였다."

최적화나 알고리즘 분석 논문에서는 함수가 특정 구간에서 계속 증가(혹은 감소)한다는 성질을 이용해, 값이 한 방향으로만 움직인다는 것을 근거로 수렴성이나 유일성을 증명하는 데 활용됩니다.

"감염재생산수가 임계값 이하로 떨어지는 구간에서 감염자 수 함수가 단조 감소함을 확인하였으며, 이는 방역 조치의 효과를 뒷받침한다."

역학 모형을 다루는 논문에서는 감염자 수와 같은 시계열 값이 특정 구간에서 계속 줄어드는지를 확인함으로써, 정책이나 개입의 효과를 정량적으로 뒷받침하는 근거로 사용합니다.

"손실함수가 학습률 감소 스케줄 하에서 에폭이 진행됨에 따라 단조 감소함을 실험적으로 관찰하였다."

머신러닝 논문에서는 학습 과정 중 손실함수 값이 반복(에폭)이 진행될수록 꾸준히 줄어드는지를 관찰하여, 학습이 안정적으로 진행되고 있는지를 판단하는 근거로 씁니다.

조금 더 깊게 보면

함수의 증가와 감소를 엄밀히 판단할 때는 도함수의 부호를 이용하는 경우가 많습니다. 도함수가 양수인 구간에서는 함수가 증가하고, 음수인 구간에서는 감소한다는 성질을 이용해 증감표를 작성하는 것이 표준적인 방법입니다. 여러 변수를 다루는 논문에서는 단조성(monotonicity)이라는 표현으로 이 개념을 일반화하며, 엄격하게 증가하는지(strictly increasing) 혹은 감소하지 않는(non-decreasing) 수준인지를 구분하기도 합니다.

주의할 점

함수의 증가와 감소는 그래프 전체가 아니라 특정 구간을 기준으로 판단해야 합니다. 이차함수처럼 구간에 따라 증가와 감소가 바뀌는 경우가 많으므로, 어느 구간에서 증가하고 어느 구간에서 감소하는지 정의역과 치역을 함께 확인하는 것이 중요합니다.