Véletlenszerű grafikon
A matematika , a véletlen gráf egy grafikon , amely által generált véletlenszerű folyamat . A véletlenszerű grafikonok első modelljét Erdős Paul és Rényi Alfréd népszerűsítette az 1959 és 1968 között megjelent cikksorozatban.
Erdős és Rényi két alapmodellje
Erdős és Rényi modellje valójában két modellt hoz össze, formailag különbözőek, de szorosan kapcsolódnak egymáshoz. Mindkét modellben
- a csúcsok halmaza {1, 2, 3, ..., n }, amelyet a következők jelölnek ; [[nem]]{\ displaystyle \ [\! [n] \!]}
- a potenciálisan jelen lévő élek az n ( n –1) / 2 kételemes részei ; Ezeknek az éleknek a halmazát néha megjegyzik , J- t azonban tipográfiai kényelem és a Harris-egyenlőtlenségről szóló cikkel való összhang érdekében meg kell jegyezni . [[nem]]{\ displaystyle \ [\! [n] \!]}([[nem]]2).{\ displaystyle {[\! [n] \!] \ select 2}.}
- így a véletlenszerű gráf irányítatlan , és nincs hurka vagy több éle .
A binomiális véletlenszerű gráf
Ebben a modellben gyakran az n ( n –1) / 2 él mindegyike p valószínűséggel van jelen, 1- p valószínűséggel hiányzik , függetlenül a többi él állapotától. A p = 0,5 esetet Erdős már 1947-ben tanulmányozta. Az élek N p száma követi az n ( n –1) / 2 és p paraméterek binomiális eloszlását .
G(nem,o),{\ displaystyle \ mathbb {G} (n, p),}G(nem,o){\ displaystyle \ mathbb {G} (n, p)}
Az egységes véletlenszerű grafikon
Ebben a gyakran megjegyzett modellben az M élek egy részhalmazát egységesen választják ki a lehetséges n ( n – 1) / 2 él közül. Amikor egy grafikon G a n pontú M élek, a valószínűsége, hogy a G adják
G(nem,M),{\ displaystyle \ mathbb {G} (n, M),}
P(G) = 1((nem2)M).{\ displaystyle \ mathbb {P} (G) \ = \ {\ frac {1} {{n \ select 2} \ select M}}.}
Ezt a modellt tanulmányozzák elsősorban Erdős és Rényi által 1959 és 1968 között megjelent alapvető cikkek sorozatában.
G(nem,M){\ displaystyle \ mathbb {G} (n, M)}
A két véletlenszerű folyamat grafikonértékekkel
- Kiindulhatunk egy élek nélküli, ezért teljesen leválasztott gráfról, és hozzáadhatunk egy véletlenszerűen rajzolt élt egységesen, majd még egyet stb. , csere nélkül. Így egyre növekvő szekvenciát kapunk (az élek halmazának beillesztése szempontjából) 1 + n ( n –1) / 2 véletlen gráfból, amely diszkrét időfolyamatot képez, a gráfhalmaz értékeivel. . A szekvencia minden eleme egy egységes véletlenszerű gráf, amelyet az előző szakasz definiált. Ennek a konstrukciónak az az előnye, hogy különböző véletlenszerű, különböző M paraméterű grafikonokat látunk egymás mellett , ugyanazon a valószínűsített téren, és így képesek összehasonlítani jellemzőiket, nem átlagként vagy törvényileg, hanem a valószínűsített tér minden ω eleméhez . tekinthető. Ez lehetővé teszi az összekapcsolódással az érvelést.{G(nem,M)}0≤M≤nem(nem-1)/2,{\ displaystyle \ {\ mathbb {G} (n, M) \} _ {0 \ leq M \ leq n (n-1) / 2},}
- Azt is társítani minden éle e a J valószínűségi változó T e , az az él súlyát úgy, hogy a család ( T e ) e ∈ J egy családi valószínűségi változók IID, például egy egységes jogi on l ' intervallum [0, 1]. Ezután jelöljük azt a gráfot, amelyet azok az élek alkotnak, amelyek súlya kisebb, mint p . Minden élnél ez valószínűséggel történikG(nem,o){\ displaystyle \ mathbb {G} (n, p)}
P(Te≤o) = o.{\ displaystyle \ mathbb {P} (T_ {e} \ leq p) \ = \ p.}
Így egyre nagyobb véletlenszerű gráfcsaládot kapunk, amely folyamatos időfolyamatot képez, az értékekkel a gráfhalmazban. Ez a család növekszik az élek halmazának beillesztése szempontjából: egy e él benne van, mivel a
gráfcsalád minden egyes eleme
binomiális véletlen gráf, amelyet korábban definiáltunk.
{G(nem,o)}0≤o≤1,{\ displaystyle \ {\ mathbb {G} (n, p) \} _ {0 \ leq p \ leq 1},}G(nem,o){\ displaystyle \ mathbb {G} (n, p)}G(nem,o+ε), ε>0,{\ displaystyle \ mathbb {G} (n, p + \ varepsilon), \ \ varepsilon> 0,}{Te≤o} ⇒ {Te≤o+ε}.{\ displaystyle \ {T_ {e} \ leq p \} \ \ Rightarrow \ \ {T_ {e} \ leq p + \ varepsilon \}.}Metafora. A gráf csúcsait úgy tudjuk elképzelni, mint n szigetet egy tónál, amely kommunikál a gyaloghidak ( e élek) segítségével, amelyek a megfelelő T e mélységekbe merülneka víz felszíne alatt. Ha a tó fokozatosan kiürül a vizéből, látni fogjuk, hogy a hidak fokozatosan kialakulnak, és a kapcsolódó összetevők egyre több szigetet hoznak létre.
Kapcsolatok a két modell között
A Central Limit tétel vagy Hoeffding egyenlőtlensége alapján a binomiális eloszlás nagyon a várakozása köré koncentrálódik. Pontosabban az élek száma N p egy véletlen gráf törvény tehát nagyon közel , különösen, ha ez utóbbi mennyiség nagy előtt n : sőt,
G(nem,o){\ displaystyle \ mathbb {G} (n, p)}M^=⌊o (nem2)⌋{\ displaystyle {\ hat {M}} = \ bal \ lfloor p \ {n \ select 2} \ right \ rfloor}M^{\ displaystyle {\ hat {M}}}
∀t>0,P(|NEMo-M^|≥tnem) ≤ 2e-2t2.{\ displaystyle \ forall t> 0, \ qquad \ mathbb {P} \ left (\ left | N_ {p} - {\ hat {M}} \ right | \ geq tn \ right) \ \ leq \ 2 \, \ mathrm {e} ^ {- 2t ^ {2}}.}
Sőt, annak a feltételes eloszlása, hogy tudjuk, hogy N p = M pontosan ezért van, ha M közel van , vagy ekvivalensen, ha
G(nem,o){\ displaystyle \ \ mathbb {G} (n, p)}G(nem,M).{\ displaystyle \ mathbb {G} (n, M).}M^{\ displaystyle {\ hat {M}}}
o≃2Mnem(nem-1),{\ displaystyle p \ simeq {\ frac {2M} {n (n-1)}},}
általánosan elfogadott (és gyakran kimutatható), hogy a két modell , és nagyon hasonló tulajdonságokkal rendelkeznek.
G(nem,o){\ displaystyle \ mathbb {G} (n, p)}G(nem,M){\ displaystyle \ mathbb {G} (n, M)}
Továbbhaladva, Jelöljük T ( k ) a k -edik értéke a szekvencia egyszer ezt az utolsó szekvencia van elhelyezve emelkedő sorrendben: a szekvencia az úgynevezett szekvenciáját rendstatisztikák szekvencia Amikor p veszi a véletlen értéket T ( M ) , akkor pontosan
alátámasztása korábbi megfigyelésekkel, vegye figyelembe, hogy a T ( M ) nagyon közel van , abban az értelemben, hogy ennek következtében a híres eredményeit Donsker és Kolmogorov a valószínűsége,
(Te)e∈J{\ displaystyle (T_ {e}) _ {e \ J} -ben}(T(k))1≤e≤nem(nem-1)/2{\ displaystyle (T _ {(k)}) _ {1 \ leq e \ leq n (n-1) / 2}}(Te)e∈J.{\ displaystyle (T_ {e}) _ {e \ J-ben.}G(nem,T(M)){\ displaystyle \ mathbb {G} (n, T _ {(M)})}G(nem,M).{\ displaystyle \ mathbb {G} (n, M).}2M/nem(nem-1),{\ displaystyle 2M / n (n-1),}
φnem(x)=P(sup1≤M≤nem(nem-1)/2{|T(M)-2Mnem(nem-1)|}≥x2nem){\ displaystyle \ varphi _ {n} (x) = \ mathbb {P} \ left (\ sup _ {1 \ leq M \ leq n (n-1) / 2} \ left \ {| T _ {(M )} - {\ tfrac {2M} {n (n-1)}} | \ right \} \ geq {\ tfrac {x {\ sqrt {2}}} {n}} \ right)}
elégedett
exp(-2x2) ≤ lim infnemφnem(x) ≤ lim supnemφnem(x) ≤ 2∑r=1+∞(-1)r-1exp(-2r2x2),{\ displaystyle \ exp (-2x ^ {2}) \ \ leq \ \ liminf _ {n} \ varphi _ {n} (x) \ \ leq \ \ limsup _ {n} \ varphi _ {n} (x ) \ \ leq \ 2 \ sum _ {r = 1} ^ {+ \ infty} (- 1) ^ {r-1} \ exp (-2r ^ {2} x ^ {2}),}
Az 1 st és 4 -én feltételek jönnek a farok eloszlásának a Rayleigh és Kolmogorov törvények , rendre: Összefoglalva, a szuprémum (ha M változik) a hibák nagyságrendű 1 / n .
|T(M)-2M/nem(nem-1)|{\ displaystyle | T _ {(M)} - 2M / n (n-1) |}
Rend és növekedés
A grafikon az élek J halmazának részeként tekinthető meg , tehát a valószínűségi tér itt Ω a J összes része , amely időnként azonosítani tudja a {0,1} J értéket . Ez az azonosítás különösen akkor hasznos, amikor Harris egyenlőtlenségét akarjuk alkalmazni .
- Az inklúzió részleges sorrend reláció az Ω-on.
- Szokás szerint az Ω-on definiált X térkép , valós értékekkel, növekszik, ha
{ω≤ω′}⇒{x(ω)≤x(ω′)}.{\ displaystyle \ {\ omega \ leq \ omega ^ {\ prime} \} \ quad \ Rightarrow \ quad \ {X (\ omega) \ leq X (\ omega ^ {\ prime}) \}.}
- Egy része egy az Ω azt mondják, hogy egyre nagyobb , ha
{ω≤ω′ és ω∈NÁL NÉL}⇒{ω′∈NÁL NÉL}.{\ displaystyle \ {\ omega \ leq \ omega ^ {\ prime} \ {\ text {et}} \ \ omega \ in A \} \ quad \ Rightarrow \ quad \ {\ omega ^ {\ prime} \ in A \}.}
Ezzel egyenértékűen azt mondják, hogy az Ω A része növekszik, ha a
mutató funkciója növekszik.
- Az alkalmazás vagy alkatrész bomlási tulajdonságának analóg meghatározása van.
Példák:
A grafikon tulajdonságai és paraméterei között
- az összekapcsoltság növekszik, azaz az a része egy az Ω alkotja az összes csatlakoztatott grafikonok, egyre nagyobb része Ω: ha hozzá egy él egy összefüggő gráf, a grafikon így kapott még csatlakoztatva;
- csökken a síkosság : ha egy síkot elveszítünk egy élről, akkor az így kapott gráf továbbra is sík;
- a kromatikus szám növekszik;
- a stabilitás száma csökken;
- a háromszög nélküli tulajdonság csökken.
A következő egyenlőtlenségek vannak bennünk:
Harris-egyenlőtlenség - A binomiális véletlenszerű gráf keretében
- vagyis két véletlen változó, X és Y, amelyek Ω-ra nőnek. Így
E[xY]≥E[x]E[Y];{\ displaystyle \ mathbb {E} [XY] \ geq \ mathbb {E} \ bal [X \ jobb] \ mathbb {E} [Y] \,;}
- vagyis két növekvő Ω A és B rész . Így
P(NÁL NÉL∩B)≥P(NÁL NÉL)P(B).{\ displaystyle \ mathbb {P} (A \ cap B) \ geq \ mathbb {P} (A) \ mathbb {P} (B).}
Megjegyzések:
- Ez azt jelenti, hogy pozitív összefüggés van az érintett változók között, mivel az első egyenlőtlenséget a kovariancia segítségével a következő formában tudjuk megfogalmazni :
Cov(x,Y) ≥ 0.{\ displaystyle {\ text {Cov}} \ bal (X, Y \ jobb) \ \ geq \ 0.}
- Az egyenlőtlenség a csökkenő változók vagy részek esetében is érvényes, de az egyenlőtlenségek jelentése akkor változik, ha az érintett változóknak vagy részeknek ellentétes jelentése van az egyhangúsággal.
Kapcsolódás
A csatlakozási küszöb
Tétel (Erdős, Rényi, 1960) - Legyen a n = np ( n ) - ln n , vagy ismét:
o(nem) = lnnemnem+nál nélnemnem.{\ displaystyle p (n) \ = \ {\ frac {\ ln n} {n}} \, + \, {\ frac {a_ {n}} {n}}.}
- Ha akkorlimnemnál nélnem=+∞,{\ displaystyle \ lim _ {n} a_ {n} = + \ infty,}limnemP(G(o(nem),nem) est vs.onemnemexe)=1.{\ displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ ~ related} \ right) = 1.}
- Ha akkorlimnemnál nélnem=-∞,{\ displaystyle \ lim _ {n} a_ {n} = - \ infty,}limnemP(G(o(nem),nem) est vs.onemnemexe)=0.{\ displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ ~ related} \ right) = 0.}
Azt mondjuk, hogy az ln ( n ) / n egy keskeny küszöbérték a kapcsolati tulajdonságra, a szűkség arra utal, hogy a tulajdonság akkor is elégedett, ha szigorúan kevésbé gyorsan hajlamos a végtelenbe, mintnál nélnem{\ displaystyle a_ {n}}lnnem.{\ displaystyle \ ln n.}
Demonstráció
Adunk magunknak egy véletlenszerű G n gráfot törvényszerűséggel és egy véletlenszerű gráfot a törvénnyel. A tétel a kettős-exponenciális tételből következik , amely maga következik az elkülönített pontok következő szakaszban végzett felsorolásából . A kapcsolat egyre növekvő tulajdonság , ezért amint n elég nagy ahhoz
G(o(nem),nem){\ displaystyle \ mathbb {G} \ bal (p (n), n \ jobb)}G~nem{\ displaystyle {\ tilde {G}} _ {n}}G(o~(nem),nem).{\ displaystyle \ mathbb {G} \ bal ({\ tilde {p}} (n), n \ jobb).}
o(nem) = lnnemnem+nál nélnemnem≥lnnemnem+vs.nem+ε(nem)nem = o~(nem),{\ displaystyle p (n) \ = \ {\ frac {\ ln n} {n}} \, + \, {\ frac {a_ {n}} {n}} \ quad \ geq \ quad {\ frac { \ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {n}} \ = \ {\ tilde {p}} (n),}
nekünk is van
P(Gnem est vs.onemnemexe)≥P(G~nem est vs.onemnemexe).{\ displaystyle \ mathbb {P} \ balra (G_ {n} \ mathrm {~ ~ kapcsolódó} \ jobbra) \ geq \ mathbb {P} \ balra ({\ tilde {G}} _ {n} \ mathrm { ~ a ~ kapcsolatos} \ helyes).}
Sőt, még akkor is, ha ugyanazokat az iid azonos változókat kell létrehozni és használni ugyanazon az Ω valószínűségi téren, amint azt a „A két véletlenszerű folyamat gráfértékekkel” szakaszban jelezzük , Ω összes ω- jára
Gnem{\ displaystyle G_ {n}}G~nem{\ displaystyle {\ tilde {G}} _ {n}}(Ue)e∈J{\ displaystyle (U_ {e}) _ {e \ J} -ben}
Gnem(ω)⊃G~nem(ω),{\ displaystyle G_ {n} (\ omega) \ supset {\ tilde {G}} _ {n} (\ omega),}
ebből kifolyólag
{G~nem(ω) összefügg}⇒{Gnem(ω) est vs.onemnemexe},{\ displaystyle \ left \ {{\ tilde {G}} _ {n} (\ omega) {\ text {is related}} \ right \} \ Rightarrow \ left \ {G_ {n} (\ omega) \ mathrm {~ ~ kapcsolatos} \ helyes \},}
és
P(G~nem est vs.onemnemexe)≤P(Gnem est vs.onemnemexe).{\ displaystyle \ mathbb {P} \ balra ({\ tilde {G}} _ {n} \ mathrm {~ ~ kapcsolódó} \ jobbra) \ leq \ mathbb {P} \ balra (G_ {n} \ mathrm { ~ a ~ kapcsolatos} \ helyes).}
Ha ebből következik, bármely valós c szám esetén
limnemnál nélnem=+∞,{\ displaystyle \ lim _ {n} a_ {n} = + \ infty,}
lim infnemP(G(o(nem),nem) est vs.onemnemexe)≥e-e-vs.,{\ displaystyle \ liminf _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ ~ related} \ right) \ geq \ mathrm { e} ^ {- \ mathrm {e} ^ {- c}},}
vagy akár
lim infnemP(G(o(nem),nem) est vs.onemnemexe)≥sup{e-e-vs.|vs.∈R} = 1.{\ displaystyle \ liminf _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ ~ related} \ right) \ geq \ sup \ bal \ {\ mathrm {e} ^ {- \ mathrm {e} ^ {- c}} \, | \, c \ in \ mathbb {R} \ right \} \ = \ 1.}
Másrészt, ha ekkor n elég nagyra, akkor minden ω -ra és
limnemnál nélnem=-∞,{\ displaystyle \ lim _ {n} a_ {n} = - \ infty,}Gnem(ω)⊂G~nem(ω),{\ displaystyle G_ {n} (\ omega) \ subset {\ tilde {G}} _ {n} (\ omega),}
P(G~nem est vs.onemnemexe)≥P(Gnem est vs.onemnemexe).{\ displaystyle \ mathbb {P} \ balra ({\ tilde {G}} _ {n} \ mathrm {~ ~ kapcsolódó} \ jobbra) \ geq \ mathbb {P} \ balra (G_ {n} \ mathrm { ~ a ~ kapcsolatos} \ helyes).}
Így bármely c valós szám esetén
lim supnemP(G(o(nem),nem) est vs.onemnemexe)≤inf{e-e-vs.|vs.∈R} = 0.{\ displaystyle \ limsup _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ ~ related} \ right) \ leq \ inf \ bal \ {\ mathrm {e} ^ {- \ mathrm {e} ^ {- c}} \, | \, c \ in \ mathbb {R} \ right \} \ = \ 0.}
Elszigetelt pontok felsorolása
Könnyebb (nagyobb valószínűséggel), hogy sikerül vágás a n - 1 közötti kapcsolatokat egy pont és annak komplementere, mint a k ( n - k ) közötti kapcsolatokat egy csoportja K pontok és annak komplementere, mert a függvény F ( k ) = A k ( n - k ) nagyon gyorsan növekszik 1 körül, ezért a k növekedésével sokkal több élt kell kivágni, és sokkal kisebb a valószínűsége, hogy mindegyiket sikeresen levágja. Következésképpen, ha a p paramétert a fentiekben választjuk meg , a G ( n , p ) gráf „szinte csak” nem lesz összekapcsolva, ha vannak elkülönített pontjai abban az értelemben, hogy a kapcsolat valószínűsége nagyon közel van a annak valószínűsége, hogy nincsenek elszigetelt pontok, ami megközelítőleg egyenlő az e –e - c-vel. Valójában a következő eredményt kapjuk:
P(xnem=0),{\ displaystyle \ mathbb {P} \ bal (X_ {n} = 0 \ jobb),}
Elszigetelt pontok (Erdős, Rényi, 1960). -
Tegyük fel, hogy
o~(nem) = lnnemnem+vs.nem+ε(nem)nem.{\ displaystyle {\ tilde {p}} (n) \ = \ {\ frac {\ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {nem}}.}
Ekkor a gráf izolált pontjainak X n száma törvényben konvergál az e - c paraméter Poisson-eloszlásához .
G(o~(nem),nem){\ displaystyle G \ bal ({\ tilde {p}} (n), n \ jobb)}
Demonstráció
A következőkben azt rövidíti a mi póz
G(o~(nem),nem){\ displaystyle G \ bal ({\ tilde {p}} (n), n \ jobb)}G~nem,{\ displaystyle {\ tilde {G}} _ {n},}
μ=e-vs..{\ displaystyle \ mu = \ mathrm {e} ^ {- c}.}
Let X n legyen száma izolált pontok Tudjuk, hogy
G~nem.{\ displaystyle {\ tilde {G}} _ {n}.}
xnem=Y1+Y2+⋯+Ynem,{\ displaystyle X_ {n} = Y_ {1} + Y_ {2} + \ pont + Y_ {n},}
vagy
Yén=1le sommet én est énsole".{\ displaystyle Y_ {i} = 1 _ {\ mathrm {a ~ csúcs ~} i \ mathrm {~ is ~ isol {\ akut {e}}}}.}
Használjuk a faktoriális pillanatok módszerét. Let I n , A lennie a beállított injekciókat a Minden[[1,nem]]{\ displaystyle [\! [1, n] \!]}NÁL NÉL.{\ displaystyle A.}r≥1,{\ displaystyle r \ geq 1,}
(xnem)r=(Y1+Y2+⋯+Ynem)r=∑φ∈énr,[[1,nem]] ∏én=1rYφ(én).{\ displaystyle (X_ {n}) _ {r} = (Y_ {1} + Y_ {2} + \ pont + Y_ {n}) _ {r} = \ sum _ {\ varphi \ I_ {r-ben, [\! [1, n] \!]}} \ \ Prod _ {i = 1} ^ {r} Y _ {\ varphi (i)}.}
Az előző összeg feltételei valóban megjelennek a bővítésben, de ezen kifejezéseken kívül ez a bővítés sok más, nyilvánvalóan ütköző kifejezést hoz fel. Valóban, akár
∏én=1rYφ(én){\ displaystyle \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)}}(Y1+Y2+⋯+Ynem)r,{\ displaystyle (Y_ {1} + Y_ {2} + \ pont + Y_ {n}) _ {r},}
E={nál nél∈[[1,nem]]|Ynál nél=1}.{\ displaystyle E = \ left \ {a \ in [\! [1, n] \!] \, | \, Y_ {a} = 1 \ right \}.}
Így
∀φ∈énr,[[1,nem]],∏én=1rYφ(én)=1φ∈énr,E,{\ displaystyle \ forall \, \ varphi \ I_ {r, [\! [1, n] \!]}, qquad \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i) } = 1 _ {\ varphi \ itt: I_ {r, E}},}
ebből kifolyólag
∑φ∈énr,[[1,nem]] ∏én=1rYφ(én) = |énr,E| = (|E|)r = (xnem)r.{\ displaystyle \ sum _ {\ varphi \ itt: I_ {r, [\! [1, n] \!]}} \ \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)} \ = \ | I_ {r, E} | \ = \ (| E |) _ {r} \ = \ (X_ {n}) _ {r}.}
Sőt, szimmetria alapján,
E[∏én=1rYφ(én)] = E[∏én=1rYén]=(1-o~(nem))r(nem-1)-r(r-1)/2,{\ displaystyle \ mathbb {E} \ left [\ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)} \ right] \ = \ \ mathbb {E} \ left [\ prod _ { i = 1} ^ {r} Y_ {i} \ right] = (1 - {\ tilde {p}} (n)) ^ {r (n-1) -r (r-1) / 2},}
ahol r ( n -1) az E csúcsából potenciálisan eredő élek száma , és ahol r ( r -1) / 2 az E két csúcsa közötti élek száma , azaz. azokat, amelyeket duplán számolunk az összes r-ben ( n -1) . Így
E[(xnem)r]=(nem)r(1-o~(nem))r(nem-1)-r(r-1)/2≃nemr(1-o~(nem))r(nem-1)=(nem(1-o~(nem))nem-1)r≃μr.{\ displaystyle {\ begin {aligned} \ mathbb {E} \ left [(X_ {n}) _ {r} \ right] & = (n) _ {r} (1 - {\ tilde {p}} ( n)) ^ {r (n-1) -r (r-1) / 2} \\ & \ simeq n ^ {r} (1 - {\ tilde {p}} (n)) ^ {r (n -1)} \\ & = \ balra (n (1 - {\ tilde {p}} (n)) ^ {n-1} \ jobbra) ^ {r} \\ & \ simeq \ mu ^ {r} . \ end {igazítva}}}
Ezért a pillanatok módszerével X n törvényben konvergál a Poisson-eloszláshoz μ paraméterrel , és
limP(xnem=0) = e-μ = e-e-vs..{\ displaystyle \ lim \ mathbb {P} \ bal (X_ {n} = 0 \ jobb) \ = \ \ mathrm {e} ^ {- \ mu} \ = \ \ mathrm {e} ^ {- \ mathrm { e} ^ {- c}}.}
Ez a tétel egy feltűnő illusztráció a Fish paradigma , hogy amikor sok lehetőséget, hogy tartsa egy esemény ritka ( azaz d. Nem valószínű), akkor az összes ritka események valóban megfigyelhető követ Poisson törvény .
A kettős exponenciális tétel
Erdős és Rényi pontosabb eredményre vezetnek, mint a keskeny küszöbérték:
Kettős exponenciális tétel (Erdős, Rényi, 1960) -
Tegyük fel, hogy
o~(nem) = lnnemnem+vs.nem+ε(nem)nem.{\ displaystyle {\ tilde {p}} (n) \ = \ {\ frac {\ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {nem}}.}
Így
limnemP(G(o~(nem),nem) est vs.onemnemexe)=e-e-vs..{\ displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left ({\ tilde {p}} (n), n \ right) \ mathrm {~ is ~ related} \ right ) = e ^ {- e ^ {- c}}.}
Demonstráció
Ha nincs elkülönített pont, és akkor kevés az esély arra, hogy ez más, mint összekapcsolt (vö. Spencer, 10 előadás véletlenszerű grafikonokon ). Valójában legyen B része a bírónak , és k legyen a bíborosa. Jelöljük a " B a kapcsolódó komponens " eseményt . Az esemény a
k k -2 valószínűségi részhalmaz (nem diszjunkt) egyesülésének tekinthető
xnem=0,{\ displaystyle X_ {n} = 0,} G~nem{\ displaystyle {\ tilde {G}} _ {n}}G~nem{\ displaystyle {\ tilde {G}} _ {n}}[[1,nem]]{\ displaystyle [\! [1, n] \!]}VSB{\ displaystyle {\ mathcal {C}} _ {B}} G~nem{\ displaystyle {\ tilde {G}} _ {n}}VSB{\ displaystyle {\ mathcal {C}} _ {B}}o~(nem)k-1(1-o~(nem))k(nem-k),{\ displaystyle {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)},}
ami a következő növekedéshez vezet:
P(VSB) ≤ kk-2o~(nem)k-1(1-o~(nem))k(nem-k).{\ displaystyle \ mathbb {P} ({\ mathcal {C}} _ {B}) \ \ leq \ k ^ {k-2} {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)}.}
Itt jelöljük az összekapcsolt gráf lehetséges átfedő fáinak számát, amelynek csúcsai a B elemei lennének , vagy egyenértékű módon akár egy k -1 élből álló család lehetséges választási lehetőségeinek számát, amely a B halmazt összefüggésbe hozza . Ezenkívül annak a valószínűsége, hogy a figyelembe vett átfogó fa k -1 széle valóban jelen van, és annak a valószínűsége, hogy nincs olyan él, amely összeköti a B csúcsát a B c csúcsával , olyan, hogy B , vagyis nem csak kapcsolódik , de a grafikon összekapcsolt részei között is maximális.
kk-2{\ displaystyle k ^ {k-2}}o~(nem)k-1{\ displaystyle {\ tilde {p}} (n) ^ {k-1}}(1-o~(nem))k(nem-k){\ displaystyle (1 - {\ tilde {p}} (n)) ^ {k (nk)}}
Az esemény
Dnem={xnem=0 mnál néléns G~nem nem′est onál néls vs.onemnemexe}{\ displaystyle D_ {n} = \ {X_ {n} = 0 \ mathrm {~ mais ~} {\ tilde {G}} _ {n} \ mathrm {~ n} ^ {\ prime} \ mathrm {est ~ nem ~ kapcsolódó} \}}
ellenőrzött
Dnem⊂⋃2≤|B|≤nem/2VSB.{\ displaystyle D_ {n} \ subset \ bigcup _ {2 \ leq | B | \ leq n / 2} {\ mathcal {C}} _ {B}.}
Sőt, feltételezve, D n , több csatlakoztatott komponensek, ezért a legkisebb közülük (abban az értelemben, a csúcsok száma) van a legtöbb n / 2 csúcsú, de ez a legkisebb csatlakoztatott komponens legalább két csúcsot, mivel X n = 0 . Így
G~nem{\ displaystyle {\ tilde {G}} _ {n}}
P(Dnem)≤∑2≤|B|≤nem/2P(VSB)≤∑2≤k≤nem/2(nemk)kk-2o~(nem)k-1(1-o~(nem))k(nem-k)≤∑2≤k≤nem/2uk.{\ displaystyle {\ begin {aligned} \ mathbb {P} (D_ {n}) & \ leq \ sum _ {2 \ leq | B | \ leq n / 2} \ mathbb {P} ({\ mathcal {C }} _ {B}) \\ & \ leq \ sum _ {2 \ leq k \ leq n / 2} {n \ válassza k} k ^ {k-2} {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)} \\ & \ leq \ sum _ {2 \ leq k \ leq n / 2} u_ {k}. \ end {igazítva}}}
Azonban α > 0 ,
u2≤nem-1+αlnnem{\ displaystyle {\ begin {aligned} u_ {2} & \ leq n ^ {- 1+ \ alpha} \, \ ln n \ end {aligned}}}
amint
lnnem≥max[vs.+ε(nem),(-2vs.-2ε(nem)+4o~(nem))/α].{\ displaystyle \ ln n \ geq \ max \ balra [c + \ varepsilon (n) \ ,, (- 2c-2 \ varepsilon (n) +4 {\ tilde {p}} (n)) / \ alfa \ jobbra.]
Ahogy a 2-nél nagyobb méretű csatlakoztatott komponens sokkal kevésbé valószínű, mint az 1-es méretű csatlakoztatott komponens, a 3-nál nagyobb méretű csatlakoztatott komponens sokkal kevésbé valószínű, mint egy 2-es méretű csatlakoztatott komponens, ami
Tulajdonság -
Amikor n végtelenbe hajlik
u2(nem) ≫ ∑3≤k≤nem/2uk(nem).{\ displaystyle u_ {2} (n) \ \ gg \ \ sum _ {3 \ leq k \ leq n / 2} u_ {k} (n).}
Néhány kissé fájdalmas számítás - anélkül, hogy őszintén szólva nehéz lenne - vezet ehhez az eredményhez.
Demonstráció
Az u 2 ( n ) esetében fent megadott határ nemcsak felső határ , hanem valójában az u 2 ( n ) nagyságrendjét adja meg . Ami az összeg fennmaradó részét illeti, ketté kell vágnunk, mielőtt mind a két darabot növelnénk:
uk+1uk=(nem-k)(1+1k)k-2o~(nem)×(1-o~(nem))nem-2k-1=(nem-k)(e+ε^(k))o~(nem)×(1-o~(nem))nem-2k-1≤vs.^lnnem (1-o~(nem))nem-2k-1{\ displaystyle {\ begin {aligned} {\ frac {u_ {k + 1}} {u_ {k}}} & = (nk) \, (1 + {\ tfrac {1} {k}}) ^ { k-2} \, {\ tilde {p}} (n) \ szer (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \\ & = (nk) \, ( e + {\ hat {\ varepsilon}} (k)) \, {\ tilde {p}} (n) \ szer (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \ \ & \ leq {\ hat {c}} \, \ ln n \ (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \ end {igazítva}}}
vagy
∀nem,k,vs.^≥(e+ε^(k))nemo~(nem)lnnem.{\ displaystyle \ forall n, k, \ quad {\ hat {c}} \ geq (e + {\ hat {\ varepsilon}} (k)) \, {\ frac {n {\ tilde {p}} ( n)} {\ ln n}}.}
Azért és0<β<(1-γ)/2<0.5,{\ displaystyle 0 <\ beta <(1- \ gamma) / 2 <0,5,}k≤βnem,{\ displaystyle k \ leq \ beta n,}
uk+1uk≤vs.^lnnem exp[-o~(nem)(nem-2k-1)]≤vs.^nem-γlnnem,{\ displaystyle {\ begin {aligned} {\ frac {u_ {k + 1}} {u_ {k}}} & \ leq {\ hat {c}} \, \ ln n \ \ exp \ left [- { \ tilde {p}} (n) (n-2k-1) \ right] \\ & \ leq {\ hat {c}} n ^ {- \ gamma} \ ln n, \ end {igazított}}}
amint
lnnem≥o~(nem)+(vs.+ε(nem))(2β-1)1-2β-γ.{\ displaystyle \ ln n \ geq {\ frac {{\ tilde {p}} (n) + (c + \ varepsilon (n)) (2 \ beta -1)} {1-2 \ beta - \ gamma} }.}
Ezért n elég nagy esetén gyorsabban csökken, mint egy exponenciális oksor, amikor és
amikoruk{\ displaystyle u_ {k}}vs.^nem-γlnnem,{\ displaystyle {\ hat {c}} n ^ {- \ gamma} \ ln n,}2≤k≤1+βnem,{\ displaystyle 2 \ leq k \ leq 1+ \ beta n,}
∑k=21+βnemuk ≤ u21-vs.^nem-γlnnem ≤ 2nem-1+αlnnem.{\ displaystyle \ sum _ {k = 2} ^ {1+ \ beta n} u_ {k} \ \ leq \ {\ frac {u_ {2}} {1 - {\ hat {c}} n ^ {- \ gamma} \ ln n}} \ \ leq \ 2n ^ {- 1+ \ alpha} \, \ ln n.}
Sőt, találunk c és ρ pozitív, oly módon, hogy az összes0<α<1/4,{\ displaystyle 0 <\ alfa <1/4,}nem≥1,{\ displaystyle n \ geq 1,}
unem/2≤vs.ρnemnem-αnem.{\ displaystyle {\ begin {aligned} u_ {n / 2} & \ leq c \, \ rho ^ {n} \, n ^ {- \ alpha n}. \ end {aligned}}}
Azért és0<β<(1-γ)/2<0.5,{\ displaystyle 0 <\ beta <(1- \ gamma) / 2 <0,5,}k≥βnem,{\ displaystyle k \ geq \ beta n,}
uk-1uk≤dlnnem exp[o~(nem)(nem-2k+1)]≤dnem(1-2β)2/γlnnem≤dnem(1-2β)2/γ,{\ displaystyle {\ begin {aligned} {\ frac {u_ {k-1}} {u_ {k}}} & \ leq {\ frac {d} {\ ln n}} \ \ exp \ left [{\ tilde {p}} (n) (n-2k + 1) \ right] \\ & \ leq {\ frac {d \, n ^ {(1-2 \ beta) ^ {2} / \ gamma}} { \ ln n}} \\ & \ leq d \, n ^ {(1-2 \ beta) ^ {2} / \ gamma}, \ end {igazítva}}}
amint n elég nagy. Ezért elég és közel 0,5-re, elég közel 1-re,
nem/2≥k≥βnem,{\ displaystyle n / 2 \ geq k \ geq \ beta n,}β{\ displaystyle \ beta}(1-2β)/γ{\ displaystyle (1-2 \ beta) / \ gamma}
-α+((1-2β)3/2γ)<0,ukunem/2≤d(1-2β)nem/2nemnem(1-2β)3/2γ,uk≤vs.ρ~nemnem(-α+((1-2β)3/2γ))nem,{\ displaystyle {\ begin {aligned} - \ alpha + ((1-2 \ beta) ^ {3} / 2 \ gamma) & <0, \\ {\ frac {u_ {k}} {u_ {n / 2}}} & \ leq d ^ {(1-2 \ beta) n / 2} n ^ {n (1-2 \ beta) ^ {3} / 2 \ gamma}, \\ u_ {k} & \ leq c \, {\ tilde {\ rho}} ^ {n} \, n ^ {(- \ alpha + ((1-2 \ beta) ^ {3} / 2 \ gamma)) n}, \ end { igazítva}}}
és
∑k=βnemnem/2uk ≤ vs.ρ^nemnem(-α+((1-2β)3/2γ))nem ≪ u2.{\ displaystyle \ sum _ {k = \ beta n} ^ {n / 2} u_ {k} \ \ leq \ c \, {\ hat {\ rho}} ^ {n} \, n ^ {(- \ alfa + ((1-2 \ beta) ^ {3} / 2 \ gamma)) n} \ \ ll \ u_ {2}.}
Ebből kifolyólag
limnemP(G~nem est vs.onemnemexe)=limnemP(xnem=0).{\ displaystyle \ lim _ {n} \ mathbb {P} \ left ({\ tilde {G}} _ {n} \ mathrm {~ is ~ related} \ right) = \ lim _ {n} \ mathbb {P } \ bal (X_ {n} = 0 \ jobb).}
Jelöljük T n-vel az első t pillanatot, ahol a gráf kapcsolódik:
G(t,nem){\ displaystyle \ mathbb {G} \ bal (t, n \ jobb)}
Tnem = inf{t≥0 | G(t,nem) est vs.onemnemexe},{\ displaystyle T_ {n} \ = \ \ inf \ bal \ {t \ geq 0 \ | \ \ mathbb {G} (t, n) \ mathrm {~ ~ kapcsolódó} \ jobb \},}
úgy hogy
{G(t,nem) est vs.onemnemexe}⇒{Tnem≤t}⇒{∀ε>0,G(t+ε,nem) est vs.onemnemexe}.{\ displaystyle \ left \ {\ mathbb {G} \ left (t, n \ right) \ mathrm {~ is ~ related} \ right \} \ quad \ Rightarrow \ quad \ left \ {T_ {n} \ leq t \ right \} \ quad \ Rightarrow \ quad \ left \ {\ forall \ varepsilon> 0, \ quad \ mathbb {G} \ left (t + \ varepsilon, n \ right) \ mathrm {~ ~ related} \ right \}.}
Ezután láthatjuk a kettős exponenciális tételt a T n aszimptotikus tágulásának eredményeként : ha Z n a következő összefüggés határozza meg:
Tnem = lnnemnem + Znemnem,{\ displaystyle T_ {n} \ = \ {\ frac {\ ln n} {n}} \ + \ {\ frac {Z_ {n}} {n}},}
akkor a kettős-exponenciális tétel kimondja, hogy Z n a jogban konvergál a Gumbel terjesztése felé , amelyet Landau jelölésének valószínűségi változatában lefordíthat :
Tnem = lnnemnem + Θ(1nem).{\ displaystyle T_ {n} \ = \ {\ frac {\ ln n} {n}} \ + \ \ Theta \ balra ({\ frac {1} {n}} \ jobbra).}
A végtelen véletlenszerű grafikon
Erdős és Rényi a binomiális modellt egy megszámlálhatatlan végtelen gráf esetére általánosították , megmutatva, hogy ezután ( szinte biztosan ) nyertünk egy univerzalitási tulajdonságokkal rendelkező grafikont (amely részlegesen minden véges vagy megszámlálható gráfot tartalmaz ); ezt a gráfot többször újra felfedezték, és leggyakrabban Rado gráf néven ismerik .
Lásd is
Megjegyzések
-
Az első, 1959-ben megjelent cikk a "Véletlenszerű grafikonokról I", Publ. Math. Debrecen 6, 290.
-
(in) Erdős P. , " Néhány megjegyzés a grafikonok elméletéhez " , Bull. Keserű. Math. Soc. , vol. 53, n o 4,1947, P. 292-294 ( online olvasás ). Ezt a cikket gyakran úgy tekintik, hogy jelöli a „véletlenszerű módszer” születését a nem véletlenszerű grafikonok, különösen a Ramsey-elmélet tanulmányozásához .
-
A háttér, lásd (in) Mr. Karoński Rucinski és A., "eredete az elmélet véletlen gráfok" , in The Mathematics of Erdős Pál , Berlin, Springer al. - Algoritmusok Combin. „( N o 13),1997, P. 311-336.
-
További részletek: Janson, Łuczak és Ruciński 2000 , fejezet. 2, "Exponenciálisan kis valószínűségek".
-
Lásd Janson, Łuczak és Ruciński 2000 , 1.4. Szakasz, „Aszimptotikus egyenértékűség”, 1. o. 14.
-
View (in) Galen R. Shorack és Jon A. Wellner , Empirikus folyamatok a statisztikai alkalmazásokkal , SIAM ,2009. szeptember, 998 p. ( ISBN 978-0-89871-684-9 , online olvasás ), 3.8. szakasz, „Az eloszlások korlátozása a nullhipotézis alatt”, p. 142. o. 18., „A standardizált kvantilis folyamat”, p. 637.
-
Janson, Łuczak és Rucinski 2000 , Th. 6,7, p. 144.
-
Lásd a cikk " bijekciót de Joyal ", vagy Martin Aigner és Günter M. Ziegler, Isteni okoskodásaikban , 2 nd edition, 2006, p. 195-201, Cayley képlete a fák számára .
Bibliográfia
-
(en) Bollobás Béla , Random Graphs , Cambridge University Press,2001. január, 2 nd ed. ( 1 st ed. 1985), 516 p. ( ISBN 978-0-521-79722-1 , online olvasás ).
-
en) Svante Janson (en) , Tomasz Łuczak és Andrzej Ruciński, Random Graphs , Wiley-Interscience,2000. május, 1 st ed. , 333 p. , keménytáblás ( ISBN 978-0-471-17541-4 ).
-
(en) Joel Spencer (en) , „Kilenc előadás véletlenszerű grafikonokról” , a Saint-Liszt valószínűségének nyári iskolájában XXI-1991, 3. rész , Springer, coll. "Előadási jegyzetek a matematikából. „( N o 1541)1993, P. 293-347.
Kapcsolódó cikk
Valószínűségek bevezetése a gráfelméletben
Külső hivatkozás
Laurent Massoulié, Hálózatok: elosztott irányítás és feltörekvő jelenségek , 2015
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">