[논문 리뷰] On Sampling without replacement and OK-Corral urn models

Markus Kuba|arXiv (Cornell University)|2010. 03. 08.

Bayesian Methods and Mixture Models참고 문헌 18인용 수 3

한 줄 요약

이 논문은 흰 공과 검은 공에 대해 임의의 양수 가중치 수열을 사용하여 보상 없는 추출 및 OK-Corral 우산 모델을 일반화하고, 모든 검은 공이 소진되었을 때 남아 있는 흰 공의 분포에 대한 명시적 닫힌 형태의 표현식을 유도한다. 두 모델 간의 이중성 관계를 수립하고, 특정 가중치 선택에 대해 자코비 반타 함수와 제타 함수 관련 분포를 포함하는 극한 법칙을 규명하며, 고전적인 Pólya-Eggenberger 우산 결과를 확장한다.

ABSTRACT

In this work we discuss two urn models with general weight sequences $(A,B)$ associated to them, $A=(α_n)_{n\in\N}$ and $B=(β_m)_{m\in\N}$, generalizing two well known Pólya-Eggenberger urn models, namely the so-called sampling without replacement urn model and the OK Corral urn model. We derive simple explicit expressions for the distribution of the number of white balls, when all black have been drawn, and obtain as a byproduct the corresponding results for the Pólya-Eggenberger urn models. Moreover, we show that the sampling without replacement urn models and the OK Corral urn models with general weights are dual to each other in a certain sense. We discuss extensions to higher dimensional sampling without replacement and OK Corral urn models, respectively, where we also obtain explicit results for the probability mass functions, and also an analog of the dualitiy relation. Finally, we derive limit laws for a special choice of the weight sequences.

연구 동기 및 목표

• 임의의 양수 가중치 수열을 사용하여 고전적인 보상 없는 추출 및 OK-Corral 우산 모델을 일반화하는 것.
• 모든 검은 공이 추출되었을 때 남아 있는 흰 공의 수에 대한 확률 질량 함수의 명시적 닫힌 형태 표현식을 도출하는 것.
• 적절한 가중치 변환 하에서 보상 없는 추출 모델과 OK-Corral 우산 모델 간의 이중성 관계를 수립하는 것.
• 이 프레임워크를 고차원 우산 모델로 확장하고 유사한 명시적 결과를 도출하는 것.
• 특정 가중치 수열에 대해 극한 법칙을 조사하며, 특히 자코비 반타 함수와 브라운 운동의 도약과의 연결 고리에 초점하는 것.

제안 방법

• 흰 공과 검은 공의 현재 수와 그에 해당하는 가중치 수열 A와 B에 따라 전이 확률이 결정되는 가중치가 부여된 격자 경로로 우산 과정을 모델링하는 것.
• 모든 검은 공이 제거된 상태에서의 흡수 확률을 계산하기 위해 재귀적 경로 수세기와 곱 가중치 합산을 사용하는 것.
• 조합적 구조와 생성함수를 활용하여 P(X_{n,m} = k)의 확률 질량 함수에 대한 명시적 공식을 도출하는 것.
• 전이 확률에서 α_n과 β_m의 역할을 교환하는 가중치 수열의 변환을 통해 두 우산 모델 간의 이중성을 수립하는 것.
• 모멘트 생성 함수와 무한 곱 항등식을 적용하여 극한 분포를 분석하고, 특히 자코비 반타 함수와 제타 함수와의 관련성을 규명하는 것.
• 지수 확률 변수 분해를 사용하여 극한 분포를 특성화하고, Biane, Pitman, Yor의 결과와의 연결 고리를 도출하는 것.

실험 결과

연구 질문

• RQ1 임의의 가중치 수열을 사용하는 일반화된 보상 없는 추출 우산 모델에서 모든 검은 공이 추출되었을 때 남아 있는 흰 공의 수의 정확한 분포는 무엇인가?
• RQ2 일반적인 가중치를 가진 OK-Corral 우산 모델은 확률적 이중성 관점에서 보상 없는 추출 모델과 어떻게 관련되어 있는가?
• RQ3 특정 가중치 수열, 예를 들어 α_n = n 및 β_m = m² 또는 β_m = (m−½)²일 때, 검은 공과 흰 공의 수가 모두 크게 증가할 경우 남은 흰 공의 수의 정규화된 수의 극한 분포는 무엇인가?
• RQ4 이차원 모델에 대해 도출된 명시적 확률 질량 함수는 다수의 공 유형을 가진 고차원 우산 모델로 확장될 수 있는가?
• RQ5 자코비 반타 함수와 리만 제타 함수와 같은 특수 함수는 이러한 일반화된 우산 과정의 극한 법칙을 특성화하는 데 어떤 역할을 하는가?

주요 결과

• α_n = n 및 β_m = m²일 때, 일반화된 보상 없는 추출 모델에서 min{n,m} → ∞일 때 X_{n,m}/n의 극한 법칙은 누적분포함수 P(W ≤ q) = 1 − φ³(q)를 만족하며, 여기서 φ(q)는 오일러 함수이고, 모멘트 E(W^s) = 2πs / cosh(π√(8s−1)/2)이다.
• α_n = n 및 β_m = (m−½)²일 때, 극한 분포는 P(W ≤ q) = (4/π)∑_{ℓ≥1} (−1)^ℓ q^{(ℓ−½)²}/(2ℓ−1)를 만족하며, 모멘트 E(W^s) = 1 / cosh(π√s)이다.
• 보상 없는 추출 모델과 OK-Corral 우산 모델은 이중성 관계를 가진다: 그들의 확률 구조는 가중치 수열 α_n과 β_m의 역할를 교환하는 변환 하에서 동일하다.
• α_n = n 및 β_m = m^r (r > 1)인 가중치 수열에 대해 극한 법칙은 리만 제타 함수와 브라운 운동의 도약 법칙과 관련된 분포로 수렴할 것으로 예상된다.
• 일반화된 추출 모델에서 남은 흰 공의 수를 세는 랜덤 변수 Y_m은 Y_m = exp(−∑_{ℓ=1}^m ε_ℓ / ℓ²)로 분해되며, 여기서 ε_ℓ는 i.i.d. 지수 확률 변수이다. 이는 모델이 지수 기능 구성과 연결됨을 시사한다.
• 무한 버전의 모델은 W = exp(−∑_{ℓ=1}^∞ ε_ℓ / ℓ²)를 만족하며, E(W^s) = π√s / sinh(π√s)이다. 이는 Biane, Pitman, Yor가 브라운 운동 도약 국소 시간과 관련하여 이전에 얻은 결과와 일치한다.