[논문 리뷰] Two-color balanced affine urn models with multiple drawings II: large-index and triangular urns

Markus Kuba, Hosam M. Mahmoud|arXiv (Cornell University)|2015. 09. 30.

Stochastic processes and statistical mechanics참고 문헌 19인용 수 10

한 줄 요약

이 논문은 다중 추출(표본 크기 $m \geq 1$)을 고려하는 두 색상 균형 잠자리 모델의 분석을 확장하며, 특히 인덱스가 큰 잠자리($\Lambda > \frac{1}{2}$)와 삼각형 잠자리에 초점을 맞춘다. 백색 공 수 $W_n$의 정수 모멘트에 대한 정확한 표현을 유도하고, 적절한 스케일링 하에서 모멘트 수렴을 확립하며, 감마 함수와 조합 계수를 포함하는 극한 모멘트 공식을 제시함으로써 제1부에서 시작된 이러한 모델의 확률적 특성화를 완성한다.

ABSTRACT

This is the second part of a two-part investigation. We continue the study of a class of balanced urn schemes on balls of two colors (white and black). At each drawing, a sample of size $m\ge 1$ is drawn from the urn and ball addition rules are applied; the special case $m=1$ of sampling only a single ball coincides with ordinary balanced urn models. We consider these multiple drawings under sampling with or without replacement. For the class of affine conditional expected value, we study the number of white balls after $n$ steps. The affine class is parametrized by $Λ$, specified by the ratio of the two eigenvalues of a reduced ball replacement matrix and the sample size, leading to three different cases: small-index urns ($Λ\le \frac 1 2$, and the case $Λ= \frac 1 2$ is critical), large-index urns ($Λ> \frac 1 2$), and triangular urns. In Part I we derived a central limit theorem for small index urns, and proved almost-sure convergence for large index and triangular urn models. In the present paper (Part II), we continue the study of affiance urn schemes and study the moments of large-index urns and triangular urn models. We show moment convergence under suitable scaling and we also provide expressions for the moments.

연구 동기 및 목표

• 다중 추출 기반의 큰 인덱스 및 삼각형 잠자리 모델에서 백색 공 수의 양의 정수 모멘트를 특성화하는 것.
• 제1부에서 제시된 거의 확실 수렴 결과를 보완하기 위해, 적절한 스케일링 하에서 이러한 잠자리 모델의 모멘트 수렴을 확립하는 것.
• 스케일링된 백색 공 수의 극한 모멘트에 대한 명시적 표현을 도출하며, 감마 함수와 조합 계수를 포함하는 것.
• 소인덱스 경우를 초월하여 선형 잠자리 모델의 분석 프레임워크를 확장하고, 극한 분포의 분류를 완성하는 것.

제안 방법

• 분석은 선형 조건부 기대값 성질 $\mathbb{E}[W_n \mid \mathcal{F}_{n-1}] = \alpha_n W_{n-1} + \beta_n$ 에 기반한 마팅게일 구조를 활용한다.
• 큰 인덱스 모델을 위해 분포의 중심화를 위해 이동된 랜덤 변수 $\tilde{W}_n = W_n - \frac{n a_m}{1 - \Lambda}$ 를 도입한다.
• 모멘트 계산을 위해 재귀 관계와 가중 방향 무사이클릭 그래프 위의 경로 수를 세는 기법을 사용하며, 계수 $\varphi_{n,s,k}$ 와 $\tilde{\varphi}_{s,k}$ 는 조합 합산을 통해 유도된다.
• 극한 모멘트 $E_s = \lim_{n \to \infty} \mathbb{E}\left[\left(\frac{\tilde{W}_n}{n^\Lambda}\right)^s\right]$ 는 감마 함수의 곱과 초기 백색 공 수에 대한 유한 합으로 표현된다.
• 모델의 분류에는 잠자리 인덱스 $\Lambda = \frac{m}{\sigma}(a_{m-1} - a_m)$ 를 활용한다.
• 이 프레임워크는 해석적 조합론의 기법을 일반화하여 $m \geq 1$ 인 잠자리 모델에 적용하며, $m=1$ 에서 사용된 방법을 확장한다.

실험 결과

연구 질문

• RQ1 다중 추출을 고려하는 큰 인덱스 잠자리 모델에서 백색 공 수의 정확한 양의 정수 모멘트 표현은 무엇인가?
• RQ2 큰 인덱스 및 삼각형 잠자리에서 스케일링된 백색 공 수의 모멘트는 渐近적으로 어떻게 행동하는가?
• RQ3 극한 모멘트는 감마 함수와 같은 특수 함수를 사용해 닫힌 형태로 표현할 수 있는가?
• RQ4 선형 잠자리 모델에 대해 $m \geq 1$ 인 경우의 모멘트를 계산하기 위한 통합된 조합 프레임워크가 존재하는가?
• RQ5 선형 사례를 초월해 이러한 모델의 모멘트 생성 함수 또는 재귀 관계의 구조는 어떠한가?

주요 결과

• 이동된 백색 공 수 $\tilde{W}_n$ 의 $s$-번째 양의 정수 모멘트는 $\mathbb{E}[\tilde{W}_n^s] = \sum_{k=0}^s \varphi_{n,s,k} W_0^k$ 로 주어지며, 계수 $\varphi_{n,s,k}$ 는 경로 수를 세는 방식으로 유도된다.
• 극한 모멘트 $E_s = \lim_{n \to \infty} \mathbb{E}\left[\left(\frac{\tilde{W}_n}{n^\Lambda}\right)^s\right]$ 는 존재하며, 감마 함수의 곱과 초기 백색 공 수에 대한 유한 합으로 표현된다.
• 모델 $\mathcal{M}$ 에서는 $E_s = \prod_{\ell=1}^{s^*} \frac{\Gamma\left(\frac{T_0 + 1 - \ell}{\sigma}\right)}{\Gamma(\lambda_{\ell,s})} \sum_{k=0}^s \tilde{\varphi}_{s,k} W_0^k$ 로 표현되며, $\tilde{\varphi}_{s,k}$ 는 정수 수열에 대한 무한 합으로 정의된다.
• 모델 $\mathcal{R}$ 에서는 $E_s = \frac{\Gamma\left(\frac{T_0}{\sigma}\right)^s}{\prod_{\ell=1}^s \Gamma(\mu_{\ell,s})} \sum_{k=0}^s \tilde{\varphi}_{s,k} W_0^k$ 로 표현되며, 초기 총 공 수 $T_0$ 에 의존함을 보여준다.
• $\tilde{\varphi}_{s,0}$ 는 항목 $f_{j,s,s}$ 의 곱과 이중 경로 수를 포함하는 절대 수렴 무한 합으로 구성된다.
• 큰 인덱스 및 삼각형 잠자리 모두에서 모멘트 수렴이 성립하며, 극한 분포는 모멘트 $E_s$ 로 특성화된다.