[논문 리뷰] Univariate approximations in the infinite occupancy scheme

A. D. Barbour|ArXiv.org|2009. 02. 05.

Economic theories and models참고 문헌 4인용 수 3

한 줄 요약

이 논문은 번역된 포아송 분포를 사용하여 무한한 점유 스킴에서 비어 있지 않은 상자 수 $K_n$ 및 정확히 $r$개의 공이 들어 있는 상자 수 $K_{n,r}$에 대한 날카운 univariate 근사법을 개발한다. 고정된 공의 수에 조건을 두고 포아송화된 과정과의 확률적 쌍화(_coupling_)를 활용함으로써, 저자들은 최적의 순서 $O(\sigma_n^{-2})$로 총 변동 거리 및 국소 근사법을 달성한다. 이는 황과 장산(2008)의 결과와 정확히 일치하지만, 생성 함수 분석이 아닌 더 직접적인 확률적 프레임워크를 통해 달성된다.

ABSTRACT

The paper concerns the classical occupancy scheme with infinitely many boxes. We establish approximations to the distributions of the number of occupied boxes, and of the number of boxes containing exactly r balls, within the family of translated Poisson distributions. These are shown to be of ideal asymptotic order, with respect both to total variation distance and to the approximation of point probabilities. The proof is probabilistic, making use of a translated Poisson approximation theorem of Röllin (2005).

연구 동기 및 목표

• 황과 장산(2008)이 $K_n$ 및 $K_{n,r}$의 점 확률을 근사하기 위해 사용한 해석적 생성 함수 방법의 확률적 대안을 제공하기 위해.
• 번역된 포아송 분포를 사용하여 $K_n$ 및 $K_{n,r}$에 대한 총 변동 거리 및 국소 극한 근사법을 수립하기 위해.
• 최소한의 모멘트 조건 하에서 $O(\sigma_n^{-2})$의 최적 근사 정확도를 확보하고, 중심극한 이론에서 알려진 경계와 일치시키기 위해.
• 조건부 독립성과 모멘트 경계를 활용하여 다변량 점유 통계량, 특히 $K_{n,r}$로 이 접근법을 확장하기 위해.

제안 방법

• 포아송화 사용: 고정된 공 수 $n$을 포아송 랜덤 변수로 대체하여 상자 카운트 간의 독립성을 유도한다.
• 첫 번째 $j_n$개 상자를 기각한다. 여기서 $p_{j_n-1} \geq 4n^{-1}\log n > p_{j_n}$를 만족시키며, 이는 이 상자들이 고도로 확률 $1 - n^{-3}$로 점유됨을 보장한다.
• 남은 상자들에서 원래의 점유 과정과 포아송화된 과정 간의 쌍화를 구축하며, 총 변동 거리가 $P_n = \sum_{j \geq j_n} p_j$로 유계임을 보장한다.
• Röllin(2005)의 번역된 포아송 근사 정리에 따라 남은 지표 합에 대해 적용하며, 평균 $\mu_n = \mathbb{E}K_n$ 및 분산 $\sigma_n^2 = \mathrm{Var}\, K_n$를 갖는 번역된 포아송 분포 $\mathrm{TP}(\mu, \sigma^2)$를 사용한다.
• 모멘트 경계와 지수 모멘트 부등식(레마 5.2–5.4)을 활용하여 종속성을 제어하고 총 변동 및 국소 확률에서의 오차에 대한 균일한 경계를 유도한다.
• 총 변동 오차가 $O(\sigma_n^{-1} + n^{-3} + P_n)$이고, 국소 확률 오차가 $O(\sigma_n^{-2} + n^{-3} + P_n)$임을 입증하며, $P_n$은 정규 변동 가정을 통해 제어된다.

실험 결과

연구 질문

• RQ1 황과 장산(2008)이 $K_n$에 대해 제시한 날카운 국소 극한 근사가 복잡한 생성 함수 분석이 아닌 순수한 확률적 추론을 통해 유도될 수 있는가?
• RQ2 번역된 포아송 분포를 사용할 경우, $K_n$ 및 $K_{n,r}$의 총 변동 거리 및 점 확률에서의 최적 근사 속도는 무엇인가?
• RQ3 고정된 $n$개의 공으로 인해 유도되는 종속성을 효과적으로 관리하여 분포 꼬리 부분에서 독립성을 회복할 수 있는가?
• RQ4 어떤 조건에서 근사 오차 $P_n = \sum_{j \geq j_n} p_j$가 $\sigma_n^{-2}$와 같은 속도로 감소하여 최적 정확도를 확보할 수 있는가?

주요 결과

• 분포 $K_n$과 그 번역된 포아송 근사 간의 총 변동 거리는 $O(\sigma_n^{-1} + n^{-3} + P_n)$로 유계이며, 여기서 $P_n = \sum_{j \geq j_n} p_j$이다.
• $\mathbb{P}(K_n = t)$의 국소 극한 근사 오차는 $O(\sigma_n^{-2} + n^{-3} + P_n)$이며, $\sigma_n^2 \to \infty$ 조건 하에서 알려진 최적 속도 $O(\sigma_n^{-2})$와 일치한다.
• $K_{n,r}$, 즉 정확히 $r$개의 공이 들어 있는 상자 수에 대해서도 유사한 근사가 성립하며, 동일한 오차 비율을 유지하여 다변량 점유 통계량으로 결과를 확장한다.
• 정규 변동 조건이나 모멘트 조건을 요구하지 않고도 최적의 정확도를 달성하며, 대신 쌍화와 모멘트 경계에 의존한다.
• 오차 경계의 상수들은 유니버설하며, 오직 $p_j$의 감쇠 속도에만 의존하며, 레마 5.2–5.4를 통해 명시적으로 제어된다.
• 이 방법은 다른 점유 통계량으로 일반화 가능하며, 무한한 점유 스킴에서 희귀 사건을 근사하는 데 효과적인 프레임워크를 제공한다.