[论文解读] Iterating random functions on a finite set

William M. Y. Goh, Paweł Hitczenko+1 more|ArXiv.org|Jul 29, 2002

Mathematical Dynamics and Fractals参考文献 7被引用 9

一句话总结

本文分析了在 [n] 上独立、均匀随机函数的复合过程变为常数所需时间 T 的分布。通过特征函数分析与围道积分，推导出当 n→∞ 时 T/n 的极限分布，证明其收敛于密度函数 f(x) = ∑_{k≥2} (−1)^k e^{−(k choose 2)x} (k choose 2)(2k−1)，其累积分布函数为 ∫₀ˣ f(y) dy。

ABSTRACT

Let f_1,f_2,..., be functions chosen independently and uniformly from the set of all functions from a set of cardinality n into itself. Let g_t be the composition of the first t functions, and let T be the smallest t for which g_t is constant. We find the limiting distribution of T/n, as n --> infinity.

研究动机与目标

• 确定 T 的渐近分布，其中 T 是 [n] 上 t 个独立同分布的随机函数复合首次变为常数的时间。
• 分析当 n→∞ 时随机变量 T 的行为，特别是 T/n 的分布。
• 尽管该结果被认为“广为人知”，仍提供 T/n 极限密度函数的严格推导。
• 证明大范围阶段（m > log log n）对 T 的贡献在期望下可忽略，从而实现对求和的截断。

提出的方法

• 将 T 分解为 T₁（早期阶段，m ≤ log log n）和 T₂（后期阶段），并证明 E[T₂] = o(n)。
• 在已知访问状态集合的条件下，利用条件独立性来建模 τₘ（范围大小为 m 时的步数）。
• 对 E[e^{itT₁} | A] 应用特征函数技术，其中 A 表示从大小 2 到 log log n 的所有范围均被访问的事件。
• 利用渐近近似 λₘ = ∏_{j=1}^{m−1}(1 − j/n) ≈ 1 − (m choose 2)/n 推导特征函数 φₙ(t)。
• 通过无穷乘积恒等式与伽马函数的反射公式简化特征函数。
• 通过围道积分反演特征函数，识别出在 t = −i(k choose 2) 处的极点，从而得到密度 f(x)。

实验结果

研究问题

• RQ1 当 n→∞ 时，T/n 的极限分布是什么，其中 T 是 [n] 上 t 个独立同分布的随机函数复合首次变为常数的时间？
• RQ2 中间范围阶段（m ≈ log log n）对总时间 T 的贡献如何？
• RQ3 T₁/n 的特征函数能否被渐近逼近，以推导出极限密度？
• RQ4 访问状态集合在实现 τₘ 条件独立性方面起到什么作用？
• RQ5 所推导的极限密度 f(x) 与 Kingman 的共祖过程等已知过程有何关联？

主要发现

• 当 n→∞ 时，T/n 的极限分布由 F(x) = ∫₀ˣ f(y) dy 给出，其中 f(y) = ∑_{k≥2} (−1)^k e^{−(k choose 2)y} (k choose 2)(2k−1)。
• T₁/n 的特征函数收敛于 φ(t) = −2πit / cos(π/2 √(1 + 8it))，通过围道积分反演得到密度 f(x)。
• 所有范围从大小 2 到 log log n 均被访问的概率满足 Pr(A) = 1 − o(1)，从而为分析中的条件化提供了合理性。
• m > log log n 的阶段对 T 的贡献可忽略：E[T₂] = o(n)，因此 T₂/n 在概率上趋于 0。
• 极限密度 f(x) 对每个 k ≥ 2 呈指数衰减，衰减率与 (k choose 2) 成正比，符号因 (−1)^k 因子而交替。
• 结果确认 T/n 的分布弱收敛于 F(x)，且 F 连续，因此极限是良好定义且非退化的。