[论文解读] A note on the coupon - collector's problem with multiple arrivals and the random sampling

Marco Ferrante, Nadia Frigo|arXiv (Cornell University)|Sep 12, 2012

Random Matrices and Applications参考文献 6被引用 3

一句话总结

本文推导了在到达成组且概率不相等的情况下，收集全部 $ m $ 种优惠券所需大小为 $ g $ 的组的期望数量，扩展了经典的优惠券收集问题。该结果被应用于从有限总体中无放回抽样的情形，提供了观察到所有类型所需样本数的计算密集但精确的公式，并通过数值例子和与单次抽样情形的对比进行了验证。

ABSTRACT

In this note we evaluate the expected waiting time to complete a collection of coupons, in the case of coupons which arrives in groups of constant size, independently and with unequal probabilities. As an application we will be able to determine the expected number of samples of dimension g that we have to draw independently in order to observe all the types of individuals in a given population.

研究动机与目标

• 推导在优惠券成组到达且各类别概率不等时，完成收集全部优惠券所需大小为 $ g $ 的组的期望数量。
• 将经典优惠券收集问题扩展至多次到达且概率非均匀的情形。
• 将推导出的公式应用于有限总体中按给定比例包含多种类型的无放回抽样问题。
• 为观察此类总体中所有类型的独立样本组（每组大小为 $ g $）所需数量提供计算明确的公式。

提出的方法

• 使用最大-最小恒等式计算最后一种新优惠券类型首次出现的期望等待时间。
• 将优惠券的到达建模为大小为 $ g $ 的组，每组包含不同类型的优惠券，其概率基于无放回抽样得出。
• 定义 $ q(\text{set}) $ 为某组不包含给定子集内任何类型的概率，通过排列计算：$ q(i_1,\dots,i_k) = \frac{P(N - \sum N_{i_j}, g)}{P(N,g)} $。
• 对最大几何等待时间的生存函数应用容斥原理，得到对类型子集的带符号求和。
• 推导出期望组数的一般公式，即对所有类型子集 $ S $，其 $ 1 - q(S) $ 的倒数的带符号求和。
• 通过特定总体配置的数值验证，并与单次抽样（个体到达）情形进行比较。

实验结果

研究问题

• RQ1 当每种类型在组中出现的概率不相等时，收集全部 $ m $ 种优惠券所需大小为 $ g $ 的组的期望数量是多少？
• RQ2 当从具有异质类型频率的有限总体中无放回抽样时，期望样本数如何变化？
• RQ3 能否使用容斥原理和组级别概率，将具有多次到达的优惠券收集问题推广至不等概率情形？
• RQ4 期望样本数如何随组大小 $ g $ 和总体多样性 $ m $ 变化，特别是当某些类型稀少时？
• RQ5 与真实总体分布的模拟结果相比，所推导公式的准确性如何？

主要发现

• 对于包含 $ m=4 $ 种类型、数量分别为 $ N_1=10, N_2=100, N_3=500, N_4=1000 $ 的总体，观察到所有类型所需大小为 $ g=2 $ 的组的期望数量约为 81.5。
• 当 $ g=2 $ 时，观察到所有类型的期望组数仅略高于观察到最稀有类型的期望组数（80.7），表明稀有类型主导了等待时间。
• 随着组大小 $ g $ 增大，样本数的期望值也增加，如 $ g=1 $ 到 $ 15 $ 的数值结果所示，这与直觉一致：更大的组可减少所需抽样次数。
• 公式（8）是精确的，但计算复杂，如第7条备注所述，其使用受限于较小的 $ m $。
• 当 $ m=5 $ 至 $ 20 $ 时，若总体比例符合参数为 $ c=0.30 $、$ \theta=1.75 $ 的曼德尔布罗特分布，该公式与模拟值吻合良好。
• 该推导推广了均匀概率情形（已知结果来自 Stadje），并在等概率和单次到达的极限下恢复了标准优惠券收集问题的结果。