[论文解读] Asymptotic of the maximal displacement in a branching random walk

Bastien Mallein|arXiv (Cornell University)|May 26, 2016

Stochastic processes and statistical mechanics参考文献 15被引用 9

一句话总结

该论文在接近最优的可积性条件下，建立了实直线上超临界分支布朗运动中最大位移的渐近行为。通过使用改进的脊干分解法与受 Roberts（2009）启发的弯曲边界分析，证明了在存活事件上，最大位移 $ M_n $ 几乎必然满足 $ M_n = -\frac{3}{2}\log n + O_{\mathbb{P}}(1) $，并精确刻画了领先粒子的波动特性与谱系结构。

ABSTRACT

In this article, we study the maximal displacement in a branching random walk. We prove that its asymptotic behaviour consists in a first almost sure ballistic term, a negative logarithmic correction in probability and stochastically bounded fluctuations. This result, proved by Addario-Berry and Reed, and Hu and Shi is given here under close-to-optimal integrability conditions. We provide simple proofs for this result, also deducing the genealogical structure of the individuals that are close to the maximal displacement.

研究动机与目标

• 确定实直线上的分支布朗运动中最大位移 $ M_n $ 的精确渐近行为，包括校正项与波动性。
• 在接近最优的可积性条件下建立该结果，改进了以往研究中所需的更强矩假设。
• 刻画实现近似最大位移的个体的谱系结构，表明它们要么是密切亲属，要么拥有近期共同祖先。
• 通过脊干分解与弯曲边界技术，提供一种简化的渐近行为证明，避免了复杂的耦合论证。

提出的方法

• 利用 Lyons 提出的分支布朗运动脊干分解方法，重新加权测度，并将加法矩与随机游走估计关联起来。
• 采用弯曲边界 $ f_n(k) = \sqrt{2k} - \frac{3}{2} \frac{k}{n} \log n $ 分析穿越边界的粒子数量，从而精确控制 $ M_n $ 的左尾。
• 应用具有独立同分布增量及附加随机变量的随机游走的精细大偏差估计，将 Aïdékon 与 Shi（2010）的结果扩展至处理非独立同分布扰动。
• 通过分支布朗运动与 Galton-Watson 过程之间的耦合技术，控制与最大位移相关的罕见事件概率。
• 应用马氏性质与路径估计，界定随机游走保持在时变边界之上的概率，即使在扰动下亦成立。
• 通过基于脊干测度的自举论证推导矩界，确保可积性条件既必要又近乎最优。

实验结果

研究问题

• RQ1 在超临界分支布朗运动中，最大位移 $ M_n $ 的精确渐近展开式是什么，包括校正项？
• RQ2 $ M_n $ 围绕其中位数的波动行为如何？其极限分布的性质是什么？
• RQ3 实现近似最大位移的粒子的谱系结构是怎样的——它们是否聚集于同一祖先周围？
• RQ4 能否在近乎最优的可积性条件下推导出 $ M_n $ 的渐近行为？
• RQ5 弯曲边界方法如何改进以往仅得到 $ o(\log n) $ 误差项的处理方法？

主要发现

• 在假设 (1.1)、(1.2) 与 (1.3) 下，最大位移满足 $ M_n = -\frac{3}{2}\log n + O_{\mathbb{P}}(1) $ 几乎必然在存活事件 $ S $ 上成立。
• $ O_{\mathbb{P}}(1) $ 项捕捉了依概率有界的波动，证实了中心化最大位移的紧致性。
• 对数校正项 $ -\frac{3}{2}\log n $ 源于分支机制与边界情形条件 $ \mathbb{E}[\sum e^{V(u)}] = 1 $ 的相互作用。
• 领先粒子的谱系结构被刻画：它们要么是密切亲属，要么其最近共同祖先为根的密切亲属。
• 可积性条件 (1.3) 被证明近乎最优，因其自然源于脊干分解，并与 Chen（2010）所得的精确性结果一致。
• 基于弯曲边界与精细随机游走估计的证明方法，得到误差项为常数阶，优于以往仅达到 $ o(\log n) $ 精度的工作。