Grafico casuale
In matematica , un grafico casuale è un grafico generato da un processo casuale . Il primo modello di grafici casuali è stato reso popolare da Paul Erdős e Alfréd Rényi in una serie di articoli pubblicati tra il 1959 e il 1968.
I due modelli base di Erdős e Rényi
Il modello di Erdős e Rényi riunisce infatti due modelli, formalmente diversi, ma strettamente correlati. In entrambi i modelli,
- l'insieme dei vertici è {1, 2, 3, ..., n } denotato da quanto segue ; [[non]]{\ displaystyle \ [\! [n] \!]}
- gli archi potenzialmente presenti sono le n ( n –1) / 2 parti a due elementi di ; a volte si nota l'insieme di questi margini , tuttavia si noterà J per comodità tipografica e per coerenza con l'articolo sulla disuguaglianza di Harris . [[non]]{\ displaystyle \ [\! [n] \!]}([[non]]2).{\ displaystyle {[\! [n] \!] \ scegli 2}.}
- quindi, il grafo casuale è non orientato e non ha loop o bordi multipli .
Il grafico casuale binomiale
In questo modello, spesso ciascuno degli archi n ( n –1) / 2 è presente con probabilità p , assente con probabilità 1- p , indipendentemente dallo stato degli altri archi. Il caso p = 0,5 è stato studiato da Erdős già nel 1947. Il numero N p di archi segue la distribuzione binomiale dei parametri n ( n –1) / 2 e p .
G(non,p),{\ displaystyle \ mathbb {G} (n, p),}G(non,p){\ displaystyle \ mathbb {G} (n, p)}
Il grafico casuale uniforme
In questo modello, spesso notato, un sottoinsieme di M archi viene scelto uniformemente tra i possibili archi n ( n –1) / 2 . Quando un grafo G con n vertici ha M archi, la probabilità di G è data da
G(non,M),{\ displaystyle \ mathbb {G} (n, M),}
P(G) = 1((non2)M).{\ displaystyle \ mathbb {P} (G) \ = \ {\ frac {1} {{n \ scegli 2} \ scegli M}}.}
Questo è il modello studiato principalmente nella serie di articoli fondamentali pubblicati da Erdős e Rényi tra il 1959 e il 1968.
G(non,M){\ displaystyle \ mathbb {G} (n, M)}
I due processi casuali con i valori del grafico
- Possiamo partire da un grafo senza spigoli, quindi completamente scollegato, e aggiungere uno spigolo disegnato a caso in modo uniforme, poi un altro, ecc. , senza sostituzione. Otteniamo così una sequenza crescente (nel senso dell'inclusione dell'insieme di archi), di 1 + n ( n –1) / 2 grafi casuali, che forma un processo a tempo discreto con valori nell'insieme dei grafici . Ogni termine nella sequenza è un grafico casuale uniforme definito nella sezione precedente. Un vantaggio di questa costruzione è quello di vedere coesistere diversi grafi casuali con parametri M differenti , sullo stesso spazio probabilizzato, e quindi poter confrontare le loro caratteristiche, non come media o in diritto, ma per ogni elemento prob dello spazio probabilizzato considerato. Ciò rende possibile ragionare per accoppiamento.{G(non,M)}0≤M≤non(non-1)/2,{\ displaystyle \ {\ mathbb {G} (n, M) \} _ {0 \ leq M \ leq n (n-1) / 2},}
- Possiamo anche associare ad ogni arco e di J una variabile casuale T e , il peso del bordo, in modo che la famiglia ( T e ) e ∈ J sia una famiglia di variabili casuali iid, ad esempio con legge uniforme su l ' intervallo [0, 1]. Indichiamo quindi il grafico formato dai bordi il cui peso è inferiore a p . Per ogni bordo, questo avviene con probabilitàG(non,p){\ displaystyle \ mathbb {G} (n, p)}
P(Te≤p) = p.{\ displaystyle \ mathbb {P} (T_ {e} \ leq p) \ = \ p.}
Si ottiene così una famiglia crescente, di grafi casuali, che forma un processo temporale continuo, con valori nell'insieme dei grafici. Questa famiglia è in aumento nel senso dell'inclusione dell'insieme di archi: un arco e presente in è presente anche in poiché Ogni termine della famiglia di grafi è un
grafo casuale binomiale definito in precedenza.
{G(non,p)}0≤p≤1,{\ displaystyle \ {\ mathbb {G} (n, p) \} _ {0 \ leq p \ leq 1},}G(non,p){\ displaystyle \ mathbb {G} (n, p)}G(non,p+ε), ε>0,{\ displaystyle \ mathbb {G} (n, p + \ varepsilon), \ \ varepsilon> 0,}{Te≤p} ⇒ {Te≤p+ε}.{\ displaystyle \ {T_ {e} \ leq p \} \ \ Rightarrow \ \ {T_ {e} \ leq p + \ varepsilon \}.}Metafora. Possiamo immaginare i vertici del grafo come n isole su un lago, comunicanti con l'ausilio di passerelle (bordi e ), sommerse alle rispettive profondità T e sotto la superficie dell'acqua. Se il lago si svuota gradualmente delle sue acque, vedremo gradualmente emergere i ponti e si formeranno le relative componenti che riuniscono sempre più isole.
Collegamenti tra i due modelli
In virtù del teorema del limite centrale , o disuguaglianza di Hoeffding , la distribuzione binomiale è molto concentrata attorno alla sua aspettativa. Più precisamente, il numero di archi N p di un grafo di legge aleatoria è quindi molto vicino a specialmente se quest'ultima quantità è grande davanti a n : infatti,
G(non,p){\ displaystyle \ mathbb {G} (n, p)}M^=⌊p (non2)⌋{\ displaystyle {\ hat {M}} = \ left \ lfloor p \ {n \ scegli 2} \ right \ rfloor}M^{\ displaystyle {\ hat {M}}}
∀t>0,P(|NONp-M^|≥tnon) ≤ 2e-2t2.{\ displaystyle \ forall t> 0, \ qquad \ mathbb {P} \ left (\ left | N_ {p} - {\ hat {M}} \ right | \ geq tn \ right) \ \ leq \ 2 \, \ mathrm {e} ^ {- 2t ^ {2}}.}
Inoltre, la distribuzione condizionale di sapere che N p = M è precisamente Per questo motivo, se M è vicino a , o, in modo equivalente, se
G(non,p){\ displaystyle \ \ mathbb {G} (n, p)}G(non,M).{\ displaystyle \ mathbb {G} (n, M).}M^{\ displaystyle {\ hat {M}}}
p≃2Mnon(non-1),{\ displaystyle p \ simeq {\ frac {2M} {n (n-1)}},}
è generalmente accettato (e spesso dimostrato) che i due modelli e abbiano proprietà molto simili.
G(non,p){\ displaystyle \ mathbb {G} (n, p)}G(non,M){\ displaystyle \ mathbb {G} (n, M)}
Andando oltre, sia T ( k ) il valore k -esimo della sequenza una volta che quest'ultima sequenza è disposta in ordine crescente: la sequenza è chiamata la sequenza delle statistiche di ordine della sequenza Quando p assume il valore casuale T ( M ) , quindi è esattamente
Per corroborare le osservazioni precedenti, notare che T ( M ) è molto vicino a nel senso che, come conseguenza dei famosi risultati di Donsker e Kolmogorov , la probabilità
(Te)e∈J{\ displaystyle (T_ {e}) _ {e \ in J}}(T(K))1≤e≤non(non-1)/2{\ displaystyle (T _ {(k)}) _ {1 \ leq e \ leq n (n-1) / 2}}(Te)e∈J.{\ displaystyle (T_ {e}) _ {e \ in J}.}G(non,T(M)){\ displaystyle \ mathbb {G} (n, T _ {(M)})}G(non,M).{\ displaystyle \ mathbb {G} (n, M).}2M/non(non-1),{\ displaystyle 2M / n (n-1),}
φnon(X)=P(sup1≤M≤non(non-1)/2{|T(M)-2Mnon(non-1)|}≥X2non){\ Displaystyle \ varphi _ {n} (x) = \ mathbb {P} \ left (\ sup _ {1 \ leq M \ leq n (n-1) / 2} \ left \ {| T _ {(M )} - {\ tfrac {2M} {n (n-1)}} | \ right \} \ geq {\ tfrac {x {\ sqrt {2}}} {n}} \ right)}
soddisfatto
exp(-2X2) ≤ lim infnonφnon(X) ≤ lim supnonφnon(X) ≤ 2∑r=1+∞(-1)r-1exp(-2r2X2),{\ Displaystyle \ exp (-2x ^ {2}) \ \ leq \ \ liminf _ {n} \ varphi _ {n} (x) \ \ leq \ \ limsup _ {n} \ varphi _ {n} (x ) \ \ leq \ 2 \ sum _ {r = 1} ^ {+ \ infty} (- 1) ^ {r-1} \ exp (-2r ^ {2} x ^ {2}),}
il 1 ° e 4 th termini essendo le code della distribuzione dei Rayleigh e Kolmogorov leggi , rispettivamente: in sintesi, l'estremo superiore (quando M varia) degli errori è dell'ordine di 1 / n .
|T(M)-2M/non(non-1)|{\ displaystyle | T _ {(M)} - 2M / n (n-1) |}
Ordine e crescita
Un grafico può essere visto come una parte del set J di bordi, quindi lo spazio probabilità è qui Ohm tutte le parti di J , che a volte può identificare {0,1} J . Questa identificazione è particolarmente utile quando vogliamo applicare la disuguaglianza di Harris .
- L'inclusione è una relazione di ordine parziale su Ω.
- Come al solito, una mappa X definita su Ω, con valori reali, si dice crescente se
{ω≤ω′}⇒{X(ω)≤X(ω′)}.{\ displaystyle \ {\ omega \ leq \ omega ^ {\ prime} \} \ quad \ Rightarrow \ quad \ {X (\ omega) \ leq X (\ omega ^ {\ prime}) \}.}
- Si dice che una parte A di Ω sia crescente se
{ω≤ω′ e ω∈A}⇒{ω′∈A}.{\ displaystyle \ {\ omega \ leq \ omega ^ {\ prime} \ {\ text {e}} \ \ omega \ in A \} \ quad \ Rightarrow \ quad \ {\ omega ^ {\ prime} \ in A \}.}
Allo stesso modo, si dice che una parte A di Ω aumenta se la sua
funzione di indicatore è in aumento.
- La proprietà di decadimento di un'applicazione o di una parte ha una definizione analoga.
Esempi:
Tra le proprietà e i parametri di un grafico,
- la connessione sta aumentando, ad es. la parte A di Ω composta da tutti i grafi connessi, è una parte crescente di Ω: se aggiungiamo un arco a un grafo connesso, il grafo così ottenuto è ancora connesso;
- la planarità è in diminuzione: se togliamo uno spigolo da un grafo planare, il grafo così ottenuto è ancora planare;
- il numero cromatico è in aumento;
- il numero di stabilità sta diminuendo;
- la proprietà senza triangolo sta diminuendo.
Abbiamo la seguente disuguaglianza:
Disuguaglianza di Harris - Nel quadro del grafo casuale binomiale ,
- vale a dire due variabili casuali X e Y crescenti su Ω. Allora
E[XY]≥E[X]E[Y];{\ Displaystyle \ mathbb {E} [XY] \ geq \ mathbb {E} \ sinistra [X \ destra] \ mathbb {E} [Y] \,;}
- vale a dire due parti crescenti A e B di Ω. Allora
P(A∩B)≥P(A)P(B).{\ Displaystyle \ mathbb {P} (A \ cap B) \ geq \ mathbb {P} (A) \ mathbb {P} (B).}
Appunti:
- Ciò equivale a dire che esiste una correlazione positiva tra le variabili interessate, poiché possiamo riformulare la prima disuguaglianza nella seguente forma utilizzando la covarianza :
Cov(X,Y) ≥ 0.{\ displaystyle {\ text {Cov}} \ sinistra (X, Y \ destra) \ \ geq \ 0.}
- La disuguaglianza vale anche per variabili o parti decrescenti, ma il significato delle disuguaglianze cambia quando le variabili o le parti coinvolte hanno significati opposti di monotonia.
Connettività
La soglia di connettività
Teorema (Erdős, Rényi, 1960) - Poniamo a n = np ( n ) - ln n , o ancora:
p(non) = lnnonnon+anonnon.{\ displaystyle p (n) \ = \ {\ frac {\ ln n} {n}} \, + \, {\ frac {a_ {n}} {n}}.}
- Se alloralimnonanon=+∞,{\ displaystyle \ lim _ {n} a_ {n} = + \ infty,}limnonP(G(p(non),non) eSt vsononnoneXe)=1.{\ Displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ è ~ correlato} \ right) = 1.}
- Se alloralimnonanon=-∞,{\ displaystyle \ lim _ {n} a_ {n} = - \ infty,}limnonP(G(p(non),non) eSt vsononnoneXe)=0.{\ Displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ è ~ correlato} \ right) = 0.}
Diciamo che ln ( n ) / n è una soglia stretta per la proprietà di connettività, ristrettezza riferita al fatto che la proprietà è soddisfatta anche se tende all'infinito strettamente meno rapidamente dianon{\ displaystyle a_ {n}}lnnon.{\ displaystyle \ ln n.}
Dimostrazione
Ci diamo un grafo aleatorio G n con legge e un grafo aleatorio con legge Il teorema segue dal teorema del doppio esponenziale , che a sua volta deriva dall'enumerazione di punti isolati effettuata nella sezione seguente. La connettività è una proprietà in aumento , quindi, non appena n è sufficientemente grande
G(p(non),non){\ Displaystyle \ mathbb {G} \ left (p (n), n \ right)}G~non{\ displaystyle {\ tilde {G}} _ {n}}G(p~(non),non).{\ displaystyle \ mathbb {G} \ left ({\ tilde {p}} (n), n \ right).}
p(non) = lnnonnon+anonnon≥lnnonnon+vsnon+ε(non)non = p~(non),{\ displaystyle p (n) \ = \ {\ frac {\ ln n} {n}} \, + \, {\ frac {a_ {n}} {n}} \ quad \ geq \ quad {\ frac { \ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {n}} \ = \ {\ tilde {p}} (n),}
abbiamo anche
P(Gnon eSt vsononnoneXe)≥P(G~non eSt vsononnoneXe).{\ displaystyle \ mathbb {P} \ left (G_ {n} \ mathrm {~ è ~ correlato} \ right) \ geq \ mathbb {P} \ left ({\ tilde {G}} _ {n} \ mathrm { ~ è ~ correlato} \ right).}
Infatti, anche se ciò significa costruire e usare la stessa uniforme variabili IID , sullo stesso spazio Ω probabilized, come indicato nella sezione “I due processi casuali con valori grafico” , si ha, per tutti ω di Ω,
Gnon{\ displaystyle G_ {n}}G~non{\ displaystyle {\ tilde {G}} _ {n}}(Ue)e∈J{\ displaystyle (U_ {e}) _ {e \ in J}}
Gnon(ω)⊃G~non(ω),{\ displaystyle G_ {n} (\ omega) \ supset {\ tilde {G}} _ {n} (\ omega),}
pertanto
{G~non(ω) è collegato}⇒{Gnon(ω) eSt vsononnoneXe},{\ displaystyle \ left \ {{\ tilde {G}} _ {n} (\ omega) {\ text {è correlato}} \ right \} \ Rightarrow \ left \ {G_ {n} (\ omega) \ mathrm {~ è ~ correlato} \ right \},}
e
P(G~non eSt vsononnoneXe)≤P(Gnon eSt vsononnoneXe).{\ displaystyle \ mathbb {P} \ left ({\ tilde {G}} _ {n} \ mathrm {~ è ~ correlato} \ right) \ leq \ mathbb {P} \ left (G_ {n} \ mathrm { ~ è ~ correlato} \ right).}
Se ne consegue che, per qualsiasi numero reale c ,
limnonanon=+∞,{\ displaystyle \ lim _ {n} a_ {n} = + \ infty,}
lim infnonP(G(p(non),non) eSt vsononnoneXe)≥e-e-vs,{\ displaystyle \ liminf _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ è ~ correlato} \ right) \ geq \ mathrm { e} ^ {- \ mathrm {e} ^ {- c}},}
o anche
lim infnonP(G(p(non),non) eSt vsononnoneXe)≥sup{e-e-vs|vs∈R} = 1.{\ Displaystyle \ liminf _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ è ~ correlato} \ right) \ geq \ sup \ sinistra \ {\ mathrm {e} ^ {- \ mathrm {e} ^ {- c}} \, | \, c \ in \ mathbb {R} \ destra \} \ = \ 1.}
D'altra parte, se allora, per n sufficientemente grande, avremo, per tutti ω , e
limnonanon=-∞,{\ displaystyle \ lim _ {n} a_ {n} = - \ infty,}Gnon(ω)⊂G~non(ω),{\ displaystyle G_ {n} (\ omega) \ subset {\ tilde {G}} _ {n} (\ omega),}
P(G~non eSt vsononnoneXe)≥P(Gnon eSt vsononnoneXe).{\ displaystyle \ mathbb {P} \ left ({\ tilde {G}} _ {n} \ mathrm {~ è ~ correlato} \ right) \ geq \ mathbb {P} \ left (G_ {n} \ mathrm { ~ è ~ correlato} \ right).}
Quindi, per qualsiasi numero reale c ,
lim supnonP(G(p(non),non) eSt vsononnoneXe)≤inf{e-e-vs|vs∈R} = 0.{\ displaystyle \ limsup _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left (p (n), n \ right) \ mathrm {~ è ~ correlato} \ right) \ leq \ inf \ sinistra \ {\ mathrm {e} ^ {- \ mathrm {e} ^ {- c}} \, | \, c \ in \ mathbb {R} \ destra \} \ = \ 0.}
Enumerazione di punti isolati
È più facile (più probabile) riuscire a tagliare le n - 1 connessioni tra un punto e il suo complemento, rispetto alle k ( n - k ) connessioni tra un gruppo di k punti e il suo complemento, perché la funzione f ( k ) = k ( n - k ) aumenta molto rapidamente intorno a 1, quindi, all'aumentare di k , molti più bordi da tagliare e una probabilità molto inferiore di tagliarli tutti con successo. Come corollario, con la scelta del parametro p fatta sopra, il grafo G ( n , p ) risulterà non connesso “quasi solo” se ha punti isolati, nel senso che la probabilità di essere connesso è molto vicina a la probabilità di non avere punti isolati, che è approssimativamente uguale a e –e - c Infatti, abbiamo il seguente risultato:
P(Xnon=0),{\ displaystyle \ mathbb {P} \ sinistra (X_ {n} = 0 \ destra),}
Punti isolati (Erdős, Rényi, 1960). -
Supponi che
p~(non) = lnnonnon+vsnon+ε(non)non.{\ displaystyle {\ tilde {p}} (n) \ = \ {\ frac {\ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {non}}.}
Allora il numero X n di punti isolati del grafo converge di diritto verso una distribuzione di Poisson del parametro e - c .
G(p~(non),non){\ displaystyle G \ sinistra ({\ tilde {p}} (n), n \ destra)}
Dimostrazione
In ciò che segue, abbreviamo in e ci poniamo
G(p~(non),non){\ displaystyle G \ sinistra ({\ tilde {p}} (n), n \ destra)}G~non,{\ displaystyle {\ tilde {G}} _ {n},}
μ=e-vs.{\ displaystyle \ mu = \ mathrm {e} ^ {- c}.}
Sia X n il numero di punti isolati di Lo sappiamo
G~non.{\ displaystyle {\ tilde {G}} _ {n}.}
Xnon=Y1+Y2+⋯+Ynon,{\ displaystyle X_ {n} = Y_ {1} + Y_ {2} + \ dots + Y_ {n},}
o
Yio=1le Sommet io eSt ioSole´.{\ displaystyle Y_ {i} = 1 _ {\ mathrm {il ~ vertice ~} i \ mathrm {~ è ~ isol {\ acute {e}}}}.}
Usiamo il metodo dei momenti fattoriali. Sia I n , A l'insieme delle iniezioni di in For all[[1,non]]{\ displaystyle [\! [1, n] \!]}A.{\ displaystyle A.}r≥1,{\ displaystyle r \ geq 1,}
(Xnon)r=(Y1+Y2+⋯+Ynon)r=∑φ∈ior,[[1,non]] ∏io=1rYφ(io).{\ displaystyle (X_ {n}) _ {r} = (Y_ {1} + Y_ {2} + \ dots + Y_ {n}) _ {r} = \ sum _ {\ varphi \ in I_ {r, [\! [1, n] \!]}} \ \ Prod _ {i = 1} ^ {r} Y _ {\ varphi (i)}.}
I termini della somma precedente appaiono effettivamente nell'espansione di ma, a parte questi termini, questa espansione fa emergere molti altri termini che apparentemente entrano in conflitto. In effetti, neanche
∏io=1rYφ(io){\ displaystyle \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)}}(Y1+Y2+⋯+Ynon)r,{\ displaystyle (Y_ {1} + Y_ {2} + \ dots + Y_ {n}) _ {r},}
E={a∈[[1,non]]|Ya=1}.{\ displaystyle E = \ left \ {a \ in [\! [1, n] \!] \, | \, Y_ {a} = 1 \ right \}.}
Allora
∀φ∈ior,[[1,non]],∏io=1rYφ(io)=1φ∈ior,E,{\ displaystyle \ forall \, \ varphi \ in I_ {r, [\! [1, n] \!]}, \ qquad \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i) } = 1 _ {\ varphi \ in I_ {r, E}},}
pertanto
∑φ∈ior,[[1,non]] ∏io=1rYφ(io) = |ior,E| = (|E|)r = (Xnon)r.{\ Displaystyle \ sum _ {\ varphi \ in I_ {r, [\! [1, n] \!]}} \ \ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)} \ = \ | I_ {r, E} | \ = \ (| E |) _ {r} \ = \ (X_ {n}) _ {r}.}
Inoltre, per simmetria,
E[∏io=1rYφ(io)] = E[∏io=1rYio]=(1-p~(non))r(non-1)-r(r-1)/2,{\ displaystyle \ mathbb {E} \ left [\ prod _ {i = 1} ^ {r} Y _ {\ varphi (i)} \ right] \ = \ \ mathbb {E} \ left [\ prod _ { i = 1} ^ {r} Y_ {i} \ right] = (1 - {\ tilde {p}} (n)) ^ {r (n-1) -r (r-1) / 2},}
dove r ( n -1) è il numero di archi potenzialmente risultanti da un vertice di E , e dove r ( r -1) / 2 è il numero di archi tra due vertici di E , cioè. quelli che vengono contati il doppio nel totale r ( n -1) . In tal modo
E[(Xnon)r]=(non)r(1-p~(non))r(non-1)-r(r-1)/2≃nonr(1-p~(non))r(non-1)=(non(1-p~(non))non-1)r≃μr.{\ displaystyle {\ begin {align} \ mathbb {E} \ left [(X_ {n}) _ {r} \ right] & = (n) _ {r} (1 - {\ tilde {p}} ( n)) ^ {r (n-1) -r (r-1) / 2} \\ & \ simeq n ^ {r} (1 - {\ tilde {p}} (n)) ^ {r (n -1)} \\ & = \ left (n (1 - {\ tilde {p}} (n)) ^ {n-1} \ right) ^ {r} \\ & \ simeq \ mu ^ {r} . \ end {allineato}}}
Pertanto, con il metodo dei momenti, X n converge di diritto a una distribuzione di Poisson con parametro μ , e
limP(Xnon=0) = e-μ = e-e-vs.{\ Displaystyle \ lim \ mathbb {P} \ left (X_ {n} = 0 \ right) \ = \ \ mathrm {e} ^ {- \ mu} \ = \ \ mathrm {e} ^ {- \ mathrm { e} ^ {- c}}.}
Questo teorema è un esempio lampante del paradigma Fish , che, quando presenta molte opportunità di osservare un evento raro ( cioè d. Improbabile), il numero totale di eventi rari effettivamente osservati segue una legge di Poisson .
Il teorema del doppio esponenziale
Erdős e Rényi deducono un risultato più preciso rispetto alla proprietà della soglia stretta:
Teorema della doppia esponenziale (Erdős, Rényi, 1960) -
Supponi che
p~(non) = lnnonnon+vsnon+ε(non)non.{\ displaystyle {\ tilde {p}} (n) \ = \ {\ frac {\ ln n} {n}} + {\ frac {c} {n}} + {\ frac {\ varepsilon (n)} {non}}.}
Allora
limnonP(G(p~(non),non) eSt vsononnoneXe)=e-e-vs.{\ displaystyle \ lim _ {n} \ mathbb {P} \ left (\ mathbb {G} \ left ({\ tilde {p}} (n), n \ right) \ mathrm {~ è ~ correlato} \ right ) = e ^ {- e ^ {- c}}.}
Dimostrazione
Se è senza punto isolato, e quindi ci sono poche possibilità che sia qualcosa di diverso da connesso (cfr. Spencer, 10 lezioni su grafici casuali ). Infatti, sia B una parte di e sia k il suo cardinale. Indichiamo l'evento " B è una componente connessa di ". L'evento può essere visto come l'unione (non disgiunta) di
k k -2 sottoinsiemi di probabilità
Xnon=0,{\ displaystyle X_ {n} = 0,} G~non{\ displaystyle {\ tilde {G}} _ {n}}G~non{\ displaystyle {\ tilde {G}} _ {n}}[[1,non]]{\ displaystyle [\! [1, n] \!]}VSB{\ displaystyle {\ mathcal {C}} _ {B}} G~non{\ displaystyle {\ tilde {G}} _ {n}}VSB{\ displaystyle {\ mathcal {C}} _ {B}}p~(non)K-1(1-p~(non))K(non-K),{\ displaystyle {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)},}
che porta al seguente aumento:
P(VSB) ≤ KK-2p~(non)K-1(1-p~(non))K(non-K).{\ displaystyle \ mathbb {P} ({\ mathcal {C}} _ {B}) \ \ leq \ k ^ {k-2} {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)}.}
Indica qui il numero di possibili spanning tree per un grafo connesso i cui vertici sarebbero gli elementi di B , o anche, in modo equivalente, il numero di possibili scelte di una famiglia di k -1 archi che rende correlato l'insieme B. Inoltre, è la probabilità che gli spigoli k -1 dello spanning tree considerato siano effettivamente presenti, ed è la probabilità che non sia presente alcun arco che collega un vertice di B ad un vertice di B c , tale che B cioè non solo connesso , ma anche massima tra le parti connesse del grafico.
KK-2{\ displaystyle k ^ {k-2}}p~(non)K-1{\ displaystyle {\ tilde {p}} (n) ^ {k-1}}(1-p~(non))K(non-K){\ displaystyle (1 - {\ tilde {p}} (n)) ^ {k (nk)}}
L'evento
Dnon={Xnon=0 maioS G~non non′eSt paS vsononnoneXe}{\ displaystyle D_ {n} = \ {X_ {n} = 0 \ mathrm {~ mais ~} {\ tilde {G}} _ {n} \ mathrm {~ n} ^ {\ prime} \ mathrm {est ~ non ~ correlato} \}}
controllato
Dnon⊂⋃2≤|B|≤non/2VSB.{\ displaystyle D_ {n} \ subset \ bigcup _ {2 \ leq | B | \ leq n / 2} {\ mathcal {C}} _ {B}.}
Infatti, sotto l'ipotesi D n , ha più componenti connesse, quindi la più piccola di esse (nel senso del numero di vertici) ha al massimo n / 2 vertici, ma questa più piccola componente connessa ha almeno due vertici, poiché X n = 0 . In tal modo
G~non{\ displaystyle {\ tilde {G}} _ {n}}
P(Dnon)≤∑2≤|B|≤non/2P(VSB)≤∑2≤K≤non/2(nonK)KK-2p~(non)K-1(1-p~(non))K(non-K)≤∑2≤K≤non/2uK.{\ displaystyle {\ begin {align} \ mathbb {P} (D_ {n}) & \ leq \ sum _ {2 \ leq | B | \ leq n / 2} \ mathbb {P} ({\ mathcal {C }} _ {B}) \\ & \ leq \ sum _ {2 \ leq k \ leq n / 2} {n \ scegli k} k ^ {k-2} {\ tilde {p}} (n) ^ {k-1} (1 - {\ tilde {p}} (n)) ^ {k (nk)} \\ & \ leq \ sum _ {2 \ leq k \ leq n / 2} u_ {k}. \ end {allineato}}}
Tuttavia, per α > 0 ,
u2≤non-1+αlnnon{\ displaystyle {\ begin {allineato} u_ {2} & \ leq n ^ {- 1+ \ alpha} \, \ ln n \ end {allineato}}}
non appena
lnnon≥max[vs+ε(non),(-2vs-2ε(non)+4p~(non))/α].{\ Displaystyle \ ln n \ geq \ max \ left [c + \ varepsilon (n) \ ,, (- 2c-2 \ varepsilon (n) +4 {\ tilde {p}} (n)) / \ alpha \ a destra].}
Proprio come un componente connesso di dimensione maggiore di 2 è molto meno probabile di un componente connesso di dimensione 1, un componente connesso di dimensione maggiore di 3 è molto meno probabile di un componente connesso di dimensione 2, il che si traduce in
Proprietà -
Quando n tende all'infinito
u2(non) ≫ ∑3≤K≤non/2uK(non).{\ Displaystyle u_ {2} (n) \ \ gg \ \ sum _ {3 \ leq k \ leq n / 2} u_ {k} (n).}
Alcuni calcoli un po 'dolorosi, senza essere francamente difficili, portano a questo risultato.
Dimostrazione
Il limite dato sopra per u 2 ( n ) non è solo un limite superiore, ma di fatto fornisce l'ordine di grandezza di u 2 ( n ) . Per quanto riguarda il resto della somma, dobbiamo tagliarla in due prima di aumentare ciascuno dei due pezzi:
uK+1uK=(non-K)(1+1K)K-2p~(non)×(1-p~(non))non-2K-1=(non-K)(e+ε^(K))p~(non)×(1-p~(non))non-2K-1≤vs^lnnon (1-p~(non))non-2K-1{\ displaystyle {\ begin {align} {\ frac {u_ {k + 1}} {u_ {k}}} & = (nk) \, (1 + {\ tfrac {1} {k}}) ^ { k-2} \, {\ tilde {p}} (n) \ times (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \\ & = (nk) \, ( e + {\ hat {\ varepsilon}} (k)) \, {\ tilde {p}} (n) \ times (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \ \ & \ leq {\ hat {c}} \, \ ln n \ (1 - {\ tilde {p}} (n)) ^ {n-2k-1} \ end {allineato}}}
o
∀non,K,vs^≥(e+ε^(K))nonp~(non)lnnon.{\ displaystyle \ forall n, k, \ quad {\ hat {c}} \ geq (e + {\ hat {\ varepsilon}} (k)) \, {\ frac {n {\ tilde {p}} ( n)} {\ ln n}}.}
Per e0<β<(1-γ)/2<0,5,{\ displaystyle 0 <\ beta <(1- \ gamma) / 2 <0,5,}K≤βnon,{\ displaystyle k \ leq \ beta n,}
uK+1uK≤vs^lnnon exp[-p~(non)(non-2K-1)]≤vs^non-γlnnon,{\ displaystyle {\ begin {align} {\ frac {u_ {k + 1}} {u_ {k}}} & \ leq {\ hat {c}} \, \ ln n \ \ exp \ left [- { \ tilde {p}} (n) (n-2k-1) \ right] \\ & \ leq {\ hat {c}} n ^ {- \ gamma} \ ln n, \ end {allineato}}}
non appena
lnnon≥p~(non)+(vs+ε(non))(2β-1)1-2β-γ.{\ displaystyle \ ln n \ geq {\ frac {{\ tilde {p}} (n) + (c + \ varepsilon (n)) (2 \ beta -1)} {1-2 \ beta - \ gamma} }.}
Pertanto, per n sufficientemente grande, diminuisce più velocemente di una sequenza esponenziale della ragione quando e
uK{\ displaystyle u_ {k}}vs^non-γlnnon,{\ displaystyle {\ hat {c}} n ^ {- \ gamma} \ ln n,}2≤K≤1+βnon,{\ displaystyle 2 \ leq k \ leq 1+ \ beta n,}
∑K=21+βnonuK ≤ u21-vs^non-γlnnon ≤ 2non-1+αlnnon.{\ displaystyle \ sum _ {k = 2} ^ {1+ \ beta n} u_ {k} \ \ leq \ {\ frac {u_ {2}} {1 - {\ hat {c}} n ^ {- \ gamma} \ ln n}} \ \ leq \ 2n ^ {- 1+ \ alpha} \, \ ln n.}
Inoltre, per possiamo trovare c e ρ positiva, in modo tale che, per tutti0<α<1/4,{\ displaystyle 0 <\ alpha <1/4,}non≥1,{\ displaystyle n \ geq 1,}
unon/2≤vsρnonnon-αnon.{\ displaystyle {\ begin {allineato} u_ {n / 2} & \ leq c \, \ rho ^ {n} \, n ^ {- \ alpha n}. \ end {allineato}}}
Per e0<β<(1-γ)/2<0,5,{\ displaystyle 0 <\ beta <(1- \ gamma) / 2 <0,5,}K≥βnon,{\ displaystyle k \ geq \ beta n,}
uK-1uK≤dlnnon exp[p~(non)(non-2K+1)]≤dnon(1-2β)2/γlnnon≤dnon(1-2β)2/γ,{\ displaystyle {\ begin {align} {\ frac {u_ {k-1}} {u_ {k}}} & \ leq {\ frac {d} {\ ln n}} \ \ exp \ left [{\ tilde {p}} (n) (n-2k + 1) \ right] \\ & \ leq {\ frac {d \, n ^ {(1-2 \ beta) ^ {2} / \ gamma}} { \ ln n}} \\ & \ leq d \, n ^ {(1-2 \ beta) ^ {2} / \ gamma}, \ end {allineato}}}
non appena n è abbastanza grande. Pertanto, per e abbastanza vicino a 0,5, abbastanza vicino a 1,
non/2≥K≥βnon,{\ displaystyle n / 2 \ geq k \ geq \ beta n,}β{\ displaystyle \ beta}(1-2β)/γ{\ displaystyle (1-2 \ beta) / \ gamma}
-α+((1-2β)3/2γ)<0,uKunon/2≤d(1-2β)non/2nonnon(1-2β)3/2γ,uK≤vsρ~nonnon(-α+((1-2β)3/2γ))non,{\ displaystyle {\ begin {align} - \ alpha + ((1-2 \ beta) ^ {3} / 2 \ gamma) & <0, \\ {\ frac {u_ {k}} {u_ {n / 2}}} & \ leq d ^ {(1-2 \ beta) n / 2} n ^ {n (1-2 \ beta) ^ {3} / 2 \ gamma}, \\ u_ {k} & \ leq c \, {\ tilde {\ rho}} ^ {n} \, n ^ {(- \ alpha + ((1-2 \ beta) ^ {3} / 2 \ gamma)) n}, \ end { allineato}}}
e
∑K=βnonnon/2uK ≤ vsρ^nonnon(-α+((1-2β)3/2γ))non ≪ u2.{\ Displaystyle \ sum _ {k = \ beta n} ^ {n / 2} u_ {k} \ \ leq \ c \, {\ hat {\ rho}} ^ {n} \, n ^ {(- \ alpha + ((1-2 \ beta) ^ {3} / 2 \ gamma)) n} \ \ ll \ u_ {2}.}
Perciò
limnonP(G~non eSt vsononnoneXe)=limnonP(Xnon=0).{\ displaystyle \ lim _ {n} \ mathbb {P} \ left ({\ tilde {G}} _ {n} \ mathrm {~ è ~ correlato} \ right) = \ lim _ {n} \ mathbb {P } \ sinistra (X_ {n} = 0 \ destra).}
Indichiamo con T n il primo istante t in cui il grafo è connesso:
G(t,non){\ Displaystyle \ mathbb {G} \ left (t, n \ right)}
Tnon = inf{t≥0 | G(t,non) eSt vsononnoneXe},{\ displaystyle T_ {n} \ = \ \ inf \ left \ {t \ geq 0 \ | \ \ mathbb {G} (t, n) \ mathrm {~ è ~ correlato} \ right \},}
così che
{G(t,non) eSt vsononnoneXe}⇒{Tnon≤t}⇒{∀ε>0,G(t+ε,non) eSt vsononnoneXe}.{\ displaystyle \ left \ {\ mathbb {G} \ left (t, n \ right) \ mathrm {~ è ~ correlato} \ right \} \ quad \ Rightarrow \ quad \ left \ {T_ {n} \ leq t \ right \} \ quad \ Rightarrow \ quad \ left \ {\ forall \ varepsilon> 0, \ quad \ mathbb {G} \ left (t + \ varepsilon, n \ right) \ mathrm {~ è ~ correlato} \ right \}.}
Possiamo quindi vedere il teorema del doppio esponenziale come risultato sull'espansione asintotica di T n : se Z n è definito dalla seguente relazione:
Tnon = lnnonnon + Znonnon,{\ displaystyle T_ {n} \ = \ {\ frac {\ ln n} {n}} \ + \ {\ frac {Z_ {n}} {n}},}
quindi il teorema del doppio esponenziale afferma che Z n converge di diritto verso la distribuzione di Gumbel , che potrebbe essere tradotta, in una versione probabilistica della notazione di Landau , da:
Tnon = lnnonnon + Θ(1non).{\ displaystyle T_ {n} \ = \ {\ frac {\ ln n} {n}} \ + \ \ Theta \ left ({\ frac {1} {n}} \ right).}
L'infinito grafico casuale
Erdős e Rényi hanno generalizzato il modello binomiale al caso di un grafo infinito numerabile , mostrando che abbiamo quindi ottenuto ( quasi sicuramente ) un grafo che possiede proprietà di universalità (contenente in particolare qualsiasi grafo finito o numerabile come sottografo ); questo grafico è stato riscoperto più volte ed è più spesso noto come il grafico Rado .
Vedi anche
Appunti
-
Il primo articolo, pubblicato nel 1959 , è "On Random Graphs I", Publ. Matematica. Debrecen 6, 290.
-
(in) P. Erdős , " Alcune osservazioni sulla teoria dei grafi " , Bull. Amaro. Matematica. Soc. , vol. 53, n o 4,1947, p. 292-294 ( leggi in linea ). Questo articolo è spesso considerato come segno della nascita del "metodo probabilistico" per lo studio dei grafi non casuali, in particolare per la teoria di Ramsey .
-
Per lo sfondo, vedere (in) Mr. Karoński Ruciński e A., "Le origini della teoria dei grafi casuali" , in The Mathematics of Paul Erdős , Berlino, Springer al. "Algorithms Combin. "( N o 13),1997, p. 311-336.
-
Per maggiori dettagli, vedi Janson, Łuczak e Ruciński 2000 , cap. 2, "Probabilità esponenzialmente piccole".
-
Vedi Janson, Łuczak e Ruciński 2000 , sezione 1.4, "Equivalenza asintotica", p. 14.
-
Visualizza (in) Galen R. Shorack e Jon A. Wellner , Empirical Processes With Applications to Statistics , SIAM ,settembre 2009, 998 p. ( ISBN 978-0-89871-684-9 , leggi online ), sezione 3.8, "Limitazione delle distribuzioni nell'ipotesi nulla", p. 142 e cap. 18, "Il processo quantile standardizzato", p. 637.
-
Janson, Łuczak e Rucinski 2000 , Th. 6.7, p. 144.
-
Vedi l'articolo " Bijection de Joyal ", o Martin Aigner e Günter M. Ziegler, Divine Reasonings , 2 ° edizione, 2006, p. 195-201, la formula di Cayley per il numero di alberi .
Bibliografia
-
(en) Béla Bollobás , Random Graphs , Cambridge University Press,Gennaio 2001, 2 ° ed. ( 1 a ed. 1985), 516 p. ( ISBN 978-0-521-79722-1 , leggi in linea ).
-
(en) Svante Janson (en) , Tomasz Łuczak e Andrzej Ruciński, Random Graphs , Wiley-Interscience,Maggio 2000, 1 ° ed. , 333 p. , cartonato ( ISBN 978-0-471-17541-4 ).
-
(en) Joel Spencer (en) , "Nine lectures on random graphs" , in Summer School of Probability of Saint-Flour XXI-1991, Part 3 , Springer, coll. "Appunti delle lezioni in matematica. "( N o 1541)1993, p. 293-347.
Articolo correlato
Introduzione delle probabilità nella teoria dei grafi
Link esterno
Laurent Massoulié, Reti: controllo distribuito e fenomeni emergenti , 2015
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">