《Random trees An interplay between combinatorics and probability by Michael Drmota 》教材阅读

读这本教材是为了追本溯源，了解随机树以及其发展。

目的：帮助我们了解经过随机树的扩展过程中，某些点的分支数目所代表事件比例。

 

 

第一章

 介绍随机树种类

 

 

第二章

 

介绍一些基本技术

 

第三章

• *第一个目的是树计数，以获取给定大小的树数的显式公式，在这些情况下，如果没有或没有简单的显式公式，则可能具有这些数的渐近信息。
• 对树的几种组合类以及Galton-Watson树的几种组合类的分析是基于生成函数及其分析特性的，这些特性在第2章中进行了讨论。（根）树的递归结构通常会导致相应生成函数的函数方程 。
•  通过借助双变量生成函数扩展这些计数过程，还可以研究（所谓的）这些树类的累加统计，例如给定度数的节点数或更普遍地给定模式的出现数。 在所有这些情况下，我们得出中心极限定理。

 

 

 

 

第4-7章的一般主题是轮廓的限制行为以及不同类别的随机树的相关统计信息。 从离散对象上的自然（顶点）标签开始，例如到树中根顶点的距离，轮廓就是标签的值分布。 更准确地说，如果随机离散对象的大小为n，则轮廓（Xn，k）由带有标签k的顶点的数目Xn，k给出。 背后的想法是轮廓（Xn，k）描述了随机对象的形状。 因此，在适当缩放后搜索轮廓的适当限制对象是很自然的。

第四章

在第4章中，我们讨论了具有后代方差的高尔顿-沃森树的深度分布图（由与根的距离引起），该后代可以通过持续时间为1的布朗漂移的本地时间来近似。此属性与收敛密切相关 归一化的Galton Watson树到Aldous [2，3，4]引入的连续统随机树。 我们在这里使用的证明方法遵循与前几章相同的原理。 我们使用多元生成函数和分析方法。 有趣的是，这些方法也可以应用于未标记的有根树，在那里我们获得相同的近似结果。 上一类树木（也称为P´olya树）的唯一成功方法是基于生成函数并结合P´olya的计数理论。 因此，尽管Polya树绝对不是那种树，但它们看起来像Galton-Watson树。

我自然也就关心一个树长的问题了，就是一个随机树，该树中每个节点的分支长度满足的问题。

第五章

   第5章再次考虑了高尔顿-沃森树，但它是由树上的随机游走引起的另一种形式的文件。我们用零均值固定一个整数分布η。然后，在给定树T的情况下，给T的每个边e赋予η的独立副本ηe。然后，将节点的标签定义为到根的路径上所有边e上的ηe之和。有许多动机来研究这种随机模型。例如，如果η仅具有±1或0和±1的值，则所得树与随机trian调节和四边形紧密相关。此外，随机变量ηe可以看作是树在空间中的嵌入中的随机增量。这个想法最初是由Aldous [5]提出的，并产生了ISE，即集成的超级布朗漂移，它是诱导标签分布的限制占用量度。最终结果是可以通过ISE的（随机）密度来近似对应的轮廓。这个结果远远超出了本书的范围，但是尽管如此，仍然存在一些特殊的情况，这些特殊情况对于本书的框架来说尤其有意义。通过使用意外形式的显式生成函数，分析可以恢复功能极限定理的一维形式，还可以得出ISE多个参数的积分表示。这些观察是由于Bousquet-M´elou [23]。

 

第六章

第6章介绍递归树及其变体（面向平面
递归树，二进制和m元搜索树）。这类树木的有趣特征是可以从不同的角度看待它们：它们可以被视为组合对象（适用通常的计数过程）以及（随机）生长过程的结果。有趣的是，它们的渐近结构与高尔顿-沃森树完全不同。它们是所谓的log n树，这意味着它们的预期高度约为log n（与预期高度为√n的Galton-Watson树相反）。我们为几种基本统计数据（例如度数分布）提供统一的方法。但是，主要重点还是轮廓。在这里，人们观察到大多数顶点都集中在几个水平上，因此规范化项目的（可能）限制对象与布朗运动的某些功能无关。尽管如此，归一化轮廓Xn，k / E Xn，k可以近似为X（k / logn），其中X（t）现在是随机解析函数。我们还处理高度及其浓度属性。

 

第7章

 

第8章

第8章专门讨论所谓的收缩方法，该方法是为处理随机递归关系而开发的，这种递归关系自然出现在诸如Quicksort之类的递归算法的随机分析中。 这种递归也出现在对递归树和二进制搜索的分析中。
树（及其变体）。这个想法是，归一化之后的递推关系稳定为（随机）定点方程可以唯一由的Banach定点定理在一个适当选择的Banach空间设置来解决。 在这里，我们将自己限制为使用Wasser stein度量的L2设置。 我们主要关注Réosler，Ruschendorf，Neininger的工作[158，161，162，186，187]。

 

第9章

 

 

最后的第9章讨论平面图。 乍一看，平面图和树没有什么共同点，但是在组合分析和渐近分析中有很强的相似性。 例如，连接（平面）图的2个连接部分具有树形结构，该树形结构由相应生成函数的结构反映。 特别是在渐近分析中，可以使用第2章中与第3章中的组合树类相同的技术。除了渐近计数问题外，本章的主要目标是研究随机平面图或等效平面图的度分布。 给定度数的期望顶点数，在此我们可以再次使用渐近树计数技术。 本章基于吉姆·恩内斯，诺伊和作者的最新著作[63，64]。

 

第10章