Processing math: 18%

Année 2023-24 - Equipe PEIPS (CMAP)

Groupe de Travail Discrete Random Objects: Limits and EStimates

Résumé de la séance 1 - Introduction au modèle d'Erdős-Rényi

Oratrice : Vanessa Dan (résumé par Maxime Marivain)

Sommaire

Présentation du modèle

Soit n1 et p(0,1) on considère le graphe de sommets 1,2,,n tel que pour tous i<j on a P(i relié à j)=p, indépendamment pour les \binom{n}{2} arêtes potentielles. En général, on note ce graphe G(n,p). Pour un sommet v donné, on note également C(v) la composante connexe contenant v et \mid C(v) \mid la taille de cette composante connexe. Dans la suite on aura p=\frac{\lambda}{n}. On notera aussi:

  • \mathbb{P}_{\lambda} la distribution de G(n,\frac{\lambda}{n})
  • \mathbb{P}_{n,p} la distribution d'un \mu -BGW, \mu\sim Bin(n,p)

Connectivité : Transition de phase en \log(n)/n

Théorème:

Soit c\in\mathbb{R} et p tel que np=\log(n)+c. On a alors: \lim_{n\rightarrow+\infty} \mathbb{P}(G(n,p) \;est\; connexe)=\exp(-\exp(-c)).

Premières bornes : comparaisons avec des Galton-Watson

Théorème:

\mid C(1) \mid\leq T^{>} i.e \forall k \geq 1 \mathbb{P}_{n,p}(\mid C(1) \mid\geq k)\leq \mathbb{P}_{n,p}(T^{>}\geq k)T^{>} est le nombre d'individus dans un \mu-BGW, \mu\sim Bin(n,p).

Théorème:

\forall k \in \{1;...n\} \mathbb{P}_{n,p}(\mid C(1) \mid\geq k)\geq \mathbb{P}_{n-k,p}(T^{<}\geq k)T^{<} est le nombre d'individus dans un \mu-BGW, \mu\sim Bin(n-k,p).

Références

N.Curien. Random Graphs (2023). Disponible sur ce lien .
M.Draief et L.Massoulié. Epidemics and rumours in complex networks (2009). Cambridge University Press.
R.van der Hofstad. Random graphs and complex networks (2009). Disponible sur ce lien.

In [ ]: