[论文解读] Limit theorems for radial random walks on pxq-matrices as p tends to infinity

Margit Rösler, Michael Voit|ArXiv.org|Mar 18, 2007

Random Matrices and Applications参考文献 19被引用 7

一句话总结

该论文利用参数 $\mu \to \infty$ 时矩阵参数贝塞尔函数的渐近分析，建立了 $p \times q$-矩阵上径向随机游走的弱大数定律与强大数定律，以及大偏差原理。关键结果表明，在 $p_k$ 与 $n_k$ 的强增长条件下，归一化的欧几里得范数 $\|S_{n_k}^{p_k}\| / \sqrt{n_k}$ 几乎必然收敛于 $\sqrt{\sigma^2(\nu)}$，将经典极限定理推广至高阶矩阵空间。

ABSTRACT

The radial probability measures on $R^p$ are in a one-to-one correspondence with probability measures on $[0,\infty[$ by taking images of measures w.r.t. the Euclidean norm mapping. For fixed $ν\in M^1([0,\infty[)$ and each dimension p, we consider i.i.d. $R^p$-valued random variables $X_1^p,X_2^p,...$ with radial laws corresponding to $ν$ as above. We derive weak and strong laws of large numbers as well as a large deviation principle for the Euclidean length processes $S_k^p:=\|X_1^p+...+X_k^p\|$ as k,p o\infty in suitable ways. In fact, we derive these results in a higher rank setting, where $R^p$ is replaced by the space of $p imes q$ matrices and $[0,\infty[$ by the cone $Π_q$ of positive semidefinite matrices. Proofs are based on the fact that the $(S_k^p)_{k\ge 0}$ form Markov chains on the cone whose transition probabilities are given in terms Bessel functions $J_μ$ of matrix argument with an index $μ$ depending on p. The limit theorems follow from new asymptotic results for the $J_μ$ as $μ o \infty$. Similar results are also proven for certain Dunkl-type Bessel functions.

研究动机与目标

• 推导 $p \to \infty$ 时 $p \times q$-矩阵上径向随机游走的极限定理——弱大数定律、强大数定律及大偏差原理。
• 将经典极限定理从 $\mathbb{R}^p$ 推广至更高阶矩阵空间，特别是 $M_{p,q}(\mathbb{F})$，其中 $\mathbb{F} = \mathbb{R}, \mathbb{C}, \mathbb{H}$。
• 分析矩阵参数贝塞尔函数 $J_\mu$ 在指标 $\mu \to \infty$ 时的渐近行为，这些函数控制了马尔可夫链 $S_k^p$ 的转移核。
• 建立序列 $p_k$ 与 $n_k$ 的条件，使得归一化的游走长度 $\|S_{n_k}^{p_k}\| / \sqrt{n_k}$ 几乎必然收敛于 $\sqrt{\sigma^2(\nu)}$。
• 在 $p_k$ 指数增长的条件下，为 $\|S_{n_k}^{p_k}\|^2$ 建立大偏差原理，其速率函数由极限测度 $\nu$ 的自由能导出。

提出的方法

• 通过在 $U_p$-作用下不变的 i.i.d. 增量建模 $p \times q$-矩阵上的径向随机游走，将问题约化至正半定矩阵的锥 $\Pi_q$。
• 通过依赖于 $p$ 的指标 $\mu$ 的矩阵参数贝塞尔函数 $J_\mu$ 表示范数过程 $S_k^p = \|X_1^p + \cdots + X_k^p\|$ 的转移概率。
• 利用 $\mu \to \infty$ 时 $J\_\mu$ 的渐近展开，推导矩母函数的收敛性，从而得出极限定理。
• 通过自由能函数 $c(t) = \ln \int e^{ts^2} d\nu(s)$ 应用大偏差理论，该函数由 $\frac{1}{n_k} \ln \mathbb{E}[e^{t(S_{n_k}^{\mu_k})^2}]$ 的极限导出。
• 利用 $J_\mu$ 的界和紧支集上的统一估计，借助 Dukl 型贝塞尔函数在极限下的结构，证明矩母函数的收敛性。
• 基于 Borel-Cantelli 引理与从 $J_\mu$ 渐近行为导出的指数矩界，通过强大数定律论证证明几乎必然收敛。

实验结果

研究问题

• RQ1 当 $k \to \infty$ 时，在何种 $p_k$ 与 $n_k$ 的增长条件下，$\|S_{n_k}^{p_k}\| / \sqrt{n_k}$ 几乎必然收敛于 $\sqrt{\sigma^2(\nu)}$？
• RQ2 当 $\mu \to \infty$ 时，矩阵参数贝塞尔函数 $J_\mu$ 的渐近行为如何决定 $p \times q$-矩阵上径向随机游走的极限行为？
• RQ3 当 $p_k$ 的增长快于指数增长时，能否为平方范数 $\|S_k^p\|^2$ 建立大偏差原理？
• RQ4 对归一化范数过程，其极限自由能函数 $c(t)$ 是什么？它与 i.i.d. 实值随机变量的经典 Cramér 大偏差原理有何关联？
• RQ5 结果如何从秩一情形（$q=1$）推广至更高秩矩阵空间（$q \geq 2$）？渐近分析中的结构性差异是什么？

主要发现

• 对于任意满足 $p_k \to \infty$ 的序列，归一化的游走长度 $\|S_k^{p_k}\| / \sqrt{k}$ 依概率收敛于 $\sqrt{\sigma^2(\nu)}$，将经典弱大数定律推广至矩阵情形。
• 在强增长条件下——对所有 $a \in \mathbb{N}$，有 $p_k / k^a \to \infty$，$p_k / (n_k^2 (\ln k)^2) \to \infty$，且 $n_k / (\ln k)^2 \to \infty$——归一化的游走长度 $\|S_{n_k}^{p_k}\| / \sqrt{n_k}$ 几乎必然收敛于 $\sqrt{\sigma^2(\nu)}$。
• 当 $p_k$ 的增长快于指数增长时，$\|S_{n_k}^{p_k}\|^2$ 的大偏差原理成立，其速率函数为 $I(s) = \sup_{t \in \mathbb{R}} (st - c(t))$，其中 $c(t) = \ln \int e^{ts^2} d\nu(s)$。
• 当 $k \to \infty$ 时，$\|S_{n_k}^{p_k}\|^2$ 的矩母函数收敛于 $\exp(n_k c(t))$，其中 $c(t)$ 等于极限测度 $\nu$ 的自由能，与经典 Cramér 理论一致。
• 在 $\mu \to \infty$ 时对 $J_\mu$ 的渐近分析是证明的核心，紧支集上的统一估计与指数衰减控制使得生成函数的收敛性得以实现。
• 对于 $q \geq 1$，当 $\mu_k$ 满足对所有 $a > 0$ 有 $e^{a n_k} / \mu_k \to 0$ 时，强大数定律成立，表明在 $\mu_k$ 极速增长下，收敛性依然稳健。