[论文解读] Random Words, Toeplitz Determinants and Integrable Systems. I

Alexander Its, Craig A. Tracy+1 more|ArXiv.org|Sep 28, 1999

Bayesian Methods and Mixture Models被引用 18

一句话总结

本文建立了非齐次随机词中最长弱递增子序列的极限分布与受限直和高斯酉系族（GUE）特征值分布之间的联系。通过托普利茨行列式方法与可积系统技术，推导出最长递增子序列期望长度的渐近公式，表明均值收敛于 $ Np_1 + \sum_{j>1} \frac{p_j}{p_1 - p_j} + O(1/\sqrt{N}) $，方差为 $ Np_1(1 - p_1) + O(1) $，推广了以往关于齐次模型的结果。

ABSTRACT

It is proved that the limiting distribution of the length of the longest weakly increasing subsequence in an inhomogeneous random word is related to the distribution function for the eigenvalues of a certain direct sum of Gaussian unitary ensembles subject to an overall constraint that the eigenvalues lie in a hyperplane.

研究动机与目标

• 建立非齐次随机词中最长弱递增子序列的统计行为与受限随机矩阵系族特征值分布之间的联系。
• 将先前关于齐次随机词与排列的结果推广至字母概率不等的非齐次情形。
• 推导非齐次随机词中最长递增子序列期望长度的渐近展开式。
• 识别有限 $ N $ 非齐次模型背后的可积系统结构——具体而言，是具有多个极点的 $ 2\times2 $ 线性常微分方程的等单变型变形。
• 分析渐近结果的单值性意义，并将其与Painlevé型微分方程联系起来。

提出的方法

• 使用Robinson-Schensted-Knuth（RSK）对应将随机词映射为一对半标准杨表。
• 应用托普利茨行列式技术分析最长递增子序列的分布。
• 通过条件 $ \sum \sqrt{p_i} \xi_i = 0 $ 下的 $ k_\alpha \times k_\alpha $ GUE 矩阵直和建模极限分布。
• 利用傅里叶变换与渐近分析推导分布函数及其矩的主导行为。
• 采用黎曼-希尔伯特方法与等单变型变形，识别有限 $ N $ 非齐次模型背后的可积系统。
• 通过在 $ \sqrt{N} $ 的负幂次上展开生成函数，并对 GUE 特征值测度应用微扰理论，推导渐近均值与方差。

实验结果

研究问题

• RQ1 非齐次随机词中最长弱递增子序列的极限分布如何与随机矩阵理论相关？
• RQ2 当字母概率不等时，最长递增子序列期望长度的渐近行为是什么？
• RQ3 有限 $ N $ 非齐次随机词模型背后的可积系统是什么？
• RQ4 关联线性常微分方程的单值性性质如何反映子序列长度的渐近统计特性？
• RQ5 当某一字母的概率严格高于其他字母时，即使并非所有 $ p_i $ 都互异，均值的渐近公式是否仍然成立？

主要发现

• 最长弱递增子序列长度 $ \ell_N $ 的极限分布与在条件 $ \sum \sqrt{p_i} \xi_i = 0 $ 下的 $ k_\alpha \times k_\alpha $ GUE 矩阵直和的特征值分布相关。
• 当 $ p_i $ 互异时，渐近均值为 $ \mathbb{E}(\ell_N) = Np_1 + \sum_{j>1} \frac{p_j}{p_1 - p_j} + O(1/\sqrt{N}) $，与有限 $ N $ 的模拟结果高度吻合。
• $ \ell_N $ 的方差渐近为 $ Np_1(1 - p_1) + O(1) $，意味着标准差为 $ \sqrt{Np_1(1 - p_1)} + O(N^{-1/2}) $。
• 在齐次情形（所有 $ p_i $ 相等）下，结果退化为已知的 GUE Tracy-Widom 分布，且约束条件退化为迹为零的 GUE。
• 有限 $ N $ 非齐次模型由具有 $ m+1 $ 个单极点（其中 $ m $ 为不同概率组的数量）和一个无穷远处的非正则奇点（Poincaré 指数为 1）的 $ 2\times2 $ 线性常微分方程的等单变型变形所控制。
• 在极点 $ -p_{i_\alpha} $ 处的形式单值指数由具有相等概率的字母子集的大小 $ k_\alpha $ 给出。