首页/论文/1301.0342

arXiv 1301.03422013-01math.PRmath-phmath.MP

熵与Beta随机矩阵系综的Shannon-McMillan-Breiman定理

Entropy and the Shannon-McMillan-Breiman theorem for beta random matrix ensembles

Alexander Bufetov, Sevak Mkrtchyan, Maria Shcherbina, Alexander Soshnikov

备注：: We made small changes suggested by the referees. In particular, we updated the bibliography
DOI：: 10.1007/s10955-013-0761-5

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文证明了具有一般实解析势的随机矩阵理论中的β系综具有渐近均分性质。此外，我们证明了一个中心极限定理的密度的特征值的这些系综。

英文摘要：

We show that beta ensembles in Random Matrix Theory with generic real analytic potential have the asymptotic equipartition property. In addition, we prove a Central Limit Theorem for the density of the eigenvalues of these ensembles.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

关于Young图空间上Plancherel测度族的Shannon-McMillan-Breiman定理的Vershik-Kerov猜想

On the Vershik-Kerov Conjecture Concerning the Shannon-McMillan-Breiman Theorem for the Plancherel Family of Measures on the Space of Young Diagrams

Vershik和Kerov在1985年证明了有限对称群的不可约表示的维数，经过适当的规范化，收敛到一个常数，相对于Plancherel族的措施，对空间的杨图。Vershik-Kerov猜想的陈述可以被看作是Young图增长的非平稳马尔可夫过程的Shannon-McMillan-Breiman定理的类似物。极限常数则解释为Plancherel测度的熵。本文的主要结果是Vershik-Kerov猜想的证明。这一论点是基于鲍罗丁，Okounkov和Olshanski的方法。

2012-06-15math.DSmath.PRmath.RT

超临界通信网络的大偏差Sharron-McMillan-Breiman定理

Large Deviations, Sharron-McMillan-Breiman Theorem for Super-Critical Telecommunication Networks

在这篇文章中，我们得到了大偏差渐近的超临界通信网络建模为信号干扰噪声比网络。为此，我们定义了经验功率测度和经验连接测度，并证明了两个经验测度在两个不同尺度上的联合大偏差原理，即$λ$和$λ^2 a_λ,$，其中$λ$是泊松点过程（PPP）的强度测度利用这个联合线性分布图，我们证明了随机通信网络的渐近均分性质被建模为SINR网络。此外，我们证明了一个局部大偏差原则（LLDP）的SINR网络。从LLDP出发，我们证明了随机SNIR网络过程的一个大偏差原理和一个经典的MacMillian定理。注意，对于随机经验连通性度量$qπ\otimesπ,$，我们可以从LLDP中推导出SINR网络空间的基数上的界限，该界限近似等于$\displaystyle e^{λ^2 a_λ\|qπ\otimesπ\|H\big(qπ\otimesπ/\|qπ\otimesπ\|\big)},$，其中网络的连通性概率$Q^{z^λ} ,$满足$ a_λ^{-1}Q^{z^λ} \to q.$。观察，随机SINR网络的经验度量的LDP是在配备有$τ-$拓扑的度量空间上获得的，LLDPs是在SINR网络过程的空间中得到的，没有任何拓扑限制。

2020-11-11cs.ITmath.ITmath.PR

曲线离散随机场的Shannon-McMillan定理和曲面阶大偏差的下界

Shannon-McMillan theorems for discrete random fields along curves and lower bounds for surface-order large deviations

引入了二维离散随机场P沿曲线c的表面阶比熵h_c（P）的概念，作为沿c的爆破的格点逼近的重标熵的极限。证明了相应的Shannon-McMillan定理。我们得到了h_c（P）沿c的切线的混合熵表示。作为一个应用，特定的熵沿曲线被用来完善Foellmer和Ort的下界的大偏差的经验领域的吸引力吉布斯措施从其遍历行为的相变制度。

2007-10-29math.PRmath.STstat.TH

局部紧群的Shannon定理

Shannon's theorem for locally compact groups

我们考虑随机游动的局部紧群，扩展的几何标准，识别其泊松边界以前已知的离散群。首先，我们证明了一个版本的Shannon-McMillan-Breiman定理，然后我们用它来推广Kaimanovich的射线近似和带近似准则。我们给出了几个应用程序，以确定的泊松边界的局部紧群的等距作用在非正弯曲的空间，以及Diestel-Leader图和horocyclic产品。

2020-03-09math.DSmath.GRmath.GT

格点系统中Gibbs测度的浓度不等式及其应用

On concentration inequalities and their applications for Gibbs measures in lattice systems

我们考虑组态空间$S^{\mathbb{Z}^d}$上的Gibbs测度，其中大多数$d\geq 2$和$S$是有限集.我们首先对吉布斯测度的浓度不等式作一个简短的回顾。在Dobrushin唯一性制度，我们有一个高斯浓度范围，而在伊辛模型（及相关模型）在足够低的温度下，我们控制所有的时刻，并有一个拉伸指数浓度范围。然后，我们给出了这些不等式的几个应用，从而我们得到各种新的结果。在这些应用中，我们得到了Kantorovich距离意义下的经验测度的收敛速度的界，Shannon-McMillan-Breiman定理中的涨落界，第一次出现模式的涨落界，以及几乎确定的中心极限定理.

2017-09-18math-phmath.MPmath.PR

量子相对熵的遍历定理

An Ergodic Theorem for the Quantum Relative Entropy

证明了Hiai和Petz提出的量子Stein引理的遍历形式。结果提供了一个操作和统计解释的量子相对熵作为统计测量的可压缩性，并包含作为一个特殊情况的量子版本的香农-麦克米伦定理遍历状态。给出了量子相对渐近均分性质的一种形式。

2003-06-13math-phmath.MPmath.PR

更多相关论文收起更多论文

一致强混合测度的中心极限定理

The Central Limit Theorem for uniformly strong mixing measures

香农-麦克米伦-布莱曼定理指出，对于遍历系统上的每个生成划分，圆柱集测度的指数衰减率几乎几乎处处等于度量熵（假设熵是有限的）。本文证明了对于强混合系统和无限剖分，柱集的测度服从对数正态分布，并证明了在信息函数的四阶矩有限的条件下，柱集的收敛速率是多项式的.此外，不同于以前的结果，由Algimov和其他人只适用于有限分区，在这里，我们不需要任何规律性的条件熵函数。我们还得到了信息函数的重对数律和弱不变原理。

2009-03-07math.DSmath.PR

平稳序列的上穿不等式及其应用

Upcrossing inequalities for stationary sequences and applications

对于阵列$(S_{i,j})_{1\leq i\leq j}$的随机变量是平稳的，在适当的意义上，我们表明，过程$(S_{1,n})_{n=1}^{\infty}$的波动可以有界的“平均次加性”的过程$(S_{i,j})_{1\leq i\leq j}$的措施。本文对Kingman次可加性遍历定理、Shannon-MacMillan-Breiman定理和平稳样本的Kolmogorov复杂性的收敛性给出了指数衰减的普适上穿不等式.

2009-12-08math.DSmath.PR

加权信息熵率

Weighted information and entropy rates

具有值$x$和概率-质量/密度函数$f$的随机变量$X$的加权熵$H^{\rm w}_ϕ(X)=H^{\rm w}_ϕ(f)$被定义为加权信息$I^{\rm w}_ϕ(x)=-ϕ(x)\log\,f(x)$的平均值${\mathbb E} I^{\rm w}_ϕ(X)$。这里，$x\mapstoϕ(x)\in{\mathbb R}$是指示结果$x$的“值”的给定权重函数（WF）。对于由随机过程${\mathbf{X}}=(X_i,i\in{\mathbb Z})$产生的$n$分量随机向量${\mathbf{X}}_0^{n-1}=(X_0,\ldots ,X_{n-1})$，加权信息$I^{\rm w}_{ϕ_n}({\mathbf x}_0^{n-1})$和加权熵$H^{\rm w}_{ϕ_n}({\mathbf{X}}_0^{n-1})$类似地定义为WF $ϕ_n({\mathbf x}_0^{n-1})$。基于加法和乘法形式（分别为$ϕ_n({\mathbf x}_0^{n-1})=\sum\limits_{i=0}^{n-1}φ (x_i)$和$ϕ_n({\mathbf x}_0^{n-1})=\prod\limits_{i=0}^{n-1}φ (x_i)$）考虑了两种类型的WF $ϕ_n$。重点研究了${\mathbf{X}}$的相关参数--加权熵和加权信息的${\it …

2016-12-29cs.ITmath.ITmath.PR