Central Limit Theorems via Analytic Combinatorics in Several Variables
Notice bibliographique
Résumé
The field of analytic combinatorics is dedicated to the creation of effective techniques to study the large-scale behaviour of combinatorial objects. Although classical results in analytic combinatorics are mainly concerned with univariate generating functions, over the last two decades a theory of analytic combinatorics in several variables (ACSV) has been developed to study the asymptotic behaviour of multivariate sequences. In this work we survey ACSV from a probabilistic perspective, illustrating how its most advanced methods provide efficient algorithms to derive limit theorems, and comparing the results to past work deriving limit theorems. Using the results of ACSV, we provide a SageMath package that can automatically compute (and rigorously verify) limit theorems for a large class of combinatorial generating functions. To illustrate the techniques involved, we also establish an explicit local central limit theorems for a family of combinatorial classes whose generating functions are linear in the variables tracking each parameter. Applications covered by this result include the distribution of cycles in certain restricted permutations (proving a limit theorem stated as a conjecture in recent work of Chung et al.), integer compositions, and n-colour compositions with varying restrictions and values tracked. Key to establishing these explicit results in an arbitrary dimension is an interesting symbolic determinant, which we compute by conjecturing and then proving an appropriate LU-factorization. It is our hope that this work provides readers a blueprint to apply the powerful tools of ACSV in their own work, making them more accessible to combinatorialists, probabilists, and those in adjacent fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».