🔬 condensed matter

Longest weakly increasing subsequences of discrete random walks on the integers with heavy tailed distribution of increments

यह शोधपत्र भारी-पूंछ वाले वृद्धिशील (heavy-tailed increments) वाले विविक्त यादृच्छिक चालों (discrete random walks) में सबसे लंबे दुर्बल वर्धमान उप-अनुक्रमों (longest weakly increasing subsequences) के स्केलिंग व्यवहार और वितरण संबंधी गुणों की जांच करता है, जिसमें यह पाया गया है कि औसत लंबाई परिमित विचरण (finite variance) के मामलों के लिए $\sqrt{n}\log{n}$ के रूप में और अनंत विचरण (infinite variance) के मामलों के लिए $n^\theta$ (जहाँ $\theta > 0.5$ ) के रूप में स्केल करती है, जबकि समग्र वितरण को एक लॉग-नॉर्मल मॉडल द्वारा अच्छी तरह से अनुमानित किया जा सकता है।

मूल लेखक: José Ricardo G. Mendonça, Marcelo V. Freire

प्रकाशित 2026-04-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: José Ricardo G. Mendonça, Marcelo V. Freire

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा, रोज़मर्रा के उदाहरणों और रचनात्मक रूपकों (metaphors) का उपयोग करके दिया गया विवरण है।

बड़ी तस्वीर: सबसे लंबा "ऊपर की ओर" जाने वाला रास्ता खोजना

कल्पना कीजिए कि आप एक नंबर लाइन पर लड़खड़ाते हुए एक नशे में धुत व्यक्ति (एक "रैंडम वॉकर") को देख रहे हैं। हर सेकंड, वह एक कदम आगे या पीछे लेता है। कभी-कभी वे छोटे कदम लेते हैं (1 या 2 यूनिट), लेकिन कभी-कभी, यदि वितरण (distribution) "हेवी-टेल्ड" (heavy-tailed) है, तो वे एक ही छलांग में 100 या 1,000 यूनिट की विशाल छलांग लगा सकते हैं।

शोधकर्ताओं ने एक विशिष्ट प्रश्न पूछा: यदि आप उस पूरे पथ (path) को देखें जो इस वॉकर ने लिया है, तो कदमों का सबसे लंबा क्रम क्या है जहाँ वह कभी नीचे नहीं गया?

वे इसे लॉन्गेस्ट वीकली इंक्रीजिंग सबसीक्वेंस (Longest Weakly Increasing Subsequence - Weak LIS) कहते हैं।

"वीकली" (Weakly) का अर्थ है कि वे समतल रह सकते हैं (पहले कदम 5, फिर फिर से कदम 5) या ऊपर जा सकते हैं (पहले कदम 5, फिर कदम 6)। वे बस नीचे नहीं जा सकते।
"सबसीक्वेंस" (Subsequence) का अर्थ यह है कि आपको हर एक कदम चुनने की आवश्यकता नहीं है; आप उन कदमों को छोड़ सकते हैं जहाँ वे पीछे की ओर लड़खड़ाए, जब तक कि आपके द्वारा चुने गए कदम ऊपर या समतल दिशा में जा रहे हों।

इसे एक हाइकिंग ट्रेल (hiking trail) की तरह समझें। आप रास्ते के उस सबसे लंबे हिस्से को खोजना चाहते हैं जहाँ आप या तो ऊपर चढ़ रहे हैं या समतल जमीन पर चल रहे हैं, और उन सभी समयों को अनदेखा करते हैं जब रास्ता घाटी में नीचे गिर जाता है।

वॉकर के दो प्रकार

यह शोध पत्र वॉकर के दो मुख्य प्रकारों का अध्ययन करता है, जो इस बात पर आधारित है कि उनके विशाल छलांग लगाने की कितनी संभावना है:

"सामान्य" वॉकर (फाइनाइट वेरिएंस - Finite Variance): यह वॉकर आमतौर पर छोटे कदम लेता है। विशाल छलांगें अत्यंत दुर्लभ हैं। यदि आप उन्हें लंबे समय तक देखते हैं, तो उनका पथ एक चिकनी, लहरदार रेखा जैसा दिखता है।
"जंगली" वॉकर (हेवी-टेल्ड - Heavy-Tailed): यह वॉकर अराजक (chaotic) है। हालांकि वे अधिकांश समय छोटे कदम लेते हैं, लेकिन उनमें अचानक एक विशाल छलांग लगाने की उच्च संभावना होती है। उनका पथ बड़े स्पाइक्स के साथ एक टेढ़ा-मेढ़ा, अनियमित चित्र जैसा दिखता है।

शोधकर्ताओं ने $\alpha$ (अल्फा) नामक एक पैरामीटर का उपयोग किया है जो यह मापने के लिए है कि वॉकर कितना "जंगली" है।

कम $\alpha$ (जैसे 0.5 या 1): वॉकर बहुत जंगली है। विशाल छलांगें अक्सर होती हैं।
उच्च $\alpha$ (जैसे 3 या 10): वॉकर सीधा/पालतू है। विशाल छलांगें इतनी दुर्लभ हैं कि वे लगभग कभी नहीं होती हैं, और वॉकर एक मानक "सिंपल रैंडम वॉक" (केवल 1 या -1 के छोटे कदम) की तरह व्यवहार करता है।

खोज: पथ कितनी तेजी से बढ़ता है?

मुख्य लक्ष्य यह पता लगाना था कि जैसे-जैसे वॉकर अधिक कदम ( $n$ ) लेता है, इस "सबसे लंबे ऊपर की ओर जाने वाले पथ" की लंबाई कैसे बढ़ती है।

1. जब वॉकर जंगली हो ( $\alpha \le 2$ )

उदाहरण: एक बंदर की कल्पना करें जो एक ऐसे पेड़ पर चढ़ रहा है जिसकी शाखाएं विशाल और अनियमित हैं। क्योंकि शाखाएं एक-दूसरे से बहुत दूर और अप्रत्याशित हैं, बंदर ऊँची शाखाओं से दूसरी ऊँची शाखाओं पर कूदकर एक बहुत लंबा रास्ता खोज सकता है, निचली शाखाओं को छोड़कर।

परिणाम: पथ की लंबाई एक पावर लॉ ( $n^\theta$ ) की तरह बढ़ती है।

घातांक (exponent) $\theta$ , 0.5 से अधिक है।
वॉकर जितना अधिक "जंगली" होगा (कम $\alpha$ ), कुल कदमों के सापेक्ष पथ उतना ही लंबा होगा।
मुख्य खोज: सबसे जंगली वॉकरों के लिए, पथ की लंबाई कुल कदमों के वर्गमूल (square root) की तुलना में काफी तेजी से बढ़ती है।

2. जब वॉकर सीधा/पालतू हो ( $\alpha \ge 2$ )

उदाहरण: एक व्यक्ति की कल्पना करें जो एक सपाट फुटपाथ पर चल रहा है। वे छोटे कदम लेते हैं। कभी-कभी वे किसी दरार पर कदम रखते हैं (एक समतल स्थान), कभी-कभी वे फुटपाथ के ऊपर चढ़ते हैं। क्योंकि उनके कदम छोटे और नियमित हैं, इसलिए "सबसे लंबा ऊपर की ओर जाने वाला पथ" इस तथ्य से सीमित है कि वे लंबी छलांग नहीं लगा सकते।

परिणाम: लंबाई $\sqrt{n} \times \log(n)$ की तरह बढ़ती है।

यह "वर्गमूल" (Square Root) नियम है, लेकिन एक विशेष "लॉग-लॉगरिदमिक बोनस" के साथ।
आश्चर्य: शोधकर्ताओं ने पाया कि क्योंकि वॉकर पूर्णांकों (integers) (जैसे 1, 2, 3 जैसे पूर्ण संख्याएँ) पर है, वे अक्सर लगातार दो बार बिल्कुल एक ही संख्या पर उतरते हैं (जैसे, पहले कदम 5, फिर फिर से कदम 5)।
"प्लेटो प्रभाव" (Plateau Effect): एक निरंतर (continuous) दुनिया में (जहाँ आप 5.001 कदम ले सकते हैं), आप शायद ही कभी ठीक उसी स्थान पर दोबारा उतरते हैं। लेकिन पूर्णांकों के ग्रिड पर, आपको "प्लेटो" मिलते हैं। ये समतल स्थान "वीक एलआईएस" (Weak LIS) को उम्मीद से अधिक लंबा खींच देते हैं। यह एक इमारत में एक लंबे, समतल गलियारे को खोजने जैसा है; आप बिना ऊपर या नीचे जाए एक लंबी दूरी तय कर सकते हैं, जो आपके "नॉन-डिक्रीजिंग" स्कोर में गिना जाता है।

डेटा का आकार: "लॉग-नॉर्मल" रहस्य

शोधकर्ताओं ने केवल औसत लंबाई ही नहीं देखी; उन्होंने सभी संभावित पथों के वितरण (distribution) को भी देखा।

उदाहरण: कल्पना कीजिए कि आपके पास 10,000 अलग-अलग हाइकिंग ट्रेल्स का एक बैग है। अधिकांश मध्यम लंबाई के हैं, कुछ बहुत छोटे हैं, और कुछ अविश्वसनीय रूप से लंबे हैं।

यदि आप लंबाई को प्लॉट करते हैं, तो वे एक आदर्श बेल कर्व (Normal distribution) की तरह नहीं दिखते।
इसके बजाय, वे एक लॉग-नॉर्मल (Lognormal) वितरण की तरह दिखते हैं।

इसका क्या अर्थ है?
लॉग-नॉर्मल वितरण को एक "गुणात्मक" (multiplicative) आकार के रूप में सोचें। प्रकृति में चीजों के लिए यह बहुत आम है जो गुणा होकर बढ़ती हैं (जैसे बैक्टीरिया की आबादी या चक्रवृद्धि ब्याज)। शोधकर्ताओं ने पाया कि इन पथों की लंबाई इस तरह व्यवहार करती है जैसे कि यह कई छोटे गुणात्मक कारकों का परिणाम हो, भले ही पथ का गणित योगात्मक (additive) हो।

उन्होंने यह भी देखा कि इस वितरण के "पूंछ" (tails) (अत्यधिक लंबी या छोटी पथ) एक पूर्ण बेल कर्व की तुलना में थोड़े "हल्के" हैं। ऐसा लगता है जैसे ब्रह्मांड में एक सुरक्षा वाल्व है जो पथ को दोनों दिशाओं में बहुत अधिक चरम होने से रोकता है।

यह क्यों महत्वपूर्ण है

डिस्क्रीट बनाम कंटीन्यूअस (Discrete vs. Continuous): पिछले अध्ययनों ने "कंटीन्यूअस" वॉकर (जहाँ आप 5.0001 कदम ले सकते हैं) को देखा था। यह शोध पत्र सिद्ध करता है कि जब आप वॉकर को पूर्णांकों (whole numbers) तक सीमित कर देते हैं, तो गणित बदल जाता है। "प्लेटो" (एक ही संख्या पर दोबारा उतरना) एक लॉगरिदमिक सुधार (logarithmic correction) बनाते हैं जो पथ को लंबा कर देता है।
"क्रॉसओवर" (The Crossover): $\alpha = 2$ $α = 2$ पर एक टिपिंग पॉइंट (tipping point) है।
- 2 से नीचे: पथ जंगली है और पावर लॉ का पालन करता है।
- 2 से ऊपर: पथ सीधा/पालतू हो जाता है और वर्गमूल-प्लस-लॉग नियम का पालन करता है।
अनुमान (The Conjecture): लेखक प्रस्ताव देते हैं कि किसी भी रैंडम वॉक के लिए, इस सबसे लंबे पथ की लंबाई संभवतः एक लॉग-नॉर्मल वितरण द्वारा वर्णित की जाती है। यह एक नया विचार है जो सांख्यिकीविदों और कंप्यूटर वैज्ञानिकों को डेटा स्ट्रीम, वित्तीय बाजारों या जैविक अनुक्रमों (biological sequences) में इन अनुक्रमों की लंबाई का अनुमान लगाने में मदद कर सकता है।

एक वाक्य में सारांश

लाखों रैंडम वॉकर का सिम्युलेशन करके, लेखकों ने खोजा कि जब वॉकर "जंगली" होता है, तो सबसे लंबा ऊपर की ओर जाने वाला पथ बहुत तेजी से बढ़ता है, लेकिन जब वॉकर "सीधा/पालतू" होता है, तो पथ धीरे बढ़ता है लेकिन इसे इस तथ्य से बढ़ावा मिलता है कि वॉकर अक्सर एक ही पूर्ण संख्या पर दो बार उतरता है, जिससे समतल स्थान बनते हैं जो पथ को लंबा कर देते हैं।

यहाँ शोध पत्र "Longest weakly increasing subsequences of discrete random walks on the integers with heavy tailed distribution of increments" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र पूर्णांकों (integers) पर $n$ -चरणों वाले डिस्क्रीट रैंडम वॉक (discrete random walks) में दीर्घतम दुर्बल वर्धमान उपअनुक्रम (Longest Weakly Increasing Subsequence - weak LIS) की लंबाई ( $L_n$ ) के स्केलिंग व्यवहार की जांच करता है।

संदर्भ: जबकि रैंडम परम्यूटेशन (Ulam's problem) और निरंतर (continuous) रैंडम वॉक के LIS का व्यापक अध्ययन किया गया है, भारी पूंछ (heavy-tailed) वाले वितरण वाले डिस्क्रीट रैंडम वॉक में weak LIS के व्यवहार पर कम शोध हुआ है।
विशिष्टता: लेखक सममित रैंडम वॉक (symmetric random walks) का अध्ययन करते हैं जहाँ चरण वृद्धि (step increments) $X_i$ , विभिन्न टेल इंडेक्स $\alpha > 0$ के लिए $|k|^{-1-\alpha}$ के समान भारी-पूंछ वाले वितरण (एक डिस्क्रीट पारेटो/जिपफ वितरण) का पालन करती है।
मुख्य अंतर: यह अध्ययन weak LIS (समान मानों की अनुमति देता है, $S_{i_1} \le \dots \le S_{i_L}$ ) और सख्त (strict) LIS के बीच के अंतर पर केंद्रित है। डिस्क्रीट वॉक में, समान मानों (plateaus) को शामिल करने की क्षमता निरंतर वॉक की तुलना में कॉम्बिनेटोरिक्स को महत्वपूर्ण रूप से बदल देती है।
लक्ष्य: $n$ और $\alpha$ के फलन के रूप में नमूना औसत लंबाई $\langle L_n \rangle$ के एसिम्प्टोटिक स्केलिंग (asymptotic scaling) को निर्धारित करना, विशेष रूप से पावर-लॉ स्केलिंग ( $n^\theta$ ) और लॉगरिदमिक सुधार ( $\sqrt{n} \log n$ ) के बीच अंतर करना।

2. कार्यप्रणाली (Methodology)

लेखकों ने बड़े पैमाने पर मोंटे कार्लो सिमुलेशन और उन्नत सांख्यिकीय मॉडल चयन को संयोजित करते हुए एक कठोर संख्यात्मक दृष्टिकोण का उपयोग किया।

डेटा जनरेशन:
- $10,000 $स्वतंत्र रैंडम वॉक उत्पन्न किए गए, 13 अलग-अलग वॉक लंबाई ($ n $का विस्तार$ 10^4 $से$ 10^8$ तक) के लिए।
- टेल इंडेक्स $\alpha \in \{0.5, 1, 1.5, 2, 3, 5, 10\}$ और तुलना के लिए एक सिंपल रैंडम वॉक (SRW, $\pm 1$ स्टेप्स) का परीक्षण किया गया।
- डिस्क्रीट हेवी-टेल्ड वितरण सुनिश्चित करने के लिए एक निरंतर चर के ट्रंकेशन द्वारा इनवर्जन विधि का उपयोग करके वृद्धि (increments) उत्पन्न की गई।
- पेशिएंस सॉर्टिंग एल्गोरिदम ( $O(n \log n)$ समय जटिलता) का उपयोग करके weak LIS की लंबाई की गणना की गई।
सांख्यिकीय विश्लेषण और मॉडल चयन:
- एक्सप्लोरेटरी एनालिसिस: लॉग-लॉग प्लॉट्स में वक्रता (curvature) का पता लगाने के लिए प्रभावी स्थानीय घातांक $\theta_{\text{eff}}(n)$ की गणना की गई।
- प्रतिस्पर्धी मॉडल:
  - मॉडल I: एक लॉगरिदमिक पद के साथ एकीकृत पावर लॉ: $L_n \sim n^\theta(a + b \log n)$ ।
  - मॉडल II: रिजीम-डिपेंडेंट एन्सैट्ज़ (Regime-dependent ansatz): $\alpha < 2$ के लिए $L_n \sim a n^\theta$ और $\alpha \ge 2$ के लिए $L_n \sim \sqrt{n}(a + b \log n)$ ।
- फिटिंग तकनीक:
  - RSS (Residual Sum of Squares) को न्यूनतम करने के लिए वेटेड नॉनलीनियर लीस्ट स्क्वेयर्स (NLS) के साथ ग्रिड सर्च।
  - ANOVA मॉडल तुलना: पूर्ण डेटासेट (130,000 व्यक्तिगत अवलोकन) पर नेस्टेड मॉडल F-टेस्ट का उपयोग करके परिकल्पनाओं (जैसे, शुद्ध पावर लॉ के लिए $b=0$ बनाम $b \neq 0$ के लिए लॉग सुधार) को सांख्यिकीय रूप से अस्वीकार या स्वीकार करना।
  - स्थिरता विश्लेषण (Stability Analysis): यह जांचना कि क्या फिट किए गए घातांक (exponents) छोटे $n$ वाले डेटा बिंदुओं को क्रमिक रूप से हटाने पर स्थिर रहते हैं।
- वितरण संबंधी डायग्नोस्टिक्स: लॉग-नॉर्मलिटी का परीक्षण करने के लिए Q-Q प्लॉट्स, स्क्यूनेस (skewness) और कर्टोसिस (kurtosis) का उपयोग करके $L_n$ के वितरण का विश्लेषण किया गया।

3. मुख्य परिणाम (Key Results)

A. $\langle L_n \rangle$ का स्केलिंग व्यवहार

अध्ययन $\alpha = 2$ पर एक महत्वपूर्ण संक्रमण (critical transition) की पहचान करता है (परिमित और अनंत विचरण के बीच की सीमा):

परिमित विचरण रिजीम ( $\alpha \ge 2$ ) और SRW:
- स्केलिंग $\langle L_n \rangle \sim \sqrt{n}(a + b \log n)$ का अनुसरण करती है।
- घातांक कठोर रूप से $\theta = 1/2$ है।
- लॉगरिदमिक सुधार महत्वपूर्ण और सुदृढ़ है। गुणांक $b$ , $\alpha$ के साथ बढ़ता है, जो उच्च $\alpha$ पर SRW व्यवहार से मेल खाता है।
- महत्व: यह पुष्टि करता है कि परिमित विचरण वाले डिस्क्रीट वॉक के लिए, पूर्णांक चरणों द्वारा बनाए गए "प्लेटो" (plateaus) समान मानों का लाभ उठाते हैं, जिससे एक $\log n$ कारक आता है जो निरंतर वॉक में मौजूद नहीं होता है।
अनंत विचरण रिजीम ( $\alpha < 2$ ):
- स्केलिंग एक शुद्ध पावर लॉ $\langle L_n \rangle \sim a n^\theta$ का अनुसरण करती है।
- घातांक $\theta$ $θ$ , $\alpha$ $α$ के साथ बदलता है:
  - $\alpha = 1/2$ : $\theta \approx 0.73$ (सीमित आकार के प्रभावों के कारण सावधानी के साथ)।
  - $\alpha = 1$ : $\theta \approx 0.685$ ।
  - $\alpha = 1.5$ : $\theta \approx 0.640$ ।
- जैसे-जैसे $\alpha \to 2$ , $\theta \to 0.5$ होता है।
- नोट: $\alpha = 3/2$ के लिए, एक संक्रमणकालीन व्यवहार देखा गया जहाँ एक लॉगरिदमिक सुधार उभरने लगता है, जो एक क्रॉसओवर क्षेत्र का सुझाव देता है।

B. $L_n$ का वितरण

लॉग-नॉर्मलिटी: $L_n$ का वितरण सभी $\alpha$ और $n$ के लिए लॉग-नॉर्मल वितरण द्वारा अच्छी तरह से अनुमानित है।
विचलन: वितरण की पूंछ (tails) पूर्ण लॉग-नॉर्मल की तुलना में थोड़ी हल्की (negative excess kurtosis) है, लेकिन $\alpha \ge 1$ के लिए सन्निकटन उत्कृष्ट है।
विचरण (Variance): $\alpha \ge 1$ के लिए, $\log L_n$ का विचरण लगभग स्थिर (homoscedastic) है, जो लॉग-स्केल रिग्रेशन के उपयोग को मान्य करता है। $\alpha = 0.5$ के लिए, विचरण $n$ के साथ बढ़ता है।

C. मॉडल सत्यापन (Model Validation)

ANOVA परीक्षण:
- $\alpha < 2$ के लिए, बिना लॉगरिदमिक सुधार ( $b=0$ ) की परिकल्पना को $\alpha=0.5$ और $\alpha=1$ के लिए खारिज नहीं किया जा सका, जो शुद्ध पावर लॉ की पुष्टि करता है।
- $\alpha \ge 2$ के लिए, $\theta = 1/2$ के सटीक होने ( $\delta=0$ ) की परिकल्पना को उच्च सांख्यिकीय शक्ति के कारण ANOVA द्वारा औपचारिक रूप से खारिज किया गया था, लेकिन अनुमानित विचलन ( $\hat{\delta} \approx 0.03$ ) को $\log n$ पद के धीमे अभिसरण के कारण एक फाइनाइट-साइज़ बायस (finite-size bias) के रूप में पहचाना गया, न कि वास्तविक घातांक परिवर्तन के रूप में।

4. महत्व और योगदान (Significance and Contributions)

स्केलिंग रूपों का समाधान: यह शोध पत्र (ANOVA और स्थिरता विश्लेषण के माध्यम से) इस बारे में पिछले साहित्य की अस्पष्टता को हल करने के लिए वस्तुनिष्ठ सांख्यिकीय साक्ष्य प्रदान करता है कि स्केलिंग $n^\theta$ है या $\sqrt{n} \log n$ । यह $\alpha$ के आधार पर रिजीम को स्पष्ट रूप से अलग करता है।
डिस्क्रीट प्रभाव: यह रेखांकित करता है कि परिमित-विचरण रिजीम में लॉगरिदमिक सुधार डिस्क्रीट रैंडम वॉक का एक अंतर्निहित गुण है (प्लेटो/टाई के अस्तित्व के कारण), जो निरंतर वॉक के विपरीत है जहाँ ऐसे टाई होने की संभावना शून्य होती है। यह सुझाव देता है कि निरंतर सिमुलेशन में देखे गए पिछले लॉग-करेक्शन शायद फ्लोटिंग-पॉइंट डिस्क्रीटाइजेशन के आर्टिफैक्ट हो सकते हैं।
हेवी-टेल्ड व्यवहार: यह LIS की समझ को डिस्क्रीट हेवी-टेल्ड वॉक तक विस्तारित करता है, यह पुष्टि करते हुए कि अनंत विचरण रिजीम में घातांक $\theta$ , टेल इंडेक्स $\alpha$ के साथ निरंतर बदलता है, जो कठोर सैद्धांतिक सीमाओं ( $\theta < 0.815$ ) द्वारा सीमित है।
वितरणात्मक अंतर्दृष्टि: यह निष्कर्ष कि $L_n$ एक लॉग-नॉर्मल वितरण का पालन करता है (भारी-पूंछ वाले वृद्धि के बावजूद भी), एक महत्वपूर्ण अनुभवजन्य अवलोकन है, हालांकि इसका कठोर सैद्धांतिक व्युत्पन्न एक खुला प्रश्न बना हुआ है।
कार्यप्रणाली ढांचा: लेखक एक मजबूत ढांचे को पेश करते हैं जो एक्सप्लोरेटरी प्लॉट्स, वेटेड NLS और ANOVA मॉडल तुलना को जोड़ता है, जिसे अन्य स्केलिंग कानूनों और मॉडल चयन वाले स्टोकेस्टिक प्रक्रियाओं में लागू किया जा सकता है।

निष्कर्ष

यह शोध पत्र स्थापित करता है कि डिस्क्रीट रैंडम वॉक का दीर्घतम दुर्बल वर्धमान उपअनुक्रम $\alpha=2$ पर स्केलिंग व्यवहार में एक चरण संक्रमण (phase transition) प्रदर्शित करता है। भारी पूंछ ( $\alpha < 2$ ) के लिए, लंबाई एक शुद्ध पावर लॉ $n^\theta$ के रूप में स्केल होती है। परिमित विचरण ( $\alpha \ge 2$ ) के लिए, यह $\sqrt{n} \log n$ के रूप में स्केल होती है। परिणाम बढ़ते हुए क्रम के कॉम्बिनेटोरियल स्ट्रक्चर पर वॉक की डिस्क्रीट प्रकृति के गहरे प्रभाव को रेखांकित करते हैं।