{
  "id": "random-matrix-theory",
  "title": "随机矩阵理论",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "随机矩阵理论研究由概率规律支配的矩阵的谱及其他性质，广泛应用于数学、物理学和统计学。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "随机矩阵论"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/random-matrix-theory/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/random-matrix-theory/",
      "json": "https://aiwiki.page/en/random-matrix-theory.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "随机矩阵理论研究的是元素或整体构造涉及随机性的矩阵。其核心研究对象包括特征值与特征向量的分布、奇异值、行列式，以及由它们导出的量。这一理论将概率与线性代数相结合，既描述单个有限维矩阵，也刻画矩阵维数增长时的极限行为。其中一项基本发现是：尽管各个元素具有随机性，许多大型随机矩阵仍表现出高度规律的集体行为。\n\n这一学科起源于多元统计学和核物理学中的问题，如今已与高维数据分析、量子系统、数论、组合数学和通信理论等领域建立联系。该领域的一个鲜明特点，是区分全局规律与局部规律：前者描述大量特征值的整体分布，后者则精细刻画单个特征值之间的间距及其涨落。许多局部模式具有普适性：它们取决于对称性等宏观结构特征，而非每个矩阵元素的具体分布。"
    },
    {
      "heading": "历史发展与对称性的作用",
      "text": "约翰·威沙特于1928年研究了由正态分布观测值构成的样本协方差矩阵，为这一领域奠定了早期基础。这项工作确立了一种矩阵值的概率分布，后来成为多元统计学的核心内容。20世纪50年代，核物理学为这一领域带来了另一种研究动机。尤金·维格纳提出用随机矩阵来模拟复杂的原子核哈密顿量，而不是试图逐一确定所有微观相互作用。这样做并不是要声称实际的哈密顿量是任意随机的，而是为了提取具有相同结构约束的众多复杂系统所共有的谱规律。\n\n维格纳的研究得出了描述大型对称矩阵特征值总体分布的半圆律。随后，弗里曼·戴森根据对称性对重要的矩阵系综进行了分类，并引入了矩阵值随机演化。他在1962年发表的论文确立了以正交、酉和辛三种对称类为基础的框架。这些类别分别对应参数 \\(\\beta=1,2,4\\)，该参数决定特征值之间的排斥强度。在物理应用中，应采用哪一类别取决于包括时间反演对称性在内的反酉对称性，以及这些对称性如何作用于态空间。\n\n经典系综的名称指的是换基变换下的不变性，而不是说矩阵本身一定属于相应的变换群。高斯正交系综由实对称矩阵组成，其概率律在正交矩阵的共轭作用下保持不变。高斯酉系综由复厄米矩阵组成，其概率律在酉矩阵的共轭作用下保持不变。高斯辛系综采用四元数自对偶结构，并与平方等于负恒等算符的反酉对称性相关。研究其谱时，需要注意由此产生的二重简并。\n\n20世纪60至70年代，精确公式和渐近方法的发展使随机矩阵理论确立为一门数学学科。马丹·拉尔·梅塔对经典系综进行了系统研究，弗拉基米尔·马尔琴科与列昂尼德·帕斯图尔则于1967年得到了大型样本协方差矩阵的极限分布律。让·吉尼布尔于1965年引入了重要的非厄米高斯系综。此后的进展包括自由概率论、特雷西–威多姆分布，以及严格的普适性定理；这些定理将经典公式的适用范围从高斯分布矩阵元大幅拓展至更一般的情形。\n\n对称性仍是一项分类原则，但 \\(\\beta\\) 的三个经典取值并不能涵盖整个领域。手征约束和粒子—空穴约束产生了与无序量子系统相关的其他矩阵类别。研究稀疏矩阵、带状矩阵、重尾矩阵以及矩阵元之间存在依赖关系的矩阵时，也需要仅凭对称性无法提供的更多信息。因此，这一历史形成的框架提供的是研究的起点，而非完整的分类体系。"
    },
    {
      "heading": "矩阵系综及其概率分布",
      "text": "随机矩阵是取值为矩阵的随机变量。一般而言，仅指定矩阵的维数及各元素的分布还不够，还必须指定元素之间的依赖关系。例如，对于实对称矩阵 \\(H\\)，条件 \\(H_{ij}=H_{ji}\\) 使元素之间不可避免地存在依赖。一种标准的构造方法是独立选取主对角线及其上方的元素，再将它们沿主对角线镜像填入下方。由此得到的矩阵空间上的概率分布，连同定义该空间的结构约束，构成一个系综。\n\n维格纳矩阵是实对称矩阵或复厄米矩阵，其上三角部分的元素满足适当的独立性、均值为零及方差条件。在一种常用的归一化方式下，\n\n\\[\\mathbb E H_{ij}=0, \\qquad \\mathbb E|H_{ij}|^2=\\frac1N \\quad (i\\ne j).\\]\n\n方差中的因子 \\(N^{-1}\\) 使 \\(N\\times N\\) 矩阵的大多数特征值保持在常数量级。若不进行这种归一化，元素方差为一的矩阵，其特征值的大小通常为 \\(\\sqrt N\\) 量级。不同表述对对角元素的假设有所不同，但这些差异通常对极限整体密度影响很小。\n\n高斯正交系综和高斯酉系综是尤其便于分析的维格纳系综。在标准的实矩阵归一化方式下，非对角元素的方差为 \\(1/N\\)，对角元素的方差为 \\(2/N\\)。在复矩阵情形下，对角元素的方差为 \\(1/N\\)，而每个非对角元素的实部与虚部相互独立，方差均为 \\(1/(2N)\\)。这些选择使相应的概率分布在正交归一基变换下保持不变。矩阵的概率密度正比于\n\n\\[\\exp\\!\\left[-\\frac{\\beta N}{4}\\operatorname{Tr}(H^2)\\right],\\]\n\n其中 \\(\\beta=1\\) 或 \\(2\\)。\n\n另一类系综来自数据矩阵。若 \\(X\\) 是一个 \\(p\\times n\\) 矩阵，则\n\n\\[S=\\frac1nXX^*\\]\n\n为半正定矩阵，其中 \\(X^*\\) 表示共轭转置。当各列相互独立且服从高斯分布时，\\(S\\) 属于威沙特分布族。更一般的样本协方差系综不必是高斯的。它们的特征值就是 \\(X/\\sqrt n\\) 的奇异值的平方，从而将这一理论与奇异值分解直接联系起来。\n\n不变系综也可以通过势函数 \\(V\\) 来定义，其密度正比于 \\(\\exp[-\\beta N\\operatorname{Tr}V(H)/2]\\)。其特征值密度中包含因子\n\n\\[\\prod_{i<j}|\\lambda_i-\\lambda_j|^\\beta \\exp\\!\\left[-\\frac{\\beta N}{2}\\sum_iV(\\lambda_i)\\right].\\]\n\n其中的差值乘积是范德蒙德行列式绝对值的一个幂。它体现了特征值之间的相互作用，来源于从矩阵元素到特征值和特征向量的坐标变换。允许 \\(\\beta>0\\) 取任意值，就可定义贝塔系综，即使不存在经典的实数、复数或四元数全矩阵模型来实现它们。"
    },
    {
      "heading": "整体谱规律",
      "text": "最基本的整体观测量是经验谱测度\n\n\\[\\mu_N=\\frac1N\\sum_{i=1}^{N}\\delta_{\\lambda_i},\\]\n\n它在每个特征值处赋予质量 \\(1/N\\)。对于许多矩阵系综，随着 \\(N\\) 增大，\\(\\mu_N\\) 会趋近于一个确定性测度。这是谱意义下的大数定律：单个特征值是随机的，但它们的整体密度却变得可以预测。这种测度的收敛涉及对测试函数的积分平均，其本身并不能确定最大特征值或相邻特征值之间的间距。\n\n对于满足适当矩条件或尾部条件的归一化维格纳矩阵，极限为维格纳半圆律，\n\n\\[\\rho_{\\mathrm{sc}}(x)= \\begin{cases} \\dfrac{1}{2\\pi}\\sqrt{4-x^2},& |x|\\le2,\\\\[4pt] 0,& |x|>2. \\end{cases}\\]\n\n该密度在零点附近最大，在端点处按平方根规律趋于零。它的奇数阶矩为零，而其 \\(2k\\) 阶矩为卡塔兰数\n\n\\[C_k=\\frac{1}{k+1}\\binom{2k}{k}.\\]\n\n这一联系反映了矩阵迹展开式中配对指标模式的组合结构。\n\n样本协方差矩阵具有不同的极限规律，因为它们的特征值非负，且其几何结构取决于矩阵的纵横比。如果 \\(p/n\\to c\\in(0,\\infty)\\)，且 \\(X\\) 的元素满足适当的独立性条件，均值为零、方差为一，那么 \\(XX^*/n\\) 的经验特征值分布趋近于马尔琴科–帕斯图尔律。其连续部分的密度为\n\n\\[\\rho_c(x)= \\frac{\\sqrt{(b-x)(x-a)}}{2\\pi cx}, \\qquad a<x<b,\\]\n\n其中\n\n\\[a=(1-\\sqrt c)^2, \\qquad b=(1+\\sqrt c)^2.\\]\n\n当 \\(c>1\\) 时，零点处还存在一个质量为 \\(1-1/c\\) 的原子。这一原子可直接由矩阵的秩推得：一个 \\(p\\times n\\) 数据矩阵所产生的协方差矩阵，非零特征值不可能超过 \\(n\\) 个。\n\n谱分布也可以用其斯蒂尔切斯变换表示，\n\n\\[m_N(z)=\\frac1N\\operatorname{Tr}(H-zI)^{-1} =\\int\\frac{1}{x-z}\\,d\\mu_N(x), \\qquad \\operatorname{Im}z>0.\\]\n\n对于半圆分布，极限变换满足\n\n\\[m(z)^2+zm(z)+1=0,\\]\n\n其中的解由其解析性质及在无穷远处的行为确定。矩阵 \\((H-zI)^{-1}\\) 称为预解式。其虚部在由 \\(\\operatorname{Im}z\\) 决定的尺度上对谱测度进行平滑，因此对整体分析和局部分析都很有用。\n\n整体谱规律并不限于上述两个例子。总体协方差矩阵不为单位矩阵的协方差矩阵、独立矩阵的和与积，以及元素方差随空间位置变化的矩阵，往往都满足自洽的谱方程。它们的极限谱支集可能包含多个区间或奇异点。这些特征会影响可能出现的局部涨落规律。"
    },
    {
      "heading": "局部统计、能级排斥与谱边缘",
      "text": "局部统计研究远小于整个谱宽度的尺度上的特征值。在极限密度满足 \\(\\rho(E)>0\\) 的内部区域，即体区，能量 \\(E\\) 附近的典型间距为\n\n\\[\\frac{1}{N\\rho(E)}.\\]\n\n将距离乘以 \\(N\\rho(E)\\) 进行重标度，可得到平均间距为一的局部点过程。这种重标度通常称为谱展开。它将精细的谱关联与不断变化的背景密度分离开来，使全局规律不同的系综之间也能进行比较。\n\n经典不变系综呈现能级排斥现象：极小间隙出现的概率受到抑制。联合密度中的因子 \\(|\\lambda_i-\\lambda_j|^\\beta\\) 解释了为什么随着 \\(\\beta\\) 增大，相邻能级之间的排斥会增强。对于经过归一化的 \\(2\\times2\\) 高斯正交系综，最近邻间距的概率密度为\n\n\\[p(s)=\\frac{\\pi}{2}s\\,e^{-\\pi s^2/4}.\\]\n\n这就是维格纳猜想。它能有效近似大矩阵高斯正交系综（GOE）的间距统计，但并非其精确的极限分布。相比之下，单位强度的泊松过程中，相邻点之间的间隙服从指数分布，且不存在排斥。\n\n在酉对称类的体区，极限关联核为正弦核，\n\n\\[K_{\\sin}(u,v)=\\frac{\\sin\\pi(u-v)}{\\pi(u-v)}.\\]\n\n高阶关联函数是由该核构造的行列式。这一结构提供的信息远不止平均间隙：它描述了多个特征值的联合出现、区间内特征值数目的涨落，以及间隙概率。正交类和辛类具有与之相关但更复杂的普法夫结构，而非相同的标量行列式公式。\n\n在正则的谱外端点处，密度通常按平方根规律趋于零。这使得间距尺度变为 \\(N^{-2/3}\\)，而非体区的 \\(N^{-1}\\)。对于采用通常归一化方式的高斯系综，\n\n\\[N^{2/3}(\\lambda_{\\max}-2)\\]\n\n依分布收敛于具有相应对称性参数的 特雷西–维多姆分布。克雷格·特雷西和哈罗德·维多姆于1994年得到了酉类分布，并于1996年得到了正交类和辛类的对应分布。这些分布规律并非普通的高斯涨落，而且最大特征值的极限分布未必关于谱端点对称。\n\n谱的其他位置具有不同的极限。硬边缘，例如矩阵接近方形的协方差系综的非负边界，通常涉及贝塞尔核。谱支撑集的两个区间合并处形成的尖点，则可能产生皮尔西型统计。因此，相关极限不仅取决于对称性，也取决于宏观密度的局部形状。"
    },
    {
      "heading": "计算与证明方法",
      "text": "矩方法分析如下形式的量：\n\n\\[\\frac1N\\mathbb E\\operatorname{Tr}H^k = \\frac1N\\sum_{i_1,\\ldots,i_k} \\mathbb E\\!\\left[ H_{i_1i_2}\\cdots H_{i_ki_1} \\right].\\]\n\n独立性和均值为零的条件使许多指标组合的贡献消失。对于固定的偶数 \\(k\\)，在维格纳矩阵的情形下，某些配对组合占据主导地位，从而给出半圆律的卡塔兰矩。这一方法与组合数学和图的枚举密切相关。它在研究全局分布和某些谱范数界时尤其有效，不过，要分辨单个特征值之间的间距，通常还需要更精细的工具。\n\n对于 \\(\\beta=2\\) 的不变系综，正交多项式能够给出精确的有限维公式。给定权函数 \\(w(x)\\)，关于 \\(w(x)\\,dx\\) 正交的多项式可以构造出一个核，由该核形成的行列式给出特征值相关函数。埃尔米特多项式对应高斯厄米系综，而拉盖尔多项式则出现在协方差矩阵系综中。对这些多项式进行渐近分析，可分别在谱的体部、软边缘和硬边缘得到正弦核、艾里核和贝塞尔核极限。更深入的推广则借助矩阵值黎曼–希尔伯特问题。\n\n预解式方法不需要精确的特征值密度，因此适用范围广泛得多。舒尔补恒等式将预解式矩阵的一个对角元表示为一个较小矩阵与一个涉及某行或某列的二次型所构成的表达式。随后，利用集中性估计，将这个随机二次型与一个迹进行比较。反复运用这一论证，便可得到预解式的自洽方程。即使谱参数的虚部接近平均特征值间距，局部律仍能控制这一近似的误差。\n\n这类估计为特征值刚性提供了依据：有序特征值始终接近由极限密度的分位数确定的位置。刚性远强于经验测度的收敛。在谱的体部，位置不确定性的自然尺度接近 \\(N^{-1}\\) 的间距尺度，而在正则边缘附近，这一尺度变为 \\(N^{-2/3}\\)。精确的界通常还包含 \\(N\\) 的小幂次、对数因子或明确的概率估计，具体形式取决于所研究的系综和定理。\n\n其他方法则利用同一结构的不同表示。高斯分部积分和累积量展开可以导出期望与相关性的方程。对数势论将特征值解释为外场中相互作用的粒子。最速下降法从积分公式中提取渐近行为。蒙特卡洛方法可提供数值证据并用于有限尺寸检验，但模拟直方图与极限密度相吻合，并不能证明普适性，也不能排除稀有事件的影响。"
    },
    {
      "heading": "普适性与特征值的随机动力学",
      "text": "普适性是指，经过适当尺度变换的可观测量，在一大类矩阵概率分布下具有相同的极限分布。例如，许多实对称维格纳矩阵在谱体内部的特征值间距，即使矩阵元服从伯努利分布而非高斯分布，其渐近统计规律也与高斯正交系综一致。这比共同服从半圆律更强：两个系综可能具有相同的整体密度，却呈现不同的局部关联。因此，每一条普适性定理都需要明确所研究的可观测量，以及所声称的一致性成立所需的假设。\n\n其中一个核心机制是 戴森布朗运动，它通过让矩阵元在高斯噪声作用下演化而得到。在一种常用的奥恩斯坦–乌伦贝克归一化约定下，特征值满足\n\n\\[d\\lambda_i= \\sqrt{\\frac{2}{\\beta N}}\\,dB_i + \\frac1N\\sum_{j\\ne i} \\frac{dt}{\\lambda_i-\\lambda_j} -\\frac{\\lambda_i}{2}\\,dt.\\]\n\n这里，\\(B_i\\) 是相互独立的标准布朗运动，属于维纳过程。第一项产生随机运动，第二项通过排斥作用防止特征值碰撞，最后一项则将谱约束在有限范围内。相应的平衡密度就是高斯贝塔系综的密度。\n\n一个重要的观察是，特征值局部统计量的弛豫速度可以远快于整个矩阵分布。在谱体内部，特征弛豫时间的量级为 \\(N^{-1}\\)，而严格的技术表述通常采用略长一些的时间。因此，一个微小的高斯扰动就能在基本不改变整体分布的同时，建立局部平衡。随后，证明通过比较扰动后的矩阵与原矩阵来完成。这就将动力学中的平衡化论证与静态的普适性结果联系起来。\n\n另一条途径采用替换或比较原理。将一个系综的矩阵元逐一替换为另一个系综的矩阵元，同时利用预解式恒等式或展开式，控制谱可观测量的累积变化。矩匹配论证，包括在适用条件下的四矩比较，在早期的一般性普适性结果中发挥了重要作用。后来的方法放宽了矩匹配假设，并涵盖了更不规则的分布。自2000年代末以来，推动重大进展的学者包括拉斯洛·埃尔德什、本杰明·施莱因、丘成桐之弟丘宏哲（Horng-Tzer Yau）、尹军、陶哲轩和武河等。\n\n普适性并不意味着所有随机矩阵都具有相同的谱。重尾矩阵元可能产生异常大的特征值或局域化的特征向量。稀疏性可能引入孤立顶点和度数涨落。长程依赖、低秩结构以及分块之间的弱耦合，都可能改变相关的极限。即使在同一个系综内，谱体、谱边缘和尖点处的统计规律也属于不同的情形。数学上的问题在于辨明：哪些特征会在尺度变换下消失，哪些则会保留下来，成为决定极限的参数。"
    },
    {
      "heading": "特征向量、扰动与谱离群值",
      "text": "特征向量描述了谱模态在各坐标上的分布。对于归一化向量 \\(u\\)，衡量其集中程度的一个简单指标是\n\n\\[\\sum_{i=1}^{N}|u_i|^4.\\]\n\n这一指标称为逆参与率：对于分散在约 \\(N\\) 个坐标上的向量，它的量级为 \\(1/N\\)；而对于集中在有限个坐标上的向量，它的量级则为一。在许多稠密的维格纳系综中，特征向量具有非局域性：除去微小修正，其最大坐标分量的绝对值接近自然尺度 \\(N^{-1/2}\\)。这一性质比仅仅具有单位范数更强。\n\n高斯不变系综提供了一个精确的参照。在这类系综中，特征向量标架相对于相应正交群或酉群上的不变测度均匀分布；在对相位或符号作出适当约定后，它们还与特征值相互独立。这种均匀分布由哈尔测度描述。对于固定数目的坐标，经过适当缩放的特征向量分量随着维数增大而趋于高斯分布。一般的维格纳矩阵未必具有严格均匀分布的特征向量，但其中许多都呈现出相应的渐近行为。\n\n低秩扰动揭示了确定性结构如何与随机噪声相互竞争。考虑加性变形\n\n\\[M=H+\\theta vv^*,\\]\n\n其中，\\(H\\) 是归一化的维格纳矩阵，\\(v\\) 是确定性的单位向量。在 \\(\\theta>0\\) 的标准秩一情形中，转变发生在 \\(\\theta=1\\) 处。低于这一阈值时，最大特征值在渐近意义下仍停留于谱的上边缘。高于阈值时，一个离群特征值趋于\n\n\\[\\theta+\\frac1\\theta.\\]\n\n相应的特征向量与 \\(v\\) 之间会形成不趋于零的对齐程度；在基本模型中，两者的重叠平方趋于 \\(1-\\theta^{-2}\\)。\n\n尖峰协方差矩阵中也存在类似现象。假设总体协方差矩阵有一个特征值 \\(\\ell>1\\)，其余特征值均为一，且 \\(p/n\\to c\\)。当\n\n\\[\\ell>1+\\sqrt c,\\]\n\n相应的样本特征值会脱离马尔琴科–帕斯图尔谱主体，并趋于\n\n\\[\\ell\\left(1+\\frac{c}{\\ell-1}\\right).\\]\n\n低于这一阈值时，它不会形成与谱主体分离的上端离群值。Baik–Ben Arous–Péché 相变于 2005 年在一个复样本协方差模型中得到确立，此后成为高维信号检测的核心范式。\n\n特征向量信息至关重要，因为仅凭较大的样本特征值，无法衡量其特征向量估计总体方向的准确程度。离群值可能存在偏差，而且即使两个维度都不断增大，对齐程度也可能仍不完美。另一方面，在稀疏或无序系统中，局域化的特征向量所指示的可能是特殊结构，而非扩展的集体模态。局域化与非局域化之间的区别，将随机矩阵理论与输运、无序介质及谱算法联系起来。"
    },
    {
      "heading": "非厄米矩阵与复数谱",
      "text": "非厄米矩阵的特征值不一定是实数，也不一定具有标准正交的特征向量基。因此，它的谱是复平面上的点云，而非一条直线上的点集。复 Ginibre 系综由各元素相互独立的复高斯随机矩阵构成，是一个基本模型。当矩阵元素的方差为 \\(1/N\\) 时，在大 \\(N\\) 极限下，其特征值充满单位圆盘。与厄米系综不同，它的特征值联合密度描述的是一个具有对数相互作用的二维粒子系统。\n\n圆律将这种圆盘形的极限推广到远超高斯元素的情形。对于元素独立同分布、均值为零且方差为 \\(1/N\\) 的矩阵，在标准的有限方差假设下，经验特征值测度收敛于单位圆盘上的均匀面积测度。其密度在圆盘内为 \\(1/\\pi\\)，在圆盘外为零。严格证明需要控制异常小的奇异值，因为非厄米矩阵的特征值可能对扰动十分敏感。\n\n一种关键方法是厄米化，它与维亚切斯拉夫·吉尔科的研究工作密切相关。对于复参数 \\(z\\)，这一方法研究 \\(X-zI\\) 的奇异值，或者等价地研究一个相关的厄米分块矩阵。对数势\n\n\\[U_N(z)=\\frac1N\\log|\\det(X-zI)|\\]\n\n通过其分布意义下的拉普拉斯算子编码了特征值测度：\n\n\\[\\mu_N=\\frac{1}{2\\pi}\\Delta U_N.\\]\n\n这将二维特征值问题转化为一族奇异值问题。由于对数的存在，对零附近的控制尤其重要：一个极小的奇异值就可能产生不成比例的巨大影响。\n\n对于非正规矩阵，特征值并不能完整刻画其瞬态行为。一个矩阵的所有特征值都可能位于左半平面，但它的矩阵指数在初始阶段仍可能放大某些向量。伪谱通过记录使 \\((X-zI)^{-1}\\) 的范数很大的点 \\(z\\) 来刻画这种敏感性；等价地，这些点也是小扰动便能使之成为特征值的位置。左、右特征向量不一定相同，而它们之间的重叠程度可衡量特征值条件性的一些方面。这些问题在稳定性分析、开放量子系统以及有向相互作用模型中都很重要。\n\n互为转置位置的矩阵元素之间的相关性，可以使圆形支撑域变为椭圆形，从而产生椭圆律。实非厄米矩阵还具有特殊的实轴分量，因为非实特征值总是以共轭对的形式出现。随机矩阵的乘积会引入更多结构，包括奇异值的乘性增长和李雅普诺夫指数。这些例子表明，非厄米理论有其自身的几何与动力学问题，而不仅仅是厄米谱理论在复平面上的版本。"
    },
    {
      "heading": "高维统计与数据分析",
      "text": "经典统计渐近理论通常假定变量个数固定，而观测数量不断增加。随机矩阵理论则研究二者同时增长的情形，且往往满足 \\(p/n\\to c>0\\)。在这种情形下，抽样噪声对谱的影响不会消失。即使真实的协方差矩阵是单位矩阵，样本特征值也不会全部趋近于一，而是分布在马尔琴科–帕斯图尔区间内。因此，即使总体并不具有真正的各向异性，观测到的谱也可能分布得很宽。\n\n这改变了对主成分分析的解读。样本的前几个主成分可能反映信号、噪声，或二者的相互作用。在各向同性的独立噪声模型中，噪声谱的上边缘渐近为 \\((1+\\sqrt c)^2\\)。尖峰模型的相变解释了总体中的某个方向何时会产生一个与谱主体分离的特征值，以及相应的样本特征向量何时会与该方向具有非零的渐近对齐程度。这些结论依赖于对噪声和协方差的假设，不能直接套用于具有强依赖性的观测数据或任意异质数据。\n\n谱涨落定律还为一些高维统计假设检验提供了零假设分布。在满足适当正则条件的高维情形下，经过适当的中心化和尺度缩放，高斯样本协方差矩阵的最大特征值具有特雷西–威多姆涨落。伊恩·约翰斯通于 2001 年的工作推动了这一联系在统计学中的确立。要基于这种近似进行检验，矩阵模型、预处理方法以及维数与样本量之比都必须与理论设定足够吻合。均值估计、相关系数标准化、时间依赖性和重尾特征，都可能改变有限样本下的表现或极限分布。\n\n随机矩阵方法也用于描述谱收缩。当维数相对于样本量不可忽略时，样本特征值与总体特征值之间存在系统性差异。估计方法可以在保留样本特征向量的同时变换观测到的谱，也可以在谱变换之外纳入额外的结构信息。相关的确定性等价量可以描述预解式及其他矩阵函数的归一化迹。这些近似使我们无需给出每个特征值的显式公式，就能分析样本外风险。\n\n例如，在岭回归中，预测误差取决于涉及\n\n\\[(X^*X+\\lambda I)^{-1}\\]\n\n及其各次幂的量，其中尺度由设计矩阵所采用的约定决定。极限谱测度将这类迹转化为积分，从而揭示维数与样本量之比、信号的几何结构以及正则化如何相互作用。当拟合参数的个数接近观测数量时，小奇异值可能导致显著的不稳定性。对高维预测及某些机器学习模型的分析利用这些机制来解释风险曲线；但对于结构化数据和学习得到的非线性表征，则需要超出基本独立元素模型的假设。"
    },
    {
      "heading": "与数学和物理学各领域的联系",
      "text": "在量子力学中，能级是哈密顿算符的特征值。在考虑了对称性和平均态密度之后，随机矩阵统计规律能够描述许多复杂的量子系统。1984年提出的 Bohigas–Giannoni–Schmit 猜想，将经典极限呈混沌行为的量子系统与相应的随机矩阵谱统计规律联系起来。相关猜想则将许多可积系统与类似泊松分布的能级统计规律相联系。这些并不是对所有量子系统都无条件适用的分类：算术结构、额外的对称性、局域化以及取极限的方式，都可能产生影响。\n\n与数论的一项引人注目的联系涉及黎曼ζ函数的零点。休·蒙哥马利在1973年关于对关联的研究中，在受限条件下得到了一个与酉系综谱体统计规律相吻合的公式；随后，他与戴森的一次讨论明确揭示了其与随机矩阵的联系。安德鲁·奥德利兹科后来的计算，为虚部很大的零点提供了大量数值证据。更广泛的猜想将 \\(L\\)-函数族与酉、正交或辛对称类型联系起来。这些对应关系并不能证明黎曼猜想。\n\n由丹·沃伊库列斯库创立的自由概率论，提供了经典概率论的一种非交换对应理论，尤其适用于大型、相互独立且分布具有不变性的矩阵。满足适当条件的独立矩阵会渐近自由，因此可以通过自由卷积及相关变换，计算矩阵之和与乘积的极限谱。半圆律在自由中心极限定理中所起的作用，类似于高斯分布在经典中心极限定理中的作用。自由性不同于通常的统计独立性，因为矩阵乘法不满足交换律，而且混合矩的组织方式也不同。\n\n与离散模型的联系表明，即使原问题中没有显式出现随机矩阵，也可能产生随机矩阵分布。1999年，白眞勳、珀西·戴夫特和库尔特·约翰松证明，均匀随机排列的最长递增子序列长度经过中心化和缩放后，收敛于酉型 Tracy–Widom 分布。相关分布也出现在某些与卡达尔–帕里西–张普适类有关的精确可解增长过程和相互作用粒子系统中。这类联系往往依赖于隐藏的行列式结构，或将看似不同的概率模型联系起来的恒等式。\n\n在信息论中的应用包括多天线通信信道，其中，诸如\n\n\\[\\log\\det(I+\\gamma HH^*)\\]\n\n这样的量经适当归一化后，可在给定的信道与输入假设下，描述谱对可达信息速率的贡献。在图论中，邻接矩阵和图拉普拉斯矩阵将随机矩阵方法与图的扩张性、聚类和随机网络联系起来。稀疏图带来了一些在稠密独立元素系综中不存在的困难，包括度的变异性和局域化模态。\n\n该领域的若干活跃前沿，关注的正是熟知的普适性究竟会在何处失效。随机带状矩阵展现出空间局限与谱混合之间的竞争，理论预言其局域化—退局域化转变取决于带宽和维数。重尾系综可能由极端元素主导，而不是由集体平均效应主导。强相关矩阵、随机张量以及由训练后的模型生成的矩阵，都需要新的依赖关系描述。这些问题所要探究的是：哪些谱观测量仍具有普适极限，哪些会保留模型结构的细节，以及何种标度将这两种行为区分开来。"
    }
  ],
  "links": [
    "matrix",
    "eigenvalues-and-eigenvectors",
    "probability",
    "linear-algebra",
    "probability-distribution",
    "statistics",
    "orthogonal-matrix",
    "unitary-matrix",
    "random-variable",
    "conjugate-transpose",
    "singular-value-decomposition",
    "law-of-large-numbers",
    "marchenko-pastur-law",
    "matrix-rank",
    "poisson-process",
    "combinatorics",
    "monte-carlo-method",
    "wiener-process",
    "covariance-matrix",
    "principal-component-analysis",
    "statistical-hypothesis-testing",
    "ridge-regression",
    "regularization",
    "machine-learning",
    "quantum-mechanics",
    "number-theory",
    "riemann-zeta-function",
    "riemann-hypothesis",
    "statistical-independence",
    "information-theory",
    "graph-theory"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}