第 23 章 随机矩阵初步¶
前置：特征值 (Ch06) · 概率论基础 · 矩阵分析 (Ch14)
本章脉络：从确定性矩阵到随机矩阵 \(\to\) 随机矩阵论 (RMT) 的动机（复杂系统的普适律） \(\to\) 典型随机阵类：Wigner 矩阵、Wishart 矩阵 \(\to\) 核心谱分布：Wigner 半圆律 (Semi-circle Law) \(\to\) Marchenko-Pastur 律（样本协方差的极限谱） \(\to\) 边缘分布：Tracy-Widom 分布 \(\to\) 普适性 (Universality) 概念 \(\to\) 应用：金融风险分析（噪声过滤）、核物理能级、无线通信信道容量（MIMO）、压缩感知
延伸：随机矩阵论是研究“大维度、大样本”极限下谱结构的科学；它证明了当系统足够复杂时，局部的微观噪声会坍缩为宏观的确定性几何形状，是现代高维统计与数据科学的理论支柱
当我们不知道矩阵条目的确切值，只知道它们的统计分布时，研究其特征值的表现就进入了随机矩阵论（Random Matrix Theory, RMT）的范畴。RMT 的迷人之处在于，尽管单个条目是随机的，但当矩阵维度趋于无穷大时，特征值的整体密度分布却遵循极其精确且普适的数学定律。本章将介绍这一连接概率论与算子谱理论的前沿领域。
23.1 Wigner 矩阵与半圆律¶
定义 23.1 (Wigner 矩阵)
对称矩阵 \(A\)，其上三角元素 \(a_{ij}\) 是独立同分布且均值为 0、方差为 \(\sigma^2\) 的随机变量。
定理 23.1 (Wigner 半圆律)
当 \(n \to \infty\) 时，归一化 Wigner 矩阵 \(A/\sqrt{n}\) 的特征值密度函数 \(\rho(\lambda)\) 收敛于半圆分布： $\(\rho(\lambda) = \frac{1}{2\pi \sigma^2} \sqrt{4\sigma^2 - \lambda^2}, \quad |\lambda| \le 2\sigma\)$ 物理意义：复杂对称系统的能级分布呈现出一种完美的几何圆弧。
23.2 Wishart 矩阵与 M-P 律¶
定义 23.2 (Wishart 矩阵)
\(S = \frac{1}{n} X X^T\)，其中 \(X\) 是 \(p \times n\) 的随机矩阵。常用于描述高维样本协方差矩阵。
定理 23.2 (Marchenko-Pastur 律)
当 \(p, n \to \infty\) 且比值 \(p/n \to \gamma\) 时，特征值密度收敛于 M-P 分布。 应用：这是区分信号与噪声的数学标尺。如果实际数据的特征值落在 M-P 分布范围外，则说明存在真实信号。
23.3 边缘与普适性¶
Tracy-Widom 分布
最大特征值 \(\lambda_{\max}\) 的波动并不遵循正态分布，而是遵循 Tracy-Widom 分布。它决定了系统偏离主群体的“异常值”门槛。
练习题¶
1. [基础] 什么是随机矩阵论中的“普适性”（Universality）？
参考答案
解释： 普适性是指：当矩阵维度 \(n\) 很大时，特征值的宏观分布（如半圆律）和微观间距性质，主要取决于矩阵的对称性类别（如实对称、复埃尔米特、辛阵），而与单个元素的具体分布类型（如高斯、伯努利、均匀分布）几乎无关。这类似于概率论中的中心极限定理。
2. [计算] 设 Wigner 矩阵元素方差 \(\sigma^2=1\)。根据半圆律，特征值主要集中在哪个区间？
参考答案
计算： 根据公式 \(|\lambda| \le 2\sigma\)。 代入 \(\sigma = 1\)：\(|\lambda| \le 2\)。 结论：特征值分布在 \([-2, 2]\) 区间内。
3. [Wishart] 一个 \(1000 \times 1000\) 的全噪声矩阵（独立正态），其样本协方差矩阵的最大特征值约为多少？
参考答案
应用 M-P 律： 1. 这里 \(p=1000, n=1000 \implies \gamma = 1\)。 2. M-P 分布的右边界为 \(\sigma^2(1 + \sqrt{\gamma})^2\)。 3. 假设 \(\sigma^2=1\)，计算：\((1 + \sqrt{1})^2 = 2^2 = 4\)。 结论：最大特征值大约收敛于 4。任何显著大于 4 的特征值都代表了非噪声的信号成分。
4. [性质] 证明：若 \(A\) 是随机对称矩阵且均值为 0，则 \(\operatorname{tr}(A)\) 的期望值为 0。
参考答案
证明： 1. \(\operatorname{tr}(A) = \sum a_{ii}\)。 2. 利用期望的线性性质：\(E[\operatorname{tr}(A)] = \sum E[a_{ii}]\)。 3. 由于每个元素均值为 0，故每一项 \(E[a_{ii}] = 0\)。 结论：特征值的总和平均而言为 0。
5. [谱密度] 简述为什么在 \(n\) 较小时，特征值直方图不像完美的半圆？
参考答案
理由： RMT 规律是极限规律（Asymptotic Laws）。 在有限维度下，存在统计波动和“噪声”，导致边缘不够平滑。只有随着 \(n\) 增加，大数定律的效果才会逐渐显现，使直方图收敛于理论曲线。
6. [应用] 在金融领域，RMT 如何用于过滤虚假的相关性？
参考答案
方法： 1. 计算股票收益率的相关矩阵 \(C\)。 2. 绘制 \(C\) 的特征值谱。 3. 叠加对应的 M-P 分布曲线（假设纯随机情况）。 4. 过滤：落在 M-P 曲线内部的特征值对应的成分被视为不可靠的随机噪声；只有显著大于 M-P 上界的特征值才代表真正的市场趋势或行业板块效应。
7. [Tracy-Widom] 判定：最大特征值的波动范围随 \(n\) 如何缩放？
参考答案
结论：\(n^{-2/3}\)。 这是 RMT 中极其深刻的缩放律。最大特征值收敛到边界的速度比中心极限定理的 \(n^{-1/2}\) 更快，且分布具有独特的不对称性（左侧尾部比右侧更厚）。
8. [计算] 若 \(p/n = 0.25\)，计算 M-P 分布的支撑区间（假设 \(\sigma^2=1\)）。
参考答案
计算步骤： 1. \(\gamma = 0.25, \sqrt{\gamma} = 0.5\)。 2. 左边界：\((1 - \sqrt{\gamma})^2 = (1 - 0.5)^2 = 0.25\)。 3. 右边界：\((1 + \sqrt{\gamma})^2 = (1 + 0.5)^2 = 2.25\)。 结论：谱支撑在 \([0.25, 2.25]\)。由于 \(\gamma < 1\)，谱不包含 0 点。
9. [关系] Wigner 矩阵与 Wishart 矩阵在来源上有何本质区别？
参考答案
对比： - Wigner 矩阵：直接由独立随机元素组成的对称阵。常用于描述原子核能级、复杂网络连接。 - Wishart 矩阵：由随机向量的外积之和生成（\(XX^T\)）。常用于描述观测数据的协方差，其特征值代表了主成分的强度。
10. [物理应用] 为什么重原子核的能级分布符合 RMT 预测？
参考答案
解释： 重原子核内包含极多相互作用的强子，系统极其复杂，无法通过解析方程求解能级。 物理学家（如 Wigner）假设其相互作用算子（哈密顿量）可以用一个巨大的随机对称矩阵来近似。RMT 成功预测了能级之间存在“排斥”现象（即两个能级很少靠得很近），这与实验观测高度吻合。
本章小结¶
随机矩阵论揭示了混沌背后的代数秩序：
- 确定性的极限：它证明了宏观的结构可以从微观的随机性中“涌现”出来，半圆律与 M-P 律确立了复杂系统的统计基准。
- 噪声的边界：通过界定谱密度的支撑区间，RMT 为信号提取、图像处理和金融分析提供了科学的噪声过滤准则。
- 连接万物的普适性：从核能级到无线电信号，再到素数的分布，RMT 展示了线性代数的谱理论如何跨越学科界限，成为理解复杂性最统一的数学工具。