[论文解读] Semicircle Law for a Class of Random Matrices with Dependent Entries

Friedrich Götze, Alexey Naumov+1 more|arXiv (Cornell University)|Nov 2, 2012

Random Matrices and Applications参考文献 8被引用 18

一句话总结

本文通过将威格纳的经典结果推广到方差 σ_ij² 不全相同且条目呈现特定依赖形式的情形，建立了具有依赖条目的随机对称矩阵的半圆律。在满足林德伯格条件、方差归一化（1.4）及行方差有界（1.5）等条件下，经验谱分布即使在条目非独立同分布或方差不等时，也弱收敛于半圆律。

ABSTRACT

In this paper we study ensembles of random symmetric matrices $\X_n = {X_{ij}}_{i,j = 1}^n$ with dependent entries such that $\E X_{ij} = 0$, $\E X_{ij}^2 = σ_{ij}^2$, where $σ_{ij}$ may be different numbers. Assuming that the average of the normalized sums of variances in each row converges to one and Lindeberg condition holds we prove that the empirical spectral distribution of eigenvalues converges to Wigner's semicircle law.

研究动机与目标

• 将威格纳的半圆律推广至具有依赖条目与非相同方差的随机对称矩阵。
• 建立在条目存在依赖性与异方差性时，经验谱分布收敛于半圆律的条件。
• 将以往要求条目独立同分布或方差相等的结果推广至更广泛的随机矩阵 ensemble 类别。
• 验证林德伯格条件与方差归一化（1.4）在依赖情形下足以保证半圆律收敛。
• 证明当条目不相关但非独立时，只要满足适当的矩条件与方差条件，极限谱分布仍保持为半圆律。

提出的方法

• 引入一个零均值且二阶矩有限的三角阵列随机变量 {X_jk}，其结构对称，即 X_jk = X_kj。
• 施加三个关键条件：(1.1) 给定所有其他条目时条件期望为零，(1.2) 条件二阶矩与 σ_ij² 一致，(1.3) 尾部概率满足林德伯格条件。
• 施加额外的方差归一化条件（1.4）：行平均方差归一化为 1，以及（1.5）：行方差被绝对常数 C 有界。
• 采用史蒂尔杰斯变换方法分析经验谱分布 F^{X_n}(x) 对半圆分布 G(x) 的收敛性。
• 利用图论方法对矩进行分解，根据边的重合性将图分为 C_1、C_2、C_3 三类，并通过标准图枚举分析其贡献。
• 对非重合边的树状结构递归删除叶节点，以控制矩的贡献，利用（1.4）与（1.5）证明高阶项趋于零。

实验结果

研究问题

• RQ1 在何种条件下，具有依赖条目的随机对称矩阵的经验谱分布收敛于半圆律？
• RQ2 在依赖结构下，当方差 σ_ij² 非全相同时，半圆律是否仍可推广至此类矩阵？
• RQ3 当条目存在依赖但不相关时，林德伯格条件是否仍足以保证半圆律收敛？
• RQ4 归一化条件 ∑_j σ_ij² / n → 1 在异方差情形下对保证半圆律收敛起到何种作用？
• RQ5 矩有界性与方差正则性（如 max B_i ≤ C）在依赖情形下如何影响极限谱分布？

主要发现

• 在条件 (1.1)–(1.5) 下，经验谱分布 F^{X_n}(x) 一致收敛于标准半圆律 G(x)，即当 n → ∞ 时，sup_x |F^{X_n}(x) - G(x)| → 0。
• 林德伯格条件 (1.3) 确保条目中的极端偏离不会影响极限谱测度。
• 条件 (1.4)，即 ∑_i |B_i² - 1|/n → 0，确保行平均方差被归一化为 1，这是半圆律收敛的关键要求。
• 有界性条件 (1.5)，即 max_i B_i ≤ C，可防止任一行主导谱分布。
• 在独立情形下，定理 1.2 表明在相同条件 (1.3)–(1.5) 下半圆律成立，从而扩展了以往结果。
• 来自树状图（类别 C_1）的贡献 S_1 收敛于卡塔兰数 C_m = (1/(m+1)) binom(2m,m)，通过矩匹配确认了半圆极限。