关键词:
随机矩阵
大维样本相关矩阵
中心极限定理
大维spiked模型
摘要:
随机矩阵理论是概率统计研究领域的一个重要分支,不仅涉及到高维空间的几何和代数结构,还关联到概率论和统计学的基本问题,在物理学、统计学、工程学和生物学等多个领域都有广泛的应用.随机矩阵理论的起源和发展与量子力学的理论和实验密切相关.随机矩阵理论的研究可以追溯到量子力学在20世纪40年代和50年代初期的发展,在量子力学领域,系统的能级由希尔伯特空间中的埃尔米特算子A的特征值来描述,为了避免处理无穷维的算子,物理学家们需要对埃尔米特算子进行一些处理,使得A成为一个有限但高维的随机线性算子,即高维随机矩阵.因此,高维随机矩阵性质的研究引起了量子力学专家的关注,随后提出了一些极限定理.在20世纪50年代后期,概率论和统计学家们对高维随机矩阵的极限性质的研究产生了极大的兴趣,随机矩阵理论的研究开始蓬勃发展.
随机矩阵是由随机变量构成的矩阵,这些随机变量作为矩阵的元素,可以是独立同分布的,或者是具有某种相关性的.在随机矩阵理论中,大维spiked模型是一个特别重要的模型,它在信号处理和经济学等多个学科领域都有广泛的应用.样本协方差(相关矩阵)的spiked模型是指总体的协方差矩阵或者相关矩阵的特征值除了少数非零非一的spiked特征值外,其余的均为***特征值个数的估计是许多学科领域一个基本而关键的问题.
本文的主要研究内容是在大维随机矩阵理论的基础上,假设总体相关矩阵是符合大维spiked模型的情况下,考虑样本相关矩阵的特征值的收敛情况以及其应用,即在大维spiked模型下,根据样本相关矩阵的谱分布的性质来估计这个大维spiked模型中的spiked特征值的个数.当样本维数和样本容量都趋于无穷大,但其比值趋于一个常数时,本文给出了一个基于两个连续样本特征值之差的估计方法.然后,本文通过数值实验验证了文中给出的理论结果.