Распределение Трейси — Видома

Распределение Трейси — Видома — статистическое распределение, введённое Крэйгом Трейси^[англ.] и Гарольдом Видомом для описания нормированного наибольшего собственного значения случайной эрмитовой матрицы^[1].

В прикладном отношении, распределение Трейси — Видома — это функция перехода между двумя фазами системы: со слабосвязанными и с сильносвязанными компонентами^[2]. Оно также возникает как распределение длины наибольшей увеличивающейся подпоследовательности случайных перестановок^[3], во флуктуациях потока асимметричного процесса с простыми исключениями^[англ.] с шаговым начальным условием^[4][5] и в упрощённых математических моделях поведения в задаче о наибольшей общей подпоследовательности случайных вводов^[6][7].

Распределение F₁ особенно интересно с точки зрения многомерной статистики^{[англ.] [8][9][10][11]}.

Распределение Трейси — Видома определяется как предел^[12]

${\displaystyle F_{\beta }(s)=\lim \limits _{n\rightarrow \infty }{\rm {Prob}}\left((\lambda _{\rm {max}}-{\sqrt {2n}})({\sqrt {2}})n^{1/6}\leq s\right){\mbox{,}}}$

где ${\displaystyle \lambda _{\rm {max}}}$ — наибольшее собственное число случайной матрицы ${\displaystyle n\times n}$ стандартного (для компонентов матрицы ${\displaystyle \sigma =1/{\sqrt {2}}}$) гауссова ансамбля: при β=1 — ортогонального, при β=2 — унитарного, при β=4 — симплектического. Сдвиг ${\displaystyle {\sqrt {2n}}}$ используется, чтобы центрировать распределение в точке 0. Множитель ${\displaystyle ({\sqrt {2}})n^{1/6}}$ используется, поскольку стандартное отклонение распределения масштабируется как ${\displaystyle n^{-1/6}}$.

Функция распределения Трейси — Видома для унитарных ансамблей (${\displaystyle \beta =2}$) может быть представлена как фредгольмов определитель^[англ.]

${\displaystyle F_{2}(s)=\det(I-A_{s})}$

оператора ${\displaystyle A_{s}}$ на интегрируемой с квадратом функции на луче ${\displaystyle (s,\infty )}$ ядром в понятиях функций Эйри ${\displaystyle \mathrm {Ai} }$ через

${\displaystyle {\frac {\mathrm {Ai} (x)\mathrm {Ai} '(y)-\mathrm {Ai} '(x)\mathrm {Ai} (y)}{x-y}}.}$

Также её можно представить интегралом

${\displaystyle F_{2}(s)=\exp \left(-\int _{s}^{\infty }(x-s)q^{2}(x)\,dx\right)}$

через решение уравнения Пенлеве^[англ.] II

${\displaystyle q^{\prime \prime }(s)=sq(s)+2q(s)^{3}\,{\mbox{,}}}$

где ${\displaystyle q}$, называемое решением Гастингса—Мак-Леода, удовлетворяет граничным условиям:

${\displaystyle \displaystyle q(s)\sim {\textrm {Ai}}(s),s\rightarrow \infty .}$

Распределения Трейси — Видома ${\displaystyle F_{1}}$ и ${\displaystyle F_{4}}$ для ортогональных (${\displaystyle \beta =1}$) и симплектических (${\displaystyle \beta =4}$) ансамблей также выразимы через трансцендент Пенлеве^[англ.] ${\displaystyle q}$^[13]:

${\displaystyle F_{1}(s)=\exp \left(-{\frac {1}{2}}\int _{s}^{\infty }q(x)\,dx\right)\,\left(F_{2}(s)\right)^{1/2}}$

и

${\displaystyle F_{4}(s/{\sqrt {2}})=\mathrm {ch} \left({\frac {1}{2}}\int _{s}^{\infty }q(x)\,dx\right)\,\left(F_{2}(s)\right)^{1/2}.}$

Существует расширение этого определения на случаи ${\displaystyle F_{\beta }}$ при всех ${\displaystyle \beta >0}$^[14].

Численные методы получения приближённых решений уравнений Пенлеве II и Пенлеве V и численно определённые распределения собственных значений случайных матриц в бета-ансамблях впервые были представлены в 2005 году^[15] (использовался MATLAB). Эти приближённые методы позднее были аналитически уточнены^[16] и используются для получения численного анализа Пенлеве II и распределений Трейси — Видома (для ${\displaystyle \beta =1,2,4}$) в S-PLUS. Эти распределения были табулированы^[16] до четырёх значащих цифр по значениям аргумента с шагом 0.01; в работе также присутствовала статистическая таблица p-значений. В 2009 году^[17] даны точные и быстрые алгоритмы численного определения ${\displaystyle F_{\beta }}$ и функций плотности ${\displaystyle \textstyle f_{\beta }(s)={dF_{\beta } \over ds}}$ для ${\displaystyle \beta =1,2,4}$. По этим алгоритмам можно численно подсчитать среднее значение, дисперсию, асимметрию и эксцесс распределений ${\displaystyle F_{\beta }}$.

Функции для работы с законами Трейси — Видома также представлены в пакете для R RMTstat^[18] и в пакете для MATLAB RMLab^[19].

Вычислено также простое приближение на основе смещённых гамма-распределений^[20].

• Доценко В. С. Универсальная случайность // УФН. — 2011. — Т. 181, № 3. — doi:10.3367/UFNr.0181.201103b.0269.
• Baik, J.; Deift, P.; Johansson, K. (1999), On the distribution of the length of the longest increasing subsequence of random permutations, Journal of the American Mathematical Society, 12 (4): 1119–1178, doi:10.1090/S0894-0347-99-00307-0, JSTOR 2646100, MR 1682248.
• Deift, P. (2007), Universality for mathematical and physical systems (PDF), International Congress of Mathematicians (Madrid, 2006), European Mathematical Society, pp. 125–152, MR 2334189.
• Johansson, K. (2000), Shape fluctuations and random matrices, Communications in Mathematical Physics, 209 (2): 437–476, arXiv:math/9903134, Bibcode:2000CMaPh.209..437J, doi:10.1007/s002200050027.
• Johansson, K. (2002), Toeplitz determinants, random growth and determinantal processes (PDF), Proc. International Congress of Mathematicians (Beijing, 2002), vol. 3, Beijing: Higher Ed. Press, pp. 53–62, MR 1957518.
• Johnstone, I. M. (2007), High dimensional statistical inference and random matrices (PDF), International Congress of Mathematicians (Madrid, 2006), European Mathematical Society, pp. 307–333, MR 2334195.
• Johnstone, I. M. (2008), Multivariate analysis and Jacobi ensembles: largest eigenvalue, Tracy–Widom limits and rates of convergence, Annals of Statistics, 36 (6): 2638–2716, arXiv:0803.3408, doi:10.1214/08-AOS605, PMC 2821031, PMID 20157626.
• Johnstone, I. M. (2009), Approximate null distribution of the largest root in multivariate analysis, Annals of Applied Statistics, 3 (4): 1616–1633, arXiv:1009.5854, doi:10.1214/08-AOAS220, PMC 2880335, PMID 20526465.
• Majumdar, Satya N.; Nechaev, Sergei (2005), Exact asymptotic results for the Bernoulli matching model of sequence alignment, Physical Review E, 72 (2): 020901, 4, doi:10.1103/PhysRevE.72.020901, MR 2177365.
• Patterson, N.; Price, A. L.; Reich, D. (2006), Population structure and eigenanalysis, PLoS Genetics, 2 (12): e190, doi:10.1371/journal.pgen.0020190, PMC 1713260, PMID 17194218{{citation}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка).
• Prähofer, M.; Spohn, H. (2000), Universal distributions for growing processes in 1+1 dimensions and random matrices, Physical Review Letters, 84 (21): 4882–4885, arXiv:cond-mat/9912264, Bibcode:2000PhRvL..84.4882P, doi:10.1103/PhysRevLett.84.4882, PMID 10990822.
• Takeuchi, K. A.; Sano, M. (2010), Universal fluctuations of growing interfaces: Evidence in turbulent liquid crystals, Physical Review Letters, 104 (23): 230601, arXiv:1001.5121, Bibcode:2010PhRvL.104w0601T, doi:10.1103/PhysRevLett.104.230601, PMID 20867221
• Takeuchi, K. A.; Sano, M.; Sasamoto, T.; Spohn, H. (2011), Growing interfaces uncover universal fluctuations behind scale invariance, Scientific Reports, 1: 34, arXiv:1108.2118, Bibcode:2011NatSR...1E..34T, doi:10.1038/srep00034
• Tracy, C. A.; Widom, H. (1993), Level-spacing distributions and the Airy kernel, Physics Letters B, 305 (1–2): 115–118, arXiv:hep-th/9210074, Bibcode:1993PhLB..305..115T, doi:10.1016/0370-2693(93)91114-3.
• Tracy, C. A.; Widom, H. (1994), Level-spacing distributions and the Airy kernel, Communications in Mathematical Physics, 159 (1): 151–174, arXiv:hep-th/9211141, Bibcode:1994CMaPh.159..151T, doi:10.1007/BF02100489, MR 1257246.
• Tracy, C. A.; Widom, H. (2002), Distribution functions for largest eigenvalues and their applications (PDF), Proc. International Congress of Mathematicians (Beijing, 2002), vol. 1, Beijing: Higher Ed. Press, pp. 587–596, MR 1989209.
• Tracy, C. A.; Widom, H. (2009), Asymptotics in ASEP with step initial condition, Communications in Mathematical Physics, 290 (1): 129–154, arXiv:0807.1713, Bibcode:2009CMaPh.290..129T, doi:10.1007/s00220-009-0761-0.
• Bejan, Andrei Iu. (2005), Largest eigenvalues and sample covariance matrices. Tracy–Widom and Painleve II: Computational aspects and realization in S-Plus with applications (PDF), M.Sc. dissertation, Department of Statistics, The University of Warwick.
• Bornemann, F. (2010), On the numerical evaluation of distributions in random matrix theory: A review with an invitation to experimental mathematics, Markov Processes and Related Fields, 16 (4): 803–866, arXiv:0904.1581, Bibcode:2009arXiv0904.1581B.
• Chiani, M. (2012), Distribution of the largest eigenvalue for real Wishart and Gaussian random matrices and a simple approximation for the Tracy–Widom distribution, arXiv:1209.3394.
• Edelman, A.; Persson, P.-O. (2005), Numerical Methods for Eigenvalue Distributions of Random Matrices, arXiv:math-ph/0501068, Bibcode:2005math.ph...1068E.
• Ramírez, J. A.; Rider, B.; Virág, B. (2006), Beta ensembles, stochastic Airy spectrum, and a diffusion, arXiv:math/0607331, Bibcode:2006math......7331R.

• Kuijlaars, Universality of distribution functions in random matrix theory (PDF).
• Tracy, C. A.; Widom, H., The distributions of random matrix theory and their applications (PDF).
• Johnstone, Iain; Ma, Zongming; Perry, Patrick; Shahram, Morteza (2009), Package 'RMTstat' (PDF).
• Quanta Magazine: At the Far Ends of a New Universal Law