Professional Documents
Culture Documents
SMM
Resumen
El proposito de este artculo es dar una demostracion detallada del teorema de Wigner, el cual es un resultado central de la
teora de matrices aleatorias, usando herramientas de teora
de graficas, combinatoria y probabilidad.
1.
Introducci
on
32
(el caso real corresponde a las matrices aleatorias simetricas). Una propiedad importante de las matrices aleatorias hermitianas es que sus
valores propios son reales y son aleatorios.
Sea AN una matriz aleatoria hermitiana de N N y sean las variaN
N
bles aleatorias reales N
on de
1 , 2 , ..., N sus valores propios. La funci
distribucion espectral emprica de AN ,
FAN (x) =
1
x
# i : N
i
N
x R,
Esta
es una funcion de distribucion aleatoria, por lo tanto para cada del espacio muestral FAN () es una funcion de distribucion y es
precisamente la funcion de distribucion emprica correspondiente a los
N
N
on de distribucion esn
umeros reales N
1 (), 2 (), ..., N (). La funci
pectral emprica se puede interpretar como una funcion de distribucion
N
N
aleatoria uniforme en los valores propios N
1 , 2 , ..., N , donde cada uno
de estos valores propios tiene la misma probabilidad N1 de ocurrir.
El teorema de Wigner establece, bajo ciertas condiciones sobre AN ,
que para cada x R cuando N
c.s.
Zx
1
4 t2 1[2,2] (t)dt,
2
(1)
33
x FAN (dx) =
N
X
N
j
k
N
FAN N
A
j
j
N
j=1
N
1 X N k tr(AkN )
.
=
N j=1 j
N
Por otra parte, como veremos mas adelante, la distribucion del semicrculo esta u
nicamente determinada por sus momentos
Z
xk F (dx) = C k si k par o 0 si k impar,
(3)
2
si k par o 0 si k impar.
(5)
34
Mas a
un, probaremos la convergencia en esperanza
tr(AkN )
C k
E
2
N
si k par o 0 si k impar
(6)
2.
Elementos de probabilidad
2.1.
35
Momentos
Esta
determina el comportamento probabilstico de la variable aleatoria, donde F (x) se interpreta como la probabilidad de que la variable
aleatoria sea menor o igual a x.
Las funciones de distribucion estan caracterizadas de la siguiente
manera. Una funcion F : R [0, 1] es la funcion de distribucion de
una variable aleatoria X definida en alg
un espacio de probabilidad si y
solo si cumple las siguientes tres propiedades: (i) F es continua por la
derecha, (ii) F es no decreciente y (iii) F (x) 0 cuando x y
F (x) 1 cuando x .
El momento de orden k de una variable aleatoria X (o de su funcion
de distribucion F ) se define, en caso de existir, como el n
umero
Z
EX k := xk F (dx),
R
var (X)
.
2
36
variables aleatorias independientes. Si X1 , ..., Xn son variables aleatorias independientes cuyas esperanzas existen entonces E [X1 Xn ] =
EX1 EXn .
2.2.
M
etodo de momentos
37
2k
1
2k 1
.
4 t2 1[2,2] (t)dt =
t
2
k+1 k
R
Los momentos impares son cero debido a la simetra de la distribucion.
3.
Elementos de teora de gr
aficas
3.1.
Gr
aficas
Una grafica es un par ordenado (V (G), E(G)) que consiste de un conjunto V (G) de vertices y un conjunto E(G), disjunto de V (G), de aristas, junto con una funcion G que asocia a cada arista de G un par no ordenado de vertices de G no necesariamente distintos. Si G (e) = {u, v}
diremos que los vertices u y v son los extremos de la arista e. El n
umero
de vertices y el n
umero de aristas de G los denotaremos por |V (G)| y
|E(G)|, respectivamente.
Un lazo es una arista con extremos identicos. Dos aristas paralelas
son dos aristas que tienen los mismos extremos. Una grafica simple es
una grafica que no tiene lazos ni aristas paralelas.
Un ciclo con tres o mas vertices, es una grafica simple cuyos vertices
se pueden disponer en una secuencia cclica de tal manera que dos
vertices son los extremos de una misma arista si ellos son consecutivos
en la secuencia y no son los extremos de una misma arista si no son
consecutivos. Un ciclo con un vertice consiste de un vertice con un lazo.
Un ciclo con dos vertices consiste en dos vertices que son los extremos
de dos aristas paralelas.
Una grafica conexa, es una grafica tal que para toda particion de
su conjunto de vertices en dos conjuntos no vacos, existe una arista
con un extremo en uno de esos conjuntos y el otro extremo en el otro
conjunto. Una grafica inconexa es una grafica que no es conexa.
Una grafica F es una subgrafica de una grafica G si V (F ) V (G),
E(F ) E(G) y la funcion F es la restriccion de G a E(F ). Se dice
que G contiene a F . Si la subgrafica F tiene el mismo conjunto de
38
39
j = 1, 2, ..., 2k.
Ejemplo 5 (k = 3) Con tres aristas se forman cinco arboles orientados con raz, los cuales corresponden a las 6-tuplas (1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1), (1, 1, 1, 1, 1, 1), (1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1), respectivamente.
3.2.
Gr
aficas dirigidas
40
4.
El teorema de Wigner
Una matriz de Wigner es una matriz aleatoria AN de N N con elementos reales o complejos tales que AN
ij 1 i j N son independientes
N
N
N
y A hermitiana Aij = Aji .
Consideraremos en adelante solo matrices de Wigner que cumplen
las siguientes tres condiciones:
EAN
ij = 0,
(7a)
2
= 1/N ,
E AN
ij
k
N
Mk := sup max E N Aij < .
(7b)
N N 1i,jN
4.1.
(7c)
Resultados
c.s.
1
FAN (x) := # i : N
i x
N
Zx
1
4 t2 1[2,2] (t)dt.
2
41
Teorema 8 Bajo las mismas condiciones del teorema 7 sobre las matrices aleatorias AN se cumple la convergencia en esperanza
h
i
tr AN k
N
C k si k es par,
2
0 si k es impar.
Teorema 9 Bajo las mismas condiciones del teorema 7 sobre las matrices aleatorias AN se cumple la convergencia casi segura
tr
AN
k i
c.s.
C k si k es par,
2
0 si k es impar.
4.2.
Traza y gr
aficas conexas
B N := N AN y Bij := N AN
ij .
i := (i1 , ..., ik ) {1, 2, ..., N }k , ik+1 := i1 .
Q (i) := E [Bi1 i2 Bi2 i3 Bik i1 ] .
X
N
X
:=
:=
i1 ,...,ik =1
N
X
i1 =1
N
X
ik =1
P
Teniendo en cuenta la regla (CD)ij = m
k=1 Cik Dkj del producto de dos
matrices m-compatibles C y D, podemos escribir la traza de la k-esima
potencia de B N como
tr
N k
N
X
N k
i1 i1
i1 =1
= =
N
X
i1 ,...,ik =1
N
X
Bi1 i2
i1 ,i2 =1
BN
k1
i2 i1
42
de donde
k
1
1 h N k i
12 N
=E
tr A
tr N B
E
N
N
N
X
1
= k
E [Bi1 i2 Bi2 i3 Bik i1 ]
N 2 +1 i1 ,...,ik =1
1 X
= k
Q (i) .
N 2 +1 i
(7)
A cada una
de estas digr
aficas conexas G (i) le asociamos su esque
43
N 2 +1
Q (i) =
N 2 +1
1
N
k
+1
2
Q (i)
G(i)
X
G(i)
(i)| k +1
1|V
2
[ ]
Q (i) +
1
N
k
+1
2
Q (i) .
G(i)
|V (i)|[ k2 ]+2
k
Lema 12 Si V (i) 2 + 2 entonces E (i) tiene por lo menos una
diarista que no es paralela a ninguna otra diarista.
44
Demostraci
on. De acuerdo al lema 4 E (i) + 1 V (i) de donde
k
E (i) 2 + 1. Dado que se tienen |E (i)| = k diaristas y hay por lo
menos k2 + 1 aristas distintas, entonces E (i) debe tener una diarista
que no es paralela a ninguna
diarista, ya que de lo contrario E (i)
k otra
tendra por lo menos 2 2 + 1 = k + 2 diaristas cuando k es par o
por lo menos k + 1 diaristas cuando k es impar, lo cual en ambos casos
no es posible.
Como consecuencia de los lemas 11 y 12 la expresion (7) se reduce
a
X
1
1 h N k i
= k
E
tr A
Q (i) .
(8)
N
N 2 +1
G(i)
(i)| k +1
1|V
[2]
Por otra parte, se tiene una cota uniforme para los Q (i) al usar la
desigualdad de Holder y (7c)
h
i1
h
i1
k k
k k
E |Bik i1 |
|Q (i)| = |E [Bi1 i2 Bi2 i3 Bik i1 ]| E |Bi1 i2 |
1
Mkk Mkk = Mk .
4.3.
La convergencia en esperanza
Mk
k
N
N 2 +1
N 2 +1
G(i)
G(i)
(i)| k +1
(i)| k +1
1|V
1|V
[2]
[2]
[ k ]+1
k
[ k2 ]+1
+
1
N 2
1 X X
k
Mk 2
Mk
k
N 2 +1 j=1 G(i)
N 2 +1
|V (i)|=j
k
si k es par,
2 + 1 Mk
k
+ 1 Mk
=
2
si k es impar,
1
N2
de donde si k es impar se obtiene el resultado
1 h N k i
E
tr A
0, cuando N .
N
45
donde
S1 =
1
N
k
+1
2
Q (i)
S2 =
G(i)
(i)| k
1|V
2
1
N
k
+1
2
Q (i) .
G(i)
|V (i)|= k2 +1
|S1 |
N 2 +1
G(i)
(i)| k
1|V
2
k N 2 Mk
0.
|Q (i)|
2 N k2 +1
Resta demostrar que S2 converge a C k . En este caso V (i) = k2 + 1, lo
2
k
cual implica, de acuerdo al lema 4, que E (i) 2 .
Si E (i) > k2 entonces E(i) tiene al menos una diarista que no es
paralela
a ninguna otra diarista, por el lema 11 Q(i) = 0.
(i) es un arbol, por lo tanto a cada
Si E (i) = k2 , por el lema, 4 G
diarista en E (i) le corresponde una diarista paralela en E(i). En este
caso Q (i) es de la forma
2
Y
Q (i) = E |Be1 | |Be2 | Be k =
E |Be |2
2
eE(i)
2
E N AN
e = 1.
eE(i)
k
2
46
1
N
k
+1
2
k
2
+ 1. Por lo tanto
Q (i)
G(i)
|V (i)|= k2 +1
|E(i)
|= k2
Ck
2
X
X
N 2 +1
Q (i)
j=1 iG
j (i)
Ck
1
N
k
+1
2
2
X
X
j=1 iG
j (i)
Ck
1=
2
k
+1
2
P kN+1 ,
2
4.4.
47
P (DN, ) <
N =1
!
DN,
= 0.
n=1 N =n
N
N
N
1
N
"
=E
#2 "
N 2 +1
N k+2
#2
X
N 2 +1
E Bi1 i2 Bik i1 Bi01 i02 Bi0k i01
i,i0
E [Bi1 i2 Bik i1 ] E Bi01 i02 Bi0k i01
=
1
N k+2
0
X
i,i
(10)
48
49
i0 ) es un arbol, luego los arboles G(i)
Si E(i,
i0 ) = k entonces G(i,
y
0 ) no tienen arista en com
G(i
un, por lo lo tanto Q (i, i0 ) = Q (i) Q (i0 ).
Si E(i,
i0 ) > k entonces E(i, i0 ) tiene por lo menos una diarista que no
es paralela a ninguna otra diarista, (sgase la demostracion del lema 12),
la cual estara en E(i) o E(i0 ), por lo que Q (i, i0 ) = 0 y Q (i) Q (i0 ) = 0.
Finalmente, en el caso V (i, i0 ) k la suma (10) se reduce a
Var
1 h N k i
tr A
N
=
1
N k+2
1
N k+2
k
N k+2
=k
N
X
G(i,i0 )
(i,i0 )|k
1|V
N
X
G(i,i0 )
(i,i0 )|k
1|V
N k Mk + Mk2
Mk + Mk2
.
N2
Observaci
on 14 El teorema 7 es valido para matrices de Wigner tanto reales como complejas, ya que la demostracion no distingue el caso
real del complejo. El caso real corresponde al de las matrices aleatorias
simetricas.
Si en el teorema 7 se relaja la condicion (7b) sobre las varianzas
por la condicion asintotica
2
2
2
N
N
N
lm E N Aij = lm mn E N Aij = lm max E N Aij = 1
N i,jN
N i,jN
(11)
se sigue manteniendo la conclusion.
En [4] se considera, en lugar de la condicion (7b), la condicion
1
lm
N N 2
2
X
N
E N Aij 1 = 0
1i,jN
(12)
50
5.
Notas
Las condiciones (7a), (7b) y (7c) son esencialmente las mismas que
considera Wigner [11] para matrices aleatorias simetricas reales, con la
diferencia de que considera las entradas con distribucion simetrica.
Existen varias versiones del teorema de Wigner dependiendo de las
matrices aleatorias que se consideren. Los trabajos que a continuacion
se
nalamos emplean diferentes tecnicas para demostrarlo. Y aunque trabajan con distintas condiciones, sobre las matrices aleatorias, en general
consideran matrices aleatorias simetricas o hermitianas, centradas y con
entradas independientes (salvo simetra).
Hiai y Petz [6] trabajan con matrices aleatorias simetricas reales,
emplean el enfoque combinatorio, solo que en lugar de graficas conexas,
utilizan el concepto de particiones que no se cruzan para obtener los
n
umeros de Catalan.
Nica y Speicher [9] consideran matrices aleatorias con entradas gaussianas complejas y tambien utilizan particiones que no se cruzan para
el conteo. Trabajan el metodo de momentos con elementos de probabilidad libre y aplican el teorema del lmite central libre para obtener el
resultado.
Haagerup y Thorbjnsen [5] tambien consideran matrices aleatorias con entradas gaussianas complejas. Mediante el enfoque analtico
derivan una formula para la funcion generadora de momentos de las
matrices aleatorias va polinomios ortogonales, con la cual deducen el
resultado.
Bai y Silverstein [2] consideran matrices aleatorias con entradas
complejas a las que les remueven los elementos de la diagonal. Utilizan el enfoque combinatorio de graficas y la tecnica de truncamiento.
Guionnet [4] trabaja con matrices aleatorias hermitianas complejas
mediante el enfoque combinatorio de graficas, de manera similar a como
se presenta en este trabajo.
Arnold [1] considera matrices aleatorias simetricas con segundo momento finito en la diagonal y cuarto momento finito fuera de diagonal
y demuestra la convergencia en probabilidad. Tambien demuestra la
convergencia casi segura, pidiendo cuarto momento finito para los elementos de la diagonal y sexto momento finito fuera de la diagonal. En
ambos casos emplea el enfoque combinatorio y la tecnica de truncamiento.
Agradecimiento. Al Dr. Vctor Perez-Abreu por sus comentarios y
sugerencias.
51
Referencias
[1] Arnold, L. (1967). On the asymptotic distribution of the eigenvalues of random matrices. Journal of Mathematical Analysis and
Applications, 20, 262-268.
[2] Bai, Z. y Silverstein, J. W. (2010). Spectral Analysis of Large Dimensional Random Matrices. Springer Series in Statistics, 2a ed.
[3] Bondy J. A. y Murty U. S. R. (2008) Graph Theory. Springer.
Graduate Texts in Mathematics 244.
[4] Guionnet, A. (2009). Large Random Matrices: Lectures on Ma
e de Probabilites de Saint-Flour
croscopic Asymptotics. Ecole
dEt
XXXVI 2006 (Lecture Notes in Mathematics, Ecole dEte de Probabilites de St. Flour, Springer).
[5] Haagerup, U. and Thorbjrnsen, S. (2003) Random matrices with
complex gaussian entries. Expositiones Mathematicae, 21, 293-335.
[6] Hiai F. y Petz, D. (2000). The Semicircle Law, Free Random Variables and Entropy. Mathematics Surveys and Monographs 77,
American Mathematical Society.
[7] Koshy, T. (2009). Catalan Numbers with applications. Oxford University Press, Inc.
[8] Mehta, M. L. (2004). Random Matrices. 3a ed. Elsevier
[9] Nica, A. y Speicher, R. (2006). Lectures on the Combinatory of Free
Probability. London Mathematical Society, Lecture Notes Series
335, Cambridge University Press.
[10] Rincon, L. (2008). Curso intermedio de probabilidad. Editorial Las
Prensas de Ciencias, Facultad de Ciencias UNAM, 2a ed. Version
2007 en PDF: http://www.matematicas.unam.mx/lars
[11] Wigner, E. P. (1958). On the distributions of the roots of certain
symmetric matrices. Annals of Mathematics, vol. 67, no. 2, 325327.