Eigenschaften von Matrixverteilungen
Die von den Zufallsmatritzen abgeleiteten niedrigdimensionalen Statistiken spielen eine entscheidende Rolle bei der Charakterisierung der Matrixensembles. Für einige Grenzfällen kann man verschiedene Universalitätsklassen für die Verteilungen dieser Statistiken bestimmen. MatrixPropertyDistribution bietet einen bequemen Weg, die numerische Approximation dieser abgeleiteten Eigenschaften zu berechnen.
Nehmen Sie die zwei größten Eigenwerte eines Gaußschen unitären Ensembles.
![Click for copyable input](assets.de/properties-of-matrix-distributions/In_45.png)
dist = MatrixPropertyDistribution[With[{spectrum = Eigenvalues[x]},
{Max[spectrum], RankedMax[spectrum, 2]}],
x \[Distributed] GaussianUnitaryMatrixDistribution[50]];
![Click for copyable input](assets.de/properties-of-matrix-distributions/In_46.png)
RandomVariate[dist]
![](assets.de/properties-of-matrix-distributions/O_22.png)
Visualisieren Sie die multivariate Verteilung der zwei größten Eigenwerte basierend auf dem Resultat.
![Click for copyable input](assets.de/properties-of-matrix-distributions/In_47.png)
sample = RandomVariate[dist, 10^4];
![](assets.de/properties-of-matrix-distributions/O_23.png)
Nehmen Sie die Matritzendeterminante eines Gaußschen orthogonalen Ensembles und vergleichen Sie die empirische Verteilung mit dem geschlossenen Ausdruck.
![Click for copyable input](assets.de/properties-of-matrix-distributions/In_49.png)
dist = MatrixPropertyDistribution[Det[x],
x \[Distributed] GaussianOrthogonalMatrixDistribution[2]];
dets = RandomVariate[dist, 10^6];
![](assets.de/properties-of-matrix-distributions/O_24.png)
Approximieren Sie den Mittelwert der Determinante durch die Monte-Carlo-Methode und vergleichen Sie diesen mit dem tatsächlichen Wert.
![Click for copyable input](assets.de/properties-of-matrix-distributions/In_51.png)
{N@Mean[dist], Integrate[x detpdf[x], {x, -Infinity, Infinity}]}
![](assets.de/properties-of-matrix-distributions/O_25.png)