Gauss過程(Gaussian process)とは、集合 $T$ を添字とする実数値の確率変数の族で、どの有限個の添字をとっても値の組が多変量正規分布に従うものである。分布は平均関数 $m(t)=E[X_t]$ と共分散関数 $K(s,t)=\operatorname{Cov}(X_s,X_t)$ で決まり、共分散関数になりうるのは対称で半正定値な核にちょうど限られ、逆に任意の $m$ と半正定値な核 $K$ に対して、Kolmogorov の拡張定理によりそれを平均と共分散にもつ Gauss 過程が存在する。無相関な部分族は独立で、観測のもとでの条件付き分布は行列の計算で求まり、$[0,1]^n$ の上では増分の 2 乗平均が $C\lvert t-s\rvert^\alpha$($\alpha>0$)以下なら連続な修正をもつ。
前提知識: 多変量正規分布, 確率過程, Kolmogorovの拡張定理
Gauss過程(Gaussian process)は、どの有限個の時刻をとっても、その時刻の値の組が 多変量正規分布 に従う 確率過程 である。添字の集合 $T$ は時間の区間でも、空間 $\mathbb R^D$ でも、まったく構造のない集合でもよい。Brown運動、Ornstein–Uhlenbeck過程、非整数Brown運動 はどれも Gauss 過程である。
Gauss 過程の扱いやすさは、分布のすべてが平均の関数 $m(t)=E[X_t]$ と共分散の関数 $K(s,t)=\operatorname{Cov}(X_s,X_t)$ の 2 つで決まることにある。共分散の関数になれるのは半正定値な関数(核)にちょうど限られ、逆にどの半正定値な核にもそれを共分散とする Gauss 過程がある。この記事の主定理はこの対応である(thm-gp-exist)。そのため Gauss 過程を作ることは半正定値な核を作ることに帰着し、条件付き分布・独立性・経路の連続性といった確率の問いが、核についての線形代数と解析の問いに置き換わる。統計学と機械学習では、未知の関数を Gauss 過程とみなして観測から推定する方法(Gauss 過程回帰)がこの置き換えの上に立っている。
| 結果 | 内容 | 扱い |
|---|---|---|
| thm-gp-exist | 共分散は半正定値な核にちょうど限られ、平均と共分散が分布を決める | 証明 |
| prop-gp-kernels | 半正定値な核の和・積・極限・特徴写像 | 証明 |
| prop-gp-bochner | 有限測度の Fourier 変換は定常な核になる | 証明 |
| prop-gp-indep | 無相関な部分族は独立 | 証明 |
| thm-gp-regression | 観測のもとでの条件付き分布(Gauss 過程回帰) | 証明 |
| thm-gp-continuity | 増分の 2 次の評価から連続な修正 | 証明 |
$T$ を空でない集合とする。確率空間 $(\Omega,\mathcal F,P)$ の上の実数値の確率変数の族 $X=(X_t)_{t\in T}$ が Gauss 過程 であるとは、任意の $n\ge1$ と $t_1,\dots,t_n\in T$ について、確率ベクトル $(X_{t_1},\dots,X_{t_n})$ が多変量正規分布に従うことをいう(分散 $0$ の退化した正規分布も含める)。このとき各 $X_t$ は 2 乗可積分で、
$$m(t):=E[X_t],\qquad K(s,t):=\operatorname{Cov}(X_s,X_t)\qquad(s,t\in T)$$
を $X$ の 平均関数、共分散関数 という。$m=0$ のとき 中心化された Gauss 過程という。
多変量正規分布 の定義により、条件は「$t_1,\dots,t_n$ と実数 $a_1,\dots,a_n$ をどうとっても、1 次結合 $\sum_ja_jX_{t_j}$ が 1 変数の正規分布に従う」と言い換えられる。各 $X_t$ が正規分布に従うだけでは足りない(反例は ex-gp-marginal)。$T$ が $\mathbb R^D$ の部分集合のときは Gauss 場(Gaussian random field)ともいう。
関数 $K\colon T\times T\to\mathbb R$ が 半正定値な核 であるとは、$K(s,t)=K(t,s)$ がすべての $s,t$ について成り立ち、任意の $n\ge1$、$t_1,\dots,t_n\in T$、$a_1,\dots,a_n\in\mathbb R$ について
$$\sum_{j,k=1}^na_ja_kK(t_j,t_k)\ge0$$
が成り立つことをいう。言い換えると、どの有限集合 $J=\{t_1,\dots,t_n\}$ についても行列 $K_J:=(K(t_j,t_k))_{j,k}$ が半正定値な実対称行列である。
文献によっては同じ条件を「正定値な核」「正定値関数」と呼ぶ(RW06 p. 80 は positive semidefinite と呼ぶ)。この記事では行列の用語に合わせて半正定値と呼ぶ。
以下、$\mathbb R^T$ には座標写像 $x\mapsto x(t)$ をすべて可測にする最小の $\sigma$ 集合族(直積 $\sigma$ 集合族)を入れる。過程 $X$ の 法則 とは、写像 $\omega\mapsto(X_t(\omega))_{t\in T}$ による $P$ の像測度のことである。
$T$ を空でない集合とする。
1. $t_1,\dots,t_n\in T$、$a_1,\dots,a_n\in\mathbb R$ について、分散の双線形性から
$$0\le\operatorname{Var}\Bigl(\sum_ja_jX_{t_j}\Bigr)=\sum_{j,k}a_ja_k\operatorname{Cov}(X_{t_j},X_{t_k})=\sum_{j,k}a_ja_kK(t_j,t_k)$$
である。対称性は共分散の対称性による。
2. $T$ の空でない有限部分集合 $J$ ごとに、$m_J:=(m(t))_{t\in J}\in\mathbb R^J$ と $K_J:=(K(s,t))_{s,t\in J}$ をとる。$K_J$ は半正定値な実対称行列なので、多変量正規分布 の定理「多変量正規分布の特性関数と存在」の 3 により、$\mathbb R^J$ の上の正規分布 $\mu_J:=N(m_J,K_J)$ が存在する。
この族が整合であることを確かめる。$J\subset J'$ のとき、射影 $\pi\colon\mathbb R^{J'}\to\mathbb R^J$ は線形写像である。$Y\sim\mu_{J'}$ なら、同じ記事の定理「1 次変換で多変量正規分布は保たれる」により $\pi(Y)$ は多変量正規分布に従い、その平均は $\pi(m_{J'})=m_J$、共分散は $K_{J'}$ の $J\times J$ の部分行列 $K_J$ である。したがって $\mu_{J'}\circ\pi^{-1}=\mu_J$ である。添字を集合 $J$ の元で付けているので、座標の並べ替えに対する整合性は定義から成り立つ。
$\mathbb R$ は Polish 空間なので、Kolmogorovの拡張定理 の系「Polish 空間の場合」により、$\mathbb R^T$ の上の確率測度 $\mu$ で、すべての有限集合 $J$ について $\mu\circ\pi_J^{-1}=\mu_J$ となるものがただ 1 つある。確率空間 $(\mathbb R^T,\mu)$ の上で座標過程 $X_t(x):=x(t)$ を考えると、$(X_t)_{t\in J}$ の分布は $\mu_J$ である。正規分布の平均と共分散はその定義のパラメータに一致するので、$X$ は平均 $m$、共分散 $K$ の Gauss 過程である。
3. $X,X'$ を平均関数 $m$、共分散関数 $K$ の Gauss 過程とし、法則を $\mu,\mu'$ とする。有限集合 $J$ について、$(X_t)_{t\in J}$ と $(X'_t)_{t\in J}$ はどちらも平均 $m_J$、共分散 $K_J$ の多変量正規分布に従う。多変量正規分布は平均と共分散で決まる(同じ定理の 1)ので、両者の分布は等しい。よって $\mu$ と $\mu'$ は、$\pi_J^{-1}(B)$($J$ は有限、$B$ は $\mathbb R^J$ の Borel 集合)の形の筒集合の上で一致する。筒集合の全体は有限個の共通部分で閉じ(2 つの筒集合は $J\cup J'$ の上の筒集合として書ける)、直積 $\sigma$ 集合族を生成する。Dynkinのπ-λ定理 により $\mu=\mu'$ である。$\square$
この定理により、Gauss 過程の法則は組 $(m,K)$ と 1 対 1 に対応する。平均は任意の関数でよく、$X_t-m(t)$ を考えれば中心化された過程に帰着する。本質的な情報は半正定値な核 $K$ にある。
注意として、主定理 3 が決めるのは直積 $\sigma$ 集合族の上の法則であり、$T$ が非可算なら、「経路が連続である」のような非可算個の時刻にわたる事象はこの $\sigma$ 集合族に入らない。経路の性質は修正を選んで初めて意味をもつ(thm-gp-continuity)。
主定理により、Gauss 過程の例は半正定値な核の例と同じことである。次の閉包性で、少数の基本的な核から多くの核が作られる。
$K_1,K_2,\dots$ を $T$ の上の半正定値な核とする。
1. $\sum_{j,k}a_ja_k\langle\phi(t_j),\phi(t_k)\rangle=\Bigl\|\sum_ja_j\phi(t_j)\Bigr\|^2\ge0$ である。$f(s)f(t)$ は $H=\mathbb R$、$\phi=f$ の場合である。
2. 2 次形式は核について線形なので、和は明らかである。極限は、有限和 $\sum_{j,k}a_ja_kK_n(t_j,t_k)\ge0$ の $n\to\infty$ の極限をとればよい。
3. 有限集合 $\{t_1,\dots,t_n\}$ をとり、$A:=(K_1(t_j,t_k))$、$B:=(K_2(t_j,t_k))$ とおく。$B$ は半正定値な実対称行列なので、直交対角化により $B=\sum_{l=1}^n\lambda_lv^{(l)}v^{(l)\top}$($\lambda_l\ge0$)と書ける。すると
$$\sum_{j,k}a_ja_kA_{jk}B_{jk}=\sum_l\lambda_l\sum_{j,k}\bigl(a_jv^{(l)}_j\bigr)\bigl(a_kv^{(l)}_k\bigr)A_{jk}\ge0$$
である。各 $l$ の内側の和は、係数を $a_jv^{(l)}_j$ に替えた $A$ の 2 次形式だからである(Schur の積定理)。$\square$
$T=\mathbb R^D$ で $K(s,t)=k(s-t)$ と書けるとき、$K$ を 定常な核 といい、対応する Gauss 過程は平行移動で法則が変わらない(平均が定数なら)。定常な核は Fourier 変換で作れる。
$\nu$ を $\mathbb R^D$ の上の有限な Borel 測度で、$\nu(-A)=\nu(A)$ を満たすものとする。$k(x):=\int_{\mathbb R^D}\cos\langle\xi,x\rangle\,\nu(d\xi)$ とおくと、$K(s,t):=k(s-t)$ は半正定値な核である。
対称性 $\nu(-A)=\nu(A)$ により $\int\sin\langle\xi,x\rangle\,\nu(d\xi)=0$ なので、$k(x)=\int e^{\mathrm i\langle\xi,x\rangle}\nu(d\xi)$ である。よって
$$\sum_{j,k}a_ja_kk(t_j-t_k)=\int_{\mathbb R^D}\sum_{j,k}a_ja_ke^{\mathrm i\langle\xi,t_j\rangle}\overline{e^{\mathrm i\langle\xi,t_k\rangle}}\,\nu(d\xi)=\int_{\mathbb R^D}\Bigl\lvert\sum_ja_je^{\mathrm i\langle\xi,t_j\rangle}\Bigr\rvert^2\nu(d\xi)\ge0$$
である。$k$ は偶関数なので $K$ は対称である。$\square$
逆に、連続な定常な核はすべてこの形に書ける(Bochnerの定理、RW06 Theorem 4.1、p. 82)。$\nu$ を スペクトル測度 という。たとえば $\nu(d\xi)=\pi^{-1}(1+\xi^2)^{-1}d\xi$($D=1$)からは $k(x)=e^{-\lvert x\rvert}$ が得られ、これは定常な Ornstein–Uhlenbeck過程 の共分散である。2 乗指数核のスペクトル測度は Gauss 分布である。
Gauss 過程では、確率変数の独立性が共分散 $0$ だけで判定でき、条件付き分布が線形代数で計算できる。
$X=(X_t)_{t\in T}$ を Gauss 過程とし、$S_1,S_2\subset T$ とする。$\sigma$ 集合族 $\sigma(X_s:s\in S_1)$ と $\sigma(X_t:t\in S_2)$ が独立であることと、すべての $s\in S_1$、$t\in S_2$ について $K(s,t)=0$ であることは同値である。
独立なら共分散は $0$ である。逆を示す。有限集合 $F_1\subset S_1$、$F_2\subset S_2$ をとると、$(X_t)_{t\in F_1\cup F_2}$ は多変量正規分布に従い、共分散行列の $F_1\times F_2$ の部分が $0$ である($F_1\cap F_2$ に元 $u$ があれば $K(u,u)=0$ で、$X_u$ は定数なので、$u$ を両方に含めてよい)。多変量正規分布 の定理「無相関なら独立」により $(X_s)_{s\in F_1}$ と $(X_t)_{t\in F_2}$ は独立である。$F_1$ を動かして得られる $\{(X_s)_{s\in F_1}\in B\}$ の形の事象の全体は共通部分で閉じ、$\sigma(X_s:s\in S_1)$ を生成する。$S_2$ の側も同じである。Dynkinのπ-λ定理 により 2 つの $\sigma$ 集合族は独立である。$\square$
この性質は Gauss 過程に特有である。同時に正規分布に従わなければ、無相関でも独立とは限らない(ex-gp-marginal)。
次の定理は、未知の関数 $f$ を Gauss 過程とみなし、雑音の入った値の観測から $f$ のほかの点の値を推定する Gauss 過程回帰 の基礎である。有限個の点の行列について、$K_{XX}:=(K(x_i,x_j))_{i,j\le n}$、$K_{*X}:=(K(x^*_a,x_j))_{a\le m,\,j\le n}$、$K_{X*}:=K_{*X}^\top$、$K_{**}:=(K(x^*_a,x^*_b))_{a,b\le m}$ と書く。
$f=(f(x))_{x\in T}$ を平均 $0$、共分散 $K$ の Gauss 過程とし、$x_1,\dots,x_n\in T$ と $x^*_1,\dots,x^*_m\in T$ をとる。$\varepsilon_1,\dots,\varepsilon_n$ は $f$ と独立で、互いに独立に $N(0,\sigma^2)$($\sigma\ge0$)に従うとし、$y_i:=f(x_i)+\varepsilon_i$ とおく。行列 $A:=K_{XX}+\sigma^2I_n$ が正則であるとする($\sigma>0$ なら常に正則である)。このとき $y=(y_1,\dots,y_n)^\top$ を与えたときの $f_*:=(f(x^*_1),\dots,f(x^*_m))^\top$ の条件付き分布は
$$N_m\bigl(K_{*X}A^{-1}y,\ K_{**}-K_{*X}A^{-1}K_{X*}\bigr)$$
である。
$(f(x_1),\dots,f(x_n),f(x^*_1),\dots,f(x^*_m))$ は多変量正規分布に従い、$\varepsilon=(\varepsilon_i)$ はこれと独立な多変量正規分布に従う。独立な 2 つの多変量正規ベクトルを並べたものは、特性関数が積になり $\exp(\mathrm i t^\top\mu-\frac12t^\top\Sigma t)$ の形のままなので、多変量正規分布に従う。$(y,f_*)$ はその 1 次変換なので、多変量正規分布 の定理「1 次変換で多変量正規分布は保たれる」により多変量正規分布に従う。平均は $0$ で、$\varepsilon$ と $f$ の独立性から
$$\operatorname{Cov}(y)=K_{XX}+\sigma^2I_n=A,\qquad\operatorname{Cov}(f_*,y)=K_{*X},\qquad\operatorname{Cov}(f_*)=K_{**}$$
である。$\sigma>0$ なら、$A$ は半正定値な $K_{XX}$ に正定値な $\sigma^2I_n$ を足したものなので正定値で、とくに正則である。同じ記事の定理「条件付き分布」を $X^{(1)}=y$、$X^{(2)}=f_*$、$\Sigma_{11}=A$ に当てると結論を得る。$\square$
条件付き平均は $\sum_{i}\alpha_iK(x^*,x_i)$($\alpha=A^{-1}y$)の形で、観測点を中心にした核の 1 次結合である。条件付き分散は観測値 $y$ によらず、観測点の配置だけで決まる(RW06 p. 16 の式 (2.22)–(2.24))。
$f$ を Brown運動 の共分散 $K(s,t)=\min(s,t)$ の Gauss 過程とし、$\sigma=0$、観測点を $x_1=1$ だけとする。$A=K(1,1)=1$ は正則で、$s,t\in[0,1]$ について
$$E[f(t)\mid f(1)=b]=tb,\qquad\operatorname{Cov}\bigl(f(s),f(t)\bigm|f(1)\bigr)=\min(s,t)-st$$
である。$b=0$ の場合の共分散 $\min(s,t)-st$ をもつ Gauss 過程を Brown 橋 という。Brown 橋は $B_t-tB_1$($B$ は Brown 運動)で実現できる。実際 $\operatorname{Cov}(B_s-sB_1,B_t-tB_1)=\min(s,t)-st-st+st$ である。
$T=[0,1]^n$ のとき、主定理の法則だけからは経路の連続性は決まらない。Gauss 過程では、増分の 2 次の評価だけから連続な修正が得られる。過程 $\widetilde X$ が $X$ の 修正 であるとは、各 $t$ について $P(\widetilde X_t=X_t)=1$ であることをいう(Kolmogorovの連続性定理)。
$X=(X_t)_{t\in[0,1]^n}$ を Gauss 過程とし、定数 $C>0$ と $\alpha>0$ について
$$E\bigl[(X_t-X_s)^2\bigr]\le C\lvert t-s\rvert^{\alpha}\qquad(s,t\in[0,1]^n)$$
が成り立つとする。このとき $X$ の修正 $\widetilde X$ で、経路がすべて連続であり、各 $0< \gamma< \alpha/2$ について確率 $1$ で次数 $\gamma$ の Hölder 連続であるものが存在する。
$s,t$ を固定し、$Z:=X_t-X_s$ とおく。$Z$ は正規分布 $N(\mu,v)$ に従い、$D:=E[Z^2]=\mu^2+v\le C\lvert t-s\rvert^\alpha$ である。$G\sim N(0,1)$ について $Z\overset{d}{=}\mu+\sqrt vG$ で、$E[G^{2k}]=(2k-1)!!$ である。凸性の不等式 $\lvert a+b\rvert^{2k}\le2^{2k-1}(\lvert a\rvert^{2k}+\lvert b\rvert^{2k})$ と $\mu^{2k}\le D^k$、$v^k\le D^k$ から
$$E[Z^{2k}]\le2^{2k-1}\bigl(\mu^{2k}+(2k-1)!!\,v^k\bigr)\le2^{2k}(2k-1)!!\,C^k\lvert t-s\rvert^{k\alpha}\qquad(k\in\mathbb N)$$
である。$k\alpha>n$ となる $k$ について、Kolmogorovの連続性定理 の定理「Kolmogorov の連続性定理」を $\beta=2k$、指数 $n+(k\alpha-n)$ で当てると、$X$ の修正 $\widetilde X^{(k)}$ で、経路がすべて連続で、$\gamma< (k\alpha-n)/(2k)$ の各 $\gamma$ について確率 $1$ で次数 $\gamma$ の Hölder 連続であるものがある。
$k$ の異なる 2 つの修正 $\widetilde X^{(k)}$、$\widetilde X^{(k')}$ は、$[0,1]^n$ の有理点の全体(可算)の上で確率 $1$ で一致し、どちらも連続なので、確率 $1$ ですべての点で一致する。$(k\alpha-n)/(2k)\uparrow\alpha/2$($k\to\infty$)なので、$\widetilde X:=\widetilde X^{(k_0)}$($k_0$ は $k_0\alpha>n$ を満たす最小の整数)は、可算個の確率 $1$ の事象の共通部分の上で、すべての $\gamma< \alpha/2$ について次数 $\gamma$ の Hölder 連続である。$\square$
Brown 運動は $E[(B_t-B_s)^2]=\lvert t-s\rvert$ なので $\alpha=1$ で、経路は $1/2$ 未満の次数で Hölder 連続である。非整数Brown運動は $\alpha=2H$ である。逆に、仮定の評価が成り立たないと連続な修正がないことがある(下の「反例」の節の、独立な標準正規の族の例)。平均 $0$ の Gauss 過程では、添字の集合が一般でも、擬距離 $d(s,t):=E[(X_t-X_s)^2]^{1/2}$ による被覆数の積分(エントロピー積分)が有限なら、$d$ について連続な修正がある(Dudleyの積分評価 の系「連続な修正の存在」)。
| 過程 | $T$ | 平均 | 共分散 $K(s,t)$ |
|---|---|---|---|
| Brown運動 | $[0,\infty)$ | $0$ | $\min(s,t)$ |
| Brown 橋 | $[0,1]$ | $0$ | $\min(s,t)-st$ |
| 定常な Ornstein–Uhlenbeck過程 | $\mathbb R$ | $0$ | $\dfrac{\sigma^2}{2\theta}e^{-\theta\lvert t-s\rvert}$ |
| 非整数Brown運動 | $[0,\infty)$ | $0$ | $\frac12(s^{2H}+t^{2H}-\lvert t-s\rvert^{2H})$ |
| 1 次関数のランダムな直線 | $\mathbb R^D$ | $0$ | $\sigma_0^2+\langle s,t\rangle$ |
| 2 乗指数核の過程 | $\mathbb R^D$ | $0$ | $e^{-\lvert s-t\rvert^2/(2\ell^2)}$ |
| 独立な標準正規の族(離散の白色雑音) | 任意 | $0$ | $\mathbf 1_{\{s=t\}}$ |
| Gauss自由場(格子) | 有限集合 $\Lambda\subset\mathbb Z^d$ | $0$ | 単純ランダムウォークの Green 関数 |
Ornstein–Uhlenbeck 過程の行は $dX_t=-\theta X_t\,dt+\sigma\,dW_t$ の定常解の規約による。白色雑音の行の核は、どの有限集合でも単位行列を与えるので半正定値である。
$\xi\sim N(0,1)$ と、これと独立で $P(\varepsilon=1)=P(\varepsilon=-1)=1/2$ の $\varepsilon$ をとり、$T=\{1,2\}$、$X_1:=\xi$、$X_2:=\varepsilon\xi$ とする。正規分布の対称性から $X_2\sim N(0,1)$ で、$\operatorname{Cov}(X_1,X_2)=E[\varepsilon]E[\xi^2]=0$ である。しかし $X_1+X_2=(1+\varepsilon)\xi$ は確率 $1/2$ で $0$ になり、正規分布に従わない(分散が正の正規分布は原子をもたず、分散 $0$ なら確率 $1$ で定数)。また $\lvert X_1\rvert=\lvert X_2\rvert$ なので $X_1,X_2$ は独立でない。
| 主張 | 外す仮定 | 例 | 何が成り立たなくなるか |
|---|---|---|---|
| prop-gp-indep | 同時に正規分布に従うこと(各成分は正規) | ex-gp-marginal の $(\xi,\varepsilon\xi)$ | 無相関だが独立でない |
| thm-gp-exist の 2 | 核の半正定値性(対称性は保つ) | $T=\mathbb R$、$K(s,t)=\min(s,t)$ | $K(-1,-1)=-1< 0$ で、分散が負になり過程は存在しない |
| thm-gp-exist の 2 | 核の半正定値性(対称性は保つ) | $T=\mathbb R$、$K(s,t)=\mathbf 1_{\{\lvert s-t\rvert< 1\}}$ | 点 $0,0.6,1.2$ の行列の行列式が $-1$ で、どんな過程の共分散にもならない |
| thm-gp-continuity | 増分の評価 $E[(X_t-X_s)^2]\le C\lvert t-s\rvert^\alpha$ | $T=[0,1]$、独立な標準正規の族 | $E[(X_t-X_s)^2]=2$($s\ne t$)で、連続な修正は存在しない |
独立な標準正規の族の例を確かめる。連続な修正 $\widetilde X$ があれば、$t_k:=1/2+1/k$ について $\widetilde X_{t_k}\to\widetilde X_{1/2}$ が確率 $1$ で成り立ち、とくに $\widetilde X_{t_k}-\widetilde X_{t_{k+1}}\to0$ が確率収束する。ところが修正なので $\widetilde X_{t_k}-\widetilde X_{t_{k+1}}$ は $X_{t_k}-X_{t_{k+1}}\sim N(0,2)$ と同じ分布に従い、$P(\lvert\widetilde X_{t_k}-\widetilde X_{t_{k+1}}\rvert>1)$ は $k$ によらない正の定数である。これは矛盾である。また、核 $\mathbf 1_{\{\lvert s-t\rvert< 1\}}$ の例で点 $0,0.6,1.2$ からできる行列は $\begin{pmatrix}1&1&0\\1&1&1\\0&1&1\end{pmatrix}$ で、行列式は $-1$ である。
Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する