Gauss自由場(Gaussian free field)とは、Dirichlet エネルギーを指数にもつ密度で形式的に定まる、多次元の時間をもつ Brown 運動にあたる Gauss 過程である。格子 $\mathbb Z^d$ の有限集合 $\Lambda$ の外の値を $0$ に固定すると平均 $0$ の多変量正規分布になり、共分散は $\Lambda$ を出るまでの単純ランダムウォークの訪問回数の期待値(Green 関数)で、外の値を与えると内側は調和な延長と独立な場の和になる。$\Lambda$ を $\mathbb Z^d$ に広げると、$d\ge3$ では極限の場が存在し、$d=1,2$ では分散が発散する。有界な領域の上の連続版は Dirichlet 内積を共分散とする Gauss 過程で、$d\ge2$ では超関数である。
Gauss自由場(Gaussian free field、GFF)は、「時間」が多次元になった Brown運動 にあたる Gauss 過程である(She07 p. 3)。形式的には、関数 $\varphi$ の確率密度が Dirichlet エネルギー $\int\lvert\nabla\varphi\rvert^2$ を使って $\exp(-\frac12\int\lvert\nabla\varphi\rvert^2)$ に比例するランダムな関数である。有限次元の空間ではこれは文字どおりの密度であり(She07 p. 5)、無限次元では Gauss 過程として定義し直す。
格子 $\mathbb Z^d$ の有限部分集合の上では、この定義はそのまま意味をもち、結果は 多変量正規分布 で、共分散は単純ランダムウォークの Green 関数(出るまでの訪問回数の期待値)になる(thm-gff-green)。とくに、境界から遠い点の値のゆらぎは、$d=1,2$ では領域を大きくすると発散し、$d\ge3$ では有限にとどまる。これはランダムウォークの再帰性と過渡性(Pólya の定理)にちょうど対応する(thm-gff-limit)。また Gauss 自由場は、ある集合の外の値を与えると内側が「調和な延長 $+$ 独立な Gauss 自由場」になる 領域 Markov 性 をもつ(thm-gff-markov)。連続の空間では、$d\ge2$ のとき Gauss 自由場は関数にならず、超関数として定義される。
| 結果 | 内容 | 扱い |
|---|---|---|
| thm-gff-green | 共分散は Green 関数で、ランダムウォークで表される | 証明 |
| ex-gff-1d | 1 次元では Brown 橋の離散版 | 証明 |
| thm-gff-markov | 領域 Markov 性 | 証明 |
| thm-gff-limit | $d\ge3$ で無限体積の極限が存在し、$d=1,2$ で存在しない | 証明 |
| prop-gff-series | 連続の Gauss 自由場の級数は Dirichlet エネルギーの空間で収束しない | 証明 |
$\mathbb Z^d$ の 2 点 $x,y$ が 隣接する($x\sim y$)とは $\sum_i\lvert x_i-y_i\rvert=1$ であることをいう。各点はちょうど $2d$ 個の隣接点をもつ。$\Lambda\subset\mathbb Z^d$ を空でない有限集合とし、$E_\Lambda$ を、少なくとも一方の端点が $\Lambda$ に属する隣接点の組 $\{x,y\}$ の全体とする。$\varphi\in\mathbb R^\Lambda$ は $\Lambda$ の外で $0$ とおいて $\mathbb Z^d$ の上の関数とみなす(境界条件 $0$)。
$\varphi\in\mathbb R^\Lambda$ の Hamiltonian(Dirichlet エネルギー)を
$$H_\Lambda(\varphi):=\frac1{4d}\sum_{\{x,y\}\in E_\Lambda}(\varphi_x-\varphi_y)^2$$
で定める。$\mathbb R^\Lambda$ の上の確率測度
$$\mu_\Lambda(d\varphi):=\frac1{Z_\Lambda}e^{-H_\Lambda(\varphi)}\prod_{x\in\Lambda}d\varphi_x,\qquad Z_\Lambda:=\int_{\mathbb R^\Lambda}e^{-H_\Lambda(\varphi)}\prod_{x\in\Lambda}d\varphi_x$$
を、$\Lambda$ の上の境界条件 $0$ の Gauss自由場(質量 $0$ の Gauss 自由場)という($Z_\Lambda< \infty$ は thm-gff-green で示す)。
正規化の定数 $1/(4d)$ は FV17 Definition 8.1(p. 381、逆温度 $\beta=1$、質量 $m=0$)に合わせたもので、このとき共分散がちょうど訪問回数の期待値になる。$\Lambda$ の外の値を $0$ でなく関数 $\eta$ に固定したものを境界条件 $\eta$ の Gauss 自由場という。境界条件を課さないと確率測度が定まらない(下の反例の表)。
$(S_n)_{n\ge0}$ を $\mathbb Z^d$ の 単純ランダムウォーク(各歩で $2d$ 個の隣接点の 1 つに等確率で移る)とし、$P_x$、$E_x$ で $S_0=x$ のときの確率と期待値を表す。$\tau_\Lambda:=\inf\{n\ge0:S_n\notin\Lambda\}$ を $\Lambda$ からの脱出時刻とする。$P(x,y):=\frac1{2d}\mathbf 1\{x\sim y\}$ を推移確率とし、その $\Lambda\times\Lambda$ の部分を $P_\Lambda$ と書く。
$x,y\in\Lambda$ について
$$G_\Lambda(x,y):=E_x\Bigl[\sum_{n=0}^{\tau_\Lambda-1}\mathbf 1\{S_n=y\}\Bigr]=\sum_{n\ge0}P_x(S_n=y,\ \tau_\Lambda>n)$$
を $\Lambda$ の Green 関数 という。$x$ から出発した歩みが $\Lambda$ を出るまでに $y$ を訪れる回数の期待値である。
$\Lambda\subset\mathbb Z^d$ を空でない有限集合とする。
1. $\Lambda$ の外で $\varphi=0$ とおく。各辺 $\{x,y\}$ について $(\varphi_x-\varphi_y)^2=\varphi_x(\varphi_x-\varphi_y)+\varphi_y(\varphi_y-\varphi_x)$ なので、$E_\Lambda$ にわたる和は、向きをつけた隣接点の組 $(x,y)$ で $\{x,y\}\in E_\Lambda$ となるものにわたる $\varphi_x(\varphi_x-\varphi_y)$ の和に等しい。$x\notin\Lambda$ の項は $\varphi_x=0$ で消え、$x\in\Lambda$ なら隣接点 $y$ はどれも $\{x,y\}\in E_\Lambda$ を満たす。よって
$$\sum_{\{x,y\}\in E_\Lambda}(\varphi_x-\varphi_y)^2=\sum_{x\in\Lambda}\sum_{y\sim x}\varphi_x(\varphi_x-\varphi_y)=\sum_{x\in\Lambda}\Bigl(2d\,\varphi_x^2-\varphi_x\sum_{y\sim x,\,y\in\Lambda}\varphi_y\Bigr)=2d\,\langle\varphi,(I-P_\Lambda)\varphi\rangle$$
で、$1/(4d)$ を掛けて 1 を得る。
2. $R$ を、$\Lambda$ の各点から $\Lambda$ の外へ出る隣接点の道の長さの最小値の最大値とする($\Lambda$ は有限なので $R< \infty$)。どの時刻からでも、次の $R$ 歩で決まった道をたどって外へ出る確率は $(2d)^{-R}$ 以上なので、Markov 性から $P_x(\tau_\Lambda>n)\le(1-(2d)^{-R})^{\lfloor n/R\rfloor}$ である。$P_\Lambda^n(x,y)=P_x(S_n=y,\ \tau_\Lambda>n)\le P_x(\tau_\Lambda>n)$ は指数的に減衰するので、$\sum_{n\ge0}P_\Lambda^n$ は成分ごとに収束し、その和は定義から $G_\Lambda$ である。$(I-P_\Lambda)\sum_{n=0}^NP_\Lambda^n=I-P_\Lambda^{N+1}\to I$ から $(I-P_\Lambda)G_\Lambda=I$ である(FV17 Lemma 8.12・8.13、p. 390)。$P_\Lambda$ は対称なので $G_\Lambda$ も対称である。1 から $\langle\varphi,(I-P_\Lambda)\varphi\rangle=2H_\Lambda(\varphi)\ge0$ で、$I-P_\Lambda$ は半正定値かつ正則なので正定値であり、その逆行列 $G_\Lambda$ も正定値である。
3. 1 と 2 から $e^{-H_\Lambda(\varphi)}=\exp(-\frac12\langle\varphi,G_\Lambda^{-1}\varphi\rangle)$ で、これは $(2\pi)^{\lvert\Lambda\rvert/2}\det(G_\Lambda)^{1/2}$ で割れば平均 $0$、共分散 $G_\Lambda$ の多変量正規分布の密度になる(多変量正規分布 の定理「多変量正規分布の密度」)。$\square$
$d=1$、$\Lambda=\{1,\dots,N-1\}$($N\ge2$)とする。$x\le y$ について
$$G_\Lambda(x,y)=\frac{2x(N-y)}{N}$$
である。実際、$y$ を固定して $g(x):=2\min(x,y)(N-\max(x,y))/N$ とおくと、$g(0)=g(N)=0$ で、$g$ は $x\le y$ と $x\ge y$ のそれぞれで $x$ の 1 次関数だから、$x\ne y$ では $g(x)-\frac12(g(x-1)+g(x+1))=0$ である。$x=y$ では傾きが $2(N-y)/N$ から $-2y/N$ に変わるので $g(y)-\frac12(g(y-1)+g(y+1))=\frac12\bigl(2(N-y)/N+2y/N\bigr)=1$ である。よって $(I-P_\Lambda)g=\mathbf 1_{\{y\}}$ で、thm-gff-green の 2 から $g=G_\Lambda(\cdot,y)$ である。
これは $\frac{2}{N}\bigl(\min(x,y)N-xy\bigr)$ と書け、Brown 橋の共分散 $\min(s,t)-st$ を $s=x/N$、$t=y/N$ で離散化して $2N$ 倍したものである(Gauss過程 の例「Brown 運動を終点で条件付ける」)。実際 $H_\Lambda=\frac14\sum_{x=0}^{N-1}(\varphi_{x+1}-\varphi_x)^2$ なので、$\mu_\Lambda$ は、分散 $2$ の正規分布に従う独立な歩幅の歩みを、$0$ から出て時刻 $N$ に $0$ に戻るように条件付けたものである。中央の点の分散は $G_\Lambda(\lfloor N/2\rfloor,\lfloor N/2\rfloor)\approx N/2$ で、$N$ とともに発散する。
$A\subset\Lambda$ を空でない部分集合とする。$\varphi\in\mathbb R^\Lambda$($\Lambda$ の外で $0$)に対して、$\mathbb Z^d$ の上の関数 $h=h^A[\varphi]$ を、$A$ の外では $h=\varphi$、$A$ の各点 $x$ では
$$h(x)=\frac1{2d}\sum_{y\sim x}h(y)\qquad(2)$$
($A$ の上で 離散調和)となるものとして定める。$A$ の上の値 $h_A$ についての条件 (2) は $(I-P_A)h_A=b$、$b(x):=\frac1{2d}\sum_{y\sim x,\,y\notin A}\varphi_y$ と書け、thm-gff-green の 2 を $A$ に当てると $I-P_A$ は正則なので、$h$ はただ 1 つ存在し、$h_A$ は $(\varphi_x)_{x\in\Lambda\setminus A}$ の 1 次式である。最初の 1 歩で場合分けすれば、$h(x)=E_x[\varphi(S_{\tau_A})]$ も (2) を満たすので、これが $h$ の確率論的な表示である(FV17 Lemma 8.15、p. 391)。$h$ を $\varphi$ の $A$ への 調和な延長 という。
$\varphi$ を $\Lambda$ の上の境界条件 $0$ の Gauss 自由場とし、$\emptyset\ne A\subset\Lambda$ とする。$\psi:=(\varphi-h^A[\varphi])|_A$ とおくと、$\psi$ は $(\varphi_x)_{x\in\Lambda\setminus A}$ と独立であり、$\psi$ の分布は $A$ の上の境界条件 $0$ の Gauss 自由場 $\mu_A$ である。とくに、$\Lambda\setminus A$ の上の値を与えたときの $(\varphi_x)_{x\in A}$ の条件付き分布は、平均 $h^A[\varphi]|_A$、共分散 $G_A$ の多変量正規分布である。
$\varphi\in\mathbb R^\Lambda$ を固定し、$h:=h^A[\varphi]$、$\psi:=\varphi-h$ とおく($\mathbb Z^d$ の上の関数として)。$h$ は $A$ の外で $\varphi$ に等しいので $\Lambda$ の外で $0$ であり、$\psi$ は $A$ の外で $0$ である。$E_\Lambda$ にわたる和で
$$\sum(\varphi_x-\varphi_y)^2=\sum(h_x-h_y)^2+\sum(\psi_x-\psi_y)^2+2\sum(h_x-h_y)(\psi_x-\psi_y)$$
と分ける。交差項は、prf-gff-green の 1 と同じく向きをつけた組の和に直すと
$$\sum_{\{x,y\}\in E_\Lambda}(h_x-h_y)(\psi_x-\psi_y)=\sum_{x\in\Lambda}\psi_x\sum_{y\sim x}(h_x-h_y)=\sum_{x\in A}\psi_x\cdot2d\Bigl(h(x)-\frac1{2d}\sum_{y\sim x}h(y)\Bigr)=0$$
である($\psi$ は $A$ の外で $0$、$h$ は $A$ の上で (2) を満たす)。$\psi$ の項は $A$ に端点をもつ辺でしか $0$ でなく、それらは $E_A\subset E_\Lambda$ に属するので、$\sum_{E_\Lambda}(\psi_x-\psi_y)^2=\sum_{E_A}(\psi_x-\psi_y)^2$ である。よって
$$H_\Lambda(\varphi)=H_\Lambda(h)+H_A(\psi|_A)$$
で、$H_\Lambda(h)$ は $\varphi_{\Lambda\setminus A}:=(\varphi_x)_{x\in\Lambda\setminus A}$ だけの関数である。
変数変換 $(\varphi_{\Lambda\setminus A},\varphi_A)\mapsto(\varphi_{\Lambda\setminus A},\psi|_A)$ は、$\psi|_A=\varphi_A-h_A$ で $h_A$ が $\varphi_{\Lambda\setminus A}$ の 1 次式なので、Jacobi 行列式が $1$ の線形な全単射である。$\mu_\Lambda$ の密度は新しい変数で
$$\frac1{Z_\Lambda}e^{-H_\Lambda(h)}\cdot e^{-H_A(\psi|_A)}$$
と、$\varphi_{\Lambda\setminus A}$ だけの関数と $\psi|_A$ だけの関数の積になる。したがって両者は独立で、$\psi|_A$ の密度は $e^{-H_A}$ に比例し、その分布は $\mu_A$ である。条件付き分布の主張は、独立性と thm-gff-green の 3 を $A$ に当てたものである。$\square$
この性質は、Brown運動 の Markov 性(現在の値を与えると未来は過去と独立)の多次元版である。$\Lambda$ を時間 $\{1,\dots,N-1\}$ と思えば、$A=\{k+1,\dots,N-1\}$ の場合が、時刻 $k$ までを与えたときの残りの歩み(Brown 橋の離散版)にあたる。FV17 Corollary 8.25(p. 396)は、無限体積の場で同じ主張をランダムウォークの表示から証明している。
$\Lambda_N:=\{-N,\dots,N\}^d$ とする。$\Lambda_N$ が $\mathbb Z^d$ 全体に広がるとき、Gauss 自由場が極限をもつかを考える。$x,y\in\mathbb Z^d$ について、$x,y\in\Lambda_N$ でないときは $G_{\Lambda_N}(x,y):=0$ とし、
$$G(x,y):=E_x\Bigl[\sum_{n\ge0}\mathbf 1\{S_n=y\}\Bigr]\in[0,\infty]$$
(全時間の訪問回数の期待値)とおく。
1. $\Lambda_N\subset\Lambda_{N+1}$ なので脱出時刻 $\tau_{\Lambda_N}$ は $N$ について増加し、$\tau_{\Lambda_N}\ge N-\max_i\lvert x_i\rvert$ から $\infty$ に発散する。単調収束定理 により $\sum_{n< \tau_{\Lambda_N}}\mathbf 1\{S_n=y\}$ の期待値は $G(x,y)$ に増加して収束する。
2. $y$ への最初の到達時刻で強 Markov 性を使うと、$G(x,y)=P_x(\text{$y$ に到達する})\,G(y,y)\le G(y,y)$ で、平行移動の不変性から $G(y,y)=G(0,0)=\sum_nP_0(S_n=0)$ である。ランダムウォーク の定理「再帰性の判定」の 2 により、これは $1/(1-P_0(\text{原点に戻る}))$ に等しく、同記事の「Pólya の定理」により $d\ge3$ では有限である。各 $N$ で $G_{\Lambda_N}$ の $F\times F$ の部分は半正定値なので、極限 $G_F$ も半正定値である。半正定値な行列の平方根 $M\mapsto M^{1/2}$ は連続なので($\sqrt{\cdot}$ を $[0,c]$ で多項式 $p$ により一様に近似すれば、固有値が $[0,c]$ にある $M$ について $\|p(M)-M^{1/2}\|\le\sup_{[0,c]}\lvert p-\sqrt{\cdot}\rvert$ である)、$Z\sim N(0,I_F)$ について $G_{\Lambda_N,F}^{1/2}Z\to G_F^{1/2}Z$ が各点で成り立つ。左辺は $\mu_{\Lambda_N}$ のもとでの $(\varphi_x)_{x\in F}$ と同じ分布 $N(0,G_{\Lambda_N,F})$ に従うので、分布は $N(0,G_F)$ に弱収束する。$G$ は半正定値な核なので、Gauss過程 の定理「Gauss 過程の存在と一意性」により、共分散 $G$ の中心化された Gauss 過程が存在する。
3. $d=1,2$ では Pólya の定理により単純ランダムウォークは再帰的なので、同じ「再帰性の判定」から $G(0,0)=\sum_nP_0(S_n=0)=\infty$ で、1 から $v_N:=G_{\Lambda_N}(0,0)\to\infty$ である。$\varphi_0\sim N(0,v_N)$ の密度は $1/\sqrt{2\pi v_N}$ 以下なので $\mu_{\Lambda_N}(\varphi_0\in[a,b])\le(b-a)/\sqrt{2\pi v_N}\to0$ である。緊密なら、ある区間 $[a,b]$ の確率がすべての $N$ で $1/2$ 以上になるはずなので、緊密でない。また部分列が確率測度 $\nu$ に弱収束すれば、すべての開区間 $(a,b)$ について $\nu((a,b))\le\liminf\mu_{\Lambda_N}(\varphi_0\in(a,b))=0$となり $\nu(\mathbb R)=0$ で矛盾するので、弱収束する部分列はない(FV17 Theorem 8.19 の証明、p. 393)。$\square$
発散の速さも知られている。$\Lambda_N$ の中心の分散は、$d=1$ では $G_{\Lambda_N}(0,0)=N+1$、$d=2$ では $G_{\Lambda_N}(0,0)=\frac2\pi\log N+O(1)$ である(FV17 Theorem B.76、p. 516。この記事では $d=1$ の場合だけを ex-gff-1d で確かめた)。一方、場そのものではなく差 $(\varphi_x-\varphi_0)_x$ の分布は、$d=1,2$ でも極限をもつ(FV17 Remark 8.20、p. 393)。統計力学の言葉では、$d=1,2$ では無限体積の Gibbs 測度が存在せず、$d\ge3$ では無限に多く存在する(FV17 Theorem 8.19・8.21、pp. 393–394、Gibbs測度)。
$D\subset\mathbb R^d$ を有界な領域とする。$D$ の中にコンパクトな台をもつ滑らかな関数の空間を、Dirichlet 内積 $(f,g)_\nabla:=\int_D\nabla f\cdot\nabla g\,dx$ で完備化した Hilbert 空間を $H(D)$ とする(Sobolev 空間 $H^1_0(D)$、She07 p. 4)。
$H(D)$ を添字とする中心化された Gauss 過程 $((h,f)_\nabla)_{f\in H(D)}$ で
$$E\bigl[(h,f)_\nabla(h,g)_\nabla\bigr]=(f,g)_\nabla\qquad(f,g\in H(D))$$
を満たすものを、$D$ の上の(境界条件 $0$ の)Gauss自由場 という(She07 Definition 2.12、p. 11)。
内積は半正定値な核なので、Gauss過程 の主定理からこの過程は存在する。$(h,af+bg)_\nabla-a(h,f)_\nabla-b(h,g)_\nabla$ の分散を展開すると $0$ になるので、$f\mapsto(h,f)_\nabla$ は確率 $1$ で線形である(各組 $f,g,a,b$ ごとに)。滑らかな $\rho$ について $f=(-\Delta)^{-1}\rho$ とおけば、$(h,\rho):=(h,f)_\nabla$ の共分散は $\iint\rho_1(x)G_D(x,y)\rho_2(y)\,dx\,dy$ で、$G_D$ は(境界が滑らかなとき)$D$ の Dirichlet 境界条件の Green関数 である(She07 Remark 2.14、p. 12)。格子の場合の thm-gff-green と同じく、共分散が Green 関数になる。ただし $d\ge2$ では $G_D(x,x)=\infty$ なので、点の値 $h(x)$ は意味をもたない。次の命題はこれを級数の側から見たものである。
$(f_j)_{j\ge1}$ を $H(D)$ の正規直交基底、$(\xi_j)$ を独立に $N(0,1)$ に従う確率変数とし、$h_n:=\sum_{j\le n}\xi_jf_j$ とおく。
1. 正規直交性から $(h_n,h_n)_\nabla=\sum_{j\le n}\xi_j^2$ で、大数の強法則 により $\frac1n\sum_{j\le n}\xi_j^2\to1$ なので、確率 $1$ で $\infty$ に発散する。収束する列はノルムが有界なので、$h_n$ は収束しない。
2. $(h_n,f)_\nabla=\sum_{j\le n}\xi_j(f_j,f)_\nabla$ で、$m< n$ について $E[((h_n,f)_\nabla-(h_m,f)_\nabla)^2]=\sum_{m< j\le n}(f_j,f)_\nabla^2$ は Parseval の等式 $\sum_j(f_j,f)_\nabla^2=(f,f)_\nabla< \infty$ から $0$ に近づく。$L^2(P)$ の極限 $(h,f)_\nabla$ について、有限個の $f$ の 1 次結合はどれも中心化された正規分布の $L^2$ 極限であり、特性関数 $e^{-\sigma_n^2t^2/2}$ の極限 $e^{-\sigma^2t^2/2}$ をもつので正規分布に従う。共分散は $\lim_n\sum_{j\le n}(f_j,f)_\nabla(f_j,g)_\nabla=(f,g)_\nabla$ である。$\square$
$h$ そのものは、$H(D)$ より大きな、負の滑らかさをもつ Sobolev 型の空間の確率変数として実現でき、超関数とみなせる(She07 Proposition 2.7 とその後の注意、pp. 8–9)。$d=2$ では Dirichlet 内積が共形写像で変わらないので、Gauss 自由場の法則は共形写像で不変である(She07 p. 4)。このため 2 次元の Gauss 自由場は、共形不変なランダムな図形(Schramm–Loewner発展)の研究で基本的な道具になっている(She07 pp. 3–4)。逆向きに、$d=2$ で連続の Gauss 自由場を正三角形の格子による三角形分割の上の区分的に 1 次の関数の空間へ射影すると、頂点の値は定数倍を除いて三角格子の上の Gauss 自由場になり、分割を細かくすると各 $(h,f)_\nabla$ に近づく(She07 §4.2–4.3、pp. 22–23)。
| 主張 | 外す仮定 | 例 | 何が破れるか |
|---|---|---|---|
| thm-gff-green の 3($Z_\Lambda< \infty$) | 境界条件($\Lambda$ の外の値を固定すること) | 両端が $\Lambda$ に入る辺だけの和を Hamiltonian にする(自由境界) | $H$ が定数の加算で不変になり $Z=\infty$(FV17 Exercise 8.2、p. 381) |
| thm-gff-limit の 2 | 次元 $d\ge3$ | $d=2$ | $G_{\Lambda_N}(0,0)\sim\frac2\pi\log N\to\infty$ で、極限の確率測度はない |
| thm-gff-markov | 相互作用が隣接点の差だけであること | $d=1$ で Hamiltonian を $\frac18\sum_{x\in\Lambda}(\varphi_{x+1}-2\varphi_x+\varphi_{x-1})^2$(2 階差分)に替える | $\varphi_1,\dots,\varphi_k$ を与えたときの $\varphi_{k+1}$ の条件付き平均が $\varphi_{k-1}$ にもよる |
2 階差分の例を確かめる。この Hamiltonian は $\frac12\langle\varphi,(I-P_\Lambda)^2\varphi\rangle$ に等しく、$(I-P_\Lambda)^2$ は正定値なので、場は平均 $0$、共分散 $(I-P_\Lambda)^{-2}$ の多変量正規分布である。条件付き平均は 多変量正規分布 の定理「条件付き分布」で計算できる。$\Lambda=\{1,\dots,5\}$、$k=2$ とすると、Gauss 自由場では $E[\varphi_3\mid\varphi_1,\varphi_2]=\frac34\varphi_2$($\varphi_2$ と $\varphi_6=0$ の 1 次補間)であるのに対し、2 階差分の場合は $E[\varphi_3\mid\varphi_1,\varphi_2]=-\frac7{15}\varphi_1+\frac43\varphi_2$ で、$\varphi_1$ にもよる。2 階差分は 3 点にまたがるので、境界の厚みが 1 点では足りないのである。
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