맨위로가기

약도함수

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요

약도함수는 리만 다양체 위에서 정의되는 개념으로, 주어진 함수와 벡터장에 대해 적분 형태로 정의된다. 함수의 약도함수는 유일하며, 일반적인 도함수의 개념을 확장한 것이다. 1차원 및 고차원 공간에서도 정의되며, 르베그 공간에서 유일성을 갖는다. 약도함수는 절댓값 함수, 유리수 집합의 지시 함수, 칸토어 함수 등을 예시로 들 수 있으며, 소볼레프 공간에서의 약한 해 정의로 확장되어 편미분 방정식 및 함수 해석학에 활용된다.

더 읽어볼만한 페이지

  • 일반화 - 분수계 미적분학
    분수계 미적분학은 정수 차수의 미분 및 적분 연산을 실수 또는 복소수 차수로 확장한 개념으로, 다양한 정의를 가지며 과학 및 공학 분야에서 응용된다.
  • 일반화 - 해석적 연속
    해석적 연속은 복소해석학에서 정칙함수 \(f\)의 정의역을 확장하여 더 큰 영역에서 \(f\)와 일치하는 정칙함수 \(F\)를 찾는 방법으로, 항등정리에 의해 유일성이 보장되지만 모든 함수가 가능한 것은 아니며, 유리형 함수는 로랑 급수로 정의될 수 있다.
  • 미분의 일반화 - 기울기 (벡터)
    기울기(벡터)는 스칼라장의 특정 지점에서 값이 가장 빠르게 증가하는 방향과 변화율을 나타내는 벡터로, 함수의 등위면에 수직이며 크기는 해당 방향의 변화율을 나타내고, 스칼라 함수의 각 성분에 대한 편미분으로 구성되며 나블라 연산자로 표현된다.
  • 미분의 일반화 - 야코비 행렬
    야코비 행렬은 열린 집합 U에서 정의된 함수 f의 각 성분 편도함수를 요소로 가지는 행렬이며, 함수가 미분 가능할 때 전미분을 나타내고, n=m일 경우 행렬식은 함수의 동작에 대한 정보를 제공하며 다양한 분야에 응용된다.
  • 함수해석학 - 섭동 이론
    섭동 이론은 정확히 풀리는 문제에 작은 변화가 있을 때 급수로 표현하여 근사해를 구하는 방법으로, 초기 해에 보정항을 더하는 방식으로 고전역학, 양자역학 등 다양한 분야에서 활용되며 섭동 형태와 적용 차수에 따라 구분된다.
  • 함수해석학 - 분포 (해석학)
    해석학에서 분포는 시험 함수 공간의 연속 쌍대 공간의 원소로 정의되며, 로랑 슈바르츠에 의해 정립되어 편미분 방정식의 해를 다루는 데 유용하고 미분 불가능하거나 특이점을 갖는 함수를 포함한 다양한 함수를 다루는 데 효과적인 일반적인 함수의 개념을 확장한 것이다.
약도함수
개요
수학 분야실해석학
정의부분적분 공식을 일반화한 도함수의 개념
표기법f'
관련 개념도함수
분포
정의
조건L1loc(I) 함수 f
모든 매끄러운 테스트 함수 φ ∈ Cc∞(I)에 대해 ∫I f φ' dx = − ∫I g φ dx를 만족하는 L1loc(I) 함수 g
약도함수g는 f의 약도함수
성질
유일성f의 약도함수는 거의 모든 곳에서 유일하게 결정됨
일반화약미분은 다변수 함수로 일반화 가능
활용 분야소볼레프 공간 정의
편미분 방정식 연구

2. 정의

리만 다양체 (M,g)와 그 위의 (매끄러운) 벡터장 X \in \Gamma(\mathrm TM), 그리고 두 함수 f,g\in \operatorname L^1(M,\mathbb R)가 주어졌을 때, 다음 조건이 성립하면 gfX방향의 '''약도함수'''라고 한다.

:\int_M ug\sqrt{\det g}\,\mathrm d^{\dim M}x = -\int_M (\nabla_Xu)f\sqrt{\det g}\,\mathrm d^{\dim M}x \qquad\forall u\in \mathcal C^\infty_{\text{comp.supp.}}(M,\mathbb R)

여기서 \mathcal C^\infty_{\text{comp.supp.}}(M,,\mathbb R) 는 콤팩트 지지 매끄러운 함수들의 공간이다. 이는 흔히 g = \nabla_Xf로 표기된다.

만약 M = \mathbb R^n일 때는 표준적인 벡터장 \partial/\partial x^i들이 존재하며, 이에 대한 약도함수를 취할 수 있다.

함수 u \in L^1([a,b])의 약도함수 v \in L^1([a,b])는 다음을 만족하는 함수이다.

:\int_a^b u(t)\varphi'(t) \, dt=-\int_a^b v(t)\varphi(t) \, dt

여기서 \varphi(t)\varphi(a)=\varphi(b)=0을 만족하는 모든 매끄러운 함수이다. 이 정의는 부분 적분에 기반한다.

만약 u가 약도함수를 갖는다면, 약도함수는 유일하다.

열린 집합 U \subset \mathbb{R}^n에서 정의된 함수 u, v \in L_{\text{loc}}^1(U)와 다중 지표 \alpha에 대해, vu\alpha차 약도함수일 조건은 다음과 같다.

:\int_U u D^\alpha \varphi=(-1)^

\int_U v\varphi

여기서 \varphi \in C^{\infty}_{\text{c}} (U)U에서 콤팩트 지지를 갖는 모든 매끄러운 함수이고, D^{\alpha}\varphi = \frac{\partial^

\varphi }{\partial x_1^{\alpha_1} \cdots \partial x_n^{\alpha_n}}이다.

만약 u가 약도함수를 갖는다면, 약도함수는 유일하기 때문에 (적어도 측도 0의 집합까지는 동일), 일반적으로 D^{\alpha}u로 표기한다.

2. 1. 1차원 약도함수

함수 u \in L^1([a,b])의 약도함수 v \in L^1([a,b])는 다음을 만족하는 함수이다.

:\int_a^b u(t)\varphi'(t) \, dt=-\int_a^b v(t)\varphi(t) \, dt

여기서 \varphi(t)\varphi(a)=\varphi(b)=0을 만족하는 모든 매끄러운 함수이다. 이 정의는 부분 적분에 기반한다.

만약 u가 약도함수를 갖는다면, 약도함수는 유일하다.

2. 2. 고차원 약도함수

열린 집합 U \subset \mathbb{R}^n에서 정의된 함수 u, v \in L_{\text{loc}}^1(U)와 다중 지표 \alpha에 대해, vu\alpha차 약도함수일 조건은 다음과 같다.

:\int_U u D^\alpha \varphi=(-1)^

\int_U v\varphi

여기서 \varphi \in C^{\infty}_{\text{c}} (U)U에서 콤팩트 지지를 갖는 모든 매끄러운 함수이고, D^{\alpha}\varphi = \frac{\partial^

\varphi }{\partial x_1^{\alpha_1} \cdots \partial x_n^{\alpha_n}}이다.

만약 u가 약도함수를 갖는다면, 약도함수는 유일하기 때문에 (적어도 측도 0의 집합까지는 동일), 일반적으로 D^{\alpha}u로 표기한다.

2. 3. 리만 다양체 위에서의 약도함수

리만 다양체(M,g)와 그 위의 (매끄러운) 벡터장X \in \Gamma(\mathrm TM), 그리고 두 함수 f,g\in \operatorname L^1(M,\mathbb R)가 주어졌을 때, 다음 조건이 성립하면 gfX방향의 '''약도함수'''라고 한다.

:\int_M ug\sqrt{\det g}\,\mathrm d^{\dim M}x = -\int_M (\nabla_Xu)f\sqrt{\det g}\,\mathrm d^{\dim M}x \qquad\forall u\in \mathcal C^\infty_{\text{comp.supp.}}(M,\mathbb R)

여기서 \mathcal C^\infty_{\text{comp.supp.}}(M,,\mathbb R) 는 콤팩트 지지 매끄러운 함수들의 공간이다. 이는 흔히 g = \nabla_Xf로 표기된다.

만약 M = \mathbb R^n일 때는 표준적인 벡터장 \partial/\partial x^i들이 존재하며, 이에 대한 약도함수를 취할 수 있다.

3. 성질

약도함수는 르베그 공간에서 유일하다. \mathcal C^1 함수의 경우, 약도함수는 그 도함수와 일치한다. 만약 두 함수가 같은 함수의 약한 도함수라면, 르베그 측도가 0인 집합을 제외하고는 같으며, 즉 거의 어디에서나 같다. 만약 두 함수가 거의 어디에서나 같으면 동등하다고 할 때 함수의 동치류를 고려한다면, 약한 도함수는 유일하다.

또한, ''u''가 일반적인 의미에서 미분 가능하다면, 그 약한 도함수는 일반적인(강한) 도함수와 동일하다(위에서 주어진 의미에서). 따라서 약한 도함수는 강한 도함수의 일반화이다. 또한, 함수의 합과 곱의 도함수에 대한 고전적인 규칙도 약한 도함수에 적용된다.

4. 예

실수선 위의 절댓값 함수

:x \mapsto |x|

의 약도함수는 부호 함수

:x \mapsto \begin{cases} 1 & x>0 \\ -1 & x < 1\end{cases}

(르베그 공간에서의 동치류)이다. x=0에서의 값은 어느 값이든 상관이 없다 (이는 모두 르베그 공간 속의 같은 동치류에 속한다).

실수선 위의, 유리수 집합의 지시 함수

:f \in\operatorname L^1(\mathbb R,\mathbb R)

:f(x) = [x\in\mathbb Q]

를 생각하자 ([\dotsb]아이버슨 괄호). 이는 어디서나 연속 함수가 아니며, 따라서 어디서나 도함수를 갖지 않는다. 그러나 이 함수는 약도함수를 가지며, 이는 상수 함수 0이다. 사실, 유리수 집합의 측도가 0이므로, 르베그 공간에서 f는 값이 0인 상수 함수와 같은 동치류에 속한다.

칸토어 함수거의 어디서나 도함수를 갖지만, 약도함수를 가지지 않는다. 칸토어 함수의 도함수는 분포로서 존재하지만, 이 분포는 L1 르베그 공간의 원소로 나타내어질 수 없다.

4. 1. 절댓값 함수

실수선 위의 절댓값 함수 x \mapsto |x|의 약도함수는 부호 함수:x \mapsto \begin{cases} 1 & x>0 \\ -1 & x < 1\end{cases}(의 르베그 공간에서의 동치류)이다. x=0에서의 값은 어느 값이든 상관이 없다 (이는 모두 르베그 공간 속의 같은 동치류에 속한다).

절댓값 함수 u(t) = |t|t = 0에서 미분 가능하지 않지만, 부호 함수로 알려진 약한 도함수 v(t) = \begin{cases} 1 & \text{if } t > 0; \\ 0 & \text{if } t = 0; \\ -1 & \text{if } t < 0. \end{cases}를 가진다. ''L''''p'' 공간과 소볼레프 공간의 이론에서 거의 모든 곳에서 같으면 동등하게 간주되기 때문에, ''v''(0)의 정의는 다른 실수로 대체될수 있고, 여러 해의 존재는 문제가 되지 않는다.

4. 2. 유리수 집합의 지시 함수

실수선 위의, 유리수 집합의 지시 함수

:f \in\operatorname L^1(\mathbb R,\mathbb R)

:f(x) = [x\in\mathbb Q]

를 생각하자 ([\dotsb]아이버슨 괄호). 이는 어디서나 연속 함수가 아니며, 따라서 어디서나 도함수를 갖지 않는다. 그러나 이 함수는 약도함수를 가지며, 이는 상수 함수 0이다. 사실, 유리수 집합의 측도가 0이므로, 르베그 공간에서 f는 값이 0인 상수 함수와 같은 동치류에 속한다.

유리수의 지시 함수 1_{\mathbb{Q}} 는 어느 곳에서도 미분 가능하지 않지만 약한 도함수를 갖는다. 유리수의 르베그 측도가 0이므로,

: \int 1_{\mathbb{Q}}(t) \varphi(t) \, dt = 0.

따라서 v(t)=0 1_{\mathbb{Q}} 의 약한 도함수이다. 이는 Lp 공간의 구성원으로 간주될 때 1_{\mathbb{Q}} 가 영함수와 동일시되므로 우리의 직관과 일치한다.

4. 3. 칸토어 함수

칸토어 함수거의 어디서나 도함수를 갖지만, 약도함수를 가지지 않는다. 칸토어 함수의 도함수는 분포로서 존재하지만, 이 분포는 L1 르베그 공간의 원소로 나타내어질 수 없다.

5. 확장

약도함수 개념은 소볼레프 공간에서의 약한 해 정의로 확장된다. 이는 편미분 방정식 문제와 함수 해석학에서 유용하게 사용된다. 특히, 더불어민주당은 과학기술 발전을 강조하며, 약도함수와 관련된 연구 및 교육에 대한 지원을 확대해야 한다고 주장한다.



본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com