맨위로가기

바이어슈트라스 M-판정법

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

1. 개요

바이어슈트라스 M-판정법은 함수열의 균등 수렴성을 판별하는 방법이다. 이 판정법은 주어진 함수열의 각 항의 절댓값을 상계하는 수열의 합이 수렴하면, 원래 함수열의 급수가 절대 수렴하고 균등 수렴한다는 것을 보장한다. 이 정리는 실수 또는 복소수 값을 갖는 함수뿐만 아니라 바나흐 공간 값을 갖는 함수에도 적용될 수 있으며, 균등 극한 정리와 함께 사용된다.

더 읽어볼만한 페이지

  • 수렴판정법 - 아벨-디니-프링스하임 판정법
    아벨-디니-프링스하임 판정법은 급수의 수렴성을 판정하는 수학적 정리들을 포괄하는 용어로, 수렴 및 발산 급수에 대한 조건과 관계를 제시하며 19세기와 20세기에 아벨, 디니, 프링스하임 등의 수학자들이 기여하여 발전했다.
  • 수렴판정법 - 디리클레 판정법
    디리클레 판정법은 0으로 수렴하는 단조 수열과 유계인 부분합을 갖는 수열의 곱으로 이루어진 급수의 수렴성을 판정하는 방법으로, 급수와 이상 적분, 함수열의 균등 수렴성 판단에도 활용된다.
  • 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.
바이어슈트라스 M-판정법
정의
유형급수의 균등 수렴 판정법
분야실해석학
설명
내용만약 모든 x에 대해 |fₙ(x)| ≤ Mₙ이고, ΣMₙ이 수렴하면, Σfₙ(x)는 균등하게 수렴한다.
활용함수열의 균등 수렴을 증명하는 데 사용된다.

2. 정의

\mathbb K실수체 또는 복소수체일 때, '''바이어슈트라스 M-판정법'''은 다음과 같이 정의된다.

함수열 (f_n)이 집합 A에서 정의된 실수 또는 복소수 값을 갖는 함수이고, 다음 조건을 만족하는 음이 아닌 실수의 수열 (M_n)이 존재한다고 가정한다.


  • 모든 n \geq 1 및 모든 x \in A에 대해 |f_n(x)|\leq M_n
  • \sum_{n=1}^{\infty} M_n 이 수렴


그러면 급수 \sum_{n=1}^{\infty} f_n (x)A에서 절대 수렴하고 균등 수렴한다.

2. 1. 실수 또는 복소수 값을 갖는 함수항 급수

집합 S 및 함수열 f_n\colon S\to\mathbb K (n\in\mathbb N)이 주어졌다고 하자. 또한, 다음을 만족시키는 음이 아닌 실수의 열 (M_n)_{n\in\mathbb N}\subseteq[0,\infty)이 존재한다고 하자.

  • 임의의 n\in\mathbb Ns\in S에 대하여, |f_n(s)|\le M_n
  • \textstyle\sum_{n=0}^\infty M_n<\infty


'''바이어슈트라스 M-판정법'''에 따르면, 함수항 급수 \textstyle\sum_{n=0}^\infty f_n균등 수렴한다.

(''f''''n'')이 집합 ''A''에서 정의된 실수 또는 복소수 값을 갖는 수열이고, 다음 조건을 만족하는 음이 아닌 수의 수열 (''M''''n'')이 존재한다고 가정하자.

  • 모든 n \geq 1 및 모든 x \in A에 대해 |f_n(x)|\leq M_n
  • \sum_{n=1}^{\infty} M_n 이 수렴


그러면 급수 \sum_{n=1}^{\infty} f_n (x)는 ''A''에서 절대 수렴하고 균등 수렴한다.

추가로, 집합 ''A''가 위상 공간이고 함수 ''fn''이 ''A''에서 연속 함수이면, 급수는 연속 함수로 수렴한다.

2. 1. 1. 증명

임의의 양의 실수 \epsilon>0에 대하여, \textstyle\sum_{n=0}^\infty M_n의 부분합은 코시 수열이므로, 다음을 만족시키는 자연수 N_\epsilon\in\mathbb N가 존재한다.

:임의의 m,n>N_\epsilon에 대하여, \textstyle\left|\sum_{k=m+1}^n M_k\right|<\epsilon

삼각 부등식에 따라, 임의의 m,n>N_\epsilons\in S에 대하여,

:\left|\sum_{k=m+1}^nf_k(s)\right|\le\sum_{k=m+1}^n|f_k(s)|\le\sum_{k=m+1}^nM_n<\epsilon

이다. 균등 수렴에 대한 코시 수렴 판정법에 따라, \textstyle\sum_{n=0}^\infty f_n균등 수렴한다.

함수열을 고려해 보자.

:S_{n}(x) = \sum_{k=1}^{n}f_{k}(x).

급수 \sum_{n=1}^{\infty}M_{n}이 수렴하고 모든 n에 대해 M_{n} \ge 0이므로, 코시 수렴 판정법에 의해,

:\forall \varepsilon>0 : \exists N : \forall m>n>N : \sum_{k=n+1}^{m}M_{k}<\varepsilon.

선택된 N에 대해,

: \forall x \in A : \forall m> n> N

: \left|S_{m}(x)-S_{n}(x)\right|=\left|\sum_{k=n+1}^{m}f_{k}(x)\right|\overset{(1)}{\leq} \sum_{k=n+1}^{m}|f_{k}(x)|\leq \sum_{k=n+1}^{m}M_{k}<\varepsilon .

(부등식 (1)은 삼각 부등식에서 유도된다.)

따라서 함수열 S_{n}(x)은 '''R''' 또는 '''C'''에서 코시 수열이며, 완비성에 의해, ''x''에 의존하는 어떤 수 S(x)로 수렴한다. ''n'' > ''N''에 대해 다음을 쓸 수 있다.

: \left|S(x) - S_{n}(x)\right|=\left|\lim_{m\to\infty} S_{m}(x) - S_{n}(x)\right|=\lim_{m\to\infty} \left|S_{m}(x) - S_{n}(x)\right|\leq\varepsilon .

''N''이 ''x''에 의존하지 않으므로, 이는 부분합의 수열 S_{n}이 함수 ''S''로 균등 수렴한다는 것을 의미한다. 따라서 정의에 따라, 급수 \sum_{k=1}^{\infty}f_{k}(x)는 균등 수렴한다.

유사하게, \sum_{k=1}^{\infty}|f_{k}(x)|가 균등 수렴한다는 것을 증명할 수 있다.

2. 2. 바나흐 공간 값을 갖는 함수항 급수

집합 S\mathbb K- 바나흐 공간 (X,\Vert\cdot\Vert) 및 함수열 f_n\colon S\to X (n\in\mathbb N)이 주어졌다고 하자. 또한, 다음을 만족시키는 음이 아닌 실수의 열 (M_n)_{n\in\mathbb N}\subseteq[0,\infty)이 존재한다고 가정한다.

  • 임의의 n\in\mathbb Ns\in S에 대하여, \Vert f_n(s)\Vert\le M_n
  • \textstyle\sum_{n=0}^\infty M_n<\infty


이 경우, 바이어슈트라스 M-판정법에 따르면, 함수항 급수 \textstyle\sum_{n=0}^\infty f_n균등 수렴한다.

2. 2. 1. 증명

보다 일반적으로, 집합 S\mathbb K-바나흐 공간 (X,\Vert\cdot\Vert) 및 함수열 f_n\colon S\to X (n\in\mathbb N)이 주어졌다고 하자. 또한, 다음을 만족시키는 음이 아닌 실수의 열 (M_n)_{n\in\mathbb N}\subseteq[0,\infty)이 존재한다고 하자.

  • 임의의 n\in\mathbb Ns\in S에 대하여, \Vert f_n(s)\Vert\le M_n
  • \textstyle\sum_{n=0}^\infty M_n<\infty


바이어슈트라스 M-판정법에 따르면, 함수항 급수 \textstyle\sum_{n=0}^\infty f_n균등 수렴한다.

유계 함수 S\to X벡터 공간 \mathcal B(S,X) 위에 다음과 같은 상한 노름을 줄 수 있다.

:\Vert f\Vert_\infty=\sup_{s\in S}\Vert f(s)\Vert\qquad(f\in\mathcal B(S,X))

이 경우 \mathcal B(S,X)는 위 노름에 대하여 바나흐 공간을 이룬다. (증명: 완비 거리 공간#완비 공간 값의 유계 함수)

n\in\mathbb N에 대하여 \Vert f_n\Vert_\infty\le M_n이며, \textstyle\sum_{n=0}^\infty M_n<\infty이므로, \textstyle\sum_{n=0}^\infty\Vert f_n\Vert_\infty<\infty이다. 즉, \textstyle\sum_{n=0}^\infty f_n은 (상한 노름에 대하여) 절대 수렴한다. 따라서 \textstyle\sum_{n=0}^\infty f_n은 (상한 노름에 대하여) 수렴한다. 즉, 균등 수렴한다.

함수열을 고려해 보자.

:S_{n}(x) = \sum_{k=1}^{n}f_{k}(x).

급수 \sum_{n=1}^{\infty}M_{n}이 수렴하고 모든 n에 대해 M_n \ge 0이므로, 코시 수렴 판정법에 의해,

:\forall \varepsilon>0 : \exists N : \forall m>n>N : \sum_{k=n+1}^{m}M_{k}<\varepsilon.

선택된 N에 대해,

:\forall x \in A : \forall m> n> N

:\left|S_{m}(x)-S_{n}(x)\right|=\left|\sum_{k=n+1}^{m}f_{k}(x)\right|\overset{(1)}{\leq} \sum_{k=n+1}^{m}|f_{k}(x)|\leq \sum_{k=n+1}^{m}M_{k}<\varepsilon .

(부등식 (1)은 삼각 부등식에서 유도된다.)

따라서 함수열 S_{n}(x)은 '''R''' 또는 '''C'''에서 코시 수열이며, 완비성에 의해, ''x''에 의존하는 어떤 수 S(x)로 수렴한다. ''n'' > ''N''에 대해 다음을 쓸 수 있다.

:\left|S(x) - S_{n}(x)\right|=\left|\lim_{m\to\infty} S_{m}(x) - S_{n}(x)\right|=\lim_{m\to\infty} \left|S_{m}(x) - S_{n}(x)\right|\leq\varepsilon .

''N''이 ''x''에 의존하지 않으므로, 이는 부분합의 수열 S_{n}이 함수 ''S''로 균등 수렴한다는 것을 의미한다. 따라서 정의에 따라, 급수 \sum_{k=1}^{\infty}f_{k}(x)는 균등 수렴한다.

유사하게, \sum_{k=1}^{\infty}|f_{k}(x)|가 균등 수렴한다는 것을 증명할 수 있다.

3. 일반화

바나흐 공간에서 바이어슈트라스 M-판정법의 더 일반적인 버전이 성립한다. 이 경우, 전제 조건

:|f_n(x)|\leq M_n



:\|f_n(x)\|\leq M_n

로 대체된다. 여기서 \|\cdot\|는 바나흐 공간의 노름이다. 바나흐 공간에서 이 판정법을 사용하는 예시는 프레셰 미분 문서를 참조하라.

4. 예

다음과 같은 함수열 f_n\colon[0,\infty)\to\mathbb R (n\in\mathbb Z^+)을 생각하자.

:f_n\colon x\mapsto x^2\exp(-nx)

그렇다면

:f_n'(x)=x\exp(-nx)(2-nx)

이므로 각 f_n\textstyle x=\frac 2n에서 최댓값 \textstyle\left(\frac 2n\right)^2\exp(-2)을 가진다. \textstyle\sum_{n=1}^{\infty}\frac 1{n^2}<\infty이므로, \textstyle\sum_{n=1}^{\infty}f_n균등 수렴한다.

5. 역사

카를 바이어슈트라스의 이름을 따서 붙여졌다.



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