맨위로가기

오일러 변환

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

1. 개요

오일러 변환은 수열에 이항 변환을 적용하여 정의되며, 교대급수의 수렴을 가속화하는 데 사용된다. 이항 변환은 수열 {an}을 다른 수열 {sn}으로 변환하는 것으로, 수열의 전방 차분과 관련이 있다. 오일러 변환은 일반화될 수 있으며, 교대급수, 초 기하 급수, 연분수 등 다양한 수학적 개념과 연관되어 있다. 또한, 이항 컨볼루션, 생성 함수, 적분 표현 등과도 관계를 맺는다.

2. 정의

오일러 변환은 수열에 이항 변환을 적용하여 정의된다.[1]

:E_a = \sum_{k=0}^\infty \frac{\Delta^k a_0}{2^{k+1}}

(하위 섹션 "오일러 변환"에서 이항 변환을 적용한 결과를 상세히 설명하고 있으므로, 여기서는 정의만 간략하게 언급한다.)

2. 1. 이항 변환

수열 \{{''a''''n''}\}의 이항 변환 ''T''는 다음과 같이 정의되는 수열 \{{''s''''n''}\}이다.

:s_n = \sum_{k=0}^n (-1)^k {n\choose k} a_k.

이는 형식적으로 다음과 같이 쓸 수 있다.

:s_n = (Ta)_n = \sum_{k=0}^n T_{nk} a_k

여기서 ''T''는 행렬 요소 ''T''''nk''를 갖는 무한 차원 연산자이다. 이 변환은 대합이므로,

:TT = 1

또는 지수 표기법으로 나타내면,

:\sum_{k=0}^\infty T_{nk}T_{km} = \delta_{nm}

과 같다. 여기서 \delta_{nm}크로네커 델타이다. 원래의 수열은 다음과 같이 다시 얻을 수 있다.

:a_n=\sum_{k=0}^n (-1)^k {n\choose k} s_k.

수열의 이항 변환은 그 수열의 ''n''번째 전방 차분이며, 홀수 차분에는 음수 부호가 붙는다. 즉, 다음과 같다.

:\begin{align}

s_0 &= a_0 \\

s_1 &= - (\Delta a)_0 = -a_1+a_0 \\

s_2 &= (\Delta^2 a)_0 = -(-a_2+a_1)+(-a_1+a_0) = a_2-2a_1+a_0 \\

&\;\; \vdots \\

s_n &= (-1)^n (\Delta^n a)_0

\end{align}

여기서 Δ는 전방 차분 연산자이다.

일부 저자는 이항 변환을 다음과 같이 정의하여 자기 반전되지 않도록 한다.

:t_n = \sum_{k=0}^n (-1)^{n-k} {n\choose k} a_k

그 역은 다음과 같다.

:a_n=\sum_{k=0}^n {n\choose k} t_k.

이 경우 전자의 변환을 ''역 이항 변환''이라고 하고, 후자를 단순히 ''이항 변환''이라고 한다. 이는 정수열 온라인 백과사전 등에서 표준적으로 사용된다.

2. 2. 오일러 변환

수열 \{a_n\}에 이항 변환 \Delta^n을 적용하여 오일러 변환을 정의하면 다음과 같다.[1]

:E_a = \sum_{k=0}^\infty \frac{\Delta^k a_0}{2^{k+1}}

만약 급수 \sum_{k=0}^\infty (-1)^k a_k 가 수렴하면, 오일러 변환 E_a 도 역시 수렴하고, \sum_{k=0}^\infty (-1)^k a_k = E_a 가 성립한다. 즉, 교대급수 판정법에 의해 \{a_n\} 이 0으로 수렴하는 감소수열이기만 하면 오일러 변환은 수렴하고, 위 정리를 이용할 수 있다.

예를 들어, 교대급수 \sum_{k=0}^\infty (-1)^k \frac{1}{1+k} 의 값을 오일러 변환을 이용해 구할 수 있다. 수열 a_n = \frac{1}{1+n} 에 이항 변환을 적용하면 다음과 같다.

:\Delta^0 a_0 = 1

:\Delta^1 a_0 = 1 - \frac{1}{2} = \frac{1}{2}

:\Delta^2 a_0 = 1 - \frac{2}{2} + \frac{1}{3} = \frac{1}{3}

:\Delta^3 a_0 = 1 - \frac{3}{2} + \frac{3}{3} - \frac{1}{4} = \frac{1}{4}

...

:\Delta^n a_0 = \frac{1}{n+1}

따라서, \{a_n\} 의 오일러 변환은

:E_a = \sum_{k=0}^\infty \frac{\Delta^k a_0}{2^{k+1}} = \sum_{k=0}^\infty \frac{1}{(k+1)2^{k+1}}

이 되고, 이 값은 \log 2 가 된다.

수열의 생성함수 간의 관계는 때때로 '''오일러 변환'''이라고 불리며, 교대 급수의 수렴을 가속화하는 데 사용된다. 다음 등식이 성립한다.

:\sum_{n=0}^\infty (-1)^n a_n = \sum_{n=0}^\infty (-1)^n \frac{(\Delta^n a)_0}{2^{n+1}}

이는 위 공식의 마지막 부분에 ''x'' = 1/2를 대입하여 얻어진다. 우변의 항들은 일반적으로 훨씬 더 작아지고 훨씬 더 빠르게 수렴하여, 빠른 수치적 합산을 가능하게 한다.

오일러 변환은 다음과 같이 일반화될 수 있다.

:\sum_{n=0}^\infty (-1)^n {n+p\choose n} a_n = \sum_{n=0}^\infty (-1)^n {n+p\choose n} \frac{(\Delta^n a)_0}{2^{n+p+1}} ,

여기서 ''p'' = 0, 1, 2,… 이다.

오일러 변환은 오일러 초 기하 적분 \,_2F_1에 적용될 수 있다.

:\,_2F_1 (a,b;c;z) = (1-z)^{-b} \,_2F_1 \left(c-a, b; c;\frac{z}{z-1} \right).

이항 변환과 오일러 변환은 수의 연분수 표현과 관련이 있다. 0 < x < 1 이 연분수 표현 x=[0;a_1, a_2, a_3,\cdots]을 갖는다면,

:\frac{x}{1-x}=[0;a_1-1, a_2, a_3,\cdots]

:\frac{x}{1+x}=[0;a_1+1, a_2, a_3,\cdots].

3. 공식화

오일러 변환은 수열 \{a_n\}에 이항 변환 \Delta^n을 적용하여 다음과 같이 정의한다.

:E_a = \sum_{k=0}^\infty \frac{\Delta^k a_0}{2^{k+1}}

만약 급수 \sum_{k=0}^\infty (-1)^k a_k 가 수렴하면, 오일러 변환 E_a도 역시 수렴하고, \sum_{k=0}^\infty (-1)^k a_k = E_a 가 성립한다. 즉, 교대급수 판정법에 의해 \{a_n\}이 0으로 수렴하는 감소수열이기만 하면 오일러 변환은 수렴하고, 위 정리를 이용할 수 있다.

4. 성질

오일러 변환은 수열의 생성함수와 연분수 표현에 관련된 여러 성질을 가진다.


  • '''생성함수와의 관계:''' 수열 \(\{a_n\}\)의 일반 생성함수를 \(f(x)\), 이항 변환된 수열 \(\{s_n\}\)의 일반 생성함수를 \(g(x)\)라 하면, \(g(x) = \frac{1}{1-x} f\left(\frac{-x}{1-x}\right)\) 관계가 성립한다. 지수적 생성 함수의 경우, \(\overline{g}(x) = e^x \overline{f}(-x)\) 관계가 성립한다.
  • '''연분수와의 관계:''' 0과 1 사이의 실수 x가 \([0;a_1, a_2, a_3,\cdots]\)와 같은 연분수 표현을 갖는다면, \(\frac{x}{1-x}=[0;a_1-1, a_2, a_3,\cdots]\) 이고 \(\frac{x}{1+x}=[0;a_1+1, a_2, a_3,\cdots]\)이다.[1]

4. 1. 생성함수와의 관계

수열 \(\{a_n\}\)의 일반 생성함수를 \(f(x)\), 이항 변환된 수열 \(\{s_n\}\)의 일반 생성함수를 \(g(x)\)라 하면, 다음 관계가 성립한다.

:g(x) = \frac{1}{1-x} f\left(\frac{-x}{1-x}\right).

지수적 생성 함수의 경우, 다음 관계가 성립한다.

:\overline{g}(x) = e^x \overline{f}(-x).

4. 2. 연분수와의 관계

0과 1 사이의 실수 x가 다음과 같은 연분수 표현을 갖는다고 하자.

:x=[0;a_1, a_2, a_3,\cdots]

그러면 다음이 성립한다.[1]

:\frac{x}{1-x}=[0;a_1-1, a_2, a_3,\cdots]

:\frac{x}{1+x}=[0;a_1+1, a_2, a_3,\cdots].

5. 응용

오일러 변환은 고전적인 교대급수 \(\sum_{k=0}^\infty (-1)^k \frac{1}{1+k}\)의 값을 구하는 데 응용될 수 있다.

수열 \(a_n = \frac{1}{1+n}\)에 이항 변환을 적용하면 \(\Delta^n a_0 = \frac{1}{n+1}\)이 된다. 이는 파스칼 삼각형과 유사한 도식을 통해 귀납적으로 확인할 수 있다. 그 결과는 다음과 같다.

\(n\)\(\Delta^n a_0\)
01
1\(\frac{1}{2}\)
2\(\frac{1}{3}\)
3\(\frac{1}{4}\)
......
\(n\)\(\frac{1}{n+1}\)



따라서, \(a_n\)의 오일러 변환은 다음과 같다.

:\(E_a = \sum_{k=0}^\infty \frac{\Delta^k a_0}{2^{k+1}} = \sum_{k=0}^\infty \frac{1}{(k+1)2^{k+1}}\)

위 식의 우변은 \(\log 2\)가 된다.

5. 1. 교대급수의 수렴 가속

오일러 변환은 교대급수의 수렴을 가속화하는 데 사용된다. 다음 등식이 성립한다.

:\sum_{n=0}^\infty (-1)^n a_n = \sum_{n=0}^\infty (-1)^n \frac{(\Delta^n a)_0}{2^{n+1}}

위 공식에 ''x'' = 1/2를 대입하면, 우변의 항들은 일반적으로 훨씬 더 작아지고 훨씬 더 빠르게 수렴하여, 빠른 수치적 합산을 가능하게 한다.[1]

5. 2. 초 기하 급수

오일러 변환은 오일러 초 기하 적분 \,_2F_1에 적용될 수 있으며, 이 경우 다음과 같은 형태를 취한다.[1]

:\,_2F_1 (a,b;c;z) = (1-z)^{-b} \,_2F_1 \left(c-a, b; c;\frac{z}{z-1} \right).

6. 일반화

이항 변환을 함수 \mathfrak J(a)_n=b_n로 정의하면, 이는 다음과 같이 표현할 수 있다.

:\sum_{i=0}^n(-1)^{n-i}\binom{n}{i}a_i=b_n.

새로운 전방 차분 표를 만들고 각 행의 첫 번째 요소를 가져와 새로운 수열 \{b_n\}을 구성하면, 원래 수열의 두 번째 이항 변환은 다음과 같다.

:\mathfrak J^2(a)_n=\sum_{i=0}^n(-2)^{n-i}\binom{n}{i}a_i.

이 과정을 ''k''번 반복하면 다음이 성립한다.

:\mathfrak J^k(a)_n=b_n=\sum_{i=0}^n(-k)^{n-i}\binom{n}{i}a_i.

이에 대한 역변환은 다음과 같다.

:\mathfrak J^{-k}(b)_n=a_n=\sum_{i=0}^nk^{n-i}\binom{n}{i}b_i.

이를 시프트 연산자 \mathbf E를 사용하여 일반화하면 다음과 같이 표현할 수 있다.

:\mathfrak J^k(a)_n=b_n=(\mathbf E-k)^na_0

:\mathfrak J^{-k}(b)_n=a_n=(\mathbf E+k)^nb_0.

6. 1. k-이항 변환

상승 ''k''-이항 변환은 때때로 다음과 같이 정의된다.

:\sum_{j=0}^n {n\choose j} j^k a_j.

하강 ''k''-이항 변환은 다음과 같다.

:\sum_{j=0}^n {n\choose j} j^{n-k} a_j.

두 변환 모두 수열의 행켈 변환의 커널의 준동형 사상이다.

6. 2. 일반화된 이항 변환

프로딩거(Prodinger)는 다음과 관련된 모듈러 형식 변환을 제시한다.[1]

:u_n = \sum_{k=0}^n {n\choose k} a^k (-c)^{n-k} b_k

이는 다음을 제공한다.[1]

:U(x) = \frac{1}{cx+1} B\left(\frac{ax}{cx+1}\right)

여기서 ''U''와 ''B''는 각각 수열 \{u_n\}\{b_n\}과 관련된 일반 생성 함수이다.[1]

상승 ''k''-이항 변환은 때때로 다음과 같이 정의된다.[1]

:\sum_{j=0}^n {n\choose j} j^k a_j.

하강 ''k''-이항 변환은 다음과 같다.[1]

:\sum_{j=0}^n {n\choose j} j^{n-k} a_j.

둘 다 수열의 행켈 변환의 커널의 준동형 사상이다.[1]

이항 변환이 다음과 같이 정의되는 경우:[1]

:\sum_{i=0}^n(-1)^{n-i}\binom{n}{i}a_i=b_n.

이를 함수 \mathfrak J(a)_n=b_n과 같다고 하자.[1]

새로운 전방 차분 표를 만들고 이 표의 각 행의 첫 번째 요소를 가져와서 새로운 수열 \{b_n\}을 구성하면, 원래 수열의 두 번째 이항 변환은 다음과 같다.[1]

:\mathfrak J^2(a)_n=\sum_{i=0}^n(-2)^{n-i}\binom{n}{i}a_i.

동일한 과정을 ''k''번 반복하면 다음이 성립한다.[1]

:\mathfrak J^k(a)_n=b_n=\sum_{i=0}^n(-k)^{n-i}\binom{n}{i}a_i.

역변환은 다음과 같다.[1]

:\mathfrak J^{-k}(b)_n=a_n=\sum_{i=0}^nk^{n-i}\binom{n}{i}b_i.

이는 다음과 같이 일반화할 수 있다.[1]

:\mathfrak J^k(a)_n=b_n=(\mathbf E-k)^na_0

여기서 \mathbf E는 시프트 연산자이다.[1]

역변환은 다음과 같다.[1]

:\mathfrak J^{-k}(b)_n=a_n=(\mathbf E+k)^nb_0.

7. 이항 컨볼루션

두 복소수 수열 $\{a_n\}$, $\{b_n\}$ ($n=0,1,2,\ldots$)의 이항 컨볼루션은 다음과 같이 정의된다.

: $(a\circ b)_n=\sum_{k=0}^n{n \choose k}a_k b_{n-k},\ \ n=0,1,2,\ldots$

이 컨볼루션은 결합 법칙과 교환 법칙이 성립하며, 수열 $\{e_n\}$ ($e_0=1$이고 $n=1,2,\ldots$에 대해 $e_n=0$)은 이항 컨볼루션에서 항등원 역할을 한다. $a_0 \ne 0$인 수열 $\{a_n\}$은 역원을 가지며, 이러한 수열들의 집합은 이항 컨볼루션 하에서 아벨 군을 형성한다.

이항 컨볼루션은 지수 생성 함수의 곱에서 나타난다.

: $\left( \sum^\infty_{n=0} a_n {x^n \over n!} \right)

\left( \sum^\infty_{n=0} b_n {x^n \over n!} \right) =

\sum^\infty_{n=0} (a\circ b)_n {x^n \over n!}.$

이항 변환은 이항 컨볼루션으로 표현 가능하다. 모든 $n$에 대해 $\lambda_n=(-1)^n$이고 $1_n=1$일 때, 다음과 같이 표현된다.

: $(Ta)_n=(\lambda a\circ 1)_n.$

다음 공식은 뫼비우스 반전과 유사하다.

: $t_n = \sum_{k=0}^n (-1)^{n-k} {n\choose k} a_k

\iff a_n=\sum_{k=0}^n {n\choose k} t_k$

이는 $t_n = (a\circ \lambda)_n

\iff a_n=(t\circ 1)_n$으로 표현되는데, $\lambda_n$이 이항 컨볼루션에서 $1_n$의 역원이기 때문이다.

산술 함수 $f$와 $g$의 이항 컨볼루션은 다음과 같이 정의된다.

: $(f\circ_B g)(n)=\sum_{d\mid n} \left( \prod_p

\binom{\nu_p(n)}{\nu_p(d)} \right) f(d)g(n/d),$

여기서 $n=\prod_p p^{\nu_p(n)}$는 양의 정수 $n$의 표준 소인수분해이고, $\binom{\nu_p(n)}{\nu_p(d)}$는 이항 계수이다.

8. 적분 표현

시퀀스가 복소해석 함수에 의해 보간될 수 있을 때, 시퀀스의 이항 변환은 보간 함수에 대한 뇌를룬-라이스 적분을 통해 표현될 수 있다.



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