다중-인덱스 표기법 (Multi-index notation )은 정수 인덱스(index) 의 개념을 순서화된 인덱스의 튜플(tuple) 로 일반화함으로써 다변수 미적분학(multivariable calculus) , 부분 미분 방정식(partial differential equation) 과 분포(distribution) 의 이론에 사용되는 공식을 단순화하는 수학적 표기법(mathematical notation) 입니다.
Definition and basic properties
n -차원 다중-인덱스 는 비-음의 정수(non-negative integers) (즉,
N
0
n
{\displaystyle \mathbb {N} _{0}^{n}}
로 표시된, 자연수(natural number) 의 n -차원(dimension) 집합(set) 의 원소)의 다음 n -튜플(tuple) 입니다:
α
=
(
α
1
,
α
2
,
…
,
α
n
)
{\displaystyle \alpha =(\alpha _{1},\alpha _{2},\ldots ,\alpha _{n})}
.
다중-인덱스
α
,
β
∈
N
0
n
{\displaystyle \alpha ,\beta \in \mathbb {N} _{0}^{n}}
와
x
=
(
x
1
,
x
2
,
…
,
x
n
)
∈
R
n
{\displaystyle x=(x_{1},x_{2},\ldots ,x_{n})\in \mathbb {R} ^{n}}
에 대해, 우리는 다음을 정의합니다:
성분별 합과 차이
α
±
β
=
(
α
1
±
β
1
,
α
2
±
β
2
,
…
,
α
n
±
β
n
)
{\displaystyle \alpha \pm \beta =(\alpha _{1}\pm \beta _{1},\,\alpha _{2}\pm \beta _{2},\ldots ,\,\alpha _{n}\pm \beta _{n})}
부분 순서
α
≤
β
⇔
α
i
≤
β
i
∀
i
∈
{
1
,
…
,
n
}
{\displaystyle \alpha \leq \beta \quad \Leftrightarrow \quad \alpha _{i}\leq \beta _{i}\quad \forall \,i\in \{1,\ldots ,n\}}
성분의 합 (절댓값)
|
α
|
=
α
1
+
α
2
+
⋯
+
α
n
{\displaystyle |\alpha |=\alpha _{1}+\alpha _{2}+\cdots +\alpha _{n}}
팩토리얼
α
!
=
α
1
!
⋅
α
2
!
⋯
α
n
!
{\displaystyle \alpha !=\alpha _{1}!\cdot \alpha _{2}!\cdots \alpha _{n}!}
이항 계수
(
α
β
)
=
(
α
1
β
1
)
(
α
2
β
2
)
⋯
(
α
n
β
n
)
=
α
!
β
!
(
α
−
β
)
!
{\displaystyle {\binom {\alpha }{\beta }}={\binom {\alpha _{1}}{\beta _{1}}}{\binom {\alpha _{2}}{\beta _{2}}}\cdots {\binom {\alpha _{n}}{\beta _{n}}}={\frac {\alpha !}{\beta !(\alpha -\beta )!}}}
Multinomial coefficient
(
k
α
)
=
k
!
α
1
!
α
2
!
⋯
α
n
!
=
k
!
α
!
{\displaystyle {\binom {k}{\alpha }}={\frac {k!}{\alpha _{1}!\alpha _{2}!\cdots \alpha _{n}!}}={\frac {k!}{\alpha !}}}
여기서
k
:=
|
α
|
∈
N
0
{\displaystyle k:=|\alpha |\in \mathbb {N} _{0}}
.
거듭제곱(Power)
x
α
=
x
1
α
1
x
2
α
2
…
x
n
α
n
{\displaystyle x^{\alpha }=x_{1}^{\alpha _{1}}x_{2}^{\alpha _{2}}\ldots x_{n}^{\alpha _{n}}}
.
고차 부분 도함수
∂
α
=
∂
1
α
1
∂
2
α
2
…
∂
n
α
n
{\displaystyle \partial ^{\alpha }=\partial _{1}^{\alpha _{1}}\partial _{2}^{\alpha _{2}}\ldots \partial _{n}^{\alpha _{n}}}
여기서
∂
i
α
i
:=
∂
α
i
/
∂
x
i
α
i
{\displaystyle \partial _{i}^{\alpha _{i}}:=\partial ^{\alpha _{i}}/\partial x_{i}^{\alpha _{i}}}
(역시 4-그래디언트 를 참조하십시오). 때때로 표기법
D
α
=
∂
α
{\displaystyle D^{\alpha }=\partial ^{\alpha }}
이 역시 사용됩니다.[1]
Some applications
다중-인덱스 표기법은 기초 미적분에서 해당하는 다중-변수 경우로 많은 공식의 확장을 허용합니다. 아래는 일부 예제입니다. 모든 다음에서,
x
,
y
,
h
∈
C
n
{\displaystyle x,y,h\in \mathbb {C} ^{n}}
(or
R
n
{\displaystyle \mathbb {R} ^{n}}
),
α
,
ν
∈
N
0
n
{\displaystyle \alpha ,\nu \in \mathbb {N} _{0}^{n}}
, 및
f
,
g
,
a
α
:
C
n
→
C
{\displaystyle f,g,a_{\alpha }\colon \mathbb {C} ^{n}\to \mathbb {C} }
(or
R
n
→
R
{\displaystyle \mathbb {R} ^{n}\to \mathbb {R} }
).
다항 정리
(
∑
i
=
1
n
x
i
)
k
=
∑
|
α
|
=
k
(
k
α
)
x
α
{\displaystyle \left(\sum _{i=1}^{n}x_{i}\right)^{k}=\sum _{|\alpha |=k}{\binom {k}{\alpha }}\,x^{\alpha }}
다중-이항 정리
(
x
+
y
)
α
=
∑
ν
≤
α
(
α
ν
)
x
ν
y
α
−
ν
.
{\displaystyle (x+y)^{\alpha }=\sum _{\nu \leq \alpha }{\binom {\alpha }{\nu }}\,x^{\nu }y^{\alpha -\nu }.}
x + y 가 벡터이고 α 가 다중-인덱스이기 때문에, 왼쪽 변에서 표현은 (x 1 + y 1 )α 1 ⋯(x n + y n )α n 에 대해 짧은 것임을 주목하십시오.
라이프니츠 공식(Leibniz formula)
매끄러운 함수 f 와 g 에 대해
∂
α
(
f
g
)
=
∑
ν
≤
α
(
α
ν
)
∂
ν
f
∂
α
−
ν
g
.
{\displaystyle \partial ^{\alpha }(fg)=\sum _{\nu \leq \alpha }{\binom {\alpha }{\nu }}\,\partial ^{\nu }f\,\partial ^{\alpha -\nu }g.}
테일러 급수
n 변수에서 해석적 함수(analytic function) f 에 대해, 우리는 다음을 가집니다:
f
(
x
+
h
)
=
∑
α
∈
N
0
n
∂
α
f
(
x
)
α
!
h
α
.
{\displaystyle f(x+h)=\sum _{\alpha \in \mathbb {N} _{0}^{n}}{{\frac {\partial ^{\alpha }f(x)}{\alpha !}}h^{\alpha }}.}
사실, 충분한 매끄러운 함수에 대해, 우리는 유사한 테일러 전개 를 가집니다:
f
(
x
+
h
)
=
∑
|
α
|
≤
n
∂
α
f
(
x
)
α
!
h
α
+
R
n
(
x
,
h
)
,
{\displaystyle f(x+h)=\sum _{|\alpha |\leq n}{{\frac {\partial ^{\alpha }f(x)}{\alpha !}}h^{\alpha }}+R_{n}(x,h),}
여기서 마지막 항 (나머지)은 테일러의 공식의 정확한 버전에 따라 다릅니다. 예를 들어, (정수 나머지를 갖는) 코시 공식에 대해, 우리는 다음을 가집니다:
R
n
(
x
,
h
)
=
(
n
+
1
)
∑
|
α
|
=
n
+
1
h
α
α
!
∫
0
1
(
1
−
t
)
n
∂
α
f
(
x
+
t
h
)
d
t
.
{\displaystyle R_{n}(x,h)=(n+1)\sum _{|\alpha |=n+1}{\frac {h^{\alpha }}{\alpha !}}\int _{0}^{1}(1-t)^{n}\partial ^{\alpha }f(x+th)\,dt.}
일반적인 선형 부분 미분 연산자
n 변수에서 형식적 선형 N -번째 차수 부분 미분 연산자는 다음으로 쓰입니다:
P
(
∂
)
=
∑
|
α
|
≤
N
a
α
(
x
)
∂
α
.
{\displaystyle P(\partial )=\sum _{|\alpha |\leq N}{a_{\alpha }(x)\partial ^{\alpha }}.}
부분에 의한 적분
경계진 도메인
Ω
⊂
R
n
{\displaystyle \Omega \subset \mathbb {R} ^{n}}
에서 컴팩트 지원(compact support) 을 갖는 매끄러운 함수에 대해, 우리는 다음을 가집니다:
∫
Ω
u
(
∂
α
v
)
d
x
=
(
−
1
)
|
α
|
∫
Ω
(
∂
α
u
)
v
d
x
.
{\displaystyle \int _{\Omega }u(\partial ^{\alpha }v)\,dx=(-1)^{|\alpha |}\int _{\Omega }{(\partial ^{\alpha }u)v\,dx}.}
이 공식은 분포(distribution) 와 약한 도함수(weak derivative) 의 정의에 사용됩니다.
An example theorem
만약
α
,
β
∈
N
0
n
{\displaystyle \alpha ,\beta \in \mathbb {N} _{0}^{n}}
가 다중-인덱스이고
x
=
(
x
1
,
…
,
x
n
)
{\displaystyle x=(x_{1},\ldots ,x_{n})}
이면, 다음입니다:
∂
α
x
β
=
{
β
!
(
β
−
α
)
!
x
β
−
α
if
α
≤
β
,
0
otherwise.
{\displaystyle \partial ^{\alpha }x^{\beta }={\begin{cases}{\frac {\beta !}{(\beta -\alpha )!}}x^{\beta -\alpha }&{\text{if}}~\alpha \leq \beta ,\\0&{\text{otherwise.}}\end{cases}}}
Proof
증명은 보통의 도함수(ordinary derivative) 에 대해 거듭제곱 규칙(power rule) 에서 따릅니다: 만약
α
{\displaystyle \alpha }
와
β
{\displaystyle \beta }
가 {0, 1, 2, …} 안에 있으면, 다음입니다:
d
α
d
x
α
x
β
=
{
β
!
(
β
−
α
)
!
x
β
−
α
if
α
≤
β
,
0
otherwise.
{\displaystyle {\frac {d^{\alpha }}{dx^{\alpha }}}x^{\beta }={\begin{cases}{\frac {\beta !}{(\beta -\alpha )!}}x^{\beta -\alpha }&{\hbox{if}}\,\,\alpha \leq \beta ,\\0&{\hbox{otherwise.}}\end{cases}}}
(1 )
α
=
(
α
1
,
…
,
α
n
)
{\displaystyle \alpha =(\alpha _{1},\ldots ,\alpha _{n})}
,
β
=
(
β
1
,
…
,
β
n
)
{\displaystyle \beta =(\beta _{1},\ldots ,\beta _{n})}
, 및
x
=
(
x
1
,
…
,
x
n
)
{\displaystyle x=(x_{1},\ldots ,x_{n})}
를 가정합니다. 그런-다음 우리는 다음임을 가집니다:
∂
α
x
β
=
∂
|
α
|
∂
x
1
α
1
⋯
∂
x
n
α
n
x
1
β
1
⋯
x
n
β
n
=
∂
α
1
∂
x
1
α
1
x
1
β
1
⋯
∂
α
n
∂
x
n
α
n
x
n
β
n
.
{\displaystyle {\begin{aligned}\partial ^{\alpha }x^{\beta }&={\frac {\partial ^{\vert \alpha \vert }}{\partial x_{1}^{\alpha _{1}}\cdots \partial x_{n}^{\alpha _{n}}}}x_{1}^{\beta _{1}}\cdots x_{n}^{\beta _{n}}\\&={\frac {\partial ^{\alpha _{1}}}{\partial x_{1}^{\alpha _{1}}}}x_{1}^{\beta _{1}}\cdots {\frac {\partial ^{\alpha _{n}}}{\partial x_{n}^{\alpha _{n}}}}x_{n}^{\beta _{n}}.\end{aligned}}}
{1, …, n }에서 각 i 에 대해, 함수
x
i
β
i
{\displaystyle x_{i}^{\beta _{i}}}
는 오직
x
i
{\displaystyle x_{i}}
에 의존합니다. 위에서, 각 부분 미분화
∂
/
∂
x
i
{\displaystyle \partial /\partial x_{i}}
가 따라서 대응하는 보통의 미분화
d
/
d
x
i
{\displaystyle d/dx_{i}}
로 줄어듭니다. 따라서, 방정식 (1 )에서,
∂
α
x
β
{\displaystyle \partial ^{\alpha }x^{\beta }}
가 {1, …, n }에서 적어도 하나의 i 에 대해 αi > βi 이면 사라짐을 따릅니다. 만약 이것이 그 경우이면, 즉, 다중-인덱스로 α ≤ β 이면, 각
i
{\displaystyle i}
에 대해 다음이고 그 정리가 따릅니다:
d
α
i
d
x
i
α
i
x
i
β
i
=
β
i
!
(
β
i
−
α
i
)
!
x
i
β
i
−
α
i
{\displaystyle {\frac {d^{\alpha _{i}}}{dx_{i}^{\alpha _{i}}}}x_{i}^{\beta _{i}}={\frac {\beta _{i}!}{(\beta _{i}-\alpha _{i})!}}x_{i}^{\beta _{i}-\alpha _{i}}}
Q.E.D.
See also
References
^ Reed, M.; Simon, B. (1980). Methods of Modern Mathematical Physics: Functional Analysis I (Revised and enlarged ed.). San Diego: Academic Press. p. 319. ISBN 0-12-585050-6 .
Saint Raymond, Xavier (1991). Elementary Introduction to the Theory of Pseudodifferential Operators . Chap 1.1 . CRC Press. ISBN 0-8493-7158-9
This article incorporates material from multi-index derivative of a power on PlanetMath , which is licensed under the Creative Commons Attribution/Share-Alike License .