پروفسور محمود لشکری زاده بمی

 

درگذشت پروفسور محمود لشکری‌زاده بمی از مشاهیر بم و اساتید ریاضیات جهان

خالق "تئوری بمی" و نویسنده ۴۰ مقاله آی.اس.آی چاپ شده در مجله‌های علمی معتبر آمریکا، چین، انگلستان، ژاپن، کانادا و آلمان

۲۹ مهر ۱۴۰۰

درگذشت محمود لشکری‌زاده بمی خالق تئوری سایت باغشهر

پروفسور محمود لشکری‌زاده بمی خالق “تئوری بمی” و اساتید ریاضیات جهان، درگذشت.

به گزارش باغشهر، دکتر محمود لشکری‌زاده بمی که از نوابغ ریاضیات جهان و خالق تئوری بمی به شمار می‌رفت، شب گذشته (۲۸ مهر ۱۴۰۰) در بیمارستان مهرگان کرمان درگذشت. وی مدتی به علت سکته مغزی، تحت مراقبت بود.


مرکز فرهنگی رسانه‌ای باغشهر، درگذشت پروفسور لشکری‌زاده را به خانواده ایشان، شاگردان و دوست‌داران وی و مردم فرهیخته‌پرور بم تسلیت می‌گوید.


محمود ‌لشکری‌زاده ‌بمی سال ۱۳۲۷ در محله باغدشت شهر بم به دنیا آمد. وی تحصیلات خود را از دبستان افخم بم شروع کرده و پایه‌دوازدهم را در دبیرستان خوارزم ادامه می‌دهد و به‌ این ترتیب دیپلم خود را سال ۱۳۴۷ اخذ می‌کند.


پروفسور محمود لشکری‌زاده بمی سال ۱۳۶۱ در آزمون استخدامی یکی از دانشگاه های کانادا پذیرفته می‌شود اما وی به ایران بازگشت و با همکاری چند ریاضی‌دان دیگر، مقطع کارشناسی ارشد ریاضی را در دانشگاه اصفهان راه‌اندازی می‌کنند. آن‌ها همچنین در سال ۷۰ دوره دکتری را در این دانشگاه دایر نمودند‌.


۴۶ مقاله‌ی علمی معتبر از محمود لشکری‌زاده بمی منتشر شده که از این تعداد حدود ۴۰ مقاله آی.اس.آی هستند و در مجله های علمی کشورهای آمریکا، چین، انگلستان، ژاپن، کانادا و آلمان چاپ شده‌اند. همچنین از وی یک تئوری در ریاضیات جهان به ماندگار مانده است که به نام تئوری بمی، شناخته می‌شود.

lkمنبع

https://citygarden.ir/%D8%B2%D9%86%D8%AF%DA%AF%DB%8C%E2%80%8C%D9%86%D8%A7%D9%85%D9%87-%D9%BE%D8%B1%D9%88%D9%81%D8%B3%D9%88%D8%B1-%D9%85%D8%AD%D9%85%D9%88%D8%AF-%D9%84%D8%B4%DA%A9%D8%B1%DB%8C%E2%80%8C%D8%B2%D8%A7%D8%AF/

مثال از تابع باز

X={1,2,3,4}  با T1={{},X,{1), {2},{1,2}} و T2={{},X,{1), {1,2}}   در نظر بگیرید :(X,T1), (x,T2) دو فضای توپولوژیک باشند

تابع  را از (X,T1)به (x,T2)  تعریف می کنیم :

f={(1,1),(2,1),(3,1),(4,1)}

f({1})={1}  , f({2})={1} , f({1,2})={1} ,f(X)={1}

  که چون  {1} در T2  بازاست  پس f  تابع بازاست

مثال از تابعی که باز نیست

X={1,2,3,4}  با T1={{},X,{1), {2},{1,2}} و T2={{},X,{1), {1,2}}   در نظر بگیرید :(X,T1), (X,T2) دو فضای توپولوژیک باشند

تابع  را از (X,T1)به (x,T2)  تعریف می کنیم :f={(1,2),(2,1),(3,4),(4,3)}

f({1})={2}   که چون  {2} در T2  باز نیست پس f  تابع باز نیست

 

 

مثال از فضای توپولوژی که مجموعه های باز بسته اند و بالعکس

X={1,2,3,4}  با T={{},X, {1},{2},{3},{4},{1,2},{1,3},{1,4},{2,3},{2,4},{3,4}, {1,2,3},{1,2,4},(2,3,4}{1,3,4}}

تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

 تشکیل یک فضای تو پولوژی گسسته می دهد  

در این فضا مجموعه های باز بسته نیز هستند و بالعکس

مثال از فضای تو توپولوژ ی هاسدورف هست

X={1,2,3,4}  با 

T={{},X, {1},{2},{3},{4},{1,2},{1,3},{1,4},{2,3},{2,4},{3,4}, {1,2,3},{1,2,4},(2,3,4}{1,3,4}}

تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

 تشکیل یک فضای تو پولوژی گسسته می دهد 

این فضا هاسدورف است زیرا هر دونقطه همسایگی وجود دارد که مجزا هستند  {i}, {j}   در این فضا بازند و مجزا هستند

 

 

مثال از فضای تو توپولوژی هاسدورف نیست

 

X= {1,2,3,4,.....}=N  با T={{},X,{1},{1,2},{1,2,3},{1,2,3,4},.....} شکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

این توپولوژی هاسدورف نیست زیرا

مثال نقض :  برای 1و2 همسایگی مجزا ندارد

مثال از فضای تو توپولوژ ی هاسدورف نیست

X={1,2,3,4}  با T={{},X} تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

این توپولوژی هاسدورف نیست زیرا

مثال نقض :  برای 1و2 همسایگی مجزا ندارد

مثال از فضای تو توپولوژی

X= {1,2,3,4,.....}=N  با T={{},X,{1},{1,2},{1,2,3},{1,2,3,4},.....} شکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

مثال فضای تو پولوژی گسسته

X={1,2,3,4}  با 

T={{},X, {1},{2},{3},{4},{1,2},{1,3},{1,4},{2,3},{2,4},{3,4}, {1,2,3},{1,2,4},(2,3,4}{1,3,4}}

تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

 تشکیل یک فضای تو پولوژی گسسته می دهد

مثال از فضای تو توپولوژی  پیوسته

X={1,2,3,4}  با T={{},X} تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

این تشکیل یک فضای تو پولوژی  پیوسته می دهد

مثال 2: از فضای تو توپولوژی

X={1,2,3,4}  با T={{},X,{1), {2},{1,2}} تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

مثال 1: از فضای  تو توپولوژی

X={1,2,3,4}  با T={{},X,{1), {1,2}} تشکیل یک فضای تو پولوژی می دهد زیرا T  نسبت به اجتماع و اشتراک بسته است. در این  فضا اعضای T  را مجموعه باز و مکمل آنها را نسبت به X مجموعه بسته گویند

ژاکوبین

The Jacobian  of a function f : n → m is the matrix of its first partial derivatives.

[2.7]

ژاکوبین

Functions - Gradient, Jacobian and Hessian

جابجاگر

 

از ویکیپدیا، دانشنامه آزاد

 

این مقاله درباره مفهوم ریاضی است. برای قطعات الکتریکی ، به جابجاگر (برقی) مراجعه کنید . برای ارتباط بین موجودیت های مزدوج متعارف ، به رابطه جابجایی کانونی مراجعه کنید . برای سایر کاربردها ، به جابجایی مراجعه کنید .

در ریاضیات ، جابجاگر نشان می دهد که تا چه حد یک عمل باینری خاص قابل تغییر نیست . تعاریف متفاوتی در نظریه گروه ها و نظریه حلقه ها وجود دارد .

 

فهرست

نظریه گروه [ ویرایش ]

جابجاگر از دو عنصر، گرم و ساعت ، یک گروه G ، عنصر است

g ، h ] = −1 h − gh .

این عنصر اگر و فقط در صورت رفت و آمد g و h برابر با همانی گروه باشد (از تعریف gh = hg [ g ، h ] ، [ g ، h ] برابر است با همانی اگر و تنها اگر gh = hg باشد ).

مجموعه ای از تمام سوئیچ ها از یک گروه است به طور کلی نمی تحت عمل گروه بسته است، اما زیر گروه از تولید شده توسط همه سوئیچ ها بسته است و به نام گروه مشتق شده یا زیر گروه جابجاگر از G . از جابجاگرها برای تعریف گروههای غیرممکن و قابل حل و بزرگترین گروه سهم ابلیان استفاده می شود .

تعریف جابجاگر بالا در طول این مقاله استفاده شده است ، اما بسیاری از نظریه پردازان گروه دیگر جابجاگر را این گونه تعریف می کنند

g ، h ] = ghg −1 ساعت −1 . [1] [2]

همانی (نظریه گروه) [ ویرایش ]

همانی جابجاگر یک ابزار مهم در نظریه گروه است . [3] بیان X نشان دهنده مزدوج از توسط X ، تعریف شده به عنوان -1 تبر .

  1. {\ displaystyle x^{y} = x [x، y].}
  2. {\ displaystyle [y، x] = [x، y]^{-1}.}
  3. {\ displaystyle [x، zy] = [x، y] \ cdot [x، z]^{y}} و {\ displaystyle [xz، y] = [x، y]^{z} \ cdot [z، y].}
  4. {\ displaystyle \ left [x، y^{-1} \ right] = [y، x]^{y^{-1}}} و {\ displaystyle \ left [x^{-1} ، y \ right] = [y، x]^{x^{-1}}.}
  5.  {\ displaystyle \ left [\ left [x، y^{-1} \ right]، z \ right]^{y} \ cdot \ left [\ left [y، z^{-1} \ right]، x \ right]^{z} \ cdot \ left [\ left [z، x^{-1} \ right] ، y \ right]^{x} = 1} و {\ displaystyle \ left [\ left [x، y \ right]، z^{x} \ right] \ cdot \ left [[z، x]، y^{z} \ right] \ cdot \ left [[y ، z] ، x^{y} \ right] = 1.}

همانی (5) همچنین پس از فیلیپ هال و ارنست ویت به همانی هال -ویت معروف است . این یک آنالوگ گروهی نظری از همانی ژاکوبی برای جابجاگر نظری حلقه است (بخش بعدی را ببینید).

NB ، تعریف فوق از مزدوج a توسط x توسط برخی از نظریه پردازان گروه استفاده می شود. [4] بسیاری دیگر از نظریه پردازان گروه مزدوج a را با x به عنوان xax -1 تعریف می کنند . [5] این اغلب نوشته می شود{}^{x} aبه همانی های مشابهی برای این کنوانسیون ها وجود دارد.

بسیاری از همانی ها استفاده می شوند که زیرمجموعه های زیر هستند. اینها به ویژه در مطالعه گروههای قابل حل و گروههای غیرممکن مفید خواهند بود . به عنوان مثال ، در هر گروهی ، نیروهای دوم به خوبی رفتار می کنند:

{\ displaystyle (xy)^{2} = x^{2} y^{2} [y، x] [[y، x]، y].}

اگر زیرگروه مشتق شده مرکزی است ، پس

{\ displaystyle (xy)^{n} = x^{n} y^{n} [y، x]^{\ binom {n} {2}}.}

نظریه حلقه [ ویرایش ]

جابجاگر از دو عنصر و ب از یک حلقه (از جمله هر جبر انجمنی ) تعریف شده توسط

{\ displaystyle [a، b] = ab-ba.}

آن صفر است اگر و تنها اگر و ب رفت و آمد. در جبر خطی ، اگر دو اندومورفیسم یک فضا با ماتریس های رفت و آمد بر حسب یک مبنا نمایش داده شوند ، در این صورت بر حسب هر مبنایی چنین نمایان می شوند. با استفاده از جابجاگر به عنوان براکت لی ، هر جبر انجمنی را می توان به جبر لی تبدیل کرد .

antiجابجاگر از دو عنصر و ب از یک حلقه یا یک جبر انجمنی تعریف شده توسط

{\ displaystyle \ {a، b \} = ab+ba.}

گاهی {\ displaystyle [a، b] _ {+}} برای نشان دادن ضد متغییر استفاده می شود ، در حالی که {\ displaystyle [a، b] _ {-}}سپس برای جابجاگر استفاده می شود. [6] ضدمحرک کمتر مورد استفاده قرار می گیرد ، اما می توان از آن برای تعریف جبر کلیفورد و جبر اردن ، و در استخراج معادله دیراک در فیزیک ذرات استفاده کرد.

جابجاگر دو عملگر که روی یک فضای هیلبرت عمل می کنند ، یک مفهوم محوری در مکانیک کوانتوم است ، زیرا میزان کمی که می توان دو مشاهده پذیر توصیف شده توسط این عملگرها را به طور همزمان اندازه گیری کرد ، تعیین می کند. اصل عدم قطعیت است که در نهایت یک قضیه در مورد چنین سوئیچ ها، به موجب رابطه رابرتسون-شرودینگر . [7] در فضای فاز ، مبادله کننده های معادل محصولات ستاره ای براکت مویال نامیده می شوند و کاملاً با ساختارهای جابجاگر فضایی هیلبرت که ذکر شد کاملاً ایزومورفیک هستند.

همانی (نظریه حلقه) [ ویرایش ]

جابجاگر دارای ویژگی های زیر است:

همانی لی-جبر [ ویرایش ]

  1. {\ displaystyle [A+B، C] = [A، C]+[B، C]}
  2. {\ displaystyle [A، A] = 0}
  3. {\ displaystyle [A، B] =-[B، A]}
  4. {\ displaystyle [A، [B، C]]+[B، [C، A]]+[C، [A، B]] = 0}

رابطه (3) را ضد متقابل می نامند ، در حالی که (4) همانی ژاکوبی است .

همانی های اضافی [ ویرایش ]

  1. {\ displaystyle [A، BC] = [A، B] C+B [A، C]}
  2. {\ displaystyle [A، BCD] = [A، B] CD+B [A، C] D+BC [A، D]}
  3. {\ displaystyle [A، BCDE] = [A، B] CDE+B [A، C] DE+BC [A، D] E+BCD [A، E]}
  4. {\ displaystyle [AB، C] = A [B، C]+[A، C] B}
  5. {\ displaystyle [ABC، D] = AB [C، D]+A [B، D] C+[A، D] BC}
  6. {\ displaystyle [ABCD، E] = ABC [D، E]+AB [C، E] D+A [B، E] CD+[A، E] BCD}
  7. {\ displaystyle [A، B+C] = [A، B]+[A، C]}
  8. {\ displaystyle [A+B، C+D] = [A، C]+[A، D]+[B، C]+[B، D]}
  9. {\ displaystyle [AB، CD] = A [B، C] D+[A، C] BD+CA [B، D]+C [A، D] B}
  10. {\ displaystyle [[A، C]، [B، D]] = [[[A، B]، C]، D]+[[[B، C]، D]، A]+[[[C، D] ، A] ، B]+[[[D، A] ، B] ، C]}

اگر A عنصر ثابت یک حلقه R باشد ، همانی (1) را می توان به عنوان یک قانون لایب نیتس برای نقشه تفسیر کرد.{\ displaystyle \ operatorname {ad} _ {A}: R \ rightarrow R} داده شده توسط {\ displaystyle \ operatorname {ad} _ {A} (B) = [A، B]}به به عبارت دیگر ، آگهی نقشه A مشتق از حلقه R را تعریف می کند . همانی های (2) ، (3) بیانگر قوانین لایبنیتس برای بیش از دو عامل است و برای هرگونه اشتقاق معتبر است. همانی (4) - (6) همچنین می تواند به عنوان قوانین لایب نیتس تفسیر شود. همانی ها (7) ، (8) Z - دو خطی را بیان می کنند .

برخی از همانیهای فوق را می توان با استفاده از علامت زیرنویس بالا به ضد متغییر نیز گسترش داد. [8] به عنوان مثال:

  1. {\ displaystyle [AB، C] _ {\ pm} = A [B، C] _ {-}+[A، C] _ {\ pm} B}
  2. {\ displaystyle [AB، CD] _ {\ pm} = A [B، C] _ {-} D+AC [B، D] _ {-}+[A، C] _ {-} DB+C [ A ، D] _ {\ pm} B}
  3. {\ displaystyle \ left [A، [B، C] _ {\ pm} \ right]+\ left [B، [C، A] _ {\ pm} \ right]+\ left [C، [A، B ] _ {\ pm} \ right] = 0}
  4. {\ displaystyle [A، BC] _ {\ pm} = [A، B] _ {-} C+B [A، C] _ {\ pm}}
  5. {\ displaystyle [A، BC] = [A، B] _ {\ pm} C \ mp B [A، C] _ {\ pm}}

همانی نمایی [ ویرایش ]

یک حلقه یا جبر را در نظر بگیرید که نمایی در آن است {\ displaystyle e^{A} = \ exp (A) = 1+A+{\ tfrac {1} {2!}} A^{2}+\ cdots}می تواند به طور معنی داری تعریف شود ، مانند جبر باناخ یا حلقه ای از مجموعه های قدرت رسمی .

در چنین حلقه ای ، لمای هادامارد روی جابجاگرهای تو در تو اعمال می شود:{\ textstyle e^{A} Be^{-A} \ = \ B+[A، B]+{\ frac {1} {2!}} [A، [A، B]]+{\ frac {1 } {3!}} [A، [A، [A، B]]]+\ cdots \ = \ e^{\ operatornname {ad} _ {A}} (B).}(برای آخرین عبارت، و اشتقاق الحاقی زیر کلیک کنید.) این فرمول زیربنای گسترش بیکر-کمپبل-هاسدورف از ورود به سیستم (انتظار ( ) EXP ( B )).

یک گسترش مشابه ، جابجاگر گروهی عبارات را بیان می کند e^{A} (مشابه عناصر یک گروه لی) از نظر مجموعه ای از جابجاگرهای تو در تو (براکت های لی) ،

{\ displaystyle {\ شروع {تراز} و e^{A} e^{B} e^{-A} e^{-B} \\ = {} & \ exp \! \ left ([A، B]+ {\ frac {1} {2!}} [A {+} B، [A، B]]+{\ frac {1} {3!}} \ left ({\ frac {1} {2}} [ A ، [B ، [B ، A]]]+[A {+} B ، [A {+} B ، [A، B]]] \ راست)+\ cdots \ right). \ پایان {تراز}} }

حلقه ها و جبرهای درجه بندی شده [ ویرایش ]

هنگام برخورد با جبرهای درجه بندی شده ، معمولاً جابجاگر با جابجاگر درجه بندی شده جایگزین می شود ، که در اجزای همگن به صورت زیر تعریف شده است:

{\ displaystyle [\ omega، \ eta] _ {gr}: = \ omega \ eta -( -1)^{\ deg \ omega \ deg \ eta} \ eta \ omega.}

مشتق اضافی [ ویرایش ]

به خصوص اگر یکی با چند جابجاگر در یک حلقه R سروکار داشته باشد ، نماد دیگری مفید خواهد بود. برای یک عنصرx \ در R، تعریف کنیم الحاقی نقشه برداری{\ displaystyle \ mathrm {ad} _ {x}: R \ to R} توسط:

{{\ displaystyle \ operatorname {ad} _ {x} (y) = [x، y] = xy-yx.}

این نگاشت مشتق شده از حلقه R است :

{\ displaystyle \ mathrm {ad} _ {x} \! (yz) \ = \ \ mathrm {ad} _ {x} \! (y) \، z \،+\، y \، \ mathrm {ad} _ {x} \! (z).}

با همانی ژاکوبی ، این نیز مشتق از عملیات تغییر است:

{\ displaystyle \ mathrm {ad} _ {x} [y، z] \ = \ [\ mathrm {ad} _ {x} \! (y)، z] \،+\، [y، \ mathrm {ad } _ {x} \! (z)].}

به عنوان مثال با ساختن چنین نگاشت هایی به دست می آوریم {\ displaystyle \ operatorname {ad} _ {x} \ operatorname {ad} _ {y} (z) = [x، [y، z] \،]} و

{\ displaystyle \ operatorname {ad} _ {x}^{2} \! (z) \ = \ \ operatorname {ad} _ {x} \! (\ operatorname {ad} _ {x} \! (z) ) \ = \ [x، [x، z] \،].}}

ممکن است در نظر بگیریم \ mathrm {ad} خود به عنوان نقشه برداری ، {\ displaystyle \ mathrm {ad}: R \ to \ mathrm {End} (R)}، جایی که {\ displaystyle \ mathrm {End} (R)}حلقه نگاشت ها از R به خود است و ترکیب آن به عنوان عملیات ضرب است. سپس\ mathrm {ad} یک همومورفیسم جبر لی است که از جابجاگر محافظت می کند:

 

{\ displaystyle \ operatorname {ad} _ {[x، y]} = \ left [\ operatorname {ad} _ {x}، \ operatorname {ad} _ {y} \ right].}

در مقابل، آن است که نه همیشه همریخت حلقه: معمولا{\ displaystyle \ operatorname {ad} _ {xy} \، \ neq \، \ operatorname {ad} _ {x} \ operatorname {ad} _ {y}}به

قانون کلی لایب نیتس [ ویرایش ]

قاعده کلی لایبنیتس ، گسترش مشتقات مکرر از یک محصول، می توان انتزاعی با استفاده از نمایندگی الحاقی نوشته شده:

{\ displaystyle x^{n} y = \ sum _ {k = 0}^{n} {\ binom {n} {k}} \ operatorname {ad} _ {x}^{k} \! (y) \ ، x^{nk}.}

جایگزینی x توسط عملگر تمایز\جزئي ، و y توسط عملگر ضرب{\ displaystyle m_ {f}: g \ mapsto fg}، ما گرفتیم {\ displaystyle \ operatorname {ad} (\ partial) (m_ {f}) = m _ {\ partial (f)}}، و با اعمال هر دو طرف در یک تابع g ، همانی به قاعده رایج لایب نیتس برای مشتق n -th تبدیل می شود.{\ displaystyle \ partial ^{n} \! (fg)}به

منبع

https://en.wikipedia.org/wiki/Commutator

فهرست موضوعات نظریه گروه

 

ساختار جبری → نظریه گروه
نظریه گروه
Cyclic group.svg
پنهان شدن

مفاهیم اولیه

همریختی های گروه
نشان دادن

گروههای متناهی

نشان دادن
نشان دادن

گروه های توپولوژیک و لی

نشان دادن

گروههای جبری

در ریاضیات و جبر ، نظریه گروه مطالعات ساختارهای جبری شناخته شده به عنوان گروه . مفهوم گروه در جبر انتزاعی نقش اساسی دارد: سایر ساختارهای جبری معروف ، مانند حلقه ها ، زمینه ها و فضاهای بردار ، همه می توانند به عنوان گروه هایی با عملیات و بدیهیات اضافی دیده شوند . گروه ها در سراسر ریاضیات تکرار می شوند ، و روش های نظریه گروه بر بسیاری از قسمت های جبر تأثیر گذاشته است. گروه های جبری خطی و گروه های لی دو شاخه از نظریه گروه هستند که پیشرفت هایی را تجربه کرده اند و به خودی خود به حوزه موضوعی تبدیل شده اند.

سیستمهای فیزیکی مختلف مانند کریستالها و اتم هیدروژن ممکن است توسط گروههای متقارن مدل شوند . بنابراین نظریه گروه و نظریه بازنمایی نزدیک به هم کاربردهای مهم زیادی در فیزیک ، شیمی و علم مواد دارند . نظریه گروه نیز در رمزنگاری کلید عمومی مرکزی است .

 

فهرست

ساختارها و عملیات [ ویرایش ]

ویژگیهای اساسی گروهها [ ویرایش ]

همریختی های گروه [ ویرایش ]

انواع اصلی گروه ها [ ویرایش ]

گروههای ساده و طبقه بندی آنها [ ویرایش ]

گروههای جایگشتی و متقارن [ ویرایش ]

مفاهیم گروه ها با سایر ریاضیات [ ویرایش ]

اشیاء ریاضی که از عملیات گروه استفاده می کنند [ ویرایش ]

زمینه ها و موضوعات ریاضی که از نظریه گروه استفاده مهمی می کنند [ ویرایش ]

ساختارهای جبری مربوط به گروه ها [ ویرایش ]

نمایش های گروه [ ویرایش ]

همچنین نگاه کنید به: فهرست موضوعات نظریه نمایش و فهرست موضوعات تجزیه و تحلیل هارمونیک

نظریه گروه محاسباتی [ ویرایش ]

مقاله اصلی: نظریه گروه محاسباتی

برنامه های کاربردی [ ویرایش ]

مسائل مشهور [ ویرایش ]

موضوعات دیگر [ ویرایش ]

نظریه پردازان گروه [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/List_of_group_theory_topics

والودی وایبول

از ویکیپدیا، دانشنامه آزاد

ارنست هجالمر والودی وایبول

بدنیا آمدن18 ژوئن 1887 [1]

ویتسکوول ، سوئد

فوت کرد12 اکتبر 1979 (92 ساله) [2]

آنسی ، فرانسه

ملیتسوئدی
آلما مادرم Instituteسسه فناوری سلطنتی (1924) ، [1] دانشگاه اوپسالا (1932) [1]
شناخته شده برایتوزیع وایبول
مکانیک شکست [1]
جوایزمدال طلا انجمن مهندسان مکانیک آمریکا (1972) مدال طلای
آکادمی سلطنتی علوم مهندسی سوئد (1978).
حرفه علمی
زمینه هایمهندسی ، ریاضیات
موسساتموسسه فناوری سلطنتی

ارنست هجالمر والودی وایبول (18 ژوئن 1887 - 12 اکتبر 1979) مهندس ، دانشمند و ریاضیدان سوئدی بود.

ویبول از خانواده ای بود که روابط قوی با اسکانیا داشتند . او پسر عموی برادران مورخ لوریز ، کارل گوستاف و کرت وایبول بود .

وی در سال 1905 به عنوان ناو میانی به گارد ساحلی سوئد پیوست. ویبول در سال 1907 با ارتقاء درجه به درجه ، کاپیتان در سال 1916 و سرگرد در سال 1940 به رتبه های بالاتر رسید. در حالی که در گارد ساحلی بود دوره هایی را در موسسه فناوری سلطنتی گذراند . در سال 1924 فارغ التحصیل شد و استاد کامل شد. [1] وایبول دکترای خود را از دانشگاه اوپسالا در سال 1932 اخذ کرد . [1] او در صنعت سوئد و آلمان به عنوان مهندس مشاور مشغول به کار بود.

در سال 1914 ، در حالی که در کشتی های تحقیقاتی الباتروس در دریای مدیترانه ، کارائیب و اقیانوس آرام بود ، ویبول اولین مقاله خود را در مورد انتشار امواج انفجاری نوشت. وی تکنیک استفاده از بارهای انفجاری را برای تعیین نوع رسوبات کف اقیانوس و ضخامت آنها توسعه داد. [3] امروزه نیز از همین تکنیک در اکتشافات نفتی دریایی استفاده می شود .

در سال 1939 مقاله خود را در زمینه توزیع وایبول در نظریه و آمار احتمالات منتشر کرد . [1] در سال 1941 ، او استاد تحقیق شخصی در فیزیک مهندسی در انستیتوی سلطنتی فناوری در استکهلم از تولید کننده اسلحه بوفورس دریافت کرد . [1]

وایبول مقالات زیادی در مورد مقاومت مواد ، خستگی ، پارگی در جامدات ، یاتاقان ها و البته توزیع وایبول ، و همچنین یک کتاب در مورد تحلیل خستگی در سال 1961 منتشر کرد. [2] [4] 27 از این مقاله ها به نیروی هوایی ایالات متحده در میدان ویلبر رایت در تجزیه و تحلیل وایبول.

در سال 1951 ، مقاله خود را در زمینه توزیع وایبول با استفاده از هفت مطالعه موردی به انجمن مهندسان مکانیک آمریکا (ASME) ارائه کرد.

انجمن مهندسان مکانیک آمریکا در سال 1972 مدال طلای خود را به ویبول اعطا کرد. مدال طلای بزرگ آکادمی سلطنتی علوم مهندسی سوئد شخصاً توسط پادشاه کارل شانزدهم گوستاف سوئد در سال 1978 به وی اهدا شد. [1]

وایبل در 12 اکتبر سال 1979 در  انسی ، فرانسه درگذشت . [2]

مراجع 

https://en.wikipedia.org/wiki/Waloddi_Weibull

ادامه توزیع وایبل

تعریف [ ویرایش ]

پارامترسازی استاندارد [ ویرایش ]

تابع چگالی احتمال یک وایبل متغیر تصادفی است: [1]


f (x؛ \ lambda، k) = \ begin {case} \ frac {k} {\ lambda} \ left (\ frac {x} {\ lambda} \ right)^{k-1} e^{-( x/\ lambda)^{k}} & x \ geq0، \\ 0 & x <0، \ end {case}

جایی که k > 0 پارامتر شکل و λ> 0 پارامتر مقیاس توزیع است. تابع توزیع تجمعی مکمل آن یک تابع نمایی کشیده است . توزیع وایبل به تعدادی از توزیع های احتمالی دیگر مربوط می شود. به طور خاص، آن را اینترپولاتز بین توزیع نمایی ( K = 1) و توزیع ریلی ( K = 2 و\ lambda = \ sqrt {2} \ sigma [2] ).

اگر مقدار X یک "زمان تا شکست" باشد ، توزیع وایبل توزیعی را ارائه می دهد که میزان شکست آن متناسب با قدرت زمان است. شکل پارامتر، K ، که قدرت به علاوه یک است، و بنابراین این پارامتر را می توان به طور مستقیم تفسیر شرح زیر است: [3]

  • یک مقدار از {\ displaystyle k <1 \،}نشان می دهد که میزان خرابی در طول زمان کاهش می یابد (مانند اثر لیندی ، که البته با توزیع های پارتو [4] و نه توزیع های وایبول مطابقت دارد ). این امر در صورتی اتفاق می افتد که "مرگ و میر نوزادان" قابل توجهی وجود داشته باشد ، یا اقلام معیوب زود خراب شوند و میزان شکست با گذشت زمان کاهش یابد زیرا اقلام معیوب از جمعیت خارج می شوند. در زمینه انتشار نوآوریها ، این به معنای منفی دهان به دهان است: تابع خطر یک تابع کاهش یکنواخت نسبت نسبت به پذیرندگان است.
  • یک مقدار از {\ displaystyle k = 1 \،} نشان می دهد که میزان خرابی در طول زمان ثابت است. این ممکن است نشان دهد که رویدادهای خارجی تصادفی باعث مرگ و میر یا شکست می شوند. توزیع وایبل به توزیع نمایی کاهش می یابد.
  • یک مقدار از {\ displaystyle k> 1 \،}نشان می دهد که میزان شکست با گذشت زمان افزایش می یابد. این در صورتی اتفاق می افتد که یک فرآیند "پیری" وجود داشته باشد یا قسمتهایی که با گذشت زمان احتمال شکست آنها بیشتر است. در زمینه انتشار نوآوری ها ، این به معنای دهان به دهان مثبت است: تابع خطر یک عملکرد یکنواخت در حال افزایش نسبت پذیرندگان است. تابع ابتدا محدب است ، سپس مقعر با نقطه انعطاف در آن است{\ displaystyle (e^{1/k} -1)/e^{1/k}، \، k> 1 \،}به

در زمینه علم مواد ، پارامتر شکل K از یک توزیع از نقاط قوت به عنوان شناخته شده مدول وایبل . در زمینه انتشار نوآوری ها ، توزیع وایبول یک مدل تقلید/رد "خالص" است.

پارامترهای جایگزین [ ویرایش ]

برنامه های کاربردی در آمار پزشکی و اقتصادسنجی اغلب پارامترهای متفاوتی را اتخاذ می کنند. [5] [6] پارامتر شکل k همانند بالا است ، در حالی که پارامتر مقیاس است{\ displaystyle b = \ lambda ^{-k}}به در این مورد ، برای x ≥ 0 ، تابع چگالی احتمال برابر است

{\ displaystyle f (x؛ k، b) = bkx^{k-1} e^{-bx^{k}} ،}

تابع توزیع تجمعی است

{\ displaystyle F (x؛ k، b) = 1-e^{-bx^{k}} ،}

تابع خطر است

{\ displaystyle h (x؛ k، b) = bkx^{k-1}،}

و میانگین این است

{\ displaystyle b^{-1/k} \ گاما (1+1/k).}

پارامترسازی سوم را نیز می توان یافت. [7] [8] پارامتر شکل k مانند مورد استاندارد است ، در حالی که پارامتر مقیاس λ با پارامتر نرخ β = 1/ λ جایگزین می شود . سپس ، برای x ≥ 0 ، تابع چگالی احتمال برابر است

{\ displaystyle f (x؛ k، \ beta) = \ beta k ({\ beta x})^{k-1} e^{-(\ beta x)^{k}}}

تابع توزیع تجمعی است

{\ displaystyle F (x؛ k، \ beta) = 1-e^{-(\ beta x)^{k}}،}

و تابع خطر است

{\ displaystyle h (x؛ k، \ beta) = \ beta k ({\ beta x})^{k-1}.}

در هر سه پارامترسازی ، خطر برای k <1 کاهش می یابد ، برای k> 1 افزایش می یابد و برای k = 1 ثابت می شود ، در این حالت توزیع وایبل به توزیع نمایی کاهش می یابد.

خواص [ ویرایش ]

عملکرد تراکم [ ویرایش ]

شکل تابع چگالی توزیع وایبل با مقدار k به شدت تغییر می کند . برای 0 < k <1 ، تابع چگالی تمایل به دارد زیرا x از بالا به صفر نزدیک می شود و به شدت در حال کاهش است. برای k = 1 ، تابع چگالی به 1/ λ متمایل می شود زیرا x از بالا به صفر نزدیک می شود و به شدت در حال کاهش است. برای k > 1 ، تابع چگالی به صفر می رسد زیرا x از بالا به صفر نزدیک می شود ، تا حالت آن افزایش می یابد و پس از آن کاهش می یابد. تابع چگالی دارای بی نهایت شیب منفی در x = 0 است اگر 0 < k <1 ، شیب مثبت نامحدود در x = 0 اگر 1 <k <2 و شیب صفر در x = 0 اگر k > 2. برای k = 1 چگالی دارای یک شیب منفی محدود در x = 0. برای k = 2 چگالی دارای یک شیب مثبت محدود در x = 0. همانطور که k می رود تا بی نهایت ، توزیع وایبل به توزیع دلتا Dirac متمرکز در x = λ همگرا می شود . علاوه بر این ، کج بودن و ضریب تغییرات فقط به پارامتر شکل بستگی دارد. تعمیم توزیع وایبل توزیع هایپربلاستیک نوع III است .

تابع توزیع تجمعی [ ویرایش ]

تابع توزیع تجمعی برای توزیع وایبل است

{\ displaystyle F (x؛ k، \ lambda) = 1-e^{-(x/\ lambda)^{k}} \،}

برای x ≥ 0 و F ( x ؛ k ؛ λ) = 0 برای x <0.

اگر X = λ سپس F ( X ؛ ک ؛ λ) = 1 -  -1 ≈ 0.632 برای تمام مقادیر  K . برعکس: در F ( x ؛ k ؛ λ ) = 0.632 مقدار  x  ≈  λ .

تابع کمی (توزیع تجمعی معکوس) برای توزیع وایبل است

{\ displaystyle Q (p؛ k، \ lambda) = \ lambda (-\ ln (1-p))^{1/k}}

برای 0 ≤ p <1.

میزان خرابی h (یا عملکرد خطر) توسط نشان داده شده است

 h (x؛ k، \ lambda) = {k \ over \ lambda} \ left ({x \ over \ lambda} \ right)^{k-1}.

متوسط زمان بین خرابی MTBF است

{\ displaystyle {\ text {MTBF}} (k، \ lambda) = \ lambda \ Gamma (1+1/k).}

لحظات [ ویرایش ]

تابع مولد گشتاور از لگاریتم یک توزیع وایبل متغیر تصادفی است با [9]

{\ displaystyle \ operatorname {E} \ left [e ^{t \ log X} \ right] = \ lambda ^{t} \ gamma \ left ({\ frac {t} {k}}+1 \ right)}

که در آن Γ است تابع گاما . به طور مشابه ، عملکرد مشخصه log X توسط

{\ displaystyle \ operatorname {E} \ left [e ^{it \ log X} \ right] = \ lambda ^{it} \ gamma \ left ({\ frac {it} {k}}+1 \ right). }

به طور خاص، N هفتم لحظه خام از X است با

m_n = \ lambda^n \ گاما \ چپ (1+ \ frac {n} {k} \ راست).

متوسط و واریانس یک وایبل متغیر تصادفی می توان به عنوان

{\ displaystyle \ operatorname {E} (X) = \ lambda \ Gamma \ left (1+{\ frac {1} {k}} \ right) \،}

و

{\ displaystyle \ operatorname {var} (X) = \ lambda ^{2} \ left [\ Gamma \ left (1+{\ frac {2} {k}} \ right)-\ left (\ گاما \ چپ ( 1+{\ frac {1} {k}} \ right) \ right)^{2} \ right] \ ،.}

کجی توسط داده می شود

\ gamma_1 = \ frac {\ Gamma \ left (1+ \ frac {3} {k} \ right) \ lambda^3-3 \ mu \ sigma^2- \ mu^3} {\ sigma^3}

جایی که میانگین با μ و انحراف استاندارد با σ نشان داده می شود .

kurtosis اضافی توسط داده می شود

{\ displaystyle \ gamma _ {2} = {\ frac {-6 \ Gamma _ {1}^{4} +12 \ Gamma _ {1}^{2} \ Gamma _ {2} -3 \ Gamma _ { 2}^{2} -4 \ گاما _ {1} \ گاما _ {3}+\ گاما _ {4}} {[\ گاما _ {2}-\ گاما _ {1}^{2}]^{ 2}}}}

جایی که \ گاما_ی = \ گاما (1+i/k)به مازاد kurtosis نیز ممکن است به صورت زیر نوشته شود:

{\ displaystyle \ gamma _ {2} = {\ frac {\ lambda ^{4} \ Gamma (1+{\ frac {4} {k}})-4 \ gamma _ {1} \ sigma ^{3} \ mu -6 \ mu ^{2} \ sigma ^{2}-\ mu ^{4}} {\ sigma ^{4}}}-3}

عملکرد تولید لحظه [ ویرایش ]

عبارات مختلفی برای عملکرد فعلی خود X در دسترس است. به عنوان یک سریال قدرتمند ، از آنجایی که لحظات خام در حال حاضر شناخته شده است ، یکی از آنها شناخته شده است

{\ displaystyle \ operatorname {E} \ left [e^{tX} \ right] = \ sum _ {n = 0}^{\ infty} {\ frac {t^{n} \ lambda^{n}} { n!}} \ گاما \ چپ (1+{\ frac {n} {k}} \ راست).}

از طرف دیگر ، می توان مستقیماً با انتگرال برخورد کرد

{\ displaystyle \ operatorname {E} \ left [e^{tX} \ right] = \ int _ {0}^{\ infty} e^{tx} {\ frac {k} {\ lambda}} \ left ( {\ frac {x} {\ lambda}} \ right)^{k-1} e^{-(x/\ lambda)^{k}} \، dx.}

اگر پارامتر k یک عدد منطقی در نظر گرفته شود که به صورت k = p / q در جایی که p و q صحیح هستند بیان شود ، این انتگرال را می توان به صورت تحلیلی ارزیابی کرد. [10] با t که با - t جایگزین می شود ، یکی پیدا می شود

{\ displaystyle \ operatorname {E} \ left [e^{-tX} \ right] = {\ frac {1} {\ lambda^{k} \، t^{k}}} \، {\ frac {p ^{k} \، {\ sqrt {q/p}}} {({\ sqrt {2 \ pi}})^{q+p-2}}} \، G_ {p، q}^{\، q، p} \! \ left (\ left. {\ begin {matrix} {\ frac {1-k} {p}}، {\ frac {2-k} {p}}، \ dots، {\ frac {pk} {p}} \\ {\ frac {0} {q}}، {\ frac {1} {q}}، \ dots، {\ frac {q-1} {q}} \ end {matrix }} \؛ \ right | \، {\ frac {p^{p}} {\ left (q \، \ lambda^{k} \، t^{k} \ right)^{q}}} \ right )}

که در آن G است میژر در G-تابع .

تابع مشخصه نیز توسط دست آمده است Muraleedharan و همکاران (2007) . تابع مشخصه و لحظه ای تابع مولد از 3 پارامتر وایبل توزیع نیز توسط مشتق شده است Muraleedharan و سوارس (2014) به شیوه مستقیم.

آنتروپی شانون [ ویرایش ]

آنتروپی اطلاعات داده شده است

{\ displaystyle H (\ lambda، k) = \ gamma \ left (1-{\ frac {1} {k}} \ right)+\ ln \ left ({\ frac {\ lambda} {k}} \ right ) +1}

جایی که \ گاما است ثابت اویلر-ماسچرونی . توزیع وایبل است حداکثر توزیع آنتروپی برای یک متغیره غیر منفی واقعی تصادفی با ثابت مقدار مورد انتظار از K برابر λ K و یک مقدار مورد انتظار ثابت LN ( K ) به LN برابر ( λ K ) - \ گاما به

برآورد پارامترها [ ویرایش ]

حداکثر احتمال [ ویرایش ]

برآوردگر درستنمایی بیشینه برای\ لامبدا  پارامتر داده شده ک است

{\ displaystyle {\ widehat {\ lambda}} = ({\ frac {1} {n}} \ sum _ {i = 1}^{n} x_ {i}^{k})^{\ frac {1 } {k}}}

برآورد حداکثر احتمال برای کراه حل k معادله زیر است [11]

{\ displaystyle 0 = {\ frac {\ sum _ {i = 1}^{n} x_ {i}^{k} \ ln x_ {i}} {\ sum _ {i = 1}^{n} x_ {i}^{k}}}-{\ frac {1} {k}}-{\ frac {1} {n}} \ sum _ {i = 1}^{n} \ ln x_ {i}}

این معادله تعریف کننده است {\ displaystyle {\ widehat {k}}} فقط به طور ضمنی ، به طور کلی باید حل شود ک به روش های عددی

چه زمانی {\ displaystyle x_ {1}> x_ {2}> \ cdots> x_ {N}} هستند N بزرگترین نمونه مشاهده شده از مجموعه داده بیش از N نمونه ، سپس حداکثر برآورد احتمال برای \ لامبدا  پارامتر داده شده کاست [11]

{\ displaystyle {\ widehat {\ lambda}}^{k} = {\ frac {1} {N}} \ sum _ {i = 1}^{N} (x_ {i}^{k} -x_ { N}^{k})}

همچنین با توجه به آن شرط ، برآورد حداکثر احتمال برای کاست [ نیازمند منبع ]

{\ displaystyle 0 = {\ frac {\ sum _ {i = 1}^{N} (x_ {i}^{k} \ ln x_ {i} -x_ {N}^{k} \ ln x_ {N })} {\ sum _ {i = 1}^{N} (x_ {i}^{k} -x_ {N}^{k})}}-{\ frac {1} {N}} \ sum _ {i = 1}^{N} \ ln x_ {i}}

دوباره ، این یک عملکرد ضمنی است ، به طور کلی باید آن را حل کرد ک به روش های عددی

طرح ویبول [ ویرایش ]

تناسب توزیع وایبل با داده ها را می توان با استفاده از نمودار وایبل بصری ارزیابی کرد. [12] طرح وایبول نمودار عملکرد توزیع تجمعی تجمعی است {\ displaystyle {\ widehat {F}} (x)}داده های مربوط به محورهای خاص در یک نوع نمودار Q -Q . محورها هستند{\ displaystyle \ ln (-\ ln (1-{\ widehat {F}} (x)))} در مقابل \ ln (x)به دلیل این تغییر متغیرها این است که تابع توزیع تجمعی می تواند خطی شود:

{\ displaystyle {\ شروع {تراز} F (x) & = 1-e^{-(x/\ lambda)^{k}} \\ [4pt]-\ ln (1-F (x)) & = (x/\ lambda)^{k} \\ [4pt] \ underbrace {\ ln (-\ ln (1-F (x)))} _ {\ textrm {'y'}} & = \ underbrace {k \ ln x} _ {\ textrm {'mx'}}-\ underbrace {k \ ln \ lambda} _ {\ textrm {'c'}} \ پایان {تراز}}}

که در شکل استاندارد یک خط مستقیم دیده می شود. بنابراین ، اگر داده ها از توزیع وایبل به دست آمده باشند ، یک خط مستقیم در نمودار وایبل انتظار می رود.

روشهای مختلفی برای بدست آوردن تابع توزیع تجربی از داده ها وجود دارد: یک روش بدست آوردن مختصات عمودی برای هر نقطه با استفاده از{\ displaystyle {\ widehat {F}} = {\ frac {i-0.3} {n+0.4}}} جایی که من رتبه نقطه داده است و nتعداد نقاط داده است. [13]

از رگرسیون خطی نیز می توان برای ارزیابی عددی مناسب بودن و برآورد پارامترهای توزیع وایبل استفاده کرد. گرادیان شخص را مستقیماً در مورد پارامتر شکل اطلاع می دهدک و پارامتر مقیاس \ لامبدا  همچنین می توان استنباط کرد

واگرایی کالبک - لیبلر ویرایش ]

{\ displaystyle D _ {\ text {KL}} (\ mathrm {Weib} _ {1} \ parallel \ mathrm {Weib} _ {2}) = \ log {\ frac {k_ {1}} {\ lambda _ { 1}^{k_ {1}}}}-\ log {\ frac {k_ {2}} {\ lambda _ {2}^{k_ {2}}}}+(k_ {1} -k_ {2} ) \ left [\ log \ lambda _ {1}-{\ frac {\ gamma} {k_ {1}}} \ right]+\ left ({\ frac {\ lambda _ {1}} {\ lambda _ { 2}}} \ راست)^{k_ {2}} \ گاما \ چپ ({\ frac {k_ {2}} {k_ {1}}}+1 \ راست) -1}[14]

توزیع وایبل

توزیع وایبل

از ویکیپدیا، دانشنامه آزاد

 

 

وایبل (2 پارامتر)

تابع چگالی احتمال

تابع توزیع احتمال

تابع توزیع تجمعی

تابع توزیع تجمعی
مولفه های\ lambda \ in (0، +\ infty) \، مقیاس
k \ in (0، +\ infty) \، شکل
پشتیبانیx \ in [0، +\ infty] \،
PDF{\ displaystyle f (x) = {\ begin {case} {\ frac {k} {\ lambda}} \ left ({\ frac {x} {\ lambda}} \ right)^{k-1} e^ {-(x/\ lambda)^{k}} & x \ geq 0 \\ 0 & x <0 \ end {case}}}
CDF{\ displaystyle {\ begin {case} 1-e^{-(x/\ lambda)^{k}} & x \ geq 0 \\ 0 & x <0 \ end {case}}}
منظور داشتن\ lambda \ ، \ گاما (1+1/k) \ ،
میانه{\ displaystyle \ lambda (\ ln 2)^{1/k} \،}
حالت{\ displaystyle {\ begin {case} \ lambda \ left ({\ frac {k-1} {k}} \ right)^{1/k} \، & k> 1 \\ 0 & k \ leq 1 \ end {case }}}
واریانس{\ displaystyle \ lambda ^{2} \ left [\ Gamma \ left (1+{\ frac {2} {k}} \ right)-\ left (\ Gamma ^{2} \ left (1+{\ frac {1} {k}} \ right) \ right) \ right] \،}
چولگی\ frac {\ گاما (1+3/k) \ lambda^3-3 \ mu \ sigma^2- \ mu^3} {\ sigma^3}
سابق. کوتوز(متن را ببینید)
آنتروپی\ گاما (1-1/k)+\ ln (\ lambda/k) +1 \ ،
MGF\ sum_ {n = 0}^\ infty \ frac {t^n \ lambda^n} {n!} \ گاما (1+n/k) ، \ k \ geq1
CF\ sum_ {n = 0}^\ infty \ frac {(it)^n \ lambda^n} {n!} \ Gamma (1+n/k)
واگرایی کالبک-لیبلرزیر را ببینید

در نظریه احتمال و آمار از توزیع وایبل / W aɪ ب ʊ L / مستمر است توزیع احتمال . این نام از ریاضی دان سوئدی والودی وایبول گرفته شده است ، که در سال 1951 آن را به تفصیل شرح داد ، اگرچه اولین بار توسط فریچه (1927) شناسایی شد و اولین بار توسط روزین & راملر (1933) برای توصیف توزیع اندازه ذرات استفاده شد .

 

فهرست

منبع

https://en.wikipedia.org/wiki/Weibull_distribution

ادامه تابع توزیع تجمعی

خواص [ ویرایش ]

هر CDF چند متغیره عبارت است از:

  1. یکنواخت برای هر یک از متغیرهای آن کاهش نمی یابد ،
  2. راست پیوسته در هر یک از متغیرهای آن ،
  3. {\ displaystyle 0 \ leq F_ {X_ {1} \ ldots X_ {n}} (x_ {1}، \ ldots، x_ {n}) \ leq 1،}
  4. {\ displaystyle \ lim _ {x_ {1}، \ ldots، x_ {n} \ rightarrow +\ infty} F_ {X_ {1} \ ldots X_ {n}} (x_ {1}، \ ldots، x_ {n }) = 1 {\ متن {و}} \ lim _ {x_ {i} \ rightarrow -\ infty} F_ {X_ {1} \ ldots X_ {n}} (x_ {1} ، \ ldots ، x_ {n }) = 0 ، {\ متن {برای همه}} من.}

احتمال اینکه یک نقطه متعلق به یک مستطیل بزرگ باشد شبیه مورد 1 بعدی است: [11]

{\ displaystyle F_ {X_ {1} ، X_ {2}} (a، c)+F_ {X_ {1} ، X_ {2}} (b ، d) -F_ {X_ {1} ، X_ {2} } (a، d) -F_ {X_ {1}، X_ {2}} (b، c) = \ name operatorn {P} (a <X_ {1} \ leq b، c <X_ {2} \ leq d ) = \ int ...}

مورد مختلط [ ویرایش ]

متغیر تصادفی مختلط [ ویرایش ]

تعمیم تابع توزیع تجمعی از متغیرهای تصادفی واقعی به مختلط بدیهی نیست زیرا بیان فرم{\ displaystyle P (Z \ leq 1+2i)}هیچ معنایی ندارد. با این حال عبارات فرم{\ displaystyle P (\ Re {(Z)} \ leq 1، \ Im {(Z)} \ leq 3)}معنی دارد. بنابراین ، ما توزیع تجمعی متغیرهای تصادفی مختلط را از طریق توزیع مشترک قسمتهای واقعی و خیالی آنها تعریف می کنیم :

{\ displaystyle F_ {Z} (z) = F _ {\ Re {(Z)}، \ Im {(Z)}} (\ Re {(z)}، \ Im {(z)}) = P (\ Re {(Z)} \ leq \ Re {(z)} ، \ Im {(Z)} \ leq \ Im {(z)})}به

بردار تصادفی مختلط [ ویرایش ]

تعمیم Eq.4 بازده

{\ displaystyle F _ {\ mathbf {Z}} (\ mathbf {z}) = F _ {\ Re {(Z_ {1})} ، \ Im {(Z_ {1})} ، \ ldots ، \ Re {( Z_ {n})} ، \ Im {(Z_ {n})}} (\ Re {(z_ {1})} ، \ Im {(z_ {1})} ، \ ldots ، \ Re {(z_ { n})} ، \ من {(z_ {n})}) = \ نام اپراتور {P} (\ Re {(Z_ {1})} \ leq \ Re {(z_ {1})} ، \ Im {( Z_ {1})} \ leq \ Im {(z_ {1})} ، \ ldots ، \ Re {(Z_ {n})} \ leq \ Re {(z_ {n})} ، \ Im {(Z_ {n})} \ leq \ من {(z_ {n})})}

به عنوان تعریف CDS بردار تصادفی مختلط {\ displaystyle \ mathbf {Z} = (Z_ {1}، \ ldots، Z_ {N})^{T}}به

استفاده در تجزیه و تحلیل آماری [ ویرایش ]

مفهوم تابع توزیع تجمعی در تجزیه و تحلیل آماری به دو روش (مشابه) ظاهر می شود. تجزیه و تحلیل فراوانی تجمعی تجزیه و تحلیل فراوانی وقوع مقادیر یک پدیده کمتر از مقدار مرجع است. تابع توزیع نمونهای برآورد مستقیم رسمی از تابع توزیع تجمعی که خواص آماری ساده را می توان مشتق شده و که می تواند اساس مختلف تشکیل شده است آزمون فرض آماری . چنین آزمایشاتی می تواند ارزیابی کند که آیا شواهدی در مورد نمونه ای از داده هایی که از یک توزیع معین بوجود آمده اند ، یا شواهدی در مورد دو نمونه داده ای که از توزیع جمعیت یکسان (ناشناخته) بوجود آمده است یا خیر.

آزمایشات کولموگروف - اسمیرنوف و کوپر [ ویرایش ]

آزمون کولموگروف-اسمیرنوف است در توابع توزیع تجمعی است و می تواند به تست استفاده می شود برای دیدن اینکه آیا دو توزیع های مختلف تجربی و یا اینکه آیا یک توزیع تجربی متفاوت از توزیع ایده آل است. از نزدیک مرتبط آزمون کویپر است بسیار مفید است اگر دامنه از توزیع حلقوی در روز از هفته است. به عنوان مثال ، آزمایش کوپر ممکن است مورد استفاده قرار گیرد تا ببیند آیا تعداد گردبادها در طول سال متفاوت است یا فروش یک محصول در روز هفته یا روز ماه متفاوت است.

همچنین ببینید [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/Cumulative_distribution_function

ادامه تابع توزیع تجمعی


بخشیدن (آمار)

این مقاله برای تأیید به نقل قول های اضافی نیاز دارد . لطفاً با افزودن استناد به منابع معتبر ، به بهبود این مقاله کمک کنید . اطلاعات بدون مرجع ممکن است مشکل ایجاد کرده و پاک شوند. یافتن منابع: "عملکرد توزیع تجمعی"  -  اخبار · روزنامه ها · کتابها · محقق · JSTOR
         ( مارس 2010 ) نحوه و زمان حذف این پیام الگو را بیاموزید )

 

تابع توزیع تجمعی برای توزیع نمایی

 

تابع توزیع تجمعی برای توزیع عادی

در نظریه و آمار احتمال ، تابع توزیع تجمعی ( CDF ) یک متغیر تصادفی با ارزش واقعی است ایکس، یا فقط تابع توزیع ازایکس، ارزیابی شده در ایکس، این احتمال است کهایکس مقداری کمتر یا مساوی از آن خواهد گرفت ایکسبه [1]

هر توزیع احتمالی که بر روی اعداد واقعی پشتیبانی می شود ، گسسته یا "مخلوط" و همچنین پیوسته ، به طور منحصر به فرد با یک تابع توزیع تجمعی افزایشی یکنواخت پیوسته [2] مشخص می شود.{\ displaystyle F: \ mathbb {R} \ rightarrow [0،1]} رضایت بخش  F (x) = 0}{\ displaystyle \ lim _ {x \ rightarrow -\ infty} F (x) = 0} و {\ displaystyle \ lim _ {x \ rightarrow \ infty} F (x) = 1}به

در مورد توزیع پیوسته مقیاس ، مساحت تحت تابع چگالی احتمال از منفی بی نهایت تاایکسبه توابع توزیع تجمعی نیز برای تعیین توزیع متغیرهای تصادفی چند متغیره استفاده می شود .

 

فهرست

 

خواص [ ویرایش ]

 

از بالا به پایین ، تابع توزیع تجمعی توزیع احتمال گسسته ، توزیع احتمال پیوسته و توزیعی که هم قسمت پیوسته و هم قسمت مجزا دارد.

هر تابع توزیع تجمعی F_ {X}است غیر کاهش [3] : ص 78  و راست پیوسته ، [3] : ص. 79  که آن را به یک تابع càdlàg تبدیل می کند. علاوه بر این،

{\ displaystyle \ lim _ {x \ to -\ infty} F_ {X} (x) = 0 ، \ quad \ lim _ {x \ to +\ infty} F_ {X} (x) = 1.}

هر تابع با این چهار ویژگی یک CDF است ، یعنی برای هر تابع از این قبیل می توان یک متغیر تصادفی را طوری تعریف کرد که تابع توابع توزیع تجمعی آن متغیر تصادفی باشد.

اگر ایکسیک متغیر تصادفی کاملاً گسسته است ، سپس به مقادیر می رسدx_ {1} ، x_ {2} ، \ ldot  با احتمال {\ displaystyle p_ {i} = p (x_ {i})}، و CDF از ایکسدر نقاط ناپیوسته خواهد بودx_ {i}:

p (x_ {i}).}{\ displaystyle F_ {X} (x) = \ operatornname {P} (X \ leq x) = \ sum _ {x_ {i} \ leq x} \ operatorname {P} (X = x_ {i}) = \ جمع _ {x_ {i} \ leq x} p (x_ {i}).}

اگر CDF F_ {X} یک متغیر تصادفی با ارزش واقعی ایکساست مستمر ، پس از آنایکسیک متغیر تصادفی پیوسته است ؛ اگر بعلاوهF_ {X}است کاملا پیوسته باشد آنگاه یک وجود دارد لبسگو-انتگرال تابعf_ {X} (x) به طوری که

{\ displaystyle F_ {X} (b) -F_ {X} (a) = \ operatornname {P} (a <X \ leq b) = \ int _ {a}^{b} f_ {X} (x) \ ، dx}

برای همه اعداد واقعی آ و ببه کارکردf_Xبرابر است با مشتق ازF_ {X} تقریباً در همه جا ، و به آن تابع چگالی احتمال توزیع می گویندایکسبه

مثالها [ ویرایش ]

به عنوان مثال فرض کنید ایکسبه طور یکنواخت در فاصله واحد توزیع می شود[0،1]به

سپس CDF از ایکس از رابطه زیر بدست می آید

{\ displaystyle F_ {X} (x) = {\ begin {case} 0 &: \ x <0 \\ x &: \ 0 \ leq x \ leq 1 \\ 1 &: \ x> 1 \ end {case}}}

به جای آن فرض کنید ایکس فقط مقادیر گسسته 0 و 1 را با احتمال مساوی می گیرد.

سپس CDF از ایکس از رابطه زیر بدست می آید

{\ displaystyle F_ {X} (x) = {\ begin {case} 0 &: \ x <0 \\ 1/2 &: \ 0 \ leq x <1 \\ 1 &: \ x \ geq 1 \ end {case} }}

فرض کنید ایکسبه صورت نمایی توزیع می شود سپس CDF ازایکس از رابطه زیر بدست می آید

{\ displaystyle F_ {X} (x؛ \ lambda) = {\ begin {case} 1-e^{-\ lambda x} & x \ geq 0 ، \\ 0 & x <0. \ end {case}}}

در اینجا λ> 0 پارامتر توزیع است که اغلب پارامتر نرخ نامیده می شود.

فرض کنید ایکساست طبیعی توزیع . سپس CDF ازایکس از رابطه زیر بدست می آید

{\ displaystyle F (x؛ \ mu، \ sigma) = {\ frac {1} {\ sigma {\ sqrt {2 \ pi}}}} \ int _ {-\ infty}^{x} \ exp \ left (-{\ frac {(t- \ mu) ^{2}} {2 \ sigma ^{2}}} \ \ راست) \، dt.}

در اینجا پارامتر است \ مو   میانگین یا انتظار توزیع است ؛ و\ سیگما   انحراف معیار آن است.

فرض کنید ایکساست دو جمله ای توزیع . سپس CDF ازایکس از رابطه زیر بدست می آید

{\ displaystyle F (k؛ n، p) = \ Pr (X \ leq k) = \ sum _ {i = 0}^{\ l طبقه k \ rfloor} {n \ i} p^{i} (1 -p)^{ni}}

اینجا پ احتمال موفقیت است و تابع توزیع احتمال گسسته تعداد موفقیت ها را در یک دنباله نشان می دهد n آزمایشات مستقل ، و {\ displaystyle \ lfloor k \ rfloor \،} "طبقه" زیر است کیعنی بزرگترین عدد صحیح کمتر یا مساویکبه

توابع مشتق شده [ ویرایش ]

تابع توزیع تجمعی مکمل (توزیع دم) [ ویرایش ]

گاهی اوقات ، مطالعه س oppositeال مخالف و پرسیدن اینکه هر چند وقت یکبار متغیر تصادفی بالاتر از یک سطح خاص است مفید است. این تابع توزیع تجمعی مکمل ( ccdf ) یا توزیع یا فراتر رفتن دم نامیده می شود و به صورت زیر تعریف می شود:

{\ displaystyle {\ bar {F}} _ {X} (x) = \ operatorname {P} (X> x) = 1-F_ {X} (x).}

به عنوان مثال ، این امر در آزمایش فرضیه های آماری کاربرد دارد ، زیرا مقدار p یک طرفه احتمال مشاهده یک آمار آزمون حداقل به همان اندازه شدید است که مشاهده شده است. بنابراین ، به شرطی که آمار آزمون ، T ، دارای توزیع مداوم باشد ، مقدار p یک طرفه به سادگی توسط ccdf داده می شود: برای یک مقدار مشاهده شدهt از آمار آزمون

p = \ operatorname {P} (T \ geq t) = \ operatorname {P} (T> t) = 1-F_ {T} (t).

در تجزیه و تحلیل بقا ،{\ displaystyle {\ bar {F}} _ {X} (x)}است به نام تابع بقا و نشان داده می شودS (x)، در حالی که اصطلاح تابع قابلیت اطمینان در مهندسی رایج است .

جدول Z:

یکی از رایج ترین کاربردهای تابع توزیع تجمعی ، جدول عادی استاندارد است که به آن جدول عادی واحد یا جدول Z نیز گفته می شود ، [5] مقدار تابع توزیع تجمعی توزیع نرمال است. استفاده از جدول Z نه تنها در مورد احتمالات زیر مقداری که کاربرد اصلی تابع توزیع تجمعی است ، بلکه بیشتر و/یا بین مقادیر توزیع نرمال استاندارد نیز بسیار مفید است و به هر توزیع عادی نیز افزوده شد.

خواص

  •  

    {\ displaystyle {\ bar {F}} _ {X} (x) \ leq {\ frac {\ operatorname {E} (X)} {x}}.}
  • مانند {\ displaystyle x \ to \ infty، {\ bar {F}} _ {X} (x) \ to 0 \}، و در واقع {\ displaystyle {\ bar {F}} _ {X} (x) = o (1/x)} به شرطی که \ operatorname {E} (X) متناهی است

اثبات: [ نیازمند منبع ] با فرضایکس عملکرد تراکم دارد f_X، برای هرچی c> 0

 

{\ displaystyle \ operatorname {E} (X) = \ int _ {0}^{\ infty} xf_ {X} (x) \، dx \ geq \ int _ {0}^{c} xf_ {X} ( x) \، dx+c \ int _ {c}^{\ infty} f_ {X} (x) \، dx} سپس ، در تشخیص {\ displaystyle {\ bar {F}} _ {X} (c) = \ int _ {c}^{\ infty} f_ {X} (x) \، dx} و تنظیم مجدد شرایط ،

 

{\ displaystyle 0 \ leq c {\ bar {F}} _ {X} (c) \ leq \ operatorname {E} (X)-\ int _ {0}^{c} xf_ {X} (x) \ ، dx \ to 0 {\ text {as}} c \ to \ infty} همانطور که ادعا شد

توزیع تجمعی تاشو [ ویرایش ]

 

نمونه ای از توزیع تجمعی جمع شده برای یک تابع توزیع نرمال با مقدار مورد انتظار 0 و انحراف استاندارد 1.

در حالی که نمودار یک توزیع تجمعی اغلب دارای شکل S است ، یک تصویر جایگزین توزیع تجمعی جمع شده یا نقشه کوهی است که نیمه بالای نمودار را تا می کند ، [7] [8] بنابراین از دو مقیاس ، یکی برای سراشیبی و دیگری برای سراشیبی. این شکل از تصویر بر میانه ، پراکندگی (به طور خاص ، میانگین انحراف مطلق از میانگین [9] ) و کج بودن توزیع یا نتایج تجربی تأکید می کند .

تابع توزیع معکوس (تابع کمی) [ ویرایش ]

مقاله اصلی: تابع کمی

اگر CDF F شدیداً در حال افزایش و پیوستگی است ، پسF^{-1} (p) ، p \ در [0،1] ، عدد واقعی منحصر به فرد است ایکس به طوری که F (x) = pبه در چنین حالتی، این تعریف تابع توزیع معکوس یا تابع چندک .

برخی از توزیع ها معکوس منحصر به فردی ندارند (برای مثال در مورد مواردی که f_ {X} (x) = 0 برای همه a <x <b، باعث F_ {X}ثابت بودن) این مشکل را می توان با تعریف ، برای حل کردp \ در [0،1]، تابع توزیع معکوس عمومی :

{\ displaystyle F^{-1} (p) = \ inf \ {x \ in \ mathbb {R}: F (x) \ geq p \}.}

  • مثال 1: میانه است F^{-1} (0.5)به
  • مثال 2: قرار دادن \ tau = F^{-1} (0.95)به سپس تماس می گیریم\ تاو  صدک 95

برخی از خواص مفید cdf معکوس (که در تعریف تابع توزیع معکوس عمومی نیز حفظ شده است) عبارتند از:

  1. F^{-1} کم نمی شود
  2. F^{-1} (F (x)) \ leq x
  3. F (F^{-1} (p)) \ geq p
  4. F^{-1} (p) \ leq x اگر و تنها اگر {\ displaystyle p \ leq F (x)}
  5. اگر Y دارد U [0،1] توزیع پس F^{-1} (Y) به صورت توزیع می شود افبه این در تولید اعداد تصادفی با استفاده از روش نمونه گیری تبدیل معکوس استفاده می شود.
  6. اگر \ {X _ {\ alpha} \} مجموعه ای مستقل است اف-متغیرهای تصادفی توزیع شده در همان فضای نمونه تعریف شده ، سپس متغیرهای تصادفی وجود دارد Y _ {\ alpha} به طوری که Y _ {\ alpha} به صورت توزیع می شود U [0،1] و F^{-1} (Y _ {\ alpha}) = X _ {\ alpha} با احتمال 1 برای همه \ آلفا به [ نیازمند منبع ]

معکوس cdf را می توان برای ترجمه نتایج بدست آمده برای توزیع یکنواخت به توزیع های دیگر استفاده کرد.

عملکرد توزیع تجربی [ ویرایش ]

تابع توزیع نمونهای برآورد تابع توزیع تجمعی که نقاط در نمونه تولید شده است. با احتمال 1 به توزیع زیرین همگرا می شود. تعدادی از نتایج برای تعیین میزان همگرایی تابع توزیع تجربی به تابع توزیع تجمعی زیر وجود دارد [ نیاز به استناد ] .

مورد چند متغیره [ ویرایش ]

تعریف دو متغیر تصادفی [ ویرایش ]

هنگام برخورد همزمان با بیش از یک متغیر تصادفی ، تابع توزیع تجمعی مشترک را نیز می توان تعریف کرد. به عنوان مثال ، برای یک جفت متغیر تصادفیX ، Y، CDF مشترک {\ displaystyle F_ {XY}}توسط [3] داده شده است : p. 89 

{\ displaystyle F_ {X، Y} (x، y) = \ operatornname {P} (X \ leq x، Y \ leq y)}

 

 

 

 

( معادله 3 )

جایی که سمت راست نشان دهنده احتمال وجود متغیر تصادفی استایکس مقدار کمتر یا مساوی به خود می گیرد ایکس و آنY مقدار کمتر یا مساوی به خود می گیرد yبه

نمونه ای از تابع توزیع تجمعی مشترک:

برای دو متغیر پیوسته X و Y :{\ textstyle \ Pr (a <X <b {\ text {and}} c <Y <d) = \ int _ {a}^{b} \ int _ {c}^{d} f (x، y ) \، dy \، dx}؛

برای دو متغیر تصادفی مجزا ، ایجاد یک جدول از احتمالات و پرداختن به احتمال تجمعی برای هر محدوده بالقوه X و Y مفید است ، و در اینجا مثال: [10]

با توجه به تابع جرم احتمال مشترک به شکل جدول ، تابع توزیع تجمعی مفصل را تعیین کنید.

 Y = 2Y = 4Y = 6Y = 8
X = 100.100.1
X = 3000.20
X = 50.3000.15
X = 7000.150

راه حل: با استفاده از جدول احتمالات داده شده برای هر محدوده بالقوه X و Y ، تابع توزیع تجمعی مشترک ممکن است به شکل جدول ساخته شود:

 Y <22 ≤ Y <44 ≤ Y <66 ≤ Y <8Y ≤ 8
X <100000
1 ≤ X <3000.10.10.2
3 ≤ X <5000.10.30.4
5 ≤ X <700.30.40.60.85
X ≤ 700.30.40.751

تعریف بیش از دو متغیر تصادفی [ ویرایش ]

برای N متغیرهای تصادفی X_1 ، \ ldots ، X_N، CDF مشترک {\ displaystyle F_ {X_ {1} ، \ ldots ، X_ {N}}} از رابطه زیر بدست می آید

{\ displaystyle F_ {X_ {1} ، \ ldots ، X_ {N}} (x_ {1} ، \ ldots ، x_ {N}) = \ نام اپراتور {P} (X_ {1} \ leq x_ {1} ، \ ldots ، X_ {N} \ leq x_ {n})}

 

 

 

 

( معادله 4 )

تفسیر از Nمتغیرهای تصادفی به عنوان بردار تصادفی {\ displaystyle \ mathbf {X} = (X_ {1} ، \ ldots ، X_ {N})^{T}} نماد کوتاه تری به دست می دهد:

{\ displaystyle F _ {\ mathbf {X}} (\ mathbf {x}) = \ نام اپراتور {P} (X_ {1} \ leq x_ {1}، \ ldots، X_ {N} \ leq x_ {n}) }

تابع توزیع تجمعی

تعریف [ ویرایش ]

تابع توزیع تجمعی یک متغیر تصادفی با ارزش واقعی ایکستابع [3] است : p. 77 

{\ displaystyle F_ {X} (x) = \ نام اپراتور {P} (X \ leq x)}

 

 

 

 

( معادله 1 )

جایی که سمت راست نشان دهنده احتمال وجود متغیر تصادفی استایکس مقدار کمتر یا مساوی به خود می گیرد ایکسبه احتمال اینکهایکسدروغ در نیمه بسته فاصله (a، b]، جایی که a <b، بنابراین [3] است : ص. 84 

{\ displaystyle \ operatornname {P} (a <X \ leq b) = F_ {X} (b) -F_ {X} (a)}

 

 

 

 

( معادله 2 )

در تعریف بالا ، "کمتر یا مساوی" علامت ، "≤" یک قرارداد است ، نه یک مورد استفاده جهانی (به عنوان مثال در ادبیات مجارستان از "<" استفاده می شود) ، اما این تمایز برای توزیع های گسسته مهم است. استفاده مناسب از جداول توزیع دو جمله ای و پوآسون به این قرارداد بستگی دارد. علاوه بر این ، فرمول های مهم مانند فرمول وارونگی پل لوی برای عملکرد مشخصه نیز بر فرمول "کمتر یا مساوی" تکیه می کنند.

اگر چندین متغیر تصادفی را درمان کنید {\ displaystyle X ، Y ، \ ldots}و غیره از حروف مربوط به عنوان زیرنویس استفاده می شود در حالی که اگر فقط یک مورد را مورد بررسی قرار دهیم ، معمولاً زیرنویس حذف می شود. استفاده از حروف معمولی مرسوم استاف برای یک تابع توزیع تجمعی ، بر خلاف حروف کوچک fبرای توابع چگالی احتمال و توابع جرم احتمال استفاده می شود . این امر در مورد توزیع های عمومی صدق می کند: برخی از توزیع های خاص دارای علامت معمولی خود هستند ، برای مثال از توزیع عادی استفاده می کند\ فی  و \ phi  بجای اف و f، به ترتیب.

تابع چگالی احتمال یک متغیر تصادفی پیوسته را می توان از طریق تابع توزیع تجمعی با تمایز [4] با استفاده از قضیه بنیادی محاسبه تعیین کرد . یعنی داده شدهF (x)،

{\ displaystyle f (x) = {dF (x) \ over dx}}

تا زمانی که مشتق وجود داشته باشد.

CDF یک متغیر تصادفی پیوسته ایکس می تواند به عنوان انتگرال تابع چگالی احتمال آن بیان شود f_Xبه شرح زیر است: [3] : p. 86 

F_ {X} (x) = \ int _ {-\ infty}^{x} f_ {X} (t) \، dt.

در مورد متغیر تصادفی ایکس که دارای توزیع دارای یک جزء گسسته در یک مقدار است ب،

\ operatorname {P} (X = b) = F_ {X} (b)-\ lim _ {x \ to b^{-}} F_ {X} (x)

اگر F_ {X} پیوسته است در ب، این برابر صفر است و هیچ جزء گسسته ای در آن وجود ندارد ببه

منبع

https://en.wikipedia.org/wiki/Cumulative_distribution_function

فضای توپولوژیکی نوتری

 

از ویکیپدیا، دانشنامه آزاد
Y_ {m} = Y_ {m+1} = Y_ {m+2} = \ cdots  همان طور که خواسته شده.در ریاضیات ، یک فضای توپولوژیکی نوتری ، به نام امی نوتر ، یک فضای توپولوژیکی است که در آن زیر مجموعه های بسته شرایط زنجیره نزولی را برآورده می کنند . به طور معادل ، می توان گفت که زیر مجموعه های باز شرایط زنجیره صعودی را برآورده می کنند ، زیرا آنها مکمل زیر مجموعه های بسته هستند. ویژگی نوتری یک فضای توپولوژیکی را می توان به عنوان یک شرایط فشردگی قوی نیز در نظر گرفت ، یعنی هر زیر مجموعه باز چنین فضایی فشرده است و در واقع معادل این جمله به ظاهر قوی تر است که هر زیرمجموعه ای فشرده است.

 

فهرست

تعریف [ ویرایش ]

یک فضای توپولوژیکی ایکساگر شرایط زنجیره نزولی برای زیر مجموعه های بسته را رعایت کند : برای هر دنباله ای نوتری نامیده می شود

Y_ {1} \ supseteq Y_ {2} \ supseteq \ cdots

از زیر مجموعه های بسته Y_ {i} از ایکس، یک عدد صحیح وجود دارد متر به طوری که Y_ {m} = Y_ {m+1} = \ cdots.

خواص [ ویرایش ]

  • یک فضای توپولوژیکی ایکسنوتری است اگر و فقط اگر هر زیرفضا ازایکس فشرده است (یعنی ایکس به صورت ارثی فشرده است) ، و اگر و فقط اگر هر زیر مجموعه باز از ایکسفشرده است [1]
  • هر زیرفضا از یک فضای نوتری نوئتری است.
  • تصویر پیوسته از یک فضای نوتریایی نوتریایی است. [2]
  • اتحادیه محدودی از زیرفضاهای نوتری از یک فضای توپولوژیکی نوتری است. [3]
  • هر فضای هاسدورف نوتری با توپولوژی گسسته محدود است .

اثبات: هر زیر مجموعه ای از X در یک فضای هاسدورف فشرده است ، بنابراین بسته است. بنابراین X دارای توپولوژی گسسته است و فشرده بودن آن باید محدود باشد.

  • هر فضای نوتری X دارای تعداد محدودی از اجزای غیرقابل کاهش است . [4] اگر اجزای غیر قابل کاهش باشند_ {1} ، ... ، X_ {1} ، ... ، X_ {n}، سپس  = {\ displaystyle X = X_ {1} \ cup \ cdots \ cup X_ {n}}، و هیچ یک از اجزاء _ {i}}X_ {i} در اتحاد اجزای دیگر موجود است.

از هندسه جبری [ ویرایش ]

بسیاری از نمونه های فضاهای توپولوژیکی نوتری از هندسه جبری می آیند ، جایی که برای توپولوژی زاریسکی یک مجموعه غیر قابل کاهش دارای ویژگی شهودی است که هر زیر مجموعه مناسب بسته ابعاد کوچکتری دارد. از آنجا که ابعاد تنها می تواند چند بار محدود به پایین بپرد و مجموعه های جبری از اتحادیه های محدود مجموعه های غیر قابل کاهش تشکیل شده اند ، زنجیره های نزولی مجموعه های بسته زاریسکی در نهایت باید ثابت باشند.

یک روش جبری بیشتر برای مشاهده این امر این است که ایده آل های مرتبط با تعریف مجموعه های جبری باید شرایط زنجیره صعودی را برآورده کنند . این به این دلیل است که حلقه های هندسه جبری ، در مفهوم کلاسیک ، حلقه های نوتری هستند . بنابراین این کلاس از مثالها همچنین نام را توضیح می دهد.

اگر R یک حلقه نوتریایی مبادله ای باشد ، Spec ( R ) ، طیف اصلی R ، یک فضای توپولوژیکی نوتری است. به طور کلی ، طرح نوتری یک فضای توپولوژیکی نوتری است. عکس آن صادق نیست ، زیرا Spec ( R ) یک حوزه ارزیابی تک بعدی R دقیقاً از دو نقطه تشکیل شده است و بنابراین نوتری است ، اما نمونه هایی از چنین حلقه هایی وجود دارد که نوتری نیستند.

مثال [ ویرایش ]

فضا \ mathbb {A} _ {k}^{n} (وابسته n-فضا روی یک میدان ک) تحت توپولوژی زاریسکی نمونه ای از یک فضای توپولوژیکی نوتری است. با خواص ایده آل زیرمجموعه ای از \ mathbb {A} _ {k}^{n}، ما می دانیم که اگر

Y_ {1} \ supseteq Y_ {2} \ supseteq Y_ {3} \ supseteq \ cdots

یک زنجیره نزولی از زیر مجموعه های بسته زاریسکی است ، بنابراین

I (Y_ {1}) \ subseteq I (Y_ {2}) \ subseteq I (Y_ {3}) \ subseteq \ cdots

زنجیره ای صعودی از ایده آل ها است k [x_ {1} ، \ ldots ، x_ {n}]. از آنجا که k [x_ {1} ، \ ldots ، x_ {n}] یک حلقه نوتری است ، یک عدد صحیح وجود دارد متر به طوری که

I (Y_ {m}) = I (Y_ {m+1}) = I (Y_ {m+2}) = \ cdots.

از آنجا که V (I (Y))بسته شدن Y برای همه Y است ،V (I (Y_ {i})) = Y_ {i} برای همه من. از این رو

منبع

https://en.wikipedia.org/wiki/Noetherian_topological_space

فضای فشرده

 

از ویکیپدیا، دانشنامه آزاد

 


مجموعه پیش فشرده - همچنین به "فشردگی" به اینجا تغییر مسیر می دهد. برای سایر کاربردها ، فشردگی (ابهام زدایی) را ببینید .

 

بر اساس معیارهای فشردگی فضای اقلیدسی که در قضیه هاینه بورل بیان شده است ، فاصله A = (−∞ ، −2] فشرده نیست زیرا متناهی نشده است. فاصله C = (2 ، 4) فشرده نیست زیرا فاصله B = [0، 1] فشرده است زیرا هم بسته و هم متناهی است.

در ریاضیات ، به طور خاص توپولوژی عمومی ، فشردگی است یک ویژگی است که تعمیم مفهوم یک زیر مجموعه از فضای اقلیدسی بودن بسته (شامل تمام آن نقطه حدی ) و متناهی (داشتن تمام نقاط آن در برخی از راه دور ثابت یکدیگر دروغ). [1] [2] نمونه هایی از فضاهای فشرده عبارتند از: یک فاصله حقیقی بسته ، اتحاد تعداد متناهیی از بازه های بسته ، یک مستطیل یا مجموعه ای متناهی از نقاط. این مفهوم برای فضاهای توپولوژیکی کلی تر تعریف شده است به طرق مختلف ، که معمولاً در فضای اقلیدسی معادل هستند اما در سایر فضاها ممکن است نابرابر باشند.

یکی تعمیم گونه ای است که یک فضای توپولوژیکی است پی در پی فشرده اگر هر دنباله نامتناهی از نقاط نمونه برداری از فضا بی نهایت توالی که از همگرایی به برخی از نقطه از فضا. [3] بولزانو-وایرشتراس قضیه بیان می کند که یک زیر مجموعه از فضای اقلیدسی فشرده در این معنا ترتیبی است اگر و تنها اگر آن را بسته است و متناهی شده است. بنابراین ، اگر فرد تعداد نامتناهیی از نقاط بسته در بازه واحد [0 ، 1] را انتخاب کند ، برخی از آن نقاط به طور دلخواه به عدد حقیقی در آن فضا نزدیک می شوند. به عنوان مثال ، برخی از اعداد در دنباله 1/2 ، 4/5 ، 1/3 ، 5/6 ، 1/4 ، 6/7 ،…تا 0 جمع می شود (در حالی که دیگران تا 1 جمع می شوند). مجموعه ای از نقاط مشابه در هیچ نقطه ای از فاصله واحد باز (0 ، 1) جمع نمی شود ، بنابراین فاصله واحد باز فشرده نیست. اگرچه زیر مجموعه (زیرفضای) فضای اقلیدسی می تواند فشرده باشد ، اما کل فضا به دلیل متناهی نبودن فشرده نیست. به عنوان مثال ، با توجه به{\ mathbb {R}}^{1}، کل خط عددی حقیقی ، دنباله ای از نقاط 0 ، 1 ، 2 ، 3 ،… ، هیچ دنباله ای ندارد که به هیچ عدد حقیقی همگرا شود.

فشردگی به طور رسمی توسط موریس فرشت در سال 1906 برای تعمیم قضیه بولزانو -وایرشتراس از فضاهای نقاط هندسی به فضاهای توابع معرفی شد . قضیه آرزلو-آسکولی و وجود پیانو قضیه نمونه نشان کاربردهای این مفهوم فشردگی به تجزیه و تحلیل کلاسیک. پس از معرفی اولیه ، مفاهیم معادل مختلفی از فشردگی ، از جمله فشردگی متوالی و فشردگی نقطه متناهی ، در فضاهای متریک کلی توسعه داده شد . [4]با این حال ، در فضاهای توپولوژیکی کلی ، این مفاهیم فشردگی لزوماً معادل نیستند. مفيدترين مفهوم - و تعريف استاندارد اصطلاح فشرده نشده - از نظر وجود خانواده هاي متناهی مجموعه هاي باز كه فضا را "مي پوشانند " به اين معنا كه هر نقطه از فضا در مجموعه اي قرار دارد كه عبارتند از: خانواده. این تصور ظریف تر ، که توسط پاول الکساندروف و پاول اوریسون در سال 1929 مطرح شد ، فضاهای فشرده را به عنوان تعمیم مجموعه های متناهی به نمایش می گذارد . در فضاهایی که از این نظر فشرده هستند ، اغلب می توان اطلاعاتی را که به صورت محلی در آن نگهداری می شوند وصله کرد- یعنی در همسایگی هر نقطه - به عبارت های متناظر که در فضا وجود دارند ، و بسیاری از قضایا از این ویژگی برخوردارند.

اصطلاح مجموعه فشرده گاهی اوقات مترادف فضای فشرده استفاده می شود ، اما اغلب به زیرفضای فشرده یک فضای توپولوژیکی نیز اشاره دارد.

 

فهرست

توسعه تاریخی [ ویرایش ]

در قرن نوزدهم ، چندین ویژگی ریاضی متفاوت درک شد که بعداً به عنوان پیامدهای فشردگی تلقی می شوند. از یک سو ، برنارد بولزانو ( 1817 ) آگاه بود که هر دنباله متناهی نقاط (به عنوان مثال در خط یا صفحه) دارای فرعی است که در نهایت باید خودسرانه به نقطه دیگری نزدیک شود ، به نام نقطه متناهی . اثبات بولتانو متکی به روش تقسیم بندی بود: دنباله در فاصله ای قرار می گیرد که سپس به دو قسمت مساوی تقسیم می شود و قسمتی که بی نهایت تعداد عبارتهای دنباله را انتخاب می کند. سپس می توان این فرآیند را با تقسیم فاصله کوچکتر حاصله به قسمتهای کوچکتر و کوچکتر - تا زمانی که در نقطه حد مطلوب بسته شود ، تکرار کرد. اهمیت کامل قضیه بولتانو ، و روش اثبات آن ، تقریباً 50 سال بعد که توسط کارل وایرشتراس دوباره کشف شد ، ظاهر نمی شد . [5]

در دهه 1880 ، مشخص شد که نتایج مشابه قضیه بولزانو -وایرشتراس را می توان برای فضاهای توابع و نه فقط اعداد یا نقاط هندسی فرموله کرد . ایده در نظر گرفتن عملکردها به عنوان نقاطی از یک فضای تعمیم یافته به تحقیقات جولیو آسکولی و سزار آرزلو برمی گردد . [6] نقطه اوج تحقیقات آنها ، قضیه آرزلو-آسکولی ، تعمیم قضیه بولزانو -واشتراس به خانواده های دارای عملکردهای مستمر بود ، نتیجه دقیق آن این بود که می توان یکنواخت همگرا را استخراج کرد.توالی توابع از خانواده توابع مناسب. حد یکنواخت این دنباله دقیقاً همان نقش "نقطه متناهی" بولتانو را ایفا کرد. در اوایل قرن بیستم ، نتایج مشابه نتایج آرزلو و آسکولی در ناحیه معادلات انتگرالی شروع شد ، که توسط دیوید هیلبرت و ارهارد اشمیت مورد بررسی قرار گرفت . برای طبقه خاصی از توابع گرین که از حل معادلات انتگرال ناشی می شود ، اشمیت نشان داده بود که ویژگی مشابه قضیه آرزلی - آسکولی به معنای همگرایی متوسط ​​است - یا همگرایی در چیزی که بعداً فضای هیلبرت نامیده شد . این در نهایت منجر به تصور اپراتور فشرده شدبه عنوان شاخه ای از مفهوم کلی یک فضای فشرده. این موریس فرشت بود که در سال 1906 جوهر ویژگی بولزانو -وایرشتراس را تقطیر کرد و اصطلاح فشردگی را برای اشاره به این پدیده کلی به کار برد (وی این اصطلاح را در مقاله 1904 خود [7] که منجر به پایان نامه معروف 1906 شد ، به کار برد. )

با این حال ، مفهوم متفاوتی از فشردگی به طور کلی نیز به آرامی در پایان قرن 19 از مطالعه پیوستار پدید آمد ، که برای تدوین دقیق تجزیه و تحلیل اساسی تلقی شد. در سال 1870 ، ادوارد هاینهه نشان داد که یک تابع پیوسته تعریف شده در یک فاصله بسته و متناهی در واقع به طور یکنواخت پیوسته است . در اثبات ، او از یک لما استفاده کرد که از هر پوشش قابل شمارش فاصله با فواصل بازتر کوچکتر ، می توان تعداد متناهیی از این موارد را انتخاب کرد که آن را نیز پوشانده است. اهمیت این لما توسط امیل بورل ( 1895 ) تشخیص داده شد و به مجموعه های دلخواه فواصل توسطپیر کازین (1895) و هنری لبسب ( 1904 ). قضیه هاینه بورل ، به عنوان نتیجه در حال حاضر شناخته شده است، یکی دیگر از ویژگی خاص برخوردار شده توسط مجموعه بسته و متناهی از اعداد حقیقی است.

این ویژگی از آنجا که اجازه می دهد از اطلاعات محلی در مورد یک مجموعه (مانند تداوم یک تابع) به اطلاعات جهانی در مورد مجموعه (مانند تداوم یکنواخت یک تابع) منتقل شود ، بسیار مهم بود. این احساس توسط لبگ (1904) بیان شد ، که همچنین از آن در توسعه انتگرالی که اکنون نام او را بر خود دارد استفاده کرد . سرانجام ، مکتب توپولوژی نقطه ای روسیه ، تحت هدایت پاول الکساندروف و پاول اوریسون ، فشردگی هاینهه-بورل را به گونه ای فرموله کرد که بتوان آن را در مفهوم مدرن یک فضای توپولوژیکی به کار برد . الکساندروف و اوریسون (1929)نشان داد که نسخه اولیه فشردگی به دلیل Fréchet ، که امروزه فشردگی متوالی (نسبی) نامیده می شود ، تحت شرایط مناسب از نسخه فشردگی که بر اساس وجود پوششهای فرعی متناهی فرموله شده است. این مفهوم فشردگی بود که غالب شد ، زیرا نه تنها یک ویژگی قوی تر بود ، بلکه می تواند در یک محیط کلی تر با حداقل ماشین آلات فنی اضافی تدوین شود ، زیرا فقط بر ساختار مجموعه های باز تکیه می کند. در یک فضا

مثالهای اساسی [ ویرایش ]

هر فضای متناهی کاملاً فشرده است. یک مثال غیر بدیهی از یک فضای فشرده است (بسته شده است) فاصله واحد [0،1] از اعداد حقیقی . اگر فرد تعداد نامتناهیی از نقاط متمایز را در بازه واحد انتخاب کند ، باید در آن بازه مقداری نقطه تجمع وجود داشته باشد . به عنوان مثال ، عبارات عدد فرد دنباله 1 ، 1/2 ، 1/3 ، 3/4 ، 1/5 ، 5/6 ، 1/7 ، 7/8 ، ... خودسرانه به 0 نزدیک می شوند ، در حالی که عدد زوج به طور خودسرانه به 1 نزدیک می شوند ، دنباله مثال ذکر شده اهمیت درج نقاط مرزی فاصله را نشان می دهد ، زیرا نقاط متناهیباید در خود فضا باشد-فاصله باز (یا نیمه باز) اعداد حقیقی فشرده نیست. همچنین بسیار مهم است که فاصله زمانی متناهی شود ، زیرا در فاصله [0 ،) ، می توان دنباله نقاط 0 ، 1 ، 2 ، 3 ، ... را انتخاب کرد ، که هیچ زیر دنباله ای در نهایت به طور خودسرانه به آن نزدیک نمی شود هر عدد حقیقی داده شده

در دو بعد ، دیسک های بسته فشرده هستند ، زیرا برای هر تعداد نامتناهیی از نقاط دیسک نمونه برداری شده ، برخی از زیرمجموعه های آن نقاط باید خودسرانه یا به نقطه ای درون دیسک یا به نقطه ای در مرز نزدیک شوند. با این حال ، یک دیسک باز فشرده نیست ، زیرا دنباله ای از نقاط می توانند به مرز متمایل شوند - بدون نزدیک شدن خودسرانه به هیچ نقطه ای در فضای داخلی. به همین ترتیب ، کره ها فشرده هستند ، اما یک کره فاقد یک نقطه است زیرا دنباله ای از نقاط هنوز هم می توانند به نقطه از دست رفته تمایل داشته باشند ، در نتیجه خودسرانه به هیچ نقطه ای در فضا نزدیک نمی شوند. خطوط و هواپیماها فشرده نیستند ، زیرا می توان مجموعه ای از نقاط مساوی را در هر جهت معین بدون نزدیک شدن به هیچ نقطه ای در نظر گرفت.

تعاریف [ ویرایش ]

بسته به سطح کلیت ، ممکن است تعاریف مختلفی از فشردگی اعمال شود. زیر مجموعه ای از فضای اقلیدسی به ویژه اگر بسته و متناهی باشد فشرده نامیده می شود . این به معنی این، توسط قضیه بولزانو-وایرشتراس ، که هر بی نهایت دنباله از مجموعه ای تا به توالی که از همگرایی به یک نقطه در مجموعه. مفاهیم مختلف معادل فشردگی ، مانند فشردگی متوالی و فشردگی نقطه متناهی ، می تواند در فضاهای متریک کلی توسعه داده شود . [4]

در مقابل ، مفاهیم مختلف فشردگی در فضاهای توپولوژیکی کلی معادل نیستند و مفیدترین مفهوم فشردگی - که در ابتدا دو فشاری نامیده می شد - با استفاده از جلد های متشکل از مجموعه های باز تعریف می شود (به تعریف جلد باز در زیر مراجعه کنید). این که این شکل از فشردگی برای زیر مجموعه های بسته و متناهی فضای اقلیدسی صادق است ، به عنوان قضیه هاینهه بورل شناخته می شود . فشرده ، وقتی به این شکل تعریف می شود ، اغلب به فرد اجازه می دهد اطلاعاتی را که در محلی - در یک محله شناخته شده است - بگیرداز هر نقطه از فضا - و گسترش آن به اطلاعاتی که در سطح جهان در سراسر فضا وجود دارد. یک مثال از این پدیده قضیه دیریکله است که در ابتدا توسط هاینهه به کار گرفته شد ، که یک تابع پیوسته در فاصله فشرده به طور یکنواخت پیوسته است . در اینجا ، تداوم یک ویژگی محلی از تابع است و تداوم یکنواخت ویژگی جهانی مربوطه است.

تعریف جلد باز [ ویرایش ]

به طور رسمی ، یک فضای توپولوژیکی X در صورتی فشرده نامیده می شود که هر یک از پوشش های باز آن دارای یک زیرپوشش متناهی باشد . [8] است که، X فشرده است اگر برای هر مجموعه C از زیر مجموعه های باز از X به طوری که

{\ displaystyle X = \ bigcup _ {x \ in C} x}،

یک زیر مجموعه متناهی F از C وجود دارد به طوری که

{\ displaystyle X = \ bigcup _ {x \ in F} x.}

برخی از شاخه های ریاضیات مانند هندسه جبری ، که معمولاً تحت تأثیر مکتب فرانسوی بوربکی قرار گرفته اند ، از اصطلاح شبه فشرده برای مفهوم کلی استفاده می کنند و اصطلاح فشرده را برای فضاهای توپولوژیکی که هم هاسدورف و هم شبه فشرده هستند ، ذخیره می کنند . مجموعه ای فشرده است که گاهی اوقات به عنوان یک اشاره فشرده ، جمع متراکم .

فشرده زیر مجموعه ها [ ویرایش ]

یک زیرمجموعه K از یک توپولوژیک X اگر به عنوان یک زیرفضا (در توپولوژی زیرفضا ) فشرده باشد ، فشرده است . این است که، K فشرده است اگر برای هر مجموعه خودسرانه C از زیر مجموعه های باز از X به طوری که

{\ displaystyle K \ subseteq \ bigcup _ {c \ in C} c}،

یک زیر مجموعه متناهی F از C وجود دارد به طوری که

{\ displaystyle K \ subseteq \ bigcup _ {c \ in F} c}به

فشردگی یک ویژگی "توپولوژیکی" است. یعنی اگر{\ displaystyle K \ زیرمجموعه Z \ زیرمجموعه Y}، با زیر مجموعه Z مجهز به توپولوژی زیرفضا ، پس K در Z فشرده است اگر و فقط اگر K در Y فشرده باشد.

تعاریف معادل [ ویرایش ]

اگر X یک فضای توپولوژیکی است ، موارد زیر معادل هستند:

  1. X فشرده است.
  2. هر پوشش باز از X است متناهی زیر پوشش .
  3. X دارای یک پایگاه فرعی است به طوری که هر پوشش فضا ، توسط اعضای زیر پایه ، دارای یک زیرپوشش متناهی ( قضیه زیر پایه اسکندر ) است.
  4. X است لیندلوف و قابل شمارش فشرده . [9]
  5. هر مجموعه ای از زیر مجموعه های بسته X با ویژگی تقاطع متناهی دارای تقاطع غیر خالی است.
  6. هر شبکه روی X دارای یک زیر شبکه همگرا است ( برای اثبات به مقاله در شبکه ها مراجعه کنید).
  7. هر فیلتر در X دارای یک اصلاح همگرا است.
  8. هر شبکه روی X دارای یک نقطه خوشه است.
  9. هر فیلتر روی X دارای یک نقطه خوشه است.
  10. هر فوق فیلتر روی X حداقل به یک نقطه همگرا می شود.
  11. هر زیر مجموعه ای بی نهایت از X دارای یک نقطه تجمع کامل است . [10]

فضای اقلیدسی [ ویرایش ]

برای هر زیرمجموعه A از فضای اقلیدسی ، A فشرده است اگر و فقط اگر بسته و متناهی باشد . این قضیه هاینهه بورل است .

از آنجا که یک فضای اقلیدسی یک فضای متریک است ، شرایط زیر بخش بعدی نیز برای همه زیر مجموعه های آن اعمال می شود. از بین همه شرایط معادل ، در عمل به آسانی می توان تأیید کرد که یک زیرمجموعه بسته و متناهی است ، به عنوان مثال ، برای یک فاصله بسته یا یک توپ n بسته .

فضاهای متریک [ ویرایش ]

برای هر فضای متریک ( X ، d ) موارد زیر معادل هستند (با فرض انتخاب قابل شمارش ):

  1. X ، d ) فشرده است.
  2. X ، د ) است کامل و کاملا متناهی (این نیز معادل فشردگی برای فضاهای یکنواخت ). [11]
  3. X ، d ) به ترتیب فشرده است. یعنی هر دنباله ای در X دارای یک دنباله همگرا است که حد آن در X است (این نیز معادل فشردگی برای فضاهای یکنواخت قابل شمارش اول است ).
  4. X ، د ) است حد فشرده نقطه (نیز نامیده می شود ضعیف قابل شمارش فشرده)؛ یعنی هر زیر مجموعه بی نهایت X حداقل یک نقطه متناهی در X دارد .
  5. X ، د ) است قابل شمارش فشرده ؛ یعنی هر جلد باز قابل شمارش X دارای یک زیرپوشش متناهی است.
  6. X ، d ) تصویری از یک تابع پیوسته از مجموعه کانتور است . [12]
  7. هر دنباله کاهشی مجموعه های بسته F1 ⊇ F2 ⊇ ... در ( X ، d ) دارای یک تقاطع غیر خالی است.
  8. X ، d ) بسته و کاملاً متناهی است.

یک فضای متریک فشرده ( X ، d ) ویژگی های زیر را نیز برآورده می کند:

  1. لمای عددی لبگ : برای هر جلد باز X ، یک عدد δ > 0 وجود دارد به طوری که هر زیر مجموعه ای از قطر X < δ در برخی از اعضای جلد موجود است.
  2. X ، د ) است دوم قابل شمارش ، از هم جدا و لیندلوف - این سه شرط معادل برای فضاهای متریک می باشد. این صحبت درست نیست؛ به عنوان مثال ، یک فضای گسسته قابل شمارش این سه شرط را برآورده می کند ، اما فشرده نیست.
  3. X بسته و متناهی است (به عنوان زیرمجموعه هر فضای متریک که متریک متناهی آن d است ). عکس ممکن است برای یک فضای غیر اقلیدسی شکست بخورد. به عنوان مثال خط حقیقی مجهز به متریک گسسته بسته است و متناهی اما فشرده نیست، به عنوان مجموعه ای از تمام تک از فضای پوشش باز است که اذعان می کند هیچ زیر پوشش متناهی است. کامل است اما کاملاً متناهی نیست.

مشخصه با عملکردهای پیوسته [ ویرایش ]

اجازه دهید X یک فضای توپولوژیکی و C ( X ) حلقه توابع حقیقی پیوسته در X باشد. برای هر p ∈ X ، نقشه ارزیابی{\ displaystyle \ operatorname {ev} _ {p} \ colon C (X) \ to \ mathbf {R}} داده شده توسط ev p ( f ) = f ( p ) همومورفیسم حلقه است. هسته از EV ص است ایده آل حداکثر ، از میدان مانده C ( X ) / KER EV ص زمینه از اعداد حقیقی، توسط است اولین قضیه ریخت . یک فضای توپولوژیک X است pseudocompact اگر و تنها اگر هر ایده آل حداکثر در C ( X ) دارای میدان مانده اعداد حقیقی. برای فضاهای کاملاً منظم، این معادل هر ایده آل حداکثر است که هسته یک همومورفیسم ارزیابی است. [13] فضاهای شبه فشار وجود دارد که فشرده نیستند.

به طور کلی ، برای فضاهای غیر شبه فشار همیشه حداکثر ایده آل m در C ( X ) وجود دارد به طوری که میدان باقی مانده C ( X )/ m یک میدان هایپررئال ( غیر ارشمیدس ) است . چارچوب تجزیه و تحلیل غیر استاندارد اجازه می دهد تا برای زیر خصوصیات جایگزین فشردگی: [14] یک فضای توپولوژیک X فشرده است اگر و تنها اگر هر نقطه X از گسترش طبیعی * X است بی نهایت نزدیک به یک نقطه 0 از X (بیشتر دقیقا ،X در موجود موناد از 0 ).

تعریف فوق حقیقی [ ویرایش ]

یک فضا X فشرده است اگر پسوند فوق حقیقی آن *X (ساخته شده ، به عنوان مثال ، توسط ساختار فوق العاده قدرت ) دارای این ویژگی است که هر نقطه از *X بی نهایت به نقطه ای از X ⊂ *X نزدیک است . به عنوان مثال ، یک بازه حقیقی باز X = (0 ، 1) فشرده نیست زیرا پسوند فوق حقیقی آن *(0،1) حاوی بی نهایت کوچک است که بی نهایت به 0 نزدیک است ، که نقطه ای از X نیست .

شرایط کافی [ ویرایش ]

  • یک زیر مجموعه بسته از یک فضای فشرده فشرده است. [15]
  • اتحاد متناهی مجموعه های فشرده فشرده است.
  • یک تصویر پیوسته از یک فضای فشرده فشرده است. [16]
  • محل تلاقی هر مجموعه غیر خالی از زیرمجموعه های فشرده یک فضای هاسدورف فشرده (و بسته) است.
    • اگر X هاسدورف نباشد ، تقاطع دو زیر مجموعه فشرده ممکن است فشرده نباشد (برای مثال به پاورقی مراجعه کنید). [یادداشت 1]
  • کالا از هر مجموعه ای از فضاهای فشرده است. (این قضیه تیخونف است که معادل بدیهیات انتخاب است .)
  • در یک فضای متریز ، زیرمجموعه ای فشرده است اگر و فقط اگر به صورت متوالی فشرده باشد (با فرض انتخاب قابل شمارش )
  • مجموعه ای متناهی که دارای هر گونه توپولوژی است فشرده است.

ویژگی های فضاهای فشرده [ ویرایش ]

  • یک زیر مجموعه فشرده از یک فضای هاسدورف X بسته شده است.
    • اگر X هاسدورف نباشد ، ممکن است یک زیرمجموعه فشرده از X زیرمجموعه بسته X نباشد (برای مثال به پاورقی مراجعه کنید). [یادداشت 2]
    • اگر X هاسدورف نباشد ، بسته شدن یک مجموعه فشرده ممکن است فشرده نباشد (برای مثال به پاورقی مراجعه کنید). [نکته 3]
  • در هر فضای بردار توپولوژیکی (TVS) ، یک زیر مجموعه فشرده کامل است . با این حال ، هر TVS غیر-هاوسدورف شامل زیر مجموعه های فشرده (و در نتیجه کامل) است که بسته نیستند .
  • اگر A و B زیرمجموعه های فشرده جدا از یک فضای هاسدورف X هستند ، پس مجموعه باز و جدا نشده U و V در X وجود دارد به طوری که A ⊆ U و B ⊆ V وجود دارد .
  • تزریق مداوم از یک فضای فشرده به یک فضای هاسدورف یک هومومورفیسم است .
  • یک فضای فشرده هاسدورف معمولی و منظم است .
  • اگر یک فضای X فشرده و هاسدورف است، پس از آن هیچ توپولوژی بهتری را بر روی X فشرده و توپولوژی درشت در X هاسدورف است.
  • اگر زیرمجموعه ای از یک فضای متریک ( X ، d ) فشرده باشد ، d متناهی می شود.

توابع و فضاهای فشرده [ ویرایش ]

از آنجا که یک تصویر پیوسته از یک فضای فشرده فشرده است ، قضیه ارزش فوق العاده : یک تابع مداوم با ارزش حقیقی در یک فضای فشرده خالی در بالا متناهی شده و به برتری خود می رسد. [17] (کمی کلی تر ، این امر در مورد یک عملکرد نیمه پیوسته فوقانی صادق است.) به عنوان یک نوع عکس از جملات بالا ، تصویر پیش از یک فضای فشرده در زیر یک نقشه مناسب فشرده است.

فشرده سازی [ ویرایش ]

هر فضا توپولوژیکی X یک زیرفضا متراکم باز از یک فضای فشرده است که حداکثر یک نقطه بیشتر از X دارد ، با فشرده سازی یک نقطه ای الکساندورف . با همان ساختار ، هر فضای فشرده هاسدورف X یک زیرفضای متراکم باز از یک فضای فشرده هاسدورف است که حداکثر یک نقطه بیشتر از X دارد .

سفارش فضاهای فشرده [ ویرایش ]

یک زیرمجموعه فشرده فشرده از اعداد حقیقی دارای بزرگترین عنصر و حداقل عنصر است.

اجازه دهید X یک سادگی دستور داد مجموعه ای وقف با توپولوژی سفارش . سپس X اگر و فقط اگر X یک شبکه کامل باشد (یعنی همه زیرمجموعه ها دارای برتری و اینفیموم هستند) فشرده است. [18]

مثالها [ ویرایش ]

  • هر فضای توپولوژیکی متناهی ، از جمله مجموعه خالی ، فشرده است. به طور کلی ، هر فضایی با توپولوژی متناهی (فقط تعداد متناهیی مجموعه باز) فشرده است. این شامل توپولوژی بی اهمیت است .
  • هر فضایی که حامل توپولوژی کوفینیت باشد فشرده است.
  • با فشرده سازی یک نقطه ای الکساندروف ، هر فضای فشرده محلی هاوسدورف را می توان با افزودن یک نقطه به آن به یک فضای فشرده تبدیل کرد . فشردگی یک نقطه ای از home به دایره 1 هومومورفیک است . فشرده نقطه از ℝ 2 همانریخت است به حوزه 2 . با استفاده از فشرده سازی یک نقطه ای ، می توانید با شروع با یک فضای غیرهوسدورف ، به راحتی فضاهای فشرده ای را که هاسدورف نیستند ، بسازید.
  • توپولوژی جهت سمت راست و یا توپولوژی سفارش چپ در هر متناهی مجموعه ای کاملا مرتب و فشرده است. به طور خاص ، فضای سیرپینسکی فشرده است.
  • هیچ فضای مجزایی با تعداد بی نهایت نقطه فشرده نیست. مجموعه ای از تمام تک از فضای پوشش باز است که اذعان می کند هیچ زیر پوشش متناهی است. فضاهای گسسته متناهی فشرده هستند.
  • در ℝ حمل توپولوژی حد پایین تر ، هیچ مجموعه غیر قابل شمارش فشرده است.
  • در توپولوژی قابل شمارش روی یک مجموعه غیر قابل شمارش ، هیچ مجموعه ای بی نهایت فشرده نیست. مانند مثال قبلی ، فضا به طور کلی فشرده نیست اما همچنان لیندلوف است .
  • فاصله واحد بسته [0 ، 1] فشرده است. این از قضیه هاینهه بورل ناشی می شود . فاصله باز (0 ، 1) فشرده نیست: پوشش باز {\ textstyle \ left ({\ frac {1} {n}} ، 1-{\ frac {1} {n}} \ right)}برای n = 3 ، 4 ،…  دارای زیرپوشش متناهی نیست. به طور مشابه ، مجموعه اعداد منطقی در بازه بسته [0،1] فشرده نیست: مجموعه اعداد منطقی در فواصل زمانی{\ textstyle \ left [0، {\ frac {1} {\ pi}}-{\ frac {1} {n}} \ right] {\ text {and}} \ left [{\ frac {1} { \ pi}}+{\ frac {1} {n}} ، 1 \ راست]}تمام منطقی ها را در [0 ، 1] برای n = 4 ، 5 ، ... بپوشانید ،  اما این جلد یک زیرپوشش متناهی ندارد. در اینجا، مجموعه در توپولوژی فضا باز حتی اگر آنها به عنوان زیر مجموعه ای از باز نیست  ℝ .
  • مجموعه ℝ از همه اعداد حقیقی است فشرده به عنوان یک پوشش فواصل باز می کند که یک زیر پوشش متناهی وجود ندارد. به عنوان مثال ، فواصل ( n - 1 ،  n + 1)  ، که در آن n تمام مقادیر صحیح را در Z می گیرد ، ℝ را پوشش دهید ، اما هیچ زیرپوشش متناهیی وجود ندارد.
  • از سوی دیگر، طولانی خط اعداد حقیقی حمل توپولوژی مشابه است فشرده، توجه داشته باشید که جلد شرح داده شده هرگز به نقاط بی نهایت نمی رسد. در واقع ، مجموعه دارای همومورفیسم [−1 ، 1] است که هر بی نهایت را به واحد مربوطه ترسیم می کند و هر عدد حقیقی را بر علامت آن ضرب می کند در عدد منحصر به فرد در قسمت مثبت فاصله که در صورت تقسیم بر مقدار مطلق آن حاصل می شود. یکی منهای خود ، و از آنجا که هومومورفیسم پوشش ها را حفظ می کند ، می توان ویژگی هاینه-بورل را استنباط کرد.
  • برای هر عدد طبیعی n را از N -sphere فشرده است. باز هم از قضیه هاینهه – بورل ، توپ واحد بسته هر فضای بردار با اندازه متناهی متراکم است. این برای ابعاد نامتناهی صادق نیست. در حقیقت ، یک فضای بردار نرمال در صورتی متناهی است که تنها و تنها در صورتی که توپ واحد بسته آن فشرده باشد.
  • از سوی دیگر ، توپ بسته واحد دوگانه یک فضای معمولی برای توپولوژی ضعیف* فشرده است. ( قضیه Alaoglu )
  • مجموعه کانتور فشرده است. در واقع ، هر فضای متریک فشرده تصویری پیوسته از مجموعه کانتور است.
  • مجموعه K همه توابع f  : → [0، 1] را از خط عدد حقیقی تا فاصله واحد بسته در نظر بگیرید و یک توپولوژی بر روی K تعریف کنید تا توالی\ {f_ {n} \}در K همگام با f ∈ K اگر و فقط اگر\ {f_ {n} (x) \}برای همه اعداد حقیقی x به سمت f ( x ) همگرا می شود . فقط یک توپولوژی از این دست وجود دارد. آن را توپولوژی همگرایی نقطه ای یا توپولوژی محصول می نامند . سپس K یک فضای توپولوژیکی فشرده است. این از قضیه تیخونف ناشی می شود .
  • مجموعه K همه توابع f را در نظر بگیرید  : [0، 1]  → [0، 1] که شرایط لیپشیتز را برآورده می کند f ( x ) -  f ( y ) | | x  -  y | برای همه x ،  y  ∈  [0،1] . در مورد K متریک ناشی از فاصله یکنواخت را در نظر بگیرید {\ displaystyle d (f، g) = \ sup _ {x \ in [0،1]} | f (x) -g (x) |.}سپس با قضیه آرزلو-آسکولی فضای K فشرده است.
  • طیف هر عملگر خطی کراندار در فضای باناخ یک زیر مجموعه فشرده ناتهی از است اعداد مختلط ℂ . برعکس ، هر زیر مجموعه فشرده ای از ℂ به این ترتیب ، به عنوان طیف برخی از عملگرهای خطی متناهی ، بوجود می آید. به عنوان مثال ، یک اپراتور مورب در فضای هیلبرت\ ell ^{2}ممکن است هر زیر مجموعه فشرده و خالی از ℂ به عنوان طیف داشته باشد.

مثالهای جبری [ ویرایش ]

همچنین ببینید [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/Compact_space

توپولوژی ضرب

از ویکیپدیا، دانشنامه آزاد

"فضای ضرب" به اینجا تغییر مسیر می دهد. برای سایر کاربردها ، به توپولوژی ضرب (ضرب) مراجعه کنید .

در توپولوژی و زمینه های مرتبط با ریاضیات ، یک فضای است ضرب دکارتی از یک خانواده از فضاهای توپولوژیک مجهز به یک توپولوژی طبیعی به نام توپولوژی ضرب . این توپولوژی با یک توپولوژی دیگر ، شاید واضح تر ، به نام توپولوژی جعبه ای متفاوت است ، که همچنین می تواند به یک فضای ضرب داده شود و هنگامی که ضرب در محدوده بسیار محدودی قرار دارد ، با توپولوژی ضرب مطابقت دارد. با این حال ، توپولوژی ضرب "صحیح" است زیرا فضای ضرب را ضربی طبقه ای از عوامل آن می کند ، در حالی که توپولوژی جعبه بسیار خوب است؛ از این نظر توپولوژی ضرب ، توپولوژی طبیعی روی ضرب دکارتی است.

 

فهرست

تعریف [ ویرایش ]

در طول ، منمجموعه ای از شاخص های خالی و برای هر شاخص خواهد بود{\ displaystyle i \ in I ،} X_ {i}خواهد بود فضای توپولوژیک . اجازه دهید

X: = \ prod _ {{i \ in I}} X_ {i}

شود ضرب دکارتی از مجموعهX_ {i} ،و نشان می دهد که پیش بینی های طبیعی توسط{\ displaystyle p_ {i}: X \ to X_ {i}.}توپولوژی ضرب ، گاهی به نام توپولوژی تیخونف ، درایکسبه عنوان درشت ترین توپولوژی (یعنی توپولوژی با کمترین مجموعه باز) تعریف شده است که همه پیش بینی ها برای آنp_ {i}می پیوسته  . ضرب دکارتیX: = \ prod _ {{i \ in I}} X_ {i}دارای توپولوژی ضرب ، فضای ضرب نامیده می شود . توپولوژی ضرب به دلیل واقعیت زیر توپولوژی همگرایی نقطه ای نیز نامیده می شود : توالی (یا خالص ) درایکس اگر و تنها در صورتی که همه فرافکنی های آن به فضاها متصل شود X_ {i}همگرا به طور خاص ، اگر شخص فضا را در نظر بگیرد{\ displaystyle X = \ mathbb {R} ^{I}}همه توابع با ارزش واقعی درمن، همگرایی در توپولوژی ضرب همان همگرایی نقطه ای توابع است.

مجموعه های باز در توپولوژی ضرب ، اتحادیه هایی (محدود یا نامحدود) از مجموعه های فرم هستند {\ displaystyle \ prod _ {i \ in I} U_ {i} ،} کجا هرکدام U_ {i} باز است در X_ {i} و {\ displaystyle U_ {i} \ neq X_ {i}} فقط برای تعداد بسیار زیادی من. به طور خاص ، برای یک ضرب محدود (به ویژه ، برای ضرب دو فضای توپولوژیکی) ، مجموعه ای از تمام ضربات دکارتی بین یک عنصر پایه از هر X_ {i} مبنایی برای توپولوژی ضرب می دهد {\ displaystyle \ prod _ {i \ in I} X_ {i}.} یعنی برای یک ضرب محدود ، مجموعه همه {\ displaystyle \ prod _ {i \ in I} U_ {i} ،} جایی که U_ {i} عنصری از (انتخاب شده) اساس است X_ {i} ، پایه ای برای توپولوژی ضرب است {\ displaystyle \ prod _ {i \ in I} X_ {i}.}

توپولوژی ضرب در ایکس توپولوژی است که توسط مجموعه های فرم ایجاد می شود {\ displaystyle p_ {i}^{-1} \ چپ (U_ {i} \ راست) ،} جایی که من \ در من و U_ {i} زیر مجموعه باز از است {\ displaystyle X_ {i}.} به عبارت دیگر ، مجموعه ها

باز است{\ displaystyle \ left \ {p_ {i}^{-1} \ left (U_ {i} \ right) ~: ~ i \ in I {\ text {and}} U_ {i} \ subseteq X_ {i} {\ text {در}} X_ {i} \ right \}} باز است

یک زیرمجموعه برای توپولوژی در ایجاد کنیدایکس.زیر مجموعه ازایکساگر و تنها در صورتی که اتحادیه ای (احتمالاً نامحدود) از تقاطع مجموعه های نامحدود زیادی از فرم باشد باز است{\ displaystyle p_ {i}^{-1} \ چپ (U_ {i} \ راست).} این {\ displaystyle p_ {i}^{-1} \ چپ (U_ {i} \ راست)}گاهی اوقات استوانه باز نامیده می شود و تقاطع آنها مجموعه استوانه است .

ضرب توپولوژی های هر کدام X_ {i}به شکل یک پایه و اساس آنچه که به نام توپولوژی جعبه درایکس.به طور کلی ، توپولوژی جعبه از توپولوژی ضرب ظریف تر است ، اما برای ضربات محدود آنها منطبق هستند.

مثالها [ ویرایش ]

اگر خط واقعی \ mathbb {R} دارای توپولوژی استاندارد خود و سپس توپولوژی ضرب روی ضرب استn کپی از \ mathbb {R} برابر با توپولوژی اقلیدسی معمولی در{\ mathbb {R}}^{n}.

مجموعه کانتور است homeomorphic به ضرب از شمارایند بسیاری از نسخه از فضای گسسته {\ displaystyle \ {0،1 \}}و فضای اعداد غیرمنطقی در نتیجه تعداد قابل ملاحظه ای از کپی های اعداد طبیعی همومورفیک است ، جایی که دوباره هر نسخه توپولوژی گسسته را حمل می کند.

چندین مثال اضافی در مقاله مربوط به توپولوژی اولیه آورده شده است .

خواص [ ویرایش ]

فضای ضرب ایکس،همراه با پیش بینی های طبیعی ، می توان با ویژگی جهانی زیر مشخص کرد : اگرY یک فضای توپولوژیکی است و برای هر {\ displaystyle i \ in I ،} f_ {i}: Y \ to X_ {i}یک نقشه پیوسته است ، پس دقیقاً یک نقشه پیوسته وجود داردf: Y \ به X به گونه ای که برای هر کدام من \ در مننمودار زیر حرکت می کند :

ویژگی مشخصه فضاهای محصول

این نشان می دهد که فضای ضرب ضربی در رده فضاهای توپولوژیکی است . از ویژگی جهانی فوق نشان می دهد که یک نقشه استf: Y \ به Xاگر و فقط اگر پیوسته است {\ displaystyle f_ {i} = p_ {i} \ circ f} برای همه پیوسته است {\ displaystyle i \ in I.} در بسیاری از موارد ، بررسی عملکرد قطعه آسان تر است f_ {i}پیوسته هستند بررسی اینکه آیا نقشه استf: Y \ به Xمداوم است معمولاً مشکل تر است. یکی سعی می کند از این واقعیت استفاده کند کهp_ {i} به نحوی پیوسته هستند

علاوه بر پیوسته بودن ، پیش بینی های متعارف {\ displaystyle p_ {i}: X \ تا X_ {i}}هستند نقشه باز . این بدان معناست که هر زیرمجموعه ای از فضای ضرب در صورت نمایش به پایین باز می ماند{\ displaystyle X_ {i}.} عکس آن درست نیست: اگر Wیک فضا فضا ضرب که بینی به همهX_ {i} باز هستند ، پس W نیازی به باز بودن نیست ایکس (برای مثال در نظر بگیرید {\ displaystyle W = \ mathbb {R} ^{2} \ setminus (0،1) ^{2}.}) پیش بینی های متعارف به طور کلی نقشه های بسته نیستند (برای مثال مجموعه بسته را در نظر بگیرید{\ displaystyle \ left \ {(x، y) \ in \ mathbb {R} ^{2}: xy = 1 \ right \}،} که پیش بینی آنها به هر دو محور است {\ displaystyle \ mathbb {R} \ setminus \ {0 \}})

فرض کنید {\ displaystyle \ prod _ {i \ in I} S_ {i}} ضرب زیر مجموعه های دلخواه است ، جایی که {\ displaystyle S_ {i} \ subseteq X_ {i}} برای هر {\ displaystyle i \ in I.} اگر همه S_ {i}می غیر خالی پس از آن{\ displaystyle \ prod _ {i \ in I} S_ {i}} یک زیرمجموعه بسته از فضای ضرب است ایکس اگر و فقط اگر همه S_ {i} یک زیرمجموعه بسته از است {\ displaystyle X_ {i}.} به طور کلی ، بسته شدن ضرب {\ displaystyle \ prod _ {i \ in I} S_ {i}} زیر مجموعه های دلخواه در فضای ضرب ایکسبرابر با ضرب بسته شدن است: [1]

{\ displaystyle \ operatorname {Cl} _ {X} \ left (\ prod _ {i \ in I} S_ {i} \ right) = \ prod _ {i \ in I} \ left (\ operatornname {Cl} _ {X_ {i}} S_ {i} \ right).}

هر ضربی از فضاهای هاوسدورف دوباره یک فضای هاسدورف است.

قضیه تیخونف ، که معادل اصل انتخاب است ، بیان می کند که هر ضربی از فضاهای فشرده یک فضای فشرده است. در تخصص قضیه  تیخونف که فقط به لمای فوق فیلتر (و نه به قدرت کامل اصل انتخابی) نیاز دارد ، بیان می شود که هر ضربی از فضاهای فشرده هاوسدورف یک فضای فشرده است.

اگر {\ displaystyle z = \ left (z_ {i} \ right) _ {i \ in I} \ in X} ثابت است سپس مجموعه

{\ displaystyle \ left \ {x = \ left (x_ {i} \ right) _ {i \ in I} \ in X \ colon x_ {i} = z_ {i} {\ text {برای همه به جز حداکثر بسیاری}} من \ راست \}}

یک زیر مجموعه متراکم از فضای ضرب استایکسبه [1]

ارتباط با سایر مفاهیم توپولوژیکی [ ویرایش ]

جدایش، جدایی

فشردگی

  • هر ضرب فضاهای فشرده فشرده است ( قضیه تایچنوف )
  • ضرب فضاهای فشرده محلی نیازی به فشرده سازی محلی ندارد. با این حال، یک ضرب دلخواه از فضاهای موضعا فشرده که در آن همه اما بسیاری از بطور متناهی فشرده هستند است به صورت محلی فشرده (این شرط کافی و لازم است).

پیوستگی

  • هر ضرب از متصل (محدوده مسیر اتصال) فضاهای متصل است (محدوده مسیر متصل)
  • هر ضربی از فضاهای قطع شده ارثی به طور ارثی قطع می شود.

فضاهای متریک

اصل انتخاب [ ویرایش ]

یکی از بسیاری از راههای بیان اصل انتخاب این است که بگوییم معادل این جمله است که ضرب دکارتی مجموعه ای از مجموعه های غیر خالی غیر خالی است. [3] اثبات این که از نظر توابع انتخابی معادل بیان اصل است فوری است: برای یافتن نماینده ای در ضرب ، فقط باید یک عنصر از هر مجموعه انتخاب کرد. برعکس ، نماینده ضرب مجموعه ای است که دقیقاً شامل یک عنصر از هر جزء است.

بدیهیات انتخاب دوباره در مطالعه فضاهای ضرب (توپولوژیکی) رخ می دهد. به عنوان مثال ، قضیه تیخونف در مورد مجموعه های فشرده یک مثال پیچیده تر و ظریف از گزاره ای است که نیاز به بدیهیات انتخاب دارد و در عمومی ترین فرمول آن معادل آن است ، [4] و نشان می دهد که چرا توپولوژی ضرب می تواند مفیدتر تلقی شود. توپولوژی برای قرار دادن ضرب دکارتی

همچنین ببینید [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/Product_topology

توپولوژی زیرفضا

  •  

     

    توپولوژی زیرفضا

    از ویکیپدیا، دانشنامه آزاد

    در توپولوژی و زمینه های مرتبط با ریاضیات ، یک شبه از یک فضای توپولوژیک X است زیر مجموعه S از X است که با یک مجهز توپولوژی ناشی از آن از X به نام توپولوژی فضا (یا توپولوژی نسبی ، یا توپولوژی ناشی از ، یا اثری توپولوژی )

    فهرست

    تعریف [ ویرایش ]

    با توجه به فضای توپولوژیکی (X ، \ tau)و یک زیر مجموعه س از ایکس، توپولوژی زیرفضا درس توسط تعریف می شود

    \ tau_S = \ lbrace S \ cap U \ mid U \ در \ tau \ rbrace.

    یعنی زیرمجموعه ای از سدر توپولوژی فضا باز است اگر و تنها اگر آن است تقاطع ازسبا یک مجموعه باز در(X ، \ tau)به اگرسمجهز به توپولوژی زیرفضا می باشد ، بنابراین به خودی خود یک فضای توپولوژیکی است و زیرفضا از(X ، \ tau)به فرض بر این است که زیر مجموعه های فضاهای توپولوژیکی مجهز به توپولوژی زیرفضا هستند مگر اینکه خلاف آن بیان شده باشد.

    متناوباً می توان توپولوژی زیرفضا را برای زیرمجموعه ای تعریف کرد س از ایکسبه عنوان درشت ترین توپولوژی که نقشه گنجاندن برای آن است

    \ iota: S \ hookrightarrow X

    است مستمر .

    به طور کلی تر ، فرض کنید \ iota یک IS تزریق از یک مجموعهس به یک فضای توپولوژیکی ایکسبه سپس توپولوژی زیرفضا روشن می شودس به عنوان درشت ترین توپولوژی برای آن تعریف شده است \ iota پیوسته است مجموعه های باز در این توپولوژی دقیقاً مجموعه های فرم هستند\ iota^{-1} (U) برای U باز کردن در ایکسبه سسپس به تصویر خود در هومومورفیک تبدیل می شودایکس (همچنین با توپولوژی زیرفضا) و \ iota جاسازی توپولوژیکی نامیده می شود .

    یک زیرفضا سدر صورت تزریق ، زیرفصل باز نامیده می شود\ iota یک نقشه باز است ، به عنوان مثال ، اگر تصویر رو به جلو یک مجموعه باز ازس باز است در ایکسبه به همین ترتیب در صورت تزریق ، زیرفصل بسته نامیده می شود\ iota یک نقشه بسته است

    اصطلاحات [ ویرایش ]

    تمایز بین یک مجموعه و یک مکان توپولوژیکی اغلب به لحاظ دلخواه ، برای راحتی ، محو می شود ، که می تواند منبع گیجی در هنگام برخورد اولین بار با این تعاریف باشد. بنابراین ، هر زمانس زیرمجموعه ای از است ایکس، و (X ، \ tau) یک فضای توپولوژیکی است ، سپس نمادهای بدون تزئین "س"و"ایکس"اغلب می تواند برای اشاره به هر دو مورد استفاده قرار گیرد س و ایکس به عنوان دو زیر مجموعه در نظر گرفته شده است ایکس، و همچنین به (S ، \ tau_S) و (X ، \ tau)به عنوان فضاهای توپولوژیکی ، همانطور که در بالا مورد بحث قرار گرفت. بنابراین عباراتی مانند "س یک زیرفضا باز از ایکس"به این معنی استفاده می شود (S ، \ tau_S) یک زیرفضا باز از (X ، \ tau)، به معنای زیر استفاده می شود ؛ یعنی: (من){\ displaystyle S \ in \ tau}؛ و (ii)س در نظر گرفته می شود که دارای توپولوژی زیرفضا است.

    مثالها [ ویرایش ]

    در ادامه مطلب ، \ mathbb {R} نشان دهنده اعداد حقیقی با توپولوژی های معمول خود را.

    • توپولوژی زیرفضای اعداد طبیعی ، به عنوان زیرفضا از\ mathbb {R} ، توپولوژی گسسته است .
    • اعداد گویا \ mathbb {Q}  به عنوان یک زیرفضا از \ mathbb {R}  توپولوژی مجزا ندارند (برای مثال {0} یک مجموعه باز نیست \ mathbb {Q} ) اگر و ب منطقی، سپس فواصل ( ، ب ) و [ ، ب ] به ترتیب باز و بسته، اما اگر و ب غیر منطقی هستند، پس از آن مجموعه ای از تمام منطقی X با < X < ب هر دو است باز و بسته
    • مجموعه [0،1] به عنوان زیرفضا از \ mathbb {R}  باز و بسته است ، در حالی که به عنوان زیر مجموعه ای از \ mathbb {R}  فقط بسته است
    • به عنوان یک زیرفضا از \ mathbb {R} ، [0 ، 1] ∪ [2 ، 3] از دو زیر مجموعه باز منفصل (که اتفاق می افتد نیز بسته می شوند) تشکیل شده است ، و بنابراین یک فضای قطع است .
    • بگذارید S = [0، 1) یک زیرفضا از خط واقعی باشد\ mathbb {R} به سپس [0 ، 1 ⁄ 2 ) در S باز است اما در S نیست\ mathbb {R} به به همین ترتیب [ 1 ⁄ 2 ، 1) در S بسته است اما در S بسته نیست\ mathbb {R} به S به عنوان زیرمجموعه ای از خود باز و بسته است اما به عنوان زیرمجموعه ای از آن نیست\ mathbb {R} به

    خواص [ ویرایش ]

    توپولوژی زیرفضا دارای ویژگی مشخصه زیر است. اجازه دهیدY زیر فضایی از ایکس و اجازه دهید i: Y \ به Xنقشه گنجاندن باشد سپس برای هر فضای توپولوژیکیZ نقشه f: Z \ به Yاگر و فقط در صورتی که نقشه ترکیبی باشد پیوسته استi \ circ f پیوسته است

    ویژگی مشخصه توپولوژی زیرفضا

    این ویژگی به این معنا مشخص است که می توان از آن برای تعریف توپولوژی زیرفضا استفاده کرد Yبه

    ما برخی دیگر از ویژگی های توپولوژی زیرفضا را لیست می کنیم. در ادامه اجازه دهیدس زیر فضایی از ایکسبه

    • اگر f: X \ به Y پیوسته است سپس محدودیت به س پیوسته است
    • اگر f: X \ به Y پس پیوسته است f: X \ به f (X) پیوسته است
    • بسته بسته می شود س دقیقاً تقاطع های س با مجموعه های بسته در ایکسبه
    • اگر آ یک زیرفضا از س سپس آ همچنین یک زیرفضا از است ایکسبا همان توپولوژی به عبارت دیگر توپولوژی زیرفضا کهآ ارث می برد از س همان چیزی است که از آن به ارث برده است ایکسبه
    • فرض کنید س یک زیرفضا باز از ایکس (بنابراین S \ in \ tau) سپس زیرمجموعه ای ازس باز است در س اگر و فقط اگر در آن باز باشد ایکسبه
    • فرض کنید س یک زیرفضا بسته از ایکس (بنابراین X \ setminus S \ in \ tau) سپس زیرمجموعه ای ازس در بسته است س اگر و فقط اگر در آن بسته باشد ایکسبه
    • اگر بیک اساس برایایکس سپس B_S = \ {U \ cap S: U \ در B \} مبنایی برای سبه
    • توپولوژی ناشی از زیرمجموعه یک فضای متریک با محدود کردن متریک به این زیرمجموعه با توپولوژی زیرفضا برای این زیرمجموعه منطبق است.

    حفظ خواص توپولوژیکی [ ویرایش ]

    اگر یک فضای توپولوژیکی دارای خاصیت توپولوژیکی باشد ، نشان می دهد که زیر فضاهای آن دارای این ویژگی هستند ، ما می گوییم که این ویژگی ارثی است . اگر فقط زیرفضا های بسته باید ویژگی را به اشتراک بگذارند ، ما آن را ارثی ضعیف می نامیم .

    همچنین ببینید [ ویرایش ]

    مراجع 

https://en.wikipedia.org/wiki/Subspace_topology

همسانریختی محلی

از ویکیپدیا، دانشنامه آزاد

 

 

در ریاضیات ، به طور خاص توپولوژی ، یک همسانریختی محلی است تابع بین فضاهای توپولوژیک که، به طور مستقیم، حفظ محلی ساختار (هر چند نه لزوما جهانی). اگرf: X \ به Y یک همانریختی محلی است ، ایکسگفته شده است که یک فضای étale بیش ازY. از همانریختی های محلی در مطالعه برش استفاده می شود . نمونه های معمولی از همانریختی های محلی ، نقشه ها را پوشش می دهند .

یک فضای توپولوژیکی ایکسدر هر نقطه از Y به صورت همانریخت به Y استایکسدارای محله ای که homeomorphic به یک زیر مجموعه باز Y . برای مثال، یک منیفولد از ابعادn به صورت محلی همانریخت است به {\ displaystyle \ mathbb {R} ^{n}.}

اگر همانریختی محلی از وجود داشته باشد ایکس به Y ، سپس ایکس به صورت محلی همانریخت است به Y ،اما عکس آن همیشه درست نیست. به عنوان مثال ، کره دو بعدی ، به عنوان یک مانیفولد ، به صورت محلی در سطح همانریخت است{\ displaystyle \ mathbb {R} ^{2} ،} اما همانریختی محلی بین آنها (در هر دو جهت) وجود ندارد.

 

فهرست

تعریف رسمی [ ویرایش ]

اجازه دهید ایکس و Yشود فضاهای توپولوژیک . یک تابعf: X \ به Yیک همانریختی محلی است [1] اگر برای هر نقطهx \ در Xیک مجموعه باز وجود دارد U حاوی ایکس،به گونه ای که تصویر f (U) باز است در Yو محدودیت {\ displaystyle f {\ big \ vert} _ {U}: U \ to f (U)}یک همانریختی است (که در آن توپولوژی های زیرفضا مربوطه در آن استفاده می شودU و در f (U))

مثالها و شرایط کافی [ ویرایش ]

هر همانریختی همچنین یک همانریختی محلی است. اگرf: X \ به Y یک همانریختی محلی است و U زیر مجموعه باز از است ایکس، سپس محدودیت  _ {U}: U \ to Y}{\ displaystyle f {\ big \ vert} _ {U}: U \ to Y}همچنین یک همانریختی محلی است. ترکیب دو همانریختیها محلی همسانریختی محلی است (است که، اگرf: X \ به Y و g: Y \ به Z همانریختی محلی هستند ، سپس ترکیب {\ displaystyle g \ circ f: X \ به Z}همچنین یک همانریختی محلی است). اگرf: X \ به Y پیوسته است ، g: Y \ به Z یک همانریختی محلی است و {\ displaystyle g \ circ f: X \ به Z} یک همانریختی محلی ، پس f همچنین یک همانریختی محلی است.

اگر U زیر مجموعه باز از است Yمجهز به توپولوژی زیرفضا ، سپس نقشه گنجاندن {\ displaystyle i: U \ to Y}یک همانریختی محلی است. زیر مجموعهU باز بودن در ایکس در اینجا ضروری است زیرا نقشه گنجاندن یک زیرمجموعه غیر باز از Y هرگز همانریختی محلی ایجاد نمی کند.

اگر {\ displaystyle f: \ mathbb {R} \ to S^{1}} توسط تعریف می شود {\ displaystyle f (t) = e^{it} ،}به طوری که هندسی، این نقشه کاری ادامه داده اند خط واقعی در اطراف دایره ، و سپس{\ displaystyle f: \ mathbb {R} \ to S^{1}}همانریختی محلی است اما همانریختی نیست. اگر{\ displaystyle f: S^{1} \ به S^{1}} نقشه ای است که دایره را به دور خود می پیچد nبار (یعنی دارای شماره سیم پیچ) n) ، پس این یک همانریختی محلی برای همه غیر صفر است {\ displaystyle n ،}اما همانریختی تنها در مواردی است که دو جهته است ، یعنی وقتیn برابر 1 یا -1

با تعمیم دو مثال قبلی ، هر نقشه پوششی یک همانریختی محلی است. به طور خاص ، پوشش جهانی {\ displaystyle p: C \ to Y} از یک فضا Yیک همانریختی محلی است. در شرایط خاص عکس آن صادق است. به عنوان مثال: اگر{\ displaystyle p: X \ به Y}یک همانریختی محلی مناسب بین دو فضای هاسدورف و if استYهمچنین به صورت محلی جمع و جور ، و سپسپ یک نقشه پوششی است

همانریختی های محلی وجود دارد f: X \ به Y جایی که Yیک فضای هاسدورف است وایکسنیست. به عنوان مثال فضای ضریب را در نظر بگیرید {\ displaystyle X = \ left (\ mathbb {R} \ sqcup \ mathbb {R} \ right)/\ sim،}جایی که رابطه معادل \ سیم در پیوند جدا از هم دو نسخه از واقعیات ، هر واقعی منفی نسخه اول را با منفی منفی مربوط به نسخه دوم مشخص می کند. دو نسخه از{\ displaystyle 0} شناسایی نشده اند و هیچ محله ای به هم پیوسته ندارند ، بنابراین ایکسهاسدورف نیست یکی به راحتی نقشه طبیعی را بررسی می کند{\ displaystyle f: X \ به \ mathbb {R}}یک همانریختی محلی است. فیبر{\ displaystyle f^{-1} (\ {y \})} اگر دارای دو عنصر باشد {\ displaystyle y \ geq 0} و یک عنصر اگر {\ displaystyle y <0.} به طور مشابه ، می توان یک همانریختی محلی ایجاد کرد f: X \ به Y جایی که ایکس هاسدورف است و Y نیست: نقشه طبیعی را از آنجا انتخاب کنید {\ displaystyle X = \ mathbb {R} \ sqcup \ mathbb {R}} به {\ displaystyle Y = \ left (\ mathbb {R} \ sqcup \ mathbb {R} \ right)/\ sim} با همان رابطه معادل سازی \ سیم  مانند بالا.

در تجزیه و تحلیل پیچیده نشان داده شده است که یک تابع تحلیلی پیچیده است{\ displaystyle f: U \ to \ mathbb {C}} (جایی که Uیک زیر مجموعه باز از صفحه پیچیده است \ mathbb {C} ) یک همانریختی محلی است دقیقاً زمانی که مشتق شده است {\ displaystyle f^{\ prime} (z)} برای همه غیر صفر است {\ displaystyle z \ در U.} کارکرد {\ displaystyle f (x) = z^{n}} روی یک دیسک باز در اطراف {\ displaystyle 0} همانریختی محلی در آن نیست {\ displaystyle 0} چه زمانی {\ displaystyle n \ geq 2.} در این مورد {\ displaystyle 0}یک نقطه " انحراف " است (به طور شهودی ،n ملحفه ها آنجا جمع می شوند)

با استفاده از قضیه تابع معکوس می توان یک تابع متغیر پیوسته را نشان داد{\ displaystyle f: U \ to \ mathbb {R} ^{n}} (جایی که U زیر مجموعه باز از است \ mathbb {R} ^{n}) در صورت مشتق ، همانریختی محلی است {\ displaystyle D_ {x} f} یک نقشه خطی معکوس (ماتریس مربع معکوس) برای هر کدام است x \ در U. (برعکس نادرست است ، همانطور که توسط همانریختی محلی نشان داده شده است {\ displaystyle f: \ mathbb {R} \ به \ mathbb {R}} با f (x) = x^3) یک حالت مشابه را می توان برای نقشه های بین منیفولدهای متغیر تنظیم کرد .

فرض کنید f: X \ به Yیک سوراخ باز مداوم بین دو فضای قابل شمارش دوم هاسدورف است که در آنایکسیک فضای بایر است وYیک فضای عادی . اگر هر فیبر ازfیک زیرفضا مجزا از استایکس (که شرط لازم برای آن است f: X \ به Y یک همانریختی محلی باشد) f هست یک Y-ارزش همانریختی محلی در زیر مجموعه متراکم باز ایکس. برای روشن شدن نتیجه گیری این بیانیه ، اجازه دهید {\ displaystyle O = O_ {f}} بزرگترین زیر مجموعه باز (منحصر به فرد) باشد ایکس به طوری که  _ {O}: O \ to Y}{\ displaystyle f {\ big \ vert} _ {O}: O \ to Y}یک همانریختی محلی است. [توجه 1] اگر هر فیبر ازfیک زیرفضا مجزا از استایکس سپس این مجموعه باز Oلزوماً یک زیر مجموعه متراکم از استایکس (که سپس به طور خاص دلالت بر این دارد که {\ displaystyle O \ neq \ varnothing} چه زمانی X \ neq \ لاک زدن ) یک پیامد خاص این است که هر گونه فرافکنی مداوم بازfبین فضاهای کاملاً متری قابل شمارش دوم که دارای الیاف مجزا هستند "تقریباً در همه جا" یک همانریختی محلی است (به معنای توپولوژیکی کهاززیر مجموعه متراکم باز دامنه آن است). به عنوان مثال ، اگر سوراخ باز مداوم{\ displaystyle f: \ mathbb {R} \ to [0، \ infty)} با چند جمله ای تعریف می شود f (x) = x^{2} سپس حداکثر زیر مجموعه باز {\ displaystyle O = O_ {f}} از این قضیه است {\ displaystyle O = \ mathbb {R} \ setminus \ {0 \}؛} این مثال همچنین نشان می دهد که ممکن است برای Oبه عنوان زیرمجموعه متراکم مناسب ازfدامنه از آنجا که هر فیبر از هر چند جمله ای غیر ثابت محدود است (و در نتیجه یک زیرفضا گسسته و حتی فشرده است) ، این مثال هر زمان که نگاشت ناشی از آن یک نقشه باز باشد ، به چنین چند جمله ای تعمیم می یابد. و اگر یک نقشه باز نیست ، با این وجود همچنان ساده است که قضیه را (احتمالاً چندین بار) با انتخاب دامنه (ها) بر اساس در نظر گرفتن حداقلها و حداکثرهای محلی نقشه بکار ببریم.

خواص [ ویرایش ]

هر همانریختی محلی یک نقشه پیوسته و باز است . دوسویی همسانریختی محلی است بنابراین یک همسانریختی.

هر فیبر یک همانریختی محلیf: X \ به Yیک زیرفضا مجزا از حوزه خود است ایکس.

همانریختی محلی f: X \ به Y ویژگیهای توپولوژیکی "محلی" را در هر دو جهت منتقل می کند:

همانطور که در بالا اشاره شد ، ویژگی هاسدورف از این نظر محلی نیست و نیازی به حفظ همانریختی های محلی نیست.

همومورفیسم های محلی با کدوماین Yدر مکاتبات طبیعی یک به یک با انبوه مجموعه ها بایستید{\ displaystyle Y؛}این مکاتبات در واقع معادل مقولاتی است . علاوه بر این ، هر نقشه پیوسته با کدومنY باعث ایجاد همانریختی محلی منحصر به فرد با کدوم می شود Yبه صورت طبیعی همه اینها به طور مفصل در مقاله sheaves توضیح داده شده است .

کلیات و مفاهیم مشابه [ ویرایش ]

ایده یک همانریختی محلی را می توان در تنظیمات هندسی متفاوت از فضاهای توپولوژیکی فرموله کرد. برای منیفولدهای متغیر ، ما تفاوت های محلی را بدست می آوریم . برای طرح ها ، ما مورفیسم های رسمی و مورفیسم های ایتالی داریم . و برای توپوزها ، مورفیسم های هندسی قدیمی را دریافت می کنیم .

همچنین ببینید [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/Local_homeomorphism

نمونه هایی از گروه ها

 

برخی از نمونه های ابتدایی گروه ها در ریاضیات بر روی گروه (ریاضیات) آورده شده است . نمونه های بیشتر در اینجا ذکر شده است.

 

فهرست

جایگزینی مجموعه ای از سه عنصر [ ویرایش ]

 

نمودار دوران برای S 3 . یک حلقه مجموعه ای از توانهای هر عنصر متصل به عنصر همانی (e) را مشخص می کند. به عنوان مثال ، حلقه e-ba-ab این واقعیت را نشان می دهد که ba 2 = ab و ba 3 = e ، و همچنین این واقعیت را ab 2 = ba و ab 3 = e "حلقه" های دیگر ریشه واحد هستند به طوری که برای مثال a 2 = e.

مقاله اصلی: گروه گروه دووجهی مرتبه 6

سه بلوک رنگی (قرمز ، سبز و آبی) را در نظر بگیرید که در ابتدا به ترتیب RGB قرار گرفته بودند. اجازه دهید a عمل "تعویض بلوک اول و بلوک دوم" و b عملیات "تعویض بلوک دوم و بلوک سوم" باشد.

ما می توانیم xy را برای عملیات بنویسیم "ابتدا y را انجام دهید ، سپس x را انجام دهید ". به این ترتیب ab عملیات RGB → RBG → BRG است که می تواند به عنوان "حرکت دو بلوک اول در یک موقعیت به راست و قرار دادن بلوک سوم در موقعیت اول" توصیف شود. اگر e را برای "بلوکها را همانطور که هستند" بگذارید (عملیات همانی) بنویسیم ، می توانیم شش جایگشت سه بلوک را به شرح زیر بنویسیم:

  • e  : RGB → RGB
  • a  : RGB → GRB
  • b  : RGB → RBG
  • ab  : RGB → BRG
  • ba  : RGB → GBR
  • aba  : RGB BGR

توجه داشته باشید که aa دارای اثر RGB → GRB → RGB است. بنابراین می توانیم aa = e بنویسیم . به طور مشابه ، bb = ( aba ) ( aba ) = e ؛ ( ab ) ( ba ) = ( ba ) ( ab ) = e ؛ بنابراین هر عنصر معکوس دارد.

با بازرسی ، می توانیم ارتباط و بسته شدن را تعیین کنیم. به طور خاص توجه کنید که ( ba ) b = bab = b ( ab ).

از آنجا که از عملیات اصلی a و b ساخته شده است ، می گوییم که مجموعه { a ، b } این گروه را تولید می کند . این گروه، به نام گروه متقارن 3 ، است مرتبه 6، و غیر آبلی است (از، برای مثال، AB ≠ BA ).

گروه تبدیل های صفحه [ ویرایش ]

تبدیل از صفحه یک جنبش سفت و سخت از هر نقطه از صفحه برای یک فاصله معینی در یک جهت خاص است. به عنوان مثال "حرکت در جهت شمال شرقی به مدت 2 مایل" تبدیل صفحه است. دو تبدیل از قبیل و ب می توان تشکیل شده به شکل یک تبدیل جدید ∘ ب شرح زیر است: اول را دنبال تجویز ب که از، پس از آن . به عنوان مثال ، اگر

a = "3 مایل به سمت شمال شرقی حرکت کنید"

و

b = "4 مایل به سمت جنوب شرقی حرکت کنید"

سپس

a ∘ b = "حرکت به سمت بلبرینگ 8.13 درجه به مدت 5 مایل" (بلبرینگ در خلاف جهت عقربه های ساعت و از شرق اندازه گیری می شود)

یا اگر

a = "حرکت به سمت بلبرینگ 36.87 درجه به مدت 3 مایل" (بلبرینگ در جهت عقربه های ساعت و از شرق اندازه گیری می شود)

و

b = "حرکت به بلبرینگ 306.87 درجه به مدت 4 مایل" (بلبرینگ در خلاف جهت عقربه های ساعت و از شرق اندازه گیری می شود)

سپس

a ∘ b = "5 مایل به شرق حرکت کنید"

( برای این که چرا از نظر هندسی چنین است قضیه فیثاغورس را ببینید ).

مجموعه همه تبدیل های صفحه با ترکیب به عنوان عملیات یک گروه را تشکیل می دهد:

  1. اگر a و b تبدیل هستند ، a ∘ b نیز تبدیل است.
  2. ترکیب تبدیل ها همراه است: ( a ∘ b ) ∘ c = a ∘ ( b ∘ c ).
  3. عنصر همانی برای این گروه تبدیل با نسخه "حرکت صفر مایل در هر جهت مورد نظر" است.
  4. عکس عکس تبدیل با راه رفتن در جهت مخالف به همان فاصله ارائه می شود.

این یک گروه ابلیان و اولین نمونه (غیر گسسته) ما از گروه دروغ است : گروهی که همچنین چندگانه است .

گروه تقارن از یک مربع: گروه دوسطحی از مرتبه 8[ ویرایش ]

 

نمودار دوران Dih 4
a چرخش در جهت عقربه های ساعت
و b بازتاب افقی است.

Dihedral group4 example.png
Dih 4 به عنوان گروه نقطه 2D ، D 4 ، [4] ، (*4 •) ، مرتبه 4 ، با چرخش 4 برابر و مولد آینه.
Dihedral group4 example2.png
Dih 4 در گروه سه بعدی D 4 ، [4،2] + ، (422) ، مرتبه 4 ، با مولد چرخشی 4 برابر عمودی به ترتیب 4 و مولد افقی 2 برابر

 

نمودار Cayley از Dih 4

 

نمودار متفاوت Cayley از Dih 4 ، که توسط بازتاب افقی b و بازتاب مورب c ایجاد شده است

گروه ها برای توصیف تقارن اشیاء بسیار مهم هستند ، چه از نظر هندسی (مانند یک چهار ضلعی ) و چه از نظر جبری (مانند مجموعه ای از معادلات). به عنوان مثال ، ما یک مربع شیشه ای با ضخامت مشخص (با حرف "F" روی آن نوشته شده است ، فقط برای این که موقعیت های مختلف قابل تشخیص باشد) در نظر می گیریم.

برای توصیف تقارن آن ، مجموعه ای از تمام حرکات سفت و محکم مربع را ایجاد می کنیم که تفاوت قابل توجهی ایجاد نمی کند (به جز "F"). به عنوان مثال ، اگر جسمی 90 درجه در جهت عقربه های ساعت بچرخد ، همچنان یکسان به نظر می رسد ، حرکت یکی از عناصر مجموعه است ، برای مثال a . ما همچنین می توانیم آن را به صورت افقی بچرخانیم تا قسمت زیرین آن به سمت بالای آن تبدیل شود ، در حالی که لبه سمت چپ به لبه راست تبدیل می شود. دوباره ، پس از انجام این حرکت ، مربع شیشه ای یکسان به نظر می رسد ، بنابراین این نیز یک عنصر از مجموعه ما است و ما آن را b می نامیم . حرکتی که هیچ کاری انجام نمی دهد با e نشان داده می شود .

با توجه به دو حرکت x و y ، می توان ترکیب x ∘ y را در بالا تعریف کرد: ابتدا حرکت y انجام می شود ، سپس حرکت x انجام می شود . در نتیجه دال مانند قبل به نظر می رسد.

نکته این است که مجموعه همه آن حرکات ، با ترکیب به عنوان عملیات ، یک گروه را تشکیل می دهد. این گروه مختصرترین توصیف تقارن مربع است. شیمی دانان از گروه های تقارن این نوع برای توصیف تقارن بلورها و مولکول ها استفاده می کنند.

ایجاد گروه [ ویرایش ]

بیایید گروه تقارن مربعات خود را بیشتر بررسی کنیم. در حال حاضر ، ما عناصر a ، b و e را داریم ، اما می توانیم به راحتی بیشتر بسازیم: برای مثال a ∘ a ، که به صورت 2 نیز نوشته شده است ، یک چرخش 180 درجه است. 3 یک چرخش 270 درجه در جهت عقربه های ساعت (یا 90 درجه چرخش خلاف جهت عقربه های ساعت) است. ما همچنین که دیدن ب 2 = E و همچنین 4 = E . در اینجا یک مورد جالب وجود دارد: a ∘ b چه می کند؟ ابتدا به صورت افقی بچرخانید ، سپس بچرخانید. سعی کنید آن را a ∘ b تجسم کنید= b ∘ 3 . همچنین ، 2 ∘ b یک تلنگر عمودی است و برابر b ∘ 2 است .

ما می گوییم که عناصر a و b گروه را ایجاد می کنند.

این گروه از مرتبه 8 دارای جدول Cayley زیر است :

هبآیک 2یک 3آبa 2 ba 3 ب
ههبآیک 2یک 3آبa 2 ba 3 ب
ببهa 3 بa 2 bآبیک 3یک 2آ
آآآبیک 2یک 3هa 2 ba 3 بب
یک 2یک 2a 2 bیک 3هآa 3 ببآب
یک 3یک 3a 3 بهآیک 2بآبa 2 b
آبآبآبa 3 بa 2 bهیک 3یک 2
a 2 ba 2 bیک 2آببa 3 بآهیک 3
a 3 بa 3 بیک 3a 2 bآببیک 2آه

برای هر دو عنصر در گروه ، جدول ترکیب آنها را ثبت می کند.

در اینجا ما "نوشت 3 ب " را به عنوان مخفف 3 ∘ ب .

در ریاضیات ، این گروه به عنوان گروه دو طبقه ای مرتبه 8 شناخته می شود و بسته به شرایط ، یا Dih 4 ، 4 یا 8 مشخص می شود . این نمونه ای از یک گروه غیر آبلی بود: عمل ∘ در اینجا جابجایی نیست ، که از جدول قابل مشاهده است. جدول از نظر قطر اصلی متقارن نیست.

گروه دایدرال از مرتبه 8 ایزومورف با گروه جایگشت ایجاد شده توسط (1234) و (13) است

به

زیر گروه نرمال [ ویرایش ]

این نسخه از جدول Cayley نشان می دهد که این گروه دارای یک زیر گروه معمولی است که با پس زمینه قرمز نشان داده شده است. در این جدول r به معنای چرخش و f به معنی تلنگر است. از آنجا که زیر گروه نرمال است ، کاست چپ همان کاست راست است.

جدول گروهی D 4
 هr 1r 2r 3f vf ساعتf دf ج
ههr 1r 2r 3f vf ساعتf دf ج
r 1r 1r 2r 3هf جf دf vf ساعت
r 2r 2r 3هr 1f ساعتf vf جf د
r 3r 3هr 1r 2f دf جf ساعتf v
f vf vf دf ساعتf جهr 2r 1r 3
f ساعتf ساعتf جf vf دr 2هr 3r 1
f دf دf ساعتf جf vr 3r 1هr 2
f جf جf vf دf ساعتr 1r 3r 2ه
عناصر e ، r 1 ، r 2 و r 3 زیر گروهی را تشکیل می دهند که در آنها برجسته شده است قرمز (ناحیه بالا سمت چپ). یک کاست چپ و راست از این زیر گروه در برجسته شده است  سبز (در ردیف آخر) و   زرد (آخرین ستون) به ترتیب.

 

گروه آزاد در دو مولد [ ویرایش ]

گروه آزاد با دو مولد و ب شامل تمام متناهی رشته است که می تواند از چهار علامت تشکیل ، -1 ، ب و ب -1 به طوری که هیچ به نظر می رسد به طور مستقیم در کنار یک -1 و ب به نظر می رسد به طور مستقیم در کنار −1 . با جایگزینی مکرر زیر رشته های "ممنوعه" با رشته خالی ، می توان دو رشته را به هم متصل کرد و به رشته ای از این نوع تبدیل کرد. به عنوان مثال: " abab −1 −1 " با "abab −1 a "بازده" abab −1 −1 abab −1 a "، که به" abaab −1 a " تقلیل می یابد . می توان بررسی کرد که مجموعه آن رشته ها با این عملیات گروهی را با عنصر خنثی خالی تشکیل می دهد رشته ε: = "". (معمولاً علامت نقل قول کنار گذاشته می شود ؛ به همین دلیل علامت ε! الزامی است)

این یکی دیگر از گروههای بی ابلی نامتناهی است.

گروههای آزاد در توپولوژی جبری مهم هستند . گروه آزاد در دو مولد همچنین برای اثبات پارادوکس Banach -Tarski استفاده می شود .

مجموعه نگاشت ها [ ویرایش ]

مجموعه نگاشت ها از یک مجموعه به یک گروه [ ویرایش ]

اجازه دهید G یک گروه و S یک مجموعه غیر خالی باشد. مجموعه نگاشت های M ( S ،  G ) خود یک گروه است. یعنی برای دو نگاشت f ، g از S به G ما fg را نگاشت ای تعریف می کنیم که ( fg ) ( x ) =  f ( x ) g ( x ) برای هر x ∈ S و −1 نگاشت ای باشد که −1 ( x ) =  f (x ) −1 .

نگاشت های f ، g و h را در M ( S ،  G ) بگیرید. برای هر x در S ، f ( x ) و g ( x ) هر دو در G هستند ، و ( fg ) ( x ) نیز همینطور است . بنابراین ، fg نیز در M ( S ،  G ) است ، یا M ( S ،  G ) بسته است. برای (( fg ) ساعت ) (x ) = ( fg ) ( x ) h ( x ) = ( f ( x ) g ( x )) h ( x ) =  f ( x ) ( g ( x ) h ( x )) =  f ( x ) ( gh ) ( x ) = ( f ( gh )) ( x ) ، M ( S ،  G ) تداعی کننده است. و نگاشت i وجود داردبه طوری که i ( x ) =  e که e واحد عنصر G است . نگاشت i تمام توابع f را در M ( S ،  G ) به گونه ای می سازد که اگر  =  fi  =  f ، یا i عنصر واحد M ( S ،  G ) باشد. بنابراین ، M ( S ،  G ) در واقع یک گروه است.

اگر G عوض شود ، ( fg ) ( x ) =  f ( x ) g ( x ) =  g ( x ) f ( x ) = ( gf ) ( x ) . بنابراین ، M ( S ،  G ) نیز همینطور است .

گروه های خودریختی [ ویرایش ]

گروه های جایگزین [ ویرایش ]

فرض کنید G مجموعه نگاشت های مفاهیم یک مجموعه S بر روی خود باشد. سپس G یک گروه تحت ترکیب معمولی نگاشت ها تشکیل می دهد. این گروه گروه متقارن نامیده می شود و معمولاً نشان داده می شود{\ displaystyle \ operatorname {Sym} (S)}{\ displaystyle \ operatorname {Sym} (S)}، Σ S ، یا{\ displaystyle {\ mathfrak {S}} _ {S}}{\ displaystyle {\ mathfrak {S}} _ {S}}به عنصر واحد G است نگاشت همانی از S . برای دو نگاشت f و g در G دو فاعلی هستند ، fg نیز فاعلی است. بنابراین ، G بسته است. ترکیب نگاشت ها تداعی کننده است. بنابراین G یک گروه است S ممکن است متناهی یا نامحدود باشد.

گروه های ماتریسی [ ویرایش ]

اگر n یک عدد صحیح مثبت باشد ، می توانیم مجموعه ای از همه n معکوس را با ماتریس روی واقعی ها در نظر بگیریم . این یک گروه با ضرب ماتریس به عنوان عمل است. به آن گروه خطی عمومی ، GL ( n ) می گویند . هندسی، آن را حاوی تمام ترکیبات از چرخش، بازتاب، اتساع و تحولات انحراف N بعدی فضای اقلیدسی که رفع یک نقطه داده شده است ( منشاء ).

اگر خود را به ماتریس های با تعیین کننده 1 محدود کنیم ، گروه دیگری به دست می آوریم ، گروه خطی ویژه ، SL ( n ). از نظر هندسی ، این شامل همه عناصر GL ( n ) است که هم جهت و هم حجم جامدات مختلف هندسی را در فضای اقلیدسی حفظ می کند.

اگر در عوض خود را به ماتریس های متعامد محدود کنیم ، آنگاه به گروه متعامد O ( n ) می رسیم . از نظر هندسی ، این شامل همه ترکیبات چرخش و بازتاب است که مبدأ را ثابت می کند. اینها دگرگونی هایی هستند که طول و زاویه را حفظ می کنند.

در نهایت ، اگر هر دو محدودیت را اعمال کنیم ، گروه ویژه متعامد SO ( n ) را دریافت می کنیم که فقط شامل چرخش است.

این گروهها اولین نمونه های ما از گروههای نامتناهی غیر ابلی هستند. آنها همچنین به طور تصادفی گروه های دروغ هستند . در حقیقت ، اکثر گروه های مهم دروغ (اما نه همه) را می توان به صورت گروه های ماتریسی بیان کرد.

اگر این ایده به ماتریس هایی با اعداد مختلط به عنوان مدخل تعمیم داده شود ، گروه های دروغ مفید دیگری مانند گروه واحد U ( n ) بدست می آید. ما همچنین می توانیم ماتریس هایی با کواترنیون را به عنوان مدخل در نظر بگیریم . در این مورد ، هیچ مفهوم کاملاً مشخصی از یک تعیین کننده وجود ندارد (و بنابراین راه خوبی برای تعریف یک "حجم" کواترنیونی وجود ندارد) ، اما ما هنوز می توانیم گروهی شبیه به گروه متعامد ، گروه symplectic Sp ( n ) تعریف کنیم.

علاوه بر این ، می توان این ایده را به طور جبری با ماتریس ها در هر زمینه ای مورد بررسی قرار داد ، اما در این صورت گروه ها گروه های دروغگو نیستند.

به عنوان مثال ، ما گروههای خطی کلی را در زمینه های محدود داریم . نظریه پرداز گروه JL Alperin نوشته است که "نمونه معمولی گروه محدود این است{\ displaystyle GL (n ، q)}{\ displaystyle GL (n ، q)}، گروه خطی کلی n ابعاد بر روی میدان با عناصر q. دانش آموزی که با مثال های دیگر با موضوع آشنا می شود ، به طور کامل گمراه می شود. " [1]

منبع

https://en.wikipedia.org/wiki/Examples_of_groups#dihedral_group_of_order_8

گروه دو وجهی مرتبه 6(4)

 

تا زمان ایزومورفیسم ، این گروه دارای سه نمایش واحد مختلط غیرقابل کاهش است که ما آنها را نام خواهیم گذاشت من (نمایش بی اهمیت) ، \ rho _ {1} و \ rho _ {2}، جایی که زیرنویس ابعاد را نشان می دهد. با تعریف خود به عنوان یک گروه جایگشت روی مجموعه با سه عنصر ، این گروه نمایشی از آن دارد\ mathbb {C} ^{3}با جایگذاری ورودی های بردار ، نمای اساسی. این نمایش غیرقابل تقلیل نیست ، زیرا به صورت یک جمع مستقیم تجزیه می شودمن و \ rho _ {2}به من به عنوان زیرفضای بردارهای فرم ظاهر می شود (\ lambda ، \ lambda ، \ lambda) ، \ lambda \ در {\ mathbb {C}} و \ rho _ {2} بازنمایی مکمل متعامد آن است که بردارهای فرم هستند (\ lambda _ {1} ، \ lambda _ {2} ،-\ lambda _ {1}-\ lambda _ {2})به بازنمایی تک بعدی بی اهمیت\ rho _ {1} از طریق گروه ها بوجود می آید \ mathbb {Z} _ {2}درجه بندی: عمل ضرب در علامت جایگشت عنصر گروه است. هر گروه محدودی چنین نمایشی دارد زیرا با عمل منظم خود زیر گروهی از یک گروه حلقوی است. شمارش ابعاد مربع نمایش ها (1^{2}+1^{2}+2^{2} = 6، ترتیب گروه) ، ما می بینیم که اینها باید همه بازنمایی های غیر قابل تقلیل باشند. [2]

یک نمای خطی غیرقابل تقلیل دو بعدی یک نمایش فصلی 1 بعدی (یعنی عملی در خط پیش بینی ، جاسازی در گروه موبیوس PGL (2 ، C ) ) را به عنوان دگرگونی های بیضوی به دست می آورد . این را می توان با ماتریس هایی با ورودی های 0 و 1 نشان داد (در اینجا به صورت تبدیل خطی کسری نوشته شده است ) ، که به عنوان گروه ناهماهنگ شناخته می شود :

  • مرتبه 1: z
  • مرتبه 2: 1-z ، 1/z ، z/(z-1)
  • مرتبه 3: (z-1)/z ، 1/(1-z)

و بنابراین به نمایشی از هر زمینه ای ، که همیشه وفادار/تزریق کننده است ، نازل می شود (زیرا هیچ دو اصطلاح فقط با یک نشانه تفاوت ندارند). در بالای میدان با دو عنصر ، خط نمای فقط 3 نقطه دارد ، و بنابراین این ایزومورفیسم استثنایی است S_ {3} \ تقریبا {\ mathrm {PGL}} (2،2). در مشخصه 3 ، این تعبیه نقطه را تثبیت می کند -1 = [-1: 1] ، از آنجا که 2 = 1/2 = -1(در ویژگیهای بزرگتر از 3 ، این نقاط متمایز و جایگزین شده اند و مدار نسبت متقابل هارمونیک هستند ). در بالای میدان با سه عنصر ، خط نمایشی دارای 4 عنصر است و از آنجا که PGL (2 ، 3) در 4 عنصر با گروه متقارن ایزومورف است ، S 4 ، جاسازی نتیجه{\ mathrm {S}} _ {3} \ hookrightarrow {\ mathrm {S}} _ {4} برابر است با تثبیت کننده نقطه -1به

منبع

https://en.wikipedia.org/wiki/Dihedral_group_of_order_6

گروه دو وجهی مرتبه 6(3)

 

 

  •  

جایگزینی مجموعه ای از سه شی [ ویرایش ]

سه بلوک رنگی (قرمز ، سبز و آبی) را در نظر بگیرید که در ابتدا به ترتیب RGB قرار گرفته بودند. گروه متقارن S 3 است پس از آن گروه از همه امکان پذیر بازآرایی از این بلوک. اگر ما با معنی عمل "مبادله دو بلوک اول"، و ب اقدام "مبادله دو بلوک گذشته"، ما می توانیم تمام جایگشت های ممکن از نظر این دو اقدام ارسال.

به صورت ضرب ، ما به طور سنتی xy را برای عمل ترکیبی می نویسیم "ابتدا y را انجام دهید ، سپس x را انجام دهید ". بنابراین ab عمل RGB ↦ RBG ↦ BRG است ، یعنی "آخرین بلوک را بگیرید و آن را به جلو منتقل کنید". اگر برای "ترک بلوک به عنوان آنها" (عمل هویت)، پس ما می توانیم شش ارسال جایگشت از مجموعه ای از سه بلوک به عنوان اقدامات زیر است:

  • e  : RGB ↦ RGB یا ()
  • a  : RGB ↦ GRB یا (RG)
  • b  : RGB ↦ RBG یا (GB)
  • ab  : RGB ↦ BRG یا (RBG)
  • ba  : RGB ↦ GBR یا (RGB)
  • aba  : RGB ↦ BGR یا (RB)

نماد در پرانتز علامت دوران است .

توجه داشته باشید که عمل aa روی RGB ↦ GRB ↦ RGB تأثیر می گذارد و بلوک ها را همانطور که بودند باقی می گذارد. بنابراین می توانیم aa = e بنویسیم . به طور مشابه ،

  • bb = e ،
  • aba ) ( aba ) = e ، و
  • ab ) ( ba ) = ( ba ) ( ab ) = e ؛

بنابراین هر یک از اقدامات فوق عکس معکوس دارد.

با بازرسی ، ما همچنین می توانیم ارتباط و بسته شدن (دو مورد از بدیهیات گروه ضروری ) را تعیین کنیم. به عنوان مثال توجه داشته باشید که

  • ab ) a = a ( ba ) = aba ، و
  • ba ) b = b ( ab ) = bab .

گروه غیر آبلی از آنجا که، برای مثال، AB ≠ BA . از آنجا که از اقدامات اساسی a و b ساخته شده است ، می گوییم که مجموعه { a ، b } آن را تولید می کند.

گروه ارائه دارد

\ langle r، a \ mid r^{3}، a^{2}، arar \ rangle

یا

\ langle a، b \ mid a^{2} = b^{2} = (ab)^{3} = 1 \ rangle ، نیز نوشته شده است \ langle a، b \ mid a^{2}، b^{2}، (ab)^{3} \ rangle

جایی که a و b مبادله هستند و r = ab یک جایگشت حلقوی است. توجه داشته باشید که ارائه دوم به این معنی است که این گروه یک گروه Coxeter است . (در واقع ، همه گروههای دو وجهی و تقارن گروههای کاکستر هستند.)

خلاصه عملیات گروهی [ ویرایش ]

با ژنراتورهای a و b ، کوتاه نویسی های اضافی c  : = aba ، d  : = ab و f  : = ba را مشخص می کنیم ، به طوری که a ، b ، c ، d ، e و f همه عناصر این گروه هستند. سپس می توان عملیات گروه را در قالب جدول کیلی خلاصه کرد :

*هآبجدf
ههآبجدf
آآهدfبج
ببfهدجآ
ججدfهآب
ددجآبfه
ffبجآهد

توجه داشته باشید که عناصر غیر همسان غیر هویتی تنها در صورتی حرکت می کنند که معکوس یکدیگر باشند. بنابراین ، گروه بدون مرکز است ، یعنی مرکز گروه فقط از عنصر هویت تشکیل شده است.

کلاسهای مزدوج [ ویرایش ]

ما به راحتی می توانیم سه نوع جایگزینی از سه بلوک ، کلاسهای مزدوج گروه را تشخیص دهیم:

  • بدون تغییر () ، یک عنصر گروهی از نظم 1
  • تعویض دو بلوک: (RG) ، (RB) ، (GB) ، سه عنصر گروه از نظم 2
  • جایگزینی دوران ای هر سه بلوک: (RGB) ، (RBG) ، دو عنصر گروه از مرتبه 3

به عنوان مثال ، (RG) و (RB) هر دو از شکل ( y ) هستند. جایگزینی حروف R ، G و B (یعنی (GB)) نماد (RG) را به (RB) تغییر می دهد. بنابراین ، اگر (GB) ، سپس (RB) و سپس معکوس (GB) ، که (GB) است را اعمال کنیم ، جایگشت حاصل (RG) است.

توجه داشته باشید که عناصر گروه مزدوج همیشه از نظم یکسانی برخوردارند ، اما به طور کلی دو عنصر گروه که دارای ترتیب یکسان هستند نیازی به ترکیب ندارند.

زیرگروه ها [ ویرایش ]

از قضیه لاگرانژ می دانیم که هر زیر گروهی بی اهمیت از یک گروه با 6 عنصر باید دارای مرتبه 2 یا 3 باشد. در واقع دو جایگشت حلقوی هر سه بلوک ، با هویت ، زیرگروهی از مرتبه 3 ، شاخص 2 و مبادله دو بلوک ، هر کدام با هویت ، سه زیرگروه مرتبه 2 ، شاخص 3 را تشکیل می دهند. وجود زیرگروه های مرتبه 2 و 3 نیز نتیجه قضیه کوشی است .

اولین ذکر است {()، (RGB)، (RBG)}، متناوب گروه 3 .

کاست های سمت چپ و کاست های راست A 3 با هم منطبق هستند (مانند هر زیرگروهی از شاخص 2) و از A 3 و مجموعه ای از سه مبادله {(RB) ، (RG) ، (BG) } تشکیل شده است.

کاست های سمت چپ {() ، (RG)} عبارتند از:

  • {() ، (RG)}
  • {(RB) ، (RGB)}
  • {(GB) ، (RBG)}

کاست های راست {(RG) ، ()} عبارتند از:

  • {(RG) ، ()}
  • {(RBG) ، (RB)}
  • {(RGB) ، (GB)}

بنابراین یک 3 است طبیعی ، و سه زیر گروه غیر بدیهی دیگر نه. گروه خارج قسمت G / 3 ریخت است 2 .

G = {\ mathrm {A}} _ {3} \ rtimes H، یک ضرب نیمه مستقیم ، که در آن H زیر گروهی از دو عنصر است: () و یکی از سه مبادله. این تجزیه همچنین نتیجه (مورد خاص) قضیه شور -زاسنهاوس است .

از نظر جایگشت ، دو عنصر گروهی G / A 3 مجموعه جایگشتهای زوج و مجموعه جایگشتهای فرد هستند.

اگر گروه اصلی آن است که توسط دوران 120 درجه ای یک صفحه در مورد یک نقطه ایجاد می شود و بازتاب نسبت به خطی در آن نقطه ایجاد می شود ، گروه عامل دارای دو عنصر است که می توان آنها را به عنوان زیر مجموعه ها توصیف کرد "فقط می چرخند ( یا کاری انجام ندهید) "و" از آینه عکس بگیرید ".

توجه داشته باشید که برای گروه تقارن یک مربع ، تغییر ناهموار رأس به عکس آینه مربوط نمی شود ، بلکه به عملیاتی که برای مستطیل ها مجاز نیست ، یعنی دوران 90 درجه و اعمال محور انعکاسی مورب مربوط نمی شود.

ضرب نیمه مستقیم [ ویرایش ]

{\ mathrm {C}} _ ​​{3} \ rtimes _ {\ varphi} {\ mathrm {C}} _ ​​{2} است {\ mathrm {C}} _ ​​{3} \ times {\ mathrm {C}} _ ​​{2}اگر هر دو φ (0) و φ (1) هویت باشند. اگر φ (0) هویت و φ (1) اتومورفیسم غیر پیش پا افتاده C 3 است که عناصر را وارونه می کند ، ضرب نیمه مستقیم نسبت به گروه دایدرال مرتبه 6 ایزومورف است .

بنابراین به دست می آوریم:

1 ، 0) * ( 2 ، 2 ) = ( 1 + 2 ، 2 )

1 ، 1) * ( 2 ، 2 ) = ( 1 - 2 ، 1 + 2 )

برای همه 1 ، 2 در C 3 و 2 در C 2 . به طور خلاصه تر ،

{\ displaystyle (n_ {1} ، h_ {1})*(n_ {2} ، h_ {2}) = (n_ {1}+(-1)^{h_ {1}} n_ {2} ، h_ {1}+h_ {2})}

برای همه 1 ، 2 در C 3 و 1 ، 2 در C 2 .

در یک میز کیلی:

 001020011121
00001020011121
10102000112101
20200010210111
01012111002010
11110121100020
21211101201000

توجه داشته باشید که برای رقم دوم ما اساساً یک جدول 2 × 2 داریم که برای هر 4 سلول 4 عدد برابر 3 3 3 دارد. برای رقم اول نیمه چپ جدول با نیمه راست یکسان است ، اما نیمه بالایی با نیمه پایینی متفاوت است.

برای ضرب مستقیم ، جدول یکسان است با این تفاوت که اولین رقم های نیمه پایینی جدول همانند نیمه بالایی است.

اقدام گروهی [ ویرایش ]

[آیکون]

این بخش نیاز به توسعه با: نمودار دارد. با افزودن به آن می توانید کمک کنید . ( آوریل 2015 )

در نظر بگیرید 3 در راه هندسی، به عنوان یک گروه تقارن از isometries از هواپیما، و در نظر گرفتن مربوطه اقدام گروه در مجموعه ای از 30 امتیاز به طور مساوی فاصله در یک دایره، در یکی از محورهای گشت شماره 0 تا 29 با 0.

این بخش مفاهیم اقدام گروهی را برای این مورد نشان می دهد.

عمل G روی X نامیده می شود

  • گذرا اگر برای هر دو x ، y در X یک g در G وجود داشته باشد به طوری که g · x = y ؛ این مورد نیست
  • وفادار (یا م ) ثر ) اگر برای هر دو g متفاوت ، h در x در X وجود داشته باشد به طوری که g · x ≠ h · x ؛ این به این دلیل است که ، به جز هویت ، گروه های تقارن حاوی عناصری نیستند که "هیچ کاری نمی کنند"
  • رایگان اگر برای هر دو g متفاوت ، h در G و همه x در X ما g · x ≠ h · x داریم ؛ این چنین نیست زیرا بازتاب هایی وجود دارد

مدارها و تثبیت کننده ها [ ویرایش ]

 

مدارهای 30 نقطه به طور مساوی بر روی یک دایره تحت عمل گروهی D3

مدار از یک نقطه X در X مجموعه ای از عناصر است X که X را می توان با عناصر منتقل G . مدار x با Gx نشان داده می شود :

Gx = \ left \ {g \ cdot x \ mid g \ in G \ right \}

مدارهای {0، 10، 20}، {1، 9، 11، 19، 21، 29}، {2، 8، 12، 18، 22، 28}، {3، 7، 13، 17، 23، 27} ، {4 ، 6 ، 14 ، 16 ، 24 ، 26} و {5 ، 15 ، 25}. نقاط درون یک مدار "معادل" هستند. اگر یک گروه تقارن برای یک الگو اعمال شود ، در هر مدار رنگ یکسان است.

مجموعه همه مدارهای X تحت عمل G به صورت X / G نوشته می شود .

اگر Y است زیر مجموعه از X ، ما ارسال GY برای مجموعه { گرم · Y  : Y ∈ Y و گرم ∈ G }. اگر GY = Y (که معادل GY ⊆ Y است ) زیرمجموعه Y را تحت G ناموجود می نامیم . در این حالت ، G نیز روی Y عمل می کند . اگر g · y = زیرگروه زیر G ثابت نامیده می شودY برای همه گرم در G و Y در Y . اتحاد مثلاً دو مدار تحت G ثابت است ، اما ثابت نیست.

برای هر x را در X ، تعریف کنیم زیر گروه تثبیت کننده از X (همچنین به نام گروه همسانی و یا گروه کوچک ) به عنوان مجموعه ای از تمام عناصر در G است که ثابت X :

G_ {x} = \ {g \ in G \ mid g \ cdot x = x \}

اگر x یک نقطه بازتاب (0 ، 5 ، 10 ، 15 ، 20 ، یا 25) باشد ، تثبیت کننده آن گروه مرتبه دو است که شامل هویت و بازتاب در x است . در موارد دیگر تثبیت کننده گروه بی اهمیت است.

برای x ثابت در X ، نقشه G تا X را که توسط g ↦ g · x داده شده است در نظر بگیرید. تصویر این نقشه مدار است X و coimage مجموعه ای از تمام سمت چپ است cosets از G X . قضیه ضریب استاندارد نظریه مجموعه سپس یک بیجا طبیعی بین G / x و Gx می دهد . به طور خاص ، تزریق با hG x ↦ h · x داده می شودبه این نتیجه به عنوان قضیه تثبیت کننده مدار شناخته می شود . در دو مورد یک مدار کوچک ، تثبیت کننده بی اهمیت نیست.

اگر دو عنصر x و y متعلق به یک مدار باشند ، زیر گروههای تثبیت کننده آنها ، x و y ، ایزومورف هستند . دقیق تر: اگر y = g · x ، سپس y = gG x −1 . در مثال ، این مورد به عنوان مثال برای 5 و 25 ، هر دو نقطه بازتاب اعمال می شود. بازتاب حدود 25 مربوط به دوران 10 ، بازتاب حدود 5 و دوران −10 است.

نتیجه نزدیک به قضیه تثبیت کننده مدار ، لمای برنساید است :

\ left | X/G \ right | = {\ frac {1} {\ left | G \ right |}} \ sum _ {g \ in G} \ left | X^{g} \ right |

جایی که g مجموعه نقاطی است که با g ثابت شده اند . به این معنا که تعداد مدارها برابر است با تعداد متوسط ​​نقاط ثابت در هر عنصر گروه.

برای هویت هر 30 نقطه ثابت است ، برای دو دوران هیچ کدام ، و برای سه بازتاب هر کدام دو: {0 ، 15} ، {5 ، 20} و {10 ، 25}. بنابراین ، میانگین شش ، تعداد مدارها است.

نظریه نمایندگی [ ویرایش ]