-언급순서로 정리

-한번 읽은 후에 다시 개념순으로 정리할 것

-(Chapt),(def),(Thm),(Prop),(Cor),(Lem),(Rmk),(Note),(Claim),(not proven)



(Preface)

-(def) Young diagram

-(Rmk) {Young diagram} bijective {partition of integer}

-(Rmk) partition of integer를 표현하는 방식은 2가지, weakly decreasing한 numbers나열, number나온 횟수로 exponent표현

-(Rmk) lambda ㅏ n, 이란 lambda는 a partition of n

-(Rmk) |lambda|은 n을 가리킴

-(Rmk) lambda와 partition을 동일시하겠다

-(Rmk) Young diagram을 쓰는 이유는(partition대신에) box에 숫자를 넣기 위함

-(def) a numbering of the diagram이란? filling of the diagram이란?

-(def) a tableau란?(row로는 weakly inc, column으로는 strictly inc)

-a tableau on the diagram

-the diagram is the shape of the tableau

-(def) a standard tableau란

-(def) conjugate of diagram이란

-(def) the transpose of a filling이란

-(Rmk) the transpose of a standard tableau는 standard tableau가 된다. the transpose of a filling이 filling되는지는 모른다, 안될 수도 있음

-(def) Schur Polynomial of a partition using 1 to m이란?

-(def) nth complete symmetric polynomial(using 1 to m)이란

-degree가 n인 모든 monomial들을 합한 것

-(def) nth elementary symmetric polynomial(using 1 to m)이란

-서로 다른 variable들을 한번씩 곱해서 degree가 n인 monomial들을 합한 것

-(def) young diagram의 포함관계는? skew diagram이란? skew tableau란?


(Chapt1 Bumping and sliding)

-(def) row-bumping이란(Tableau1개와 숫자x로 이루어진 연산)

-(Rmk) row-bumping해서 얻은 것도 tableau가 된다.

-(Rmk) row-bumping해서 얻은 것+추가된 'box'위치와 그위치의 숫자->inverse연산가능, 즉 original tableau와 추가된 '숫자'를 알 수 있다.

-(Rmk) row-bumping은

-x가 첫 row에서 가장 컸다면 쉬움

-x가 x보다 큰것들 중에서 가장 왼쪽인 놈을 bumping

inverse과정은

-y가 첫 row에 있다면 쉬움

-y의 윗 row에서 y보다 작은 것들 중에서 가장 오른쪽 놈을 bumpign

즉 bumping은 그 row에서 판단 후 아래로 보내고

inverse는 위로 보낸 다음 판단

-(def) (bumping) route of a row-bumping이란?

-(def) the new box of a row-bumping이란?

-(def) strictly left, weakly left, of two routes란?(routes의 대소비교 가능)

-(Lem) Row Bumping Lemma

-한 tableau에 bumping을 두번할 때(using x1, x2) 얻어진 two routes의 대소와 two new boxes의 위치관련정보(x1,x2의 대소로써)

-(Prop)

-한 tableau에 bumping을 여러번할 때 skew diagram의 new boxes위치 관련(단, weakly inc한 숫자를 or strictly dex한 숫자를)

-역으로 한 tableau와 포함된 young diagram 그리고 그것의 skew diagram의 new boxes위치를 통해 그 young diagram에 row-bumping해서 tableau를 얻었음을 알 수 있다.

-(def) a product tableau란?

-(Claim)(not proven) the product operation makes the set of tableaux into an associative monoid(empty tableau가 unit)

-(def) an inside corner of a skew diagram

-(def) an outside corner of a skew diagram

-(def) a sliding of a skew tableau이란

-(Rmk) a sliding of a skew tableau또한 skew tableau된다.(각 step마다 tableau인게 유지됨)

-(Rmk) sliding 또한 reverse를 갖는다

-(def) a reverse slide란?(result skew tableau와 removed box의 위치를 안다면)

-(def) a rectification of a skew tableau이란?

-(def) the jeu de taquin of a skew tableau이란?

-(Claim)(not proven) Starting with a given skew tableau, all choices of inner corners lead to the same rectified tableau.

-(note) 즉 inside corner를 택하는 방식이 어떻든 rectification은 unique

-(def) a product tableau using sliding, rectification

-(Claim)(not proven) The product using sliding agrees with the first definition


(Chapt2 Words; the plactic monoid)

-(def) the word of a skew tableau란? the word of a tableau란?

-(Rmk) {tableau} bijective {the word of some tableau}, 하지만 word of a skew tableau는 skew tableau를 determine하지 못한다.

-(Rmk) 그냥 word라 하면 skew tableau에서 온건지 tableau에서 온건지 모른다. 그리고 그게 중요하진 않음

-(Rmk) row-bumping of a tableau by x을 word language로 하면 어떻게 되는가?(row로 piece한 다음에)

-(Rmk) Knuth는 row-bumping of a tableau by x을 computer programming language로 표현(한 row안에서 착착착)

-(def) an elementary Knuth transformation on a word란?

-(def) two words가 Knuth equivalent란?

-(Prop) row-bumping 한 다음에 word 구한 것 is Knuth equivalent to word구한것에 bumping할 x를 juxtaposition

-(note) 즉 bumping한 것의 word구하는 것은 먼저 word구한 다음에 bumping할 x를 juxtaposition(오른쪽으로)한 다음에 row단위로 Knuth transformation하면 얻을 수 있다.

-(Cor) W(TU) is Knuth equivalent to W(T)W(U)

-(Prop) If one skew tableau can be obtained from another by a sequence of slides, then their words are Knuth equivalent.

-(note) 즉 sliding해봤자 Knuth equivalent classes는 바뀌지 않는다.

-(Thm)(not proven) Every word is Knuth equivalent to the word of a unique tableau.

-(Rmk) 어떤 word가 있을 때 constructing a tableau whose word is Knuth equivalent to given word이 가능하다, 주어진 word의 letter순으로 bumping하면됨

-(def) 위의 과정을 canonical procedure이라 한다.

-(Cor) the rectification of a skew tableau is the unique tableau, 그리고 skew tableau의 word와 unique tableau의 word는 Knuth equivalent

-(Cor) skew tableau가 2개 있을 때, rectification이 same iff 각 skew tableau의 word가 Knuth equivalent

-(note) 따라서 product tableau를 unique tableau whose word is Knuth equivalent to word1word2로도 정의가 가능하다. 즉 각각의 tableau의 word를 구한 다음 병렬로 나열한 다음에 Knuth transformation을 계속 써서 tableau로 만들고 그 때 얻은 tableau를 product tableau라 하자는 것, 그것의 유일성은 Thm이 보장해주는 것

-(Cor) The three constructions of the product of two tableaux agrees

-(def) the plactic monoid란?

-(def) the tableau ring of [m]이란?([m]={1,2,3,...,m})

-(def) the Schur polynomial이란?(using the tableau ring of [m], lambda as shape)

-(Rmk) Pieri formulas란?

-[m]:fixed 상황에서 Schur polynomial과 (complete or elementary) symmetric polynomial과의 곱연산 공식을 제공한다.(shape끼리의 연산, 다른 말론 partition끼리 연산)

(이 공식은, (tableau1+tableau2+...)(tableau1'+tableau2'+...)에다가 monomial을 취하고 monomial이 multiplicative인 것을 이용한 셈)

(한 tableau가 monomial을 1개만 갖지만, 역은 성립하지 않는다, monomial은 tableau를 여러개 결정시킴)

-(def) a tableau has content (mu1,mu2,...mul)이란?

-(Rmk) content는 tableau의 monomial로써 생각이 가능(bijective from {content} to {monomial})

-(Rmk) monomial->tableau는 1개로 결정안되지만, 이 때의 모든 tableau는 content가 같다.

-(Rmk) content에다가 shape을 추가시켜도 tableau가 여러개 있을 수 있다.

-(def) a Kostka number of (shape, content)란?

-(Rmk) 두 tableau가 content가 같으면 대응되는 monomial이 같은 것, 역으로 monomial이 같은 tableau면 content가 같은 것

-(Rmk) Kostka number를 polynomial입장에서는 특정 monomial(determined by content)이 특정 shape로 얻어지는 개수, 즉 coefficient from the particular shape

-(Rmk) is the same the number of sequences of partitions s.t. ... 가능

-(Rmk) complete symmetric polynomial의 연속 곱에 대한 정보 줌 

-(Rmk) 

'수학 > 기타수학' 카테고리의 다른 글

표현론 복습노트  (0) 2015.06.06
[수학]Crystals For Dummies  (0) 2015.04.25
[수학]확률,통계 재밌는 문제들  (0) 2013.10.12
[수학]Exercises  (0) 2013.07.29
Order Relation관련 용어 정리  (0) 2013.01.11




'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(34)  (0) 2015.04.05
[수학]Theorems(33)  (0) 2015.03.19
[수학]Theorems(31)  (0) 2015.01.16
[수학]Theorems(30)  (0) 2014.06.30
[수학]Theorems(29)  (0) 2014.05.18




















































'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(33)  (0) 2015.03.19
[수학]Theorems(32)  (0) 2015.01.16
[수학]Theorems(30)  (0) 2014.06.30
[수학]Theorems(29)  (0) 2014.05.18
[수학]Theorems(28)  (0) 2014.05.17

1.

이름 나이 학교 고향을 묻지 않는 모임을 만들면 어떨까

만나서는 제일 먼저 자기인생에서 가장 힘들었을 때의 일화로 자기를 소개한다.


이렇게 사람이 만나면 어떨까?

마음이 힘든 사람은 공감을 통해 속시원히 털어놓아 내일을 힘차게 살아갈 힘을 얻을 것이다

기쁘게 살아온 사람은 자기 삶에 감사해 할 것이고


불필요한 격식은 없을 것이다.

솔직한 내면을 모두 보일 것이다. 


그럼으로써 창의적이고 자유로워질 것이다.

'글쓰기 > 잡소리(예전, 제거한 것, 예전 계획 등)' 카테고리의 다른 글

계획  (0) 2016.03.20
습관노트  (0) 2015.08.10
공부, 시험을 대하는 자세  (0) 2014.10.18
생각정리 20140614  (0) 2014.06.14
생각정리(20140331)  (0) 2014.03.31

1. 100점을 맞으려고 하지는 않는다.


2. 각각의 의미, 의의, 활용, 다른 해석, 상상을 해본다.


3. 주어진 기간내에 주어진 범위를 커버하지 못할 수 있다. 그건 언젠가 하면 되는 일이다. 


4. 호기심을 잃지 말 것이며, 공부를 하며 운동도 하고 다른 중요한 일들도 놓치지 않아야 할 것이다.


5. 오늘 하루는 그렇게 특별하지 않았지만 그렇게 의미없진 않았다.


6. 가끔은 나가서 하고 싶은 생각만하다가 돌아오자.


7. 한달간 딱 한권의 책만 공부해보자.


8. 내 기준대로 책읽고 공부해 나가야 한다. 내 자신의 솔직한 능력 그것만이 중요하다.


9. 학점(성과)가 낮으면 안돼!라는 것 때문에, 내가 내 기준대로 공부할 수 없는 곳이라면, 그 자리는 일찍 뜰수록 개이득이다.


10. 수업을 너무 부담가지지말고 듣기, 어차피 책에 다 있는 내용이다.


11. 시험기간에는 철학?적인 생각을 하지 않는다. 감성적인 부분을 보통 생각하게 되며, 시험이 끝난 후 잊을만한 내용들이다. 시험기간에는 별 생각없이 오래 공부하는 것이 제일 좋다. 다만 시험이 끝났을 때 뭘 더 공부할 지 어디에 집중할 지만 메모하여 둔다.


12. 해야할 일이 많을 때 다 못할 수도 있다. 하지만 못해도 괜찮다. 그러나 하지 않는 것은 안된다.


13. 배운 수학을 다시 떠올리는 것을 즐기자. 이것이 요즘 잘 안되는 이유는 완벽하고 싶은 내가 완벽하지 않는 나를 마주하기 싫어서인 것 같다. 애초에 완벽할 수 없는 부분인 것을


14. 진정한 자신감(소속감에서 오는 자신감이 아닌, 오직 나의 실력으로부터오는 자신감)을 가지자. 대인배가 되고 집중할 수가 있다.


15. 가치를 느껴야 공부를 한다. 카이스트는 현재 수단만을 강요하고 있다. 최서영 교수님의 말씀을 생각하라.


16. 수업을 무리하게 듣지 않는게 좋다. 호기심은 자유로울 때야 발동하기 때문이다. 앞으로는 적당히 수강하여서 적당한 호기심을 갖고 학기를 보낸다.


'글쓰기 > 잡소리(예전, 제거한 것, 예전 계획 등)' 카테고리의 다른 글

습관노트  (0) 2015.08.10
발칙한 생각  (0) 2014.11.25
생각정리 20140614  (0) 2014.06.14
생각정리(20140331)  (0) 2014.03.31
2013년 봄학기 수업 끝  (0) 2013.06.17

1주차-간추린 역학


-물리학은 3세기 전 영국의 뉴턴이 발표한 뉴턴의 만유인력 법칙과 뉴턴의 운동법칙으로부터 처음 시작


-19세기 말부터 당시 알려진 물리학으로 설명할 수 없는 현상들 관찰되기 시작하여 새롭게 출현한 물리학이 상대성이론과 양자역학

상대성이론과 양자역학을 합쳐서 현대물리학, 뉴턴역학과 전자기학 등의 분야를 고전물리학이라고 한다.


-시간과 공간의 상대성, 그것이 상대성이론이다. 시간에 대한 새로운 깨달음을 준 이론


-상대성이론은 20세기가 시작하면서 등장

 

-1광년, 빛의 속도로 1년동안 간 거리


-1fm, 1페르미, 10^(-15)m, 아주 작은 길이 단위


-상대성이론은, 큰 세계(은하, 우주 등)를 이해하게 해주었다.(우주론으로)


-역사 순으로 자연 현상 설명하는 방법

-신화시대:신들이 자연현상 지배

-고대 그리스 시대부터는 학자들이 자연현상을 관찰, 신들이 관여하지않는, 가만히 놔둬도 저절로 일어나는 자연법칙을 알게됨

-운동에 관한 법칙

-천상에 있는 놈들은(별) 원운동하는 구나

-지상에 있는 놈들은 결국엔 정지하는 구나

->신들의 세계는 모든게 완벽하므로, 처음과 끝이 없는 원운동

->인간은 불안정하므로 나중엔 고향에 돌아와서 쉰다는 의미로 정지하게 됨

-물질에 관한 법칙

-천상에 있는 건 신들의 세상이므로 변하지 않고 그러므로 한개의 물질(에테르)로 구성됨

-지상에 있는 건 변화하는 걸 보니 여러 물질로 구성

-물, 불, 흙, 공기 4개의 구성비에 따라 여러 물체가 된다 생각

-2000년 동안 지배해왔으며, 르네상스 때 의심들기 시작

-뉴턴이 물리학(과학)을 시작했다.

-왜 뉴턴 이전 것은 물리학이 아닌가?

-이전의 과학은 수식없는 과학이라, 과학이라 부르기 모호하다.

-오늘 날의 과학은 자연법칙을 수식으로 표현, 


-뉴턴과 아인슈타인은 각각 역학과 상대성이론을 혼자서 다 만든 케이스, 전자기학이나 양자역학은 여러명이 조금씩 발전시킨 케이스이다. 뉴턴은 역학 이후 연금술에 매달려 평생을 보냈고, 아인슈타인은 중력과 전자기력을 통합하려는 통일장 이론에 평생을 보냈다. 각각 큰 거 1개씩 하고 이룰 수 없는 것에 평생 매달린 경우이다.

 

-화학은 물질을 대상으로 연구, 물리학은? 자연의 '기본 법칙'을 대상으로 연구하는 학문이다. 이 기본 법칙으로 다른 법칙을 설명한다. 따라서 물리학을 기본이라고 하는 것이다.

 

-코페르니쿠스의 지동설이 있었기에 뉴턴까지 올 수 있었다. 하늘을 보아하니 몇몇개가 원운동을 만족하지 않는 것이 그 근거. 그 당시 주전원 개념이 있었는데, 만약 지구가 태양 주위를 원운동한다면 많은 주전원을 제거할 수 있지않을까란 발상에서 시작함. 당시의 천상법칙(원운동)을 부정하는게 아니라, 그렇게 설명하기 위해서 지동설을 도입한 것. 코페르니쿠스가 당시 지동설에 관한 책도 썻지만 발표를 못한 것은, 당시에 자기 자신도 신학자였고 이 가설을 이해해줄 사람도 신학자들이긴한데, 당시 대중들을 설득할 자신이 없었기 때문이다. 막연히는 코페르니쿠스가 신학자임을 몰랐고 당시 신학자들이 연구를 많이하고 있음을 몰랐다면, 지동설 발표를 늦춘 것은 종교인들의 학대일거라 예상되는데, 그것과는 정반대이다.

 

-티코 브라헤, 지동설이 마음에 안들어서 별을 측정, 기록, 30년동안함. 씹덕후임. 하지만 분석할 수학적인 능력이 없었음

 

-케플러, 브라헤에게 자료를 받아 수학적 분석 시도. 지동설 좋아했음. 코페르니쿠스의 지동설을 도입하더라도 주전원 개수가 줄지 않음을 확인함. 태양 주위를 타원으로 돈다고 생각하고 해보니 다 딱 맞아 떨어짐. 하지만 설명할 근거가 부족. 신의 세상이니까 원운동은 그럴듯한데, 타원운동이라니...

-케플러 제 1법칙:행성은 태양을 초점으로하는 타원궤도(행성 각각에 대한 법칙)

-케플러 제 2법칙:면적 속도의 법칙(행성 각각에 대한 법칙)

-케플러 제 3법칙:조화의 법칙(행성 전부에 대한 법칙, 공전주기의 제곱은 타원의 긴 반지름의 세제곱에 비례한다.)

 

-이러한 케플러의 법칙을 설명하기 위해 뉴턴의 역학이 등장. 운동법칙(F=ma)과 만유인력의 법칙 등장

-아리스토텔레스부터 뉴턴직전까지는 힘은 위치를 바꾸는 원인이라 생각했는데, 뉴턴의 운동법칙은 힘은 속도를 바꾸는 원인으로 생각하자는 것

-질량이 있기만하면 서로 인력이 있다는 생각


-뉴턴의 3가지 법칙(관성의 법칙, 운동 법칙, 작용 반작용의 법칙), 1,3 법칙은 2법칙을 설명하기 위함

-작용 반작용의 법칙

-힘이란 무엇인가를 설명해줌, A가 B에게... 즉 A와 B 둘 다 있어야 한다. 작용하는 놈과 받는 놈이 필요. 힘의 본성을 나타내는 법칙

-A가 B에게 F를 작용한다면, B가 A에게도 F를 작용한다.(작용에는 반드시 반작용이 있다.)

-관성의 법칙(관성:속도를 유지하려는 성질)

-관성이 크다는 것은 속도를 유지하려는 성질이 크다는 것, 관성이 크고작음을 결정하는 것은 질량

-질량이란 관성을 결정하는 것이다.

-합력이 0이면 등속도 운동한다. 는 것이 관성의 법칙

-천상법칙이 틀리다는 것은 코페르니쿠스, 브라헤, 케플러, 뉴턴이 알아내고, 지상법칙이 틀리다는 것은 갈릴레이의 사고실험

-운동 법칙

-F=0이면 관성의 법칙이 설명됨

-그래도 제1법칙으로 따로 부르는 이유는

-사실 뉴턴이 3개의 법칙을 말하기 앞서 힘에 대한 개념은 갈릴레이가 다 생각해놨던 것이다. 뉴턴은 미분과 적분을 통해 1단계 더 올라간 것. 1법칙의 공저로 갈릴레이를 포함시킨 것이다.

-물체의 속도는 보는 사람마다 다르다. 진짜 속도라는게 존재하냐? 진짜 속도라는 것은 존재하지 않는다. 속도라는 것은 항상 얘기할 때 누가 볼 때의 속도라고 명시해줘야한다. 속도, 가속도는 관찰자에 따라 다른데, 힘은 관찰자에 따라 다른게 아니다. 따라서 F=ma는 어떤 관찰자에 대해서도 성립하는게 아니다. 제1법칙은 제2법칙이 성립하는 기준을 제시해준다. 즉 제1법칙은 관성계를 정의해주는 법칙이다.

-운동 법칙이 성립하는 관찰 틀을 관성계, 성립하지 않는 틀을 비관성계라 한다.

-즉, 합력이 0이면 가속도도 0으로 기술되는 기준계를 관성계라 한다.


-

-


잘 살고 있는지 체크할 수 있는 질문

1. 나의 본질적인 재능을 개발하면서 중요한 일에 시간을 썼는가?

2. 미래 세대를 위해 어떤 유산을 남겼는가?

3. 세속적인 세상을 초월했는가?

4. 사랑했는가?

 

예술의 기교는 사물을 '낯설게' 하고, 형식을 난해하게 하고, 지각에 소요되는 시간을 연장시키는 것이다. 왜냐하면 지각 과정을 그 자체로서 하나의 심미적 목적이기 때문이며, 따라서 되도록 연장되어야 한다.

(띄어쓰기를 없앤다거나 종성을 따로 쓴다는 등의 문법파괴, 혹은 역설적인 표현, 자연법칙과 어긋나는 표현, 공포스러운 상황 묘사 등)

 

있다고 믿는게 아니라, 없다는 걸 잊어버리는 거야

 

전문화한 특정 영역에만 관심을 가지지 말고 소프트웨어 전체 영역에 관심을 가질 때 새로운 시야, 창의적인 접근 방식이 생기면서 즐거움을 느낄 수 있을 것으로 생각한다.

-돈을 쫓기보다는 일을 통해 자신의 존엄성과 자유를 찾으려는 노력을 해야한다.

-인간의 존엄성과 자유를 찾으려면 소비 습관을 개선해 자본주의의 노예가 되지 않도록 해야 한다.

-기계화와 관련해서는 첫번째 불교적 관점에 해당하는 "사람의 기술과 능력을 향상시키는 기계화"에 초점을 맞춘다. 

 

일의 전체 맥락을 늘 염두에 두고 자신의 행동이 전체에 미칠 영향을 이해한다면, 아무리 사소한 직업이라도 세상을 전보다 살 만한 곳으로 탈바꿈시키는 인상적 변화를 이끌어낼 수 있다.

 

목표는 마지막 목적지가 아니라 첫걸음 그 자체가 되어야 한다.

 

SLiPP 스터디는 다음과 같은 리듬으로 운영할 수 있는 수준이 되었다.

-스터디는 상반기, 하반기로 나누어 진행한다. 각 반기의 기수는 2,3개의 주제로 진행한다.

-다음 스터디에 참여하고 싶은 사람은 자신이 하고 싶은 주제를 반드시 하나 이상 제출해야 한다. 만약 제출하지 않으면 스터디 참여 기회를 박탈한다.

-각자가 제출한 스터디 주제에 모든 사람들이 투표해 4,5개의 후보를 선정한다.

-선정된 4,5개의 주제 중 최종 주제를 선정하기 위해 오프라인 미팅을 가진다. 주제를 제안한 사람이 자신의 주제에 대해 발표하고 다시 최종 투표를 통해 2,3개의 주제를 선정한다. 각 주제의 리더는 주제를 제안한 사람이 한다.

-주제를 선정한 후 스터디원에 결원이 생기면 스터디원을 모집한다.

-스터디원을 모집할 때는 나이, 성별, 경력, 지원 동기 등을 받아 기존 스터디원 전체가 투표에 참여해 스터디원을 선발한다.

스터디를 시작한 이후의 과정은 다음과 같다.

-첫번째 모임은 스터디에 대한 OT, 뒷풀이 모임을 가진다.

-1~4차 스터디는 각 주제별로 진행한다. 

-5차 스터디는 각 주제별 스터디원간의 친목을 다지기 위해 중간 세미나와 뒷풀이를 진행한다.

-6~9차 스터디는 각 주제별로 진행한다.

-스터디를 마무리하고 전체 MT를 1박 2일로 다녀온다.

-다시 주제 선정부터 신입 스터디원 모집을 시작한다.

위와 같은 과정으로 6개월의 과정을 마무리한다.

 

그런데 대부분의 어머니는 아기 울음소리를 그다지 신경에 거슬려 하지 않습니다. 오히려 울음소리라기보다는 애타게 엄마를 찾으며 어리광부리는 사랑의 메시지라고 받아들입니다.

 

누군가 빈정대도 '나는 내 길을 가겠다'는 태도로 씩씩하게 나아가는 자세. 이런 둔감력이야말로 창조적이고 획기적인 일을 성공시키는 원동력이 됩니다.

 

질투하는 사람은 당하는 사람보다 훨씬 괴롭고 슬플 테니까요.

 

만일 네가 꿈을 갖더라도
그 꿈의 노예가 되지 않을 수 있다면
또한 네가 어떤 생각을 갖더라도
그 생각이 유일한 목표가 되지 않게 할 수 있다면 

 

정확도는 파워를, 타이밍은 스피드를 압도한다. 

 

(인공지능개발이야기 중)

프로그래밍은 중간 목적을 설계하기 어렵다. 인간은 무언가를 보면 의미를 느끼고 이야기로 이해한다는 것, 그것은 인간의 가능성이자 한계이다. 쇼기(일본 장기)를 둘 때 인간은 상대방의 의미(이 수를 둔 이유), 이야기를 이해하려고 한다.

...

지성은 인간으로 하여금 인공지능에 맞먹는 퍼포먼스를 발휘하게 하기도 하지만, 한편으로는 의미나 이야기에서 벗어나지 못하게 하는 제약으로 작용하기도 한다. 한편 인공지능은 의미나 이야기에서 자유롭기에 인간을 능가할 수는 있지만 목적을 설계한다는 의미의 지성은 지니고 있지 않다.

 

 

첫째 지나치게 높은 목표를 설정하지 말고 과중한 책임감을 피하라.
둘째 자신이 해야 할 일을 나눠 순번을 정하고 할 수 있는 것만큼만 한다.
셋째 일이나 사람에 대해 너무 큰 기대를 갖지 마라.
넷째 혼자 지내지 말고 가능하면 다른 사람들과 함께 지내도록 노력한다.
다섯째 기분이 좋아지는 활동에 참가하도록 노력하고 어떤 일이든 결과에 초조해 하지마라.
여섯째 우울한 상태에서는 중요한 결정을 연기하는 것이 좋다.
일곱째 조급해하지 말고 자신을 스스로 비난하지 마라.
여덟째 부정적인 생각을 그대로 받아들이지 마라.
아홉째 남의 도움을 받는 것을 부끄럽게 생각하지 마라.

 

지적 재능은 후천적이다. 나이가 몇이든, 문제를 해결하려는 습관적인 노력만이 해결책이다.

 

의도적인 도전, 응전을 계속하고 성공적인 경험을 반복하다보면 불연속적으로 성장한다. 행복도와 몰입을 하는 능력도

 

1초도 쉬지않고 문제를 해결하기 위해 생각하고 실천하라. 10분이상 생각해보고 안되면 적어놓고 자투리 시간을 활용하라. 걷거나 다른 기계적인 일을 할 때

 

결과는 내가 영향을 줄 수 있는 부분이 아니다. 과정만이 내가 정할 수 있다. 이러한 생각이 몰입을 하게 도와준다.

 

공부가 수단인 학생은 공부를 오래 하지 못한다. 공부를 하는 자체가 순수한 동기여야 공부하면서 겪는 많은 난관을 해결하는 가장 좋은 필살기이다.

 

영화 행복을 찾아서, 집이 없어도, 성실하며 대하는 모든 사람에게 친절하며, 인턴쉽을 성공적으로 마쳤다. 인생에 되는게 없다는 점이, 스캐너를 도둑맞거나(히피), 잃어버리거나(지하철 타임머신), 와이프 가출, 낮에는 전화하고 사람을 만나고, 밤에는 책을 놓질 않았다.

 

영화 언애듀케이션, 누구 덕으로 바뀌는 건 망상에 가깝다. 인생에 지름길은 없다. 그러므로 성실하게...그리고 정직하게.

 

하기 싫어도 하자. 그래야할 때가 다시 왔다.

 

운동능력에 대한 내 생각은 바뀌었다. 근육을 키우면 그것을 평생을 유지(물론 조금은 빠지겠지만)하는 것으로 생각했었다. 지금은 달라졌다. 운동 능력은 현재형이다. 예전에 얼마나 했든은 중요하지 않다. 지금 얼마나 하냐가 중요하며 그 능력을 현재에 계속 지켜나가는 것이 능력이다.

 

대학원 생활 셋째 해는 이처럼 내 나름대로 본격적인 연구를 시작한 한 해였다. 내 역량이 아직 미숙하여 연구에서 양성적인 성과는 거두지 못 하였으나 음성적인 발전은 있었다. 무슨 뜻이냐 하며는 연구문제에 대한 한 접근방법이 모처럼 떠오르면 처음에는 그 방법에서 무엇이 틀렸는지 깨닫는데 오랜 시간이 걸렸으나, 세월이 흐를수록 내 접근방법에 무슨 오류가 있는지 찾아 내는 시간이 짧아져 갔다는 뜻이다.

 

서두르지 않되 바른 길로 진득하게 해야한다. 지금 내 마음은 좌절감과 집중을 잃어버린 상태에서 더욱이 서둘러서 집중을 하지 못하거나, 집중을 하는 날이 있어도 오래가질 못하고 있다. 서두르지 말자.

 

RandomGraph책 1권을 진득하게 보자. 관련된 다른 책도 참고하긴 하되 1권을 진득하게 봐놔야 한다. 다른 것들을 살펴보기 전에, 나만이 좋아하는 것을 잘해야한다.

 

큰 의미가 없는 숙제는 하지말자. 지금은 그런 것에 신경쓸 때는 지났다.

 

결과가 안나와서 집중이 떨어지고 기피하게 된 부분은 사실 여러가지가 있다. 텝스 성적도 그렇고 연구도 그렇다. 이것을 극복하는 것은 사실 긍정적인 마인드보다는 결과다. 다시 길게 시간을 잡고 집중하여 이겨내자. 인생에서 이겨내야할 부분이다.

 

박사 년차가 찰수록 공부에 대한 집중은 떨어질 수 있다. 바로 결과가 안나오면 말이다. 지도교수님은 그 점을 걱정하고 있다.

 

할머니가 돌아가셨다. 멋진 모습을 하지 못해 찾아뵙는 것을 미뤄왔던 것 같다. 시간은 기다려주지 않는다. 멋진 모습을 해서 사람들을 자주 만나도록 하자.

 

작은 외삼촌은 수학 박사는 진짜 박사라며, 자기가 힘써 줄 수 있는 분야면 써주겠는데 수학은 그렇지 못해서 안타깝다 하셨다. 그렇다 수학 박사가 진짜 박사인 것은 모두다 알고 있다.

 

공부를 열심히하고 너무 잠올 때 운동하고 잠자는 버릇을 길러야 한다. 운동하고 공부하는 것은 힘들다. 자기 전에 먹는 버릇을 버리기 힘들다. 안먹으면 잠이 안오기 때문이다. 운동을 하고 적당히 단백질을 먹고 자는 버릇을 가지자.

 

노트필기의 단점, 적는 데에만 몰입을 하는 경우, 그 적는 내용을 기억하고 행동에 실천하려는 의지를 잃어버린다. 적음으로써 알고 있다고 생각하기 때문이다.

 

피아노를 실패한 이유가 바로 "배운 게 피아노뿐이라서."라는 말을 아무렇지 않게 하고 다녔던 나에게 있었던 것처럼, 실패와 성공의 가장 큰 계끼는 모두 "생각"과 "말"이라는 같은 이유에서 시작되는 게 아닐까 싶다. 인생은 생각대로 살게 된다는 것. 그렇기에 과거가 아닌 오늘을 살아가야 한다는 것. 이렇게 만들어진 '생각대로 살게 되는 마을'이 내가 존재하는 곳이라는 것. 그게 내 작은 깨달음이었다. 

 

지금 가고 있는 길이 아니라고 느껴질 때, 무언가 잘못되었다고 생각될 때, 그러나 되돌리기에 너무 늦었다고 생각될 때, 과감하게 포기하자. 때로는 포기하는 것도 용기다. 

 

늦지 않았으니 후회하는 일 지금 당장이라도 그만하세요. 

 

뭐든지 즐거운 마음으로 하려고 노력해보세요. 우리가 가장 즐거워하는 일을 하면 밤을 새우면서도 할 수 있어요. 하기 싫은 일도 억지로 즐겁다, 즐겁다, 마음속으로 주문을 걸어보세요. 나도 모르게 정말 그 일이 즐거워질 거예요. 

 

내가 하고자 하는 것에 집중하고, 내 자신에게 집중하자. 적어도 내가 그 분야의 최고가 되기까지 다른 사람을 신경 쓰지 말자. 

 

시간을 엄격하게 구분하세요. 놀 때는 노는 데만 집중하세요. 반대로, 공부할 때는 그것에만 매진하세요. 인생에는 무엇이든 해야 할 시기가 있고, 하루하루에도 그때 해야 할 일이 있습니다. 

 

꿈과 사랑은 쉽게 포기하면서 왜 술, 담배는 포기하지 못하나요? 지금 지키세요. 내일로 미루지 말고, 지금 당장 지키세요.

 

오늘 단 하루 열심히 노력해보자.

 

지금까지 잘난 모습을 한 번도 보여주지 못한 나를 원망하며 복수라는 이름으로 "난 꼭 성공한다."라는 말로 성공을 목적에 두시지는 않았나요? 성공은 목적이 아니라 결과입니다. 나 자신에게 보여주고 싶은 성공을 꿈꾸세요. 나 자신에게 보여주고 싶은 인생을 사세요.

 

100번이 넘는 오디션 후에 '나름대로 열심히 했는데...'하고 생각만 하다 '나름대로'가 빠져야 한다는 걸 깨달았어요.

 

무작정 되지 않는다고 '될 대로 되겠지.' 하면서 목표 없이 열심히 하고 있는 자신의 모습에 위안 삼지 마세요.

 

안타깝지만 열심히만 한다고 해서 '노력'이 되는 건 아닙니다. 목표를 위해 내가 할 수 있는 방법이 무엇이 있는지 생각하세요. '이게 아니면 죽겠다.'라는 간절함 없이는 무엇도 되지 않아요.

 

가끔은 눈을 감고 상상해보세요. 지금은 아니지만, 나중에는 꼭 할 거야, 될 거라고, 그 모습을 상상해보면 세상을 다 가지고 뿌듯한 기분일 거예요.

 

나를 먼저 사랑해야 다른 사람도 나를 사랑합니다.

 

내게 실망감을 준 사람을 다시 받아주는 것은 밑 빠진 독에 물 붓기와 같다.

 

나는 그 사람이 좋지만, 그 사람이 나를 싫어한다면, 연락했는데 받지도 않고, 시간이 흘러도 연락이 없다면, 소중하게 여겼지만, 나를 가볍게 생각한다면, 단호하게, 냉정하게 잘라버리자. 나를 힘들게 하는 사람까지 안고 가기엔 내 그릇은 너무나도 작다. 자존심은 이럴 때 쓰라고 있는 것. 나를 위해서.

 

사람의 마음은 시소와 같아서 한쪽이 너무 커지면 반대쪽은 나를 내려다보기 마련이다. 그리곤 생각한다. '언제나 저렇게 큰 마음이겠지.' '항상 나보다 더 큰 무게로 날 올려주겠지.' 하지만 언제든 마음만 먹으면 내려버릴 수 있는 쪽은 발이 땅에 닿아 있는 사람이다.

 

세상에는 칼로 마음을 찌르는 도둑이 있는 반면에 마음을 치유해주는 의사도 있답니다.

 

부모님이 우리의 어린 시절을 꾸며주셨으니 우리는 부모님의 말년을 아름답게 꾸며드려야 한다.

 

가까운 사람일수록 더 잘해주세요. 가깝다는 이유로 짜증내고, 화내고, 투정부리는 것 같아요. '내가 이렇게 행동해도 이해해주겠지.' 전혀 그렇지 않아요. 정말 가까운 사람이라면 다른 사람보다 한 번 더 생각하고 행동하세요.

 

누가 됐든 상대에게 연락이 올 때면 보는 순간 바로 답해주세요. 귀찮은 사람이라서, 중요한 내용 아니라서 연락이 온 것을 알고 있음에도 무시할 때 느끼는 감정들. 어떤 기분인지 정말 말로 표현할 수 없을 정도로 마음이 불편합니다. 상대도 마찬가지입니다. 아주 편한 사람이더라도, 하던 일을 멈추고 매듭을 지으세요.

 

인간관계는 고무줄과 같다. 당겨서 멀어지면 끊어지기 마련이고 놓으면 가까이 다가오기 마련이다. 너무 당기지도, 너무 놓지도 말기를

 

실수는 부주의가 아니라 잘하고 싶은 마음에서 생깁니다. 내가 실수 했을 때 인정하고 받아들이세요. 너무 자책하지 마세요. 실수는 필요합니다. 성장하기 위한 과정이니까요.

 

내가 최악일 때 곁에 없었다면 내가 최고일 때 함께할 자격은 없습니다. 

 

사람들은 누구나 남에게 노력을 칭찬받고 인정받고 싶어 합니다. 안 좋게 평가를 해주는 것보다 그들의 성의와 노력을 봐서라도 조금 너그럽게 평가해주세요. 더 노력하고 인정받고 싶어 할 수 있게 좌절은 주지 마세요. 

 

행여 험담을 하는 사람이 있다면 멀리하고 피하세요. 그 사람의 눈에 나의 잘못이 보인다면 그는 또 다른 누군가에게 나를 험담할 사람이니까요. 

 

집착해줄 때가 가장 좋은 때다. 이해해준다는 건 조금씩 포기한다는 거다. 

 

연인 사이가 가장 소홀해질 때는 상대의 연락이 왔음에도 나중에 답장해도 되겠지, 하고 넘길 때다. 그 시작이 최악의 결과를 만들어낸다. 

 

사랑의 기본은 연락입니다. 아무리 바빠도 짧은 전화 한 통, 문자 한 통 남길 시간은 있습니다.

 

내가 연락을 안 하면 절대로 연락 안 할 사람이에요. 자존심도 버려가면서 최선을 다했으면 여기까지만 하고 이제 제발 그만하세요. 

 

한 사람만 바라보고 좋아해주는 사람을 놓치지 마세요. 내 생애 가장 큰 후회가 될 수도 있어요. 정말 나를 좋아했던 사람이 이제는 다른 사람을 좋아하는 모습을 보면 허전함과 섭섭함을 만나게 될 거예요. 외모, 돈, 성격은 나중에 따지고 일단 만나보세요. 그때 후회해도 늦지 않으니까요. 누가 알아요? 최고의 인연일지. 

 

외로운 두 사람이 만나 사랑을 시작하게 되면 서로의 외로움만 채워주고 길게 사랑을 할 수가 없죠. 사랑은 외로움으로 시작하는 게 아니에요. 사랑의 시작은 설렘에서 비롯됩니다. 

 

해야 될지 안 해야 될지, 고민으로 마음이 심란하다면 그냥 하지 마세요. 정말로 하고 싶었다면 고민조차 하지 않고 바로 했을 겁니다.

 

어릴 때는 나보다 중요한 사람이 없고, 나이 들면 나만큼 대단한 사람이 없으며,
늙고 나면 나보다 더 못한 사람이 없다.
돈에 맞춰 일하면 직업이고, 돈을 넘어 일하면 소명이다.
직업으로 일하면 월급을 받고, 소명으로 일하면 선물을 받는다.
칭찬에 익숙하면 비난에 마음이 흔들리고, 대접에 익숙하면 푸대접에 마음이 상한다.
문제는 익숙해져서 길들여진 내 마음이다.
집은 좁아도 같이 살 수 있지만, 사람 속이 좁으면 같이 못 산다.
내 힘으로 할 수 없는 일에 도전하지 않으면, 내 힘으로 갈 수 없는 곳에 이를 수 없다.
사실 나를 넘어서야 이곳을 떠나고, 나를 이겨내야 그곳에 이른다.
갈 만큼 갔다고 생각하는 곳에서 얼마나 더 갈 수 있는지 아무도 모르고, 참을 만큼 참았다고 생각하는 곳에서 얼마나 더 참을 수 있는지 누구도 모른다.
지옥을 만드는 방법은 간단하다.
가까이 있는 사람을 미워하면 된다.
천국을 만드는 방법도 간단하다.
가까이 있는 사람을 사랑하면 된다.
모든 것이 다 가까이에서 시작된다.
상처를 받을 것인지 말 것인지 내가 결정한다.
또 상처를 키울 것인지 말 것인지도 내가 결정한다.
그 사람 행동은 어쩔 수 없지만 반응은 언제나 내 몫이다.
산고를 겪어야 새 생명이 태어나고, 꽃샘추위를 겪어야 봄이 오며, 어둠이 지나야 새벽이 온다.
거칠게 말할수록 거칠어지고, 음란하게 말할수록 음란해지며, 사납게 말할수록 사나워진다.
결국 모든 것이 나로부터 시작되는 것이다.
나를 다스려야 뜻을 이룬다.
모든것은 내 자신에 달려 있다. 

 

나는 연애를 하는 동안 책에서 봤던 '성인'이 되고 싶었는 지도 모른다. 마찰 없이 모든 문제를 온화하고 지혜롭게 헤쳐나가는. 그렇게 지혜로운 아녀자 신사임당 같은 연애를 하던 어느 날, 내 생일날 약속에 잠자다 늦은(+빈손으로 온)남친을 '이해'하고 화해하고 왔다는 내게 엄마는 이렇게 말했다.

"너 행복하려고 연애하지, 봉사하려고 연애하니?"

...

나는 점차 신사임당 연기를 포기하기로 마음을 먹었다. '맞는 건 맞다, 아닌 건 아니다'라고 말하기 시작했고, 상대의 기분이 상할까 눈치 보는 일을 그만두었다. 원래부터 애교가 없이 태어난 걸 자책하는 대신 그냥 내가 가진 유쾌함을 선택했다. 그리고 무엇보다 그냥 내가 하고 싶은 일을 최우선 순위에 두었다. 그 결과, 난 1년이 넘도록 행복하게 솔로로 남아있을 수 있었다.

 

남에게 착한 일을 하면, 어렸을 때부터 엄마는 나에게 '잘했다'라는 말 대신 '고맙다'라고 했다. 마치, 엄마가 그 상대가 된 것처럼, 남을 만나면, 그 사람 속에 꼭 엄마가 보인다.

 

네가 복수를 안 하는 것은 그보다 약해서가 아니라 그보다 용감하기 때문이다.

 

엄마는 아빠의 병수발을 몇년 째... 아들은 뭘 할 수 있을까? 그냥 엄마 생각하지말고 자기 나름 인생을 살기위해 떠나는 것이야말로 답이 아닐까? 엄마가 아들이 그렇게 하길 바라지 않을까?

 

이기적이게 사는 것이 이타적인 것이다. 죽은 사람을 얼른 보내고 행복하게 살자. ... "엄마 오늘은 엄마 잊으려고 운동도하고 좋은 옷도 입고 맛있는 것도 먹었습니다."

 

인간 관계의 역량을 늘리는 연습으로 생각해야합니다. 결과에만 집중하니까 실패가 상처로 남는 겁니다. 연습으로 생각해야 마음에 부담이 없습니다. 

 

내가 국민학생때.. 벌써 20년 전이네

학교 자연시간 과제로 화분에 꽃씨를 심고 키우는 숙제가 있었다.

난 무엇을 심을까 고민하다가.. 수선화라는 이름이 예뻐 보여서 수선화 씨앗을 심었지..

어린마음에 꽃을 피워보겠다는 일념으로 정성스레 물을 주고 햇빛이 잘드는 자리에 항상 올려놓았지..

그러기를 한참.. 줄기는 꽤 자라나는대 꽃이 필 기미는 안보이고..

점점 지쳐가던 난.. 이내 물주기도 게을리 하고 그러다 나중엔 신경도 안쓰고 구석에 처박아 두었다.

며칠이 흘렀나.. 난 그 화분을 보고 깜짝 놀랐지..

물을 주지 않아서 화분속 흙은 심한 가뭄이 든 땅처럼 딱딱히 굳어있고 여기저기 갈라져있었는대

그 황폐한 흙 위에 아름답지만 위풍당당하게 피어있는 한송이의 노란 수선화...

햇빛이 드는 창가에서 바라본 그 수선화는 금빛으로 빛났고..

아름답지만.. 강해보였다...

그자태가 너무 아름다워... 혼이 나가서 한참을 쳐다보던 기억이 난다...

스스로 일어나서 그 아름다움을 피워낸 한송이의 노란 수선화...

너가 노란 원피스를 입고 온 그날..

넌 수선화였다......  

 

 

자기 프레임을 과도하게 쓰다 보면 ‘나는 남들을 잘 알고 있는데 남들은 나를 잘 모른다’는 착각을 하게 된다.
치우침 없이 객관적으로 다른 사람을 바라보지만, 다른사람들은 자신을 있는 그대로 보지 않고 끊임없이 오해한다고 생각한다.
나는 타인에 의해 끊임없이 오해받고 왜곡당하고 있지만 ‘나는 너를 잘 알고 있다’고 믿는다.
이런 오해는 집단 수준으로 확대된다. 우리 집단, 우리 민족은 다른 민족에 의해 왜곡되어 그려지고 않지만,
우리는 그들을 제대로 알고 있다고 믿는 착각을 불러일으킨다.
"일본 사람들은 우리 민족을 잘 몰라", "도대체 브리짓 바르도가 우리 문화를 얼마나 안다고 우릴 야만인으로 규정하는가?"라고
분개하지만 우리가 다른 문화에 대해 얼마나 오해하고 있는지에 대해서는 무감각하다.
‘나는 너를 알지만 너는 나를 잘 모른다’라는 생각의 뿌리를 좀더 깊게 파헤쳐보기 위해 저자 연구팀은
다음과 같은 연구를 수행했다.
이 연구에 참가한 사람들에게 두 가지 질문을 던졌다.
첫 번째 질문은, 처음 만난 사람과 10번을 만날 기회가 주워졌을 때 몇 번 정도 만나면 그 상대방을 정확하게 파악할 수
있다고 생각하는지 물었다.
반대로 그 상대방이 자신을 정확하게 이해하기 위해서는, 자신과 몇 번이나 만나야 한다고 생각하는지도 물었다.
두 사람 모두 초면이었기 때문에 서로에 대한 사전 지식이 전혀 없는 상황이었다. 응답을 분석한 결과, 평균적으로 사람들은
상대방이 자신을 이해하는 데 필요한 시간보다, 자신이 상대방을 이해하는 데 필요한 시간이 적게 걸린다고 보고했다.
다시 말해 ‘나’ 의 입장에서, 타인은 짧은 시간에도 파악할 수 있는 ‘단순한 존재’이지만 나 자신은 그 누구에 의해서도
쉽게 파악될 수 없는, 그래서 오랜 시간을 들여야 제대로 이해할 수 있는 ‘복잡한 존재’로 보고 있다는 애기다.
나는 한눈에 척 보면 너를 알지만, 너는 척 봐서는 나를 모른다는 생각이 깊게 깔려 있는 것이다.
아마 어떤 사람이 단5분 만에 당신이 어떤 사람이라고 단정한다면 무척 화가 날 것이다.
그런대도 당신은 5분이면 충분이 다른 사람을 판단할 수 있다고 자신한다.
사람들은 대부분 다른 사람의 내면이 겉으로 잘 드러난다고 믿기 때문에, 겉으로 보이는 특정적인 몇몇 행동을 보면
그 사람을 이해해할 수 있다고 생각한다.
걷는 모습, 머리 스타일, 옷입는 스타일, 목소리 크기, 글씨체, 좋아하는 색깔, 자주 듣는 음악,,,이런 식의 단서들이면 충분히
그 사람이 어떤 사람인지 파악할 수 있다고 믿는다.
그러다 보니 글씨를 조그맣게 쓰는 사람은 성격도 소심할 거라고 지레 짐작한다든지, 발라드를 좋아하는 사람은 창의성이 없다고
믿는다든지, 심지어 라면을 먹을 때 면을 먼저 먹는지 국물을 먼저 먹는지를 보면 그 사람의 성격 을 알수 있다는 등의
황당한 주장도 나오게 된다.
만약 애인이 "넌 혈액형이 B형이라서 내 결혼 상대로는적합하지 않아"라고 말한다면 어떨까? 또 "당신은 너무 소심해"라고
말하는 상대방에게 왜 그렇게 생각하느냐고 물었더니, "넌 글씨를 너무 작게 써!"라는 대답이 돌아 온다면? 편안한 자세로
앉아서 감상한다는 이유로 상사가 더 이상 창의적은 일을 맡기지 않는다면? 당신이 이런 상황을 겪는다면 분명 어이없어 하면
자신이 제대로 평가받지 못한 데 대해 발끈할 것이다.
"어떻게 감히 그런 사소한 이유를 가지고 나의 심오한 내면을 판단할 수 있단 말인가!"하고 말이다.
그러니 오해하지 말자.
"나는 너를 알지만 너는 나를 모름다"는 생각은 자기중심성이 만들어낸 착각이고 미신일 뿐이다.
정답은 ‘나도 너를 모르고 너도 나를 모른다’거나 ‘나는 네가 나를 아는 정도만 너를 안다’이다.
‘예수님도 고향 사람들로부터 인정받지 못했어’라는 멋진 비유까지 들어가면서 ‘난 지금 오해받고 있다’고 착각하지 마라,
더 큰 오해는 ‘내가 남을 알고 있다’는 바로 그것이다. 


- 최인철 '프레임'

 

 

누군가 내게
"당신은 그를 얼마나 사랑하나요"
하고 묻는다면
나는 외면하며
"손톱만큼요"
라고 할 것이다.

 

하지만 돌아서서는,
평생 자라나고야 마는
내 손톱을 보고
마음이 저려
펑펑 울지도 모른다

 

왕구슬 - 손톱깎이

 

 

산은 좀체 안개 속에서
빠져나오지 못했다.
나도 그 산에 갇혀
꼼짝할 수 없었다.

그 해 여름 내 사랑은
짙은 안개 속처럼
참 난감해서 더 절절했다.
절절 속 끓이며
안으로만 우는 안개처럼
남몰래 많이 울기도 했다.


이제야 하는 얘기다.


오인태 - 난감한 사랑 

 

뭔가가 시작되고 뭔가가 끝난다.
시작은 대체로 알겠는데 끝은 대체로 모른다.


끝났구나, 했는데
또 시작되기도 하고

끝이 아니구나, 했는데
그게 끝일 수도 있다.


아주 오랜 세월이 흐른 후
아, 그게 정말 끝이었구나,
알게 될 때도 있다.

 

그때가 가장 슬프다.

 

황경신 - 그때가 가장 슬프다
 

 

이렇듯 흐린 날엔 누가
문 앞에 와서
내 이름을 불러주면 좋겠다

보고 싶다고 꽃나무 아래라고
술 마시다가
목소리 보내오면 좋겠다

난리 난 듯 온 천지가 꽃이라도
아직은 니가 더 이쁘다고
거짓말도 해 주면 좋겠다

구양숙 - 봄날은 간다 

 

못난 글 알아보기-말로 소리내어 읽어보기 

 

말과 글 중에는 말이 먼저다. 말로 해서 좋아야 잘 쓴 글이다. ... 청중의 마음을 움직이지 못하면 노래를 잘해도 의미가 없다는 말이다. 글쓰기도 노래와 다르지 않다. 독자의 공감을 얻고 마음을 움직이는 글이 잘 쓴 글이다. 많은 지식과 멋진 어휘, 화려한 문장을 자랑한다고 해서 훌륭한 글이 되는 게 아니다. 독자가 편하게 읽고 쉽게 이해할 수 있도록 쓰는 것이 기본이다. 

 

행복한 가정은 다 비슷하지만 불행한 가정은 저마다 이유가 다르다.

못난 글은 다 비슷하지만 훌륭한 글은 저마다 이유가 다르다. 

 

글쓰기를 위한 전략적 독서에 적합한 책을 경험주의적으로 고른 목록(by 유시민작가) 중 흥미가는 것들

? 특권계급의 집단적 이기심이 만들어내는 불의를 대화와 타협을 통해 평화적으로 해결할 수 있는가? 어떤 방법으로 우리는 개인의 도덕과 사회의 정의를 함께 실현할 수 있을까?

모든 집단은 자기중심적이고 이기적인가? 구성원들이 개별적으로는 이타적인데도 집단으로 뭉치면 이기적으로 행동하는 이유는 무엇인가? 특권계급의 집단적 이기심이 만들어내는 불의를 대화와 타협을 통해 평화적으로 해결할 수 있는가? 어떤 방법으로 우리는 개인의 도덕과 사회의 정의를 함께 실현할 수 있을까?

-침묵의 봄, 레이첼 카슨

화학살충제와 제초제로 해충과 잡초를 박멸할 수 있는가? 만약 성공해서 공춘과 잡초가 완전히 사라진다면 좋은 일인가? 인간이 살아가는 데 아무 문제가 없을 것인가? 생태계의 다양성과 균형을 유지하면서 해충과 잡초를 제어할 수 있는 방법은 없는가?

-만들어진 신, 리처드 도킨스

우주와 생명은 누가 만들었나, 스스로 태어났나? 신이 인간을 창조했는가, 아니면 인간이 신을 창조했는가? 만약 신이 존재한다면 그것을 어떻게 증명할 수 있으며, 인간이 신을 만들었다면 그 이유는 무엇인가? 우리는 종교의 도움 없이도 삶에 필요한 도덕을 세울 수 있는가? 신이 있는 세상과 없는 세상 가운데 어느 쪽이 더 희망적인가?

-이기적 유전자, 리처드 도킨스

다윈의 진화론은 생존경쟁과 자연선택을 주장한다. 자연선택과 생존경쟁은 어떤 차원에서 이루어지는가? 집단인가, 개체인가, 유전자인가? 인간을 유전자가 창조한 생존기계라고 하는 것은 인간의 존엄성을 부정하는 이론인가? 이기적 유전자의 생존기계인 인간이 이타적으로 행동하는 이유는 무엇인가?

-다른 의견을 가질 권리, 슈체판 츠바이크

인간이 삶과 우주의 궁극적 진리를 알 수 있을까? 절대 진리를 안다고 확신하는 어떤 사람이 권력의 힘으로 그것을 만인에게 강요할 경우 어떤 일이 벌어질까? 그 귀결이 자유와 다양성, 이성과 인권과 생명력을 짓누르는 공포정치라면, 그런 위험을 피하는 방법은 무엇인가?

-권력이동, 앨빈 토플러

권력의 원천은 무엇이며, 그것은 역사적으로 어떻게 변화해왔는가? 권력의 원천이 폭력에서 부로, 다시 부에서 지식으로 이동해왔다면 폭력과 부에서 지식으로 넘어가는 21세기 권력이동은 어떤 양상으로 전개될 것인가? 권력을 통제할 미래의 지식소유자들은 어떤 모습을 하고 있을까?

-소유냐 삶이냐, 에리히 프롬

재산, 지식, 권력을 소유하면 삶이 행복하고 의미를 가지게 될까? 만약 그렇지 않다면 어디서 삶의 의미를 찾을 수 있을까? 인간은 소유를 넘어 창조와 나눔에서 존재의 기쁨을 얻도록 스스로를 변혁할 수 있을까? 만약 가능하다면 어떤 방법이 있을까?

 

 

나는 밤하늘의 별과 내 몸이 같은 물질로 이루어져 있다는 사실을 알고 큰 위로를 받았다. 내 몸을 구성하는 물질은 그 무엇도 사라지지 않는다고 생각하니 삶이 덜 외롭고 덜 허무해 보였다. 

 

인간 사회에서 누구든, 개인이든 집단이든, 다른 사람의 행동의 자유를 침해할 수 있는 경우는 오직 한 가지, 자기 보호를 위해 필요할 때뿐이다.  

 

논증의 기술을 가르치는 책도 그와 비슷한 면이 있다. ... 논증의 기술을 가르치는 책은 글을 어느 정도 잘 쓰게 된 후에 가볍게 읽어보면 도움이 된다. 그러나 독서량이 적은 사람은 논증의 기술을 배워봐야 힘만 들 뿐 효과는 없다. 기초 체력이 허약한 사람이 축구 드리블 기술을 배우는 것이나 마찬가지다. 

 

어린이는 흥미를 느끼는 책을 마음 가는 대로 읽으면 된다. 특별한 도서 목록이 필요 없다. 하지만 뇌가 거의 다 성장해 지적 능력이 성인 수준으로 올라선 고등학생부터는 적절한 도서 목록이 있어야 한다. 그렇다면 어떤 책을 읽어야 할까? 글쓰기에 도움이 되는 책을 고르는 기준은 세 가지로 요약할 수 있다. 첫째는 인간, 사회, 문화, 역사, 생명, 자연, 우주를 이해하는 데 꼭 필요한 개념과 지식을 담은 책이다. 이런 책을 읽어야 글을 쓰는 데 꼭 필요한 지식과 어휘를 배울 수 있으며 독해력을 빠르게 개선할 수 있다. 둘째는 정확하고 바른 문장을 구사한 책이다. 이런 책을 읽어야 자기의 생각을 효과적이고 아름답게 표현하는 문장 구사 능력을 키울 수 있다. 셋째는 지적 긴장과 흥미를 일으키는 책이다. 이런 책이라야 즐겁게 읽을 수 있고 논리의 힘과 멋을 느낄 수 있다. 좋은 문장에 훌륭한 내용이 담긴 책을 즐거운 마음으로 읽으면 지식과 어휘와 문장과 논리 구사 능력을 한꺼번에 얻게 된다. 이런 책은 친구로 만드는 게 좋다. 친구는 오랜 세월 좋은 일은 함께 즐기고 아픔은 서로 나누며 자주 어울려야 친구다운 친구다. 어떤 책과 친구가 되려면 한 번 읽고 말 것이 아니라 여러 번 읽어야 한다. 시간이 들지만 손으로 베껴 쓰는 것도 괜찮은 방법이다. 그런 책 목록을 제안하기에 앞서 우선 세권을 소개한다. <토지>와 <자유론> 그리고 <코스모스>다. 이 책들은 두세 번이 아니라 열번 정도 읽어보기를 권한다.

 

텍스트는 내용을 이해하는 것을 넘어 문제점과 한계까지 탐색하면서 읽어야 한다. 한걸음 더 나아가면 그 문제점과 한계가 어디서 왔는지도 추론해볼 수 있다. 그렇게 하려면 책을 읽을 때 저자가 어떤 사람이며 무슨 일을 하는지 알아보는 게 도움이 된다. 임재춘 선생은 과학기술부 원자력실장을 지낸 핵발전전문가이며 책날개의 저자 소개와 서문에서 그런 이력을 명확하게 밝히고 있다. 그는 핵발전으로 화력발전을 대체하는 것이 경제적 효율성도 높고 지구 환경을 보호하는 데도 더 낫다는 확신을 바탕으로 텍스트를 썼다. 그러나 나는 그런 주장의 타당성을 의심하면서 그 텍스트를 읽었다.

 

독해는 텍스트의 한계와 오류를 찾아내거나 텍스트를 다른 맥락에서 해석하는 작업을 포함한다. ... 어려운 글은 밑줄을 긋고 사전을 뒤지고 인터넷에서 관련 정보를 검색해가면서 읽어야 한다. 독서량이 늘어 아는 게 많아지고 생각이 깊어져야 텍스트를 읽는 속도가 빨라지고 비판적, 창의적으로 독해할 능력이 생긴다.

 

실컷 놀아도 허무하거나 자책감을 느끼지 않는 놀이 또한 독서만 한 것이 없었다.  

 

말 못하는 아기한테도 자주 말을 걸어주어야 한다. 아기는 부모가 하는 말을 이해하려고 무의식적으로 노력한다. 부모가 다정하게 말을 걸어줄 때 아기의 뇌에서는 행복한 비상사태가 일어난다. 청각 신경이 포착한 음성 정보를 해독하고 적절한 대응을 하기 위해 아기의 뇌는 언어를 담당하는 영역에 더 많은 뉴런을 배치하고 교신을 더욱 강화한다. 따라서 반쪽짜리 말을 하는 아이라도 완전한 문장으로 대화해야 한다. '찌찌', '때때', '응가' 같은 반쪽짜리 말을 가르치고, 아이가 그런 말을 한다고 해서 부모도 같은 방식으로 말하면 아이의 뇌는 쉬운 숙제를 받은 학생처럼 느긋해진다. 더 많은 신경세포를 배치하고 더 많은 시냅스를 만들어 더 효율적으로 교신하려는 노력을 덜하게 된다.

 

 

 

영어로 생각하고 영어를 모국어처럼 쓰는 한국인은 거의 없다.  

 

나는 한국어로 생각하면서 독일어로 논문을 썼다. 대부분 영어로 된 참고 문헌을 읽을 때도 한국어로 생각했다. 세부 주제, 데이터, 논리, 문장까지 모두 한국어로 먼저 정리한 후에 독일어로 옮겼따. 그렇지만 독일어로 생각하고 독일어로 글을 쓰는 독일 학생들보다 더 나은 평가를 받았다.

 

요즘은 인터넷이 있어서 글과 인격을 분리하기가 수월하다. 운영자의 실명을 밝히지 않고 블로그를 개설하면 된다. 피차 익명을 쓰는 사람끼리 이야기를 주고받으면 글 비판을 인격 비판으로 여길 필요가 없다. 

 

전우용 선생은 몇 가지 역사적 사실을 불러내어 냉정하게 해석했을 뿐 직접적으로 감정을 표출하지는 않았다. 그런데도 이 글을 읽으면 백신을 만든 과학자와 국가보건정책담당자의 수고를 생각하게 되며, 그로인해 내가 받은 혜택에 감사하는 마음이 든다.

글 쓰는 기술만 공부해서 잘 쓰는 사람도 물론 없다.

우리는 대학생 병영집체훈련을 단호히 거부한다.
선언문에서 하려던 말은 바로 이것이었다. 이렇게 쓰는 게 뭐 어려운 일이란 말이가. 주장하는 바를 한 문장으로 요약해서 문자로 옮기면 된다. ... 첫문장 쓰기는 어렵지 않다. 써보지 않았기 때문에 어렵다고 생각할 뿐이다. 

 

이렇게 글을 쓰기 위한 연습
1. 텍스트 독해
2. 텍스트 요약
3. 사유와 토론 

 

논리 글에서 중요한 점
쉽게 읽고 명확하게 이해할 수 있는 글
논리적으로 반박하거나 동의할 근거가 있는 글
이런 글을 쓰기위해 유념해야할 것
1. 무슨 이야기를 하는지 주제가 분명해야 한다.
2. 그 주제를 다루는 데 꼭 필요한 사실과 중요한 정보를 담아야 한다.
3. 그 사실과 정보 사이에 어떤 관계가 있는지 분명하게 나타내야 한다.
4. 주제와 정보와 논리를 적절한 어휘와 문장으로 표현해야 한다. 

 

그렇다면 대학교와 기업이 굳이 자기소개서를 요구하는 이유가 무엇일까? 글을 얼마나 잘 쓰는지 보려는 게 아니다. 대학 문예창작과 신입생을 선발하거나 광고회사 카피라이터, 출판사 편집사원, 언론사 기자를 채용하는 경우가 아니면 글솜씨를 꼼꼼히 따지지는 않는다. 자기소개서를 받는 것은 이력서만 보아서는 알기 어려운 인간적 특성을 알아보기 위해서다.
우리는 인간적 미덕을 가진 사람을 좋게 본다. 솔직하고, 정직하고, 성실하고, 긍정적이고, 창의성과 열정이 있고, 남을 배려하고, 인내심과 도전 정신이 있는 사람을 훌륭하다고 한다. 자기소개서는 자신이 그런 사람이라고 상상하면서 써야 한다. 그런 사람으로서 이력서에 적은 객관적 사실을 해석하고 자신의 장점과 단점을 살펴야 한다. 그런 마음으로 과거와 현재를 평가하고 미래를 설계해야 한다.

 

 성공한 혁명은 화려해보이지만 그 뿌리는 언제 어디서나, 참혹한 패배를 예감하면서도 먼저 일어나 싸운 사람들의 희생에 닿아 있다.

 

 

 

논증의 미학

취향은 논쟁하지마라

주장은 논증하라

주제에 집중하라, 감정을 섞지마라

 

제 어떤 점이 못마땅한 거죠?
날 비난했던 그 말 오만하다는 말
신이 준 권리를 뺏는 건 오만이죠
그게 못마땅하다 오만한 건 너야
그 말 하러 오셨어요? 남을 심판한 건 바로 아빠에요
넌 동정하기 때문에 심판하지 않는 거야. 불우한 유년기에 저지른 살인은 무죄라고? 네 말대로 환경만 탓한다면 강간범, 살인범도 피해자란 얘긴데 그런 놈들은 개야. 실수를 감추려고 한다면 채찍이 약이지
개는 본능을 따를 뿐이니 용서해야죠
개를 매번 용서해주면 유용한 재주를 익힐 수 없어
제가 오만한 건 용서하기 때문인가요?
세상에! 그 말도 얼마나 오만한 줄 아니? 네겐 선입견이 있어. 저들은 나처럼 고고한 성품을 가질 수 없으니 면죄해 주자, 이보다 더 오만한 게 어디 있니?아가, 넌 사람들을 너무 쉽게 용서하고 있어
인정 많은 게 잘못이에요?
인정을 베풀 땐 베풀어야지, 단 네 기준을 잃어선 안돼. 넌 그 점에서 잘못한 거야. 네가 받아 마땅한 벌은 그들도 받아 마땅해
그들은 인간이에요
아니! 인간은 자기 행동에 책임을 져야 해, 근데 넌 그들에게 기회조차 안줬어, 사랑한다 널 정말 사랑하지만 넌 내가 본 가장 오만한 인간이야, 근데 나보고 오만하다니! 더 할 말이 없구나
우린 오만해요, 이제 그만 가보세요.
딸을 두고 말이냐? 딸을 두고?
그래요!
그래?
그래요
네가 그렇다면 그런 거지, 듣기로는 문제가 좀 있다던데
없어요, 집에 가는 것 말곤 없어요
잠시 생각해보면 맘이 바뀔 지 몰라
아니요
들어봐라, 권력이 나쁜 것만은 아냐, 네 방식으로 사용하면 돼, 잠시 걸으며 생각해봐
여기 사람들은 최선을 다해 살고 있어요
네 말을 믿는다만 그들의 최선이 과연 훌륭할까? 그들은 널 사랑하니?
...
입장이 바뀌었다면 아버지 말처럼 그녀 잣대로 남을 평가하며 척이나, 베라나, 벤이나, 헨슨 부인이나 톰이나 집안의 그 수많은 사람들과 똑같은 잘못을 저지르지 않는다고 어떻게 장담하겠는가? 그녀는 멈춰 섰다. 구름이 흩어지고 달빛이 비치자 도그빌은 아까와는 다른 모습이 됐다. 희미한 자비로운 빛의 그림자가 걷히자 갑자기 구즈베리 덤블에 잔뜩 붙은 메마른 가시들이 보였다. 낡은 건물은 흉한 몰골을 드러냈다. 그리고 사람들도 추해 보였다. 갑자기 모든 것이 명백해졌다. 그녀가 그들과 똑같이 행동했다면 자신의 행동을 용서하지도 못하고 그들을 비난하지도 못 했을 것이다. 그들의 최선은 훌륭하지 못 했다. 그랬다. 그들은 권력을 올바로 썼어야 했다. 그건 의무와도 같다. 다른 마을을 위해, 인간성을 위해, 적어도... 그레이스라는 한 인간을 위해
...
우선 개부터 쏴서 벽에 걸어놓자꾸나. 저 가로등 밑에 본보기로 겁주는 덴 효과 만점이지.
그런다고 마을이 달라지진 않아요, 언젠가는 또 다시 누군가가 드러내겠죠. 나약함을요. 전 더 나은 세상을 만드는 데에 제 권력을 쓰고 싶어요.
...
세상을 위해 이런 곳은 없어져야 해요.
...
그녀가 도그빌을 떠난 건지 도그빌이 그녀를 떠난 건지는 물어봐서 득볼 사람도 별로 없고 대답할 사람은 더더욱 없고 여기서 답하지도 않을 것이다.







해 아래 새로운 지식은 있어도 새로운 지혜는 없다. 내가 만나본 지혜의 여신도 호호백발이었다. 
이해와 연구는 다르다고 할지 모르지만 즐거운 이해 없는 연구가 무슨 가치가 있을 것인가
 
Try to learn something about everything and everything about something
 
*서울대 수리과학부로 진학하고자 선택을 했다. 그 이유를 적어놓고 싶다. 나는 응용수학보다는 순수수학을 하고 싶고, 순수수학을 하는 데에 있어서 지도교수님이나 다른 순수수학 전공하려는 학우들이 많은 서울대가 적합할 것이다. 만혹 서울대에 떨어진다면 성균관대에서 순수수학을 이어나갈 것이다. 
 
우연히 만난 여인은 이렇게 말한다. "이 맥주를 마시면 취한다는 사실 정도만 알 수 있을 뿐 그 뒤에 닥칠 일은 아무도 모르죠" 라고.  도망자인 르롤린은 이 말이 떨어지기가 무섭게 생각지도 못한 일을 겪게 되고, 살인마인 안톤쉬거는 파란 신호등이 켜져있는 것을 두번이나 확인하고도 자동차 사고를 당한다.  결국 이 영화에 등장하는 인물들 모두, 자신에게 닥칠것이라고 기대했던 순간이 와주질 않았다. 
 
살인자 안톤은 응징받지 않으며 보안관은 안톤을 처벌하지도 제거하지도 못한다.
안톤이나 모스나 그 밖의 모든 사람들은 나름대로 "신념"과 "확신"을 지니고 있다.
그것은 "믿음"이 되고 믿음이 발생하는 이유는 "진리"를 모르기 때문이다.
"진리"를 안다면 안톤이나 모스나 모든 인물들에게 진리를 가르쳐주고 그들은 잘못된 믿음을 가지지 않았을 것이다.
이 영화는 세상이 믿음으로 움직이고 이것이 얼마나 치명적인가를 말하고 있다.
왜냐면 믿음은 정지를 의미하고 발전하고 탐구할 필요가 없는 마지막인 끝을 의미하기 때문이다.
 
동기부여에 필요한 요소, 자주(스스로 삶의 방향을 결정하는 욕구), 숙달(Mastery), 소명(내가 하는 일이 세상을 발전시키는 일이란
 
요 근래(2015년 6월~8월, 지도교수님 문제관련)에 내 나름으로는 힘든 일을 겪으며 깨달은 점을 적어본다.
1. 계획, 진로 등이 바뀌어서 인생에 포커싱이 안잡힐 때는 고향에 갔다 오는 게 도움이 되며, 그것은 빠를수록 좋다.
2. 어떠한 잡무가 끝나면 수학공부를 진득히 해야지, 이런 류는 통하지 않는다. 수학을 계속 할거면 시간이 없을 때도 해야한다. 그냥 지금 해야 한다.
3. 자신감을 가지자. 일이 아무리 안풀리더라도, 수학을 하기위한 조건을 알고, 실행할 수 있는 나 자신을 믿어라.
4. 간단한 계산부터 자꾸 해보자. 할 수 있다해서 의미가 없는 것은 아니다.
5. 연구직이라는게 사실상 교수뿐이다. 교수가 되려고 해야한다. 그만큼 열심히여야한다.
6. 해결책으로는, 이게 정말 정답인지 오랜 고민이 있고 확신을 얻은 건 아니지만, 좋아서 하는건지, 그냥 해서 좋아지는건지, 다 떠나서, 지금와서는 그냥 수학하는 시간이 길어야만 한다. 그래야만 한다는 것이다. 
7. 공부에 발전적인 습관을 가지려고 노력해야한다. 유지해야한다. 놓는 순간 잃어져있다.
8. 학교, 교수, 다 떠나서 내 스스로 방향을 결정해서 살아야한다. 자주성을 가져야한다.
9. 내 전공만큼은 숙달해야한다. 대학원 1학년수준의 수학과 내 세부전공, 물론 세부전공을 더 집중해야하겠지만.
10. 소명감, 첫번째 내 일에서 느끼는 소명감은 내 특유의 성실함과 높은 기준으로 사람들이 해결하지 못한 수학문제를 도와주겠다. ...
11. 확실히 카이스트에서 실변수함수론 들을 때 만큼 빡세게 공부해야한다. 그래야 남는다. 몸을 쥐어짜야한다.
12. 남이 날 어떻게 생각하는지, 예를 들면 고등학생 때의 내신 성적, 대학교 간판, 카이스트 지도교수, 성균관대 지도교수 등
13. 늦는 다는 것은 없다. 이 때가 적절했음을 보여라. 하루의 시간도 내가 결정하는 것이다.
14. 이상으로 나에 대한 생각, 내가 앞으로 나아가야할 방향에 대한 생각은 그만해야한다. 이런 생각은 따분함과 머리가 무거워짐과 삶을 즐길 수 없게 된다.
 
상품의 정확한 가치를 알고 난 후 상품을 사는 것은 속지 않기 위해서는 좋은 방법이긴 하지만, 그런 구매자는 결국 영영 시장바닥을 헤매야 한다는 걸 그 역시도 모르고 있었다. 
 
 
 
“보다 확실하게 알기 위해 지금 알고 있는 모든 것을 버릴 것. 더욱 큰 가치를 붙들기 위해 이미 접근해 있는 모든 가치로부터 떠날 것. 미래의 더 큰 사랑을 위해 현재의 자질구레한 애착에서 용감히 벗어날 것.”
 
 
다짐
누구에게도 의지하지 말자. 내게 필요한 지 스스로 묻고 택하고 행동하자. 가족, 친구, 지도교수 모두 의지하지 마라. 내 실력만이 나를 지켜줄 것이다.
봐야할 기본서가 있다면 즉시 시작해서 짧은 기간에 끝내라. 오래붙들고 있어서 뭔가 있는 듯한 착각을 갖게 된다. 별 것 없는, 이미 밝혀진 사실들 뿐이다. 노력하면 짧은 시간에 읽을 수 있는 것이다.
공부모드로 들어가는 데에는 상당한 집중력이 요구된다. 공부모드로 들어서고 나오지 말자. 그 모드 속에 있음을 감사히여기고 유지하자. 그렇게 하기 위해서는 이기적인 면도 필요하다. 내 가족, 내 일, 내 사람들만 생각하자. 굳이 내가 손해봐가며 해야할 일인지 항상 확인해라. 
성공하는 방법을 나는 알고 있다. 그리고 이룰 수 있는 끈기도 가졌다. 다시 실행해야할 때이다. 지금이 아니면 꿈이 날아갈 때다. 아직 할 수 있음을 나에게 보여주자.
 
 
잠 언 시     top↑
 
세상의 소란함과 서두름 속에서 너의 평온을 잃지 말라.
침묵 속에 어떤 평화가 있는지 기억하라.
너 자신을 포기하지 않고서도
가능한 한 모든 사람과 좋은 관계를 유지하라.
네가 알고 있는 지리를 
조용히 그리고 분명하게 말하라.
다른 사람의 예기가 지루하고 무지한 것일지라도
그것을 들어주라. 그들 역시 자신들만의 이야기를 
갖고 있으므로.
소란하고 공격적인 사람을 피하라.
그들은 정신에 방해가 될 뿐이니까.
만일 너 자신을 만과 비교한다면
너는 무의미하고 괴로운 인생을 살 것이다.
세상에는 너보다 낫고 너보다 못한 사람들이 언제나 있기 마련이니까.
네가 세운 계획뿐만 아니라
네가 성취한 것에 대해서도 기뻐하라.
네가 하는 일이 아무리 보잘 것 없는 것일지라도
그 일에 열정을 쏟으라.
변화라는 시간의 흐름 속에서
그것이 진정한 재산이므로.
세상의 속임수에 조심하되
그것이 너를 장님으로 만들어 
무엇이 덕인가를 못 보게 하지는 말라.
많은 사람들이 높은 이상을 위해 노력하고 있고
모든 곳에서 삶은 영웅주의로 가득하다.
하지만 너는 너 자신이 되도록 힘쓰라.
특히 사랑을 꾸미지 말라고
사랑에 냉소적이지도 말라.
왜냐하면 모든 무미건조하고 덧없는 것들 속에서
사랑은 풀잎처럼 영원한 것이니까.
나이 든 사람의 조언을 친절히 받아들이고
젊은이들의 말에 기품을 갖고 따르라.
잡작스런 불행에 자신을 지킬 수 있도록
정신의 힘을 키우라.
하지만 상상의 고통들로 너 자신을 고통스럽게 하지는 말라.
두려움은 피로와 외로움 속에서 나온다.
건강에 조심하되
무엇보다 너 자신을 괴롭히지 말라.
너는 우주의 자식이다.
그 점에선 나무와 별들과 다르지 않다.
넌 이곳에 있을 권리가 있다.
너의 일과 계획이 무엇일지라도
인생의 소란함과 혼란스러움 속에서
너의 영혼을 평화롭게 유지하라.
부끄럽고, 힘들고, 깨어진 꿈들 속에서도
아직 아름다운 세상이다.
즐겁게 살라. 행복하려고 노력하라.
 
 
너무 늦기 전에     
 
그 남자는 부자가 되어야 행복할 것이다.
그러기 전까지는 그는 형편없는 인간에 불과하다.
그가 편협한 생각을 갖고 있는 건지는 모르지만
그는 남에게 친절 따위를 베풀 시간이 없다.
 
그 여자는 뚱뚱하다.
그래서 아무도 그녀를 사랑하지 않는다.
자신이 왜 이런 불행을 타고 났는지
그녀는 이해할 수 없다.
효과적인 다이어트 법을 발견하기 전까지는 
세상은 그녀에게 재미없는 곳이다.
 
또다른 남자가 있다. 그는 인정받고 싶고,
명성을 얻고 싶다.
따라서 지금은 한가로이 웃고 지낼 시간이 없다.
그 모든 것을 손에 넣었을 때
그는 자신만의 아름다운 성에서 살 것이다.
 
또다른 여자가 있다. 그녀는 못생겼다.
그녀는 사람들의 시선이 애정에서 나오는 게 아니라는 걸
잘 안다.
때가 되면 그녀는 턱뼈를 깎고 코 수수을 할 것이다.
그때가 되기 전까지는 
그녀 혼자 있게 내버려 두라.
 
그리고 또다른 여자는 집안일 때문에 시간이 없다.
아이들을 다 키우고 나면
그때 그녀는 자신의 인생을 살 것이다.
그때가 되기 전까지는
계속 집안일에 매달리 수밖에 없다.
자신이 원하는 일을 뒤로 미루면서.
 
이들 모두가 어떤 계기를 만났다면
틀림없이 자신의 인생을 사랑하고
모든 사람을 사랑했을 것이다.
더불어 그들의 영혼도 성장했을 것이다.
하지만 그들은 너무 오래 기다렸다.
왜냐하면 그들 모두 죽었으니까.
 
모든 것을 맛보고자 하는 사람은
어떤 맛에도 집착하지 않아야 한다.
모든 것을 알고자 하는 사람은
어떤 지식에도 매이지 않아야 한다.
모든 것을 소유하고자 하는 사람은 
어떤 것도 소유하지 않아야 하며,
모든 것이 되고자 하는 사람은 
어떤 것도 되지 않아야 한다.
자신이 아직 맛보지 않은 어떤 것을 찾으려면
자신이 알지 못하는 곳으로 가야 하고,
소유하지 못한 것을 소유하려면
자신이 소유하지 않은 곳으로 가야 한다.
모든 것에서 모든 것에게로 가려면
모든 것을 떠나 모든 것에게로 가야 한다.
모든 것을 가지렴
어떤 것도 필요로 함이 없이 그것을 가져야 한다.
 
 
 
 
첫째, 공부를 하는 사람은 학문에 대한 열정이 있어야 한다. 무언가에 '빠져서' 끊임없이 정진해야 한다. 
둘째, 대학원생들은 장래의 불안감을 극복해야 한다. 
셋째, 공부를 하는 이들은 학문을 하는 것에 대한 소명감이 있어야 한다. 김 교수에 따르면  대학원생들은 공부를 단순한 직업(job)이 아닌 하나의 부름(calling)이라는 생각을 가지고 있어야 한다.

 

 

 

당시에 나는 역사학에 대한 낭만적인 생각을 갖고 있었다. ‘역사를 모르면 아무것도 모른다. 과거를 모르면 현재도 모른다’ 이런 포부를 가지고 공부했는데 아편쟁이처럼 공부에 빠지게 됐다. 동숭동에 있을 때 미국에서 공부하라는 말을 듣고 미국으로 건너가 공부했다. 『The Rise of American Civilization』을 읽고 미국사에 빠지게 됐다. 우리 또래는 돈벌이 생각은 전혀 없고 학문에 대한 낭만이 있었다. 특히 핵심적인 학문에 대한 현실 등을 그 가난한 50년대에 깨달았다.

 

 

 

아무 것도 없는 깨끗한 백지였다. 그 위에 검은 점 하나를 꾹 눌러 찍었다. 쉽게 지워지지 않을 줄 알면서도 모른 척 했다. 그리고 이젠 정말 그 점을 지워야 하는 지금, 지우개로 아무리 종이를 박박 문질러봐도 지워지지 않는다. 종이만 찢어지고 문드러져서 너덜너덜해졌을 뿐, 검은 점은 갈수록 번져만 간다.

 

 

 

 

 

 

 

한때는 죽을 만큼 좋아했던 사람과 모른체 지나가게 되는 날이 오고
한때는 비밀을 공유하던 가까운 친구가 전화한통 하지 않을 만큼 멀어지는 날이 오고
또 한때는 죽이고 싶을 만큼 미웠던 사람과 웃으며 볼 수 있듯이
시간이 지나면 이것 또한 아무것도 아니다.

변해버린 사람을 탓하지 않고, 떠나버린 사람을 붙잡지 말고
그냥 그렇게 봄날이 가고 여름이 오듯
내가 의도적으로 멀리하지 않아도 스치고 떠날 사람은 자연히 멀어지게 되고
내가 아둥바둥 매달리지 않더라도 내 옆에 남을 사람은 무슨일이 있더라도 알아서 내 옆에 남아 준다.
나를 존중하고 사랑해주고 아껴주지 않는 사람에게
내 시간, 내 마음 다 쏟고 상처 받으면서 다시오지 않을 꽃같은 시간을 힘들게 보낼 필요는 없다.

비바람 불어 흙탕물을 뒤집어 썼다고 꽃이 아니더냐? 다음에 내릴 비가 씻어준다.
실수는 누구나 하는거다.
아기가 걸어다니기까지 3000번은 넘어지고서야 겨우 걷는 법을 배운다.
난 3000번을 이미 넘어졌다가 일어난 사람인데 별것도 아닌 일에 좌절하느냐?
이 세상에서 가장 슬픈 것은 너무 일찍 죽음을 생각하게 되는 것이고
가장 불행한 것은 너무 늦게 사랑을 깨우치는 것이다.

내가 아무리 잘났다고 뻐긴다 해도 결국 하늘 아래에 놓인건 매한가지인 것을
높고 높은 하늘에서 보면 다 똑같이 하찮은 생물일 뿐인것을
아무리 키가 크다 해도 하찮은 나무보다도 크지 않으며
아무리 달리기를 잘한다 해도 하찮은 동물보다도 느리다.
나보다 못난 사람을 짓밟고 올라서려 하지 말고
나보다 잘난 사람을 시기하여 질투하지도 말고
그냥 있는 그대로의 나를 사랑하며 살았으면 좋겠다.
하늘 아래에 있는 것은 다 마찬가지니까.

 

 

 

두 사람 중 한 사람을 택해야하는 경우, 그 두사람 중 내가 더 도움이 될 수 있는 사람이 누군가를 생각해보는 것도 도움이 된다.

 

 

 

모든 사람이 재미없어도 사는 것이다. 다 재미없게 사는 것이다. 무언가가 재미가 없으면 좋은 것이다. 재밌는게 나타나면 그 일에 몰입할 수 있기 때문이다.

 

 

 

습관을 바꾸려면 죽을 각오로 하라. 그리고 안된다면 자책하지말고 그냥 그대로 살아라. 바꾸지 못함에는 무의식이 있다, 그 무의식은 죽을 각오로해야 바뀐다.

 

 

 

신사는 묻지 않고 숙녀는 말해주지 않는다.

 

 

모든 남자가 가슴 큰 여자를 좋아하진 않는다. 모든 남자가 가슴 작은 여자를 좋아하지 않는다.

기존에 존재하는 것을 다르게 해석하는 능력, 그것이 창의력이다.

 

 

행복은 소망의 실현이다. 

 

 

 

자유는 매번 수행할 기획(즉, 자유가 현실 속에서 만들어낼 수 있는 현실)에서 출발하여 재해석된다. 

 

 

 

개인은 자신의 미래를 향해 열려있으며, 이 미래는 기성의 정의에 갇히지 않는다. 그 결과 내가 어떤 사람인가는 그 자체로는 알기 힘들고, 내가 되기를 바라지만 아직 되지 않은 미래의 모습을 고려함으로써만 정의될 수 있다. 그러므로 과거는 우리의 욕망이나 기획에 따라 이용되어야 한다. 과거는 움직이지 않는 것이 아니고 그 의미 또한 예전에 정해진 대로 고정되어 있는 것이 아니다. 그러므로 과거를 재가공하는 것은 나의 몫이며, 나는 나의 과거를 오직 나에게 유용한 방식으로만 기억할 수 있다. 즉 내가 어떤 모습으로 변하는가에 따라 내 과거의 의미는 달라진다.

 

 

 

행복=가진 것/원하는 것, 가진 것에 만족할 줄 알아야 한다.

 

 

 

천국의 오류, 초점오류의 일종으로, ~을 가지면 좋겠다. ~의 한 특성만을 고려해서 생각한 오류, 예를 들면 무인도에 한 가구만 사는 경우, 천국같아보이지만, 아플 때 불편하고 식수, 전기, 등을 고려 못하는 점

 

 

 

쾌락적응, 즐거운 일이든, 불행한 일이든, 시간이 지나면 행복도가 원래의 상태로 돌아간다는 이론

 

 

 

춘천사람과 서울사람에게 각각 어느지역 사람이 더 행복하냐는 설문에 둘다 서울지역 사람이 더 행복할 거라고 생각했지만 실제론 비슷비슷하게 나왔다.

 

 

 

행복은 어떤 대단한 한방이 아니라는 것이다. 아주 소소하지만 빈번하게 작은 긍정적인 기쁨을 얼마나 자주 느끼느냐가 행복도를 결정

 

 

 

행복은 생각+감정, 생각(내가 원하는 길을 가고 있다), 감정(그 과정이 즐겁다.)

 

 

 

자신의 목표를 향해 가고 있다면 고통스럽더라도 우리는 행복하다고 말한다. 하지만 그 과정에서 긍정적 감정을 경험하지 못한다면 우리는 또 불행하다고 말할 수 있다. 

 

 

 

삶의 질은 평생 어떤 일을 하며 그 일을 하며 어떤 생각을 하는 지에 달려있다.

 

 

 

스스로 가치를 느끼는 순간 지루함과 고통은 갑자기 즐거움으로 변한다. 행복은 내 손 안의 작은 새다.

 

 

 

사랑하면 알게된다. 다 안다는 말이 아니라, 끝까지 알려고 한다는 것이다. 안다고해서 사랑하는 것은 아니다.

 

 

 

 

 

 

 

일등하는 아이는 사랑을 못한다. 골고루 공부해야하니까 결국 다 외워야하니까. 일등하는 아이는 나중에 평범해진다. 역사에 이름이 남기는 힘들다. 지금 많이 알고 있지만, 사랑하지 않기 때문에 1,2년 뒤에 다 까먹게 된다. 한개를 사랑하고 나머지는 어쩔 수 없이 대충하는 사람이, 오랜 세월 뒤엔 반짝이는 사람이 될 것이다.

 

 

 

 

 

 

 

사랑하는 대상이 바뀔 수는 있는데, 사랑이 없어서는 안된다. 죽을 때까지 사랑을 해야한다.

 

 

 

슬픈 영화를 본 후에 친구들과 대화를 할 때, 어느 부분이 슬펐는지, 슬퍼한 대목이 서로 다르다. 마찬가지로 공부를 할 때도, 수학을 좋아하는 아이들 사이에서도 어느 부분이 좋은 지 각자가 다를 수 있다. 학문을 할 때의 가장 큰 포인트는, 나만 좋아하는 부분을 찾는 것이다. 좋아하는 부분 찾을 때까지 다방면으로 공부하는 것이다.

 

 

 

과학을 좋아해서 카이스트가는 애는 극히 일부야. 과학을 진짜 좋아하는데 왜 성적때문에 자살하니? 업적만 생각하는 애들, 그런 애들이 죽지. 자기가 좋아하는 자연과학을 하러 카이스트에 와서 오늘 실험 실패했다고 죽는 새끼가 어딨어? 사랑하게되면 안죽어, 좋아하는 거 하는데. 

 

 

 

진짜 사랑을 하게되면 어떠한 제약도 넘어간다.사랑을 하게되면 자유를 요구하고, 강해진다. 그래서 고민해야 할 것은, 내가 사랑할 것이 무엇인지만 고민하면 된다.

 

 

 

고백컨대, 꿈이 없어도 노력으로 성공한 사람은 많이 봤습니다. 노력 없이 꿈으로 성공한 사람은 본 적이 없어요. 어떤 멘토는, 허황된 꿈을 꾸지 말고 아예 먼미래의 목표는 다 잊어버리고 지금 당장, 눈 앞에만 집중해서 최선을 다하란 얘기도 했습니다.

 

 

 

특히나 현실적인 근성은 꿈을 꾸는 사람보다, 헝그리한 사람이 훨씬 강합니다. 꿈을 좋아하는 사람 중 다수는 낭만적인 걸 좋아하기에 도중에 쉬이 지치고는 합니다만, 헝그리한 사람은 지치지 않죠. 이룬 것도 뭐도 없기 때문에 지칠 여유 자체가 없습니다. 끝까지 가는 사람은 대개 헝그리한 사람들입니다. 어려서 꿈만 키운 사람 보다는요. 현실에 투정댈 여유도 없고, 내 몸값에 안맞는 일이라거나 학벌이 아깝다고 징징댈 여유도 없습니다. 오늘은 좀 쉬어야겠다고 할 수도 없고, 저건 좀 귀찮은데 라고 할 여유도 없어요. 시키면 해내고, 할 수 있을 것 같으면 하는 사람들은, 절박함이 강한 사람들이에요. 

 

 

 

 

 

 

 

고등학교 때는 내가 머리 좋은 지 알았는데 대학오니까 난 아닌가봐 ㅠㅠ, 라는 글에 댓글이, 대학교 때는 내가 멍청한 줄 알았는데 직장와보니까 아니더라.

 

 

 

그저그런 영화도 하이라이트는 재밌다. 타인의 삶은 하이라이트로 보게 되어있고, 내 삶은 단 1초도 편집 안 된 그대로 느끼게 되어있다. 그러니 철저하게 편집된 타인의 삶을 부러워할 필요도, 도대체 내 삶만 왜 이 모양인가 슬퍼할 필요도 없다.

 

 

 

 

 

 

 

성적이 나를 지켜주지 않는다. 오직 나만의 생각하는 방법, 내가 무언가를 접했을 때 떠올렸던 그 영감, 그리고 그것으로부터 뻗어져나오는 생각의 갈래. 그 자유로움과 풍성한 상상이 나를 만들고 그것이 나를 살게할 것이다.

 

 

 

 

 

 

 

메타 인지(Metacognition)란 자신이 무엇을 알고 무엇을 모르는지 정확히 파악하는 능력이다.

 

 

 

자신이 겪는 어려움과 불이익을 너무 깊이 생각하는 사람은 자기 연민과 좌절감에 사로잡힌 채 자신의 모자란 점을 다른 무언가의 탓으로 돌리고, 배움에는 전혀 신경을 쓰지 않는다. '학습된 무기력'에 빠지기도 한다. 거듭 마주치는 장애물 때문에 실패를 경험한 사람이 그 장애물이 사라져도 어쩔 도리 없는 것처럼 행동하는 경우를 이르는 말이다.

 

 

 

교과서 내의 단어를 바꾸는 것도 효과가 있다. '~일 수도 있다.', '~일 지도 모른다'와 같은 구절이 들어가면 학생들은 훨씬 더 다양한 답을 생각해 내고... 역사를 공부할 때도 마찬가지다. 스탠퍼드 대학교의 한 교수는 학생들에게 어떤 특정 인물의 역할을 주고 독일의 역사에 대해 일기를 쓰도록 했다. "너는 1900년에 베를린 매춘부의 자식으로 태어났어" 라는 가정을 전달받은 학생은 1914년 제1차 세계 대전이나 1920년대 나치당과 히틀러의 등장을 어떤 시각으로 바라볼까?

 

 

 

원래 존재하지도 않았던 고정 관념을 만들어 낼 수도 있다는...유럽계 미국인 남학생들에게 아시아계 미국인들이 수학 성적이 더 좋다고 말하자, 그들은 곧장 고정 관념의 피해자가 되고 말았다. ... "네가 그렇게 똑똑하다면 왜 부자가 못 됐어?"라는 말은 가난한 사람은 우둔하다는 고정 관념이 되고, 그러한 이미지는 저소득 가정 출신 학생들의 학습을 저하시킬 수 있다.

 

 

 

우리는 자신의 다양한 역할을 통해 정체성을 구축해 나가는데, 자신과 동일시하는 집단이 추한 고정 관념의 표적이 되면, 다른 사람들의 시선을 의식하며 두려움과 자기 비하에 빠진다. ... 기차가 다가온다는 걸 안다면, 기차에 치이는 일을 피할 수 있다. 자신의 정체성, 특별한 자질, 경험을 즐기고 고맙게 여길 줄 안다면, 자아의 존엄성을 계속 지킬 수 있다.

 

 

 

 

 

 

 

 

'글쓰기 > 진행중' 카테고리의 다른 글

가볼만한 여행지 정리해두기  (0) 2018.10.30
Kaggle 입문  (0) 2018.10.29
운동일기  (0) 2018.10.15
신기술들 요약  (0) 2018.07.09
영어정리  (0) 2018.07.08



'이미지창고 > [수학]Exercises' 카테고리의 다른 글

[수학]Exercises(3)  (0) 2013.08.13
[수학]Exercises(2)  (0) 2013.08.07
[수학]Exercises(1)  (0) 2013.07.29









'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(32)  (0) 2015.01.16
[수학]Theorems(31)  (0) 2015.01.16
[수학]Theorems(29)  (0) 2014.05.18
[수학]Theorems(28)  (0) 2014.05.17
[수학]Theorems(27)  (0) 2014.03.19

책제목:Introduction to Lie Algebras and Representation Theory

저자:J.E. Humphreys


블로깅 목표:책 순서대로 개념, 정리 적고 복습하기 쉬운용으로


Sec 1.1 The Notion of Lie Algebra

-Lie Algebra란?

-Bracket이란?

-Bilinear map이란?

-alternating operator란?

-Jacobi Identity란?

-Lie Algebra에서 Bracket이 만족하는 것들 except things in definition

-anticommutativity(base Field의 char가 2가 아닌 이상 alternating이랑 동치)

-Isomorphism of two lie algebras란?

-Lie Algebra의 subalgebra란?


note) 책에서 별말없으면 Lie algebra가 f-dim VS(F)일 때만 생각하자.

note) Lie Algebra를 정의하기에는 VS(F)일 필요보단 CR-module이기만해도 된다. 

note) characteristic of field란?

note) associative algebra over F란?

note) R-module이란?


-Lie Algebra중 classical한 예들

-End(V)는 ring이기도하고 Lie Algebra이기도함, Lie Algebra일 땐 gl(V)라 쓰자.(general linear algebra라 한다.)

-gl(V)의 dimension을 V의 dimension으로 표현하면?

-linear lie algebra란?

-sl(V)란?(special linear algebra라 한다.)

-sl(V)의 dimension을 V의 dimension으로 표현하면?

-sp(V)란?(Symplectic Algebra라 한다.)
    -sp(V)의 dimension을 V의 dimension으로 표현하면?


note) 대수적인 구조들을 연산 개수로 분류해보기

자기 연산1개, sub연산 0개:group

자기 연산2개, sub연산 0개:ring, field

자기 연산1개, sub연산 2개:module(vector space)

자기 연산2개, sub연산 2개:algebra(Complex numbers생각!)


note) symplectic이란, complex의 다른 언어로의 표현

note) dimension은 matrix로 나타낸 뒤에 구하면 쉽다.

note) skew-symmetric map이란?(symmetric해야할 조건이랑 비슷한데, -달고 나오는 것)






@@@orthogonal algebra부터 읽기

'제거된 것' 카테고리의 다른 글

[한국사]시험대비2, 근현대사  (0) 2015.07.02
[한국사]시험대비  (0) 2015.05.04
[Econometrics]Panel Data Analysis  (0) 2014.03.03
Latex 강의 3일차  (0) 2014.02.19
Latex 강의 2일차  (0) 2014.02.18

내가 생각하는 내 삶에서 필요한 것들

1. 대학생때 알게 된 사람이 단시간에 많아져서 불편했고 대학원와서는 너무 적어 불편했다. 어느 정도의 사람들을 어느 정도로 만나주어야 함을 느끼고 있다. 소속감이 필요하다기 보다는 삶이 활발하게?되는 데에 필요


2. 즐거운 놀이를 할 때의 표정을 생각. 여가로서 하고 있는 것이 정말로 내가 제대로 된 놀이를 즐기고 있는 지 확인 필요

LOL도 친구랑 함께 즐기는 게 좋더라. 그 외는 하지말자. 


3. 놀이는 일을 더하기 위해서 필요한 것이 아니라, 놀이 그 자체가 인생에서 중요한 만족을 주는 것이다.


4. 연대는 본성이다. 문명과 교육이 아니라. 거울세포는 인간만이 가진 것

연대를 느끼는 것을 어색해하지말고 자연스럽게 받아들이면서 마음에 따라 행동해 나가면 자연스럽게 연대를 하게 된다.

->재능 나눔을 하고 싶긴 한데


5. 시간날 때 게임하기보다는 그냥 글을 써보자. 뭐에 대해서든 일단 써보자.


6. 지금 26살인데, 내가 예전에 상상해온 26살의 모습은 아니다. 이 감정은 누구나 느낀다. 인생은 준비되기 전에 닥치는 것이다. 준비되기 전에 수능을 보고 준비되기 전에 졸업을 하고 결혼을 하고 애를 가진다. 50살이 되어도 내 고등학교 친구들은 고등학교 때의 그모습으로 보일 것이다.


7. 사랑하고 사랑받아야 한다. 사랑의 감정을 받지 못하면 인생은 고독으로 가득차서 어두워진다. 고독은 줄이거나 없앨 수 없다. 잠시 잊어버릴 수 있다. 고독과 싸우려고 하지말고 사랑얻고 사랑받기 위해서 노력해야한다. 사랑을 주는 것은 자기 맘대로 할 수 있는데 받는 것은 어렵다. 사랑 받으려면 다른 사람에게 필요한 사람이 되어야 한다. 내가 같이 있으면 좋아야 한다. 사랑받는 비결은 필요한 사람이 되어주어야 한다는 것이다.


*Contents

Set Theory(link)

-Measure Theory

Group Theory(link)

-Ring Theory

-Field Theory

-Module Theory

-Vector Space

-Algebra Theory

Topology(link)

-Algebraic Topology+Differential Geometry

-Metric Space

Topological Vector Space(link)

-Normed Vector Space

Applicatio

-Combinatorics(link)

-Graph Theory(link)

-Spectral Graph Theory

-Adjacent, Incidence, Incidence for Directed Graph(link)

-Distance, Index(link)

-Laplacian, Signless Laplacian(link)

-Weighted Graph(link)

-Elementary Inequalities(link)

-Integral Transformation

-Linear Programming

-Numerical Analysis

-Convex Optimization(수업)

-Queueing Theory

-Special Functions(link)

-Probability, Statistics

-Probability, Statistics(link)

-Econometrics(link)

 

풀 문제들(link)

Examples, Exercises(link)

 


*Set Theory

-logic관련

-iff:if and only if

- := defined

-te:there exist(s)

-te!:there unique exist(s)

-≡:congruence

-set, subset관련

-J:Any Set

-<:set과 set 사이에서는 subset임을 가리키고, order가 있을 때(실수와 실수같은)는 order relation을 가리킨다.

-P(J):Power set of J

-S:subspace, or subgroup 등(구분 필요하면 topological subspace:topS/linear subspace:LS)/subgroup:subgS)

-E:subset

-X_i:X들의 collection, countable일 필요는 없음

-X_n:X들의 collection, countable일 필요 있음, sequence로도 간주가능

-set operation관련

-A교B:intersection, A교B

-AUB:union, 

-AΔB:symmetry difference

-a-union:arbitrarily union

-u-union:uncountable union

-c-union:countable union

-a-intersection:arbitrarily intersection

-u-intersection:uncountable intersection

-c-intersection:countable intersection

-f-union:finite union

-f-intersection:finite intersection

-C, R, Q, Z, N등 숫자관련

-nnn:nonnegative

-rv:real-valued

-erv:extended real-valued

-iv:complex-valued

-N:the natural numbers set

-Z:the integer numbers set

-[[x]]:floor of x

-]]x[[:ceiling of x

-ETR:the extended real numbers set

-R^n:the finite cartesian product of R

-R^J:the cartesian product of R, indexed by J

-R^N:the cartesian product of R, indexed by N

-C:the Complex Numbers Set
-aleph_0:aleph null
-eps:epsilon, 별말 없으면 for any eps>0을 가리킴
-abs:absolute, modulus

-n:integer

-[n]:{1,2,3,...,n}

-gcd:greatest common divisor

-ephi:Euler phi function, ephi(n):=n보다 같거나 작은 자연수 중에서 n과 서로소 인 것들의 개수

-prm:prime integer(혹은 p라 쓰자.)

-(a,b):ordered pair, open interval, 만약 open interval이랑 헷갈리면 ordered pair를 axb라 쓰기로 하자.

-[a,b]:closed interval

-]a,b[:x<=a or x>=b

-)a,b[:x<a or x>=b

-UOn:unit sphere in R^(n+1)

-UO1:unit circle in R^2

-UO2:unit sphere in R^3

-UBn:unit open ball in R^n

-UB2:unit open disk in R^2,

-UB3:unit open ball in R^3

-n-cell:homeo to UBn

-properties
-inc/dec:increasing, decreasing
-기본연산관련
-c-sum:countable many sum, sigma

-f-sum:finitely many sum, sigma

-함수관련

-indi_(E) (x):indicator function on E

-inclusion(E,J):f:E->J, f(x)=x인 function

-retraction(J,E):f:J->E, f(x)=x for x in E인 function(혹은 f^2=f인 것, 즉 projection같은 것인데, topology에선 retraction이라고 많이함)

-fC(J1,J2):the collection of all functions from J1 to J2

-fC(J):the collection of all functions from J to R

-f:J1->J2, section of f란, g:J2->J1 s.t. f(g)=identity on J2

(즉 f의 right inverse이고 left inverse를 retraction)

(section의 경우 surjective일 때만 존재)

-f:J1->J2, g:J3->J2일 때, lift(f) to J3란 lift(f):J1->J3 s.t. f = g o lift(f)

-(E,p,B):bundle

-p:E->B, surjective, p를 projection이라 하고

-E:total space

-B:base space of bundle이라 한다.

-p^(-1)(b)를 fiber of the bundle over b라 한다.

-(E1,p1,B1):subbundle

-E1<E, B1<B, p1=restriction of p on E1일 때를 가리킨다.


-Relation관련

-aRb:a is related with b

-equivalence relation:reflexive, symmetry, transitive인 relation

-Relation:transitive

-for any a,b,c in J, aRb, bRc이면 aRc

-Relation, Symmetric관련

-Relation:symmetric

-for any a,b in J, aRb이면 bRa

-Relation:asymmetric

-for any a,b in J, aRb이면 not bRa

-Relation:antisymmetric

-for any a,b in J, aRb이고 bRa이면 a=b

(혹은 for any a,b in J, aRb이고 a != b이면 not bRa로도 쓸 수 있다.)

-Relation, Reflexive관련

-Relation:reflexive

-for any a in J, aRa

-Relation:irreflexive

-for any a in J, not aRa

-Relation, Totality관련

-Relation:total

-for any a,b in J, aRb or bRa

-Relation:trichotomous

-for any a,b in J, 다음 3가지 중 단 1개만 성립, aRb, bRa, a=b

-Order Relation관련

-Order Relation:Trichotomous and transitive인 relation

-Well-ordered Order Relation:Order Relation이면서 every nonempty subset E of J has a smallest element

-J with strict total order relation, E<J일 때(subset E)

-a:largest element of E 란 a in E이고 x=<a for any x in E일 때 

-a:upper bound for E란, a in J이고 x<=a for any x in E일 때

-E:bounded above란, te j in J s.t. for any x in E, x<=j일 때

-J have the least upper bound property란, every nonempty E of J that is bounded above has a least upper bound.

*Measure Theory

-Measurable Space, Measure Space관련

-MAS:Measurable Space

-논의하는 전체집합을 포함하고, closed under complement, closed under c-union일 때

-MS:Measure Space

-MAS와 measure(nnn이고 empty는 0이고 c-additive일 때)

-C(MS):Completion of Measure Space

-MS를 CMS로 만든 것(Null-ME의 subset을 기존 ME와 union한것들을 추가로 C4에 넣어주면 됨)

-CMS:Complete Measure Space

-for any subset E of any Null-ME, E is also ME

-Measureable Sets, Collection관련

-MC:Monotone Class

-논의하는 전체집합을 포함하고

-inc seq of subset의 c-union에 closed

-dec seq of subset의 c-intersection에 closed

-C1:적어도 empty를 포함하는 Collection

-C2:적어도 empty와 전체 set을 포함하는 collection

-C3:algebra, field

-non-empty

-closed under complement

-closed under f-union

(field라 불리는 이유는, +연산을 union에, +연산 identity를 empty에, *연산을 intersection에, *연산 identity를 전체집합에 대응)

-SC3:semialgebra

-non-empty

-원소의 complement가 disjoint f-union in SC3으로 표현가능

-closed under f-intersection

-C4:sigma-algebra, or sigma-field

-non-empty

-closed complement

-closed c-union

-RC3:ring(대수학에서의 ring과는 다름)

-non-empty

-closed under relative complement

-closed under f-union

-RSC3:semiring

-non-empty

-원소의 relative complement가 disjoint f-union in SC3으로 표현가능

-closed under f-intersection

-RC4:Sigma-ring

-non-empty

-closed under relative complement

-closed under c-union

-C3(~):~을 포함하는 가장 작은 algebra

-C4(~):~을 포함하는 가장 작은 sigma algebra

-C(U)는 C의 원소들의 countable union들도 포함하는 collection

-C(I)는 C의 원소들의 countable intersection들도 포함하는 collection

-PC:Pi-system

-non-empty

-closed f-intersection

-LC:Lambda-system

-non-empty

-closed complement

-closed under c-union of pairwise disjoint subsets

-OME:Outer measurable subset

-E:OME란 for any subset E1 of J, OM(E1)=OM(E1 intersection E)+OM(E1-E)

-PM*ME:PM*의 OME

-MR:measurable rectangle, 즉 M1,M2의 measurable set의 product

-PrC1:C4({MR})

-PrC2:C4({all PrM*ME})

-C4(1)*:{ME1xJ2 s.t. ME1 in C4(1)}, sigma algebra되고 {All MR}의 subset

-C4(2)*:{J1xME2 s.t. ME2 in C4(2)}, sigma algebra되고 {All MR}의 subset

-ME:Measurable subset

-sf-ME:sigma finite measurable subset

-Null-ME:null measurable subset

-M(ME)=0인 ME

-+ME(with respect to sM):positive measurable set

-for any ME s.t. ME<+ME, sM(ME)>=0

--ME(with respect to sM):negative measurable set

-for any ME s.t. ME<-ME, sM(ME)<=0

-Null-sME(with respect to sM):null set(Null-ME와는 약간 다르게 정의됨)

-for any ME s.t. ME<Null-sME, sM(ME)=0

-Measurable Function관련

-MF:Measurable Function

-F:simple이란, MF이고 finite values만 가질 때(즉 linear combination of characteristic functions)

-X1:(J1,C4(1))->(J,C4), X2:(J2,C4(2))->(J,C4), 각각이 MF일 때, X1*:(J1xJ2,PrC1)->(J,C4), X1*(x,y)=X1(x), X2*:(J1xJ2,PrC1)->(J,C4), X2*(x,y)=X2(y) 

(그냥 X2 곱하기 (x,y)와 구분하기)

-Lp(MS):Lp-space over MS(MS가 관심없으면 안적기도 함)

-MF:MS->C중에서 p-norm이 finite인 것들의 모음(C대신에 R(std)을 쓰기도 함)

-Locally Lp(MS)(for MS=(TS,{ME}, M))

-{f:TS->C s.t. for any compact K in TS, restriction of f on K is in Lp(K)}

(top도 함께 있는 MS에서 정의하고, 그 때 Lp(MS)보다 Locally Lp(MS)가 더 크다. 즉 원소 f가 더 많음)

-lp-space:Lp(N, counting measure)

-f:(J1,C4(1), M)->(ETR,C4(TS))인 경우

-{MF_n}:pt cv a.e.(to MF)란, pt cv하지 않는 정의역 J1상의 pts의 measure가 0

-{MF_n}:almost uni cv란, for any eps>0 te ME s.t. M(ME)<eps and {MF_n}:uni cv to MF on (ME)^C

-{MF_n}:cauchy in M이란, for any eps>0, te N and ME s.t. M(ME)<eps and for all n,m>=N, x in (ME)^C s.t. |MF_n(x)-MF_m(x)|<eps

-{MF_n}:cv in M (to MF)이란, for any eps>0, te N s.t. for all n>=N M({x s.t. |MF(x)-MF_n(x)|>=eps})<eps

-{MF_n}:cv in Lp (to MF)이란, lim n->inf ||MF_n - MF||_p = 0

-Set Function, Measure 관련

-sf:set function, a class of sets에서 ETR로 가는 function

-nnn sf가 monotone:

-for J1, J2 in domain s.t. J1<J2에 대해 sf(J1)<=sf(J2)

-nnn sf이 monotone(if):

-for J1, J2 in domain s.t. J1<J2  and J2-J1 in domain에 대해 sf(J1)<=sf(J2)

-nnn sf이 countably monotone1:

for J, {J_n} in domain s.t. J<c-union J_n에 대해 sf(J)<=c-sum sf(J_n)

-nnn sf이 countably monotone1(if):

for J, {J_n} in domain s.t. J<c-union J_n, c-union J_n in domain에 대해 sf(J)<=c-sum sf(J_n)

-nnn sf이 countably monotone2(if):

for {J_n} in domain s.t. c-union J_n in domain에 대해 sf(c-union J_n) <= c-sum sf(J_n)

-nnn sf이 countably monotone2(if)(dis):

for {J_n} in domain s.t. c-union J_n in domain and disjoint에 대해 sf(c-union J_n) <= c-sum sf(J-n)

-nnn sf이 f-additive:

-domain이 closed under f-union

-disjoint finite seq {J_n} in domain에 대해 sf(f-union J_n)=f-sum sf(J_n)

-nnn sf이 f-additive(if):

-disjoint finite seq {J_n} in domain s.t. f-union {J_n} in domain에 대해 sf(f-union J_n)=f-sum sf(J_n)

-nnn sf이 c-additive:

-domain이 closed under c-union

-disjoint countable seq {J_n} in domain에 대해 sf(c-union J_n)=c-sum sf(J_n)

-nnn sf이 c-additive(if):

disjoint countable seq {J_n} in domain s.t. c-union {J_n} in domain에 대해 sf(c-union J_n)=c-sum sf(J_n)

(워낙 general하게 정의한 것, (if)버전만 잘 알면 된다. nnn sf의 domain이 적절해지면, 예를 들면 C3, C4 등 (if)이면 not (if)가 성립)

-OM:Outer measure

-nnn sf on P(J)

-countably monotone1

(일반 Measure는 ME, Measure 순이지만, Outer Measure는 Measure, OME순으로 정의함)

-b-OM:Borel Outer Measure란, every borel set is OME일 때

-f-OM:finite Outer measure

-r-OM:Regular Outer Measure

-for any subset E, for any eps, te OME s.t. E<OME and OM(OME)<OM(E)+eps

-PM:premeasure

-nnn sf on C1

-PM(empty)=0

-c-additive(if)

(PM으로 OM만들고 그래서 M만드는 방법이 가능하다는 게 Measure Theory에서 중요한 내용임, PM을 C3에서 정의해주기만 하면 되므로 not C4)

-f-PM:finite premeasure, (PM은 domain이 C1이면 되는데, f-PM은 domain이 적어도 C2여야 함)

-sf-PM:sigma finite premeasure, (마찬가지로 sf-PM의 domain은 C2여야 함)

-PM*:Outer measure induced by PM:C3->[0,inf]

-M:measure

-M:nnn, M(empty)=0 and M:c-additive

-smf-M:semifinite measure

-for any ME1 s.t. M(ME1)=inf, te ME2 s.t. ME2<ME1, 0<M(ME2)<inf

-sf-M:sigma finite measure

-CM:complete measure

-LM:Lebesgue Measure

-RSC3={empty, all bdd intervals}, RSC3에 vol이란 PM을 주고, {all PM*ME}에서의 measure

(C4(RSC3)는 C4(top)가 된다. 즉 Borel sigma algebra)

-R(LM):Real numbers with Lebesgue measure

-PrM(M1,M2):Product Measure

-sM:signed Measure

-sM(empty)=0

-sM은 +inf, -inf중 기껏해야 1개만 take

-c-additive

-ms:mutually singular(sM1 ms sM2)(2개의 sM 혹은 M이 같은 C4일 때 논의함)

-te ME1, ME2 s.t. ME1 union ME2=전체집합, ME1,ME2:disjoint, ME1:Null-sME wrt sM1, ME2:Null-sME wrt sM2

-+sM:positive variation of sM(Jordan Decomposition Theorem참고)

--sM:negative variation of sM(Jordan Decomposition Theorem참고)

-|sM|:total variation of sM(Jordan Decomposition Theorem참고)

-f-sM:finite sM

-sM1<<sM2(Abs conti, (J,C4), 같은 C4에서의 signed measure에 관한 개념)

-sM1<<sM2 if |sM1|(E)=0 for E in C4 s.t. |sM2|(E)=0

*Group Theory

-Group, Subgroup 관련

-G:group

-이항연산에 대해 닫혀있고

-associative

-항등원 존재

-역원 존재

-Gp:groupoid with unary function ^(-1)과 partial function *

-not binary operation, Gp X Gp -> Gp인 함수가 임의의 a, b in Gp에 대해 정의되지 않음

-associativity( a*b가 정의되고 b*c가 정의될 때 (a*b)*c 와 a*(b*c)가 정의되고, equal)

-for all a in Gp, a*a^(-1)와 a^(-1)*a가 defined

-a*b가 defined되면 a*b*b^(-1)=a and a^(-1)*a*b=b

-p-G:p-group

-group이면서 order가 p^a for some integer a>=0

-g:G의 원소를 가리킴

-S:subgroup(Linear subspace, topological subspace등과 헷갈릴 땐 subgS라 적는다.)

-Hall S:Hall subgroup

-gcd(|S|,[G:S])=1일 때, 즉 subgroup의 order와 index가 서로소인 경우

-p-S:p-subgroup

-subgroup이 order가 p^a for some integer a>=0

-Sp:Sylow p-subgroup

-어떤 G의 subgroup이 order가 p^a이면서 p^a||G| and p^(a+1) not | |G|일 때의 subgroup, 즉 the largest p-S in the sense of factor p

-#Sp:The number of all Sylow p-subgroup

-J(Sp):the set of all Sylow p-subgroup

-NS:normal subgroup

-S이면서 for all g in G, gSg^-1=S인 S

-MS:maximal subgroup(Measurable Space와 구분)

-proper S이면서 S를 포함하는 subgroup은 S와 G만 있는 subgroup

-MNS:maximal normal subgroup

-proper NS이면서 NS를 포함하는 normal subgroup은 NS와 G만 있는 normal subgroup

-S_<G:S is subgroup of G

-S_<!G:S is normal subgroup of G

-S_J:Symmetric group on J

-모든 permutations on J들의 모임 with composite, 따라서 group

-Z(G):center of G

-Z(G):={g1 in G s.t. g*g1*g^(-1)=g1 for all g in G}

-C_G(E):centralizer of E on G

-C_G(E):={g in G s.t. g*z*g^(-1)=z for all z in E}

-즉 E가 center가 되게끔 하는 G의 원소들만 다 모은 것, 따라서 Z(C_G(E))=E가 성립할 것 같지만, E가 subgroup이 아니므로 안됨

(하지만 E가 subgroup이었다면 됨)

-N_G(E):normalizer of E on G

-N_G(E):={g in G s.t. g*E*g^(-1)=E}

-즉 E가 normal이 되게끔 하는 G의 원소들만 다 모은 것(하지만 E가 subgroup이 아닐 땐 조심)

(Center, Centralizer, Normalizer 는 Group에서도 쓰이지만, Ring, Algebra에서도 쓰임, 후자에는 second operation에 대해서 씀, first는 commute하므로 노관심)

(Normalizer가 Ring, Algebra에서 쓰일 때는 group과는 약간 다른게, 차라리 idealizer로 보는게 이해하기 쉽다.)

(Group에서의 N_G(S)는 the largest subgroup of G which includes S as normal)

(Ring에서의 N_R(S)는 the largest subring of R which includes S as ideal)

(Algebra에서의 N_A(S)는 the largest subalgebra of A which includes S as ideal가 안될 수 있다. Lie F-A에선 Jacobi's identity때문에 subalgebra가 된다.)

-[G:S]:index of S in G

-the number of left cosets of S in G

-simple G:simple group

-proper NS가 Trivial만 있으며 order가 1보다 큰 G

-V_4:klein 4 group

-V_4:=<a,b s.t. a^2=b^2=(ab)^2=1>

-Q_8:Quaternion Group

-Q_8:=<-1,i,j,k s.t. (-1)^2=1, i^2=j^2=k^2=ijk=(-1)>

-Alt(n):alternating group of degree n

-Alt(n):=[n]에서 even permutations group with operation=composite

-G가 divisible이란, abelian이고 G=nG for any nonzero n in Z


-Homomorphism관련

-S char G:S is characteristic in G

-for all aut in Aut(G), aut(S)=S인 subgroup S

-conj(g):conjugate of g, e.g. x*g*x^(-1)

-homog:group homomorphism

-structure-preserving map between two algebraic structures(여기서는 two groups)

-endo of G:homog:G->G

-G1 giso G2:G1 is group isomorphic to G2

-Aut(G):the automorphism group of G

-Aut(G):={all automorphism on G} with composite

-aut in Aut(G):the automorphism in Aut(G), 편의상 aut라 쓰기도 하자.

-Inn(G):the inner automorphism group of G

-inner automorphism이란 conjugation으로 만든 automorphism을 가리킨다.

-Inn(G)란 inner automorphism을 모두 모은 group with composite

-End(G):the Endomorphism ring of G

-{homog:G->G}, composite연산을 생각하면 monoid는 된다.

(만약 G가 Abelian additive(+) Group이었으면 (End(G),+, composite)은 ring이 된다.)

-ker(homog):the kernel of homog:G1->G2

-ker(homog)={g in G1 s.t. homog(g)=identity in G2}

-For S<G s.t. [G:S]<inf, transfer of S란, 

-G를 S로 나눈 다음에 {x1S,x2S,x3S,...,xnS}, for any g in G any i in {1,2,3,...,n}, gxi=xjsi인 si들을 다 곱한 것의 image in S/C(S), f:G->S/C(S)인 이 f를 transfer of S라 한다.

(representatives x1,x2,...,xn을 뭘 택하든 transfer는 같음)(link)

({x1,x2,...,xn}같이 representatives를 각각 1개씩 in 각각 orbits, 이것을 transversal이라 한다.) 

(transfer는 group homomorphism이다.)(link)

-Group Action관련

-act_J by G:action on J by G, GxJ->J

-act((e,j))=j and act((g1g2,j))=act(g1,act(g2,j))

(그리고 이때 J를 G-set이라 함, 즉 action by G을 줄 수 있는 set)

-act_J by g:permutation from action on J by g, J->J

-act_J by G가 있을 때 g 하나당 permutation:J->J를 얻을 수 있는데 그것을 가리킴

-homo by act:homomorphism, G->S_J

-O_x:orbit of x under the action of G(필요하다면 in G on X등을 뒤에 적는다.)

-O_x:={y in X s.t. y=g act x for some g in G}

-G_x:stablizer of x in G

-G_x:={g in G s.t. g act x = x}

-Ker(act):kernel of act_J by G

-Ker(act):={g in G s.t. g act x =x for all x in X}

-즉 homo by act의 kernel이라 생각하면 쉬움

-Generator, order관련

-<g>:the group generated by g, i.e. cyclic group

-<E>:the smallest subgroup of G containing E

-Commutator관련

-C(G):commutator subgroup of G

-C(G):=<all commutators>

-[g1,g2]:commutator of g1 and g2

-[g1,g2]:=g1^(-1)*g2^(-1)*g1*g2

-[E1,E2]:the group generated by commutators of elements from E1 and from E2.

-[E1,E2]:=<{[g1,g2] s.t. g1 in E1 and g2 in E2}>

-Group Direct Product, Direct Sum관련

-EDP(G1,G2):External Direct Product of G1, G2

-for any group G1, G2, EDP(G1,G2)는 G1 x G2이고 operation은 coordinate-wise

-EDP(G_i):External Direct Product of {G_i}

-2개일 때의 자연스러운 확장

-IDP(NS1,NS2):Internal Direct Product of NS1, NS2

-for any proper non trivial Normal subgroups NS1,NS2 of G, IDP(NS1,NS2):=NS1NS2 when NS1교NS2=1

(실은 IDP(NS1,NS2) giso EDP(NS1,NS2)성립함)

-IDP(NS_i):Internal DIrect Product of {NS_i}

-2개일 때의 자연스러운 확장 

-EAG(p,n):Elementary abelian group, EDP((Z/pZ) n개곱)

-EAG(p,n)=EDP((Z/pZ) n개곱)

-Group Semidirect Product관련

-OSDP(G1,G2,homog:G2->Aut(G1)):Outer Semidirect Product of G1 and G2 wrt homog

-OSDP(G1,G2,homog) is the cartesian product G1 x G2 에서의 group with binary operation *, (g1,g2)*(g3,g4):=(g1homog(g2)(g3), g2g4)

(이렇게 연산 정의된 것은 G=ISDP(NS,S)에서 연산이 어떻게 되는지를 보면 앎, n1s1n2s2=n1s1n2(s1)^(-1)s1s2), 즉 ISDP는 homog가 conjugate action인 것)

-ISDP(NS,S):Inner Semidirect Product of NS and S(where NS:normal subgroup of G, S:subgroup of G)

-G=S1S2 where S1:the NS, S2:S, S1교S2={e}

-UWP(G1,G2,E):the unrestricted wreath product of G1 by G2, where act_E by G2

-G:=G1xG1x...xG1, E개만큼 곱함(infinite도 가능) 그리고 G2 act on E를 G의 원소의 index에 적용, 따라서 G2 act on G, UWP(G1,G2,E)=OSDP(G,G2)

-RWP(G1,G2,E):the restricted wreath product of G1 by G2, where act_E_by G2

-G:=direct sum of G1, E개만큼 곱하는데, finite개 빼곤 e(identity of G1), 나머진 UWP와 같음



-Series in Group Theory관련

-Motive:
-G를 Simple piece로 쪼갤 수 있는지, 그 쪼개는 방법에는 고유한 특징이 있는지에 대한 생각
-Series의 분류(포함관계를 강조할 때는 chain을 사용)
-각 subgroup의 성질에 따라:subgroup series, subnormal series, normal series, characteristic series...
-개수에 따라:finite, infinite(or transfinite if indexed by ordinal numbers)
-주요 series의 정의(or성질)와 series를 이용하여 정의된 용어들의 정의    
-composition series:subnormal, finite, composition factor=simple
-만드는 방법
-G에서 MNS1찾고, MNS1에서 sub MNS2찾고....sub MNSn=trivial찾은 다음, MNSn<...<MNS2<MNS1<G
-composition series에서 subMNS_(i+1)/subMNS_i을 composition factor라 한다.
-chief series:normal, finite, (chief factor=simple일 필요 없음, NS_(i+1)/NS_i가 minimal NS of G/NS_i여야함)
-만드는 방법
-G에서 MNS1찾고, MNS1보다 바로 다음 작은 NS2찾고(바로 다음이란게 포인트, NS2<NS<MNS1인 NS가 존재안하게끔)... NSn<...<NS2<MNS1<G
-chief series에서 NS_(i+1)/NS_i를 cheif factor라 한다.
-upper central series:characteristic, 각 항이 center(정의는 recursive하게 됨)(각항이 char G인 이유 (link))
-만드는 방법
-G에서 Z(G)구하고, Z(G/Z(G))에 해당되는 Z(G)를 포함하는 NS를 Z(G)2... recursive하게, 1<Z(G)<Z(G)2<...
-lower central series:characteristic, 각항이 commutator subgroup(정의는 recursive하게 됨)
-만드는 방법
-G에서 G^2=[G,G]구하고, G^3=[G,[G,G]]구하고... G>G^2>G^3...
-central series:normal,
-G>N1>N2>.... where Ni:normal in G, and Ni/N(i+1) _< Z(G/N(i+1))
-derived series:characteristic, 각항이 derived
-만드는 방법
-G에서 G^(2)=[G,G]구하고, G^(3)=[G2,G2]구하고... ...<G^(3)<G^(2)<G
-solvable:
-G가 subnormal, finite, composition factor:abelian을 가질 때 G를 Solvable이라 한다.
-iff G의 derived series가 finite일 때
-nilpotent:
-upper central series가 finite일 때(이때 Z(G)n=G가 되는 최소 n을 nilpotent class of G라 한다.)
-lower central series가 finite일 때
-finite central series를 가질 때
(3개가 동치인 이유 (link))
-hypernilpotent:not nilpotent이면서 G=union of all Z(G)k over k=1 to k=inf인 경우 
-Free관련
-FG(E):Free group on E
-E:a set of free generators of FG(E)
-FG(E):=the set of reduced words on E and embed E into FG(E)(자세한 정의는 Dummit, P216 참고)
-|E|를 rank of FG(E)라 부른다.
-FG:free group, te E s.t. FG=FG(E)일 때, free group이라 함
-(E|R):presentation for G
-<E>=G
-R is a set of words in FG(E) s.t. <R>을 포함하는 smallest NS = ker(homog:FG(E)->G)
-E의 원소를 generator라 부르고, R의 원소를 relation of G라 부른다.
(presentation은, Group을 describe하는 방법 중 한가지 도구)
-G:finitely generated란, G has a presentation (E|R) s.t. E:finite set
-G:finitely presented란, G has a presentation (E|R) s.t. E:finite set and R:finite set
-for G_i, FP(G_i)란, free product of G_i, 
-Short Exact Sequence관련
-ES(G1,...,Gi,f1,...,f(i-1))란, f1:G1->G2, ...,f(i-1):G(i-1)->Gi는 homog이고 Im(fk)=ker(f(k+1)) for k=1,2,...,i-1(SES보다 약한 것)
-SES(G1,G2,G3,f1,f2)란, f1:G1->G2 injective homog이고 f2:G2->G3 surjective homog이고 im(f1)=ker(f2)일 때 sequence of G1, G2, G3를 Short exact Sequence라 한다.
(필요없다면 f1,f2 등은 생략)
(이때 G2를 extension of G3 by G1이라 한다.)
-For SES1:SES(G1,G2,G3,f1,f2), SES2:SES(G1',G2',G3',f1',f2'), homo from SES1 to SES2란?
-homog인 g1:G1->G1', g2:G2->G2', g3:G3->G3', 그리고 SES1, SES2, g1,g2,g3가 commute하게되는 g1,g2,g3를 가리킨다.
-For SES1:SES(G1,G2,G3,f1,f2), SES2:SES(G1',G2',G3',f1',f2'), iso from SES1 to SES2란?
-homo from SES1 to SES2인 3개의 homo가 iso일 때
(이 때 SES1 iso SES2라 한다.)
(SES1 iso SES2란, G2 giso G2'보다 강하다, G2 giso G2'이면서 restriction on f1(G1)이 giso f1'(G1')이고 quotient가 G3 giso G3'일 때를 가리킨다.)
(SES1 iso SES2는 G1,G3가 주어졌을 때, G2와 giso인 G2'이 몇개나 있는지 확인하는데 쓰임, up to G1 giso G1' and G3 giso G3')
-For SES1:SES(G1,G2,G3,f1,f2), SES2:SES(G1',G2',G3',f1',f2'), SES1 equivalent to SES2란?
-G1=G1' and G3=G3', g1=identity, g3=identity인 iso from SES1 to SES2가 존재할 때
(SES1 equivalent to SES2란, SES1 iso SES2보다 강하다, G2 giso G2이면서 restriction on f1(G1)이 identity이고 quotient가 identity on G3일 때를 가리킨다.)
(SES1 equivalent to SES2는 G1,G3가 주어졌을 때, G2와 giso인 G2'이 몇개나 있는지 확인하는데 쓰임, fixed G1, G3)
-SES(G1,G2,G3,f1,f2)가 right split란, te f2':G3->G2, homog, f2 o f2' = Identity on G3
-SES(G1,G2,G3,f1,f2)가 left split란, te f1':G2->G1, homog, f1' o f1 = identity on G1
-Representation관련
-G의 rep이란, rep(G), group homomorphism f s.t. f:G->GL(VS(F)) where GL(VS(F))={g:VS(F)->VS(F), g:linear and bijective} with composite해서 group
-G의 MT-rep이란, MT-rep(G), f:G->GL(n,F)인 group homomorphism을 가리킨다. 이 때 n을 degree of rep이라 한다.
(finite group의 classification에서 쓰임, not isomorphic하면 MT-rep의 개수가 서로 다를 수 있음)
(추상적인 G의 원소에 반해 f(g)는 비교적 구체적, 특히 GL(n,C)를 주로 생각함)
-for H:subgroup of G, restriction of rep(G) on H을 restricted rep of G on H라 한다.
-for H:subgroup of G, W:H-Md VS(F), 
-class function이란
-f:G->F, it is constant on each conjugacy class in G인 f를 class function이라 한다. (대표적인 예로 character of rep(G)가 있다.)
-
-character of rep(G)(혹은 character of G-Md VS(F)라 함, 특히 f-dim VS일 때만 정의)란, tr(rep(G))를 가리킨다. 따라서 G->F인 function)
-dim(VS(F))=1인 경우 rep(G)나 tr(rep(G))나 같고 이 경우 G->F^*인 group homomorphism이다. 이 때를 multiplicative character on G라 한다.
-degree of character of rep(G)란, VS의 dimension
-character가 irreducible이란, VS가 irreducible G-Md
-character table이란, g, rep(G), tr(rep(G)) 을 표로 나타낸 것 for all g in G
-for G:group, V:nonzero G-Md VS(F), V:simple이란, nonzero proper G-subMd가 없을 때(irreducible이라고도함)
(nonzero proper G-subMd가 있으면 V:reducible 혹은 not irreducible이라 함)
-for G:group, V:nonzero G-Md VS(F), V:completely reducible이란, V is direct sum of G-subMd
-for G:group, V:nonzero G-Md VS(F), f:V1->V2가 G-Md homo란, f가 linear이고 g(f(v)=f(gv)일 때
(f가 bijective도 되면 G-Md isomorphism이 된다.)
-for G:group, V:G-Md VS(F)일 때 Hom_G(V1,V2):={f:V1->V2 s.t. f:G-Md homo}
-for G:group, V:G-Md VS(F)일 때 End_G(V):={f:V->V s.t. f:G-Md homo}(endomorphism algebra of V라 한다.)
-for X:MT-rep(G), Com(X):={T in MT(nxn)(F) s.t. TX(g)=X(g)T for all g in G}(Commutant algebra associated to X라 한다.)
-for H:subgroup of G, W:H-Md VS(F)일 때, induced rep of H to G란 link참조(link)
 

*Ring Theory

-Ring, Subring관련

-R:ring

-(R,+):abelian group

-*:associative

-distributive laws가 성립일 때 (R,+,*):ring이라 한다. 줄여서 R이라 쓰기로 하자.

(주 관심대상은 R_[1], CR_[1], ID)

-r:ring의 원소, Ring의 원소관련

-zd:zero divisor

-for r in R, r:zero divisor if r:nonzero and te r2 in R s.t. r2:nonzero and r1*r2=zero

-r:nilpotent if r을 유한번 곱했더니 0

-R=R_[1]에서

-u:unit

-te v in R s.t. u*v=v*u=1일 때

-CR에서

-a divide b란(단 a가 nonzero일 때만 정의)(혹은 a:divisor of b, a|b, b:multiple of a라고도 씀)

-te r in R s.t. a=r*b

-gcd(a,b)란

-gcd(a,b):=d s.t. d|a and d|b and if x|a and x|b then x|d

-R=ID에서

-r:irreducible in R이란 r:nonzero and non unit이고 whenever r=a*b일 때, a,b둘 중 하나는 반드시 unit in R일 때

(irreducible이 아니면 reducible이라 한다.)

-r:prime이란 r:nonzero and non unit이고 (r):cprm-id일 때(다르겐 r:nonzero and non unit, r|ab이면 r|a or r|b일 때)
-r1, r2:associate in R이란 te u in R s.t. r1=u*r2
-R_[1]:ring with unity not zero

-R_[0]:ring without unity

-Zero Ring:Ring With Unity = zero

-CR:commutative ring

-DR:Division ring

-for any non zero r in R, r has the multiplicative inverse

(R_[1]이긴 해야되는데 commutative일 필요는 없다, noncommutative DR을 (strictly)skew field라 한다.

-SR:subring, (SR _< R)

-R의 subgroup이면서 closed under *인 것

-R^*:the set of units in R

-char(R):characteristic of R(R=R_[1]일때만 characteristic정의)

-1+1+1+...+1=0되게하는 최소 1의 개수를 characteristic of R이라 하고, 이러한 1이 없다면 char(R)=0이라 정의)

-ID:Integral domain

-CR_[1]이 zd를 하나도 안가질 때 ID라 한다.

-R:Noetherian

-R:CR_[1]이고 every id is finitely generated

-Ideal관련

-Lid:Left Ideal

-SR이면서 for all r in R, r*Lid<Lid

-Rid:Right Ideal

-SR이면서 for all r in R, Rid*r<Rid

-id:ideal

-Lid가 Rid도 되면 id라 한다.

-r + id:={r + s s.t. s in id}

-r * id:={r * s s.t. s in id}

-id1 + id2:={s1+s2 s.t. s1 in id1 and s2 in id2}

-id1, id2:comaximal이란 id1+id2=R전체가 될 때

-id1id2:={all f-sum of elements of the form s1*s2 s.t. s1 in id1 and s2 in id2}

-id1=id2인 경우 (Id1)^2으로 표현한다.


-M-id:Maximal ideal(Maximal normal subgroup에 대응됨)

-proper id이면서 자기를 포함하는 id는 자신과 전체 R뿐

-prm-id:prime ideal(general한 정의, CR에서는 다른 정의를 보통 이용, using element-wise)

-id1id2가 id3에 포함될 때, id1, id2중 적어도 1개가 id3에 포함, 을 만족하는 id3를 prm-id라 한다. 

-CR에서만 논의

-cprm-id:completely prime ideal

-proper id이면서 Ring - cprm-id의 원소 a,b의 a*b는 Ring - cprm-id일 때

-혹은 proper id이면서 for some a,b in R, a*b in cprm-id이면 a,b중 적어도 하나는 cprm-id의 원소일 때 

-R_[1]에서만 논의

-(E):the smallest id of R containing E

-id는 교집합해도 id이므로 E를 포함하는 id들을 intersection한 것

-특히 (r):=({r})=R{r}R인 셈

(R_[1]이 아닌 R에서 논의하자면 (E)가 RER에다가 몇개 원소 더 추가해야됨, E의 원소끼리의 합 이런게 표현안됨)

-p-id:principal ideal(cyclic subgroup에 대응됨)

     -single element로 generated된 id, 즉 ({r}), 쉽게 (r)이라 쓰기도 함.

-f-id:finitely generated ideal

-finite elements로 generated된 id

-Z(R):the center of R

-Z(R):={r in R s.t. rx=xr for all x in R}

-norm_ID:Norm on Integral Domain 

-f:ID->{0,1,2,...} s.t. f(0)=0을 norm on ID라 한다.

-+norm_ID:positive norm on ID

-for non zero x in ID, f(x)>0인 norm on ID를 +norm이라 하자.

-DHnorm_ID:Dedekind-Hasse norm on ID

-+norm_ID이면서 for nonzero a, nonzero b in ID, a:mutiplie of b이거나 te x, y in ID s.t. 0<f(ax-by)<f(b)

(ED일 때 만족해야될 norm_ID보다 좀 더 weak한 경우임)

-UFD:Unique Factorization Domain

-ID이면서 모든 nonzero nonunit element는 finite product of irrducibles로 표현가능 unique up to associates

-PID:principal ideal domain

-ID s.t. every id is p-id

-ED:Euclidean domain

-ID s.t. te norm_ID s.t. for any a,b(b는 nonzero) in ID, te q,r in ID with a=qb+r with r=0 or norm_ID(r)<norm_ID(b).

(Euclidean Division을 일반화시킨게 가능한 ID를 가리킴)

(q를 quotient, r을 remainder라 한다.)

(위의 norm을 EFnorm_ID라 하자. Euclidean Function의 EF을 땀)

-R:graded란

-R:direct sum of additive subgroups R=R0+R1+R2+..., s.t. RiRj < R(i+j) for all i,j>=0

(이 때 Ri의 원소를 homogeneous of degree i라 하고 Ri를 homogeneous component of R of degree i라 한다.)

(대표적인 예는 polynomial ring, tensor algebra of M)

-graded id란?

-for R:graded, id:ideal of R, id=direct sum of (id intersection Ri)형태일 때


-Functions Ring관련

-P:polynomial 

-R[x]:the ring of polynomials in the variable x with coefficients in R(R이 CR_[1]일 때를 생각할 때가 많다.)

-GP(x1,x2,...,xn):the general polynomial, (x-x1)(x-x2)...(x-xn)

-R[x1,x2,...,xn]:the polynomial ring in the variables x1,x2,...,xn with coefficients in R

-aform(algebraic form):homogeneous polynomial in R[x1,x2,...,xn], 각 term이 same degree인 polynomial(aform, form 혼용해서 쓰자.)

-for P in R[x1,x2,...,xn], homogeneous component of P of degree k란, terms of P중 degree가 k인 것들의 sum, P_k라 쓰자.

-(n-ary)quadratic form over F:homogeneous of degree 2 in F[x1,x2,...,xn]

qdf_F(x1,x2,...,xn) or qdf_F(x) or qdf(x)라 쓰자.(F생략해서 막 쓰면 같은 F에 대한 얘기임)

-qdf1, qdf2:equivalent if te MT in GL(n,F) s.t. qdf1_F(x)=qdf2_F(MTx) for any x

-MT_qdf:SMT from qdf, SMT_(i,j)=1/2*(xixj의 계수 + xjxi의 계수)

-qm:quadratic map by qdf, F^n->F, x=(x1,x2,...,xn) in F^n represented by the standard basis of column form, qm_qdf(x):=rt(x)*MT_qdf*x(하단 참고 VS(F)->F)

-b_qdf:form from qdf on F^n, b_qdf(x,y):=1/2 * {qm_qdf(x+y) - qm_qdf(x) - qm_qdf(y)}

-D(qdf_F):={d in F-{0} s.t. qdf(x)=d for some x in F^n}

-F(x):the field of rational functions

-QF(F[x]), quotient field of F[x]

-for f(x1,x2,...,xn) in F(x1,x2,...,xn), f(x1,x2,...,xn)가 symmetric이란,xi의 index를 어떻게 permute해도 f값이 같을 때 

-Homomorphism관련

-riso:ring isomorphic

-homor:ring homomorphism

-ker(homor):kernel of ring homomorphism(homog의 kernel로써 정의됨)

-for R,S:graded, homor:R->S, homor가 graded란 homor(Ri)<Si일 때

-Quotient Ring관련

-R/id:quotient ring of R by id

-Matrix Ring관련

-MT(R)(nxn):Matrix of size nxn with entries in R

-

-Group Ring, Group Algebra관련

-R[G]:Group ring

-R:CR_[1]이고 G={g1,g2,...,gn}으로 finite group G이고

-계수는 R의 원소인 G의 linear combinations 모임으로, ring이 된다.

-RE:the set of all finite sums of elements of the form like R[G], 비슷하게 ER, RER등도 정의 됨

(E는 R의 any subset일 때를 가리킴)

-F[G]:Group algebra

-F[G]:direct sum of Fv_g over g, 따라서 VS(F)이고 multiplication은 R[G]처럼 v_g v_h =v_(gh)로써 정의해서 F-algebra됨


*Field Theory

-F:Field

-OF:Ordered Field

-QF(ID):quotient field of ID

-[F2:F1]:dimension of F2=VS(F1)

-F(a1,a2,...,an):the field generated by a1,a2,...,an over F(where ai in a extension of F), the smallest field containing ai and F

-F(a1):simple extension field of F

(이때 a1을 primitive element of F(a1)이라 한다.)

-F2>F1이란 F2:extension field of F1

-an embedding of F1 into F2란, f:F1->F2 s.t. injective and homomorphism을 가리킨다.

-FEF of F1, F2>F1 with finite [F2:F1]일 때 F2를 Finite extension field of F1이라 하고, FEF of F1으로 나타내기로 하자.

-a:alg(F):algebraic over F, F의 extension field의 원소이면서 te P(x) in F[x] s.t. P(alg(F))=0인 것

-a:transcendental over F란, F의 extension field의 원소이면서 not algebraic over F인 것

-for F2>F1, E:subset of F2, E:algebraically independent over F1이란, 

for every finite subset E' of E, E'={a1,a2,...,an}, there is no nonzero polynomial f(x1,x2,...xn) in F1[x1,x2,...,xn] s.t. f(a1,a2,...,an)=0

-a transcendence base for F2>F1이란 maximal subset of F2(wrt set inclusion) which is algebraically independent over F1

-m_(alg(F),F)(x):the minimal polynomial for alg(F), alg(F)를 root로하면서 unique monic irreducible poly in F[x]을 가리킴

-F2:AEF of F1, F2>F1이고 for any a in F2, a:alg(F1)이면 F2를 algebraic extension field of F1이라 하고 AEF of F1으로 나타내기로 하자.

-F2F1, F3>F2이고 F3>F1일 때 F2F1을 the smallest subfield of F3 containing both F2 and F1을 나타내고 composite field of F2 and F1이라 한다.

-prime subfield, unity를 포함하는 the smallest subfield

-F2:SptEF_(P(x),F1), F2>F1이고 P(x) in F1[x]에 대해 a splitting field for P(x) in F1[x]란, P(x)가 factors completely into linear factors in F2[x]인 F2이고 F2>F3>F1인 proper F3에 대해 F3[x]에서는 splits completely가 안될 때, F2를 a splitting field for P(x) in F1[x]라 하고 줄여서 SptEF_(P(x),F1)

(즉 P(x) in F1[x]의 모든 roots를 포함하면서 F1의 extension인 것들 중 smallest)

(SptEF_F란, polynomial이 존재하긴 하는데 그게 관심이 아닌 splitting field를 가리킬 때 사용, splitting field over F)

-NEF of F1, normal extension of F1, AEF of F1가 SptEF_({P(x)},F1)였다면 AEF of F1을 normal extension of F1이라고 한다.

-ac(F)란, algebraic closure of F, F2:AEF of F이고 for every polynomial P(x) in F[x], P(x) splits completely in F2[x]일 때 F2를 algebraic closure of F1이라한다.(정의상으로는 unique up to isomorphism which fix F인지는 모르지만 ac-F를 잡아서 건설하면 알 수 있음)

-ac-F란, algebraically closed field, ac(F)=FF를 ac-F라 한다.

(즉 F[x]의 any nonconstant polynomial의 모든 roots가 F에 있다는 것)

-F:acc0, algebraically closed and characteristic 0(자주나오므로)

-P(x)가 separable over F란, P(x) in F[x]인 P(x)의 all roots가 모두 distinct in ac(F)

(roots가 F에 있냐는 건 관심 없음, ac(F)에서, 즉 모든 roots를 일단 다 구하고나서 그게 distinct하냐는게 관심) 

(over F라는 걸 적어줘야만 의미 있음, x^2-1을 over Q, over F_2 각각에 따라 다름)

-formal derivative란, 극한없이 poly->poly인 연산자로써 정의, D_x(P(x))로 표현

-F:perfect란, char(F)=0 or char(F)=p s.t. each element x in F can be written as y^p for some y in F 

-char(F)=prm인 p이고 for an irreducible f(x) in F[x] the separable degree of f란

-F:perfect이면 f(x)는 separable되서 the separable degree of f = the degree of f

-Otherwise, f(x)=g(x^p^k)이면서 g(x):separable over F인 irreducible poly가 있는데 degree of g(x)를 가리킨다.

(p^k를 inseparable degree of f라 한다.)

-f:F->F f:Frobenius란 char(F)=p일 때 정의하고 f:F->F, x->x^p인 map

(injective인 endomorphism, 따라서 finite field F1이었다면 Frobenius_F1는 automorphism)

-SEF of F이란, Separable Extension field of F, F2:AEF of F이면서 for any a in F2, m_(a,F):separable over F

-Cyclotomic Field of nth root of unity관련

-CCTMF_n이란 SptEF_(x^n-1,Q)를 가리킨다. the cyclotomic field of nth root of unity라 한다.

-{x^n-1의 roots in C}는 group이 되고 여기서 generator를 primitive nth root of unity라 한다.(ephi(n)개만큼 존재)

-CCTMP(x)_n이란 the nth cyclotomic polynomial, prod over all primitive nth root of unity t (x-t)(따라서 deg가 ephi(n))

-내용정리, extension관련

-포함관계:

AEF of F1>FEF of F1>SptEF_(P(x),F1)

AEF of F1>SEF of F1>ac(F1)(단 SEF of F1>ac(F1)은 F1이 perfect일 때만 가능)

-Classical Straightedge and Compass Construction관련

-for a in R, a:constructible이란 we can construct a line segment of length |a| in a finite number of steps from this given segment of unit length by using a straightedge and a compass.

-for F:field, S:subset of F, Aut(F/S)는 Aut(F)의 원소중에서 S를 fix하는 애들만 모아둔 group

-Aut(F2/F1), Aut(F2)중에서 F1을 fix하는 애들만 모아둔 group

-for a subgroup S of Aut(F), F_S란?(called fixed field of S), S의 모든 원소가 fixed하는 F의 원소들의 모임, subfield of F된다.

-GEF of F란? NEF SEF  of F일 때를 말한다.

-for F2:GEF of F1일 때, 

-G(F2/F1):=the galois group of F2 over F1이라 하고 Aut(F2/F1)을 가리킨다.

-for x in F2, f in G(F2/F1), f(x)를 galois conjugate of x over F1라 한다.(any f마다 conjugate인 셈)

-for F1<F<F2, f in G(F2/F1), f(F)를 conjugate field of F over F1라 한다. 

-F2:abelian GEF of F1이란, F2가 GEF of F1이고 G(F2/F1):abelian일 때 

-for P(x):separable over F,G(P(x),F):=the galois group of P(x) over F라 하고 Aut(SptEF_(P(x),F)/F)를 가리킨다. 

-for F2:SEF of F1(may not NEF of F1), gc(F2/F1)이란, called "the galois closure of F2 over F1"

-F2가 NEF이고 SEF이면 GEF되지만, SEF이기만해서는 GEF가 안된다. 하지만 F2를 좀 더 extension하면 SEF이면서 NEF되게할 수 있다. 그런 extension중에서 가장 작은 것을 가리킨다.

(만약 F2가 not SEF였으면 F2를 어떻게 extension해도 not SEF이므로 galois closure란 것은 정의 못함)

-for F2:SEF of F1일 때(may not NEF of F1), G(F2/F1):=the galois group of F2 over F1이고 Aut(gc(F2/F1)/F1)을 가리킨다, 즉 galois clousure로 대체시켜 생각

-for P(x) in F[x] of degree n, the discriminant of P(x)(disc(p(x))라 적자)란, SptEF_(P(x),F)에서의 P(x)의 all roots {r1,r2,...,rn}(중복해서 적음)에 대하여 prod over i<j (ri - rj)^2,

(따라서 P(x):separable over F이면 disc(P(x))=nonzero, inseparable이면 disc(P(x))=0

*Module Theory

-Module관련

(기본적으로 sth-Md이란, 어떠한 대수적 구조가 있는 object Md에 sth이란 대수적 구조가 있는 object를 Md좌측에다가 붙이는 연산을 정의할건데, 각 sth에 있는 연산과 Md에 있는 연산이 compatible하게끔 정의가 될 때를 가리킨다.)

-R-Md:(left)R-module

-R:Ring

-(Md,+):abelian group

-scalar multiplication:R x Md->Md s.t.

-r1(m1+m2)=r1m1+r1m2

-(r1+r2)m1=r1m1+r2m1

-(r1r2)m1=r1(r2m1)

(R이 이미 잘 안다면 R-Md말고 Md라 하자 그냥)

-G-Md:(left)G-Module

-G:group

-(Md,+):abelian group

-act_Md by G:G x Md -> Md s.t.

-for any g in G, x,y in Md, g(x+y)=gx + gy

-(action이니까) for any g,h in  G, x in Md, (gh)x=g(hx)

(Md가 VS(F)일 땐 act_Md by G가 linearity도 만족, 즉 g(ax+by)=a(gx)+b(gy) where g in G, a,b in F, x,y in VS(F)할 때 G-Md VS(F)라 함)

(for any g in G, x in Md, (g,x)->x이면 이 때 trivial G-Md라 한다.)

-for M:G-Md and H:subgroup of G, M을 H-Md로도 간주할 수 있다. 

-unital R-Md:Unital R-module

-R-module에서 R이 unity 1을 갖고 1m=m을 만족할 때의 R-module

-R-subMd:submodule of R-Md

-subMd:closed under group operation and scalar multiplication

-G-subMd:submodule of G-Md

-closed under group operation and group action

(Md가 VS(F)일 땐 G-subMd란 subspace이고 그 자체로 G-Md일 때, 즉 W:subspace of V, V:G-Md일 때 gw가 W에 속할 때(for any g in G, w in W))

-for m in R-Md, m이 torsion

-te nonzero r in R s.t. rm=0일 때 m을 torsion이라 함

-Tor(Md):={all torsion of Md}

-Tor(Md)를 the torsion submodule이라 하고(R:ID일 때), Tor(Md)의 submodule를 a torsion submodule이라 한다.

-Tor(Md)=0이면 Md를 torsion free라 한다.

-for R-Md인 M, subMd인 N, Ann_R(N):={r in R s.t. rn=0 for all n in N}

(Ann_R(N)은 two-sided id됨)

-for R-Md인 M, Rid of R인 id, Ann_M(Id):={m in M s.t. am=0 for all a in id}

(Ann_M(id)는 subMd됨)

-For N1:R-subMd1, N2:R-subMd2 of M:R-Md, N1+N2:={n1+n2 s.t. n1 in N1 n2 in N2}

(the smallest subMd containing N1 and N2됨)

-For M:R-Md, A:subset of M, RA:={f-sum of ra for r in R, a in A}, called the submodule of M generated by A

(the smallest subMd containing A)

(Group Ring에서와 헷갈리지 않게, RE는 E는 R의 subset일 때임)

-For N:R-subMd of M:R-Md, for A:subset of M, N=RA인 경우 A를 a set of generators for N이라 한다. 

-finite set인 A가 존재하면 N을 finitely generated라 한다.

-singleton인 A가 존재하면 N을 cyclic이라 한다.

-For M_i:R-Md, EDP(M_i), direct product of {M_i}

-For R:R_[1], S:R_[1], M:(R,S)-biMd란, called (R,S) bimodule

-M:left R-Md and M:right S-Md, for r in R, s in S, m in M, (rm)s=r(ms)

-For R:CR_[1], M:SR-Md, called the standard R-module

-M:(R,R)-biMd을 가리킨다.

-For R:CR_[1], M,N,L:left R-Md, f:MxN->L이 R-bilinear이란?

-그냥 bilinear

(정의역의 곱이 n개면 n-multilinear over R이라 한다.)

-For R:CR_[1], M1,M2,...,Mn,L:left R-Md, f:M1xM2x...xMn->L이 n-multilinear over R이 alternating이란?

-정의역의 이웃하는 2개 terms가 same일 때마다 f=0일 때)

-For R:CR_[1], det on R이란

-det:CMT(R)(nxn)->R s.t. det:n-multilinear alternating over R on R^nxR^nx...xR^n, 각 components는 MT의 columns이고 det(IMT)=1

(위의 2성질을 만족하면 det라 한다. determinant)

-For M:left R-Md, M:Noetherian이란

-te no infinite increasing chains of submodules

-For R:ID, M:R-Md일 때 rank of M:=the maximum number of R-lind elements of M

-For R:ID, M:R-Md일 때 divisible M이란, for any nonzero r in R, rM=M

-simple Md이란, submodule이 0와 자기자신 뿐

-semisimple Md란, simple인 submodules의 direct sum으로 decompose가능할 때

-

-Quotient Module관련

-R-Md/R-subMd:Quotient Module of R-Md by R-subMd

-quotient group과 똑같이 만들어지고, module이 됨

-Homomorphism관련

-R-Md1, R-Md2(같은 R에 대해) homoMd(R-Md1,R-Md2)란, f:R-Md1->R-Md2 s.t. f(x+y)=f(x)+f(y) and f(rx)=rf(x)인 f를 가리킨다.

(vector spaces에서는 linear transformation이라 함) 

(R-Module homomorphism이라 부른다.)

-Hom(R-Md1,R-Md2), the set of all homoMd(R-Md1,R-Md2)

-End(R-Md):=Hom(R-Md,R-Md)

(ring이 된다. multiplication은 composite로 두면)

-

-Free관련

-For M:R-Md, A:subset of M, M:free on A란(혹은 A를 R-Basis라 한다.)

-A:basis for M, 즉 M의 모든 원소가 finite linear combinations of A로 유일하게 표현된다는 것

(이때 M을 free module이라 한다.)

-For R:CR_[1], M:R-Md free on A, rank(M):=|basis|=|A|(R이 commutative여야 well-defined)

-For A:set, R:ring, FM(R,A)이란, called a free R-module on A

-free on A인 R-Md

-For A:set, FAG(A):=FM(Z,A), called free abelian group on A

(Z-Md인데 사실 Md이긴한데 그냥 abelian group structure만 가질 뿐, 그래서 free module이라 하지 않고 group이라함)

-Tensor Product관련

-For R:R_[1], M:right R-Md, N:left R-Md, TP(M,N)이란? called the tensor product of M and N over R

-FAG(MxN)의 quotient group, bilinear되게끔

-TP(M,N)은 기본적으로 abelian group structure만 갖고 있는데 M,N에 조건 더 있을수록 Md되기도 하고 함

-TP(M,N)의 원소를 tensor라 하고, for m in M, n in N, tp(m,n):=coset of (m,n), called the simple tensor of m,n

(TP(M,N)의 모든 원소는 finite sum of simple tensors로 쓰여진다. 건설법을 생각해보면)

-For R:R_[1], M:right R-Md, N:left R-Md, G:abelian group, f:MxN->G이 R-balanced란?

-f(m1+m2,n)=f(m1,n)+f(m2,n)이고 f(m,n1+n2)=f(m,n1)+f(m,n2)이고 f(mr,n)=f(m,rn)인 f

-For R:R_[1], M1:right R-Md, M2:right R-Md, N1:left R-Md, N2:left R-Md, f1:homoMd(M1,M2), f2:homoMd(N1,N2), TP(f1,f2)란

-TP(f1,f2):TP(M1,N1)->TP(M2,N2), TP(f1,f2)(tp(m1,n1))=tp(f1(m1),f2(n1))

(group homomorphism이 되고 M,N에 structure가 더 조건 붙으면 module homomorphism까지 됨)

-Short Exact Sequence관련

-SES(Md1,Md2,Md3,f1,f2):Short Exact Sequence란, Group에서와 정의 같음, 단지 Md1,Md2,Md3:R-Md일 뿐

-SES(Md1,Md2,Md3,f1,f2):split란, left split or right split or equivalent to SES(Md1,EDP(Md1,Md3),Md3,embedding,projection)일 때

-Md:R-Md가 projective란, every SES(Md1,Md2,Md)가 split일 때

-Md:R-Md가 injective란, every SES(Md,Md1,Md2)가 split일 때

-Md:R-Md가 flat이란, every SES(left R-Md1,left R-Md2, left R-Md3)에 Md을 tensor product을 좌승 취해도 SES가 얻어질 때

(이때 얻어진 SES는 group의 SES)

-Md1:R-Md, Md2:an essential extension of Md1이란, for every subMd S2 in Md2, Md1교S2={0}이면 S2={0}일 때

-Md1:R-Md, Md2:an injective hull of Md1이란, Md2:injective R-Md이고 Md2:essential extension of Md1일 때

-MD over PID관련

-R:PID, M:R-Md일 때

-M with annihilator nonzero a=u(p1)^a1(p2)^a2...일 때 pi-primary component of M란, Ni:={x in M s.t. (pi)^ai x =0}

-R:PID, M:finitely generated R-Md일 때 

-free rank of M이란, M의 cyclic modules decomposition에서의 free파트 rank

-invariant factors of M이란, M의 cyclic modules decomposition에서의 R/(ai)인 ai들을 가리킨다.

-elementary divisors of M이란, M의 cyclic modules decomposition(using primes)에서의 R/((p_i)^a_i)에서 (p_i)^a_i를 가리킨다.

-R:F[x]일 때

-for any monic P(x) in F[x], cpMT(P(x)), companion matrix란, 대각성분은 0, 대각성분 바로 밑은 1, 마지막 열은 P(x)의 계수들*(-1)을 상수항부터 위에서부터, 나머진 0 



*Vector Space

-Basic

-VS(F):Vector Space over F, ()언급 없으면 R을 가리킴

-VS(F):=F-Md

-f-dim:finite dimensional

-inf-dim:infinite dimensional

-x:any vector

-s:any scalar

-LS:Linear Subspace(subgS, topS, LS)

-F^n:n-dimensional VS(F

-A:absorbing subset

-VS(F)에서 FR(std)이거나 C인 경우 정의를 하며, for any x in VS(F), te c>0 s.t. for |t|>c, x in tA

-B:balanced subset

-VS(F)에서 FOF인 경우 정의를 하며(대게 OF=R(std)), for any t in [-1,1], tB<B인 경우 B를 Balanced라 한다.

-V:convex subset

-VS(F)에서 F가 OF인 경우 정의를 하며(대게 OF=R(std)), for all x, y in V, for all t in [0,1], (1-t)x+ty in V일 때 V를 convex라 한다.

-AV:absorbing convex subset

-lind:linearly independent

-a flag (V_i) of VS(F)란

-a seq of subspace s.t. dim(V_i)=i and V_i<V_(i+1)

-VS(F)에 topology 주는 방법

-normable

-F:topological field(즉 +,*,나누기 가 continuous인 field)일 때(즉 R(std)거나 C)

-addition과 scalar multiplication이 conti가 되게끔 smallest top주는 법(TVS가 됨)

-(VS(F))^*의 모든 원소가 conti가 되게끔(weak topology참고, NVS에선 conti LF들이 conti가 되게끔하는 최소 top)

-Linear combination관련

-1-linc:계수의 합이 1인 linear combination

-1p-linc:계수가 positive이고 합이 1인 linear combination

-c-ilnc:계수가 nnn이고 합이 1인 linear combination(convex combination)


-Direct Product, Direct Sum관련

-EDP(VS1(F),VS2(F)):External Direct Product of VS1(F), VS2(F)(대게는 Direct Sum이라 하지만, VS(F)가 infiite개면 product와 sum구분 필요)

-EDP(VS1(F),VS2(F)):=the cartesian product of VS1(F), VS2(F), 연산은 component-wise, 새로이 VS(F)가 된다.

-IDP(LS1,LS2):Internal Direct Product of LS1,LS2(대게는 Direct Sum이라 하지만, VS(F)가 infiite개면 product와 sum구분 필요)

-IDP(LS1,LS2):={x + y s.t. x in LS1, y in LS2} and LS1교LS2={0} (LS1과 LS2모두 같은 VS(F)의 linear subspace)

(IDP(LS1,LS2) isomorphic EDP(LS1,LS2)성립)

(nontrivial, proper LS1,LS2에 대해서 정의함)

-Function관련(정의역의F와 공역의 F가 다를 순 있으나 그래봤자 subfield관계여야함)

-VS(F)xVS(F)->F

-f:form on VS(F)

-f:VS(F)xVS(F)->F인 function

-Bilinear form on VS(F)

-f:VS(F)xVS(F)->F이면서 bilinear인 function을 가리킴

(bilinear form의 matrix표현은 VS(F)의 basis={v1,v2,...,vn}를 고정시켜버리고 f(vi,vj)를 (i,j)성분으로  하는 matrix를 M이라 하면 f(u,v)=rt(x) M y, 각 x와 y는 u와 v를 basis {v1,v2,...,vn}의 계수들로 표현한 것)

(다른 basis {u1,u2,...,un}를 택했었다면, [u1, u2, ..., un]=[v1,v2,...,vn]S where S:invertible MT, rt(S)MS가 represent matrix가 된다.)

-Symmetric form on VS(F)

-f:bilinear form onVS(F)이면서 for all x,y in VS(F), f(x,y)=f(y,x)

-for b:symmetric bilinear form on VS(F),

-qm_b:quadratic map, VS(F)->F, qm_b(x)=b(x,x)

-qdf_b:quadratic form by b, qdf_b(x1,x2,...,xn)=sum b(ei,ej)xixj, where {e1,e2,...,en}:a basis for VS(F), qdf_b in F[x1,x2,...,xn]

-(VS(F), b):quadratic space라 한다.

-(VS1(F),b1), (VS2(F),b2):isometric

if te g:isom from VS1(F) to VS2(F) s.t. b1(x,y)=b2(g(x),g(y)) for any x,y in VS1(F)

-Alternating form on VS(F)

-f:bilinear form on VS(F)이면서 for all x in VS(F), f(x,x)=0

-Skew-symmetric form on VS(F)

-f:bilinear form on VS(F)이면서 for all x,y in VS(F), f(x,y) = (-f(y,x))

-regular bilinear form이란, g:VS(F)->(VS(F))^*, g(v):=f(v,~) or h:VS(F)->(VS(F))^*, h(v):=f(~,v), 둘 중 1개가 isomorphism일 때

-for symmetric bilinear form f on VS(F), for LS of VS(F), for LS1 of VS(F), for LS2 of VS(F), for E subset of VS(F)

-(LS)^ㅗ :={x in VS(F) s.t. f(x,y)=0 for all y in LS}, the orthogonal complement of LS라 한다.

-rad(f):=(VS(F))^ㅗ, radical of f라 불린다.

-f_LS:subform of f on LS라 하고 정의는 restriction of f on LS

-f=f_LS1 ㅗ f_LS2란, VS(F)=IDP(LS1,LS2) with (LS1)^ㅗ < LS2일 때의 f표현이고, the internal orthogonal sum of f_LS1 and f_LS2라 한다.

-f의 regular part란, f=f_W ㅗ f_rad(f)로 uniquely up to isometry인 W가 존재하고 f_W on W를 regular part of f라 한다.

-f의 diagonal form <a1,a2,...,ak>란, f의 regular part만을 대응되는 matrix의 diagonal form을 가리킴

-for nonzero x in VS(F), x:isotropic란, f(x,x)=0일 때

-for nonzero x in VS(F), x:anisotropic이란, f(x,x):nonzero

-f:isotropic이란 te x in VS(F) s.t. x:isotropic일 때

-f:anisotropic이란 there is no isotropic vector

-for a linear subspace W of VS(F), W:totally isotropic란 f(w1,w2)=0 for all w1, w2 in W

-E:orthonormal이란 for any distinct x,y in E, f(x,y)=0, f(x,x)=1

-E:maximal orthonormal이란 E를 strictly 포함하는 orthonormal set이 없을 때

-f:hyperbolic이란 te H(VS(F))=(VS(F),h) s.t. h isometric f

-for symmetric bilinear form f1 on VS1(F), for symmetric bilinear form f2 on VS2(F)

-f1 ㅗ f2, the external orthogonal sum of f1 and f2라 하고, f1 ㅗ f2:(VS1(F)xVS2(F)) x (VS1(F)xVS2(F))->F,f1 ㅗ f2((a1,a2),(b1,b2)):=f1(a1,b1) + f2(a2,b2)

-H(VS(F)):hyperbolic space란, h:symmetric bilinear form on EDP(VS(F),VS(F)^*), h((v1,f1),(v2,g2)):=f1(v2)+g2(v1), (VS(F),h)를 가리킴 

-H(F):hyperbolic space라 한다.

-F=C인 경우

-sesquilinear form on VS(C)

-f:VS(C)xVS(C)->C이면서 first argument는 linear, second argument는 antilinear(덧셈은 그대로나오는데 scalar는 conjugate달고나옴)

-Hermitian form on VS(C)

-f:sesquilinear form on VS(C)이면서 conjugate symmetric일 때


-VS1(F)->VS2(F)

-LT(VS1(F),VS2(F)):linear transformation from VS1(F) to VS2(F)

(homoMd(R-Md1,R-Md2)랑 같은 것임, 단지 VS1(F), VS2(F)로 바뀐 것 뿐)

-LT(VS(F)):linear transformation from VS(F) to VS(F)

(Endomorphism of VS(F)라고도 한다.)

(LT(VS(F))가 bijective하면 Automorphism of VS(F)라고 한다.)

-egv(LT(VS(F)):eigenvalue of LT(VS(F))

-scalar f in F s.t. LT(VS(F))(x)=fx for some non zero vector x in VS(F)

(LT(VS)의 decomposition(over F[x]:PID이용)elementary divisor에 해당되는 root를 eigenvalue라고 함)

-egv(LT(VS(F)):eigenvector of LT(VS(F))

-nonzero vector x in VS(F) s.t. LT(VS(F))(x)=fx for some scalar f in F

(eigenvalue도 언급필요하면 egv(LT(VS(F)),egv)라 쓰자.)

(LT(VS)의 decomposition(over F[x]:PID이용)elementary divisor(degree가 1인 linear factor)에 해당되는 Torsion submodule의 원소를 가리킴)

-gegv(LT(VS(F)):generalized eigenvector of LT(VS(F))

-LT(VS)의 decomposition(over F[x]:PID이용)elementary divisor(degree가 k인 linear factor)에 해당되는 Torsion submodule의 원소를 가리킴

-subspace of VS(F)가 LT(VS(F))-invariant란, LT(subspace)<subspace일 때(예를 들면 eigenspace of f는 f-invariant)

(혹은 LT(VS(F))가 subspace를 stablize라고도 함)

-LT(VS(F))가 simple이란

-VS(F)가 nonzero이고 LT-invariant subspace가 0와 VS(F)뿐일 때

-LT(VS(F))가 semisimple이란

-대응되는 F[x]-Md가 semisimple, 즉 대응되는 Md가 simple submodules의 direct sum으로 decompose가능

-(iff)모든 LT-invariant subspace가 LT-invariant complement를 가짐

-LTC(VS1(F),VS2(F)):collection of all LT(VS1(F),VS2(F))

-LTC(VS(F)):collection of all LT(VS(F))

-다르게는 End(VS(F))라고도 쓴다. (End(VS(F)), +, composite):associative F-algebra

-Aut(VS(F)):Automorphism Group of VS(F)

-{f:VS(F)->VS(F), bijective, linear} 

-VS(F)->F(as a vector space over F)일 때

-LF(VS(F)):linear functional from VS(F) to F

-subLF(VS(OF)OF):sublinear functional from VS(OF) to OF

-f:VS(OF)->OF s.t. for any x,y in VS(OF) any nnn s in OF, f(x+y)<=f(x)+f(y) and f(sx)=sf(x)

-convF(VS(R),ETR):convex functional from VS(R) to ETR

-f:VS(R)->ETR s.t. for any x,y in VS(R), any nnn s in R, f(x+y)<=f(x)+f(y) and f(sx)=sf(x) and  f(x)>=0

-|| ||:norm, VS(F) to R(FC의 subfield)

-qm_qdf:quadratic map by qdf, F^n->F, x=(x1,x2,...,xn) in F^n represented by the standard basis of column form, qm_qdf(x):=rt(x)*MT_qdf*x

 

 

-qdf(VS(F)):quadratic form on VS(F)

-2-homogeneous and b:VS(F)xVS(F)->F s.t. b(v1,v2)=1/2 * {qdf(v1+v2)-qdf(v1)-qdf(v2)}가 bilinear일 때

(후자를 polar form of qdf라 하고 b_qdf라 적기로 하자.)

(VS(F)가 중요하지 않으면 생략)

-qdf1(VS1(F)) isom qdf2(VS2(F)):isometric(two qdf에 대한, 단 F는 같은 F)

-te isomorphism f:VS1(F)->VS2(F) s.t. for any x in VS1(F), qdf1(x)=qdf2(f(x))

-for qdf(VS(F)), for LS1 of VS(F), for LS2 of VS(F)

-rad(qdf):={v in rad(b_qdf) s.t. qdf(v)=0}

-qdf=qdf_LS1 ㅗ qdf_LS2란, VS(F)=IDP(LS1,LS2) with (LS1)^ㅗ < LS2

-qdf:regular란 rad(qdf)={0}

-for nonzero x in VS(F), x:isotropic란, qdf(x)=0 

-for nonzero x in VS(F), x:anisotropic이란, qdf(x):nonzero

 

 

 

-VS1(F)와 VS2(F)가 둘다 f-dim일 때(dim(VS1(F)=n , dim(VS2(F))=m)

-MT(F)(mxn):matrix over the field F, size of mxn

(별말 없으면 F=C이고 크기는 nxn, 분명히 제시해줘야할 때는 field, size순을 제시)

-CMT(F)(mxn):the collection of all matrix over F, size of mxn

(별말 없으면 F=C이고 크기는 nxn, 분명히 제시해줘야할 때는 field, size순을 제시)

-direct sum of MT1 MT2란, MT1의 오른쪽 하단에 MT2를 붙이는 것, 나머진 0

-Matrix분류(마찬가지로 F와 size언급 필요시 뒤에 적기)

-subMT of MT:submatrix

-psubMT of MT:principal submatrix of MT(i row를 제거했으면 i column도 제거해서 얻은 submatrix)

-leading psubMT of MT:leading principal submatrix of MT, 왼쪽 상단에 것들로 구성된 square submatrix

-reducible MT이란, Μ in M(nxn) s.t. M =_psim block upper triangular matrix

iff te nonempty subset J of {1,2,3,...,n} s.t. M_(i,j) = 0 for all i in J, all j in {1,2,3,...,n}-J

-irreducible이란 ΜΤ가 not reducible일 때

(n=1일 땐 0 matrix는 reducible이라 한다.)

(M:reducible이면 적어도 (n-1)개의 entries가 0여야 함)


-IMT:Identity Matrix

-LMT:lower triangular matrix

-UMT:upper triangular matrix

-DMT:diagonal matrix

-DdMT:diagonally dominant matrix, |a_ii| >= sum over j |a_(i,j)| for any i

-dgMT:diagonalizable matrix

-similar to a DMT

-{MT}:commuting이란, 

-for any two MT1, MT2 in {MT}, MT1MT2=MT2MT1

-dg{MT}:simultaneously diagonalizable이란, 

-te invertible MT1 s.t. MT1MT(MT1)^(-1):a DMT for any MT in dg{MT}

(즉 하나의 가역행렬로 family {MT}의 모든 원소가 대각가능화될 때를 가리킴)

-TMT(B1,B2):Transition matrix from ordered basis B1 to ordered basis B2 

-B1의 1번째 원소의 좌표 under B2를 1열에, 2번째 원소의 좌표 under B2를 2열에...해서 얻은 matrix

-Proj(LS1,LS2):Projection onto LS1 along LS2

-VS(F)=IDP(LS1,LS2)이고 Proj(LS1,LS2):VS(F)->VS(F), Proj(LS1,LS2)(x)=x1 where x=x1+x2, x1 in LS1, x2 in LS2

(LT(VS(F))가 되고, 이것의 MT표현을 Projection matrix, Proj(LS1,LS2)라 하면 MT를 가리키는 것이라 하자.)

-MT가 Idempotent란, MT^2=MT일 때

-ct(MT)란, MT의 conjugate transpose

-F=C일 때

-NMT:normal matrix

-ct(MT)MT=MTct(MT)인 MT

-HMT:Hermitian matrix

-MT=ct(MT)인 MT

-inertia(HMT)=(p,q,z), where p:the number of positive egv, q:the number of negative egv, z:the number of zero egv, including multiplicities

-UnMT:unitary matrix

-inv(MT)=ct(MT)인 MT

-udgMT:unitary diagonalizable matrix

-similar to a DMT인데 그 similar에 쓰이는 invertible MT가 UnMT일 때

-pd:positive-definite

-matrix를 bilinear form으로 보고 nonzero vector z에 대한 결과가 >0(ct(z)HMTz>0)

-psd:positive-semidefinite

-matrix를 bilinear form으로 보고 nonzero vector z에 대한 결과가 >=0(ct(z)HMTz >= 0)


-F=R일 때

-SMT:symmetry matrix

-rt(MT)=MT인 MT

-ACMT:acyclic matrix

-SMT이고 for any subset E={k1,k2,...,ks} of {1,2,3,...,n}, s>=3,

a_(k1,k2) * a_(k2,k3) * ... * a_(ks,k1) = 0인 행렬

-OMT:Orthogonal matrix

-inv(MT)=rt(MT)인 MT

-odgMT:orthogonally diagonalizable matrix

-similar to a DMT인데 그 similar에 쓰이는 invertible MT가 OMT일 때

(MT1 =_sim DMT by OMT, 즉 MT1 =_congruent DMT)

-N:nnn matrix

-모든 성분이 nnn

-N:nnn and irreducible일 때

-spectral circle에 egv가 1개만 있으면 primitive MT라 한다.

-N:primitive MT일 때 te m > 0 s.t. N^m:positive MT, 이때 the smallest m을 the exponent of N이라 한다.

-spectral circle에 egv가 k(k>1)개 있으면 imprimitive MT라 한다. 이때 k를 the index of imprimitivity of N이라 한다.

-P:positive matrix

-모든 성분이 positive

-이 때 P가 square이면 specR(P):egv with positive egv with multiplicity 1, 이 때 specR(P)를 Perron root of P라 하고 positive egv with sum of components equal to 1를 Perron vector of P라 한다.

-rt(P)또한 positive이고 the Perron vector of rt(P)를 left Perron vector of P라 한다.

-Z-MT:Z-Matrix

-M:Z-matrix if all off-diagonals are nonpositive, 즉 M_(i,j)<=0 for i != j

-M1-MT:M-Matrix(Minkowski의 M을 딴 것)

-M:M1-MT if te N:NNN s.t. M = c * IMT - N for some c s.t. c >= specR(N)

-M2-MT:M-Matrix

-M:M2-MT if te N:NNN s.t. M = c * IMT - N for some c s.t. c > specR(N)

-bSMT:bisymmetric

-SMT and /에 대해서도 symmetric


 

-기본 properties(trace, determinant, invertible, transpose, characteristic polynomial, eigen, )관련

-tr(MT):the trace of MT

-inv(MT):the inverse of MT

-MPinv(MT):the Moore-Penrose inverse

-MT*sth*MT=MT

-sth*MT*sth=sth

-MT*sth = rt(MT*sth)

-sth*MT=rt(MT*sth)을 모두 만족하는 sth을 MPinv(MT)라 한다. non-square MT여도 항상 unique하게 존재함

-Ginv(MT):the Group inverse

-MT*sth*MT=MT

-sth*MT*sth=sth

-sth*MT = MT*sth을 모두 만족하는 sth을 Ginv(MT)라 한다. squre MT일때만 정의되고 특정 조건에서 존재하고 존재하면 unique하게 존재함.

-det(MT):the determinant of MT

-unimdMT:unimodular MT, all entries are integers, det(MT)=1 or -1

-perm(MT):the permanent of MT, sum over all f in S_[n] prod from i=1 to i=n (MT)_(i,f(i))

-adj(MT):the adjugate of MT, (adj(MT))_(i,j) = (-1)^(i+j)det(MT - ιth row - jth column)

-rt(MT):the transpose of MT

-charP(MT):the characteristic polynomial of MT

-charP(MT):=det(x*IMT - MT), x:variable인 polynomial

(If neccessar, use charP(MT,x))

-mP(MT):the minimal polynomial of MT

-MT를 root로 하는 monic and 최소 degree polynomial

(MT를 주면, LT(F^n)인 것이고, 그러면 F^n은 F[x]-Md로 간주되고, Ann_F[x](F^n)은 F[x]의 ideal인데 F[x]은 PID이므로 Ann_F[x]의 generator로 mP(MT))

-egv(MT):eigenvalue of MT

-MTx=sx를 만족하는 nonzero vector x가 있을 때 scalar s를 eigenvalue of MT라 한다.

-egv(MT, egv):eigenvector of MT associated with egv, 그냥 egv라 쓰면 eigenvalue를 가리킴

-MTx=sx를 만족하는 nonzero vector x가 있을 때 vector x를 eigenvector of MT associated with s라 한다.

-am(egv(MT)):the algebraic multiplicity of egv

-charP(MT)에서의 egv의 root 중복도

-gm(egv(MT)):the geometric multiplicity of egv

-egS(MT,egv)의 dimension

-spec(MT):the set of all eigenvalues of MT, called "the spectrum of MT"

-specR(MT):spec(MT)중 절댓값(modulus)이 가장 큰 것의 절댓값

-equivalence relation관련

-MT1 =_equi MT2:equivalent

-MT1 = P MT2 Q where P,Q:invertible MT일 때(MT1,MT2가 square일 필요 없음)

(LT:VS1->VS2, 같은 dimesion아니어도, 각 VS1, VS2의 basis를 바꿀 때를 가리킴)

(similar는 equivalent의 한 case)

-MT1 =_sim MT2:similar

-MT1 = inv(MT) MT2 MT where MT:invertible일 때

(LT:VS->VS, same domain and codomain, 각 domain, codomain 모두 같은 basis사용, 그 때 그 basis를 바꿀 때를 가리킴)

-MT1 =_psim MT2:permutation similar

-MT1 = inv(MT) MT2 MT where MT:invertible and permutation MT일 때

(Graph의 relabel에 쓰임)

-MT1 =_congruent MT2:congruent

-MT1 = rt(MT) MT2 MT where MT:invertible일 때

(bilinear form이 isomorphic하냐 따질 때 씀)

-F=C일 때

-MT1 =_usim MT2:unitary similar

-MT1 = inv(MT) MT2 MT where MT:invertible and UnMT

-F=R일 때

-MT1 =_osim MT2:orthogonally similar

-MT1 = inv(MT) MT2 MT where MT:invertible and OMT

-Matrix를 통해 만든 Space관련

-Row(MT):Row space of MT

-Col(MT):Column Space of MT

-Null(MT):Null Space of MT

-egS(MT, egv):the eigenspace of egv

-Canonical Form관련

-RCF(MT):the rational canonical form of MT(rational이라 부르는 이유는 이 MT가 어떤 F에서든 계산이 잘 되기 때문)

-MT가 주어지면 LT(F^n)이 주어진 셈이고 F^n with LT(F^n)은 F[x]-Md로 간주될 수 있고 그럼 F[x]가 PID이므로 F^n을 decomposition(using invariant factors)을 할 수 있고 그 때의 invariant factors 각각의 monic형태는 unique하고 그것의 cpMT들(즉 decomposition의 direct summand마다 basis를 잡았더니(F[x]/(P(x))에서 주로 쓰는 basis로 1, bar{x}, ...가 taken) cpMT형태의 LT가 나온것)을 direct sum해서 얻은 matrix

-SNF(MT):the smith normal form of MT

-(xIMT-MT) =_equi diag(1,1,1,...,1,f1(x),f2(x),f3(x),...,fk(x)) where fi(x):all invariant factors of MT, 이 때 후자 diag를 SNF(MT)라 한다. SNF(MT)는 MT(F[x])(nxn)인 것, entries가 F[x]

-JCF(MT):the jordan canonical form of MT(egv(MT)가 F에 포함될 때로 가정, 즉 invariant factors들이 linear factor만 가져서 elementary divisors가 (x-t)^k form만 있을 때)

-MT가 주어지면 LT(F^n)이 주어진 셈이고 F^n with LT(F^n)은 F[x]-Md로 간주될 수 있고 그럼 F[x]가 PID이므로 F^n을 decomposition(using elementary divisors)을 할 수 있고 그 때의 direct summand마다 basis를 잡았더니(F[x]/(x-a)^bi에서 1, (bar{x}-a), (bar{x}-a)^2, ...으로 basis로 taken) 나온 UMT(jordan block of size bi with egv a라 한다)를 direct sum해서 얻은 matrix

-FNF(MT):the Frobenius Normal Form of MT, for MT in MT(nxn)(C), dG(MT)의 condensation으로 나타낸 form


-Matrix Group관련

-GL(n,F):General Linear Group

-MT(F)(nxn)중 invertible인 것들만 모아서 만든 group, operation:matrix multiplication

-GL(n,F)^+:GL(n,F)중 det>0인 것들만 모아서 만든 subgroup

-SL(n,F):Special Linear Group

-GL(n,F)중에서 det=1인 것들만 모아서 만든 subgroup

-O(n,F):Orthogonal Group

-GL(n,F)중에서 MT*rt(MT)=rt(MT)*MT=IMT인 MT들만 모아서 만든 subgroup

-SO(n,F):Special Orthogonal Group

-O(n,F)중에서 det=1인 것들만 모아서 만든 subgroup

-O(n,k,F):Indefinite Orthogonal Group

-SO(n,k,F):

-Sp(2n,F):Symplectic group

-HSBG:Hisenberg Group

-UMT인데 대각성분은 1인(나머지 성분은 CR_[1]에서, 보통은 R(std)을 택함)

-E(n):Euclidean Group

-{f:R^n->R^n s.t. f:isometry and f:bijection} with composite

-Matrix에서의 특수한 연산

-KP(MT1,MT2):kronecker product, TP(f1,f2)의 matrix represent

-KS(MT1,MT2):kronecker sum, KP(MT1,IMT2)+KP(IMT1,MT2)

-Matrix norm관련(기존 norm에다가 submultiplicative일 때 생각하자.)

-대표적인 norm:l1, l2, LT로 봤을 때 operator norm, maximum row sum, maximum column sum, spectral norm,

-DSSMT:Doubly SubStochastic Matrix란, nnn entries and every row sum and every column sum <= 1

(동치인 게 MT:DSSMT if MT with nnn entries and te DSMT s.t. MT <= DSMT with <= entrywise)

-DQSMT:Doubly quasi-stochastic Matrix란 MT(nxn)(R) and every row sum = every column sum = 1

-DSPMT:Doubly Superstochastic Matrix란, nnn entries te DSMT s.t. MT >= DSMT with >= entrywise

(nnn entries and every row sum and every column sum >= 1 과 동치가 아님, 전자이면 후자인데 후자라서 전자가 안됨)

(따라서 DSPMT, DSSMT의 정의는 DSMT의 존재성으로 외워두기)

-DSMT:Doubly stochastic Matrix란 DQSMT인데 nnn entries

-the measure of irreducibility, μ(DSMT):=min over all nontrivial proper subset M of {1,2,3,...,n} sum over all i in M and j in {1,2,3,...,n}-M {DSMT_(i,j)}

-UDSMT:Unitary-stochastic matrix, DSMT인데 all entries are the squares of the absolute values of the entries of some UnMT, a_(i,j) = |u_(i,j)|^2

-ODSMT:Orthostochastic matrix, DSMT인데 all entries are the squares of the absolute values of the entreis of some OMT, a_(i,j) = |o_(i,j)|^2



-Dual Space관련

-(VS(F))^*:={all LF(VS(F))} dual space of VS(F)라 한다.

-dd(VS(F)):=double dual of VS(F)), 즉 dual의 dual

-f:VS1(F)->VS2(F)일 때 f^*, called dual of f

-f^*:(VS2(F))^*->(VS1(F))^*, f^*(g)=g o f

-Ev_VS(F):evaluation map, from VS(F) to dd(VS(F))

-Affine Space관련

-for S:a set, V:VS(F), S가 V-AS란(V가 앞에 달린, affine space), te a map f s.t. f:VxS->S, f(v,s)=v+s and f:left identity, associativity, uniqueness

(f:uniqueness란, for any s in S, f(*,s):V->S가 bijection일 때)

*Algebra Theory

-Algebra관련

-R-A:R-Algebra

-R:CR_[1]

-R-A=R-Md with A-multiplication satisfying bilinear

(A-Multiplication of x,y를 그냥 xy라 쓰자)

(xy를 commutator라 부르기도 한다. group에서 처럼)

(Algebra는 Ring이면서 Module인 것으로 이해)

-R-subA:R-subalgebra of R-A

-R-subMd s.t. closed under A-multiplication

-Associative R-A:Associative R-Algebra

-R-A이면서 A-multiplication이 associative with identity일 때

-F-A:Algebra over F

-자연스럽게 VS(F) with A-Multiplication satisfying bilinear

-F-A:simple

-te no nontrivial proper two-sided ideal and A-multiplication is not uniformly zero(즉 te a,b in F-A s.t. ab:nonzero)

-F-A:CSA(Central Simple Algebra over F)

-simple F-A with Z(F-A) isomorphic F

-[R-subA1, R-subA2]:the commutators subalgebra

-the subalgebra of R-A spanned by commutators xy where x in R-subA1, y in R-subA2

-Structure constants from F-A

-F-A이 f-dim일 때, basis의 원소들의 A-multiplication해서 basis로 나타냈을 때의 계수들을 structure constants라 한다.

(이것만 알면, 다른 vectors의 A-multiplication도 쉽게 할 수 있다. A-multiplication이 bilinear하므로)

(반대로 Structure Constants와 Basis와 몇개의 조건들을 통해 Lie F-A를 인위적으로 만들 수도 있다.)

-Z(R-A):the center of R-A

-{x in R-A s.t. xy=yx for all y in R-A}

-Lid of R-A:left ideal of R-A

-R-subA이면서 for any x in R-A, any y in Lid, xy in Lid일 때

-Rid of R-A:Right ideal of R-A

-id of R-A:ideal of R-A

-Lid 이고 Rid일 때

-for R:CR_[1], M:R-Md일 때 TA(M), tensor algebra of M이란

-direct sum of (R,M,TP(M,M),TP(M,M,M),...), R-A가 된다.(not commutative일 수 있음)

(multiplication은 이어붙이면서 tensor product한 것, 그래서 graded됨)

(R-Md를 algebra화 만들고 싶을 때 사용)

-for R:CR_[1], M:R-Md일 때, SA(M), symmetric algebra of M이란

-TA(M)/C(M), where C(M):=id generated by all elements of the form tp(m1,m2)-tp(m2,m1) for all m1,m2 in M

(commutative algebra가 될 수 있음)

-for R:CR_[1], M:R-Md일 때, EA(M), exterior algebra of M이란

-TA(M)/A(M), where A(M):=id generated by all elements of the form tp(m,m) for all m in M

-EA(VS(F))에서 k-vector란, kth exterior power of VS(F)의 원소를 가리킨다.

-F[[x]]:formal power series algebra 

-F[[x]]:={sum over n>=0 a_n x^n s.t. a_n in F for all n}

(formal이란, convergence에는 관심없다는 것, 왜냐하면 x에 어떤 value도 넣지 않을 것이므로, 그저 coefficient에 관심)

-for f(x), f_n(x) in F[[x]], prod over n f_n(x) cv to f(x) if for any n, coefficient of x^n of f(x) = coefficient of x^n of prod over i=1 to i=N f_i(x) whenever N is sufficiently large

-for f(x) in F[[x]], deg(f(x))란, 계수가 0가 아닌 가장 낮은 차수의 degree

-F[[x]]:algebra of formal power series in x

-F[[x]]:={sum over α:cps c_α * x^α s.t. c_α in F and α_i = 0 for sufficiently large i}

-원소가 homogeneous of degree k란, 각 monomial의 degree가 k로 같을 때

-원소가 symmetric이란, preserved by any action by an element of S_[inf]

-m_ptt(x)란, monomial x^ptt을 포함하는 가장 작은 symmetric function in F[[x]], called monomial symmetric function corresponding to ptt

-Λ:subalgebra of F[[x]] spanned by {m_ptt(x) s.t. ptt:any partition}, called the algebra of symmetric functions

-p_n:=m_(n)(x), called the nth power sum symmetric function

-p_ptt:=prod over i>=1 p_(ptt_i)

-e_n:=m_(1,1,1,...,1)(x), called the nth elementary symmetric function

-e_ptt:=prod over i>=1 e_(ptt_i)

-h_n:=sum over ptt:ptt(n) m_ptt(x), called the nth complete symmetric function

-h_ptt:=prod over i>=1 h_(ptt_i)

-x^sst:=x_i를 sst에 적힌 i 개수만큼 곱한 것

-s_ptt:=sum over sst in SST(ptt) x^sst, called the schur function corresponding to ptt


-Quotient Algebra관련

-R-A/id:quotient algebra

-



-homomorphism관련

-ahomo:R-A1->R-A2 :Algebra homomorphism

-R-A1의 R과 R-A2의 R은 same ring

-ahomo satisfies linear, preserve A-Multiplication

-R-A1 aiso R-A2:Algebra isomorphic

-te ahomo s.t. bijective

-Aut(R-A):all automorphisms group on R-A

-

-derivation관련

-derivation of R-A

-f:R-A -> R-A s.t. f(xy)=xf(y)+f(x)y and linear, 이때 juxtaposition은 A-multiplication을 가리킴, 인 f를 derivation of R-A라 한다.

(f의 정의역과 공역이 같을 때)

(Lie Algebra에 대해선 juxtaposition에 Lie Bracket이용)

-nilpotent derivation of R-A

-f:derivation of R-A이고, f를 k번 합성했더니 zero function나오게하는 k가 존재한다면, f를 nilpotent derivation of R-A라 한다.

(도함수 구하는 연산자같은 것을 생각해보면 linear하면서도 반복하면 zero function나옴)

-Der(R-A):the collection of all derivation of R-A


-Lie Algebra관련(L:Lie algebra, Ll:Linear Lie Algebra)

-Lie F-A:Lie Algebra over F

-F-A이면서 A-multiplication이 alternating and jacobi's Identity 만족

(이때 A-multiplication of x,y를 특히 xy가 아닌 [x,y]라 쓰자.)

-id of L:Ideal of L

-vector subspace이면서 [L,id of L] < id of L일 때(subalgebra보다 강한조건)

(사실상 subalgebra가 되므로 정의할 때도 subalgebra라 해도 됐었음)

-[LL]:derived Algebra of Lie F-A

-the commutators subalgebras, 마치 group에서 C(G)과 유사.

([E1, E2]형태로도 정의가능, commutators참고)

(id of L됨)

-Simple L:Simple Lie Algebra over F

-non abelian L이면서 id of L가 0랑 자기자신뿐 일 때(simple group과 유사)

-General Lie Algebra, Linear Lie Algebra관련

-gl(VS(F)):General Lie Algebra over F

-End(VS(F)) as a Lie F-A with A-Multiplication [x,y]=x o y - y o x, using composite

(dim(VS(F))=n인 경우 gl(n,F)라 표현하고 원소는 matrix를 갖도록 하기도 함)

-Linear Lie F-A:Linear Lie Algebra over F

-gl(VS(F))의 F-subA

(Ll이라 쓰자, 필요하다면 Ll(VS(F)))

-sl(VS(F)):Special Lie Algebra over F

-gl(n,F)중에서 trace=0인 것들의 모임

-dim(VS(F))=n일 때 sl(n,F)라 쓰기도 함. 

-sp(VS(F)):Symplectic Lie Algebra over F

 -dim(VS(F))=n=짝수일 때만 정의, def은(link)

(nondegenerate skew-symmetric bilinear form은 항상 matrix form이 (0 1 -1 0)으로 가능하게 해주는 basis존재)

-o(2n+1,F):Orthogonal Lie Algebra over F

-dim(VS(F))=2n+1,홀수일 때만 정의, def은(link)

(nondegenerate symmetric bilinear form은 항상 matrix form이...)

-o(2n,F):Orthogonal Lie Algebra over F

-dim(VS(F))=2n,짝수일 때만 정의, def은(link)

-t(n,F):Upper triangular matrices

-gl(n,F)중에서 UMT모임

-n(n,F):Strictly Upper triangular matrices

-t(n,F)중에서 대각성분조차도 0인 UMT모임

-d(n,F):diagonal matrices

-t(n,F)중에서 DMT모임

-Abelian L

-[x,y]=0 for all x,y in L

-ad_(x,L):inner derivation 

-for x in L, f:L->L, i.e f:y->brk[x,y]는 derivation이 되고 특히 inner derivation이라 한다.

(inner derivation을 제외한 derivation 모두는 outer derivation이라 한다.)

(brk[x,y]나 brk[y,x]나 어떻게 정의하든 derivation이 되긴 함)

-representation of L

-ahomo:L->gl(VS(F))가 존재한다면, 이 ahomo를 representation of L라 한다.

(그리고 이 때 VS(F)를 L-Md VS(F)라고 한다. 

-adj representation of L:the adjoint representation of L

-map:L-> Der(L) s.t. map(x)=ad_(x,L), 이 map을 adj representation of L라 한다.

(representation of L의 예)

-Int(L):inner automorphisms group(char(F) = 0 일 때)(int(E)와 헷갈리지 말것, topology)

-Aut(L)중 exp(nilpotent inner derivation)형태를 inner automorphism of L라 하고 이것만을 모아서 만든 Aut(L)의 subgroup

-Derived Series of L, denoted by L^(n)

-a seq of id, Id0=L, id1=[id0, id0], id2=[id1,id1]...

-Solvable L란

-Derived Series of L에서 idn=0 for some n 일 때

-e_(i,j):=(i,j)성분만 1이고 나머진 0인 MT

-for i<j, e_(i,j)의 level이란 j-i

-d_(i,j)=1(if i=j) otherwise, 0, 즉 kronecker delta function

-RadL:=the maximal solvable ideal(maximal dimension인 ideal 택한 다음에 그게 RadL됨을 보이면 되고, 유일성은 solvable id1+solvable id2=solvable id임을 이용)

-Semisimple L란

-RadL=0

-lower central series of L이란, group에서와 유사, denoted by L^n

-a seq of id, id0=L, id1=[L,id0], id2=[L,id1], id3=[L,id2], ...

-L이 nilpotent란, 

-L^k=0 for some k

-Killing form on L이란(kf나 kf_L이라 하자.)(dimL<inf일 때 정의)

-kf_L:LxL->F, kf_L(x,y)=tr(adxady)(symmetric bilinear form on L이 된다.)


*Topology

-Space, subspace관련

-TS:Topological Space

-top_X:X에서의 topology

-weak top from C={f:a set X->TS}란, C의 원소들이 conti가 되게끔 하는 가장 smallest top_X

-E:basis for top이란

-모든 open set in top이 union of elements of E일 때(empty set 경우는 union of empty collection으로 보고)

-E(x):local basis for x in TS란

-C(x):={all nbd(x)}라 할 때,E(x):subset of C(x) s.t. for any a in C(x), te b in E(x) s.t. b<a 

-Baire TS:Baire Space

-any c-union of closed sets with empty interior has empty interior.

(equivalently, Every nonempty open set is Second-category, 즉 countable union으로 표현됐으면 summand중 nonempty interior인게 존재)

-E:First-category

-E=c-union of nowhere dense subsets

-E:Second-category    

-E:not First-category

-

-surface:top 2-mnf

-curve:top 1-mnf

-Order Topology관련

-Subspace관련

-Product관련

-Prod(TS_i):Product TS

-유한개의 open sets from each TS_i, 그외는 전체 TS_i를 택해서 얻은 sets의 collection을 basis로 하는 top

-Quotient관련

-QS(TS,~):Quotient Space from (TS,~)

-TS에 equivalence relation ~가 있을 때 canonical map f:TS->TS/~을 통해서 TS/~에 top을 준 TS를 QS라 한다.

-TS2 with QT(TS1,f):Quotient Topology on TS2

-J=TS2, f:TS1->J가 onto일 때 f를 통해서 J에 top을 준 topology를 Quotient Topology라 한다. 

-QS(TS,E):Quotient Space from (TS,~) where ~의 equivalence classes가 E랑 E에 없는 singleton인 것들

-Saturation(E,~):Saturation of E

-Saturation(E,~):={x in TS where ~:equivalence relation s.t. x ~ a for some a in E}

(즉 E랑 relate된 것 모두 모은 것)

(f:TS->other TS인 경우의 Saturation(E,~)에서의 ~란, f^(-1)에 의해서 생긴 relation on TS를 생각)

-Saturation(E,~)=E일 때, E를 saturated라 한다.(즉 f:TS1->TS2, E:subset of TS1, E:saturated wrt f란, E=f^(-1)(f(E))일 때)

-Wedge Sum(Product) of {TS_i}란, disjoint union of TS_i한 다음에 각각 1개의 점을 TS_i에서 뽑아서 identification한 것, TS1VTS2혹은 V(TS_i)라 쓰자.

-Suspension of X란, SX라 쓰고, the quotient of Xx[0,1] obtained by collapsing Xx{0} to one point and Xx{1} to another point

-Cone of X란, CX라 쓰고, Xx[0,1]/Xx{0}을 가리킴, 즉 suspension은 two cone의 union

-Join of X,Y란, J(X,Y)라 쓰고, XxYx[0,1]을 quotient under the identifications (x,y1,0)~(x,y2,0) and (x1,y,1)~(x2,y,1)

-the join of n points is a convex polyhedron of dimension n-1이 되고 이걸 simplex라 부른다. Δ^(n-1)라 적는다. 

-LKT2관련

-LKT2:locally compact Hausdorff space

-KT2관련

-KT2:compact Hausdorff space

-CGT관련

-CGT:Compactly generated Topological Space

-E:closed in TS iff for any K, K교E:closed in K

-Retract of TS

-retraction(TS,S)가 conti인게 존재하는 경우 S를 Retract of TS라 한다.

-구체적인 TS

-R(std):real with the standard topology

-{open intervals}을 basis로서 만든 top

-R(l):real with the lower limit topology

-{[a,b)}를 basis로서 만든 top

-Sorgenfrey Plane

-R(l)xR(l) with product top

-R(K):real with K-topology

-R(std)의 top의 각 원소에 {1,1/2,1/3,...}을 빼서 얻은 sets의 collection도 top에 추가시킨 top({1,1/2,1/3,...}을 K라 나타냄)

-Prod(R,n):R^n, with the product topology from the standard topology

-S_Z:minimal uncountable well-ordered set.

-(존재배경은 uncountable set에 well-ordering theorem적용)largest element의 section은 uncountable인데 그 외 section은 countable인 set

-LL:Long Line

-LL=S_Z x [0,1) with dictionary order with deleted smallest element

-Subset관련(open, closed, compact, connected, convex, dense...)

-Gd:countable intersection of open sets

-Fd:countable intersection of closed sets

-nbd(x):neighbourhood of x

-open(x)를 포함하는 set

-open(x):open set containing x

-x를 포함하는 open set

-{E_i}:cover of TS

-a collection of subsets {E_i} of TS s.t. union of E_i = TS 

-{E_i}:open cover of TS

-cover of TS and each E_i:open in TS

-{E'_i}:refinement of cover {E_i}

-cover of TS and each E'_i is a subset of some set in old cover {E_i}

-operation on subset관련

-cl(E):the closure of E

-intersection of all closed sets containing E

-int(E):the interior of E

-union of all open sets contained in E

-ext(E):the exterior of E

-union of all open sets disjoint of E

-Bd(E):Boundary of E

-Bd(E):=cl(E) - int(E)

-E:dense in X

-cl(E)=X

-E:nowhere dense

-int(cl(E))=empty

-pre-K:precompact, i.e. closure가 compact인

-Limit point관련

-x:limit pt of E

-for any open(x), open(x) intersects E at some pt other than x

-Connected관련

-C:connected

-there is no separation

-separation {E1,E2} of TS

-{E1,E2}:a partition of TS s.t. E1:open, E2:open, 둘다 non-empty

-Compact관련

-K:compact

-for any open cover, there is finite subcover.

-E:Limit Point Compact

-임의의 infinite subset J of E has a limit point in E

-E:Sequentially Compact

-임의의 seq in E가 cv인 subseq(limit이 E에 있는)를 가짐

-E:countably compact

-every countable open cover has a finite subcover.

-E:paracompact

-Every open cover has a locally finite open refinement that covers TS

-E:σ-compact

-E=the countably union of compact subspaces

-{f_i}:a partition of unity on TS dominated by {E_i}, f_i:TS->[0,1], {E_i}:indexed open cover

-f_i:conti

-support of f_i < E_i for each i

-{support of f_i}_i:locally finite

-sum f_i (x) = 1 for each x in TS

(4개를 모두 만족할 때를 가리킨다.)

-Convex관련(오직 Strict Total Order Relation을 가진 E에서만 생각)

-V:convex subset(strict total order relation을 가진 E에서만 생각)

-for any x,y in V, (x,y) lies in V

-Local Property관련

-TS:locally connected at x

-TS has a basis at x whose consists of connected open sets

-TS:locally connected

-TS has a basis whose consists of connected open sets

-TS:locally path-connected at x

-TS has a basis at x whose consists of path-connected open sets

-TS:locally path-connected

-TS has a basis whose consists of path-connected open sets

-TS:locally simply connected

-for any x in TS, TS, te nbd(x) s.t. nbd(x):simply connected

-TS:locally compact at x

-te K containing open(x)

-TS:locally compact

-for all x in TS, x:locally compact 

-TS1 locally homeo TS2:locally homeomorphic

-te f:TS1->TS2 s.t. for any x in TS1, te open(x) s.t. f(open(x)) is open is TS2 and restriction f on open(x) is homeomorphism

(이 때 f를 local homeomorphism이라 한다.) 

-{E_i}:collection of subsets of TS가 locally finite

-for any x in TS, te nbd(x) s.t. nbd(x) intersects only finitely many E_i

-Countability관련

-first-countable

-every x in TS has a countable local basis(즉, any x, any open(x)에 대해 open(x)보다 작은 open(x)가 countable개 존재)

-second-countable

-TS has a countable basis

-separable

-TS has a countable dense set

-lindelof

-every open cover has a countable subcover

-Subsets E1,E2의 Separating관련

-E1,E2:topologically distinguishable

-te open set U s.t. U가 E1, E2중 1개만 포함하는

-E1,E2:separated

-cl(E1), cl(E2)가 disjoint

-E1,E2:separated by open nbd

-te open G1, open G2 s.t. G1은 E1포함하고 G2는 E2포함하고 G1, G2:disjoint

-E1,E2:separated by closed nbd

-te closed F1, closed F2 s.t. F1은 E1포함하고 F2는 E2포함하고 F1, F2:disjoint

-E1,E2:separated by conti function

-te conti f:TS->R(std) s.t. f(E1)=0, f(E2)=1

-E1,E2:precisely separated by conti function

-te conti f:TS->R(std) s.t. E1={x in TS s.t. f(x)=0} and E2={x in TS s.t. f(x)=1}

-T_n 분류법 관련

-T0:임의의 서로 다른 x1, x2(즉 E1={x1}, E2={x2})가 topologically distinguishable

-T1:임의의 서로 다른 x1, x2(즉 E1={x1}, E2={x2})가 separated

-T2:임의의 서로 다른 x1, x2(즉 E1={x1}, E2={x2})가 separated by open nbd

-T2.5:임의의 서로 다른 x1, x2(즉 E1={x1}, E2={x2})가 separated by closed nbd

-CT2(Completely Hausdorff):임의의 서로 다른 x1, x2(즉 E1={x1}, E2={x2})가 separated by conti function

-RTS(Regular):임의의 closed E와 x(즉 E1:closed, E2={x})가 separated by open nbd

-RTS+T1이면 T3라 한다.(T0,T1,T2 중 어느것이 되도 상관없음, 이후 일관성 때문)

-CRTS(Completely Regular):임의의 closed E와 x(즉 E1:closed, E2={x})가 separated by conti function

-CRTS+T1이면 T3.5라 한다.(T0,T1,T2 중 어느것이 되도 상관없음, 이후 일관성 때문)

-NTS(Normal):임의의 closed E1, closed E2가 separated by open nbd

-NTS+T1이면 T4라 한다.(T0는 안됨, T1,T2 중 어느 것이 되도 상관없음)

-CNTS(Completely Normal):임의의 separated E1, E2에 대해 E1, E2가 separated by open nbd일 때

-CNTS+T1이면 T5라 한다.(T0는 안됨, T1,T2 중 어느 것이 되도 상관없음)

-PNTS(Perfectely Normal):임의의 closed E1, closed E2에 대해 E1, E2가 precisely separated by conti function

-PNTS+T1이면 T6라 한다.(T0는 안됨, T1,T2 중 어느 것이 되도 상관없음)

-Sequence관련

-seq cv:converge

-sCez:R^N중 eventually zero인것들의 collection(유한개의 terms빼곤 다 0 term인 seq)

-sClz:R^N중 limit이 zero인것들의 collection

-sCcv:R^N중 cv하는 것들의 collection

-Directed Set, Net, Net Convergence관련

-Map관련(Conti, Homeo, Open map, closed map, quotient map, Projection, proper)

-conti:continuous

-f:TS1->TS2가 proper란, conti and f^(-1)(compact subset):compact일 때

-TS1 homeo TS2:TS1 is homeomorphic to TS2

-quotient map f:TS1->TS2

-f:conti and onto and for any subset E2 in TS2, f^(-1)(E2):open이면 E2:open in TS2 

(-f:quotient map iff f:conti and f:surjective and f(saturated open set)=open set)

(-f:quotient map iff f:conti and f:surjective and f(saturated closed set)=closed set)

-topological embedding

-f:TS1->TS2, conti, injective일 때 range(f)를 f(TS1) with the subspace top으로 제한시켰을 때 homeo가 되면 f를 embedding이라 한다.

-Topological Properties관련

-topological property란, homeomorphism에 의해 preserve되는 topology로만 described되는 성질

-Compactification관련

-TS2=compactification of TS1란, TS2:LKT2이고 cl(TS1)=TS2일 때

-for two compactification of TS1, TS2,TS3가 equivalent란, te f:TS2->TS3 s.t. f:homeo and restriction of f on TS1 is identity일 때

-SCcl(TS), TS:T3.5일 때, Stone-Cech Compactification

-ocl:one-point compactification of LKT2

-Functions Collection관련(혹은 Functions Seq관련)(Domain과 Range에 Metric이 없어도 되는 경우)

-fC(J,TS):the collection of all functions from J to TS

-top of pt cv on fC(J,TS):topology of pointwise convergence on fC(J,TS)

-for any x in J, any open G in TS, S(x,G):={f in fC(J,TS) s.t. f(x) in G}인 {S(x,G)}:subbasis for top on fC(J,TS)인 top

-fC(TS1,TS2):the collection of all functions from TS1 to TS2

-fCconti(TS1,TS2):the collection of all conti functions from TS1 to TS2

-KG-top on fCconti(TS1,TS2):compact open topology on fCconti(TS1,TS2)

-for any K in TS1, any open G in TS2, S(K,G):={f in fCconti(TS1,TS2) s.t. f(K) in G}인 {S(K,G)}:subbasis인 top on fCconti(TS1,TS2)


-With Measure

-C4(TS):Borel sigma algebra

-BM:Borel Measure on TS ( (TS,C4) where C4(TS)<C4인 C4, 에서의 measure를 BM이라 정의하도록 하자.)

-inner regular BM이란, for any E in C4, BM(E)=inf{BM(U) s.t. U:open and E<U}

-outer regular BM이란, for any E in C4, BM(E)=sup{BM(K) s.t. K in C4 and K<E}

-r-BM이란, BM:inner regular and outer regular일 때

*Algebraic Topology+Differential Geometry

-Algebraic Topology의 의의:

Category {TS,conti}에서 Category {Group, homog}로 가는 functor를 찾는 것, 여기서 covariant, contravariant functor 등을 찾고 성질 조사

-Homotopy, Homotopy of Paths관련

-f1 =_homotopic f2

-f1:TS1->TS2, f2:TS1->TS2, f1,f2:모두 conti일 때 te conti F:TS1x[0,1]->TS2 s.t. F(x,0)=f1(x), F(x,1)=f2(x) for all x in TS1

(이 때의 F를 homotopy f1,f2라 하자.)

-homotopy f1,f2 relative to E

-(for E in TS1)homotopy f1,f2 s.t. for any t in [0,1], for any x in E, F(x,t)=f1(x)=f2(x)

-f1:nulhomotopic

-f1 =_homotopic f2에서 f2가 constant일 때

-initial point final point가 같은 path1, path2에 대해서 path1 =_phomotopic path2

-두 paths:[0,1]->TS이고 conti이고 te conti F:[0,1]x[0,1]->TS s.t. F(x,0)=path1, F(x,1)=path2, F(0,t)=x_0, F(1,t)=x_1 for all x, t

(이 때의 F를 phomotopy path1, path2라 하자.)

(즉 정의역이 [0,1]이면서 relative to {starting point, end point})

-[TS1,TS2]:=homotopy classes of conti maps of TS1 into TS2

-TS:contractible

-identity:TS->TS가 nulhomotopic일 때

-FHG(TS,x):First Homotopy Group of TS at x 

-phomotopic classes of loop based at x where x in TS

(혹은 fundamental group of TS relative to the base point x라 한다.)

(TS:path-connected인 경우 FHG(TS)라고도 표현하기로 하자. base point가 중요하다면 언급)

-TS:simply connected

-TS:path-connected이고 FHG(TS,x)=trivial group for some x in TS일 때

-homo from (h,x_0)

-h:TS1->TS2, h(x_0)=y_0, h:conti일 때, H:FHG(TS1,x_0)->FHG(TS2,y_0), H:group homomorphism을 얻을 수 있고, 이것을 homo from (h,x_0)라 하자. 

(TS1:path-connected였다면 homo from h만 써도 된다. base point x_0가 무엇이든 안중요함)

-TS1,TS2 have the same homotopy type

-te f:TS1->TS2 and g:TS2->TS1 s.t. f:conti, g:conti, (g o f) =_homotopic identity on TS1, (f o g) =_homotopic identity on TS2

(이때 f를 homotopy equivalence with g, g도 마찬가지로 부름)

-Fiber bundle관련(F,E,B:TS)

-motive:B에다가 F를 product한 product space보다 좀 더 일반적인 걸 도입하고 싶음, 예를 들면 Mobius strip은 cylinder랑은 다르게 global parametrization이 안됨, E를 B의 각점에 F를 붙여서 만든 건데, E의 local은 (B의 open x F)이지만, E=BxF는 아닌 경우 고려하기 위함, 즉 주 관심은 E

-(E,p,B):F-bundle이란(p^(-1(b), F 모두 fiber라 부름, 왜냐하면 homeo니까 구분 안함)

-p:conti(surjective는 당연, bundle이므로), 즉 E의 B부분의 좌표는 항상 안다는 것

-every fiber is homeo to F, 즉 E는 B의 각 점에다가 F를 붙인 것

-for any x in E, te (U,V,f) s.t. U:p^(-1)(V)(따라서 nbd(x)), V:nbd(p(x)), f:U->VxF, homeo and proj_1 o f =p

((V,f)를 local trivialization이라 한다.)

((B,f_x) as local trivialization으로 잡을 수 있다면 (E,p,B):F-trivial bundle이라 한다.)

-(E1,p1,B1):F1-bundle (E2,p2,B2):F2-bundle일 때 f:E1->E2, g:B1->B2 s.t. p2 o f = g o p1일 때, (f,g)를 bundle map이라 한다.

-g는 f에 의해 determined되므로 f를 bundle map이라 하자.

-f^(-1)도 bundle map되면, f를 bundle isomorphism이라 한다.


-(E,p,B):R^k(std)-vector bundle이란

-(E,p,B):R^k(std)-bundle

-every fiber has the structure of a k-dim VS(R), 즉 fiber가 R^k(std)와 homeo이고 linear iso

-local trivialization (V,f), restriction of f on fiber가 linear isomorphism

(k=1일 때 line bundle이라 한다.)

-(E1,p1,B1), (E2,p2,B2)가 vector bundle일 때는 기존 bundle map f가 다음을 만족할 때 bundle map이라 한다.

-restriction of f on fiber가 linear map일 때

-for U:open in B, local section of p over U이란, f:U->E s.t. p o f = id_U

-global section of p란, f:B->E s.t. p o f = id_B

-for U:open in B, local frame for E over U란, ordered-tuple of local sections of p over U s.t. ordered tuple at b = basis for p^(-1)(b) for each b in U

(U=B일 땐 global frame for E라 한다.)

(sections가 smooth로 이루어져있으면 smooth local/global frame이라 함)

-(M1,p,M2):smooth R^k(std)-vector bundle이란

-(M1,p,M2):R^k(std)-vector bundle이고

-p:smooth

-local trivialization이 diffeo도 되게 choose할 수 있을 때

-(E1,p1,B1), (E2,p2,B2)가 smooth vector bundle일 때는 기존 bundle map f가 다음을 만족할 때 bundle map이라 한다.

-restriction of f on fiber:linear이고

-f,g:smooth일 때

-f^(-1)도 bundle map이고 f가 diffeo이면 f를 smooth bundle isomorphism이라 한다. 

-SGS(p):the set of all smooth global sections:M2->M1

-(TM,p,M)관련

-TM=disjoint union of the tgs_p at all p in M, TM은 smooth mnf될 수 있꼬 p:TM->M natural projection은 smooth map이 된다.

-section of p를 이경우 특별히 Vector Field라 한다. vf_U(x), vf_U:U->TM, (U:open in M)

-for any f in C^inf(U), vf_U(f):U->R(std), 따라서 vf_U:C^inf(U)->C^inf(U)이고 derivation이다.

(rv-bundle다른 것과는 특별히 구분되는 성질, TM에서의, section이면서 derivation이다.)

-SGS(p)를 VF(M)라 하자. 즉 all smooth vf on M

-F:M1->M2, smooth, vf1 in VF(M1), vf2 in VF(M2)일 때, vf1,vf2:F-related란

-for any x in M1, pf_x(F)(vf1(x))=vf2(F(x))

-local frame for M, 더이상 말하지 않아도 (TM,p,M)에서의 local frame을 가리킨다.

-global frame for M도 마찬가지

-M:parallelizable이란, smooth global frame for M이 존재할 때

-(CTM,p,M)관련

-CTM은 disjoint union of the ctgs_p at all p in M, CTM은 smooth mnf될 수 있고, p:CTM->M natural projection은 smooth map이 된다.

-section of p를 이경우 특별히 Covector Field라 한다. 

(cvf_U(x)대신에 cvf_(U,x)라 쓰자. (x)라 쓰면 linear functional에 x넣은 것과 오해됨 (U:open in M)_

(혹은 cvf_U, cvf_x만 쓰기로 하자.)

(별말 없으면 smooth cvf만 생각)

-local frame for M을 CTM에서는 local coframe for M over U라고도 한다.

-global coframe for M도 마찬가지

-SGS(p)를 CVF(M)라 하자. 즉 all smooth cvf on M

(cvf를 생각시 가장 중요한 application은 first partial derivatives가 component of cvf로 간주될 수 있다는 것이다.)

-for U:open in M, x in U, f in C^inf(U), df_(U,x)란? called the differential of f

-df_x:tgs_x(M)->R(std), df_x(tgv_x):=tgv_x(f)

(vf_U에 f 넣은것과 비교)

(즉 pf_x(f)인 것, 단지 f의 codomain이 R(std)일 땐 differential이라 부르자는 것)

-for any x in M, cvf_(M,x) = df_x일 때, cvf를 exact라 한다. 그리고 f를 cvf의 potential이라 한다. 

-for any x in M, cvf_(M,x)가 conservative란, lint over any closed piecewise smooth curve segment cvf is zero일 때

-cvf가 closed란, chart잡고 coordinate로 표현했을 때, 계수들의 미분이 뭔가 만족할 때(link)


-Covering관련

-(f:TS1->TS2, conti, onto일 때)E:open in TS2가 evenly covered by f

-f^(-1)(E)=union of disjoint open sets in TS1 where the restriction of f on each open set is a homeomorphism onto E

-f:TS1->TS2:covering map of TS2

-f:conti, surjective, for any y in TS2, te open(y) s.t. open(y):evenly covered by f일 때 f를 covering map of TS2라 하고 TS1을 covering space라 한다. 

(주관심은 TS2)

(즉 total=TS1, base=TS2, projection=f(local homeo인)이고 fiber=discrete인 fiber-bundle이다.)

-lifting correspondence_(f,x1)

-f:TS1->TS2:covering map of TS2, f(x1)=x2일 때, h:FHG(TS2,x2)->f^(-1)(x2) s.t. h([loop]):=the end point of lift(loop) to TS1인 h를 lifting correspondence_(f,x1)라 한다.

(lifting correspondence는 x1의 choice에 depend)

-f:TS1->TS2 covering map of TS2, TS2가 simply connected이면 TS1을 universal covering space라 한다.


-Deformation관련

-S:Deformation Retract of TS

-te homotopy identity on TS, retraction(TS,S)

(이 homotopy를 Deformation Retraction of TS onto subspace S라 한다.)

-S:Strong Deformation Retract of TS

-te homotopy identity on TS, retraction(TS,S) s.t. F(x,t)=x for all t, for all x in S

-Topological Group관련

-TG:topological group

-G이고 having two operation(multiplication, inversion) s.t. multiplication:GxG->G, inversion:G->G 각각 continuous게 되게하는 top을 가진 TS, 즉 G이면서 TS

-subTG:subgroup of TG

-topological subspace이면서 subgroup인 경우

-homotg:TG1->TG2 homomorphism of TG1, TG2

-homog이면서 continuous

-SME:Symmetric Subset E

-E=E^(-1)일 때 E를 symmetric이라 한다. (E^(-1):={g^(-1) s.t. g in E})

(혹은 inversion에 preserve되는 subset)

-SME(g):Symmetric subset 이면서 nbd(g)인 것, 특히 SME(e)를 많이 씀

-Topological Manifold관련

-top n-mnf:topological manifold of dimension n

-T2이고 second-countable이면서 locally euclidean of dimension n

(locally euclidean of dimension n이란, every x in top n-mnf has open(x) that is homeo to an open subset of R^n(std))

-chart(top n-mnf, open, f):a coordinate chart on top n-mnf

-(open,f)를 가리킨다. where open:open set in top n-mnf이고 f:open->an open in R^n(std)가 homeomorphism

(top n-mnf정의에 따라, for any x in top n-mnf, te open(x) s.t. open(x):domain of a chart)

(open을 coordinate domain이라 한다. f를 (local)coordinate map이라하고, f의 component functions을 local coordinates on open이라 한다.)

(f(open):open ball일 땐 open을 coordinate ball이라 한다.)

-chart(top n-mnf, open, f)가 centered at p란

-te p in coordinate domain s.t. f(p)=0

-orientable top n-mnf란, te maximal atlas s.t. all transition functions have positive jacobian matrix


-Smooth Manifold관련(Topological Manifold+Smooth Structure)

-transition(chart1,chart2):transition map from chart1 to chart2

-chart1과 chart2가 같은 top n-mnf의 chart이고 각각의 coordinate domain U1, U2 coordinate map f1, f2라 할 때, f2 o (f1)^(-1) : f1(U1교U2)->f2(U1교U2)

(편의상 transition((U1,f1),(U2,f2))라 쓰기로 하자.)

(정의로부터, transition은 homeo이다.)

-chart1, chart2:smoothly compatible

-chart1(top n-mnf,U1,f1), chart2(topn-mnf,U2,f2)일 때, U1교U2=empty or transition(chart1,chart2):diffeo일 때

-atlas(top n-mnf):atlas for top n-mnf

-collection of charts whose coordinate domains cover top n-mnf(즉 union해서 전체 space일 때)

-smooth atlas(top n-mnf)란

-any two charts in atlas가 smoothly compatible

-maximal atlas(top n-mnf)란

-smooth atlas(top n-mnf)이면서 not contained in any strictly larger smooth atlas(complete smooth atlas(top n-mnf)라고도 함)

(이때 maximal atlas의 원소를 smooth chart라 한다.)

-(top n-mnf, maximal atlas), 이 2개가 함께 있을 때 smooth manifold라 한다. maximal atlas를 explicitly 표현할 필요는 자주 있지 않음, mnf라 하자.

(smooth란 말 없이 쓰자, 자주 나오므로)

-prod(mnf1,mnf2)란, cartesian product하면 top-manifold되고, smooth structure는 다 product map으로써 만든 것

-for any V:f-dim VS(R(std)), te standard smooth structure on V

(any norm은 equivalent이니까 아무 norm잡아서 만든 top는 다 같고, 이후 smooth structure를 만들면 된다.)

(atlas를 어떻게 주냐면 n=dim(V)일 때 basis for V를 잡을 때 마다 생기는 E:V->R^n(std), linear isometry(homeo도 되는), {(V,E)}로 atlas)

(어떤 basis를 잡더라도 같은 smooth structure를 주므로 natural한 개념임)

-function on mnf(M:mnf)

-f:M->R^m(std)가 smooth란, for any x in M, te smooth chart (U,g) s.t. x in U and f o g^-1:g(U)->f(U)가 smooth(R^n->R^m의 smooth)일 때

-C^inf(M)이란, {f:M->R(std) s.t. f:smooth}의 모임

-f:M1->M2가 smooth란, for any p in M1, te smooth charts (U,g) in M1 containing p and (V,h) in M2 containing f(p) 

s.t. f(U)<V and h o f o g^(-1):g(U)->h(V)가 smooth일 때

(이 때 M1이 interval in R(std)일 때 f를 smooth curve라 한다.)

-f:M1->M2가 diffeo란, bijective이고 smooth이고 inverse도 smooth일 때

-for smooth f:M1->M2, rank of f at p in M1이란, pf_p(f)가 linear map이 되는데 그것의 rank를 가리킴

(for any p in M1, rank of f가 일정하면 f has constant rank라 하고, rank(f)=k라 적는다.)

-for smooth f:M1->M2, f가 submersion이란, pf_p(f)가 surjective for any p in M1일 때(constant rank인)

-for smooth f:M1->M2, f가 immersion이란, pf_p(f)가 injective for any p in M1일 때(constant rank인)

-for smooth f:M1->M2, f가 smooth embedding이란, f가 topological embedding이면서 immersion일 때(constant rank인)

-for smooth f:M1->M2, p in M1일 때 p:regular pt of f란, pf_p(f)가 surjective일 때

(p:critical pt of f란 not regular pt일 때)

-for smooth f:M1->M2, p in M2일 때 p:regular value of f란, f^(-1)(p)의 모든 점이 regular pt of f일 때

(그리고 그 때 level set를 regular level set이라 한다.)

(p:critical value of f란 not regular value of f일 때)

-기타:

-section(vf,cvf),frame

-Line Integral of covector field w on M over smooth curve r in M

-r:[a,b]->M, smooth, w:cvf_(M)일 때 lint over r w := lint over [a,b] pb_(r)(w2) = int from a to b w2_(r(t))(r'(t))dt

(Line integral of scalar field f on M over smooth curve r in M은 lint over r f = int from a to b f(r(t))r'(t)dt)

(Line integral of vector field vf on M over smooth curve r in M는 lint over r vf = int from a to b <vf(r(t)),r'(t)> dt)

-function on C^inf(M)(M:mnf)

-for smooth f:M1->M2, pullback of f란, pb(f):C^inf(M2)->C^inf(M1)

-for smooth f:M1->M2, pullback of f at f(p)란, pb_(f(p),f):ctgs_f(p)(M2) ->  ctgs_p(M1), pf_p(f)의 dual로써 정의됨

-for M:mnf, p in M

-derivation at p란, A:C^inf(M)->R(std), linear, A(fg)=f(p)A(g)+A(f)g(p) 인 A를 가리킴

-tgs_p(M):={all derivation at p}, called tangent space at p, 그리고 원소를 tangent vector at p라 함

(tgs_p(M)의 원소를 tv_p라 하자.)

-for M:mnf

-derivation이란, A:C^inf(M)->C^inf(M), linear, A(fg)=fA(g)+A(f)g for all f,g in C^inf(M)

(vf가 derivation의 예)

-function on tgs_p(M)(M:mnf)

-for smooth f:M1->M2, pushforward of f at p란, pf_p(f):tgs_p(M1)->tgs_f(p)(M2), 

-ctgs_p(M):=(tgs_p(M))^*, dual space, called cotangent space at p

(ctgs_p(M)의 원소를 ctv_p라 하자.)

-for f in C^inf(U), df_p:tgs_p(M)->R(std)

-submanifold관련(M:n-mnf, E:subset of M)

-for E:open in M, E:open submanifold of M(atlas를 아주 자연스럽게 주면 됨)

-E:embedded k-submanifold of M

-for any x in E, te smooth chart (U,g) 

s.t. x in U and g(U교E)={(x_1,x_2,...,x_k,x_(k+1),...,x_n) s.t. x_(k+1)=c_(k+1), x_(k+2)=x_(k+2), ... ,x_(n)=c_n for some constants c_i}

(이때 n-k를 codimension of E in M이라 한다.)

(embedded (n-1)-submanifold of M을 embedded hypersurface라 한다.)

-E:Immersed k-submanifold of M

-E with a k-manifold topology(not necessarily the subspace topology) 

together with a smooth structure s.t. inclusion:E->M가 smooth immersion

-covering관련(M:mnf)

-f:M1->M2가 smooth covering map of M2란

-f:M1->M2에서의 covering map of M2이면서 local diffeo일 때(즉 every p in M1 has a nbd(p) s.t. restriction of f onto nbd(p):nbd(p)->its image : diffeo)

-tgs, ctgs, vf, df등에 관한 이해

-고려대상:M, M위의 점, M위의 함수, M위의 점마다 방향

-연습대상:p, tgs_p, vf_U(x), vf_U(f), df_p, ctgs_p, cvf_(U,x), cvf = a dx + b dy

-Complex manfiold관련

-for X:TS, complex chart on X란, f:U->V, U:open in X, V:open in C, f:homeo일 때, f를 가리킨다.

-chart1, chart2가 compatible이란, chart2 o chart1^(-1)가 holomorphic일 때(혹은 정의역이 공집합이거나)

-complex atlas on X란 pairwise compatible complex charts의 collection이고 domain의 union이 X일 때

-A complex structure on X란, a maximal complex atlas on X

-Riemann Surface란, T2이고 second-countable이고 complex structure를 가질 때 그리고 connected

(즉 complex manifold of dimension one을 가리킨다.)

(connected일 때를 주로 다루니 connected도 포함시키는게 편해서 넣은 것)

-Complex Plane이란, C(as topologically R^2(std))에서 {f:U->V s.t. U:open in R^2(std), V:open in C, f(x,y)=x+yi}을 complex structure로 가질 때의 C를 가리킨다.

-Riemann Sphere란, UO2 with complex structure {f:UO2 - {(0,0,1)} -> ~~, g:UO2 - {(0,0,-1)} -> ~~}

-An n-dimensional complex manifold란, T2이고 second-countable이고 n-dimensional complex structure를 가질 때 그리고 connected

-Lie Group관련(M:mnf)

-LG:Lie group이란, 

-LG:smooth manifold and group(multiplication과 inverse가 smooth map인)

-f:LG1->LG2가 homoLG란(called Lie group homomorphism)

-f가 homog이면서 smooth

-f:LG1->LG2가 lgiso란(called Lie group Isomorphism)

-f가 homog diffeo이고 inverse도 homog diffeo

-act_M by LG:conti란, LGxM->M이 conti(M:LG-space라 한다.)

-이 때 M을 LG-Space라 함

-act_M by LG:smooth란, LGxM->M이 smooth(M:smooth LG-space라 한다.)

-이 때 M을 Smooth LG-space라 함

-LG:discrete란

-countable set with discrete top(따라서 zero-dimensional인 LG)

-subLG of LG란

-subLG:subset of LG and inclusion이 immersion이고 homog일 때

-for vf in VF(LG), vf가 left-invariant, L_g:LG->LG, L_g(g1)=g*g1, 즉 left translation by g라 할 때, pf(L_g)(vf_g1)=vf_(g*g1) for all g, g1 in LG일 때

-Lie(LG):={all left-invariant vf}, called Lie algebra of LG라 한다.

-left-invariant frame of LG란, Lie(LG)의 basis로 만든 smooth global frame을 가리킨다.(LG는 항상 parallelizable이라 가능)

-M1:LG-space, M2:LG-space일 때 F:M1->M2가 equivariant란

-F(gp)=gF(p) for all g in LG, p in M1




*Metric Space

-Space관련

-(MetricS,d):Metric Space with the metric d, d의 언급이 필요없을 시 MetricS라 하자.

-(CMetricS,d):complete metric space with the metric d, d의 언급이 필요없을 시 CMetricS라 하자.

-every cauchy seq in (MetricS,d) cv일 때.

-(KMetricS,d):Compact Metric Space with the metric d, d의 언급이 필요없을 시 KMetricS라 하자.

-cl(MetricS):the completion of MetricS

-f:(MetricS1,d1)->(CMetricS2,d2)이 isometry일 때, cl(f(MetricS1))를 completion of MetricS1이라 한다.

-totally bdd:totally bounded

-(MetricS,d)가 totally bdd란 for any eps>0, te finite covering by eps-balls.

-Metric관련


-d_sb:the standard bounded metric corresponding to d.

-d_sb(x,y):=min(1,d(x,y))

-diam(E):diameter of E

-diam(E):=sup{d(x,y)} over x in E and y in E

-isom(MetricS1,MetricS2):isometry from MetricS1 to MetricS2

-distance preserving하는 f:(MetricS1,d1)->(MetricS2,d2)

-Continuous, Map관련

-uni conti:uniform continuous

-contraction on (MetricS,d)

-f:(MetricS,d)->(MetricS,d), te 0<=a<1 s.t. for all x,y in (MetricS,d) d(f(x),f(y))<=a*d(x,y)일 때, f를 contraction on (MetricS,d)라 한다.

-Functions collection관련(혹은 functions seq관련)(Range에 Metric이 있는 경우)


-fC(J,MetricS)에서 정의되는 것들

-{f_n}이 uni cv:uniformly convergence of functions seq

-E:subset of fC(J,(MetricS,d)), E가 pt bdd란, for any x in J, any f in E, {f(x)}:bdd under d일 때

-d_uni:the uniform metric on fC(J,(MetricS,d))

-for f1, f2 in fC(J,(MetricS,d)), d_uni(f1,f2):=sup(d_sb(f1(x),f2(x)) over x in J

(이걸로 만든 top을 uni top이라 한다.)

-fC(TS,MetricS)에서 정의되는 것들

-top of K cv on fC(TS,(MetricS,d)):topology of compact convergence

-for any compact K in TS, any f in fC(TS,(MetricS,d)), any eps>0, B(K,f,eps):={g in fC(TS,(MetricS,d)) s.t. d_sup(f,g)<eps}인 {B(K,f,eps)}:basis for  top on fC(TS,(MetricS,d))인 top

-fCbdd(J,MetricS)에서 정의되는 것들

-d_sup:the sup metric on fCbdd(J,(MetricS,d))

-for f1, f2 in fCbdd(J,(MetricS,d)), d_sup(f1,f2):=sup(d(f1(x),f2(x))) over x in J

-fCbdd(TS,MetricS)

-fCconti(TS,MetricS)에서 정의되는 것들

-equiconti at x:equicontinuous at x

-x in TS, E:subset of fC(TS,(MetricS,d)), E가 equiconti at x란 for any eps>0, te nbd(x) s.t. for any f in E, any y in nbd(x), d(f(y),f(x))<eps

(at x가 없단 말은 for all x in TS인 경우)

-fCcontibdd(TS,MetricS)

-fCcontiV(TS, R(std)):the collection of all conti functions from TS to R(std) s.t. eps {x in TS||f(x)|>=eps} is compact

-E:subset of fCcontiV(TS,R(std))가 vanish uniformly at infinity란 for any eps>0 te K in TS s.t. |f(x)|<eps for any f in E any x in TS-K

-fCcontiV(TS, C):the collection of all conti functions from TS to C s.t. eps {x in TS||f(x)|>=eps} is compact

-fCcontiKS(TS,R(std)):the collection of all conti functions from TS to R(std) with compact support

-fCcontiKS(TS,C):the collection of all conti functions from TS to C with compact support

*Topological Vector Space

-Space관련

-TVS(F):topological vector space over F

-vector space over F이면서 vector addition이랑 scalar multiplication이 conti인 top을 갖고 있을 때

(이 때 F 자체도 usual top을 갖고 있을 때를 생각하고, vector addition, scalar multiplication의 각 domains은 product top을 생각)

(te B_0 s.t. elements가 symmetric and balanced, absorbing, 

-LCTVS:locally convex TVS

-te B_0 s.t. elements가 convex인

-LBTVS:locally bounded TVS

-te E in B_0 s.t. E:bounded

-LKTVS:locally compact TVS

-te E in B_0 s.t. E:pre-K

-NMTVS:normable TVS

-it can be endowed with a norm whose induced metric is compatible with 기존 top

-Subset관련

-B_0:local basis for 0

-E:bdd란, for all O:nbd(0), te a in F s.t. aE<O

-E:blc란(balanced), for all a in F s.t. |a|<=1, aE<E

-E:symmetric이란, E=(-E)

-GV:open convex subset

-supporting function

-sf(GV):supporting function of open convex GV containing 0(set function을 가리키는 sf와 헷갈리지 않도록)

-sf(AV):supporting function of absorbing convex AV containing 0

-(TVS)^*관련, Dual

-LF(TVS)가 conti란, 

*Normed Vector Space

-Space관련

-NVS(F):normed vector space over F(별말없이 BS는 over R)

-VS(F), F:subfield of C, with norm || ||

-norm은 3가지 조건 만족(separates pts, absolute homogeneity, triangle inequality)하는 || ||:VS(F)->nnn R인 function

(Vector Space에 Norm이 있어서 Metric생기고 그래서 topology도 있는 상황, NVS의 이해)

(NVS(R(std))와 NVS(C)위주로 정리, 그 외는 생각하지말고)

(별말없으면 zero VS는 생각하지 않도록 한다. 그래야 불필요한 명제가 없어진다.)

-completion of NVS(F):NVS를 포함하면서 가장 작은 BS   

-seq {x_n} in NVS가 abs cv란 sum from i=1 to i=inf ||x_n||가 finite

-NVS(F)의 2 norms가 equivalent

-|| ||_1과 || ||_2이 equivalent if te L>0 and U>0 s.t. for x in NVS(F), L||x||_1<=||x||_2<=U||x||_1

-NVS:uniformly convex란

-for any 0<eps<=2, te 0<d<=1 s.t. for any x,y in NVS with ||x||=1 and ||y||=1, if ||x-y||>=eps, then ||(x+y)/2||<=1-d

(not uniformly convex의 예로는 R^2(std)에서 square metric줬을 때 생각, 하지만 ball metric일 땐 uniformly convex됨)


-BS(F):Banach Space over F(별말없이 BS는 over R), complete NVS(F)

-NVS(F)는 norm이 있으니까 metric이 있고 따라서 top이 있고 그 top이 complete(cauchy seq는 cv)할 때

-NVS:reflexive란, Ev_NVS가 onto일 때, 즉 NVS iiso dd(NVS)일 때(따라서 사실 NVS가 reflexive이면 일단 BS였었던 것)

-Semi IPS(F):VS(F) with semi-inner product <,>

-<x,x> = 0 이라해서 x=0인진 모름

-IPS(F):inner product space over F

-FC or R(std)이고 VS(F) with inner product <,>:VS(F)xVS(F)->F

-inner product는 symmetric bilinear form with positive-definite or Hermitian form with positive-definite(따라서 form의 용어들을 그대로 쓸 수 있음)

-for x,y in IPS(F), x,y:orthogonal이란 <x,y>=0

-for E1, E2 subsets of IPS(F), E1,E2:orthogonal이란, for any x1 in E1, x2 in E2, <x1,x2>=0

-for E subset of IPS(F), E:orthogonal set이란, for any distinct x,y in E, <x,y>=0 

-for f:LT(IPS(F))일 때 adjoint of f란?(adj(f)라 쓰자.)

-<f(v1),v2>=<v1,adj(f)(v2)> for all v1,v2 in IPS(F)일 때 LT(IPS(F))인 adj(f)를 가리킨다.

-for f:LT(IPS(F))일 때 f:self-adjoint(혹은 hermitian이라고도함)란?(f=adj(f)라 쓰든가, f in HLT(IPS(F))라 하자. H는 Hermitian이라 함)

-adj(f)=f일 때

-for f:LT(IPS(F))일 때 f:unitary란

-f:ipiso on IPS(F)

-for f:LT(IPS(F))일 때 f:strictly monotone이란

-for any distinct x,y in IPS(F), <f(x-y),(x-y)> > 0일 때

-for IPS(F):G-Md, <,>가 G-invariant란

-<v1,v2>=<gv1,gv2> for all v1,v2 in IPS(F), for all g in G

-for IPS1(F), IPS2(F)가 ipiso란

-f:IPS1(F)->IPS2(F), isomorphic as a vector spaces and f preserve inner product인 f가 있을 때(iiso보다 강한 조건)

-HS(F):hilbert space

-IPS(F)가 inner product를 갖고있으니 norm을 갖고 따라서 metric을 갖고 따라서 top을 갖고 그 top이 complete(cauchy seq는 cv)할 때


-Transformation관련

-LT(nvs1,nvs2)인 F가 bdd

-te C>=0 s.t. for any x in nvs1, ||F(x)||_2<=C*||x||_1

(즉 bdd에서의 F값은 bdd하게)

-LT(nvs1,nvs2)인 F의 norm정의될 수도 있음 using || ||_1 and || ||_2

-||F||:=inf{C>=0 s.t. ||F(x)||_2<=C*||x||_1}

(||F||<inf인 F를 bdd라 하는 것)

-LT(nvs1,nvs2)인 F가 linear isometry란

-||F(x)||_2=||x||_1 for any x in nvs1(이경우 F는 injective가 자동으로 됨)


-Continuous, Isomorphic관련

-NVS1 tiso NVS2:NVS1, NVS2 are topologically isomorphic

-isomorphic as vector spaces and homeomorphic as topological spaces using one mapping

(즉 bijective, linear, conti이면서 inverse도 linear, conti인 map존재)

-NVS2 iiso NVS2:NVS1, NVS2 are isometrically isomorphic

-isomorphic as vector spaces and isometric as metric spaces

(즉 bijective, linear, isometry이면서 inverse도 linear, isometry인 map존재)

-Functions Collection관련

-LTCconti(NVS1,NVS2):collection of all conti LT(NVS1,NVS2)

-About BS

-

-About LT(BS1,BS2)

-f:LT(BS1,BS2)가 compact란, for any bdd subset E1 in BS1, f(E1):pre-K

(특히 inclusion이 compact일 땐 BS1 <_compact BS2라 하자.)

-About topologies

-top1:=NVS를 TVS로 봤을 때 얻은 top

-top2:=weak top from (NVS)^*(weak top of X라 함)

-top3:=induced from norm(strong top이라 함)

-for {x_n} in X:NVS, {x_n}:cv weakly to x란, {x_n}:cv in the sense top2 to x, 즉 for any f in X^*, lim n->inf f(x_n) = f(x)

-X:NVS, E:weakly bdd란 if for any x in E, sup over all f in X^* |f(x)|<inf

-About nvs^*, Dual space관련

-(nvs(F))^*:={all bdd LF(nvs(F))} dual space of nvs(F)라 한다.

(주의:bdd한 LF모은 것임)

-top1:=

-top2:=weak top from {Ev_X(x)}(weak^* top of (NVS)^*라 함)

-top3:=weak top from (NVS)^**(weak top of (NVS)^*라 함)

-top3:=induced from norm in (NVS)^*

-for {f_n} in (X:NVS)^*, {f_n}:cv weak^* to f란, {f_n}:cv in the sense top2 to f, 따라서 for any x in X, lim n->inf f_n(x) = f(x)

*Applications 

*Combinatorics

-분할 관련

-ptt(n):partition of n>=1 integer

-a decreasing seq of positive integer whose sum is n

-ptt(n)=(a1,a2,a3,...,ak)로 표현하거나, ptt(n)=(a1번,a2번,...,ak번), 후자는 1이 a1번, 2가 a2번, ...쓰였는 ptt(n)를 가리킴

-ptt'(n)=(a'1, a'2, ..., a'k)라 하면, ptt(n)의 transpose를 가리킴, 

-ptt(n)_k:partition of n into exactly k parts

-ptt(n)_o:partition of n with all parts odd

-ptt(n)_e:partition of n with all parts even

-ptt(n)_d:partition of n with all parts distinct

-PTT:=the set of all partitions

-PTT(n):=the set of all partitions of n

-PTT has partial order

-lexicographic order <_lexi, ptt1 <_lexi ptt2 if te k in N s.t. ptt2_k > ptt1_k and ptt2_i = ptt1_i for i<k

-dominance order <_d, ptt1 <_d ptt2 if for any k>=1 sum from i=1 to i=k ptt2_i >= sum from i=1 to i=k ptt1_i

-cps(n):composition of n>=1 integer

-a seq of positive integer whose sum is n

-#ptt(n):the number of all partitions of n>=1

-rank of ptt:rank of partition, largest part - part개수, 즉 ferrar diagram으로 봤을 때, 1행크기  - 행 개수, 즉 가로 - 세로

-C(n,k):n choose k

-CC(n,k):n choose k with repetitions

-DF(m,n):decreasing factorial

-DF(m,n):=m * (m-1) * ... * (m-(n-1))

-IF(m,n):increasing factorial

-IF(m,n):m * (m+1) * ... * (m+(n-1))

-Q-analog관련

-[n]_q:q-number of n

-[n]_q:=(1-q^n)/(1-q)

-[n]_q!:q-factorial

-[n]_q!:=[1]_q * [2]_q * ... * [n]_q

-DF(m,n)_q:q-shifted factorial

-DF(m,n)_q:=(1-m) * (1-m*q) * (1-m*q^2) * ... * (1-m*q^(n-1))

-C(n,k)_q:q-binomial coefficients

-C(n,k)_q:=[n]_q!/([n-k]_q! * [k]_q!)

-ef(q):Euler function

-ef(q):=prod over n>=1 (1-q^n) = (1-q)(1-q^2)(1-q^3)...

-Polygonal Number

-P(s,n), 정 s각형을 n번 gnomon해서 만들었을 때 vertex 개수

-s=3일 때 triangular number, s=4일 때 square number, s=5일 때 pentagonal number

-s=5일 때 n=0, -1, -2, ...에서의 값도 생각한다면 generalized pentagonal number라 한다.


-Generating Function of some objects

-gf_obj(x):generating function of obj with variable x

-Tableaux

-Tb(a1,a2,a3,...):ptt(n)을 box로 쓴 것, young diagram, ferrar diagram, 등이라고 불린다.

-Tb1 - Tb2란, Tb1에 포함되는 Tb2를 제외시킨 young diagram, called skew diagram

-Tb1 boxes중 right and below에 Tb1의 box가 없는 box를 outside corner라 한다.

-Tb2 boxes중 right and below에 Tb2의 box가 없는 box를 inside corner라 한다.

-conj(Tb(a1,a2,a3,...)):the conjugate of Tb

-tr(Tb(a1,a2,a3,...)):the trace of Tb, diagonal에 있는 box개수

-ST_(shape):Standard Tableau, Tb(a1,a2,a3,...)의 각 box에 1,2,3,4,...,n을 채운 것

-SST:=the set of all semistandard tableaux

-weight of sst란, (sst의 box중 1의 개수, 2의 개수, ...)

-SST_(shape, weight):=the set of all semistandard tableau of shape with weight

-sst_(shape, weight):a semistandard tableaux

-word_r(sst), called the row word of sst, from left to right, from bottom to top

-elementary Knuth transformation K', xyz -> (if y>z and x>z, then) xzy

-elementary Knuth transformation K'', xyz -> (if y>z and x<=z, then) yxz

(그냥 Knuth transformation이라 하면 K', K'', their inverse를 가리킨다.)

(sst에 row bumping하고 난 다음 word 구하는 것을, word차원에서 구하기 위해 도입됨)

-two words가 Knuth transformation이라하면, word에 elementary Knuth transformation을 유한번 적용시켜 다른 word를 얻을 때

-sst(word)란, every word is knuth equivalent to the word of a unique sst이기 때문에, 그때 unique sst를 sst(word)라 쓰자.

-skew sst란, sst1 - sst2가 아니라, skew diagram Tb1 - Tb2에 semistandard tableaux처럼 채운 것, row는 weakly inc, column은 strictly inc

-skew sst에서 sliding이란 연산은, inside corner에 위치한 box를 택해서 시작, right, below에 위치한 boxes중 작은 것과 위치를 바꾸는 걸 가리킨다. 이것을 right, below에 숫자가 없을 때까지 한다.

(만약 right, below에 위치한 two boxes의 숫자가 같으면 below와 위치 바꿈, 그래야 sst유지됨)

(right, below 둘중 1군데에만 숫자가 있다면 그것과 바꿈)

-Rect(skew sst)란, called rectification of skew sst, skew sst에서 inside corner가 없을 때까지 sliding해서 얻은 sst를 가리킨다.

-word_r(skew sst), called the row word of skew sst from left to right, from bottom to top

-K_(shape, weight)란 |SST_(shape, weight)|, called the Kostka number)

-x _r> sst, called row-insertion or row bumping

-step 1 x가 first row에서 가장 크거나 같다면, first row의 가장 오른쪽에 x를 붙인다. done

-step 2 x가 first row에서 가장 큰게 아니면, x보다 큰 놈들 중 가장 왼쪽인 놈을 x로 바꾸고 원래 있던 x'을 second row에 apply한다.

-이때 갈아치워진 box의 위치자국들을 bumping route by x라 하자.

-x _c> sst, called column-insertion or column bumping

-step 1 x가 first column에서 가장 크다면, first column의 가장 밑에 x를 붙인다. done

-step 2 x가 first column에서 가장 큰게 아니면, x보다 같거나 큰 놈들 중 가장 윗쪽인 놈을 x로 바꾸고 원래 있던 x'을 second column에 apply한다.


-sst1*sst2, product of sst

-def1, sst1*sst2, sst2의 from bottom to top, from left to right

-def2, sst1*sst2, sst1을 하단에, sst2를 우측에 두어 만든 skew sst의 rectification 

-def3, sst1*sst2, sst(word_r(sst1)word_r(sst2))

(def1,def2,def3모두 agree)

-TbR_[m], called the sst ring with entries [m]

-M1={all knuth equivalence class of words on [m]}, then M1:associative Z-monoid

-M2={all words on [m]}, then M2:free Z-monoid, M2/R Z-monoid isomorphic to M1

-M3={all sst with entries [m]}, then M3 isomorphic to M1

-FAG(M3)를 TbR_[m]이라 한다. 


*Graph Theory

-Basic(별말없으면 Simple Graph만을 다루도록 하자.)

-V(G):vertex set, {v1,v2,...,vn}

-|G|:=|V(G)|, called order of G

-cut(G)=(U,V), where {U,V}:a partition of V(G)

-for nonempty proper subset U of V(G), cut(U)=(U,V(G)-U)

-for nonempty subset U of V(G), u in U, v in V(G)-U, v:external private neighbor of u wrt U란, N(v)교U={u}일 때

(v:epn(u,U)라 쓰자.)

-τ(G):the number of minimum vertices meeting every edges, 즉 vertex cover의 cardinality중 minimum

-γ(G):=the domination number of G란 the minimum size of a dominating set

-α(G):=the independence number of G란, the largest independent set of V(G)에서의 vertices개수

-p(G):=the number of pendant vertices

-q(G):=the number of neighbors of pendant vertices

-E(G):edges set, {e1,e2,...,em}

-|E(G)|, called size of G

-E(v):the set of all edges which is incident with v

-for any cut(G)=(U,V), cutset(U,V):={all edges with one end in U and another in V}

-for nonempty proper subset U of V(G), cutset(U):={all edges with one end in U and another in V(G)-U}

-e1~e2, equivalence relation, if te simple cycle containing e1 and e2

-[e1]의 모든 원소와 incident한 vertices포함한 subgraph of G를 block of G라 한다.

-a point of articulation of G란, 2개 이상의 block에 포함된 vertex를 가리킴

-a point of articulation of G 2개가 neighbouring이란, 그 2개 vertices를 동시에 포함하는 block이 있을 때를 가리킴

-for subset E' of E(G), E':edge-cut if te proper nonempty U of V(G) s.t. cutset(U)=E'

(E':edge-cut이고 G[U], G[V(G)-U]가 connected이면, te! U, 즉 cut은 유일함)

-for G:connected and subset E' of E(G), E':edge-cutset if

-E'의 Edge(vertices)모두 지우면 G는 disconnected

-E'의 Edge(vertices)몇몇개(but not all)를 지우면 G는 still connected

-for nonempty proper subset U of V(G), ed(U):=|cutset(U)|/(|U||V(G)-U|), called the edge-density of U

-Τ(G):=the edge's covering number of G란, the minimum number of edges needed to cover all vertices

-ν(G):the max size of a matching of G

-for nonempty subset U of V(G), U:dominating이란 every v in V(G)-U is adjacent to some member in U

-for v1, v2 in V(G), v1~v2 if (v1v2):edge in E(G) called v1, v2 are adjacent

-for e1, e2 in E(G), e1~e2 if e1 and e2 have common ends(not necessarily both)

-v1:incident with e if e=(v1~)

-for V' of V(G), V':independent(stable) if no two of its elements are adjacent

-N_G(vi):=the set of all neighbors of vi in V(G)

-N_G[vi]:=the set of all neighbors of vi in V(G) U {vi}, called the closed neighborhood of vi in G

-for U:subset of V(G), N_G(U)=the set of all neighbors in V(G) - U of some vertex in U 

-d(vi)=|N_G(vi)|, called the degree of vi

-v:pendant if d(v)=1 (tree에서는 leaf라 함)

-1-Zagreb(G):=sum over all i d(vi)^2=sum over all vi~vj, d(vi)+d(vj)=sum over all i d(vi)*m(vi)=sum over all entries of [AdMT(G)]^2

-2-Zagreb(G):=sum over vi~vj d(vi)*d(vj) = 1/2 * {sum over all i, [d(vi)^2 * m(vi)]}

-dseq(G):=(d(v1),d(v2),...,d(vn))

-decdseq(G):=(Δ_1,Δ_2,...,Δ_n), generally called the degree seq of G

-dec seq of positive integers is called graphical if te G s.t. decdseq(G) = the seq

-Tb(G), tableaux from graph G, decdseq(G)로 만든 young tableaux, Ferrers-Sylvester diagram이라고도 함

-vi:isolated if d(vi)=0

-δ(G):=the minimum degree of G

-deg(G):=max{δ(H) over H:subgraph of G}, called the degeneracy of G

-Δ(G):=the maximum degree of G

-sd(G):=the star degree of G,

-Δ_k(G):=the kth maximum degree of G, 즉 Δ_2(G):the second maximum degree of G

-tr(G):=max over i s.t. Δ_i >= i, called the trace of G

-d(G):=the average degree

-m(vi):=the average degree of the adjacent vertices of vi

-G:k-regular if for any vi in V(G), d(vi)=k

-G:srg(n,k,a,b), called strongly k-regular graph if for any vi~vj, they have a common neighbors, for any vi,vj:non-adjacent, they have b common neighbors and G:k-regular

-G:(r,s)-semiregular if d(vi)=r or s

-d_G(v1,v2):=the shortest path length, called distance of v1, v2

-e(vi):=max over vj in V(G) {d_G(vi,vj)}, called the eccentricity of vi

-r(G):=min over vi in V(G) {e(vi)}, called the radius of G

-D(G):=max over vi in V(G) {e(vi)}, called the diameter of G

-md_G:=the average of all distances between distinct vertices of G, (sum over all v S(v))/n(n-1), where S(v)=1*(v와 distance가 1인 애들의 개수) + 2*(v와 distances가 2인 애들의 개수) +...

-d(G,k):=the number of vertex pairs at distance k.

-W(G):= sum over all (vi,vj) d_G(vi,vj), called the wiener index of G

-HW(G):=sum over all (vi,vj) {d_G(vi,vj) + (d_G(vi,vj))^2}, called the hyper-Wiener index

-H(G):=sum over all (vi,vj) 1/(d_G(vi,vj), called the Harary index

-RCW(G):=sum over all (vi,vj) {1/(D(G) + 1 - d_G(vi,vj))}, called the Reciprocal complementary Wiener index

-TW(G):=sum over all pendant vi,vj d_G(vi,vj), called the Terminal Wiener index

-MTI(G):=sum over all i [dseq(G)*(AdMT(G)+DistMT(G))]_i, called the molecular topological index, MTI

-DD(G):=sum over all (vi,vj), [d(vi)+d(vj)]*d_G(vi,vj), called the degree distance of G

-For a connected G, GG(G):= sum over all (vi,vj), sqrt( {n(vi)+n(vj)-2}/{n(vi)n(vj)} ), called the Graovac-Ghorbani index of G,

where n(vi):=|{w in V(G) s.t. d(vi,w) < d(vj,w)}|, n(vj):=|{w in V(G) s.t. d(vj,w) < d(vi,w)}|

-For a connected G, NGG(G):= sum over all (vi,vj), sqrt( 1/{n(vi)n(vj)} ), called the Normalized Graovac-Ghorbani index of G,

where n(vi):=|{w in V(G) s.t. d(vi,w) < d(vj,w)}|, n(vj):=|{w in V(G) s.t. d(vj,w) < d(vi,w)}|

-RD(G):=sum over all (vi,vj) 1/sqrt((d(vi)d(vj))), called the randic index of G

-max-RD(G):=sum over all (vi,vj) 1/max{d(vi), d(vj)}, called the max-randic index of G

-HM(G):=sum over all (vi,vj) 2/(d(vi)+d(vj)), called the harmonic index of G


-vi:central if e(vi)=r(G)

-genus(G):=the minimal integer n s.t. the graph can be drawn without crossing itself on a sphere with n handles

-genus(G)=0이면 G를 planar라 한다.

-G:maximal planar란, planar이고 edge를 추가한다면 planar가 아닐 때

-for U:subset of V(G), U:vertex cover란, every edge는 U의 원소와 incident

-G:forest if G:acyclic

-G has a star forest F=(S_n1, S_n2, ..., S_nk) if there exists a seq of pairwise vertex-disjoint subgraphs H_i of G with H_i and S_ni:graph-iso for all 1<=i<=k

-G:tree if G:connected forest

-A rooted tree T contained in G is called normal in G if the ends of every T-path in G are comparable in the tree-order of T

(T-path란 G상의 Path인데 양 끝점만 T에 속하는 path, comparable이란 tree-order로 봤을 때)

-T(a,b):tree where 한개의 vertex vi에 a개의 K_(1,b-1)의 중심을 이은것(이은 선 포함안해서 K_(1,b-1)

, 따라서 |V|=ab+1

-T1(a,b):tree where d(vi)=a+1, d(vj)=b+1, vi~vj,따라서 |V|=a+b+2

-T2(a,b):tree where d(vi)=a+1, d(vj)=b+1, vi~v0, v0~vj, 따라서 |V|=a+b+3

-T(a,b,c):tree where d(vi)=a+1, d(vj)=b+1, vi~v1, v1~v2, ..., vc~vj, |V| = a+b+c,

-TZ(k):tree where |V(TZ(k))|=(2k-1)(k+1)+1, K_(1,2k-2)의 k+1개를 둔 다음, 그 외의 점 v에 각 stars의 center를 이은 것
-Tp1:Type-(I) tree

-Tp2:Type-(II) tree

-root는 tree의 아무 vertex로 지정가능, 그걸 top이나 bottom에 두고 tree그려나가면 됨

-Tree:bethe if d(root)=d, d(v)=(d+1) for v:not root and not pendant, d(last level)=1

-Tree:generalized bethe if d(v)=d(u) for v,u in the same level.

-specific trees

-CTPL:caterpillar, a tree in which all the vertices are within distance 1 of a central path.

-binary tree:te! vi s.t. d(vi)=2 and other vertices degree 1 or 3

-vi:leaf if vi:degree 1 and vertex of tree

-G:r-partite if V(G) admits a partition into r classes s.t. every edge has its ends in different classes.

-G:bipartite if {A,B}:partition of V(G) and every edge in E(G) has one end in A and another end in B인 Graph(즉 2-partite인 셈)

-K_n:complete graph with n vertices

-G:complete r-partite if G:r-partite s.t. every two vertices from different partitions classes are adjacent 

-K_(k1,k2):complete bipartite graph with |V(U)|=k1, |V(W)|=k2

-S_n:graph G s.t. Δ(G)=(n-1) with n vertices

-K_(1,n-1):star graph

-G:multigraph if it is permitted to have parallel edges

-P_n:n개의 점을 일직선으로 나열하여 edge로 이은 simple graph

-C_n:cycle with n order

-C_n을 구성하는 edge는 아니지만, C_n을 구성하는 vertices를 이은 edge를 chord라 한다.

-G:chordal graph(또는 rigid circuit graph) if all cycles in G of 4 or more vertices have a chord.

-W_n:wheel, K_1 V C_n을 가리킨다.

-Q_n:n-cube, Q_1 = P_2, Q_n = Q_(n-1) x P_2 for n>=2

-X(Z_n, C), where C:subset of Z_n - {0}, called a circulant of order n, C:called its connection set

(V(X)=Z_n, vi~vj iff i-j in C인 Graph, 따라서 C={1,n-1}이면 X(Z_n,C)는 C_n이 된다.)

-J(v,k,i):v>=k>=i>0, positive integers이고 Ω:fixed set of size v, V:=all subsets of size k of Ω, two subsets are adjacent iff their intersection has size i.

-v>=2k이고 i=(k-1)일 때 the Johnson Graphs라 한다.

-v>=2k이고 i=0일 때 the Kneser graphs라 한다.

-J(5,2,0)을 특히 The petersen graph라 한다.

-Intersection Graph

-Interval Graph, vertex는 real interval을 가리키고 v1,v2:adjacent iff the intersection of the corresponding two intervals is non-empty

(not interval graph의 예:C_4), the boxicity of C_4 = 2

-만약 2차원이면 rectangle, 3차원이면 box,

-The boxicity of G := the smallest integer p s.t. we can assign to each vertex of G a box in R^p s.t. two vertices are adjcent iff their boxes overlap

(계산 어려움 boxicity는)


-CS(n,w), w<=n, a complete split graph라 하고 graph consisting of a clique on w vertices and a stable set with n-w vertices in which each vertex of the clique is adjacent to each vertex of the stable set
-G:split if te partition (U,V) of V(G) s.t. U:clique, V:independent set

-PA_(n,w), w<=n, a pineapple graph라 하고 graph consisting of a clique on w vertices and a stable set with n-w vertices in which each vertex of the stable set is adjacent to only one vertex in the clique.

-Ki_(n,w):kite, K_w +P_(n-w)에다가 a vertex of K_w와 an endpoint of P_(n-w)를 이은 것

-DfG:difference graph if te a_1, a_2, ..., a_n associated with the vertices of G and a positive real number k s.t. |a_i|<k for all i, and v_i~v_j iff |a_i - a_j|>=k

-{V1,V2,...,Vk}:partition of V(G)일 때, equitable이란, for any i,j in {1,2,...,k}, te d_(i,j) s.t. for any vertex v in Vi, te d_(i,j)개의 vertices in Vj with adjacent v

-G:cograph if P_4-free, i.e. there is no P_4 as induced subgraph(동치인건, bar, +로 만든 것 from K_1)

(P_4 free로 되는 이유는, bar(P_4)=P_4)

-G:threshold if 2K_2-free and P_4-free and C_4-free(maximal graph라고도 한다.)

-G:Ramanujan if G:r-regular and max over (1<=i<=n and λ_i(G) != r) λ_i(G) <= 2*sqrt(r-1)

-G:geodetic if for every pair of vertices, there is a unique path of minimal length between them.

-n_0(x,k)

=(k=2r+1, odd일 때) 1 + (x * sum over i=0 to i=(r-1) (x-1)^i)

=(k=2r, even일 때) 2 * (sum over i=0 to i=(r-1) (x-1)^i)


-About subgraph

-G'<G, G':subgraph of G, if G에서 vertex, edge를 없앤 것(몇개든), G:supergraph of G'이라 한다.

-G' _ind< G, G':induced subgraph of G, if G'<G and G' contains all the edges (vi'vj') in E(G) with vi', vj' in V(G'), V(G') induces G' in G라 한다.

-for U:subset of V(G), G'=G[U], if U induces G' in G일 때

-G' _spn< G, G':spanning subgraph of G, if G'<G and V(G')=V(G)

-for any x,y, in V(G), w(x,y), walk, alternating seq x e1 v1 e2 ... en y를 가리킴,이때 edge개수를 length of walk라 하고 |w(x,y)|라 표현

-G':a pendant star of G란, maximal subgraph formed by pendant edges all incident with the same vertex

-G':pendant star of G일 때, d(G'):=the number of its pendant vertices - 1, degree of pendant star라 한다.

-따라서 임의의 G에 대해 sd(G):=the star degree, the sum of the degrees of all pendant stars

-for any x,y, in V(G), t(x,y), trail, walk인데 seq중 edge반복없는 것

-for any x,y, in V(G), p(x,y), path, trail인데 seq중 vertex반복 없는 것(x,y를 애초에 다른 걸 잡아야 함)

(vertices개수만 관심인 path라면 P_n이라 적자, order가 n인 path)

-t(x,y):Eulerian if t(x,y):closed and it traverses every edge of the graph exactly once

-G:Eulerian if G has Eulerian trail

-C(cycle, 3개 이상의 vertex로 구성되고 path에다가 1개 edge 더 추가한 것

-g(G):=the minimum length of a cycle in G, celled girth of G

-G(G):=the maximum length of a cycle in G, called circumference of G

-e:chord of C if e joins two vertices of C but is not itself an edge of the cycle

-C:induced cycle if C:cycle in G and C:induced subgraph of G(즉 chordless cycle을 가리킴)

-G':k-factor if G':spanning subgraph of G and G':k-regular

-G':clique of G if G':subgraph of G and G':complete graph

-ω(G):=the order of the largest clique of G, the clique number of G라 한다.

-triangle of G:clique of order 3 of G

-clique (vertex) cover of G := a partition of V(G), V1, ..., Vk s.t. Vi:clique of G

-clique cover of G가 존재할 때, 가능한 작은 k를 clique vertex cover number of G라 한다.(cvc(G))

-clique edge cover of G := a set of cliques of G which covers all edges of G.

-clique edge cover of G가 존재할 떄, 가능한 작은 cliques의 개수를 clique edge cover number of G라 한다.(cec(G))

-t(G):the number of spanning tree of G

-About generated graph

-bar(G):the complement of G if bar{G} has the same vertex set as G but (vivj) in E(G) iff (vivj) not in E(bar(G))

-G:self-complementary if G graph-iso bar(G)

-L(G):line graph of G, V(L(G))=E(G) in which ei~ej in L(G) as vertex iff ei~ej in G as edges

-G:quasi-line graph if for any v, cvc(N_G([v]))<=2(locally co-bipartite라고도 함)

-T(G):total graph of G, V(T(G))=V(G)UE(G) in which vi~vj in T(G) iff vi, vj:adjacent or incident in G

-for an edge of G, G/e:the graph s.t. e:contracted(G/e를 하는데 cycle이 있었다면, 중복해서 edge만들지 않음)

-for an edge e=(uv) of G, H:subdivision of e란, new graph H s.t. V(H)=V(G)U{w} , E(H)=E(G)U{(uw),(wv)}

(inverse과정을 smoothing w라 한다.)

-H:subdivision of G란, if H is obtained from G by subdividing edges of G

(G의 원래 vertex를 branch vertices, 새로생긴 vertex를 subdividing vertices라 한다.)

-H:topological minor of G if G contains a subdivision of H as a subgraph

-H:inflated minor of G if each vi in V(G), connected disjoint {Gi}로 바꾸고 xy in G iff te an edge between G_x and G_y in H일 때

-H:minor of G if H:undirected and H can be formed from G by deleting edges and vertices and by contracting 

edges

-G1,G2, G1+G2란, disjoint union

-G1,G2, G1VG2란, join of G1,G2, G1+G2에다가 adding new edges from each vertex of G1 to Every vertex of G2.

-G1,G2, G1xG2란, product of G1, G2, V(G1xG2)=V(G1)xV(G2)이고 (v1,u1)~(v2,u2)는 v1=v2이고 u1~u2이거나 v1~v2이고 u1=u2일 때

-그리는 방법은 G1을 G2의 각 vertex에 copy한 다음에 각 G1의 점끼리 잇는데 G2에 따라 이으면 된다.

-G1,G2, EDP(G1,G2)란, Direct product of G1, G2, V(TP(G1,G2))=V(G1)xV(G2)이고 (v1,u1)~(v2,u2)는 v1~v2이고 u1~u2일 때

-(for V(G1)=V(G2)), DS(G1,G2)란, Direct Sum of G1, G2, G1, G2가 edge-disjoint일 때

-for V(G)=UUV(partition), VD(G)=(G[U],G[V]), called vertex decomposition of U,V

-for G1,G2, Connected sum H of G1,G2란, G1의 1개의 점과 G2의 1개의 점을 임의로 택해서 이어서 얻은 graph H

-About Connectivity

-G:connected if G:nonempty and any two vi, vj in V(G), te p(vi,vj)

-connected component란 maximal connected subgraph를 가리킴

-vi:cutvertex if vi를 G에서 제거하면 component 개수가 증가할 때

-G:nonseparable if G does not contain a cutvertex.

-ei:bridge if ei를 G에서 제거하면 component 개수가 증가할 때(iff edges do not lie on any cycle)

-G:k-connected란, |V(G)|>k 이고 for any vertex subset X s.t. |X|<k, G - X:still connected일 때

(혹은 k개를 제거했더니 disconnected되게하는 가장 작은 k)

-κ(G):the connectivity of G, κ(G):the greatest integer k s.t. G:k-connected

-G:l-edge-connected란, |V(G)|>1이고 for any edge subset X s.t. |X|<l, G - X:still connected일 때

(혹은 l개를 제거했더니 disconnected되게하는 가장 작은 l)

-λ(G):the edge connectivity of G, λ(G):the greatest integer l s.t. G:l-edge-connected

-odd(G):the number of components of G with odd order

-c-rank(G), called the circuit rank of G or cyclomatic number of G, the minimum number of edges whose removal from G breaks all its cycles

(c-rank(G) = m - n + # of components)

-About hypergraph

-G:hypergraph (V(G), E(G)) if E(G):subset of P(V(G)) - empty, 즉 the elements of E(G) are non-empty subset of V(G)

(edge가 connected any number of vertices하려는 개념)

-About Directed(dG:digraph를 가리킴)

-G:directed if G has two maps init:E(G)->V, ter:E(G)->V assigning to every edge e an initial vertex init(e) and a terminal vertex ter(e), G:digraph라고도 함, dG라 쓰자.

-orientation is an assignment of a direction to each edge, turning the initial graph into a directed graph함

-dG^t := the minimal transitive digraph containing dG and has the same vertex set of points as dG, called the transitive closure of dG.

-for a,b in V(dG), a,b are strongly connected if te a directed walk from a to b and te a directed walk from b to a

(for any vertex a in V(dG), a is strongly connected itself)

-for any a in V(dG), the strongly component of a := the set of all vertices which is strongly connected to a.

-tnm_n:tournament graph if K_n에 모든 edge에 orientation 준 것,

-dG:strongly connected if te! strongly component of dG

iff any two distinct vertices can joined by a directed path

-for dG, dG* := the condensation digraph of dG, V(dG*) = {all strongly components}, arc(Vi,Vj) iff i,j:dictinct and te a in Vi and b in Vj s,t, arc(a,b) in E(dG)

-임의의 undirected graph에서의 edges는 양방향 arc로 봐서 directed graph로 해석가능, 그 때도 strongly connected얘기함

(즉, undirected graph는 connected iff strongly connected)

-for MT in MT(nxn)(C), dG(MT):digraph with V={1,2,...,n}, arc(i,j) exists iff MT(i,j):nonzero(혹은 weighted directed graph로도 간주 가능)

-About Competition graph of a dG

-For a dG, C(dG):the competition graph of dG, V(C(dG))=V(dG), e=ij in E(C(dG)) iff te arc (i,x) and (j,x) in E(dG) for some x in V(dG)

-c#(G):=the smallest number so that G U I_k is a competition graph of some acyclic dG(the competition number of G)



-About Matching

-M:matching if M:subset of independent edges

-given M, V(M):the set of all vertices meeting edge of M

-given M, p(x,y):M-alternating path if p(x,y):path in which the edges belong alternatively to M and not to M and x is not in V(M)

-given M, p(x,y):M-augmenting path if p(x,y):alternating and x, y are not in V(M) and length>=1

-maximum matching이란, max size를 갖는 matching

-M:maximal matching이란, M < M'인 matching M'이 존재안할 때

-M:perfect matching이란, M:matching and covering every vertices

-for any vertex v, te a linear ordering <=_v on E(v), 이 때 M:stable matching이란, for any e in E(G) - M, te m in M s.t. e and m have a common vertex v with e <_v m 

-About Coloring

-G:k-coloring이란, vertices에 color를 매기는데 adjacent하면 different color를 매기는 방식으로 k개의 color매긴 것

-G:k-colorable이란, G가 k-coloring가능할 때

-χ(G), chromatic number of G, 란 the smallest number k for which G is k-colorable

-a colour class of the colouring이란 같은 colour인 vertices을 모두 모은 subset of V(G)

-G:k-color-critical if χ(G)=k and for any proper subgraph G' of G, χ(G') < k.

-Algorithm for coloring

-Sequential coloring, ordered vertex set넣어서 각각을 색칠하는데, 꼭지점 순서대로 1,2,3,...을 색칠하는데 가능한 최소의 색으로 색칠하게

-Maximal stable set coloring, ordered vertex set넣어서 각각을 색칠하는데, 첫번째 vertex를 1로 색칠하고 그 이후에 vertex들 중에서 이미 1로 색칠한 것과 연결되지 않으면 다 1로 색칠한다. 이후 1로 색칠한 것들을 모두 지우고 얻은 induced subgraph에서 색2를 같은 방법으로 칠한다.

(Sequential coloring이든 Maximal stable set coloring이든 vertex ordering에 depend)

(Maximal stable set coloring은 vertex ordering을 잘만하면 χ(G)를 얻을 수도 있는데, 그게 ordering하는 polynomial algorithm은 없다.)

(Smallest last ordering이란, v_n은 deg가 δ(G)인 것으로, v_(n-1)은 G - v_n에서 degree가 최소인 vertex....)

(Largest first ordering이란, v_1, v_2, ..., v_n with d(v_1)>=d(v_2)>=...)

(Smallest last ordering or Largest first ordering의 철학은 {v_1,v_2,...,v_(i-1)}까지 색칠해진 induced subgraph에서 v_i를 추가해서 고려할 때 restrictions가 가능한 적게 되게끔 ordering한 것)


-col(G), the coloring number of G,

the minimum integer k s.t. te linear ordering < of the vertices of G s.t. for any v in V(G), we have |N(v) 교 {w in V(G) s.t. w<v}| < k

-Given G and L(v) for each v in V(G), a list coloring is a function f from V(G) to a color s.t. f(v) in L(v).

-for any edge vivj in E(G), f(vi) != f(vj)이면 f를 proper list coloring이라 한다.

-G:k-choosable if it has a proper list coloring no matter how one assigns a list of k colors to each vertex.

(전체 색의 종류가 몇개든 상관 없고, |L(v)|=k인, 즉 v마다 사용할 수 있는 색의 개수가 k인 거고, 그렇게 proper list coloring이 존재할 때 어떻게 색을 assign하든 proper가 만족할 때를 가리킨다. K_(2,4)는 χ=2, χ_l=3)

-χ_l(G), the list chromatic number of G is the minimum k for which G is k-choosable

-G:complete k-coloring if G:k-coloring s.t. for each pair of different colors (c1,c2), te (u,v) s.t. u~v and u with c1, v with c2

-aχ(G), the achromatic number of G, the maximum number k for which G:complete k-coloring

(P_4는 χ=2 aχ=3)

(maximum에 조심해야함)


-About Matrices

-G:integral, if egv of AdMT(G)가 모두 integers일 때

-G:L-integral, if egv of Lap(G)가 모두 integers일 때

-G:Q-integral, if egv of sLap(G)가 모두 integers일 때

-m_(G,~)(egv):the multiplicities of egv of ~ type matrix of G

-m_(G,~)(an interval):the number of egv of ~ in an interval including multiplicities

-IcMT(G), nxm matrix, vertex에 labeling하여 v1,v2,...,vn, edge에 labeling하여 e1,e2,...,em, vi~ej이면 (i,j) entry가 1, 아니면 0, called Incedence Matrix

-dIcMT(G), nxm matrix, IcMT에서 orientation생각한 경우, 1,-1,0을 entry로 갖는다.

-AdMT(G), nxn matrix, vertex에 labeling하여 v1,v2,...,vn, vi~vj이면 (i,j) entry가 1, 아니면 0, called Adjacency matrix

-specR(AdMT(G))를 index라 한다.

-the spectrum of G는 the spectrum of AdMT(G)를 가리킨다.

-the spectrum of G1 = the spectrum of G2이면 G1,G2:cospectral이라 한다.

-AdMT(dG)는 (i,j) entry에 the number of arc from vi to vj

-sum of |λ_G(i)|를 the energy of G라하고 energy(G)라 적자.

-ν^+(G):=m_(G,A)((0,inf)), i.e. the number of positive egv of AdMT(G), called positive inertia

-G:singular if λ_G=0인 egv of AdMT(G)가 있을 때(i.e. det(AdMT(G))=0)

-G:non-singular if all λ_G are nonzero(i.e. det(AdMT(G)):nonzero)

-G1, G2:equienergetic이란 energy(G1)=energy(G2)일 때

-G:hyperenergetic if energy(G) > 2n-2 (예를 들면 energy(K_n)=2n-2, 따라서 not hyperenergetic)

-G:hypoenergetic if energy(G) < n

-G:non-hypoenergetic if energy(G) >= n

-DegMT(G), nxn matrix, degree matrix, 대각성분은 d(vi), 그 외는 0

-Lap(G), nxn matrix, laplacian matrix, Lap(G)=DegMT(G)-A(G)

-second smallest egv of Lap(G)를 algebraic connectivity라 한다. a(G)라 적자.

-a(g)에 해당되는 egv를 Fiedler vector라 한다.(그리고 characteristic valuation of G라 한다.)

-Lap(G) - vi, the psubMT of Lap(G), deleting vi-row and vi-column

-sum of |μ_G(i) - d(G)|를 the laplacian energy of G라 하고 Lnergy(G)라 적자.

-σ(G):=m_(G,L)((d(G),n])

-μ:symmetric이란 eigencomponents are constants on orbits of Aut(G)(multiplicity생각해서 다룸, 즉 1은 symmetric이면서 not symmetric일수도 있음)

-μ:alternating이란 eigencomponent

-sLap(G), nxn matrix, signless laplacian matrix, sLap(G):=DegMT(G)+A(G)

-DistMT(G), nxn matrix, (i,j)-entry=d_G(vi,vj)

-RdMT(G), nxn matrix, (i,j)-entry = 1/d_G(vi,vj), called the reciprocal distance matrix of G

-SdMT(G), nxn matrix, SdMT(G) = J - IMT - 2*AdMT(G), where J:all entries are 1

-for M:MT(nxn)(R), dG_M:the underlying digraph of M, V(dG)=n이고 M_(i,j)가 nonzero이면 te a directed edge from vi to vj인 dG

-nLap(G), nxn matrix, normalized laplacian matrix, nLap(G):=DegMT^(-1/2)(G) * Lap(G) * DegMT^(-1/2), where DegMT^(-1/2):=diag(1/sqrt(d(vi)))

-About Weighted Graph

-wG:weighted graph, edge마다 positive number가 있을 때, unweighted는 모든 weight가 1일 때로 해석 가능하다.

-AdMT(wG), 각 성분을 1대신에 weight넣으면됨

-dIcMT(wG), 각 성분에 1대신에 sqrt(weight), -1대신에 -sqrt(weight)넣으면 됨

-Lap(wG), 각 대각 성분에 sum of weight, off-diagonal엔 -1대신에 -weight넣으면 됨

-

-About Homomorphism, Automorphism, Group etc

-f:homomorphism from G1 to G2란, f:V(G1)->V(G2), v1,v2:adjacent in G1이면 f(v1),f(v2):adjacent in G2

-G graph-iso G', te bijective f:V(G)->V(G') s.t. (vivj) in E(G) iff (f(vi)f(vj)) in E(G') for any vi, vj in V(G), 이 때 f를 Graph-isomorphism

-f:graph invariant if f:{all graphs}->sth, for f:G graph-iso G', f(G)=f(G')

-a class of graphs that is closed under isomorphism is called a graph property

-Aut(G):=the group of automorphism of G

-retract(G,S)란 S:subgraph of G, f:homomorphism from G to S s.t. restriction of f onto S is identity.

-endomorphism from G to G란, homomorphism from G to itself일 때

-About Space of a graph

-VS(G):the vertex space of G, (F_2)^V(G), the vector space over F_2, all functions from V(G) to F_2

-ES(G):the edge space of G, (F_2)^E(G), the vector space over F_2, all functions from V(G) to F_2

-IPS도 된다. 따라서 LS of ES(G), LS^ㅗ 등도 다룰 수 있음

-CS(G):the cycle space of G, ES(G)의 subspace로 spanned by the all cycles in G.

-dim(CS(G)), called the cyclomatic number of G.

-About Graph distance

-d(G1,G2), by Yutaka, link참조

(Order가 다른 two graphs의 distance 정의 가능, structural properties, dynamical properties를 반영하는 distance임이 확인됨)

-About Random Graph model

-WS-model(Watts-Strogatz model, denoted by WS(p,β)

-장점:small-world properties, short average path lengths, high clustering

 

*Spectral Graph Theory

*Elementary Inequalities

*Integral Transformation

*Linear Programming

*Numerical Analysis

*Convex Optimization(수업)

-

*Queueing Theory

*Special Functions

*Probability, Statistics

*Probability, Statistics

*Econometrics

 







'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(31)  (0) 2015.01.16
[수학]Theorems(30)  (0) 2014.06.30
[수학]Theorems(28)  (0) 2014.05.17
[수학]Theorems(27)  (0) 2014.03.19
[수학]Theorems(26)  (0) 2014.01.01









'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(30)  (0) 2014.06.30
[수학]Theorems(29)  (0) 2014.05.18
[수학]Theorems(27)  (0) 2014.03.19
[수학]Theorems(26)  (0) 2014.01.01
[수학]Theorems(25)  (0) 2013.12.31

Chapter-1 Application:Returns to Scale in Electricity Supply

-MARC Nerlove 1963 Paper, Returns to Scale in Electricity Supply

-알게 된 사실

-1955년 자료 이용 당시, 미국 전력사업은 3가지 특징이 있었다.

-지방 독점 사기업이 수요에맞춰 전력공급(즉 Q는 수요자들이 결정)

(이후 한 local market에 여러기업이 존재하게 됨)

-전기료는 utility commission이 결정함(정부기관)(즉 전기료 P는 규제가 결정)

(이후 많은 states에서 강력한 가격규제가 사라짐)

-생산요소가격은 기업이 결정하는게 아니라 기업에게 주어지는 것(완전경쟁 or long-term 계약 with 노동연합)

(위와 같은 사업의 features들이 OLS가 적절한 estimation인지 확인하게 해준다.)

-Jorgenson(1963)의 Capital Theory and Investment Behavior이후로, 자본의 사용자 또한 사용하면서 비용을 내게끔 간주된다. 그로인해 발생한게 user cost of capital이고 이것의 정의는 (r+delta)*price_capital, r은 실질이자율, delta는 감가삼각비, price_capital은 capital의 가격, 즉 내가 어떠한 자본을 갖고 있고(그래서 r*price_capital) 쓰고 있다면(delta*price_capital) 비용을 내는 셈이다.

-Data Trail

-Federal Power Commission으로 부터 각 기업의 output, fuel, labor costs

-wage rate는 utility workers(전기공)들의 statewide average값을 취함

-capital cost는 이상적으로는 reproduction cost of capital * user cost of capital인데 각 기업마다 이 수치를 구하기가 힘들어서 각 기업의 장부로부터 interest + depreciation을 취함

(Reproduction Cost of Capital이란, 평가시점에서 대상 물건을 그대로 구현해내는데 드는 비용을 평가시점의 가격으로 계산해내는 것)

-Return to Scale을 측정하는 데에 있어서 AC-Q 그래프만으로도 부족한 이유? 즉 Econometrics 기법을 적용해서 더 알게되는 점

-각 기업마다 현재 Q와 그에 따른 AC를 얻어서 모든 기업들의 AC-Q를 plot한 다음에 AC가 Q에 따라 감소하는지 안하는지로 return to scale를 얻을 수 있을 것 같다.

-하지만 각 기업마다의 AC가 애초에 다르다는 문제점이 있다.

-각 기업의 AC가 각기 다른 이유로는

-각 기업이 맞이하는 Factor Price가 다름

-각 기업마다 level of production efficiency가 다름

-대부분의 Cross-sectional data분석에서는 factor price가 다 같을 것 같지만, 현재와 같이 U.S. Electricity Supply의 경우, 각 기업의 factor price가 차이가 크게 있는 경우도 있다.

-단순히 AC-Q plotting만으로는 factor price의 effect를 알 수가 없다.

-Cobb-Douglas Technology

-Cobb-Douglas Production Function

-기본적으로 생산함수란 input을 투입시 최대한 얻는 Q의 functional form이다.

-기본적으로 생산함수가 주어져있으면 Total cost function도 유도할 수 있다.

(minimizing total cost using production function)

(각 electricity firm들이 private기업이므로 cost minimizing하고 있다고 간주 가능)

-input:labor, capital, fuel

-production efficiency(firm heterogeneity)

-constant returns to scale이란 가정의 의미는, 기업 경영자가 생산과정을 똑같이 복제할 수 있다는 의미

-increasing returns to scale이란 가정의 의미는, input을 2배로 늘려서 Q를 2배 이상으로 늘리기 쉬운 상황(추가 비용이 안들거나 기술적인 상황때문)

-decreasing returns to scale이란 가정의 의미는, 경영진을 2배로 늘린다해서 Q가 2배로 늘까? 등 상황

-Total cost를 minimizing problem using product

-다양한 production function이 있지만 Cobb-Douglas가 자주 쓰이는 이유는

-simple

-diminishing marginal productivities 등의 properties를 만족

-잘 맞아 떨어짐(good descriptioon of technology)

-지수의 총 합을 degrees of returns to scale

-constant returns to scale인지 increasing인지 판단 기준

-OLS적용하기

-가정만족테스트

-linearity는 log를 취해서 얻었다.

-strict exogeneity에서는 서로 다른 i,j에 대해선 쉽게 됨을 알 수 있으나, i의 regressor vector가 i의 error-term과 orthogonal한 지는 생각해볼 문제다. 

-논문에서의 U.S. Electricity industry에서의 3번재 조건때문에 각 factor price는 error와 independent하게 됨

-이때 Q와 error term사이에서는 

-만약 2번째 조건(가격 규제)가 firm's efficiency와 무관하다면 independent

(왜냐하면 규제가 전기료 결정, 시민들의 수요가 Q를 결정, 시민들의 수요와 규제는 독립, 

-가격 규제가 AC보다 크게 된다는 규제내용이라면, Q는 endogenous된다.

(당시 Electricity Supply Industry는 monopoly인거고, 만약 Perfect Competition이었으면 error term(firm's efficiency)와 Q는 negative correlation을 당연히 갖는다.)

-No Multicollinearity는 성립안 할 이유가 없어보인다.

-spherical error variance가정은 성립안함, 대체로 한 회사가 efficiency하면 다른 회사도 efficiency해지므로

-overidentified(실제 변수개수보다 추정해야될 계수가 더 많은 경우)는 equation을 조작(+,- 등)을 하면 된다.

-가설검증

-regression function의 계수의 형태로보아 beta3+beta4+beta5=1이란 가설이 성립해야만 한다 from production function model. 

-F-ratio를 통해 성립함을 알 수 있었음.

-degrees of returns to scale=1인지 t-test사용, 결론은 degress of returns to scale=1이 성립안함(reject)

-R-squared를 다룰 때

-log(TC)를 단지 log(AC)로 바꿧을 뿐인데(양변에 log(Q)를 뺌으로써) R-squared값이 달라졌다. 

-R-squared를 통해서 model을 비교하려면(fitness정도를) dependent variable를 같게 두고 해야 의미가 있다.

-plotting의 필요

-OLS를 그냥 적용하고나서도 plotting이 반드시 필요하다. 추정한 coefficients와 standard error만으로도 불충분하다.

-논문의 경우 residuals-log(Q)를 plotting한 결과로 

-일단 log(Q)가 변함에 따라 residuals의 절댓값 폭이 작아짐->error variance의 절댓값이 log(Q)가변함에 따라 달라질 것이다.(not homoskedasticity)

-어느 log(Q)구간에서는 residuals이 죄다 양수이다가, 이후에는 죄다 음수이다가...를 반복하므로 아마 각 기업마다 degrees of returns to scale이 다를것이다.

-따라서 Nerlove는 Q를 기준으로 오름차순으로 나열하여 5개의 group으로 묶어 각각 regression함

-저자의 발견으로는 returns to scale이 Q가 증가할수록 감소함을 알 수 있었다. 2보다 큼->1보다작음

-Subsequent Develoments

-Cobb-Douglas technology말고 다른 것 이용하기(Constant Elasticity of Substitution production function, CES)

-CES이용시(Constant Elasticity of Substitution Production Function), CES의 문제점

-CES를 통해 얻은 cost function은 highly nonlinear, 따라서 nonlinear least squares사용해야함

-CES는 degress of returns to scale를 회사마다 같다고 imply함

-Translog cost function(Cobb-Douglas Production Function에 log취한 것을 일반화시켜 얻은 production function으로 얻은 cost function)을 이용하여 output level이 높은 회사들의 경우 scale economy가 사라짐을 알 수 있었음(Christensen and Greene)

-utility(공익사업)의 경우 fair rate of return이라고 공익사업에 투자된 민간자본에 이자를 실질이자율에 어느정도 더해서(+)지급하는 원칙이 있기도 하다. 이경우에는 cost of capital의 계수는 fair rate of return또한 고려해야만 한다. 왜냐하면 fair rate of return이 있으면 overinvest하게 되겠고, cost minimize하는 level보다 over될 수 있다.

-regulator(규제당국)과 utility사이의 정보의 비대칭성관련

-요약

-Fact:

-수요자들이 Q결정

-규제당국이 P결정

-factor price는 시장이 결정

(따라서 기업이 결정하는 부분은 없는 상황)

-Model:

-Cobb-Douglas Production Function사용

-degrees of returns to scale이 모든 기업마다 같다고 가정

(Cobb-Douglas Production Function의 지수부분이 회사마다 다 같다고 가정)

-factor price는 기업의 efficiency와 independent(by Fact)

-Q도 efficiency와 independent(by Fact)

-과정:

-OLS에서 spherical error variance, error normality 가정이 없어도 OLS그대로 적용

-cobb-douglas production function의 parameters(4개) estimate

-결론:

-degrees of returns to scale=1이란 가설은 reject using t-test

-degrees of returns to scale이 회사마다 같다는 가정은 성립하지 않음 using plotting residual-log(Q)


Chapter-2 Application:Rational Expectations Econometrics

-Eugene Fama 1976 paper, Efficient Capital Market

-알게된 사실

-dynamic economics(동태경제학)

-시간의 변동을 고려하면서 경제현상간의 상호의존체계를 분석하는 방법이다. 그러므로 동태경제학은 한 균형점에서 다른 균형점으로 이동해 가는 과정을 중요시한다. 동학 또는 동태분석이라고도 한다.

-몇가지 기본용어들

-물가지수, 대게는 CPI(Consumer Price Index)를 사용

-인플레이션율(Inflation rate)

-기대인플레이션율(Expected Inflation rate)

-예측오차(inflation forecast error)

-명목이자율(nominal interest rate)

-실질이자율(real interest rate)

-Inflation rate, Nominal interest rate, real interest rate사이 관계식(1+R)=(1+pi)(1+r)

-근사식을 Fisher Equation이라 하며, R=pi+r

-사후적실질이자율(ex-post real interest rate)

-사전적실질이자율(ex-ante real interest rate)

-EMH(Efficient Market Hypothesis)의 내용

-가설1:기대인플레이션율을 계산시 information은 R, pi를 포함하고 이전시점에 대한 R,pi도 포함한다.

-가설2:사전적실질이자율은 시간에 따라 변함없다.

-Implications(not testable은 대게 예측오차의 평균을 못구하기 때문)

-(not testable)예측오차는 mgd wrt information

-(not testable)t시점의 agents의 information에는 예측오차들도 모두 포함된다.

-(testable)사후적실질이자율은 평균이 상수이고 serially uncorrelated

-(testable)기대인플레이션율=(R-r)


-물가상승률(inflatation rate over month t)는 CPI로 구한다.(t+1, t시점 둘다 CPI자료 필요)

-예상물가상승률은 t시점에서 구함(예상이기때문에 t+1시점의 자료를 모른 상황)

-ex-post real interest rate over t는 t+1시점의 자료 필요

-ex-ante real interest rate은 t시점에서 구함(사전, 예상이므로)

-t시점의 자료들:만기1달짜리채권가격, 명목이자율, CPI, 예상물가상승률, 예상실질이자율

-t+1시점도 필요한 자료들:물가상승률, 물가상승률예측오차, 사후실질이자율

-실질이자율=(1+명목이자율)/(1+물가상승률) - 1

-피셔효과에 의해 명목이자율=실질이자율+예상물가상승률이 됨을 알 수 있다.(not 물가상승률)

-EMH(Efficient Market Hypothesis)

-1가설:예상물가상승률=E[물가상승률|t에서의 information] with agents participating in the market do not forget

-2가설:예상실질이자율=상수(over t)



1. 본질적으로 이룰 수 없는 것들에 대해서 생각하지 않기. 

-과학 자체가 의심의 여지가 없이 명확한 지식이 아니다. 명확한 것에 대한 추구는 잊자.


2. 자신에게 몰입하지말고 세상 돌아가는 것, 여러 분야의 지식, 내가 호감을 느끼는 사람들에 대한 관심을 늘리자.

-특히 죄의식에서 벗어나야 한다. 


3. 사람을 상하게 하는 것은 과로가 아니라, 걱정이나 불안이다.

-결정을 일단 내리면, 별다른 사실이 밝혀지지 않은 이상 결코 번복하지 않도록 하자.

-정신적 훈련, 의식이 무의식을 바꿀 수 있다. 큰 일이 일어나지 않을 거란, 혹은 일이 일어나더라도 큰 일이 아닐거라는 의식적인 근거를 통해 무의식적인 걱정과 불안을 해결하도록 노력하자. 그래야 

-하루 종일 지차니게 많은 생각을 하지않고 주어진 일을 해결할 수 있다.

-불면증이 해결

-효율성과 분별력 증가


4. 질투는 사물을 있는 그대로 보지않고 사물 사이의 관계를 통해 보려는 데서 생긴다.

-공작새들은 자기 꼬리가 세상에서 가장 훌륭하다고 믿을 것이다.


5. 자신이 이성적으로 판단한 것에 대해서 확고한 결심을 세움으로써 근거없는 합리적인 생각이 아무런 거리낌 없이 출몰하지 못하도록 하는 것, 그리고 그런 생각에 단 한 순간도 마음을 빼았기지 않는 것. 인격의 여러 부분들 간에 조화를 이끌어 내야 한다.


6. 이성이 정열적인 사랑이나 자식에 대한 사랑, 우정, 자비심, 과학이나 예술에 대한 열정을 약화시킬 순 없다.

차라리 이것들을 느낀 다는 것에 기뻐하자.


7. 자아가 분열되어 있는 사람은 자극과 오락거리를 찾게 된다. 그는 강렬한 감정을 느끼는 것을 좋아하지만, 건전한 이유 때문에 그런 것이 아니라 그런 감정이 순간적으로나마 자신을 내면에서 벗어나게 하고, 고통스러운 생각을 없애주기 때문이다.


8. 뭔가에 도취해야만 느낄 수 있는 행복은 거짓된 행복이며, 충족감을 줄 수 없는 행복이다. 자신의 능력을 충분히 발휘하고 자신이 몸 담고 있는 세상을 완전히 인식하면서 느끼는 행복이야말로 진정한 충족감을 주는 행복이다.


9. 대인관계

-당신의 (남을 돕고자하는)동기는 당신 자신이 생각하는 것처럼 반드시 이타적인 것만은 아니다.

-당신의 장점을 과대평가하지 마라.

-다른 사람들이 당신에 대해 당신 자신과 마찬가지로 관심을 가지고 있다고 상상하지 마라. 

-특히 가장 가까운 사람을 대할 때 우리가 반드시 잊지 말아야 하지만, 늘 기억하기는 쉽지 않은 것이, 그들은 그들의 입장에서 인생을 바라보고, 그들을 움직이는 것은 그들의 입장일 뿐, 그들이 당신의 입장에서 인생을 바라봐주지는 않는다는 점이다.

-대부분의 사람들이 당신을 해코지하고 싶다는 생각을 가질 만큼 당신에 대해 골몰하고 있다고 상상하지 마라.


10. 세상과 맞지 않는 젊은이

-바로 주위에 있는 사람들과의 견해와 다르다해서 두려워서 내놓고 인정하지 못하는 견해들이 다른 곳이나 다른 계층에서는 평범한 상식으로 받아들여질 수도 있다는 생각은 전혀 하지 못한다.

-지적 소수파의 성원들이 서로 교제하면서 즐겁게 지낼 수 있는 방안이 모색되어야 한다.

-자신이 어떤 의견을 내놓으면 사회적인 적의에 직면해야 할지도 모른다는 두려움에 떨게 되는데, 바람직한 해결책은 바로 이러한 적의를 될 수 있는 한 대수롭지 않은 것, 또한 될 수 있는 한 아무런 영향력도 발휘하지 못하는 것으로 만들어버릴 수 있는 방법이 무엇인지를 찾는 것이다.

-행복의 필수조건은 우연히 이웃이 되거나 알고 지내게 된 사람들이 지난 비본질적인 취미나 욕망에 견주어 자신의 생활 방식을 확립하는 것이 아니라, 자신의 마음 깊은 곳에서 우러난 충동으로부터 비롯한 생활 방식을 확립하는 것에 있다.


11. 인간에 대한 따뜻한 관심은 사랑의 일종이다. 행복을 가져오는 사랑은 다른 사람들을 관찰하기를 좋아하고 개인들의 특성 속에서 기쁨을 느끼는 사랑이며, 만나는 사람들을 지배하려고 하거나 열광적인 찬사를 받아내는 대신, 그들의 관심과 기쁨의 폭을 넓혀주려고 하는 사랑이다. 행복의 비결은 되도록 폭넓은 관심을 가지는 것, 그리고 관심을 끄는 사물이나 사람들에게 적대적인 반응을 보이는 것이 아니라 되도록 따뜻한 반응을 보이는 것이다.


12. 관심이 내면으로 쏠려 있는 사람은 자신의 관심에 값할 만한 것을 찾아내지 못한다. 


13. 삶에 대한 평범한 열정이 가져다 주는 행복에 비하면, 대단히 특별한 관심은 그다지 만족스러운 행복을 가져다주지는 않는다.


14. 취미와 욕망은 모두 전체적인 인생의 틀에서 벗어나서는 안된다. 건강과 사랑하는 사람에 대한 애정, 그리ㅣ고 사회적 명예를 해치는 안되는 몇 가지 요소들이 있다. 건강을 유지, 자신의 능력을 전체적으로 유지, 생계유지에 충분한 소득을 유지, 처자식에 대한 의무와 같은 사회적 의무를 완수하는 것이다.


15. 다른 모든 것을 포기하고 한 가지 욕망만 지나치게 추구하는 사람은 대게 심리적으로 깊은 문제를 가지고 있고, 공포의 대상으로부터 달아나려고 하는 사람이다. 


16. 사랑받지 못함->절망감->불안감을 없애기 위해 자신의 삶을 철저하고 완전하게 지배하는 습관을 들임

안정감은 호혜적인 사랑에서 나오는 경우가 대부분이지만, 정확히 구분하자면 안정감을 베푸는 사랑이 아니라 받는 사랑에서 나온다.


17. 바람직한 사랑은 안정한 배에 탄 사람이 느끼는 감정에 견줄 수 있고, 배가 난파당해서 헤엄치는 사람이 느끼는 감정은 그보다 못한 사랑에 견줄 수 있다. 불안감을 느끼는 사람은 상대방을 본질적인 특성으로 평가하지 않고, 그 사람이 베푸는 봉사로 평가하기 때문이다. 진정으로 가치 있는 성적 관계는 신중한 태도가 필요하지 않는 관계이다.


18. 책읽기를 좋아하는 사람이라면 자신의 전문적 활동과 관련이 없는 책을 읽는 것이 바람직하다. 아무리 중요한 일이 있다고해도 깨어있는 줄곧 그것만 생각하고 있어서는 안된다.


19. 비개인적이며 원대한 희망에 집중하는 태도는 개인적인 일의 실패나 불행한 결혼 생활 등의 고통을 궃은 날씨를 만난 것 같은 사소한 불편으로 여기게 해준다.


20. 자기 자신만을 사랑하는 사람은 자신이 열정을 바치는 대상이 늘 변함없다는 것 때문에 견딜 수 없는 권태에 시달리게 마련이다.

행복한 사람은 자유로운 애정과 폭넓은 관심을 가지고 객관적으로 살아가는 사람이다. 

------------------------------------------------------------------------------------------------------------------------

*생각정리

1. 과학 자체가 명확한 지식이 아니다. 계속 바꿔지는 것이다.

2. 일단은 계량경제학을 제대로 하겠다는 생각을 갖자. 이후에 나의 선택에 대한 불명확한 불안감을 떨쳐버리자. 박사, 교수 이후에서도 내가 하고싶은 연구가 생기면 그때가서 바꾸면 된다. 일단은 세상의 다양한 것을 배울 수 있는 사회과학 쪽을 공부하도록 하자.

3. 무언가 도취에서 오는 행복감은 아주 잠시오는 행운이다. 그것만이 진정한 행복이 아니다. 도취하지 않는다해서 선택이 잘못됐냐는 걱정은 하지 않아도 된다. 충족감이 오는 일상속에서의 행복이면 된다. 그리고 그것이 진정한 행복이다.

4. 계량경제학, 논문 등 한가지에 부담감을 크게 느끼고 있다는 것은, 내가 현재 지금 공포를 갖고있다는 증조이기도 하다. 그 공포란, 기간내에 학위를 마쳐야한다는 내 주위에서 오는 부담감이다. 이러한 것을 버리자. 

5. 하나의 걱정은 지도교수님이 정말 나에게 도움이 되는 분인가 하는 의심이다. 내가 연구하고자 하는 분야를 연구하시는 분은 아니시다. 내 스스로 연구를 해 나가는 능력을 키우자. 지도교수님이 나에게 도움을 줄 수 있는 부분은 내가 필요로 하는 사람을 알아봐주실 수 있으시다는 것이 있다. 그리고 학과지원도 내가 능동적으로 이용하면 된다. 나는 능동적으로 연구를 하고, 필요로하는 사람을 알아보고 서로 만나서 얘기를 나누도록 노력해야할 것이다.

즉 내연구, 내공부를 해나가며 누군가에 도움이 필요하다면 적극적으로 요구를 하자.



*몇가지 습관

1. 해야할 것(과제, 행정 등)을 항상 확인하자. 그것부터 해결하도록 한다.

2. 계량경제학, 내 주된 공부이다. 

3. 적극적으로 교수님 뵙기

4. 잠자는 시간에 대해서 규칙정하진 말기. 특별히 수업이나 참여해야될 게 있지 않은 이상, 잠오면 자자.

5. CFA를 너무 무겁게 생각하지 않도록 한다. 그냥 사회과학쪽 상식을 위한 공부를 하도록 하자.

6. 다음날 시간맞춰 일어나야하지 않는 한, 자기전에 운동하고 보충제먹고 잔다.


1일차----------------------------------------------------------------------------------------

좋은 사이트

-ktug.org

-구글 검색시

-latex no indent라 구글검색





Miktex:다양한 운영체제 지원

Mactex:다양한 운영체제 지원


Latex장점:한글지원이 잘됨


WinEdit:Latex 스크립트를 보기좋게 보여줌, 유료인데 잘찾아보면 무료?

TextMate:WinEdit과 비슷한데, MaC지원됨


Latex는 

-Tex을 쉽게만든 것

-WYSIWYG이 안됨

-학회측에서 제공하는 레이아웃대로 쓰면됨

-각주, 상호참조 등도 쉽게 가능

-추가 패지키가 다양


Latex기본구조

\documentclass{article} %문서의 종류

\begin{document} %문서시작지점

~~~~ %문서내용

\end{document} %문서종료지점


Latex입력파일

-공백처리

-공백문자, 탭등을 여러개 쳐도 space1개로 처리

-엔터1번:space1개

-엔터2번:문단바꾸기

-\\는 문단바꾸지않고 다음 줄

-\qquad는 탭두번

-\quad는 탭한번

-#$%^&_{}~\등은 은 출력안됨

-\# 라 해야 보임

-\를 표시하고 싶으면 \textbackslash입력

-Latex 명령은

-대소문자구분함

-명령어는 \로 시작함

-\하고 명령어다음엔 space안들어감

-명령어 다음 space는 출력안됨 굳이 넣고싶으면 {}입력

-\TeX{} into 이러면 

 -\TeX{}into는 안됨

-\today는 입력 그 날을 보여줌

-\testsl{lean}, {~}를 기울이게 표현

-\testbf{lean}, {~}를 볼드체로 표현

-주석은 %

-여러줄 주석은 \begin{comment}, \end{comment}이용

-사용하려면 \usepackage{verbatim}을 전처리 부에 추가

-잘 안씀, package하나 더 이용해야되므로 느려질 수 있음

-패키지사용

-\usepackage[options]{package}

-왠만한 패지키는 다 설치되어있는데, 

-\usepackage[options]{package}

-\usepackage{graphicx}

-...


-LaTex관련파일

-.tex파일:Latex입력파일

-.sty:매크로 패키지

-.cls:문서기본형태를 정의하는 클래스 파일, \documentclass 명령으로 선택한다.

-.dvi:장치 독립 파일, 

-.log:직전의 컴파일 과정에서 무슨 일이 일어난 것인지를 상세하게 알려주는 로그 파일

-.aux:

-\pagestyle{style}:전체 페이지 스타일

-\thispagestyle{style}:딱 이페이지만 스타일 지정


-Journal에서 제공하는 양식을 대부분 따르면 된다.

-\noindent를 들여쓰기 안하고 싶은 줄에 제일 처음에 적으면 들여쓰기안함

-\parindent를 0pt로 주면 모든 패러그래프에 적용

-\subsection

-자동으로 넘버링되므로 subsection만 치면됨

-한번 ctrl+T 조판실행한다해서 반영안될 수 있다. .aux문제때문 그래서 2번 해주자.

-\newpage

-자동으로 하이픈넣어주네

-\hyphenation{FORTRAN Hy-phen-a-tion}

-FORTRAN은 분철안되게 설정가능

-줄바꿈없이 같은 줄에 두고 싶을 때 \mbox{}, \emph:이탤릭체+기울임도 해줌, \fbox

-여는 따옴표 ```(1옆) 닫는 따옴표 '''(엔터옆)

- -, --, ---, $-$는 빼기

-\url{}이용하면 누르면 하이퍼링크가능

-\circ(각도의 도를 표현)

-\mathrm (로만체로 써줌)

-textcomp 패키지를 이용하면 \textcelsius명령으로 도를 간단히 표현할 수 있는데, 최대한 패키지 적게 쓰는게 좋음, 만약 celsius를 자주쓴다면 패지키를 쓰는게 좋겠네

-\textcelsius->\texteuro하면 유로기호 사용가능

-\ldots, \dots

-그냥 ...하면 LaTeX가 이해못할 수 있음

-합자가 보기싫으면 \mbox{}이용

-강세문자

-한국어지원 패키지는 \usepackage{kotex}

-대문자 뒤에 마침표가 오면 문장 끝으로 여기지 않는데, \@을 써주면 문장의 끝으로 이해함

-상호참조 ~\cite{}, ~\ref{}, ~\figure{} 

-마침표 다음에 오는 여분의 공백이 필요없다면 \fr???

-문단구조

-\section, \subsection, \subsubsection, \paragraph, \subparagraph

-appendix

-인자가 없고, 장의 번호 매김을 숫자에서 문자로 바뀐다.

-차례

-\tableofcontents

-\title이랑 \maketitle있어야 가능

-번호매기지않고 차례에 나오지 않기

-\section*{~}이용

-각주

-\footnote(footnote text)

-밑줄

-\underline{~}

-\~는 뒤에오는 것 위에 오는 강세부호로 되고, \~{}는 ~를 표현해줌

-\usepackage{hyperref}해줘야 \url, \hyperref가능

-^{~}을 수식($~$)에서 써야지 이해함 안그러면 강세부호랑 혼동하는듯

-한글입력

\usepackage{kotex}

\setmainhangulfont{NanumMyeongjo}

-폭이 고정되게 하고 싶으면 ~를 이용

-begin[itemize, enumerate, description]이용 가능

-flushleft, flushright, center, 정렬방식

-quote(들여쓰기안하고 인용함), quotation(들여쓰기하고 인용함)

-abstract

-begin{abstract}

-실제 논문, article에 자주 사용

-보이는 그대로 입력하기! begin{verbatim}이용

-\verb|~~|

-\begin{verbatim}

-\begin{verbatim*}

-표입력

-\begin{tabular}[pos]{table spec}

열구분은 &

행구분은 \\

\hline:가로줄삽입

\cline{j-i}:부분적인 가로줄 삽입

-p{width}:자동줄바꿈되는 열 제공

-@{}는 한 열에 항상 입력되는 형태 제공

-c r @{.} l라 하면 3개의 열이 가운데정렬, 우측정렬, 좌측정렬, 그리고 중간열은 .이 마지막에 붙게됨

-| c | c | 는 2개의 열이 가운데정렬로

-표는 설명문이 위에 달리고 fig는 밑에 달린다.

-위치는 LaTeX가 적절히 정함

-\begin{table}로 해주면 \caption달 수 있음

-\caption을 달면 \ref됨

-fig입력

-eps(매스매티카 등으로 얻은 사진)도 입력가능


2일차----------------------------------------------------------------------------------------

-그냥 수식입력하면 못알아처먹음
-수식안에서 입력하면 다 이태릭체로 적힘, \textrm{}이용 (\text해도 되지만)
-크롬에서 daum equation editor이용해서 수식입력하면 Tex코드가 밑에 나옴
-휴대폰으로는 detexifying Latex record하면 그려보면 코드나옴



-행중 수식입력

-$~$이용
-\epsilon, \Epsilon(엡실론 대문자)
-별도 단락으로 수식 삽입

-\begin{displaymath}이용

-행중 수식보다 별도 단락이, 이쁘게나옴

-만약 summation의 index가 이쁘게 안나오면(위아래로) \sum앞에 \displaystyle을 달면됨

-수식 번호를 가지는 수식 삽입

-\begin{equation}이용 ({equation*}하면 번호안매겨짐)

-label, ref가능,

-ref할 때 (\ref)이용, 괄호를 꼭 해주자, 수식은 괄호해서 참조하고

-table이나 fig는 괄호없이

-집합기호, 볼드처리

-\forall

-\mathbf{R}

-\mathbb{R}

-\in

-\geq

-\leq

->

-\neq

-\sum_{k=1}^n

-\sum_{k=1}^{n^{2}}

-그리스 문자

-\alpha

-\Alpha

-\sqrt{x}

-\surd{x+y}는 sqrt가 앞에만 붙는

-\overline{m+n}

-\underline{m+n}

-수평괄호는

-\overbrace{}

-\underbrace{}

-\vec{}

-\overrightarrow{AB}

-\cdot

-'은 프라임

-함수들(로만체)

-\arccos

-\deg

-\cosh 등

-\equiv

-\pmod{b}

-()안써도 자동으로 ()

-분수

-\frac{~}{~}

-x^{1/2}라 쓰기도

-\binom{~}{~}

-\mathrm{~}

-\stackrel{~}{~} 전자를 후자위에 올리기

-\int

-\sum

-\prod_{}^{}

-\subarray

-\left[, \right]

-\ldots, \cdots, \vdots, \ddots

-수식내간격

\!

\,

-begin{array}{~}

-마치 표처럼 ~에는 정렬법이 나옴

-큰묶음표나 행렬만들 때 이용

-\textrm

-\begin{eqnarray}사용하지말기

-\begin{equation}에서 \begin{align}으로 사용(\usepackage{ams}해주고)

-aligned는 통째로 (3.3)이렇게 label매겨주고 align은 각각 label매겨줌

-{align*}해버리면 label안매겨줌, 참조안됨

-usepackage{amsmath}랑 usepackage{amssymb}를 써야 \mathbb 사용가능


-헛깨지 사용하면 원소기호랑 tensor 쓰기 좋음

-\phantom{1}, \phantom{ij}등 글자가 쓰이나 흰색으로 쓰여서 결국보기좋게만들기 위함


-\mathrm을 써서 텍스트 적으면 글자크기 조절이 이쁘게잘해줌


-def, thm 은

-document전에 먼저 \newtheorem을 이용해서 지정


-.eps는 windows에서는 gsview이용

-latex에 입력이 가장 잘되는 확장명

-mathematica등에서 .eps로 저장가능



-참고문헌 넣는방법

-문서의 가장 뒷쪽에서 

\begin{thebibliography}{99}

\bibitem{tim}~~~

\bibitem{tom}~~~

\end{thebibliography}

-문서의 앞쪽에서는 ~\cite{tim}쓰면 알아서 [1] 달아줌

-{99}는 스타일 형식 지정

-잘 안씀


-bib+bst->pdf 방법이 자주 쓰임

-저널마다 bst줌

-bib만 만들어놓으면 bst받아서 pdf만들어서 쓰면됨

-bst,bib가 tex이랑 같은 폴더에있으면 됨

-즉 저널마다 다른 기준이므로 매번 다시쓰는 귀찮음 없애줌, bib만 써놓으면 됨

-논문 다운받는데서 bib받을 수 있음, 혹은 논문관리프로그램에서 얻을 수 있음

-bibtex이란게 

-jounal명+latex을 구글에 검색

-그럼 Latex Template를 제공함, 그것을 다운로드해서 참고


-논문정리프로그램

-Mendeley

-논문을 웹에 올려놓으면 다른 기기로도 다운받아 볼 수 있음

-각 논문의 information만을 받을 수도 있고, 논문을 import하면 informaiton을 잘 정리해줌

-export, bib하면 bib형태로 export가능

-학교계정등록하면 7기가까지 제공해줌

http://www.mendeley.com/

http://library.kaist.ac.kr/board/view.php?code=notice&no=3095

-하이라이트, 북마크 다 제공함

-Winedt8으로 bib열면 이쁘게 나옴


3일차----------------------------------------------------------------------------------------

-LyX이용하면 쉬움

-mac, linux 다가능

-LyX.org에서 다운가능

-bundle은 처음사용자용

-What you see is what you mean

-Mac에서 usepackage{KoTeX}하면 알아서 패키지받아함

-문서->setting->language에서 unicode(xetex)설정

-preamble에서는 

\usepackage{kotex}

\ifx 가가

\setmainfont[Ligatures=TeX]{Dotum}

\setsansfont[Ligatures=TeX]{Dotum}

\setmainhangulfont[Ligatures=TeX]{Dotum}

\setsanshangulfont[Ligatures=TeX]{Dotum}

\setmainhanjafont[Ligatures=TeX]{Dotum}

\setsanshanjafont[Ligatures=TeX]{Dotum}

\fi

-문서만들때마다 설정해줘야됨

-저장한 다음에 파일->다른형태의문서로저장

->Latex(XeTEX), LaTEX(pdflatex), 

-tex으로 뽑은 후에, 몇가지는 제거해주거나 수정해준다. (저널이 제공하는 기준에 맞게, 예를 들면 document class)

->한글 사용시 PDFtex

-참고문헌 넣는법 LyX

-bib를 이용할 수 있다.

-insert->List/TOC->BibTex Bibliography->Add->select the location->select

-이렇게 bib를 불러온 후

-insert->citation하면 인용가능

-newfile->Standard에서 title, author등을 바꿔서 입력만 해주고 tex으로 export하면 됨

-들여쓰기 이용하면(빠른 도구 중) enumerate안에 하위항목지정도 가능

-url쓰고 드래그해서 지구본 누르면 하이퍼링크가능, 만약 mail이었다면 우클릭해서 setting->mail설정해줘야댐

-table, fig등 삽입은 insert->float(뜨내기)

-insert에서 수식 입력, 수식 align, 수식상호참조 등 가능, matrix입력가능

-setting->module에서 Theorem(AMS)등 package 추가시, Theorem, 등 추가 기능 사용가능

-혹은 preamble에서 \usepackage{amsmath}추가

-wiki.lyx.org/BibTeX

-bibtex에 관련 정보 얻음

-wiki.lyx.org/examples/beamer

-beamer만드는 법 using lyx




*

첨부파일


LaTeX-이진엽(rev.박청운(rev.최창희)) (1).pdf


lyx사용법.pdf


김윤기LaTex.zip




'기타 > R,Latex,발표,Research' 카테고리의 다른 글

R 명령문 정리  (0) 2014.02.09
[발표]지켜야할 것들  (0) 2013.07.04
[영어]Research Papers  (0) 2013.06.24





















'이미지창고 > [수학]Theorems' 카테고리의 다른 글

[수학]Theorems(29)  (0) 2014.05.18
[수학]Theorems(28)  (0) 2014.05.17
[수학]Theorems(26)  (0) 2014.01.01
[수학]Theorems(25)  (0) 2013.12.31
[수학]Theorems(24)  (0) 2013.12.30


사교육은 자기주도 학습을 대체하는가.pdf


*Abstract

-model1

-Fixed-effect Model

-data trail:2009년 생활시간조사 자료

-장점:관찰되지 않는 개인의 특성에 대해 통제할 수 있음

-결과:사교육 시간의 100분 증가는 같은 날 자기주도 학습 시간의 14~54분 감소와 관련됨

-model2

-IV Tobit Model

-배경:

-About Labor Function

-노동일수:노동을 제공한 일 수

-Labor Productivity(노동생산성):일정시간동안 생산한 재화의 양

-Labor Intensity(노동강도):

-real wage rate(실질임금율):노동자의 생활수단으로 측정한 유보임금률

-Labour Supply:주어진 real wage rate에서의 노동자가 일하기를 희망하는 total hours

-labour-leisure trade-off, 대체효과와 수입효과에 의해 wage rate-hours worked 그래프가 ⊃처럼 생김

-Censored regression model

-특정조건에서만 관측되는 변수가 있을 때 하는 regression model

-예를 들면, 노동자의 hours worked와 노동자의 특색(나이, 교육 등)사이 regression을 하려는데, 실업자의 경우, 후자는 알려져있지만, 전자는 알 수가 어렵다.(근무하고있는 사람은, 직접 조사하면 알 수 있지만)

-이러한 형태의 data를 censored data라 한다(observations중 부분적인 값들만 알 때를 censoring이라 한다.)

-사용되는 구체적인 모델들

-Tobit Type 1, 2, 3, 4, 5models가 있다.

-대응되는 models, truncated regression model

-censored regression model은, y,x중 x는 다 아는데 그중 y만 몇개 모를 때

-truncated regression model은, y,x중 둘 다 모르는 부분이 있을 때

-주로 Maximum Likelihood Estimation을 이용

-Tobit Model(http://en.wikipedia.org/wiki/Tobit_model)

-형태

-성질:

-그냥 ols하면 inconsistency, maximum likelihood estimator는 consistency해짐

-type 1

-type 2

-type 3

-type 4

-type 5

-likelihood functions

-data trail:2009년 사교육비 실태조사, 일반교과 사교육 시간당 가격자료를 계산하여 사교육 시간에 대한 IV로 사용

-결과:사교육 시간과 자기주도 학습 시간 사이에는 거의 일대일에 상응하는 대체 관계가 발생

*서론

-사교육 정의:논문에서는, 사교육을, 초중고 정규교육 이외에 이루어지는 일체의 보습활동을 가리킴

-사교육이 성적향상이나 이후 노동시장 성과에 대해 가져오는 효과가 미미하거나 없다고 나옴

-사교육 시장 규모는 90년부터 2010년까지 전체 실질 사교육비의 연평균 증가율은 5%로 추정됨

-기존 연구:

-y:사교육효과

-x:사교육의 수요(사교육 여부, 사교육비나 사교육 시간, 등으로 사교육량)

-단점:

-실제 학생 및 학부모의 사교육에 대한 선택은 not independent, 다른 학습활동(자기주도 학습, 여가 등)에 대한 의사결정과 맞물려 이루어짐

-사교육을 포함한 다양한 활동들 사이의 상호관계에 대한 고려 필요

-이 논문의 연구

-사교육 선택이 자기주도 학습 및 여타의 활동에 대한 시간자원 배운과 어떻게 관련되는 지 확인

-교육생산함수

-Q=f(L,K,M)

-L:교직원,K:학교시설, M:교육보조재료

-투입요소(L,K,M)에 따른 최대로 산출 가능한 산출량Q과의 기술적 관계를 수학적 함수로 나타낸 것

-기존 생산함수와는 다른 점

-생산주기가 길고, 다양한 산출물들을 가지며, 수익또한 장기적으로 걸쳐 나타남

-학생은 교육재화의 수요자이기도 하지만, 교육재화의 생산자이기도 함

-기업과 달리 이윤극대화만을 추구하지는 않음

-구체적으로

-Q에는 학생의 학업성취도

-f(S,P,I,F), S:학교관련, P:동료학생들과 관련, I:개인의 능력관련, F:가계의 특성과 관련

-L,K,M은 S에 포함됨

-P,I,F는 교육정책당국에 의해 변화시킬수는 없어서 무관심일 것 같지만, P,I,F를 통제해야하기 때문에 중요함

-교육경제학 서적 참고

-기존연구 결과들

-사교육량 결정

-사교육시간, 사교육 지출을 x로 정할 경우, 사교육 시간이나 비용이 성적(y)에 영향을 미치는 지, 아니면 성적으로 드러나는 다양한 특성들이 사교육 투입시간과 비용에 영향을 미치는지 식별하기 곤란(내생성 문제)

->해결하기 위해 IV나 non-parametric interval estimation사용

-IV

-첫째아 여부를 IV to 사교육비 지출(근데 첫째아 여부가 IV로 유효하지 않을 수 있음)

-non-parametric이란, 모집단의 분포를 가정하지 않고 하는 방법

-non-parametric estimation하는 경우

-자료가 정규분포가 아닐 때

-자료가 정규분포로 적절히 변환되지 못할 때

-Sample Size가 적을 때

-자료들이 서로 독립적일 때

-변인의 척도가 

명명척도(nominal scale, 남자는1, 여자는 2)나 

서열척도(ordinal scale, 좋음(5), 약간 좋음(4), 보통(3), ...)일 때

-기존연구들의 단점

-기존연구과정:교육생산함수 설정->다른 것은 통제하고 사교육만을 변화시켜 교육생산함수의 변화 구함

-단점:사교육외의 투입요소의 효과를 통제시키지않는다면 목적과는 다른 결과를 얻음. 

따라서 사교육양의 변화가 다른 투입요소에 어떻게 영향을 주는 지 파악 필요.

-단점이 생긴 이유:교육생산함수의 여타 다른 투입요소들을 특정하기가 어렵고 계측하기도 어려웠으나, 이번 논문에서는 학생의 활동을 정해진 시간 동안 종합적으로 관찰하는 시간사용 자료를 이용하여 해결하려함

-이 논문에서의 모델링

-통계청의 생활시간조사 자료를 활용하여 초, 중, 고등학교 전체 학생을 대상으로 사교육과 자기주도 학습 및 다른 교육이나 여가 활동 사이에 시간자원의 배분이 어떻게 나타나는지 살펴보려고함.(즉 교육생산함수의 사교육과 기타 투입요소(자기주도 학습 및 다른...)사이의 관계를 찾고자 함.

-내생성해결법:

-생활시간조사 자료의 특서어을 이용하여 개인별 고정 효과를 통제한 상태에서 두 시간 변수(사교육시간, 자기주도학습시간) 사이의 관계를 살펴봄

-통계청 사교육비 조사 자료를 사용하여 사교육비를 도구변수로써 활용

-이 논문에서 사용된 자료

-2009년 생활시간조사 자료

-조사방법

-주관:통계청

-조사대상:8100가구의 만 10세 이상 가구원 약 21,000명을 2차례 조사

-조사시기:2009년 3월12일(목)~3월23(월), 2009년 9월9일(수)~9월22일(화)

-조사방법:응답자에게 2일 동안 10분 간격으로 설계된 시간일지에 행동 쓰기

-결과분류:

-144개의 표준 행동분류

-논문에서 사용한 방법

-조사대상:30세 미만이면서 초,중,고에 재학중인 개인의 자료만을 사용, 3268명

-한사람 당 이틀의 자료이므로, 6,536개의 시간사용 자료가 활용

-요일별로 보기

-144개의 표준 행동분류를 9가지 대분류로 나눈 다음, 각 대분류를 소분류로 또 나눔(e.g. 학습 활동->학교수업)

-사교육 시간 정의:학원이나 과외 등을 통해 교습자가 주도하는 학습 프로그램에 참여하여 겪는 교육과정

(따라서, 학교에서 과외숙제하는 것은 학교-자습으로 분류되고, 사교육시간에는 포함되지 않음)

(요일별, 그리고 학급별 사교육 참여율(하루 중 시간 사용이 있기만하면 참여한 걸로 간주)로 보아서 학급이 높아질수록 학업성취도가 높은 소수의 학생에게 더 사교육이 집중되는 걸 확인할 수 있다.)

-2009년 사교육비 실태조사 

-조사대상:44,000명 학부모

-논문에서 사용한 방법

-각급학교, 지역, 성, 소득구간별 시간당 평균 사교육 가격을 계산하여 사교육 시간에 대한 도구변수로 사용

-미시자료 학생 87,244개의 자료를 통해 학생 및 가구의 특성, 교과 및 프로그램별 연간 사교육비 지출액, 각 분류별 주당 평균 사교육시간 등의 변수를 포함->일반교과 사교육비와 일반교과 사교육 시간을 각각 일일 평균으로 환산하여 비용을 시간으로 나누어서 시간당 평균 사교육 사격을 계산

-각 개인별 가중치를 적용하여 각급학교, 지역, 성, 소득구간으로 나눠진 집단(576개)별로 시간당 평균 사교육비의 가중평균을 구함(3(초중고)*16(광역시도)*2(남성,여성)*6(가구소득구간)=576개)

-집단별로 사교육 가격을 나누어 살펴보기 위해서는 사교육 시장이 지역, 성, 소득구간별로 분절되었다는 가정이 충족될 필요가 있는데, 충분한 변동성을 보여줌

-사교육 시간이 자기주도학습 시간에 미치는 효과를 추정하는 모형에서 사교육 가격이 도구변수로서 유효하기 위해서 필요한 3가지 조건

-사교육 가격이 학생 개인의 시간배분 결정 과정에서 외생적

-사교육 시장은 충분히 경쟁적으므로 한 개인이 사교육(사교육시간)을 수요변화가 각 집단별 사교육 가격에 영향을 미치기는 어려워 보이므로, 충족되보인다.

-사교육 가격이 사교육 시간 결정모형에서 충분한 설명력을 가져야


-사교육 가격이 사교육 시간에 대한 영향 이외의 경로로 자기주도 학습 시간에 영향을 미쳐서는 안된다.

-모형 및 분석결과

-궁금증:

-사교육 시간이 자기주도 학습 등 다른 활동을 위한 시간 배분에 미치는 효과는?

-1. 사교육과 자기주도 학습시간이 서로 대체관계인지 아니면 보완관계인지의 여부

-2. 사교육을 위한 시간을 어떠한 활동을 희생하여 마련하는지

-기본 모형

-





*경제용어 및 이론


*통계용어 및 이론


*기타이론


*Fact, 통계자료나, 경제, 역사적 사실들


*Conclusion


*사용된 방법론


*느낀점



-regression
-용도:
-종속변수와 독립변수 사이의 이론적 관계를 기초로 모형 구성
-특징:
-유의한 독립변수를 찾는데 쓰인다.
-독립변수의 찾고자하는 종속변수의 시점에서의 값도 알아야 하므로, 대게 독립변수의 시점은 종속변수 시점보다 1시점 앞선 값을 이용한다.


-time series

-용도:

-trend, cycle, seasonality(계절성), irregular(뷸규칙성) 등을 파악

-예측 추정

-변수 자체의 시간의 흐름에 따른 특성을 토대로 모형 설정

-모형의 주 관심

-서로 다른 두 시점에서의 상관관계가 매우 중요

-autocovariance, autocorrelation(ACF)

-단점:

-변수 사이들의 이론적인 관계를 고려하지 못함, 관심 변수 외의 변수는 다루지 않는다는 것


-데이타 분류

-deterministic trend

-trend

-season dummy

-probabilistic 

-(weak)stationary

-의미

-time series의 특징이, 시간이 흐름에 따라 변화하는지 안하는 지, 안한다면 stationary

-성질

-ACF_k, k가 증가시 감소를 하는 경향을 띰

-종류

-WN

-현재값의 크기가 미래 예측에 전혀 도움이 안되는 형태

-AR

-변수의 현재값을 과거의 값의 함수로 나타낸 형태

-과거의 값의 계수의 절댓값이 1보다 작아야 weak stationary

-order설정과 계수추정이 모델링의 주요 과정

-MA

-변수의 현재값을 과거의 오차항의 값과 현재의 오차항의 함수로 나타낸 형태

-항상 weak stationary

-과거 오차항의 계수긔 절댓값이 1보다 작아야 invertible(즉 AR형태로 나타낼 수 있음)

-order설정과 계수추정이 모델링의 주요 과정

-ARMA

-AR+MA

-order설정과 계수추정이 모델링의 주요 과정


-not stationary

-의미

-times series의 특징이 시간에 따라 변화하는 경우, 예를 들면, trend나, season term이 있는 경우

-성질

-stationary하게 만들 수 있을 수가 있다. 

-ACF_k, k가 증가하더라도 감소안하는 경우

-종류

-ARIMA

-Random walk

-가장 최근의 변수값이 그 다음 변수값에 영향을 미치는 형태

-integrated

-ANOVA

-y는 metric값, D(종속 dummy)는 0,1, 질적인 양을 표현, y,D_i로 이루어진 model을 ANOVA


-VAR

-Cointegration



*Model 선택, 기준 및 점검

-좋은 모형의 기준

-Parsimony

-Identifiability

-Goodness of Fit

-Theoretical Consistency

-Predictive Power

-모형 설정 오류들(다른 가정들은 성립할 때)

-관련 높은 변수를 생략

-(OLS)Estimator가 biased일 수 있게 된다.

-not consistency하게 될 수 있다.

(항상 그렇듯, consistent하더라도 unbiased in the case small-sample 을 보장해주는게 아님)

-error term의 sigma^2을 estimate하는 것도 biased될  수 있다.

-계수자체가 아니라 계수의 분산의 estimator 또한 biased될 수 있다

->신뢰구간과 가설 검정의 결과는 신빙성이 없어짐

-불필요한 변수의 포함(연구자가 이론을 모르거나, 그쪽 이론이 발전안되있거나해서 발생하는 오류)

-(OLS)Estimator가 unbiased, consistent해버림!(별문제 없단 소리)

-error term의 sigma^2도 제대로 estimate함

-T-test, F-test 다 유효함 하지만, 신뢰구간이 더 크게나와버림(not efficient)

-not efficient해짐

-not BLUE, but LUE는 됨

-자유도 감소

-no multicollinearity 성립하기 어려워짐

-잘못된 함수 형태

-경제학이론은, y와 X의 함수형태를 제시하진 않는다. 

-측정 오차

-y에 측정오차가 발생하는 경우

-OLS Estimator는 unbiased

-OLS estimator의 분산도 unbiased

-분산 estimate값은 측정오차가 없을 때보다 크게 나오긴 함

-X에 측정오차가 발생하는 경우

-OLS Estimator는 biased

-OLS Estimator는 not consistent

-해결법

-IV이용(이것은 IV찾는게 어렵다.)

-최대한 오차없는 자료를 이용할 것이며, 각 자료의 정의가 시간이 지남에 따라 달라지면 수정해서 합답한 변수 사용해야함

(구자라티, 번역본 p209부터 보기)





1. Error-components model

-7개 가정

-M linear equations

-random samples

-SUR assumption with two error components

-identification

-conditional hmoskedasticity

-nonsingular

-fixed-effects identifications


'제거된 것' 카테고리의 다른 글

[한국사]시험대비  (0) 2015.05.04
[수학]표현론 책읽기  (0) 2014.06.23
Latex 강의 3일차  (0) 2014.02.19
Latex 강의 2일차  (0) 2014.02.18
Latex강의 1일차  (0) 2014.02.17

1. Notation

2. Assumptions관련

3. Estimator관련

4. Hypothesis Testing관련


4. Hypothesis Testing관련

-finite-sample theory
-large-sample theory
-SGMM관련
-MGMM관련
-Cross-equation restrions에 관해서 testing가능
-Overidentifying restrictions using
-J statistic, CSD(sum K- sum L)
-C statistic(sum K - 확실한 IV들)
-H statistic


1. Notation

2. Assumptions관련

3. Estimator관련

4. Hypothesis Testing관련


2. Assumptions관련


'기타 > 경제,계량경제,금융' 카테고리의 다른 글

[계량경제학]방법론 정리  (0) 2014.03.08
[Econometrics]Hypothesis Testing  (0) 2014.02.25
[Econometrics]Estimators  (0) 2014.02.25
[Econometrics]Notation  (0) 2014.02.25
[계량경제]Econometrics, Hayashi 내용정리  (0) 2014.02.10

1. Notation

2. Assumptions관련

3. Estimator관련

4. Hypothesis Testing관련


3. Estimator관련

-Coefficient Estimators

-SGMM

-Consistency되려면 Assumptions 4개 필요

-Asymptotic Normality되려면 Assumptions 4개 필요

-Avar를 estimate하려면 Assumptions 5개 필요

-Consistent estimate of error variance를 구하려면 Assumptions 5개 필요

-S=E[gg]를 estimate하려면 

-coefficient consistent estimator가 미리 존재+finite fourth moments

-혹은 consistent estimator of sigma^2+conditional homoskedasticity

-IV

-정의시 필요한 추가 Assumptions

-Exactly identified(K=L and rank condition 만족)

-OLS

-IV에서 IV=Regressor라면 IV-Estimator는 OLS-Estimator됨

-Efficient SGMM

-Efficient SGMM을 얻으려면 추가로 assumption 1개 더 필요(S의 consistent estimator가 있어야한다는)

-Efficient SGMM은 2-step으로 얻어진다.

-conditional homoskedasticity를 가정한다면, 추가 assumption이 필요없어지고 1-step으로 얻어짐

-2SLS

-정의시 필요한 추가 Assumptions

-conditional homoskedasticity를 이용하여 weighting matrix를 택하는 경우

-또 다른 유도법

-IV Estimator로써 유도가능

-Two Regression으로 유도가능(그래서 2SLS라 한다.)

-Sargan's Statistic과 관련됨

-모든 regressors가 IV에 포함된다면(under conditional homoskedasticity), 2SLS는 OLS됨

-MGMM

-consistency, Asymptotic Normality, Avar 는 SGMM과 같음

-Consistent estimate of error variance->consistent estimate of contemporaneous error cross-equation moments

-Assumptions 5개 필요

-S=E[gg]를 estimate하려면

-coefficient consistent estimator가 미리 존재+finite fourth moments

-conditional homoskedasticity+E[z_im*z_ih]:exists and finite

-equ-by-equ SGMM's는 MGMM의 특수경우이다.

-Joint할 경우 equ-by-equ보다 더 efficient해 지는데, 단점도 있음

-small-sample properties가 줄어듦

-correctly specified될 확률이 낮아짐, 1개의 equ가 not orthogonal이어서 나머지도 모두 inconsistent하게 될 수 있음

-MGMM with common coefficient가 MGMM의 special case같지만, 사실상, 임의의 MGMM을 with common coefficient로 바꿀 수 있다.

-Efficient MGMM

-equ-by-equ efficient SGMM's가 Efficient MGMM이 될 충분조건이 있다.

-Exactly Identified이거나

-혹은 equations are unrelated거나


-FIVE

-정의시 필요한 추가 Assumptions

-conditional homoskedasticity를 이용하여 weighting matrix를 택함

-Sargan's Statistic과 관련

-3SLS

-정의시 필요한 추가 Assumptions

-IV가 모든 equations마다 같음

-SUR(Seemingly Unrelated Regressions)

-정의시 필요한 추가 Assumptions

-IV가 모든 regressors의 union(over all equations)

-overidentified이면, SUR가 equ-by-equ SGMM's(OLS)보다 efficient

- 이것도 unrelated하면, efficient같게됨, 즉 asymptotically equivalent

-Multivariate Regression

-정의시 필요한 추가 Assumptions

-Just identified

-MGMM=equ-by-equ SGMM's됨

-Multivariate Regression을 SUR+priori restrction으로 볼 수 있고, 이경우 후자가 더 efficient

-Random Effect Estimator

-정의시 필요한 수정된 Assumptions

-linearity with common coefficient

-identification with common coefficient

-Pooled OLS

-(GMM입장)weighting matrix를 특별한 걸 대입해서 얻음, OLS로 얻는 것임

-따라서 orthogonality condition보다 약한 걸 exploiting

-data index 2개중 1개를 무시해버려서 다 모아버려서 OLS하는 것임(따라서 pooled OLS라 함)

-장점:

-계산량이 적음

-robust to the failure of the cross orthogonalities, 즉 cross orthogonality가 성립하지 않더라도 consistent한 estimator

-주의:

-Standard Error by OLS Package가 biased

-Fixed-Effect Estimator

-consistent(전체 error의 conditional homoskedassticity가 없어도)

-asymptotic normal(전체 error의 conditional homoskedassticity가 없어도)

-Avar를 consistent하게 estimate가능 with conditional homoskedasticity

(conditional homoskedasticity가 없어도 finite fourth moment가정있으면 됨)

-not efficient

-fixed effect의 spherical condition을 가정하면, fixed effect의 variance를 consistent하게 estimate가능

-Random Effect는 3개를 더 가정함, Fixed-Effect는 이 3개를 만족하지 않더라도 consistent

(즉 Fixed-Effect는 Random Effect보다 less efficient지만, consistent가 유지될 가능성이 높음)





1. Notation

2. Assumptions관련

3. Estimator관련

4. Hypothesis Testing관련


1. Notation


-LyX이용하면 쉬움

-mac, linux 다가능

-LyX.org에서 다운가능

-bundle은 처음사용자용

-What you see is what you mean

-Mac에서 usepackage{KoTeX}하면 알아서 패키지받아함

-문서->setting->language에서 unicode(xetex)설정

-preamble에서는 

\usepackage{kotex}

\ifx 가가

\setmainfont[Ligatures=TeX]{Dotum}

\setsansfont[Ligatures=TeX]{Dotum}

\setmainhangulfont[Ligatures=TeX]{Dotum}

\setsanshangulfont[Ligatures=TeX]{Dotum}

\setmainhanjafont[Ligatures=TeX]{Dotum}

\setsanshanjafont[Ligatures=TeX]{Dotum}

\fi

-문서만들때마다 설정해줘야됨

-저장한 다음에 파일->다른형태의문서로저장

->Latex(XeTEX), LaTEX(pdflatex), 

-tex으로 뽑은 후에, 몇가지는 제거해주거나 수정해준다. (저널이 제공하는 기준에 맞게, 예를 들면 document class)

->한글 사용시 PDFtex

-참고문헌 넣는법 LyX

-bib를 이용할 수 있다.

-insert->List/TOC->BibTex Bibliography->Add->select the location->select

-이렇게 bib를 불러온 후

-insert->citation하면 인용가능

-newfile->Standard에서 title, author등을 바꿔서 입력만 해주고 tex으로 export하면 됨

-들여쓰기 이용하면(빠른 도구 중) enumerate안에 하위항목지정도 가능

-url쓰고 드래그해서 지구본 누르면 하이퍼링크가능, 만약 mail이었다면 우클릭해서 setting->mail설정해줘야댐

-table, fig등 삽입은 insert->float(뜨내기)

-insert에서 수식 입력, 수식 align, 수식상호참조 등 가능, matrix입력가능

-setting->module에서 Theorem(AMS)등 package 추가시, Theorem, 등 추가 기능 사용가능

-혹은 preamble에서 \usepackage{amsmath}추가

-wiki.lyx.org/BibTeX

-bibtex에 관련 정보 얻음

-wiki.lyx.org/examples/beamer

-beamer만드는 법 using lyx


lyx사용법.pdf


'제거된 것' 카테고리의 다른 글

[수학]표현론 책읽기  (0) 2014.06.23
[Econometrics]Panel Data Analysis  (0) 2014.03.03
Latex 강의 2일차  (0) 2014.02.18
Latex강의 1일차  (0) 2014.02.17
좋은 습관 목록  (0) 2014.02.06
-그냥 수식입력하면 못알아처먹음
-수식안에서 입력하면 다 이태릭체로 적힘, \textrm{}이용 (\text해도 되지만)
-크롬에서 daum equation editor이용해서 수식입력하면 Tex코드가 밑에 나옴
-휴대폰으로는 detexifying Latex record하면 그려보면 코드나옴



-행중 수식입력
-$~$이용
-\epsilon, \Epsilon(엡실론 대문자)
-별도 단락으로 수식 삽입

-\begin{displaymath}이용

-행중 수식보다 별도 단락이, 이쁘게나옴

-만약 summation의 index가 이쁘게 안나오면(위아래로) \sum앞에 \displaystyle을 달면됨

-수식 번호를 가지는 수식 삽입

-\begin{equation}이용 ({equation*}하면 번호안매겨짐)

-label, ref가능,

김윤기LaTex.zip


-ref할 때 (\ref)이용, 괄호를 꼭 해주자, 수식은 괄호해서 참조하고

-table이나 fig는 괄호없이

-집합기호, 볼드처리

-\forall

-\mathbf{R}

-\mathbb{R}

-\in

-\geq

-\leq

->

-\neq

-\sum_{k=1}^n

-\sum_{k=1}^{n^{2}}

-그리스 문자

-\alpha

-\Alpha

-\sqrt{x}

-\surd{x+y}는 sqrt가 앞에만 붙는

-\overline{m+n}

-\underline{m+n}

-수평괄호는

-\overbrace{}

-\underbrace{}

-\vec{}

-\overrightarrow{AB}

-\cdot

-'은 프라임

-함수들(로만체)

-\arccos

-\deg

-\cosh 등

-\equiv

-\pmod{b}

-()안써도 자동으로 ()

-분수

-\frac{~}{~}

-x^{1/2}라 쓰기도

-\binom{~}{~}

-\mathrm{~}

-\stackrel{~}{~} 전자를 후자위에 올리기

-\int

-\sum

-\prod_{}^{}

-\subarray

-\left[, \right]

-\ldots, \cdots, \vdots, \ddots

-수식내간격

\!

\,

-begin{array}{~}

-마치 표처럼 ~에는 정렬법이 나옴

-큰묶음표나 행렬만들 때 이용

-\textrm

-\begin{eqnarray}사용하지말기

-\begin{equation}에서 \begin{align}으로 사용(\usepackage{ams}해주고)

-aligned는 통째로 (3.3)이렇게 label매겨주고 align은 각각 label매겨줌

-{align*}해버리면 label안매겨줌, 참조안됨

-usepackage{amsmath}랑 usepackage{amssymb}를 써야 \mathbb 사용가능


-헛깨지 사용하면 원소기호랑 tensor 쓰기 좋음

-\phantom{1}, \phantom{ij}등 글자가 쓰이나 흰색으로 쓰여서 결국보기좋게만들기 위함


-\mathrm을 써서 텍스트 적으면 글자크기 조절이 이쁘게잘해줌


-def, thm 은

-document전에 먼저 \newtheorem을 이용해서 지정


-.eps는 windows에서는 gsview이용

-latex에 입력이 가장 잘되는 확장명

-mathematica등에서 .eps로 저장가능



-참고문헌 넣는방법

-문서의 가장 뒷쪽에서 

\begin{thebibliography}{99}

\bibitem{tim}~~~

\bibitem{tom}~~~

\end{thebibliography}

-문서의 앞쪽에서는 ~\cite{tim}쓰면 알아서 [1] 달아줌

-{99}는 스타일 형식 지정

-잘 안씀


-bib+bst->pdf 방법이 자주 쓰임

-저널마다 bst줌

-bib만 만들어놓으면 bst받아서 pdf만들어서 쓰면됨

-bst,bib가 tex이랑 같은 폴더에있으면 됨

-즉 저널마다 다른 기준이므로 매번 다시쓰는 귀찮음 없애줌, bib만 써놓으면 됨

-논문 다운받는데서 bib받을 수 있음, 혹은 논문관리프로그램에서 얻을 수 있음

-bibtex이란게 

-jounal명+latex을 구글에 검색

-그럼 Latex Template를 제공함, 그것을 다운로드해서 참고


-논문정리프로그램

-Mendeley

-논문을 웹에 올려놓으면 다른 기기로도 다운받아 볼 수 있음

-각 논문의 information만을 받을 수도 있고, 논문을 import하면 informaiton을 잘 정리해줌

-export, bib하면 bib형태로 export가능

-학교계정등록하면 7기가까지 제공해줌

http://www.mendeley.com/

http://library.kaist.ac.kr/board/view.php?code=notice&no=3095

-하이라이트, 북마크 다 제공함

-Winedt8으로 bib열면 이쁘게 나옴


'제거된 것' 카테고리의 다른 글

[Econometrics]Panel Data Analysis  (0) 2014.03.03
Latex 강의 3일차  (0) 2014.02.19
Latex강의 1일차  (0) 2014.02.17
좋은 습관 목록  (0) 2014.02.06
작성법  (0) 2014.01.08


LaTeX-이진엽(rev.박청운(rev.최창희)) (1).pdf

좋은 사이트

-ktug.org

-구글 검색시

-latex no indent라 구글검색





Miktex:다양한 운영체제 지원

Mactex:다양한 운영체제 지원


Latex장점:한글지원이 잘됨


WinEdit:Latex 스크립트를 보기좋게 보여줌, 유료인데 잘찾아보면 무료?

TextMate:WinEdit과 비슷한데, MaC지원됨


Latex는 

-Tex을 쉽게만든 것

-WYSIWYG이 안됨

-학회측에서 제공하는 레이아웃대로 쓰면됨

-각주, 상호참조 등도 쉽게 가능

-추가 패지키가 다양


Latex기본구조

\documentclass{article} %문서의 종류

\begin{document} %문서시작지점

~~~~ %문서내용

\end{document} %문서종료지점


Latex입력파일

-공백처리

-공백문자, 탭등을 여러개 쳐도 space1개로 처리

-엔터1번:space1개

-엔터2번:문단바꾸기

-\\는 문단바꾸지않고 다음 줄

-\qquad는 탭두번

-\quad는 탭한번

-#$%^&_{}~\등은 은 출력안됨

-\# 라 해야 보임

-\를 표시하고 싶으면 \textbackslash입력

-Latex 명령은

-대소문자구분함

-명령어는 \로 시작함

-\하고 명령어다음엔 space안들어감

-명령어 다음 space는 출력안됨 굳이 넣고싶으면 {}입력

-\TeX{} into 이러면 

 -\TeX{}into는 안됨

-\today는 입력 그 날을 보여줌

-\testsl{lean}, {~}를 기울이게 표현

-\testbf{lean}, {~}를 볼드체로 표현

-주석은 %

-여러줄 주석은 \begin{comment}, \end{comment}이용

-사용하려면 \usepackage{verbatim}을 전처리 부에 추가

-잘 안씀, package하나 더 이용해야되므로 느려질 수 있음

-패키지사용

-\usepackage[options]{package}

-왠만한 패지키는 다 설치되어있는데, 

-\usepackage[options]{package}

-\usepackage{graphicx}

-...


-LaTex관련파일

-.tex파일:Latex입력파일

-.sty:매크로 패키지

-.cls:문서기본형태를 정의하는 클래스 파일, \documentclass 명령으로 선택한다.

-.dvi:장치 독립 파일, 

-.log:직전의 컴파일 과정에서 무슨 일이 일어난 것인지를 상세하게 알려주는 로그 파일

-.aux:

-\pagestyle{style}:전체 페이지 스타일

-\thispagestyle{style}:딱 이페이지만 스타일 지정


-Journal에서 제공하는 양식을 대부분 따르면 된다.

-\noindent를 들여쓰기 안하고 싶은 줄에 제일 처음에 적으면 들여쓰기안함

-\parindent를 0pt로 주면 모든 패러그래프에 적용

-\subsection

-자동으로 넘버링되므로 subsection만 치면됨

-한번 ctrl+T 조판실행한다해서 반영안될 수 있다. .aux문제때문 그래서 2번 해주자.

-\newpage

-자동으로 하이픈넣어주네

-\hyphenation{FORTRAN Hy-phen-a-tion}

-FORTRAN은 분철안되게 설정가능

-줄바꿈없이 같은 줄에 두고 싶을 때 \mbox{}, \emph:이탤릭체+기울임도 해줌, \fbox

-여는 따옴표 ```(1옆) 닫는 따옴표 '''(엔터옆)

- -, --, ---, $-$는 빼기

-\url{}이용하면 누르면 하이퍼링크가능

-\circ(각도의 도를 표현)

-\mathrm (로만체로 써줌)

-textcomp 패키지를 이용하면 \textcelsius명령으로 도를 간단히 표현할 수 있는데, 최대한 패키지 적게 쓰는게 좋음, 만약 celsius를 자주쓴다면 패지키를 쓰는게 좋겠네

-\textcelsius->\texteuro하면 유로기호 사용가능

-\ldots, \dots

-그냥 ...하면 LaTeX가 이해못할 수 있음

-합자가 보기싫으면 \mbox{}이용

-강세문자

-한국어지원 패키지는 \usepackage{kotex}

-대문자 뒤에 마침표가 오면 문장 끝으로 여기지 않는데, \@을 써주면 문장의 끝으로 이해함

-상호참조 ~\cite{}, ~\ref{}, ~\figure{} 

-마침표 다음에 오는 여분의 공백이 필요없다면 \fr???

-문단구조

-\section, \subsection, \subsubsection, \paragraph, \subparagraph

-appendix

-인자가 없고, 장의 번호 매김을 숫자에서 문자로 바뀐다.

-차례

-\tableofcontents

-\title이랑 \maketitle있어야 가능

-번호매기지않고 차례에 나오지 않기

-\section*{~}이용

-각주

-\footnote(footnote text)

-밑줄

-\underline{~}

-\~는 뒤에오는 것 위에 오는 강세부호로 되고, \~{}는 ~를 표현해줌

-\usepackage{hyperref}해줘야 \url, \hyperref가능

-^{~}을 수식($~$)에서 써야지 이해함 안그러면 강세부호랑 혼동하는듯

-한글입력

\usepackage{kotex}

\setmainhangulfont{NanumMyeongjo}

-폭이 고정되게 하고 싶으면 ~를 이용

-begin[itemize, enumerate, description]이용 가능

-flushleft, flushright, center, 정렬방식

-quote(들여쓰기안하고 인용함), quotation(들여쓰기하고 인용함)

-abstract

-begin{abstract}

-실제 논문, article에 자주 사용

-보이는 그대로 입력하기! begin{verbatim}이용

-\verb|~~|

-\begin{verbatim}

-\begin{verbatim*}

-표입력

-\begin{tabular}[pos]{table spec}

열구분은 &

행구분은 \\

\hline:가로줄삽입

\cline{j-i}:부분적인 가로줄 삽입

-p{width}:자동줄바꿈되는 열 제공

-@{}는 한 열에 항상 입력되는 형태 제공

-c r @{.} l라 하면 3개의 열이 가운데정렬, 우측정렬, 좌측정렬, 그리고 중간열은 .이 마지막에 붙게됨

-| c | c | 는 2개의 열이 가운데정렬로

-표는 설명문이 위에 달리고 fig는 밑에 달린다.

-위치는 LaTeX가 적절히 정함

-\begin{table}로 해주면 \caption달 수 있음

-\caption을 달면 \ref됨

-fig입력

-eps(매스매티카 등으로 얻은 사진)도 입력가능





'제거된 것' 카테고리의 다른 글

Latex 강의 3일차  (0) 2014.02.19
Latex 강의 2일차  (0) 2014.02.18
좋은 습관 목록  (0) 2014.02.06
작성법  (0) 2014.01.08
[금융]금융공학이란  (0) 2013.11.15

*Rules

1. Chapter별로 내용 정리, Chapter별 중요 내용 정리

2. Chapter별 연습문제 스캔해서 올리기

3. 각종 예제들 적기


*Chapter 1 Finite-Sample Properties of OLS

-Abstract

-Finite-Sample Properties란, sample size가 무엇이든 성립하는 properties를 가리킨다.

-OLS는 Estimation의 가장 basic

-Section 1.1 The Classical Linear Regression Model

-가정 Linearity(1)

-추정 계수는 marginal effect를 가리킨다.

-simple regression model이란, nonconstant regressor가 1개일 때를 가리킨다.

-semi-log form이란, 종속변수가 log를 취한 형태일 때를 가리키고, 이때의 추정계수는 percentage change를 가리킨다.

-regressor의 함수형태를 다양하게 도입할 수 있다. 이때 error term이 additive인지 multiplicative인지 판단 중요

-error term이 multiplicative이면 semi-log form가능하지만 아니면 nonlinear regression 이용

-실제로 nonlinear regression은 chapter 7에서 다룸

-가정 Strict Exogeneity(1)

-Strict Exogeneity, 즉 conditional expectation of error terms on data matrix = 0이란 가정에서 = 0 이란 가정이 그렇게 강력하지는 않은게, constant regressor를 도입하면 되므로

-expectation의 성질을 이용해 implications를 얻음(unconditional mean, orthogonal, uncorrelated등)

-대부분의 time-series에서는 strict exogeneity를 근거로한 finite-sample theory가 없음, strict exogeneity가 성립 잘안함

(large-sample theory는 많음)

-strict exogeneity가 성립하지않는 예로는 AR(1)이 있음

-가정 Strict Exogeneity(1-2)

-conditional을 오직 contemporaneous i에 대해서만 줄 때

-가정 Strict Exogeneity(1)보다 약함

-가정 No Multicollinearity(1)

-regressor 개수보다는 observations의 개수가 많아야한다는 의미를 지님(가정의 필요조건)

-종류가 다른 regressors의 실제 다른 값을 갖는 예가 있어야 한다는 의미를 지님

-실제 추정에서의 의미는, OLS estimator for coefficient을 구할 때, (X'X)의 positive-definite, 따라서 invertible보장해줌)

-가정 Spherical Error Variance(1)

-error term이 i에 대해서 분산이 일정하다는 의미

-게다가 no serially correlation이란 의미

-Classical Regression Model for Random Sample일 때는

-random sample(즉 iid로 종속변수와 독립변수를 얻을 때)는 strict exogeneity와 Spherical Error Variance가 reduce됨

-Spherical Error Variance가 reduce되긴 하지만, 없어지진 않는다. 

-iid라해서 functional form은 같다는 걸 알지만, observation index i에 대해서 constant여야함은 iid로 얻어지지않음

-Review questions

-1번:측정단위가 달라지면 어떻게 변하는가?

-2번:random sample에서의 Spherical Error Variance가정의 형태

-3번:combining linearity and strict exogeneity(즉 가정 2개를 합치면 필요충분조건 1개 얻음)

-4번:random sample이 joint distrb가 normal인 경우, 가정 4개를 한번에 다만족함을 알 수 있다.

-5번:simple regression model에서는 No Multicollinearity가정은 nonconstant regressor가 실제로 nonconstant냐는 것과 동치

-6번:Strict Exogeneity와 Spherical Error Variance는 unconditional 통계량도 알 수 있게 해준다.

-Section 1.2 The Algebra of Least Squares

-OLS-estimator란 SSR를 최소화 시킨다.

-이로소 OLS-estimator는 large residuals은 제거하고 small residual을 포함하는게 배경

-OLS-estimator는 normal equations(first-order necessary condition)을 통해 구할 수 있다. 

-OLS-estimator는 data matrix로 표현하거나, sample averages의 곱으로 표현하거나, 2가지 표현가짐

-선형대수에서 Projection(P)과 annihilator matrix(M)를 이용하면, 최소화된 SSR의 표현이 error term으로 표현가능

(error term으로 표현해야, OLS의 가정들을 어떻게 쓸 지 보인다. 따라서 OLS의 성질을 증명하는 데에 있어서 먼저 error term으로 표현하는 게 첫 과정)

(다른 것들도 P,M이용시 표현 간결하게 됨)

-OLS에서 추정해야되는 대상은, regressor coefficient도 있지만, error term의 variance도 있다(in Spherical Error Variance Assumption). OLS-Estimator for error term variance 또한 정의할 수 있다. 

-몇가지 Regression의 정확도 지표

-Uncentered R-Squared

-[0,1]의 값을 가지며 1에 가까울수록 설명력이 강함

-종속변수든 regressor든 측정단위변화해도 값변화하지 않음

-Centered R-Squared(Coefficient of determination이라고도 함)

-regressors중 constant가 있어야 [0,1]의 값을 가짐

-constant항이 없다면 음수가 될 수도 있음

-통계프로그램중 상수항이 없을 때, centered R-squared를 그대로 구해주는 게 있는 반면, 상수항이 없다면 uncentered R-squared를 구해주는 프로그램도 있다. 따라서 사용하는 통계프로그램이 R-Squared를 어떻게 구해내는지 확인할 필요 있다.

-(Page 21, this is a miexeed blessing부터 이해안됨 특히 seasonal dummy variable...)

-종속변수든 regressor든 측정단위변화해도 값변화하지 않음

-1에 가까울수록 설명력이 강함

-Influential Analysis(Optional)

-outlier를 체크하는 방법, influential data를 체크하고 그것을 제거하여 다시 estimate할 수도 있다.

-OLS-Estimator를 실제 컴퓨터로 계산시 유의사항

-regressors끼리 측정단위를 유사한 크기로 만들어라. 그래야 계산오류가 적음(floating-point numbers의 한계극복법)

-data matrix를 transform해서 이용하기도 함. 예를 들어 QR-Decomposition이용

-Review questions

-1번:data matrix^* 곱 data matrix의 positive-definite(from No Multicollinearity 가정)

-2번:(data matrix^* 곱 data matrix)/n의 sample average형태로 표현

-3번:constant regressor가 있는 simple regression model에서 data matrix^* 곱 data matrix의 sample average형태이해와, OLS-estimator의 구체적인 형태

-4번:Projection Matrix의 idempotent, Hermitian, annihilator의 성질

(교재에서의 Projection Matrix는 orthogonal projection matrix이고, 따라서 Hermitian, idempotent, annihilator도 orthogonal projection matrix, 따라서 Hermitian, idempotent)

-5번:

-fitted value vector는 projection matrix*원래 y vector

-OLS residual vector은 annihilator matrix*원래 error term vector

-6번:종속변수든 regressors든 측정단위를 변화시켜도 R-squared(centered든 아니든)은 변하지 않는다.

-7번:Uncentered R-squared와 centered R-squared사이의 관계

-8번:Uncentered R-squared의 다른 표현(using Projection matrix)

-9번:결국엔 관심사는 추정계수, 최소 SSR, OLS-estimator for error term variance, R-squared인데, 이 4가지는 다음 4가지를 통해 구할 수 있다. 따라서 OLS를 함에 있어서 다음 4가지를 적어도 1번은 구해야한다.

-sample average of data matrix^*(X) 곱 data matrix(X)

-sample average of data matrix^*(X) 곱 data matrix(y)

-sample average of y^2

-sample average of y

-Section 1.3 Finite-Sample Properties of OLS

-OLS-estimator for coefficient의 finite sample properties

-가정 linearity(1), strict exogeneity(1), No Multicollinearity(1)일 때

-unbiased

-가정 linearity(1), strict exogeneity(1), No Multicollinearity(1), Spherical error variance(1)일 때

-estimator의 conditional variance on data matrix의 형태

-BLUE(in the sense that conditional variance on data matrix)

(unconditional variance of estimator도 최소 of linear and unbiased임을 알 수 있다.)

-conditional covariance of OLS residual vector and OLS-estimator for coefficient on data matrix = 0

-OLS-estimator for error variance의 finite sample properties

-가정 linearity(1), strict exogeneity(1), No Multicollinearity(1), Spherical error variance(1), n>K(n=K을 배제해서 estimator정의되게끔)일 때

-unbiased

(이것을 이용하면, estimator의 conditional variance on data matrix 또한 estimate가능

-Review questions

-1번:No Multicollinearity의 의미(data matrix^* 곱 data matrix의 invertible보장)

-2번:Consumption function example에서, linear and unbiased estimator different from OLS 존재성

-3번:Gauss-Markov Theorem은 OLS-estimator가 Linear in 종속변수 이면서 unbiased중에서 best란 것

-4번:unconditional variance of OLS-estimator for coefficient임도 알 수 있다.

-5번:error term을 알수만 있다면 굳이 OLS-estimator for error variance를 SSR/(n-k)할 필요없이 unbiased한 것 쉽게 앎

-6번:"-conditional covariance of OLS residual vector and OLS-estimator for coefficient on data matrix = 0" 증명

-7번:influential analysis에 쓰이는 Projection matrix의 대각성분의 성질([0,1]에서의 값을 갖고, 총합은 K)

-note)Projection Matrix의 성질 모음

-idempotent

-hermitian

-positive-semidefinite(왜냐하면 data matrix^* * data matrix가 positive-definite이므로)

-rank=K

-trace=K

-note)annihilator matrix의 성질 모음

-idempotent

-hermitian

-positive-semidefinite(결국 다른 projection matrix로 간주될 수 있으므로)

-rank=n-K

-trace=n-K

-Section 1.4 Hypothesis Testing under Normality

-이 Section에서의 Hypothesis Testing의 의의

-Regression Model은 Economic Theory에 의해 motivated, 이 때 어떠한 경우에는 직접적으로 regression coefficient의 값에 restriction을 주기도 한다. 근데 실제로 estimate를 얻은 것이 이 restriction과는 다를 수 있는데(sampling에 의한 결과이므로), 이 때 restriction이 기각할 지 아니면 기각하지 않을 지(그렇다고 참인지는 모르는) 판단의 근거를 제공해준다.

-regression model에서의 경우, error term과 data matrix의 joint distrb가 필요하진 않고, conditional distrb of error on data matrix만 필요하게 된다는 것이 좋은 사실

-Test 배경

-Null hypothesis+본래 model assumption=maintained hypothesis라 한다. 이것을 먼저 설정

(maintained hypothesis가 참일 때, correctly specified model이라 한다.)

(correctly specified model일 때만, 가설검증함, 그렇지 않은 경우, Null hypothesis가 true더라도 기각하게 되는 결과를 낳을 수 있다. 하지만 실제로 correctly model인지를 알 수는 어렵다.)

-error term관련

-regressor가 capture하지 못하는 부분의 총체->normality가정하는데 motive

-혹은 measurement error->normality가정하는데 motive

-가정 Normality of the error term(1)

-conditioning on data matrix, error term vector에 관한 가정(jointly distrb)

-기존 가정 Strict Exogeneity, Spherical error variance덕에, conditional distrb of error term vector on data matrix를 구체적으로 알 수 있다. 게다가 그 때의 평균과 분산이 data matrix에 not dependent이므로 unconditional distrb까지도 알 수 있게 된다.

-OLS-Estimator for coefficint의 sampling error도 conditional normal on data matrix임을 앎(이때는 uncondition은 모름)

-Test statistic이 되기위한 조건들

-sample로부터 계산이 되어진다.

-conditional distrb on data matrix not depend on data matrix, 따라서 data matrix가 뭐든 unconditional distrb를 가져야(statistic의 값이 not depend on data matrix라는 소리가 아님, 주의)

-distrb가 known

-1개의 Coefficient에 Hypothesis Testing절차 in OLS-Estimator for coefficient(T-test, two-side test)

-가정 linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality of the error term, Null hypothesis:true란 가정들이 필요

-먼저 가설검증할 대상 계수의 null hypothesis를 결정

-sampling error분포로부터 표준화시킨 표준정규분포를 얻음

-error variance를 모르므로 그것 또한 OLS Estimator for error variance로 교체(t-ratio 혹은 t-value 얻음)

(TD(n-k)를 따름)

-significance level를 결정

-critical values(2개, 근데 절댓값같고 부호만 다름)를 구함(in the t-distrb table)

-t-value와 critical value비교를 통해, 기각할건지(reject), 기각하지않을 건지(accept) 판단

(Null이 true인데 기각할 확률은 significance level이 된다. Null이 true인데 accept할 확률은 (1-significance level)

(critical value는 n-K에만 의존하지 data에는 의존안하므로, sample이 바뀐다면(size는 유지하면서) critical value는 1번만 구하면 된다.)

(위의 과정을, Null의 coefficient value가 some interval에 놓여있다고 믿어질 수 있는 구간을 

level (1-significance level) confidence interval이라고도 한다. 특징은 OLS-Estimator for a coefficient(1개)의 standard error가 작을수록 같은 significance level에서 이 confidence interval의 길이가 짧아진다.)

(즉, 유의수준은 Null이 true인데 reject할 확률, 신뢰구간은 모수가 (1-유의수준)으로 들어갈 interval을 가리키고 standard error가 작을수록(같은 유의수준에서) 신뢰구간이 짧아진다.)  

-혹은 t-value를 통해 p-value를 구하고, p-value와 significance level과 비교를 통해 기각할건지 기각하지 않을 건지 판단

(p-value는 0과 1사이 값을 갖고, 0에 가까울수록, 기각할 가능성이 높아짐)

note) critical value사용 vs p-value 사용

전자는 분포의 정의역값 관점이고, 후자는 분포의 확률 관점이다. 전자를 쓰든 후자를 쓰든 기각결정이 바뀌지 않음

-Linear Null Hypothesis인 경우(F-test)(one-side test)

-가정 linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality of the error term, Null hypothesis:true란 가정들이 필요

-먼저 가설검증할 대상 계수들의 linear null hypothesis를 matrix로 표현(full row rank형태로)

-F-ratio값을 얻는다(FD(방정식개수, n-K)를 따른다.)(Wald principle)

(SSR under restriction과 그냥 SSR로써 F-ratio identity존재, 그것을 이용하는게 편리할 수도, Likelihood ratio principle, 이후 논의)

-significance level를 결정

-critical value를 구함(in the F-distrb table)

(혹은 F-ratio값을 통해 p-value를 구하고)

-critical value와 F-ratio값 비교를 통해 기각할지 말지 결정

(p-value와 significance level 비교를 통해 기각할지 말지 결정)

-T-test VS F-test

-F-test for linear null hypothesis에서 방정식이 1개일 땐, T-test와 같은 결과를 가짐

-방정식이 다수일 때 2가지 방법이 존재

-T-test를 방정식 개수만큼 이용하거나(단, 이때는 모든 결과가 기각하지 않는 걸로 나올 때, 전체 null hypothesis를 기각하지 않기로 약속)

-F-test 한번 이용하거나

-결과

-F-test를 선호한다. 그 이유는

-Null이 true일 때 기각할 확률이 significance level이란 말이 계속 적용가능

(T-test를 여러번 사용하는 경우 고정된 significance level에 대해서, Null이 true인데 reject할 확률이 test 방정식 개수가 늘어날수록 점점 더 증가한다.)

-F-test는 likelihood ratio test이므로 좋은 성질들을 가짐(이후 논의)

-Review questions

-1번:conditional distrb으로부터 unconditional distrb되는지 확인(whether depends on data matrix)

-2번:T-test할 때, standard error of a coefficient 또한 다음 4가지로 구해질 수 있다.(Section 1.2 review questions 9번 참고)

-sample average of data matrix^*(X) 곱 data matrix(X)

-sample average of data matrix^*(X) 곱 data matrix(y)

-sample average of y^2    

-sample average of y

-3번:F-ratio유도할 때의 well-defined, matrix의 가역성 보장확인

-4번:one-tailed T-test설명(즉 null hypothesis는 같은데, alternative hypothesis가 one-side일 때)

-5번:restriction에서 방정식1개일 때, F-value=T-value임을 확인하는 예

-6번:방정식이 여러개일 때, T-test를 반복적으로 사용한다면, null이 true일 때 reject할 확률이 점점 커짐(significance level보다 커진다.)

-7번:OLS-estimator for error variance의 conditional variance on data matrix

-Section 1.5 Relation to Maximum Likelihood

-Maximum Likelihood는 Estimate하는 방법중 1가지를 가리킴

-자세한 것은 Chapter 7 Extremum Estiamtor에서 다루고, 여기서는 OLS Estimator for coefficients와 OLS Estimator for error variance를 ML Estimator로서 얻어진 Estimator와 비교

-ML Estimator를 얻기위해선 먼저 density의 form을 가정해야만 한다. 그리고 densities를 parametrizing해야함

-Classical Regression에서는 Conditional Likelihood Function의 parameter만을 다루면 된다. 왜냐하면 Regressors Data의 density를 specify할 수 없으므로(가정이 없으므로)

-가정 Linearity(1), Strict Exogeneity(1), Spherical Error Variance(1), Normality Error Term(1)에서 

-종속변수|regressors는 Normal을 따르고 그것의 density에 log씌운 log likelihood function을 얻을 수 있다. 

-parameter은 coefficients vector와 error variance가 된다.

-ML Estimator for coefficient

-가정 Linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality Error Term(1)에서 

-ML Estimator for coefficient=OLS Estimator for coefficient

-BUE(Best Unbiased Estimator)

(통계학에서 Cramer-Rao Bound이용)

-ML Estimator for error variance

-가정 Linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality Error Term(1)에서 

-ML Estimator for error variance=OLS Estimator for error variance * ((n-K)/n), 즉 분모가 n-K가 아니라 n이 됨

-biased

-Best(즉, conditional variance on data matrix가 최소임은 앎)

-Likelihood ratio test

-L_U/L_R, 즉 restriction없을 때의 likelihood function L_U와 restriction있을 때의 likelihood function L_R을 비교

-L_U/L_R이 too large하면 Null hypothesis를 기각함

-Classical Regression에 가정 linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality of the error term, Null hypothesis:true란 가정하에 얻은 F-ratio를 monotone function에 취하면 L_U/L_R을 얻음, 따라서 기존의 F-test를 Likelihood ratio test로서 간주할 수 있다.

-Section 1.6 Generalized Least Squares

-가정 GLS

-error terms의 conditional second moment가 sigma^2 * V(data matrix)을 가리킴, 여기서 V(data matrix)는 행렬이고 data matrix에 의존하는 것을 가리킴. V(data matrix):known and invertible임도 가정함

-sigma^2*V(data matrix)로 decompose한 이유는 estimate for coefficient할 때 sigma^2항은 필요 없고 V(data matrix)만 필요하기 때문

-가정 Spherical Error variance(1)와는 다른 점은

-conditional homoskedasticity를 만족안할 때를 cover

-error term이 uncorrelated하지 않을 때를 cover하기 위함

-OLS Estimator의 성질

-biased는 유지된다. 애초에 가정 Spherical Error variance(1)이 필요하지 않았음

-not BLUE

-t-ratio, F-ratio가 각각 TD, FD를 따르지 않게 되므로 Hypothesis test를 적용할 수가 없다.

-GLS Estimator만들기


*Chapter 2 Large-Sample Theory

-Abstract

-Chapter 1에서의 다음 가정들이 성립하지 않을 때가 많다.

-strict exogeneity

-normality of the error term

-linearity

-Chapter 2에서는 위의 3가지 가정 중 linearity는 되는데 나머지 2개가 성립안할 때의 해결법을 다룬다.

(즉, linearity, spherical error variance, no multicollinearity는 성립할 때를 생각한다.)

-Large-Sample Theory란, sample size가 아주 클 때의 estimator와 관련된 statistics의 distribution을 approximation함

-Application에서는 Fisher Hypothesis에서의 Fama's classic paper를 다룸

-의의는 정부의 재정정책과 조세정책이 aggregate demand에 영향을 미치지 못한다는 결과를 낳는다.

-Section 2.1 Review of Limit Theorems for Sequences of Random Variables

-Section 2.2 Fundamental Concepts in Time-Series Analysis

-기본적인 확률, 통계 개념

-Asymptotically equivalent

-Avar

-CAN

-sqrt(n)-consistent

-{rdv_n}:iid일 때

-in L1이면

-sample mean:pt cv a.e. to 모평균, cv in L1 to 모평균

-in L2이면

-sample mean:cv in distrb to ND(모평균,모분산/n)

-sample variance:cv in M to 모분산

-delta-method

-ensemble mean

-stationary

-trend stationary

-difference stationary

-weak stationary

-white noise process, independent white noise

-ergodic

-Ergodic Theorem(Main Theorem)

-{rdv_n}:ergodic stationary, in L1이면 sample mean:pt cv a.e. to 모평균

-mg, mgd

-ARCH(1)

-CLT for Ergodic Stationary Mgd(Main Theorem)

-{rdv_n}:Ergodic Stationary Mgd, in L2이면 sample mean cv in distrbt to ND(0,(second moment of rdv)/n)

-Section 2.3 Large-Sample Distribution of the OLS Estimator

-가정 Linearity(2)

-가정 Ergodic Stationary(2)

-jointly ergodic and stationary를 가리킨다. 

-ergodic은 independent와 관련있는 것이고 stationary는 identical distribution과 관련된 것

-error terms도 stationary임을 알 수 있음(따라서 error term의 unconditional homoskedastic은 알 수 있음)

-하지만 i-error terms의 i-conditional homoskedastic은 알 수가 없다.

-가정 Predetermined Regressors(2)

-regressors들이 contemporaneous error term에 대해서 orthogonal인 것을 가리킴

-가정 Strict Exogeneity(1)이 더 강하다.

-가정 Strict Exogeneity(1-2)이 더 강하다.

-가정 Predetermined Regressors(2-2)

-regressors들이 모든 error term에 대해서 orthogonal인 것을 가리킴

-가정 Predetermined Regressors(2)보다 강하다.

-가정 Strict Exogeneity(1)이 더 강하다.

-regressors중 constant가 있다면 {error_i}:mgd, 따라서 serially uncorrelated됨

-가정 Rank Condition(2)

-regressors의 second moments가 invertible임을 가리킨다.

-가정 Ergodic Stationary(2)와 함께 생각하면 가정 No Multicollinearity(1) for large n이 성립함을 알 수 있다.

-가정 Mgd with invertible second moments(2)

-vec{g_i}가 mgd이고 second moments가 invertible임을 가리킨다.

-sample mean of vec{g_i}의 Avar가 vec{g_i}의 second moment임을 알 수 있다. with 가정 Ergodic Stationary(2)

-가정 Predetermined Regressors(2)보다 강하다.

-가정 Sufficient Mgd(2)

-E[error_i | 이전error, 이전regressors, regressos_i]=0을 가리킴

-vec{g_i}가 mgd가 되는 충분조건

-error terms의 uncorrelation을 얻음

-가정 Consistent Estimator for second moments of vec{g_i}(2)

-second moments of vec{g_i}의 consistent estimator의 존재성을 가리킴

-가정 Error Term in L2(2)

-E[error_i^2]:finite을 가리킴

-Chapter 1에서는 가정 Spherical Error Variance에서 E[error_i^2]:finite을 가정함, 하지만 Chapter 2에서는 그런 가정이 없으므로 필요해짐 

-가정 Consistent Estimator for Coefficients(2)

-regression의 coefficients의 consistent estimator의 존재성을 가리킴

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2)일 때 OLS estimator가 consistent이므로 가정 Consistent Estimator for Coefficients의 예가 될 수 있다.

-OLS Estimator for coefficient

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2)일 때

-consistent

-가정 Linearity(2), Ergodic Stationary(2), Rank Condition(2), Mgd with invertible second moments(2)일 때

-sqrt(n)*(Estimator - true coefficient vector):cv in distrb to ND

-가정 Linearity(2), Ergodic Stationary(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of ver{g_i}(2)일 때

-Avar(Estimator) 또한 consistently estimated

-OLS Estimator for error variance

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Error Term in L2(2)일 때

-Consistent

-Section 2.4 Hypothesis Testing

-Power of a test(Null hypothesis가 false일 때)(Test가 좋은지 안좋은지 평가방법)

-Large-Sample Theory에서는 Test가 limit distribution에 의존한다. 하지만 우리는 sample의 개수가 무한개일 수는 없다.

-sample size가 주어졌을 때 Null hypothesis가 false일 때 reject할 확률을 power of a test라 한다. 즉, power가 클수록 좋은 것

-a test is consistent against {DGP s.t. Null hypothesis:실제 false and 다른 가정:true}란

significance level이 주어지고

DGP is given in {DGP s.t. Null Hypothesis:실제 false}일 때

as sample size n->inf, power=1

-a consistent test with {DGP s.t. Null hypothesis:실제 false and 다른 가정:true}에서 만약 sample size n마다 DGP_n을 택하는 경우에 as n->inf, power of the test against {DGP_n}가 1이 아닌 경우에 {DGP_n}을 a sequence of local alternatives라 한다. 그리고 이 때 as n->inf, power of the test against {DGP_n}값을 asymptotic power라 한다.

-Pitmann sequence가 그 예

-1개의 Coefficient에 Hypothesis Testing절차 in OLS-Estimator for coefficient(robust t-ratio, two-side)

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of vec{g_i}(2), Null hypothesis:true란 가정 필요

-robust t-ratio:cv in distrb to ND(0,1)이용

(이 말은 robust t-ratio이용한 test는 consistent against {DGP s.t. Null hypothesis:false and 다른 가정 6개:true}란 말)

-robust t-ratio값 구한 다음에는 Chapter 1에서의 절차와 같음(significance level를 결정...)

-robust t-ratio는 consistent against {DGP s.t. 

-note)Chapter 1 Finite-Sample Theory에서와 다른 점은

-Standard Error를 다르게 구한다.(robust t-ratio 경우 Heteroskedasticity consistent standard error라 한다.)

-TD(n-K)가 아니라, ND(0,1)을 이용한다.

-robust t-ratio가 정확히 ND(0,1)을 따르는게 아니라 cv in distrb to ND(0,1)이므로

-Null Hypothesis가 true인데 reject할 확률은 significance level와 같지 않고 근사적으로 같다. sample size가 커지면 significance level에 수렴함

-Linear Null Hypothesis인 경우(Wald Statistic, one-side)

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of vec{g_i}(2), Null hypothesis:true란 가정 필요

-Wald Statistic:cv in distrb to CSD(방정식 개수)이용

(이 말은 robust t-ratio이용한 test는 consistent against {DGP s.t. Null hypothesis:false and 다른 가정 6개:true}란 말)

-Wald Statistic값 구한 다음에는 Chapter 1에서의 절차와 같음(significance level를 결정...)

-note)Chapter 1 Finite-Sample Theory에서와 다른 점은

-FD(방정식개수,n-k)가 아니라 CSD(방정식개수)를 이용한다.

-Wald Statistic이 정확히 CSD(방정식개수)를 따르는게 아니라 cv in distrb to CSD(방정식개수)이므로

-Null Hypothesis가 true인데 reject할 확률은 significance level과 같지 않고 근사적으로 같다. sample size가 커지면 signifcance level에 수렴함

-Non-Linear Null Hypothesis인 경우(Wald Statistic, one-side)

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of vec{g_i}(2), Null hypothesis:true, Null hypothesis를 C^1 with full row rank로 표현할 수 있다는 가정 필요

-Wald Statistic:cv in distrb to CSD(C^1 function의 row rank)이용

(delta method 이용한 셈이다.)

-Wald Statistic값 구한 다음에는 Chapter 1에서의 절차와 같음(significance level를 결정....)

note)이론 상으로는 n->inf일 때 C^1 with full row rank가 구체적으로 무엇이냐는 상관없지만, 실제로 시행시 n:finite이므로 

C^1 with full row rank를 어떻게 정하냐에 따라 Wald Statistic값이 달라지고 test의 reject여부 결과도 달라진다. 따라서 C^1 with full row rank가 어떤 것인지 확인 필요(같은 hypothesis 내용이라도 function을 어떻게 택하냐도 중요함)

-Section 2.5 Estimating Second Moments of vec{g_i} consistently

-가정 Finite Fourth Moments for Regressors(2)

-같은 sample에서의 임의의 2개(같아도 되는) regressors의 곱의 제곱의 기댓값이 finite임을 가리킴

-Consistent Estimator for Second Moments of vec{g_i}를 가정하지 않고 얻는 데에 필요함

-Consistent Estimator for Second Moments of vec{g_i}얻기

-가정 linearity(2), Ergodic Stationary(2), Finite Fourth Moments for Regressors(2), Consistent Estimator for Coefficients(2)일 때, 일단 Second Moments of vec{g_i}가 finite이기만 하면, consistent estimator for second moments of vec{g_i}를 얻을 수 있다. 

-Test시 power가 1이 아니거나, Null hypothesis:true인데 reject할 확률이 significance level과는 다를 수 있다.

-이런 문제시 Consistent Estimator for Second Moments of vec{g_i}의 조작이 도움될 수 있다.

-Section 2.6 Implications of Conditional Homoskedasticity

-가정 Conditional Homoskedasticity(2)

-E[error_i|regressors_i]=sigma^2 for all i를 가리킴

-Second Moments of vec{g_i}의 형태를 얻음

-가정 Error term in L2(2)가 필요없어짐

-가정 Mgd with invertible second moments(2)과 함께 생각하면 가정 Rank Condition(2)이 필요없어짐

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2)와 함께 생각하면 OLS Estimator for error variance가 consistent해짐을 이용해서 Consistent Estimator for second moments of vec{g_i}를 얻으므로 

-가정 Consistent Estimator for second moments of vec{g_i}(2)가 필요없어짐

-가정 Finite Fourth Moments for Regressors(2)가 필요없어짐

-OLS Estimator for Coefficients를 다시 정리

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2)일 때

-consistent

-가정 Linearity(2), Ergodic Stationary(2), Rank Condition(2), Mgd with invertible second moments(2)일 

-sqrt(n)*(Estimator - true coefficient vector):cv in distrb to ND

-가정 Linearity(2), Ergodic Stationary(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of ver{g_i}(2)일 때

-Avar(Estimator) 또한 consistently estimated

-가정 Linearity(2), Ergodic Stationary(2), Mgd with invertible second moments(2), Conditional Homoskedasticity(2)일 때

-consistent

-sqrt(n)*(Estimator - true coefficient vector):cv in distrb to ND

-Avar(Estimator) 또한 consistently estimated using OLS Estimator for error variance

-OLS Estimator for error variance를 다시 정리

-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Error Term in L2(2)일 때

-Consistent

-가정 Linearity(2), Ergodic Stationary(2), Mgd with invertible second moments(2), Conditional Homoskedasticity(2)일 때

-Consistent
-Hypothesis Test를 다시 정리
-가정 linearity(1), Strict Exogeneity(1), No Multicollinearity(1), Spherical Error Variance(1), Normality of the error term, Null hypothesis:true란 가정들이 필요
-TD이용
-FD이용
-가정 Linearity(2), Ergodic Stationary(2), Predetermined Regressors(2), Rank Condition(2), Mgd with invertible second moments(2), Consistent Estimator for second moments of vec{g_i}(2), Null hypothesis:true란 가정 필요
-ND이용
-CSD이용
-가정 Linearity(2), Ergodic Stationary(2), Mgd with invertible second moments(2), Conditional Homoskedasticity(2)Null hypothesis:true란 가정 필요(Avar(Estimator)를 using OLS estimator for error variance한 것을 이용시)
-robust t-ratio는 Chapter 1에서의 t-ratio와 numerically same이므로
-Chapter 1에서의 t-ratio:cv in distrb to ND(0,1)을 앎
-TD(n-K):cv in distrbt to ND(0,1)인 것을 이용해
-t-ratio~TD(n-k) without 가정 Strict Exogeneity(1), Normality Error term(1) 사용하기도 한다. 
-Wald Statistic은 Chapter 1에서의 F-ratio와 numerically same이므로
-Chapter 1에서의 (방정식개수)*F-ratio:cv in distrb to CSD(방정식개수)을 앎
-(방정식개수)*FD(방정식개수,n-K):cv in distrb to CSD(방정식개수)인 것을 이용해
-F-ratio~FD(방정식개수,n-K) without 가정 Strict Exogeneity(1), Normality Error term(1) 사용하기도 한다. 
-따라서 Chapter 1에서의 Test(TD,FD이용)대신 Chapter 2에서의 Test(ND, CSD이용)을 적용할 수 있다.
-n이 아주 크고, Chapter 2에서의 Testing가정이 만족된다면
-Chapter 1에서의 가정보다 Chapter 2에서의 가정이 loose하므로 Chapter 2에서의 test적용이 쉽다.
-이 때 몇몇 연구자들은 OLS Estimator for error variance의 분모를 (n-K)대신에 n이용하기도 함
(어차피 n이 아주 클 때 이므로 크게 차이 나지 않음)
-n이 크지않고 작을 때는 ND, CSD말고 원래대로 TD, FD를 이용하기도 한다.

-Section 2.9 Least Squares Projection

-가정 Ergodic and stationary, rank condition만 만족할 때 OLS-estimator for coefficient는 무엇을 estimate하는가?

-regression을 떠나 다음을 생각, 

y:rdv

x:RDV

(y,x):joint distrb를 앎

이 때, x의 값을 통해서 y를 predict하자.

-이 때 Mean Square Error가 최소가 되게하는 x의 function for prediction은 E[y|x]가 된다.

-다음 상황을 생각

y:rdv

x:RDV

(y,x):joint distrb를 앎(사실 결과를 보고나서 생각해보면, joint distrb를 다 알 필요가 없고 moments만 몇개 알면 됨)

이 때, x의 값을 통해서 y를 predict하되, x의 linear form중에서 Mean Square Error가 최소가 되게하는 x의 function은?

-정답은 orthogonality를 통해 유도할 수 있고, 그것을 least squares projection of y on x라 한다. 그리고 coefficients를 least squares projection coefficients라 한다.

-이전의 상황과 다르게, 이 경우는, x의 second moment와 x*y의 moment만 알면 된다.

-x중에 constant가 포함된 경우를, regression에서 주로 쓰게 된다.

-regression에서의 적용

-y:종속변수, x:독립변수(regressor vector), 가정 ergodic and stationary, rank condition을 만족할 때 OLS-estimator for coefficient는 least squares projection coefficients를 estimate하고, consistently하게 된다.


*Chapter 3 Single-Equation GMM

-Abstract

-가정 Predetermined Regressors이 성립하지 않을 때는 GMM을 이용하면 된다.

(이 경우 OLS estimator for coefficient가 consistent하지 않게 된다.)

-linear이고 single-equation만 다룬다. Multiple-equation은 Chapter 4, nonlinear GMM은 Chapter 7

-GMM의 major 대안책인 ML은 Chapter 8에서 다룬다.

-Section 3.1 Endogeneity Bias:Working's Example

-Working's Example 1에서 endogenous regressor by simultaneous equations를 다룸

-Working's Example 2에서 IV가 있으면 endogenous regressor의 coefficient에 대한 consistent estimator를 얻는 방법 소개

-IV estimator

-2SLS Estimator

(둘 다 자세한 것은 GMM 배우고 나서 다시 생각하면 좋다.)

-Section 3.2 More Examples

-Haavelmo's Consumption, GNP, Income Example에서 endogenous regressor by simultaneous equations를 다룸

-M.Friedman's Consumption and Income Example에서 endogenous regressor by measurement error를 다룸

-Production Function Q=A*L*exp(error) Example에서 endogenous regressor by regressor와 관계있는데 error term에 포함된 factor를 다룸

-즉 endogenous 발생요인은 대체로 3가지, simultaneity, measurement error, correlated factor in error

-Section 3.3 The General Formulation

-GMM은 기본적으로 orthogonality condition을 이용하는 것이다.

-몇가지 기본 용어들

-

-Section 3.4 Generalized Method of Moments Defined

-Section 3.5 Large-Sample Properties of GMM

-Section 3.6 Testing Overidentifying Restrictions

-Section 3.7 Hypothesis Testing by the Likelihood-Ratio Principle

-Section 3.8 Implications of Conditional Homoskedasticity



*Chapter 6 Serial Correlation

-Abstract

-error term의 serial correlation이 없을 때만을 Chapter 3 GMM에서 다뤘는데, serial correlation이 있을 때도 다뤄보자.

-그러기 위해선 CLT를 좀 더 일반화시켜야 한다. 그리고 그것은 serial correlation의 정도에 제한이 있으면 된다.

-그게 가능한 process가 linear process가 대표적이다.

-Section 6.1 Modeling Serial Correlation:Linear Processes

-Section 6.2 ARMA Processes

-Section 6.3 Vector Processes(6.1, 6.2, 6.3같이 정리)

-기본적인 process와 techniques(기억이 안나면 "수학정리"참고)

-white noise process, independent white noise process, vector white noise process

-MA(q)

-MA(inf), VMA(inf)

-filter(multivariate)

-p-th degree lag polynomial

-abs summable filter

-filter of convolution

-commutativity(multivariate에선 성립안함)

-inverse

-stability condition(multivariate filter의 경우, det로 stability condition가짐)

-AR(p), M-VAR(p)

-random walk with dirft c

-MA(inf) Representation

-ARMA(p,q), VARMA(p,q)

-with common root

-invertible

-Autocovariance-Generating Function of covariance-stationary process

-Review questions

-6.1-1번:cauchy seq<->cv seq in series version

-6.1-2번:covariance-stationary process에 abs summable filter를 씌워서 얻은 새로운 covariance-stationary process의 autocovariance가 어떻게 얻어지는지 이해

-6.1-3번:filter operation의 성질(쉬움)

-6.1-4번, 5번, 6번:단순계산, 확인 문제

-6.2-1번:

-AR(1) with stability condition에서 least square projection of y_t on {1,y_(t-1)}의 형태

-least square projection이 E[y_t|y_(t-1)]과는 다름을 알 수 있다.(주의:E[error_t|y_(t-1)]이 non zero일 수 있음)

-least square projection of y_t on {1,y_(t-1),y_(t-2)} 또한 least square projection of y_t on {1,y_(t-1)}와 같다.

-AR(1) without stability condition에서는 위의 성질들 다 성립 안함

-6.2-2번:AR(1) with coefficient=1은 covariance-stationary solution이 존재하지 않음을 보임

-6.2-3번:AR(p) with stability condition에서 mean구하는 법 증명

-6.2-4번:ARMA(p,q) with stability condition의 solution 형태와 solution임을 확인하기

-6.2-5번:AR(p) with stability condition->MA(inf), ARMA(p,q) with stability condition->MA(inf)표현 연습

-6.2-6번:Autocovariance-Generating Function of covariance-stationary process의 property확인

(covariance-stationary->covariance-stationary using abs summable filter했을 때 autocovariance-generating function의 변화 확인)

-6.2-7번:Autocovariance-Generating Function of covariance-stationary process의 spectrum이 real임을 보이기

-Section 6.4 Estimating Autoregressions

-Estimating of AR(p) with independent WN, stability condition

-regression form으로 만든다면 다음 가정 6개를 만족한다.

-linearity in Chapter 2

-Joint Stationary and Ergodic in Chapter 2

-Conditionally homoskedasticity in Chapter 2

-Mgd with finite second moment in Chapter 2

-Predetermined Regressors in Chapter 2

-Rank condition in Chapter 2

-따라서 다음 결과를 얻을 수 있다. (Using Chapter2 내용)

-OLS-estimator for coefficient는 CAN

-OLS-estimator for coefficient의 Avar의 consistent estimator찾을 수 있다.

-error variance의 consistent OLS-Estimator를 찾을 수 있다.

-Choice of Lag Length

-"Estimating of AR(p) with..."를 할 때 p를 알아야 한다.

-일단 p에 대해서 된다면

-r<p에 대해서도 stability condition 만족하고 phi_r:nonzero이면, 같은 논의를 똑같이 적용가능

-일단 true order가 p라하고, 현재 아는게 p는 몰라도 p_max는 안다.

-Two classes of rules for determining the lag length

-General-to-specific sequential t rule

-일단 p_max로 먼저해보고 prespecified significance level에서 significant하면 p_max로 choice

(Estimating of AR(p)는 결국 chapter2의 내용이므로 regression의 계수 가설검증과도 같다. T-test사용)

-not significant하면 p_max - 1로해본다.

-significant할 때까지하고 해지면 그걸로 choice

(구체적으로 만약 true=3, max=5라면, 

-max에서의 t-test with null:phi_5=0(null이 실제론 참인 상황)

-null이 참인데 기각할 확률은 10%, 즉 5로 choice할 확률이 10%

-null이 참인데 기각하지 않을 확률은 90%

-max-1(4)에서의 t-test with null:phi_4=0(null이 실제론 참인 상황)

-null이 참인데 기각할 확률은 10%, 즉 4로 choice할 확률은 90%*10%

-null이 참인데 기각하지 않을 확률은 90%

-true(3)에서의 t-test with null:phi_3=0(null이 실제론 거짓인 상황)

-t-value는 무조건 크게 나옴, 따라서 반드시 기각함, 즉 3으로 choice할 확률은 90%*90%

-결론, P[choice:5]=0.1, P[choice:4]=0.09, P[choice:3]=0.81

-특징:

-lim n->inf P[choice된 것<true]=0 and lim n->inf P[choice된 것>true]>0

(즉 true order보다 작게 choice할 일은 없고, 크게 choice할 가능성은 적게 있다.)

-test할 sample의 period를 택하는 방법에는

-y_(p_max+1),...,y_n을 이용하거나(test 횟수가 늘어나도 고정)

-y_(j+1),...,y_n을 이용(j는 test 횟수마다 작아지게)

*Chapter 7 Extremum Estimator

-Abstract

-Extremum Estimator는 GMM, ML, least square 등의 Estimator를 일반화한 개념

-asymptotic theory with calculus가 다수 사용됨

-Section 7.1 Extremum Estimators

-terminology

-parameter space

-objective function

-extremum estimator

-parametric model

-correctly specified model

-likelihood function

-log likelihood function

-Extremum Estimator의 존재성을 보장하는 조건3가지

-parameter space가 compact

-objective function이 conti in parameter

-objective function이 MF in data

(parameter space가 compact인 가정을 피하고 싶은 가정)

-Class of Extremum Estimator

-기준:objective function의 형태

-M-estimator

-sample average형태의 objective function

-ML이나 NLS 등이 포함됨

-ML

-model:data가 iid이고 data의 density 또한 가정 indexed by finite dimensional parameter vector

-방법:log likelihood function의 sample mean을 objective function으로 선택

-remark

-data가 serially correlated라면, log likelihood의 sample mean이 simpel하지 않음(chapter 8에서 다룸)

-같은 model에서도 꼭 ML을 써야하는 것은 아니고 GMM으로도 할 수 있음

-CML(Conditional Maximum Likelihood)

-model:

-data가 한부분은 종속변수(y_t, vector일수도) 한부분은 regressors(x_t, column vector)

-data의 density의 indexing parameter vector도 x_t부분과 conditional y_t on x_t부분 2개로 나뉘어짐

-연구자의 관심:x_t가 conditional distrb of y_t on x_t에 얼만큼 영향을 미치는 지에 관심

-x_t의 density의 parameter vector가 conditional distrb of y_t on x_t의 parameter와는 아무 functional relation이 없음->따라서 data의 density가 2개의 densities(x_t의 density * conditional distrb of y_t on x_t)

-방법:conditional distrb of y_t on x_t의 log likelihood function의 sample mean을 obejective function으로 선택

(즉 x_t의 parameter vector는 관심없고(왜냐하면 x_t를 알 때에 y_t가 관심이므로), conditional y_t on x_t의 parameter vector만 관심)

-remark

-만약 x_t의 parameter vector와 conditional y_t on x_t의 parameter vector가 functionally relation을 갖는다면, CML과 ML의 결과가 다르고, functionally relation이 없다면, CML=ML(y_t의 parameter vector의 estimator의 값이 같다는 것)

-functionally relation을 갖는다면, ML의 결과가 더 efficient

-일반적으로, x_t의 density의 parametric form에 관한 정보가 없으므로, 사실상 CML을 쓸 때의 이러한 efficiency loss가 거의 항상 있다.



-GMM

-(-1) * distance 형태의 objective function

(따라서 objective function을 maximize<->distance를 minimize)

(M-estimator나 GMM에 포함되지 않는 extremum estimator도 존재, 특히 classical minimum distance estimators)




*Examples

1. Consumption function, Consumption과 disposable income사이의 관계

-consumption은 i년도 총 소비량 혹은 개인 i의 기간내 총 소비량

-disposable income은 i년도 혹은 개인 i의 기간내 disposable income

-error term은 measure할 수 있지만 관심이 없는 요소거나(Financial assets같은), hard to measure인 경우이면서 consumption에 영향을 주는 요소들

2. Wage Equation 1

-wage는 개인 i의 wage rate, 

-S는 education in years, 개인 i의 총 교육년수

-Tenure는 years on the current job, 개인 i의 현재직장 경력

-Expr는 experience in the labor force, 개인 i의 총 노동경력

-F-test예로는 S와 tenure의 계수는 같고, Expr의 계수는 0이라고 hypothesis할만 함.


~. Working's Example 1

-q_i^(d)는 i기간동안 coffee의 수요량

-q_i^(s)는 i기간동안 coffee의 공급량

-p_i는 i기간동안 coffee의 가격

-u_i는 demand function의 error term

-v_i는 supply function의 error term

-market equilibrium존재

-Endogenous regressor의 발생요인이 simultaneous equations때문인 예

~. Working's Example 2

-q_i^(d)는 i기간동안 coffee의 수요량

-q_i^(s)는 i기간동안 coffee의 공급량

-p_i는 i기간동안 coffee의 가격

-u_i는 demand function의 error term

-x_i는 observable supply shifter 

-eta_i는 supply function의 새로운 error term

-Endogenous Regressor가 있더라도 IV가 존재해서 IV Estimator for coefficient만드는 예

-Endogenous REgressor가 있더라도 IV가 존재해서 2SLS Estimator for coefficient만드는 예

~. Haavelmo's Consumption, GNP, Income Example

-C_i:aggregate consumption in year i

-Y_i:GNP in year i

-I_i:Income in year i

-u_i:error term in consumption function

-Endogenous regressor by simultaneous equations가 바로 이해되는 예

~. M.Friedman's Consumption and Income

-C^*_i:permanent consumption in year i

-Y^*_i:permanent income in year i

-measurement error때문에 endogenous가 발생하는 예

~. Production Function Q=A*L*exp(error)

-Q_i:ith firm's output 

-L_i:ith firm's labor input

-A_i:ith firm's efficiency level

-v_i:ith firm's technology shock

-regressor와 correlated한데 unobservable(for econometrician)이어서 error term에 들어간 factor때문에 endogenous 발생하는 예

~. Wage Equations 2

-LW_i는 개인 i 의 log wage

-S_i는 education in years, 개인 i의 총 교육년수

-Expr_i는 experience in the labor force, 개인 i의 총 노동경력

-IQ_i는 개인 i의 IQ

-AGE_i는 개인 i의 나이

-MED_i는 개인 i의 엄마의 교육년수



~. Estimating the mean of a normal distribution

-model:data가 scalar iid이고 각 data의 density~ND(mu, sigma^2)

-ML의 경우 sample mean이 ML estimator for mu

-GMM의 경우도 sample mean이 GMM estimator for mu


~+1. Linear regression model with normal errors

-model:data={y_t,x_t}:iid, linearity, error는 conditional normal on x_t

-위의 model 가정에 의해 conditional y_t on x_t의 parameter vector={regression의 coefficients vector, error의 variance}

-CML estimator for regression의 coefficients는 OLS-estiamtor가 된다.

-CML estimator for error의 variance는 SSR/n이 된다.(SSR/(n-K)가 아님)




























1. Notation

-indexing은 i,j는 observation, k는 IV, l은 regressors,(multiple GMM까진 해야 더 정교하게할듯)

2. Assumptions(넘버링 필요)

-Basic

-Data관련

-

-E관련

-conditional E관련

-Error관련

-

-E관련

-conditional E관련

-Data랑 Error함께 관련

-

-E관련

-conditional E관련

3. Assumptions의 포함관계

4. 관련 수학적 Thm을 쉽게 언급하고 Notation만들기(그래야 이후 설명시 쉽게 적어보인다. ESMC:Ergodic stationary mgd CLT 등)

-적되, 수학정리에도 같이 적어야할 것이다.

-수학정리에는 증명도 실어야할 것이다.

5. Chapter별 결론(각 결론 뒤에는 사용된 방법론, 쓰인 가정을 적는다. 이후 다른 가정일 때도 성립하면 그것도 적는다.)

-Chapter1(쓰이는, 언급된 가정들을 Chapter1(~~~), ~~에 적기)

-Coefficient Estimator

-OLS Estimator

-쓰인 가정:

-추가된 가정에선~~

-Error Variance Estimator

-Hypothesis Testing

-부가 Testing

-기타

a:anytype의 object

x:vector

M:matrix

d:data frame

T,F란, T나 F중 1개 지정

ts:time series object





*Basic

-ls()

-메모리상 변수들 출력

-=, <-

-우측을 좌측에 할당

-class(a)

-input의 classtype을 뱉는다.

-logical, numeric, character, data frame, ts, formula, lm

-str(a)    

-object의 구조를 요약한다.

-input의 classtype, size, 내용을 뱉는다.

-for(i in 1:1000){~~~}

-함수만들기

-함수명.fun=function(input){~;,~;,...,return(~)}

-library(~)

-패키지 ~를 불러들인다. 따라서 패키지 내 함수 사용가능

-setwd(C:/data)

-작업 디렉토리 설정하는 명령어

-names(x)

-x에 있는 variables의 list가 나온다.

-(=NULL)

-NULL을 할당하면은 clear하자는 뜻

-set.seed(숫자)

-random number를 생성하는데 있어서, 무작위 추출로 얻어낸 수를 똑같이 반복적으로 얻을 필요가 있는데, 그때 사용



*is

-isTRUE

-is.ts


*as

-as.numeric

-as.vector

*수열, vector만들기

-from:to

-1:3

-c()

-c(1,2,3)

-seq()

-seq(from,to,by=n)

-seq(1,3)

-seq(from,to,length.out=m)

-수열 index

-x[n]

-x[1:3]

*Matrix만들기

-M=cbind(x1,x2)

-M=rbind(x1,x2)

-M=matrix(x,nrow=n,ncol=m, byrow=T,F)

-M=matrix(x,nrow=n,ncol=m, bycolumn=T,F)

-M=matrix(scan(),nrow=n,ncol=m, byrow=T,F)

-M=matrix(scan(),nrow=n,ncol=m, byrow=T,F)    

-M[1,2]

-M[,2:3]

-M[2:3,2:3]


*Matrix함수    

-dim(M)

-(nrow,ncol)을 뱉는다.

-M1%*%M2

-t(M)

-det(M)

-diag(M)

-대각성분을 원소로하는 vector을 뱉는다.

-solve(M)

-inverse matrix를 뱉는다.

-eigen(M)

-eigenvalues와 eigenvectors을 갖는 d를 뱉는다.


*vector함수

-sum(x)

-prod(x)

-diff(x)

-cumsum(x)

-length(x)

*data frame

-생성

-d=data.frame(x1,x2)

-data(내장된data)

-불러오기

-d=read.csv("파일명.csv")

-csv란, comma separated value

-메모장에서는 1행엔 변수명, 이후 행부턴 데이터값을 ,로 분리 입력

-엑셀에서도 1행엔 변수명, 이후 행부턴 데이터값을 한 칸에 1개->CSV로 저장

-d=scan(file="c:\Rdata\bok.txt)

-vec를 불러들일 때 편함

-d=read.table(파일경로, header, sep, row.names, col.names, na.strings, stringsAsFactors)

-header:파일의 첫행이 변수명이었다면, header="T"로 설정하여 variables로 받아들여서 data.frame구축가능

-T로 하지 않는다면, 첫행을 data로 받아들임

-sep:데이터 구분 기호, 설정하지 않는다면 띄어쓰기나 tab으로 받아들임, sep=","

-row.names:각 행의 이름을 입력하는 인수, 벡터 형식으로 열 이름을 지정하거나, row.names="1"을 입력하면 데이터의 첫 열을 행이름으로서 사용하겠다는 뜻

-변수

-x1,x2

-각 x의 사이즈가 곧 observations의 횟수

-d$x로 data frame의 변수(vector)에 접근가능

-attach(d)하면 d의 변수를 직접 접근가능, 즉 attach(d)한 후에 x1치면 x1내용 바로 보임

-detach(d)하면 attach 풀어줌(항상 attach로 데이터사용했으면 detach해주자, 그래야 변수명들이 서로 충돌 ㄴㄴ함)

-접근

-d[1:3,]

-d2=subset(d1,조건)

-열 추가

-d=data.frame(d,x3)

-d=cbind(d,x3)

-저장

-write.csv(d,"파일명.csv",row.names=T,F)

-다루기

-with(trees,Volume+Girth+Height)

-trees$를 반복적으로 안적어도 되게끔 해줌

*TS

-ts object만들기

-name.ts=ts(d$variable, start=c(year,month), frequency=n)

-start(ts)

-end(ts)

-frequency(ts)

-name2.ts=window(name1.ts,start=c(year,month),end=c(year,month))로 subset만들 수 있음

-lag(name.ts,-1)이란 원래 ts를 1달 뒤로 미루는 것(lag)을 얻음

-diff(name.ts)란 차분을 얻는것(즉 name.ts - lag(name.ts,-1)을 얻음)


*통계적 요약, 정리

-head()

-tail()

-mean()

-mean(data,trim=0~0.5)

-rep(x,times=n)

-rep(x,each=n)

-summary()

-min()

-max()

-median()

-quantile()

-quantile(x,c(0.25,0.75))

-var()

-표본분산으로서 구한다. 즉 분모가 n이 아니라 n-1로 계산함

-sd()

-표본표준편차로서 구한다. 즉 분모가 n이 아니라 n-1로 계산함

-IQR()

-4분위수범위, 즉 0.75%의 quantile - 0.25%의 quantile값 나옴

-cov()

-cor()

-sort(x)

-x를 순서대로 나열함(오름차순으로)


*표와 그래프

-도수분포표(frequency table)

-table(cut(x,seq(from,to,by=n)))

-cut(x,seq)란, x에서 seq의 범위로 잘라서, 범위내에 데이타가있는 그 범위만을 가져옴

-여기서 seq는 도수범위 자르는 기준

-히스토그램(histogram)

-hist(x,seq(from,to,by=n),col="orange")

-seq은 가로축에 올 것의 범위를 나눔

-hist(x,seq(from,to,by=n),col="orange",probability=TRUE)

-probability=TRUE하면, 세로축이 frequency가 아니라, Probability가 나온다.

-hist(~~,probability=TRUE)한 다음에 lines(density(Volume))하면, pdf를 곡선으로 hist에 덮혀그려준다.

-산점도(scatter plot)

-plot(가로축에 올 x1, 세로축에 올 x2, col="red", main="Title name", add=T, type="p"

-main은 그래프이름, add는 기존그래프에 덮혀그릴 것인지 여부,  type은 데이터 표시방법(p는 점으로 표시)


-시계열그림(time series plot)

-plot(ts, col="blue")

-박스플랏(box-plot)

-boxplot(x)

-outlier, 최솟값, (Q1-1.5IQR,Q1중에서 최솟값), Q1, Q2, Q3, (Q3,Q3+1.5IQR 중에서 최댓값), 최댓값을 알 수 있음

-boxplot(variable1~variable2, data=d), variable1을 variable2(명목형변수)에 따라 boxplot해줌

-명목형변수란, chr, 먹이종류 등으로 type을 결정하는 변수

-비교산포도(pairs)

-pairs(x)

-x내의 variable들을 짝지어 산포도를 한번에 다 그린다.

-stem(x)

-x의 앞자리수|뒷자리수,~~~

-각 앞자리수를 갖는 수들을 알 수 있다. 즉 앞자리수를 기준으로 분류를 하는 방법임

-colors()

-사용할 수 있는 색들 모음이 나온다.

-Q-Q Plot

-sample이 어떠한 정규분포를 따르는지 확인하는 용도

-qqnorm(volume)

-list를 뱉고, $y는 sample,(즉 여기선 Volume)을 갖고 $x는 해당하는 정규분포의 quantile을 갖는다.

-plot을 자동으로하는게 default로 설정되어있고 (x,y) 그려줌

-그래프가 y=x모양에 가까울수록 sample이 정규분포를 따르는 것에서 얻어왔을 가능성이 높은 것

-qqline(volume)을 치면 y=x모양 그래프를 그려줘서 비교가능케해줌


*확률계산과 확률표본의 추출

-정규분포

-F(2)구하는 법:pnorm(2,평균,표준편차)

-f(2)구하는 법:dnorm(2,평균,표준편차)

-표본1000개 얻는 법:rnorm(1000,평균,표준편차)

-분위수 구하는 법:qnorm(0.975,평균,표준편차)

-CSD분포

-F(2)구하는 법:pchisq(2,자유도)

...

ND,CSD,TD,FD등 가능

-sample()

-sample(height,size=10)

-모집단(height)으로부터 표본을 비복원추출할 수 있다.


*OLS하는 법

-regression식만들기

-eq=종속변수~독립변수1+독립변수2+독립변수3

-자동으로 constant를 regressor로 포함함

-eq=종속변수~-1+독립변수1+독립변수2+독립변수3 

-constant를 regressor에 포함시키지않는 방법

-regression하기

-m=lm(eq,data=d)

-기본적으로 계수들을 가르쳐주고

-summary(m)하면 각종 정보들을 모두 알 수 있다.

-m의 variables로는

-coefficients

-residuals

-fitted.values

-rank

-독립변수 개수

-df.residual

-n-k, 즉 sample size-regressors개수

-lm(종속변수~독립변수(명목변수), data=d), dummy variables를 이용한 명목변수의 regression을 알아서 해준다.

-vcov(m)하면 OLS estimator의 covariance matrix를 구해준다.

-sqrt(diag(vcov(m)))하면 SE(b)들을 알 수 있다.

-confint(m,level=0.95)하면 신뢰수준 95%의 신뢰구간을 얻을 수 있다.(기본적으로 H0:각 계수=0 으로 생각하고 진행됨)

-anova(lm(~))

-analysis of variance table이 나온다.

-m.summary=summary(m)

-m.summary의 variables로는

-coefficients

-r.squared

-adj.r.squared

-fstatistic

-H0가 linear하게 주어진다면(여러개로)

-library(car)이용

-R, r만들기(H0표현용)

-linearHypothesis(m,hypothesis.matrix=R,rhs=r)이용, FD이용해서 test

-linearHypothesis(m,hypothesis.matrix=R,rhs=r,test="Chisq")하면 CSD이용해서 test


*One-Sample T-test

-검정의 목표

-H_0를 기각하고자하는게 testing하는 사람의 목표

-검정의 과정

-H_0과 H_1(tester의 목표)를 설정한다.

-단측검정인지 양측검정인지 구분, 단측검정이라면, H_0을 기각할 확률이 높다. 

-몇가지 지표

-level of significance:H_0가 참일 때, H_0을 기각할 확률

-p-value:H_0가 참일 때, 얻은 estimate의 값(v1)이 있을 때,

-양측검정일 땐 P[|estimator|>v1]

-단측검정일 땐 P[estimator>v1]을 가리킨다.

-즉 p-value는 v1이 H_0을 지지하는 정도이다. 0<=p<=1인데, p가 1에 가까울수록 H_0가 기각될 확률은 작은거임

-p-value<level of significance인 경우, H_0을 기각함

-H_0을 accept하더라도, 사실 진짜 H_0가 참인진 모름

-power:H_0가 거짓일 때, H_0을 기각할 확률

-모집단의 정규성 검정

-Shapiro-Wilk Normality Test->주어진 sample을 통해 모집단이 정규성이있는지부터 확인

-없다면, log,sqrt,1/x 등 변환해서 얻은게 정규성띄는지 확인

-Shapiro-Wilk Normality Test는 H_0:sample이 정규분포인 모집단에서 얻어진 것이다., H_1:모집단이 정규분포가 아니다.

-shapiro.test(x)하면 됨

-p-value가 유의수준 0.05보다 크다면 정규분포로 얻은 것이라 받아들이자.

-모집단의 정규성 검정이 통과되면 T-test이용

-t.test(x,H_0)

-t.test(x,mu, conf.level=0.99, alter="greater","less")

-conf.level조절 가능

-alter를 안쓰면 양측검정, 쓰면 단측검정


*Time Series Analysis

-acf(ts, lag.max, type, plot)

-lag.max:최대 시차 값

-type="covariance", "correlation", "partial"

-plot="T", "F", correlogram을 출력할 것인지 여부

-그려보고 나서 ACF-LAG, ACF가 너무 서서히 감소한다면, weak stationary가 아닐 확률이 높아진다.

-arima(ts, order, include.mean)

-입력된 ts를 AR,MA,ARMA 로 근사(modeling)해주는 명령어

-ts:univariate ts입력

-order:order=c(p,d,q), p는 AR의 차수, q는 MA의 차수

-include.mean:모형에 intercept을 포함할지 여부

-

-arima.sim(model,n,rand.gen)

-특정 Time Series을 따르는 data만들어줌

-model=list(~~)

-~~에는 ar=c(,,,)(AR모형의 벡터계수), ma=c(,,,), order=c(p,d,q) 택해서 넣는다.

-n:생성한 Time Series data개수

-rand.gen:오차항의 형태를 결정, 기본값은 rnorm

-random walk 만들기

-r.walk=rnorm(100,mean=0.5,sd=sqrt(2))

-평균이 0.5, 표준편차가 sqrt(2)인 정규분포에서 표본을 100개 만든다음, cumsum(r.walk)하면 random walk를 얻을 수 있다.



'기타 > R,Latex,발표,Research' 카테고리의 다른 글

교내 Latex강좌 강의 정리  (0) 2014.03.19
[발표]지켜야할 것들  (0) 2013.07.04
[영어]Research Papers  (0) 2013.06.24

+ Recent posts