Skip to main content
QUICK REVIEW

[論文レビュー] Inequalities of Ostrowski's type for m- and (alpha,m)- logarithmically convex functions via Riemann-Liouville Fractional integrals

Ahmet Ocak Akdemi̇r|arXiv (Cornell University)|Dec 7, 2012
Mathematical Inequalities and Applications参考文献 9被引用数 4
ひとこと要約

本稿では、リーマン=リウヴィルの分数級積分を用いて、m-および (α,m)-対数的凸関数に対する新しいオストロフスキー型不等式を確立する。導関数の絶対値の一般化凸性特性を活用し、分数級積分恒等式を適用することで、ガンマ関数およびべき平均を含む鋭い上限が得られ、古典的オストロフスキー不等式がより広い関数クラスへと拡張され、分数級微積分の枠組みにおいて精度が向上する。

ABSTRACT

In this paper, we establish some new Ostrowski's type inequalities for m- and (alpha,m)- logarithmically convex functions by using the Riemann-Liouville fractional integrals.

研究の動機と目的

  • 導関数が m-および (α,m)-対数的凸である関数に対する古典的オストロフスキー不等式の拡張。
  • リーマン=リウヴィルの分数級積分を、平均近似の誤差推定に組み込み、精度の向上を図ること。
  • 関数値とその分数級積分平均との乖離に対する明示的な上界の導出。
  • パラメータ α, m, μ を導入することで、古典的凸性と分数級微積分の間の補間を可能にし、既存の結果を一般化すること。
  • 異なるパラメータ設定(M < 1 と M = 1)におけるガンマ関数および指数積分を用いた定量的推定の提供。

提案手法

  • μ > 0 のリーマン=リウヴィル積分を含む、補題1における分数級積分恒等式を用いる。
  • Hölderの不等式を適用し、導関数の Lp 範囲による分数級積分差の上限を求める。
  • (α,m)-対数的凸性条件を |f′(x)| に適用し、指数型積分上限を導出する。
  • M < 1 の場合の積分推定に、不完全ガンマ関数 Γ(μp+1, ln M^α(m−1)) を用いる。
  • [0,1] 上のパラメータ付き積分を通じて上限を導出する。t は積分変数、x は [a,b] 内の点である。
  • べき平均不等式およびパラメータ付き上限を用い、(x−a)^(μ+1) および (b−x)^(μ+1) を含む簡潔な表現を得る。

実験結果

リサーチクエスチョン

  • RQ1導関数が (α,m)-対数的凸である関数に対して、オストロフスキー型不等式はどのように一般化可能か?
  • RQ2リーマン=リウヴィルの分数級積分は、平均近似の誤差上限をどのように改善するか?
  • RQ3パラメータ α, m, μ は、導出された不等式の鋭さにどのように影響するか?
  • RQ4|f′(x)| が対数的凸性のもとで M < 1 または M = 1 に有界である場合の明示的上限は何か?
  • RQ5μ = 1 かつ α = m = 1 の極限で、古典的オストロフスキー不等式は特殊ケースとして回復可能か?

主な発見

  • 本稿では、リーマン=リウヴィルの分数級積分を用いて、(α,m)-対数的凸関数に対する鋭いオストロフスキー型不等式を導出する。上限には、[1/(2μ+1) + K₁(α,m,t)] に (x−a)^(μ+1) および (b−x)^(μ+1) の重み付き和が含まれる。
  • |f′(x)| ≤ M < 1 の場合、上限には不完全ガンマ関数 Γ(μp+1, ln M^α(m−1)) が含まれ、古典的推定値よりも非自明な改善をもたらす。
  • M = 1 の場合、上限は 1/(μp+1) に簡略化され、関数の成長に依存しない明快な解析的表現が得られる。
  • 系4では、α = 1 のとき、結果が m-対数的凸導関数に対する不等式に還元され、不完全ガンマ関数およびべき平均因子を含む上限が得られる。
  • 系6では、μ = 1 の極限で古典的オストロフスキー不等式が回復され、上限はパラメータ p および関数の最大導関数バウンド M に依存する。
  • 本稿は、分数級積分フレームワークが、特に対数的凸性仮定下で、古典的手法よりもタイトで柔軟性のある誤差推定を可能にすることを示している。

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。