概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理1 Baire‘s Category与Banach-Steinhaus定理的证明
概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理1 Baire's Category与Banach-Steinhaus定理的证明
- Baire's Category Theorem
- Banach-Steinhaus定理(uniform boundedness principle)
写在前面
在随机微分方程那个系列中,我们在讨论Markov family的时候引入了Markov family的算子半群,这是一个在概率论与数理统计的理论中非常强大的分析工具。在随机分析中,算子半群可以用来分析Markov过程与Levy过程的性质,进而分析某些随机微分方程的解的构造;在统计计算的理论中,算子半群可以用来表达一种MCMC类的算法,这样就能把算法的收敛与误差分析化归为对算子半群的范数的讨论。所以我打算单独开一个系列,介绍概统中的算子半群。
Baire’s Category Theorem
Baire’s Category Theorem是泛函分析中的经典结果,我们先引入这个工具。
nowhere dense
(X,∥⋅∥)(X,\left\| \cdot \right\|)(X,∥⋅∥)是一个赋范线性空间,SSS是它的子集;
∀x∈X,ϵ>0\forall x \in X,\epsilon>0∀x∈X,ϵ>0,B(x,ϵ)={y∈X:∥y−x∥<ϵ}B(x,\epsilon)=\{y \in X:\left\| y -x \right\|<\epsilon \}B(x,ϵ)={y∈X:∥y−x∥<ϵ}被称为XXX中的open ball;
∀x∈X,ϵ>0\forall x \in X,\epsilon>0∀x∈X,ϵ>0,Bˉ(x,ϵ)={y∈X:∥y−x∥≤ϵ}\bar B(x,\epsilon)=\{y \in X:\left\| y -x \right\|\le \epsilon \}Bˉ(x,ϵ)={y∈X:∥y−x∥≤ϵ}被称为XXX中的closed ball;
称SSS nowhere dense if and only if (in short, iff) SSS的闭包(clScl SclS)不包含任何open ball,另一种表述为任意open ball BBB都有一个open ball子集B′B'B′,使得S∩B′=ϕS \cap B' = \phiS∩B′=ϕ;
Baire first category set
在拓扑空间中,能被可列个nowhere dense集合的并表示的集合被称为Baire first category set;
Baire second category set
在拓扑空间中,能被可列个nowhere dense集合或者开集的并表示的集合被称为Baire second category set,或者不是Baire first category set的集合就是Baire second category set;
Baire’s Category Theorem
Banach空间不能表示成可列个nowhere dense集合的并(也就是说Banach空间不是Baire first category set,它是Baire second category set)
证明思路
用反证法,假设XXX是Banach空间,{Sn}\{S_n\}{Sn}是可列个nowhere dense集合,并且
X=⋃n∈NSnX = \bigcup_{n \in \mathbb{N}} S_nX=n∈N⋃Sn
假设B0=B(0,1)B_0=B(0,1)B0=B(0,1),因为S1S_1S1 nowhere dense,于是∃B1⊂B0\exists B_1 \subset B_0∃B1⊂B0,B1B_1B1是open ball并且B1∩S1=ϕB_1 \cap S_1 = \phiB1∩S1=ϕ;我们可以假设B1B_1B1的半径小于1/21/21/2,如果B1B_1B1的半径大于1/21/21/2,我们总是可以找到一个更小的open ball与S1S_1S1无交;
重复这个过程,S2S_2S2 nowhere dense,于是存在B1B_1B1的open ball子集B2B_2B2使得S2S_2S2与B2B_2B2无交且B2B_2B2的半径小于1/31/31/3;
对于一般情形,存在半径小于1n+2\frac{1}{n+2}n+21的open ball Bn+1B_{n+1}Bn+1与Sn+1S_{n+1}Sn+1无交;
因为⋃n∈NclBn\bigcup_{n \in \mathbb{N}}cl B_n⋃n∈NclBn非空(为了更加严谨,这个结果需要证明),于是∃x∈clBn,∀n\exists x \in clB_n,\forall n∃x∈clBn,∀n,那么xxx一定也是Banach空间中的点;但是BnB_nBn与SnS_nSn无交,于是xxx不属于任意SnS_nSn,所以
x∉⋃n∈NSnx \notin \bigcup_{n \in \mathbb{N}} S_nx∈/n∈N⋃Sn
这样我们就说明了∃x∈X,x∉⋃n∈NSn\exists x \in X, x \notin \bigcup_{n \in \mathbb{N}} S_n∃x∈X,x∈/⋃n∈NSn,这与X=⋃n∈NSnX=\bigcup_{n \in \mathbb{N}} S_nX=⋃n∈NSn矛盾。
Banach-Steinhaus定理(uniform boundedness principle)
假设XXX是一个Banach空间,{An}\{A_n\}{An}是可列个XXX上的有界线性算子,∀x∈X\forall x \in X∀x∈X,supn≥1∥Anx∥\sup_{n \ge 1} \left\| A_nx \right\|supn≥1∥Anx∥有界,则supn≥1∥An∥\sup_{n \ge 1} \left\| A_n \right\|supn≥1∥An∥有界;
证明思路
定义Sn={x∈X:supk≥1∥Akx∥≤n}S_n = \{x \in X:\sup_{k \ge 1} \left\| A_kx \right\| \le n\}Sn={x∈X:k≥1sup∥Akx∥≤n}因为有界线性算子等价于连续线性算子,所以AnA_nAn连续,因此SnS_nSn是闭集;并且
X=⋃n≥1SnX = \bigcup_{n \ge 1}S_nX=n≥1⋃Sn
根据Baire’s Category Theorem,SnS_nSn不是Baire first category set,于是存在一个SlS_lSl有closed ball子集Bˉ(x,r)\bar B(x,r)Bˉ(x,r),考虑y∈Xy \in Xy∈X,引入向量
z=x+r∥y∥y∈Bˉ(x,r)z = x+ \frac{r}{ \left\|y \right\|} y \in \bar B(x,r)z=x+∥y∥ry∈Bˉ(x,r)
则
∥Any∥=∥∥y∥rAnz−∥y∥rAnx∥≤∥y∥r∥Anz∥+∥y∥r∥Anx∥≤2lr∥y∥\left\| A_n y \right\|= \left\| \frac{\left\|y \right\|}{ r}A_n z - \frac{\left\|y \right\|}{ r}A_n x \right\| \le \frac{\left\|y \right\|}{ r}\left\| A_n z \right\|+\frac{\left\|y \right\|}{ r}\left\| A_n x \right\| \le \frac{2l}{r}\left\| y \right\|∥Any∥=∥∥∥∥r∥y∥Anz−r∥y∥Anx∥∥∥∥≤r∥y∥∥Anz∥+r∥y∥∥Anx∥≤r2l∥y∥
因为x,z∈Bˉ(x,r)⊂Slx,z \in \bar B(x,r) \subset S_lx,z∈Bˉ(x,r)⊂Sl,于是
supn≥1∥An∥≤2lr\sup_{n \ge 1} \left\| A_n \right\| \le \frac{2l}{r}n≥1sup∥An∥≤r2l
概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理1 Baire‘s Category与Banach-Steinhaus定理的证明相关推荐
- 概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理2 Banach-Steinhaus定理的应用
概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理2 Banach-Steinhaus定理的应用 上一讲我们介绍了Banach-Steinhaus定理: Banach-Stei ...
- 概率与统计在计算机应用,计算机技术在概率论和数理统计中的应用
计算机技术在概率论和数理统计中的应用 (5页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 19.90 积分 概率论与数理统计 期中论文计算机技术在概率论和 ...
- python在概率论与数理统计中的作用
概率论与数理统计 一.描述性统计和统计图 1.用Pandas来计算统计量 使用 pandas的describe方法计算相关统计量,并计算身高和体重的偏度,峰度,样本的25%,50%,90%分位数 数据 ...
- 概率论与数理统计中的独立(独立 独立同分布 不相关)
由均值方差的性质,Z=x−μσ2,则E(z)=0,var(z)=1由均值方差的性质,Z=\frac{x- μ}{\sqrt{σ^2}},则E(z)=0,var(z)=1由均值方差的性质,Z=σ2x− ...
- 概率论与数理统计学习笔记——第14讲——大数定律(1.切比雪夫不等式及切比雪夫大数定律)
1. 问题引入 2. 依概率收敛 3. 大数定律 4. 切比雪夫大数定律 5. 切比雪夫不等式
- 概率论与数理统计学习笔记——第13讲——依概率收敛的意义
1. 问题引入--能否按照数列收敛的定义类似地定义随机变量序列的收敛性? 2. 依概率收敛的定义
- 概率论与数理统计学习笔记——第六讲——离散型随机变量(6.2贝努利概型和二项分布)
1. 贝努利试验的定义 2. 0-1分布(描述贝努利试验) 2. n重贝努利试验 3. 二项分布(描述n重贝努利试验) 4. 二项分布示例1 5. 二项分布示例2
- 概率论与数理统计学习笔记——第7讲——连续型随机变量(2.5.5正态分布)
1. 正态分布(高斯分布)的背景及定义 2. 正态分布(标准正态分布)的定义 3. 正态分布密度曲线的特征 4. 正态分布的位置参数μ 5. 正态分布的形状参数σ^2 6. 标准正态分布的概率计算 ...
- 概率论与数理统计学习笔记——第8讲——多维随机变量的概念(3.1.4联合概率密度的概念及性质)
1. 内容回顾--二维离散型随机变量 2. 二维连续型随机变量的联合概率密度 3. 联合概率密度的性质 4. 联合概率密度求解示例
最新文章
- Android 设置thumb图片大小
- preparestatement方法用多次_如何用java 5分钟实现一个最简单的mysql代理服务器?
- tomcat启动占了12g_windows server tomcat服务器部署内存占用高问题
- Java程序编译和运行的过程
- C++ STL : 模拟实现STL中的容器适配器stack和queue
- 正则表达式 (练习)
- [jQuery] jQuery是通过哪个方法和Sizzle选择器结合的?
- luogu 1344 追查坏牛奶(最小割)
- php 怎么配置邮件,PHP发邮件的配置_PHP教程
- url动态追加参数_领高舆情优化:SEO网站URL优化的方法!
- 一个男人具备什么样的条件,才能结婚?
- WatchStor观察:冰岛身陷困境也不会停止数据中心项目
- django启动服务器失败-已解决
- linux:fdisk分区命令详解
- 原生汇率计算器系统源代码
- 国家专精特新小巨人申报条件及培育措施
- windows录屏_电脑是怎么录屏的呢?推荐三个录屏实用方法
- 谷歌高质量外链,google英文外链怎么做效果好?
- 上饶师范学院计算机科学与技术专业就业前景,上饶师范学院毕业生就业质量年度报告.PDF...
- TIA STEP7 V15.1+EKB2019_07_07(百度网盘版)
热门文章
- Nutch编译及集成eclipse+mysql开发环境的部署总结
- python字典的数据结构_Python数据结构之三——dict(字典)
- shiro的QuickStart
- Python 技术篇-按任意格式灵活获取日期、时间、年月日、时分秒。日期格式化。
- JS获取当天零点或23:59:59的时间
- 2015年蓝桥杯省赛第5题--九数组分数
- 2.1.1 Speed Limit
- opencv随机数的产生
- Pytorch中的optimizer.zero_grad和loss和net.backward和optimizer.step的理解
- 2.1.1 正则化基本介绍