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-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;
这个定理是泛函分析中非常重要的一个工具,当我们需要用到一列有界线性算子的范数一致有界的结果时,我们就可以用这个定理。
推论1 假设{An}\{A_n\}{An}是Banach空间XXX上的可列个连续线性算子,如果∀x∈X\forall x \in X∀x∈X,AnxA_nxAnx的极限存在,则limn→∞An\lim_{n \to \infty}A_nlimn→∞An是有界线性算子;
证明
根据极限的线性性,不难验证limn→∞An\lim_{n \to \infty}A_nlimn→∞An是线性算子,我们记A=limn→∞AnA=\lim_{n \to \infty}A_nA=limn→∞An,则
∥Ax∥=∥limn→∞Anx∥=limn→∞∥Anx∥\left\| Ax \right\| = \left\| \lim_{n \to \infty}A_nx \right\|=\lim_{n \to \infty}\left\|A_nx \right\|∥Ax∥=∥∥∥n→∞limAnx∥∥∥=n→∞lim∥Anx∥
因为∀x∈X\forall x \in X∀x∈X,AnxA_nxAnx的极限存在,所以∀x∈X\forall x \in X∀x∈X,supn≥1∥Anx∥\sup_{n \ge 1} \left\| A_nx \right\|supn≥1∥Anx∥有界,根据Banach-Steinhaus定理,AnA_nAn的范数一致有界,不妨假设上界为KKK,则
limn→∞∥Anx∥≤K∥x∥\lim_{n \to \infty}\left\|A_nx \right\| \le K\left\| x \right\|n→∞lim∥Anx∥≤K∥x∥
所以AAA是有界算子。
推论2 假设At,t∈(0,1]A_t,t \in (0,1]At,t∈(0,1]是一族有界线性算子,假设∀x∈X\forall x \in X∀x∈X,AtxA_txAtx在t→0t \to 0t→0处的极限存在,则∃δ>0\exists \delta>0∃δ>0,sup0<t≤δ∥At∥<∞\sup_{0<t \le \delta}\left\| A_t \right\|<\inftysup0<t≤δ∥At∥<∞;
证明
与推论1相比,推论2讨论的是不可列的一族有界线性算子,它的难点在于我们的工具——Banach-Steinhaus定理——提供的是处理可列个有界线性算子的方法,所以我们的思路是把需要证明的结果离散化。
反证:假设∀δ>0\forall \delta>0∀δ>0,sup0<t≤δ∥At∥>∞\sup_{0<t \le \delta}\left\| A_t \right\|>\inftysup0<t≤δ∥At∥>∞,于是∀n∈N\forall n \in \mathbb{N}∀n∈N,∃tn<1/n\exists t_n<1/n∃tn<1/n,使得∥Atn∥≥n\left\| A_{t_n} \right\| \ge n∥Atn∥≥n;
现在我们看一下这个定理的条件,∀x∈X\forall x \in X∀x∈X,AtxA_txAtx在t→0t \to 0t→0处的极限存在,则AtnxA_{t_n}xAtnx的极限也存在,这说明∀x∈X\forall x \in X∀x∈X,AtnxA_{t_n}xAtnx有界,根据Banach-Steinhaus定理,AtnA_{t_n}Atn的范数一致有界,这就与反证的假设相悖了;
推论3 YYY是Banach空间XXX的紧子集,假设A,An,n≥1A,A_n,n \ge 1A,An,n≥1是X→ZX \to ZX→Z的有界线性算子,其中ZZZ是一个赋范线性空间,limn→∞Anx=Ax\lim_{n \to \infty}A_nx = Axlimn→∞Anx=Ax,则
limn→∞supy∈Y∥Any−Ay∥=0\lim_{n \to \infty} \sup_{y \in Y} \left\| A_ny-Ay \right\|=0n→∞limy∈Ysup∥Any−Ay∥=0
证明
这个结论可以与数学分析中的相关结果对应起来:R\mathbb{R}R上的一列收敛的函数在R\mathbb{R}R的任意有界闭集上是一致收敛的;
给定ϵ>0\epsilon>0ϵ>0,因为YYY是紧集,所以∃k∈N\exists k \in \mathbb{N}∃k∈N,∃y1,⋯,yk\exists y_1,\cdots,y_k∃y1,⋯,yk使得∀y∈Y\forall y \in Y∀y∈Y,∃yi∈{y1,⋯,yk}\exists y_i \in \{y_1,\cdots,y_k\}∃yi∈{y1,⋯,yk},
∥y−yi∥<ϵ4M,∃M>0\left\| y - y_i\right\| < \frac{\epsilon}{4M},\exists M>0∥y−yi∥<4Mϵ,∃M>0
limn→∞Anx=Ax\lim_{n \to \infty}A_nx = Axlimn→∞Anx=Ax说明所有的AnxA_nxAnx有界,于是AnA_nAn的范数一致有界,用MMM表示这个上界。估计∥Any−Ay∥\left\| A_n y -Ay \right\|∥Any−Ay∥,
∥Any−Ay∥≤∥Any−Anyi∥+∥Anyi−Ayi∥+∥Ayi−Ay∥≤(∥An∥+∥A∥)maxi=1,⋯,k∥y−yi∥+maxi=1,⋯,k∥Anyi−Ayi∥\left\| A_n y -Ay \right\| \le \left\| A_n y -A_ny_i \right\|+\left\| A_n y_i -Ay_i \right\|+\left\| A y_i -Ay \right\| \\ \le (\left\| A_n \right\|+\left\| A\right\|)\max_{i = 1,\cdots,k}\left\| y-y_i\right\|+\max_{i=1,\cdots,k}\left\| A_n y_i -Ay_i \right\|∥Any−Ay∥≤∥Any−Anyi∥+∥Anyi−Ayi∥+∥Ayi−Ay∥≤(∥An∥+∥A∥)i=1,⋯,kmax∥y−yi∥+i=1,⋯,kmax∥Anyi−Ayi∥
第一项的上界为
2Mmaxi=1,⋯,k∥y−yi∥<2Mϵ4M=ϵ22M\max_{i = 1,\cdots,k}\left\| y-y_i\right\| < 2M \frac{\epsilon}{4M}=\frac{\epsilon}{2}2Mi=1,⋯,kmax∥y−yi∥<2M4Mϵ=2ϵ
因为limn→∞Anx=Ax,∀x∈X\lim_{n \to \infty}A_nx = Ax,\forall x \in Xlimn→∞Anx=Ax,∀x∈X,于是在nnn足够大时,我们可以把maxi=1,⋯,k∥Anyi−Ayi∥\max_{i=1,\cdots,k}\left\| A_n y_i -Ay_i \right\|maxi=1,⋯,k∥Anyi−Ayi∥控制在ϵ2\frac{\epsilon}{2}2ϵ以内,于是
∥Any−Ay∥<ϵ\left\| A_n y -Ay \right\|<\epsilon∥Any−Ay∥<ϵ
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 Theor ...
- 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
- es安装的时候遇到的所有的坑
- ssh配置公钥_如何使用公钥认证免密码ssh远程登录Linux服务器
- 【iCore3 双核心板_ uC/OS-III】例程五:软件定时器
- STM32CubeIDE教程-现场表达式切换数字进制表示
- @微信官方,给我微信旁边加个福字
- 理论基础 —— 查找
- 查看未提交事务或sleep session最后执行的sql语句
- R40 gpio 寄存器地址操作【原创】
- 【C语言】猜拳小游戏代码实现
- java gps_用Java解析GPS经纬度
- IOS端好用的ssh工具推荐
- TShockwaveFlash的安装及其属性和方法
- win7与internet时间同步出错_如何解决Win7时间同步出错的问题
- 老猿学5G随笔:5G核心网中与用户数据相关的NF功能体UDM、AUSF、PCF、UDR
- 俄内政部悬赏破解 Tor 匿名网络
- 为什么设置了面容ID,仍然需要输入密码解锁iPhone?
- RTB广告大数据时代 人才奇缺培养迫在眉睫
- R语言绘图 | Venn图
- Socks代理是什么?PC端怎么使用Socks5代理?
- 基于matlab的齿轮,基于matlab的故障齿轮分析.doc
热门文章
- 【Python学习系列七】Windows下部署Python推荐系统recsys
- Linux下NFS(网络文件系统)的建立与配置方法
- 开机出现grub rescue无法进入系统 恢复ubuntu系统下grub引导 windows xp和ubuntu9.10双系统引导程序的修复
- AOP原理-AnnotationAwareAspectJAutoProxyCreator执行时机 || InstantiationAwareBeanPostProcessor
- Element-UI 的基本使用||基于图形化界面自动安装
- 信息管理系统(Servlet+jsp+mvc+jdbc)
- Service 和 doGet 和 doPost 方法的区别
- Netty基本使用流程代码
- C++——拷贝构造函数
- CTFshow 反序列化 web277