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
- boost asio io_service学习笔记
- 【android】两个按钮的宽度各占屏幕的一半
- SQL SERVER 2005无法远程连接的问题
- javaweb学习总结(三十六)——使用JDBC进行批处理
- chroot环境怎么重启linux,linux下简易chroot环境的塔建
- xfce的panel不显示无线网络解决方案
- linux运维趋势 37期刊为啥没有,linux运维常见问题
- [转]基于图的机器学习技术:谷歌众多产品和服务背后的智能
- 17. 促销,市场营销和内容页
- nginx学习笔记 nginx 配置文件位置 常用命令
- 8月总庆祝:点击过百万,升级V8,进入前300名
- word wrap java控制台_word wrap 解惑
- 平板电脑黑苹果EFI_首次安装黑苹果系统,原来如此简单,比真正的Mac电脑更快...
- 字节架构师:来说说 Kafka 的消费者客户端详解,你都搞懂了吗。
- mysql benchmark tool_使用MYSQL benchmark - DBT2 Benchmark Tool遇到的问题
- 十首中国现代诗,很美!
- 电商设计——3、点线面及光影
- Java判断某天是这一年的第几天
- Non-UTF-8 code starting with ‘\xb5‘ in file D:\eclipse\Python\test\__init__.
- 硬盘突然变raw格式_硬盘变成raw格式解决办法