概率论基础-严士健 第二版 习题与补充3.2答案

概率论基础-严士健 第二版 习题与补充3.2答案
1. f f f为非负简单函数,即 f = ∑ j = 1 n x j χ A j f = \sum_{j=1}^n x_j \chi_{A_j} f=j=1nxjχAj,则
∫ f d μ = ∫ f d ( a 1 μ 1 + a 2 μ 2 ) = ∫ ∑ j = 1 n x j χ A j d ( a 1 μ 1 + a 2 μ 2 ) = ∑ j = 1 n x j ( a 1 μ 1 + a 2 μ 2 ) ( A j ) = ∑ j = 1 n x j ( a 1 μ 1 ( A j ) + a 2 μ 2 ( A j ) ) = ∑ j = 1 n x j a 1 μ 1 ( A j ) + ∑ j = 1 n x j a 2 μ 2 ( A j ) = a 1 ∑ j = 1 n x j μ 1 ( A j ) + a 2 ∑ j = 1 n x j μ 2 ( A j ) = a 1 ∫ ∑ j = 1 n x j χ A j d μ 1 + a 2 ∫ ∑ j = 1 n x j χ A j d μ 2 = a 1 ∫ f d μ 1 + a 2 ∫ f d μ 2 \int fd\mu = \int f d(a_1\mu_1 + a_2\mu_2) = \int \sum_{j=1}^n x_j \chi_{A_j}d(a_1\mu_1 + a_2\mu_2) = \sum_{j=1}^n x_j(a_1\mu_1 + a_2\mu_2)(A_j)= \sum_{j=1}^n x_j(a_1\mu_1(A_j) + a_2\mu_2(A_j)) = \sum_{j=1}^n x_ja_1\mu_1(A_j) + \sum_{j=1}^n x_ja_2\mu_2(A_j)=a_1 \sum_{j=1}^n x_j\mu_1(A_j) +a_2 \sum_{j=1}^n x_j\mu_2(A_j)=a_1 \int \sum_{j=1}^n x_j \chi_{A_j}d\mu_1 +a_2 \int \sum_{j=1}^n x_j \chi_{A_j}d\mu_2 = a_1 \int fd\mu_1 +a_2 \int fd\mu_2 fdμ=fd(a1μ1+a2μ2)=j=1nxjχAjd(a1μ1+a2μ2)=j=1nxj(a1μ1+a2μ2)(Aj)=j=1nxj(a1μ1(Aj)+a2μ2(Aj))=j=1nxja1μ1(Aj)+j=1nxja2μ2(Aj)=a1j=1nxjμ1(Aj)+a2j=1nxjμ2(Aj)=a1j=1nxjχAjdμ1+a2j=1nxjχAjdμ2=a1fdμ1+a2fdμ2
f f f关于 μ 1 , μ 2 \mu_1, \mu_2 μ1,μ2的积分存在,则 ∫ ∣ f ∣ d μ 1 < ∞ , ∫ ∣ f ∣ d μ 1 < ∞ \int |f| d\mu_1 < \infty, \int |f| d\mu_1 < \infty fdμ1<,fdμ1<, 由上式得 ∫ ∣ f ∣ d μ < ∞ \int |f| d\mu < \infty fdμ<,即 f f f关于 μ \mu μ积分存在.
f f f为非负函数,存在一列非负递增的简单函数 f n ↑ f f_n \uparrow f fnf,由单调收敛定理即证。
f f f为一般函数,则 f = f + − f − f = f^+ - f^- f=f+f即可。
tips:主要是简单函数的证明,虽然明显,但是要严格的写出来。
2.由于 ∣ g ∣ ≥ 0 |g| \geq 0 g0,故而:
a ∣ g ∣ ≤ f ∣ g ∣ ≤ b ∣ g ∣ a|g| \leq f|g| \leq b|g| agfgbg。由于 g g g关于 μ \mu μ可测,则 ∫ a ∣ g ∣ ≤ ∫ f ∣ g ∣ ≤ ∫ b ∣ g ∣ \int a|g| \leq \int f|g| \leq \int b|g| agfgbg。故存在某个常数 c ∈ [ a , b ] c \in [a,b] c[a,b]有:
∫ f ∣ g ∣ = c ∫ ∣ g ∣ \int f|g| = c\int |g| fg=cg.
3.由于 f , g f,g f,g是取有限值的简单函数,假设 f f f关于 μ \mu μ可积,设 g = ∑ i = 1 n a i χ A i g = \sum_{i=1}^n a_i \chi_{A_i} g=i=1naiχAi,其中 a 1 , … , a n a_1, \dots, a_n a1,,an有限,不妨设 M = max ⁡ { a 1 , … , a n } M = \max\{a_1, \dots, a_n\} M=max{a1,,an},从而 f g ≤ M f fg \leq Mf fgMf可知 f g fg fg可积。
4. ∞ > ∫ f + ≥ ∫ ∣ f ∣ ≥ ∫ ∣ f ∣ ≥ ϵ ∣ f ∣ ≥ ϵ μ ( ∣ f ∣ ≥ ϵ ) ∀ ϵ > 0. \infty > \int f_+ \geq \int |f| \geq \int_{|f| \geq \epsilon} |f| \geq \epsilon \mu(|f| \geq \epsilon) \forall \epsilon > 0. >f+ffϵfϵμ(fϵ)ϵ>0.所以 ∞ ≥ μ ( ∣ f ∣ ≥ ϵ ) . \infty \geq \mu(|f| \geq \epsilon). μ(fϵ).
5.由于 ∅ \empty 中的点的个数为0,从而 μ ( ∅ ) = 0. \mu(\empty) = 0. μ()=0.
由于 ∅ ⊂ A \empty \subset A A从而 μ ( A ) ≥ 0. \mu(A) \geq 0. μ(A)0.
A 1 , A 2 … A_1, A_2 \dots A1,A2是一列互不相交的集合,且对应点的个数分别为 m 1 , m 2 , … m_1, m_2, \dots m1,m2,,从而 ∪ i = 1 ∞ A i \cup_{i=1}^{\infty} A_i i=1Ai中点的个数为 ∑ i = 1 ∞ m i \sum_{i=1}^{\infty}m_i i=1mi.则 μ ( ∪ i = 1 ∞ A i ) = ∑ i = 1 ∞ m i = ∑ i = 1 ∞ μ ( A i ) \mu(\cup_{i=1}^{\infty} A_i) = \sum_{i=1}^{\infty}m_i = \sum_{i=1}^{\infty}\mu(A_i) μ(i=1Ai)=i=1mi=i=1μ(Ai)。故 ( Ω , A , μ ) (\Omega, \mathscr{A}, \mu) (Ω,A,μ)是一个测度空间。
6.给定 A = { ω } A = \{\omega\} A={ω},令 P ( A ) = a , P ( A c ) = 1 − a P(A) = a, P(A^c) = 1 -a P(A)=a,P(Ac)=1a,则 ∫ f d ν = ∫ f d δ A = f ( ω ) = ∫ g d ν = ∫ g d δ A = g ( ω ) . \int fd\nu = \int f d\delta_A = f(\omega) = \int gd\nu = \int g d\delta_A = g(\omega). fdν=fdδA=f(ω)=gdν=gdδA=g(ω).由于 ω \omega ω的任意性,从而 f ( ω ) = g ( ω ) . f(\omega) = g(\omega). f(ω)=g(ω).

已标记关键词 清除标记
相关推荐
概率论基础:第二 作者: 严士健 著 ; 王隽骧 著 ; 刘秀芳 著 出社: 科学出社 出时间: 2009-08 次: 2 ISBN: 9787030251558 定价: 66.00 装帧: 平装 开本: 16开 纸张: 胶纸 页数: 428页 正文语种: 简体中文 丛书: 现代数学基础丛书129 内容简介:   《概率论基础(第二)》用测度论的观点论述概率论的基本概念,如概率、随机变量与分布函数、数学期望与条件数学期望和中心极限定理等,《概率论基础(第二)》特点是把测度论的基本内容与概率论的基本内容结合在一起讲述,论述严谨,条理清楚,便于自学。凡学过概率论基础课的读者都能阅读《概率论基础(第二)》。每节后面附有习题,以便加深理解书中的内容。   读者对象是大学数学系高年级学生、研究生、教师及科学工作者。 目录: 《现代数学基础丛书》序 再前言 序言 第1章 概率与测度 1.1 引言 1.2 事件与集合 1.3 集类与单调类定理 1.4 集函数、测度与概率 1.5 测度扩张定理及测度的完全化 1.6 独立事件类 第2章 随机变量与可测函数、分布函数与Lebesgue-Stieltjes测度 2.1 随机变量及其分布函数的直观背景 2.2 随机变量与可测函数 2.3 分布函数 2.4 独立随机变量 2.5 随机变量序列的收敛性 第3章 数学期望与积分 3.1 引言 3.2 积分的定义和性质 3.3 收敛定理 3.4 随机变量函数的数学期望的L-S积分表示与积分变换定理 3.5 离散型和连续型随机变量 3.6 γ次平均收敛与空间Lγ 3.7 不定积分与σ-可加集函数的分解 第4章 乘积测度空间 4.1 有限维乘积测度 4.2 Fubini定理 4.3 无穷乘积概率空间 第5章 条件概率与条件数学期望 5.1 初等情形 5.2 给定σ-代数下条件期望与条件概率的定义和性质 5.3 给定函数下的条件数学期望 5.4 转移概率与转移测度 5.5 正则条件概率、条件分布及Кологоров和谐定理 第6章 特征函数及其初步应用 6.1 特征函数的定义及初等性质 6.2 逆转公式及唯一性定理 6.3 L-S测度的弱收敛 6.4 特征函数极限定理 6.5 特征函数的非负定性 第7章 独立随机变量和 7.1 0-1律 7.2 三级数定理与Кологоров加强大数律 第8章 中心极限定理 8.1 问题的提出 8.2 中心极限定理一一具有有界方差情形 8.3 中心极限定理一般结果简介 参考文献 符号索引 内容索引 《现代数学基础丛书》已出书目
<span style="color:#666666;font-size:14px;background-color:#FFFFFF;">这是一门简单易懂的概率论课程!</span><br /> <br /> <span style="color:#666666;font-size:14px;background-color:#FFFFFF;">看教材学概率论实在是看不懂,教材编写者一般会认为教材有老师来讲解,所以自学教材会备受打击。</span><br /> <br /> <span style="color:#666666;font-size:14px;background-color:#FFFFFF;">本课程最大特色就是 简单易懂, “简单易懂”意味着我会用简单的语言,你容易听懂的语言教你概率知识,而不是让你越听越晕。</span><br /> <br /> <span style="color:#666666;font-size:14px;background-color:#FFFFFF;">没有概率论就没有统计学,也基本上就不存在机器学习了,从而人工智能也不会有今天这样的繁荣发展。如果要从事数据科学行业,不懂概率论或者对概率论一知半解,基本上都要回过头重新学习概率论,因为吃不透概率论就吃不透算法原理,也就只能永远半吊子,在数据科学行业半吊子那基本上就没有你的位置了。</span><br /> <br /> <span style="color:#666666;font-size:14px;background-color:#FFFFFF;">各位,还是沉下心来老老实实的把概率论认真的学好吧!别想着速成,速成只会浪费你更多的时间!当然了,找到一个好老师教你,的确可以让你比别人更快的学会学好,比如我的这门概率论教程!</span><br /> <br /> <p> <br /> </p>
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页