概率论(meansure level)
文章平均质量分 91
math 563的笔记
一个不愿透露姓名的孩子
这个作者很懒,什么都没留下…
展开
-
马尔可夫“折棍子”过程 Markovian Stick-breaking Process 简介
马尔可夫“折棍子”过程原创 2021-06-09 00:38:46 · 759 阅读 · 0 评论 -
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 \rig原创 2021-01-26 05:25:09 · 1239 阅读 · 1 评论 -
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 TheoremBanach-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原创 2021-01-25 05:14:01 · 1157 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理25 随机变量特征函数的连续性定理
UA MATH563 概率论的数学基础 中心极限定理25 随机变量特征函数的连续性定理Continuity Theorem假设{μn},μ\{\mu_n\},\mu{μn},μ是概率测度,{ϕn},ϕ\{\phi_n\},\phi{ϕn},ϕ是他们的特征函数:μn⇒μ\mu_n \Rightarrow \muμn⇒μ,则ϕn→ϕ\phi_n \to \phiϕn→ϕϕn→ψ\phi_n \to \psiϕn→ψ并且ψ\psiψ在零处连续,则ψ\psiψ是特征函数,如果还知道μn⇒ν\mu原创 2020-12-31 11:21:20 · 894 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 Portmanteau定理现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间,(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)是一个概率空间,Xn,XX_n,XXn,X是定义在Ω\OmegaΩ上的随机变量,它们的分布为μn,μ\mu_n,\muμn,μ。Portmanteau定理关于依分布收敛,下面的叙述等价:Xn→dXX_n \to_d XXn→dX对任意开集GGG原创 2020-12-31 11:18:30 · 1280 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数定义 假设XXX是定义在(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的随机变量,定义ϕ(t)=E[eitX]\phi(t) = E[e^{itX}]ϕ(t)=E[eitX]为XXX的特征函数(characteristic function)。说明记μX\mu_XμX为XXX的分布,则ϕ(t)=E[eitX]=∫eitXdμX\phi(t) = E[e^{itX}] = \int e^{itX原创 2020-12-31 10:24:42 · 315 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性给定一个度量可测空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),度量为ddd,我们可以在这个可测空间上定义概率测度,用C\mathcal{C}C表示这个可测空间上所有可能的概率测度,接下来我们试图研究C\mathcal{C}C的紧性。之所以要讨论概率测度族的紧性是因为我们前几讲讨论的是概率测度的收敛,我们希望概率测度的极限也是概率测度,特别是在中心极限定理中,我们希望极限分布也能是一个分布,因此我们需要紧的概率测度原创 2020-12-31 06:00:31 · 599 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明Skorohod定理如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的YnY_nYn与以FFF为cdf的YYY,使得Yn→a.s.YY_n \to_{a.s.} YYn→a.s.Y。证明简单起见,因为(0,1)(0,1)(0,1)与R\mathcal{R}R是同胚,我们考虑Ω=(0,1)\Omega = (0,1)Ω=(0,1),F=B((0,1))\mathcal{F原创 2020-12-31 04:36:00 · 1033 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质性质一:两种定义的等价性随机变量依分布收敛定义一:假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XXX,如果XnX_nXn的cdf弱收敛到XXX的cdf,记为Xn→dXX_n \to_d XXn→dX定义二:假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XXX,如果对任意有界连续函数ggg,E[g(Xn)]→E[g(X)]E[g(X_n)] \to E[g(X)]E[g(Xn原创 2020-12-31 04:12:51 · 651 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理19 概率测度的全变差收敛 Skorohod定理
UA MATH563 概率论的数学基础 中心极限定理19 概率测度的全变差收敛 Skorohod定理上一讲我们讨论了概率测度的弱收敛,这一讲我们讨论概率测度的其他收敛模式:概率测度的弱收敛假设{μn}\{\mu_n\}{μn}是一列概率测度,称它弱收敛到概率测度μ\muμ,如果μn\mu_nμn导出的累积分布函数弱收敛到μ\muμ导出的累积分布函数,我们记为μn⇒μ\mu_n \Rightarrow \muμn⇒μ概率测度的Total variation convergence (全变差收敛)原创 2020-12-30 09:05:26 · 1719 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理18 概率测度的弱收敛
UA MATH563 概率论的数学基础 中心极限定理18 概率测度的弱收敛在前十七讲的讨论中,我们已经讨论了中心极限定理所需要的大部分基础知识了,现在还差最后一项,也就是中心极限定理的收敛形式——弱收敛 (weak convergence)/依分布收敛 (convergence in distribution)。分布函数的弱收敛假设{Fn}\{F_n\}{Fn}是一列分布函数,称它弱收敛到分布函数FFF如果Fn(y)→F(y),∀yF_n(y) \to F(y),\forall yFn(y)→F(原创 2020-12-30 07:58:22 · 1583 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用第14讲到第16讲我们介绍了Kolmogorov非常著名的几大定理(如下),事实上Kolmogorov开发出这些定理的目标是证明强大数定律(第十二讲):强大数定律(SLLN by Kolmogorov) 假设X1,⋯ ,Xn,n≥1X_1,\cdots,X_n,n\ge 1X1,⋯,Xn,n≥1是iid的随机变量,E∣X1∣<∞E|X_1|<\inftyE∣X1∣<∞,则Xˉ→asEX1\bar X \to原创 2020-12-29 05:05:06 · 448 阅读 · 2 评论 -
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理考虑∑n≥1an\sum_{n \ge 1}a_n∑n≥1an,这个级数收敛的充要条件是它的部分和收敛,对于实数序列,这个条件又等价于它的部分和序列是Cauchy序列:∀ϵ>0\forall \epsilon>0∀ϵ>0,∃L\exists L∃L, ∀N,M>L,N<M\forall N,M>L,N<M∀N,M>L,N<M,∣∑n=N+1Man∣原创 2020-12-29 04:38:12 · 491 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律如果是初见的话会觉得Kolmogorov 0-1律看上去很奇怪,但它在概率论中有很广泛的应用,这一讲我们简单介绍一下Kolmogorov 0-1律。假设{Xj}j≥1\{X_j\}_{j \ge 1}{Xj}j≥1是(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的一列随机变量,定义Fn=σ{Xn+1,Xn+2,⋯ }\mathcal{F}_n = \sigma\{X_{n+1},X_原创 2020-12-29 03:29:58 · 1542 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality
UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality这一讲介绍一个有用的不等式,它给出了独立随机变量的和的最值的tail probability的阶。Kolmogorov maximal inequality假设X1,⋯ ,XnX_1,\cdots,X_nX1,⋯,Xn是独立的随机变量,并且EXi=0,VarXi<∞EX_i=0,Var X_i<\inftyEXi=0,VarXi<∞,则P(max1≤k≤n∣原创 2020-12-28 05:07:59 · 751 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布
UA MATH563 概率论的数学基础 中心极限定理13 Glivenko-Cantelli定理:经验分布函数收敛到真实分布这一讲我们介绍大数定律的一个应用,说明经验分布函数会收敛到真实的分布。先回顾一下我们介绍过的大数定律相关结论:弱大数定律(weak law of large number, WLLN)假设{Xn}n≥1\{X_n\}_{n \ge 1}{Xn}n≥1是不相关的随机变量,EXn=μ,Var(Xn)≤c,∀n≥1,∃c>0EX_n = \mu,Var(X_n) \le c,原创 2020-12-28 04:32:39 · 2655 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理12 强大数定律 版本2:Etemadi定理
UA MATH563 概率论的数学基础 中心极限定理12 强大数定律 版本2:Etemadi定理这一讲我们介绍强大数定律(Strong law of large number, SLLN)的另一个版本:强大数定律 假设X1,⋯ ,Xn,n≥1X_1,\cdots,X_n,n\ge 1X1,⋯,Xn,n≥1是两两独立、同分布的随机变量,E∣X1∣<∞E|X_1|<\inftyE∣X1∣<∞,则Xˉ→asEX1\bar X \to_{as} EX_1Xˉ→asEX1说明几乎原创 2020-12-27 03:35:21 · 681 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理11 强大数定律 版本1:四阶矩有界
UA MATH563 概率论的数学基础 中心极限定理9 强大数定律这一讲我们介绍强大数法则(Strong Law of Large Number, SLLN),强大数定律 假设X1,⋯ ,Xn,n≥1X_1,\cdots,X_n,n\ge 1X1,⋯,Xn,n≥1是两两独立、同分布的随机变量,E∣X1∣<∞E|X_1|<\inftyE∣X1∣<∞,则Xˉ→asEX1\bar X \to_{as} EX_1Xˉ→asEX1说明几乎必然收敛强于均方收敛,所以称这个结果为强大原创 2020-12-27 02:50:16 · 976 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理10 Borel-Cantelli引理
UA MATH563 概率论的数学基础 中心极限定理10 Borel-Cantelli引理这一讲我们介绍一个非常重要的结果,Borel-Cantelli引理,先引入一些基本概念。假设(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)是一个概率空间:lim supAn=∩m≥1∪n≥mAn={w:w属于无数个事件An}\limsup A_n = \cap_{m \ge 1} \cup_{n \ge m}A_n = \{w:w属于无数个事件A_n\}limsupAn=∩m≥1∪原创 2020-12-26 03:52:33 · 1786 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理8 弱大数定律 Bernstein多项式逼近
UA MATH563 概率论的数学基础 中心极限定理7 弱大数定律原创 2020-12-25 03:23:48 · 906 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理7 Kolmogorov extension theorem及其扩展
UA MATH563 概率论的数学基础 中心极限定理7 Kolmogorov extension theorem及其扩展上一讲为了构造包含无限个独立随机变量的序列,我们使用了Kolmogorov extension theorem:如果在(Rn,B(Rn))(\mathbb{R}^n,\mathcal{B}(\mathbb{R}^n))(Rn,B(Rn))上有概率测度νn\nu_nνn,且νn\nu_nνn是一致的(consistent),即νn+1((a1,b1]×⋯×(an,bn]×R)=νn(原创 2020-12-24 05:10:53 · 2113 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理6 独立随机变量的和与Kolmogorov扩展定理
UA MATH563 概率论的数学基础 中心极限定理6 独立随机变量的和的分布原创 2020-12-23 03:33:52 · 693 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理5 Renyi定理
UA MATH563 概率论的数学基础 中心极限定理5 Renyi定理原创 2020-12-22 07:17:28 · 482 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 中心极限定理4 独立一元随机变量的性质
UA MATH563 概率论的数学基础 中心极限定理4 独立一元随机变量的性质上一讲我们建立了判断一元随机变量独立性的方法,这一讲我们来推导一些关于一元随机变量独立性的性质。性质1 ∀1≤i≤n,1≤j≤mi\forall 1 \le i \le n,1 \le j\le m_i∀1≤i≤n,1≤j≤mi,{Xi,j}\{X_{i,j}\}{Xi,j}是一列独立的随机变量,假设fi:Rmi→Rf_i:\mathbb{R}^{m_i} \to \mathbb{R}fi:Rmi→R是可测函数,则{f原创 2020-12-21 03:44:34 · 383 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理3 推导一元随机变量独立性的判断方法
UA MATH563 概率论的数学基础 中心极限定理3 推导一元随机变量独立性的判断方法上一讲我们基于测度论定义了事件、事件序列、σ\sigmaσ-代数与随机变量的独立性,并给出了基于π−λ\pi-\lambdaπ−λ定理导出的独立性的判断方法,这一讲我们的目标是基于这个判断方法导出判断我们最常用的一元随机变量独立性的方法。我们先列出上一讲导出的定理:定理 假设Ai,1≤i≤n\mathcal{A}_i,1 \le i \le nAi,1≤i≤n是一列独立的π\piπ-类,则σ(Ai),1≤i≤n\s原创 2020-12-20 01:31:03 · 414 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 中心极限定理2 sigma代数的独立性与随机变量的独立性
UA MATH563 概率论的数学基础 中心极限定理2 sigma代数的独立性与随机变量的独立性这一讲我们在测度论的level对独立性进行定义。原创 2020-12-19 04:46:58 · 2360 阅读 · 13 评论 -
UA MATH563 概率论的数学基础 中心极限定理1 随机变量序列的收敛
UA MATH563 概率论的数学基础 中心极限定理1 随机变量序列的收敛这一讲开始介绍概率论中非常重要的结果——中心极限定理。从应用的角度讲,我们希望概率论为我们提供处理随机变量序列的工具,因为在随机过程、数理统计等领域,我们要处理的对象都是随机变量序列。根据独立性可以把这类工具分为两类:中心极限定理和鞅论。中心极限定理及相关结果处理的是独立可分也就是iid的随机变量序列,鞅论处理的是存在相关性的随机变量序列。中心极限定理回答的问题是具有特定性质的随机变量序列会收敛到什么分布、收敛的速率是多少,这些结原创 2020-12-18 05:16:27 · 1088 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步6 鞅的性质 鞅差序列
UA MATH563 概率论的数学基础 鞅论初步6 鞅的基本性质上一讲我们引入了鞅的定义,称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果∀n\forall n∀n,XnX_nXn绝对可积{Xn}\{X_n\}{Xn} adapted to {Fn}\{\mathcal{F}_n\}{Fn}E[Xn+1∣Fn]=XnE[X_{n+1}|\mathcal{F}_n]=X_nE[Xn+1∣Fn]=Xn如果第三条改为E[Xn+1∣Fn]≥XnE[X_{n原创 2020-12-17 00:20:35 · 2826 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 鞅论初步10 Doob可选停止定理与一维随机游走的exiting time
UA MATH563 概率论的数学基础 鞅论初步10 Doob可选停止定理与一维随机游走的exiting time这一讲介绍可选停时(optional stopping),我们先回顾一下停时的定义:假设{Fn}\{\mathcal{F}_n\}{Fn}是一个filtration,称随机变量N:Ω→NN:\Omega \to \mathbb{N}N:Ω→N是{Fn}\{\mathcal{F}_n\}{Fn}上的一个停时,如果∀n<∞\forall n <\infty∀n<∞,{w∈原创 2020-12-10 03:04:42 · 1656 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 鞅论初步9 分支过程简介
UA MATH563 概率论的数学基础 鞅论初步9 分支过程简介例 Branching Process假设ξij\xi_{ij}ξij是互相独立的取值为自然数的随机变量,P(ξij=k)=pk,∀k≥0P(\xi_{ij}=k)=p_k,\forall k \ge 0P(ξij=k)=pk,∀k≥0,记m=∑k≥0kpkm = \sum_{k \ge 0}kp_km=∑k≥0kpk,定义Xn=∑i=1Xn−1ξin, X0=aX_n = \sum_{i=1}^{X_{n-原创 2020-12-08 03:04:50 · 659 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步8 鞅收敛定理
UA MATH563 概率论的数学基础 鞅论初步8 鞅收敛定理上一讲我们定义了停时,并引入了鞅收敛定理,这一讲我们完成鞅收敛定理的证明,并完成上一讲的例题。鞅收敛定理 假设{Xn}\{X_n\}{Xn}是一个{Fn}\{\mathcal{F}_n\}{Fn}上的submartingale,且满足supnEXn+<∞\sup_n EX_n^+<\inftysupnEXn+<∞,则Xn→X,a.sX_n \to X,a.sXn→X,a.s,并且E∣X∣<∞E|X|<原创 2020-12-06 04:36:54 · 1605 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步7 停时与Upcrossing不等式
UA MATH563 概率论的数学基础 鞅论初步7 停时与Upcrossing不等式这一讲我们引入一个非常重要的概念——停时(Stopping time)。假设{Fn}\{\mathcal{F}_n\}{Fn}是一个filtration,称随机变量N:Ω→NN:\Omega \to \mathbb{N}N:Ω→N是{Fn}\{\mathcal{F}_n\}{Fn}上的一个停时,如果∀n<∞\forall n <\infty∀n<∞,{w∈Ω:N(w)≤n}∈Fn\{w\in \O原创 2020-12-03 03:05:49 · 716 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义
UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义、停时从这一讲开始,我们正式引入鞅(martingale)。称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果∀n\forall n∀n,XnX_nXn绝对可积{Xn}\{X_n\}{Xn} adapted to {Fn}\{\mathcal{F}_n\}{Fn}E[Xn+1∣Fn]=XnE[X_{n+1}|\mathcal{F}_n]=X_nE[Xn+1∣Fn]=Xn如果第三条改为E[Xn原创 2020-11-28 09:44:43 · 1498 阅读 · 1 评论 -
UA MATH563 概率论的数学基础 鞅论初步4 Radon-Nikodym定理,条件期望的存在唯一性
UA MATH563 概率论的数学基础 鞅论初步4 Radon-Nikodym定理原创 2020-11-28 08:58:56 · 1436 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步3 条件期望的性质
UA MATH563 概率论的数学基础 鞅论初步3 条件期望的性质原创 2020-11-28 08:26:48 · 4148 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的条件概率与条件期望
UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的相关计算公式原创 2020-11-28 06:57:46 · 789 阅读 · 0 评论 -
UA MATH563 概率论的数学基础 鞅论初步1 条件期望
UA MATH563 概率论的数学基础 鞅论初步1 条件期望概率论很多结论是用来处理独立的随机变量序列的,而独立性是一个非常强的假设,所以我们也需要一些能够处理非独立的随机变量序列的方法,鞅就是这些方法中应用比较广泛的一种,所以从这部分开始我们介绍鞅以及相关的结果。这一讲我们先介绍鞅论需要的基本结构——条件期望。在学习高中数学的时候,我们就知道了对于A,BA,BA,B两个事件,条件概率的定义是P(A∣B)=P(A∩B)P(B)P(A|B) = \frac{P(A \cap B)}{P(B)}P(A∣B原创 2020-11-25 14:25:50 · 1123 阅读 · 3 评论 -
UA MATH563 概率论的数学基础2 随机变量1 随机变量与分布函数
UA MATH563 概率论的数学基础2 随机变量1 随机变量与分布函数判断一个实变函数是随机变量分布函数的性质Lebesgue-Stieltjes测度下的分布函数Lebesgue测度下的分布函数现在我们考虑状态空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),假设ξ\xiξ是定义在状态空间上的实函数,即ξ:(Ω,F)→(R,B(R))\xi:(\Omega,\mathcal{F}) \to (\mathbb{R},\mathcal{B}(\mathbb{R}))ξ:(Ω,F)→(R,B(原创 2020-09-03 10:27:58 · 336 阅读 · 0 评论 -
UA MATH563 概率论的数学基础1 概率空间4 实数域上的概率测度
UA MATH563 概率论的数学基础1 概率空间5 实数上的概率测度原创 2020-08-31 09:17:55 · 454 阅读 · 1 评论 -
UA MATH563 概率论的数学基础1 概率空间3 概率测度
UA MATH563 概率论的数学基础1 概率空间3 概率测度测度、σ\sigmaσ-可加测度、σ\sigmaσ-有限测度概率测度及其基本性质对于概率空间(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P),Ω\OmegaΩ是非空集合,表示状态空间;F\mathcal{F}F是事件空间,也是状态空间的一个σ\sigmaσ-代数;PPP是概率测度。我们已经严格定义了前两个要素,这一讲我们介绍概率测度。测度、σ\sigmaσ-可加测度、σ\sigmaσ-有限测度概率测度及其基本性质原创 2020-08-31 06:37:52 · 781 阅读 · 0 评论