![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
测度论与随机过程
文章平均质量分 77
yuntong1105
这个作者很懒,什么都没留下…
展开
-
概率与测度
积分变换定理设 fff 是 (Ω,F,μ)\left(\Omega, \mathscr{F}, \mu\right)(Ω,F,μ) 到 (E,E)\left(E, \mathscr{E}\right)(E,E) 的可测映射,定义 μf:=μ(f−1(B))\mu_f:=\mu(f^{-1}(B))μf:=μ(f−1(B)), 由定理【待补充】的证明知,μf\mu_fμf 是 E\mathscr{E}E 上的测度,称为 μ\muμ 在 E\mathscr{E}E 上由 fff 导出的测度。(积分变换定原创 2021-01-10 15:54:23 · 1772 阅读 · 0 评论 -
更新过程年龄问题(完)
首先分析年龄At>xA_t>xAt>x事件的等价定义,令N(t)N(t)N(t)是ttt时刻发生的事件个数,SnS_nSn是第nnn个事件发生的时间,Xn+1X_{n+1}Xn+1是第n个事件到第n+1个事件的间隔。{At>x}={{N(t)−N(t−x)=0},t⩾xϕ,t<x\{A_t>x\}=\left\{\begin{array}{l}\{N(t)-N(t-x)=0\}, \quad t \geqslant x \\ \phi, \quad t<原创 2020-11-02 16:26:36 · 455 阅读 · 0 评论 -
条件概率和正则概率(完)
条件概率有R-N定理,条件概率 P(A∣C)\mathbf{P}(A \mid \mathcal{C})P(A∣C) a.e. 唯一。要让E(X∣C)=∫XP(dw′∣C)\mathbf{E}(X\mid \mathcal{C})=\int X \mathbf{P}(dw^{'} \mid \mathcal{C})E(X∣C)=∫XP(dw′∣C)成立,那么需要对每个 ω∈Ω\omega \in \Omegaω∈Ω ,上述关系都成立。为了保证可积性,对 ∀A∈σ(X)\forall A \in原创 2020-10-26 16:02:55 · 1368 阅读 · 1 评论 -
无限维乘积空间(彼此独立)的测度(完)
设 T={t:t∈T}T=\{t: t \in T\}T={t:t∈T} 为任意指标集, {(Ωt,Ft):t∈T}\left\{\left(\Omega_{t}, \mathscr{F}_{t}\right): t \in T\right\}{(Ωt,Ft):t∈T} 为一族可测空间,Ω=∏t∈TΩt,F=∏t∈TFt\Omega=\underset{t \in T}{\prod} \Omega_{t}, \quad \mathscr{F}=\underset{t \in T}{\prod}{\m原创 2020-10-18 22:15:53 · 913 阅读 · 0 评论 -
数学分析、实变函数与泛函分析
数学分析、实变函数与泛函分析实数泛函的观点:自然数到有理数,有理数到柯西列(元素为有理数),实数就是所有柯西列收敛的极限点的集合实数的性质1、若 x<yx<yx<y,则 ∃r∈Q\exist r\in \mathbb{Q}∃r∈Q,使得 x<r<yx<r<yx<r<y。2、若 ∀ϵ>0,a<b+ϵ\forall \epsilon >0, a<b+\epsilon∀ϵ>0,a<b+ϵ,则 a≤ba\le ba≤原创 2020-09-24 18:10:31 · 2093 阅读 · 0 评论 -
生日悖论和Hash冲突(完)
生日悖论和Hash冲突生日悖论问题任何NNN个人中,求至少有两个人生日相同的概率。定义概率空间(Ω,F,P)(\Omega, \mathcal{F},P)(Ω,F,P),Ω={(n1,n2,n3,… )}\Omega=\{(n_1,n_2,n_3, \dots)\}Ω={(n1,n2,n3,…)},nin_ini代表第iii个人的生日,共可列个人。假设N=2N=2N=2,那么这两个人生日相同的概率是P({ω:X1(ω)=X2(ω)})P(\{\omega:X_1(\omega)=X_2(\o原创 2020-08-26 10:54:01 · 677 阅读 · 0 评论 -
一致可积
一致可积如果随机变量XXX在概率空间(Ω,A,P)(\Omega, \mathcal{A}, P)(Ω,A,P)是可积的,即∫Ω∣X∣dP<+∞,\int_{\Omega}|X|dP<+\infty,∫Ω∣X∣dP<+∞,那么则有:limC→+∞∫Ω∣X∣1∣X(ω)∣>CdP=0.{\lim_{C \to +\infty}}\int_{\Omega}|X|1_{|X(\omega)|>C}dP=0.C→+∞lim∫Ω∣X∣1∣X(ω)∣>CdP原创 2020-08-23 17:41:07 · 3434 阅读 · 0 评论 -
条件期望的测度论解释
条件期望引入不严格的引入,随机变量X在事件B上的条件期望为:E(X∣B)=∫BXdPP(B),E(X|B)=\frac{\int_BXdP}{P(B)},E(X∣B)=P(B)∫BXdP,可以得到公式1:∫BE(X∣B)dP=∫B∫BXdPP(B)dP=∫BXdPP(B)P(B)=∫BXdP\int_B E(X|B)dP=\int_B \frac{\int_BXdP}{P(B)} dP= \frac{\int_BXdP}{P(B)} P(B)=\int_BXdP∫BE(X∣B)dP=原创 2020-08-23 22:36:45 · 1988 阅读 · 0 评论