跳到主要內容

發表文章

目前顯示的是 2018的文章

[測度論] DCT 應用 (2) - Simple Fubini-Tonollei Theorem

Theorem:
假設 $\{f_n\}\subset L^1$ 使得 $\sum_{n=1}^\infty\int |f_n| <\infty$。則
(a) $\sum_{n=1}^\infty f_n$ almost everywhere 收斂 。
(b) $\int \sum_{n=1}^\infty f_n = \sum_{n=1}^\infty \int f_n$。

Proof:(a) 令$\{f_n\}\subset L^1$ 使得 $\sum_{n=1}^\infty\int |f_n| <\infty$,則我們有
\[
\int \sum_{n=1}^\infty |f_n| = \sum_{n=1}^\infty\int |f_n|   <\infty
\]故我們知道 $ \sum_{n=1}^\infty |f_n| \in L^1$ 且 $\sum_{n=1}^\infty |f_n|<\infty$ almost everywhere。此表明對 almost every $x$, $\sum_{n=1}^\infty f_n(x) $ (絕對)收斂。令極限
$$ f(x):=\lim_{N\to \infty} \sum_{n=1}^N f_n(x) $$ 故我們僅需證明此 $f \in L^1$。注意到 對任意 $N$, $\lim_N \sum_{n=1}^N f_n \leq \lim_N \sum_{n=1}^\infty |f_n|$ a.e. 故 $f \leq \lim_N \sum_{n=1}^N |f_n|$ a.e. 由於 $\lim_N \sum_{n=1}^N |f_n| \in L^1$ 故 $f \in L^1$。

Proof (b)
要證明 $\int \sum_{n=1}^\infty f_n = \sum_{n=1}^\infty \int f_n$。首先觀察
\[
 \int \sum_{n=1}^N f_n = \sum_{n=1}^N \int  f_n \;\;\;\; (*)
\]由於 $\sum_{n=1}^N f_n \leq \sum_{n=1}^\infty |f_n| \in L^1$ 且 $\sum_{n=1}^N f_n \to f$ a.e. in $L^1$ …

[測度論] indicator function 為可測函數的充分必要條件

令 $(X,\mathcal{M})$ 與 $(\mathbb{R},\mathcal{L})$ 為可測空間。

Fact: 令 $1_E: (X,\mathcal{M}) \to (\mathbb{R},\mathcal{L})$ 滿足
\[ 1_E(x):=\begin{cases}
      1 & x \in E\\
      0 & x \notin E
   \end{cases}
\]則 $1_E$ 為可測函數 若且唯若 $E \in \mathcal{M}$。

Proof: $(\Leftarrow)$ 假設 $E \in \mathcal{M}$。我們要證明 $1_E$ 為可測函數。為此,令 $I:=(-\infty, \alpha]$ 為任意區間,我們僅需證明 $1_E^{-1}(I) \in \mathcal{M}$。若 $\alpha \leq 0$,則
$$
1_E^{-1}(I) =\{x:1_E(x) < \alpha\}=\varnothing \in \mathcal{M}
$$ 若 $\alpha >1$ 則
$$
1_E^{-1}(I) =\{x:1_E(x)<\alpha\}=X \in \mathcal{M}
$$最後,若 $0<\alpha \leq 1$ 則
$$
1_E^{-1}(I) =\{x:1_E(x)<\alpha\}=E^c
$$ 由於 $E\in \mathcal{M}$ 且 $\mathcal{M}$ 為 $\sigma$-algebra,故 $E^c \in \mathcal{M}$。至此我們得證 $1_E$ 為可測函數。

$(\Rightarrow)$ 假設 $1_E$ 為可測函數,我們要證明 $E \in \mathcal{M}$。由於 $1_E$ 為可測函數,對任意區間 $I=(-\infty,\alpha]$ 而言,$1_E^{-1}(I) \in \mathcal{M}$。故取 $\alpha =1/2$ 我們有
$$
1_E^{-1}(I):=\{x:\chi_E(x)<1/2\} = E^c \in \mathcal{M}
$$由於 $\cal M $為 $\sigma$-algebra,故 $E\in \mathcal{M}$。$\sq…

[測度論] 有限測度空間中,$f_n\to f$ a.e. $\Rightarrow f_n \to f$ in measure

考慮測度空間 $(X,\mathcal{M},\mu)$
Theorem: 令 $\mu(X) <\infty$ 且 $f_n \to f$ a.e. 則 $f_n \to f$ in measure。
Proof:
不失一般性的情況下,假設 $f_n \to f$ everywhere。令 $\alpha > 0$ 我們要證明
\[
\lim_{n}\mu(x: |f_n(x) - f(x)| \geq \alpha ) = 0
\]因為 $f_n \to f$ everywhere (i.e., $f_n \to f$ pointwise) 由極限定義,我們知道給定任意 $\varepsilon >0$ 存在 $N:=N(x)>0$ 使得當 $n\geq N$,
\[
|f_n(x) - f(x)| \leq \varepsilon
\]這表明
\[
x \in \bigcup_N \bigcap_{n \geq N(x)} \{|f_n(x) - f(x)|\leq \varepsilon\}
\]且
\[
X:= \bigcup_N \bigcap_{n \geq N(x)} \{|f_n(x) - f(x)|\leq \varepsilon\}
\]故
\[
X^c = \emptyset  = \bigcap_N \bigcup_{n\geq N(x)} \{|f_n(x) - f(x)|> \varepsilon\}
\]令 $E_N:= \bigcup_{n\geq N(x)} \{|f_n(x) - f(x)|> \varepsilon\} $ 且注意到 $E_N$ 對 $N$ 遞減,且 $\mu(X) <\infty$ 由 測度的 下連續性,我們有
\[
\underbrace{\mu(\cap_N E_N)}_{=\mu(\emptyset)=0} = \lim_N \mu(E_N)
\]故我們得到
\[
\mu(E_N) = \mu(\bigcup_{n \geq N(x)} \{|f_n(x) - f(x)|> \varepsilon\}) \to \mu(\emptyset) = 0
\]將其換成較小的集合上述結果仍然成立,亦即
\[
\mu( \{|f_n(x) - f(x)|> \v…

[線性代數] 若 $A$ 有線性獨立的 columns 則 $A^TA$ 為 symmetric 且 positive definite

Definitions:
1. 我們說一個矩陣 $A$ 為 symmetric 若 $A^T=A$
2. 我們說一個矩陣 $A \in \mathbb{R}^{n \times n}$ 為 正定 (positive definite) 若 對任意 ${\bf x} \in \mathbb{R}^n, \; {\bf x} \neq 0$ 而言,
\[
{\bf x}^T A {\bf x} >0
\]
Comments:
上述positive definite 建構的 ${\bf x}^T A {\bf x} $ 稱作 矩陣的二次式。
判斷矩陣正定的方式有許多,上述只是其中一種,另外還有許多等價定義。下列敘述等價
1. 矩陣 $A$ 為 positive definite
2. 對任意 ${\bf x} \in \mathbb{R}^n, \; {\bf x} \neq 0$ 而言,${\bf x}^T A {\bf x} >0$
3. 矩陣 $A$ 有 正的 特徵值(eigenvalues)
4. 矩陣 $A$ 有 正的 leading principal minors
5. 矩陣 $A$ 有 正 的 pivots



接著我們給出當 $A$ 非方陣的時候,如何找出其對應的 正定矩陣。



==========
Theorem:
$A \in \mathbb{R}^{m\times n}$ 有線性獨立的 columns 則 $A^TA$ 為 symmetric 且 positive definite
==========
Proof:
首先證明 $A^TA$ 為 symmetric。觀察 $(A^TA)^T = A^TA$故得證。

接著證明 $A^TA$ 為 positive definite。令 ${\bf x} \in \mathbb{R}^n, \; {\bf x} \neq 0$ ,觀察
\[
x^TA^TAx = (Ax)^T(Ax) = \|Ax\|^2
\]我們要證明 $\|Ax\|^2>0$,利用反證法:假設若不然,亦即 $\|Ax\|^2 =0$ ,由於因為 $A$ 有線性獨立(linear independent)的 column,記作 ${\bf a}_1,{\bf a}_2,...,{\bf a}_n$ 故由線性獨立的定義,
\[
A…

[泛函分析] 幾何平均與算術平均不等式的一類推廣

回憶中學時期學過的 幾何平均與算術平均關係:令 $a,b \in \mathbb{R}$則 幾何平均 有 算術平均作為上界
\[
\sqrt{ab} \leq \frac{a+b}{2}
\]現在我們將上述結果做一類推廣

Claim: 令 $\theta \in (0,1)$ 且 $a, b \geq 0$則
\[
a^{1-\theta}b^{\theta} \leq (1-\theta)a + \theta b
\]
在給出證明之前我們先做出一些說明

Remarks:
1. 上述 claim 不等式左方:$a^{1-\theta}b^{\theta}$ 一般稱作廣義幾何平均 (Generalized Geometric Mean)。
2. 上述 claim 不等式右方:$(1-\theta)a + \theta b$ 有些學者將其稱作廣義算術平均 (Generalized Arthmic Mean)。但若有涉獵凸分析或者凸最優問題的讀者大概不難看出 此式具備 convex combinaiton 的形式。事實上此不等式在 與凸分析中的 log-convexity 有相關,讀者可自行查閱相關文獻。
3. 上述 Claim 一般又稱作 Auxiliary  Holder inequality.

以下我們給出 Claim 的證明。

Proof of the Claim: 首先做以下觀察:若 $a,b = 0$ 或任一為 $0$ 則不等式自動成立。故在不失一般性的情況下 我們設 $a \geq b >0$ 並且注意到 $a^{1-\theta} = a a^{-\theta}$ 故我們可改寫要證明的不等式如下
\begin{align*}
\left(\frac{b}{a}\right)^\theta \leq (1-\theta) + \theta \frac{b}{a}
\end{align*}
令 $x:=b/a$ 則 $x \in (0,1)$ 且我們僅需證明
\[
x^\theta \leq (1-\theta) +\theta x
\]令 $g(x):=  1-\theta +\theta x - x^\theta $,注意到 $g(1) = 0$ 且 $g(0) = 1-\theta>0$
\[
g'(x) = \theta -\theta…

[測度論] Dominated Convergence Theorem

Theorem: Dominated Convergence Theorem DCT  (real-valued functions)
令 sequence $\{f_n\} \subset L^1$ 滿足
(a) $f_n \to f$ almost everywhere
(b) 存在非負函數 $g \in L^1$ 使得 $|f_n| \leq g$ almost everywhere for all $n$
則\[
f \in L^1
\]且
\[
\lim_n \int f_n =\int f
\]
Proof:  先證 $f \in L^1$:由於 $f_n \to f$ almost everywhere  且 $f_n \in L^1$,可知 $f $ measurable (see Proposition 2.11/2.12 )。由於 $|f_n| \leq g$ almost everywhere 故 $|f| \leq g$ almost everywhere,故 $f \in L^1$。

接著我們證 $\lim_n \int f_n =\int f$:注意到 $|f_n| \leq g$ almost everywhere,故我們有
\[
-g \leq f_n \leq g \text{ almost everywhere}
\]換言之,我們有
\[
f_n + g \geq 0\text{ almost everywhere}
\]與
\[
g-f_n \geq 0 \text{almost everywhere}
\]也就是說 $\{f_n + g\}, \{g-f_n\} \in L^+$。由 Fatou Lemma 我們有
\[
\begin{gathered}
  \int {\mathop {\lim \inf }\limits_n } ({f_n} + g) \leqslant \lim \inf \int {({f_n} + g)} ; \hfill \\
  \int {\mathop {\lim \inf }\limits_n } (g - {f_n}) \leqslant \lim \inf \int {(g - {f_n})}  \hfill \\
\end{gathered} \;\;\; (*)
\]注意到上述積分…

[最佳化] 對原最佳化問題的解是否能"回收"使用到新最佳化問題

令 $J: \mathbb{R}^n \to \mathbb{R}$ ,考慮以下最佳化問題
\[
\min_{x_1,x_2,...x_n} J(x_1,x_2,...x_n)  := J(x_1^*,x_2^*,...,x_n^*)
\]上述 $x_i^*$ 表示最佳解。現在考慮新的目標函數 $G: \mathbb{R}^n \to \mathbb{R}$ 為 上述的 $J:\mathbb{R}^n \to \mathbb{R}$ 額外加上新的函數 $F: \mathbb{R}^n \to \mathbb{R}$,亦即
\[
 G(x_1,x_2,...,x_n) :=J(x_1,x_2,...,x_n) + F(x_1,x_2,...,x_n)
\]我們想問前述獲得的最佳解 $x_1^*,x_2^*,.., x_n^*$ 是否仍然對新的目標函數成立?換句話說,是否能夠 "回收" 之前已經算好的最佳解  $ x_i^*$ 用在新的目標函數 $G$ 上呢。答案是否定的。考慮以下一個簡單的反例

Example:
對 $i=1,2,$,令 $x_i \in [-1,1]$並且將所有符合此條件的 $x_i$ 所成之集合記作 $\mathcal{X}$。現在考慮目標函數 $J(x_1,x_2) := x_1^2+x_2^2$ 並且 我們要求
$$
\min_{x_1,x_2 \in \mathcal{X}} J(x_1,x_2) =  \min_{x_1,x_2 \in \mathcal{X}}x_1^2+x_2^2
$$則最佳解不難發現為 $x_1^*=x_2^*=0$。現在我們考慮新的目標函數,將其記作
$$
G(x_1,x_2) :=J(x_1,x_2) + x_2
$$亦即 $G$ 為舊的目標函數 $J$ 額外加上 線性函數 $x_2 $。我們要求
$$
\min_{x_1,x_2 \in \mathcal{X}} G(x_1,x_2) = \min_{x_1,x_2 \in \mathcal{X}} x_1^2+x_2^2 + x_2
$$其最佳解變成 $x_1^* = 0$ 但 $x_2^* = -1/2 \;\;\; ( \neq 0)$。亦即舊的最佳解不能被"回收"使用。

Comments:
1. 上述謬誤偶爾能在文獻中…

[測度論] 何時 兩可測函數相乘之積分 會與 個別先做積分後再相乘 相等?

Theorem: 
令 $(X,\mathcal{M,\mu})$ 與 $(Y, \mathcal{N},\nu)$ 為任意測度空間。
(a) 若 $f: X \to \mathbb{R}$ 為 $\mathcal{M}$-measurable 且 $g: Y \to \mathbb{R}$ 為  $\mathcal{N}$-measurable 且我們定喔 $h(x,y):=f(x)g(y)$ 則 $h$ 為 $\mathcal{M} \otimes \mathcal{N}$-measurable。
(b) 若 $f \in L^1(\mu)$ 且 $g \in L^1(\nu)$,則 $h \in L^1(\mu \times \nu)$ 且
\[
\int h \; d(\mu \times \nu) = \left( \int f d\mu \right) \left( \int g d \nu \right)
\]

Proof (a):
令 $a \in \mathbb{R}$,考慮 $A:=[a,\infty) \in \mathcal{B}_{\mathbb{R}}$我們要證明
\[
h^{-1}(A) \in \mathcal{M} \otimes \mathcal{N}
\]注意到因為 $f: X \to \mathbb{R}$ 為 $\mathcal{M}$-measurable 且 $g: Y \to \mathbb{R}$ 為  $\mathcal{N}$-measurable ,我們有 $f^{-1}([a,\infty)) \in \mathcal{M}$ 與 $g^{-1}([a,\infty)) \in \mathcal{N}$ 。

現在定義兩個新函數 $F,G: X\times Y \to \mathbb{R}$ 分別滿足 $F(x,y) := f(x), \forall y \in Y$ ,$G(x,y):=g(y), \forall x \in X$,則我們可知 $h $ 為 $F$ 與 $G$ 相乘,亦即 $h=FG$。現在觀察
\begin{align*}
 {F^{ - 1}}(A) &= \left\{ {(x,y) \in X \times Y:F(x,y) \in [a,\infty )} \right\}…

[集合論] $\{x: 2^n < |f(x)| < 2^{n+1}\}$ 為 disjoint

Claim: 令 $f \in L^1$ 且 考慮集合
\[
A_n:=\{x: 2^n < |f(x)| < 2^{n+1}\}
\]其中 $n \in \mathbb{Z}$則對任意 $n \neq m$, $A_n \cap A_m = \emptyset$

Proof: 用反證法,令 $n \neq m$ (假設 $n > m$),$ A_n \cap A_m \neq \emptyset$。亦即存在 $x_0 \in A_n \cap A_m \neq \emptyset$。此表明 $x_0 \in A_n$ 且 $x_0 \in A_m$。則由 $x_0 \in A_n  $ 我們有 \[
2^n < |f(x_0)| <2^{n+1}
\]同樣地,由 $x_0 \in A_m$ 可推得 \[
2^m < |f(x_0)| < 2^{m+1}
\]換言之,我們有 $|f(x_0)| \in (2^n, 2^{n+1})$ 且 $|f(x_0)| \in (2^{m}, 2^{m+1})$ 得到矛盾,因為 $(2^n, 2^{n+1}) \cap (2^m, 2^{m+1}) = \emptyset $。故 $A_n$ 為 disjoint $\square$

[訊號與系統] LTI系統輸入輸出關係由 Convolution 決定 - 從離散時間觀點

以下我們討論 為何 線性非時變 (Linear Time-Invariant, LTI) 系統 輸入與輸出關係 由 所謂的 convolution 表示。為了避免過多繁雜的數學,以下僅討論離散時間的情況。首先我們需要一些定義的幫助:

========================
Definition: Unit Impulse Function in Discrete-Time (Kronecker Delta)
我們說函數 $\delta: \mathbb{N} \to \{0,1\}$ 為 unit impulse function in discrete-time time 若 $\delta$ 滿足
\[\delta \left[ n \right] = \left\{ \begin{gathered}
  1,\;\;\;\;n = 0 \hfill \\
  0,\;\;\;\; o.w. \hfill \\
\end{gathered}  \right.
\]========================

========================
Definition: Impulse Response
給定任意系統配備輸入 $x[n]$ 與輸出 $y[n]$ 關係為 $y[n] = T\{x[n]\}$其中 $T$ 視為 operator (定義在某函數空間),若輸入為 $x[n]=\delta[n]$ 則 輸出
\[
h[n] := y[n] = T\{\delta[n]\}
\]稱為系統 $T$ 的 脈衝響應 (impulse response)
========================


========================
FACT: 任意離散訊號 $x[n]$ 可由 $\delta$ 做組合疊加,亦即
\[
x[n] = \sum_{k=-\infty}^{\infty}x[i] \delta[n-k]
\]========================
Proof: 證明顯然,在此不做贅述。$\square$



========================
Definition: Linear System
給定系統 $T$ 滿足以下輸入與輸出關係: $y_1[n]=T\{x_1[n]\}$ 且 $y_2[n]…

[測度論] DCT 應用:積分例子(1)

試證下列積分
\[
\lim_{n \to \infty} \int_0^\infty (1+(x/n))^{-n} \sin(x/n)dx = 0
\] Proof: 對任意 $x \in [0,\infty)$而言,令 $f_n(x):=(1+(x/n))^{-n} \sin(x/n)$,則 $f_n \to 0$。另外我們注意到 因為 $\sin(x/n) \leq 1 $ 以及利用 附註的 Claim 可知 $(1+x/n)^{-n} \leq e^{-x}$ 故
\[
f_n(x) = (1+(x/n))^{-n} \sin(x/n) \leq e^{-x}
\]現在我們令 $g(x):=e^{-x} \in L^1([0,\infty),m)$。為此我們觀察
\[
\int_0^\infty e^{-x} dx = 1 < \infty
\]故 $g \in L^1([0,\infty),m)$ 且 $|f_n(x)| \leq g(x)$,故由 Dominanted Convergence Theorem 可知
\begin{align*}
\lim_{n \to \infty} \int_0^\infty (1+(x/n))^{-n} \sin(x/n)dx &=  \int_0^\infty \lim_{n \to \infty}(1+(x/n))^{-n} \sin(x/n)dx\\
&=\int_0^\infty  0 dx = 0
\end{align*}
至此證明完畢。$\square$



Claim: 對任意 $x\in(0,\infty)$ 與 $n \in \mathbb{N}$,我們有 \[
(1+x/n)^{-n} \leq e^{-x}
\] Proof:
注意到 $\log (1+x/n)^{-n} = -n \log(1+x/n) \leq -n \frac{x}{n}=-x$。現在對兩邊同取 $exp()$ 可得
\[
(1+x/n)^{-n} \leq e^{-x}
\]至此得證。$\square$

[測度論] 從 測度論 觀點看 Chebyshev Inequality

Chebyshev inequality 是 機率論 中一個非常好用的不等式,此不等式可以從 更廣義的 測度論觀點來證明,且不僅僅局限於使用機率測度。
令 $L^1(\mu)$ 為所有可測函數 $g$ 滿足 $\int |g| d\mu <\infty$ 所成之集合, $\mu$ 為測度。

Claim: Chebyshev Inequality in Measure-Theoretic Setting
令 $g \in  L^1$ 且 $\alpha >0$ 則
\[
\mu (\{x:|g(x)| \geq \alpha\}) \leq \frac{1}{\alpha}\int |g| d\mu
\]
Proof: 令 $\alpha >0$ 觀察
\begin{align*}
  \mu (\{ x:|g(x)| \geqslant \alpha \})  &= \int {{1_{\{ |g(x)| \geqslant \alpha \} }}} d\mu  \hfill \\
   &= \int {{1_{\left\{ {\frac{{|g(x)|}}{\alpha } \geqslant 1} \right\}}}} d\mu  \;\;\;\; (*)
\end{align*} 其中 $1_A(x)$ 為 indicator function 滿足 $x\in A$ 則 $1_A(x) =1$ 反之則 $1_A(x) = 0$。注意到 \[\frac{{|g(x)|}}{\alpha } \geqslant 1 \Rightarrow \frac{{|g(x)|}}{\alpha } \geqslant {1_{\left\{ {\frac{{|g(x)|}}{\alpha } \geqslant 1} \right\}}}\]故 $(*)$ 改寫
\[\int {{1_{\left\{ {\frac{{|g(x)|}}{\alpha } \geqslant 1} \right\}}}} d\mu  \leqslant \int {\frac{{|g(x)|}}{\alpha }} d\mu  = \frac{1}{\alpha }\int {|g(x)|} d\mu \]即為所求。$\square$


Comments…

[測度論] $\mathbb{R}$ 上的外測度

令 $A \subset \mathbb{R}^*$ ,定義 outer measure $m^*: \mathcal{P}(\mathbb{R}) \to [0,\infty]$ 滿足
\[{m^*}(A): = \mathop {\inf }\limits_{A \subset \bigcup\limits_j^{} {\left[ {{a_j},{b_j}} \right]} } \sum\limits_j^{} {\left( {{b_j} - a_j^{}} \right)} \]

以下我們檢驗幾個性質

Property of Outer Measure on R:
1. $m^*(\emptyset) = 0$
2. Monotonicity: 若 $A \subset B$ 則 $m^*(A) \subset m^*(B)$
3. Subadditivity: $m^*(\cup_j^\infty A_j) \leq \sum_j^\infty m^*(A_j)$

Proof:
1. 取 $A:= \emptyset$ 則任意區間必定涵蓋 $\emptyset$,故 $m^*(\emptyset) = 0$。

2. 若 $A \subset B$ 則存在一組區間 $I_{j} := [a_{j}, b_{j}]$, $j=1,2...$  使得 $A \subset B \subset \cup_{j=1}^\infty [a_{j}, b_{j}]$,故由定義可知 $m^*(A) \subset m^*(B)$。

3. 首先觀察 $m^*(A_j)$ 定義中有 infimum,故給定 $\varepsilon>0$ 可知必定存在一組區間 $I_{j,k} := [a_{j,k}, b_{j,k}]$, $k=1,2...$  使得 $A_j \subset \cup_{k=1}^\infty [a_{j,k}, b_{j,k}]$
\[
\sum\limits_k^{} {\left( {{b_{j,k}} - a_{j,k}^{}} \right)}  < {m^*}(A_j) + \frac{\varepsilon}{10^j} \]由此可知
\[
\sum\limits_{j,k}^{} {\left( {{b_{j,k}} - a_{…

[數學分析] MVT應用:$\sin(x)$ 上界為 $x$

回憶我們在微積分或者高等微積分中,對於連續且可導函數的一個重要結果:均值定理。

================
均值定理 (Mean Value Theorem, MVT):
若函數 $f$ 在 閉區間 $[a,b]$ 連續  且 在開區間 $(a,b)$ 上可導,則存在 $c \in (a,b)$ 使得
\[
f(b) - f(a) = f'(c)(b-a)
\]================


現在我們來看一個 MVT 很棒的應用,可以幫助我們找到 $\sin(x)$ 除了 $1$ 以外 稍微更細緻的上界 ($ x $ 夠小的時候)。

==========
FACT: 若 $x \in \mathbb{R}$ 且 $x \geq 0$ 則 $\sin(x) \leq x$。
==========

Proof: 以下我們分幾個 case討論:
CASE 1: 首先觀察當 $x = 0$,則 $\sin(0)  = 0 \leq 0$ 自動成立。

CASE 2: 當 $0 < x < 1$ ,令 $f(t) := \sin(t)$ 則對任意 $t \in \mathbb{R}$, $f$ 為 連續且可導,故 $f$ 在 $(0,x)$ 區間亦為可導。由 MCT 可知 存在 $c \in (0,x)$ 我們有
\[
f(x) - f(0) = f'(c) (b-a) \Rightarrow \sin(x) - 0 =  \cos(c) x
\]換言之,我們有
\[
\cos(c) x = \sin(x)
\]由於 $|\cos(.)| \leq 1$ 故 $\sin(x) \leq x$。

CASE 3: 最後我們考慮 $x \geq 1$ 情況,由於 $|\sin(x)| \leq 1$ 故 當 $x\geq 1$ 時,
\[
\sin(x) \leq x
\]自動成立。至此得證。$\square$


Remarks:
上述結果可以進一步推廣,亦即我們不需要假設 $x$ 為非負:對任意 $x \in \mathbb{R}$,
\[
|\sin(x)| \leq |x|
\]證明雷同在此不做贅述。讀者可以試著證明看看。

[測度論] 非遞減函數必定可測

Claim: 令 $f: \mathbb{R} \to \mathbb{R}$ 為 非遞減(nondecreasing)函數,則 $f$ 為 $(\mathcal{B}_{\mathbb{R}},\mathcal{B}_{\mathbb{R}})$-measurable 其中 $ \mathcal{B}_{\mathbb{R}}$ 為 Borel $\sigma$-algebra

Proof:
令 $a\in \mathbb{R}$,並取開集 $E:= (a, \infty) \in \mathcal{B}_{\mathbb{R}}$ 。我們要證明 $f$ 可測,亦即要證明
\[
f^{-1}(E) = f^{-1}(a, \infty) = \{x \in \mathbb{R} : f(x) > a\} \in \mathcal{B}_{\mathbb{R}}
\]此等價證明 $f^{-1}(E)$ 為 $\mathbb{R}$ 上 interval 即可(因為所有 interval on $\mathbb{R}$ generates $\mathcal{B}_{\mathbb{R}}$)。故取 $c:= \inf f^{-1}(E)$ ,則我們僅需證明
\[
f^{-1}(E) = (c, \infty)
\]  以下我們分兩種情況討論:
Case 1: 若 $c \in f^{-1}(E)$ :首先證明 $\subset :$ 取 $x \in f^{-1}(E)$,則 $f(x) > a$,則此 $x \geq c$ by infimum 性質。接著我們證明 $\supset$: 取 $x \in (c, \infty)$,則對任意 $x \geq c$ 而言 ,由於 $f$ 為非遞減,我們知道
\[
f(x) \geq f(c) > a
\]此表明 $x \in f^{-1}(E)$,故至此我們證得 \[
f^{-1}(E) = (c, \infty)
\]

Case 2: 若 $c \notin f^{-1}(E)$:首先證明 $\subset :$ 取 $x \in f^{-1}(E)$,則 $f(x) > a$,則此 $x \geq c$ by infimum 性質。接著我們證明 $\supset$: 取 $x \in (c, …

[測度論] 連續函數必定可測

令 $X,Y$ 為 metric space,定義 $\mathcal{B}_X$ 與 $\mathcal{B}_Y$ 為其上的 Borel $\sigma$-algebra (generated by some open sets)。

Claim: $f:X \to Y$ 為連續函數 on $X$,則 $f$ 為 $(\mathcal{B}_X, \mathcal{B}_Y)$-measurable。

Proof: 令 $E \in \mathcal{B}_Y$,我們要證明 $f^{-1}(E) \in \mathcal{B}_X $。注意到若 $E$ 為 任意 set generates $\mathcal{B}_Y$; e.g., $E$ be open set,則由連續函數性質可知 $f^{-1}(E)$ 亦為 open ,故 $f^{-1}(E) \in \mathcal{B}_X$。$\square$