跳到主要內容

[測度論] Almost Uniform Convergence (1) 定義 與 經典例子

Definition: 令 $f_n, f$ 為 complex-valued measurable 函數,我們說 $f_n \to f$ almost uniformly 若下列條件成立:
對任意 $\varepsilon>0$,存在可測集 $E_\varepsilon$ 滿足 $\mu(E_\varepsilon)<\varepsilon$ 使得
\[
f_n \to f \text{ uniformly on $E_\varepsilon^c$}
\]換言之,$\sup_{x \in X\setminus E_\varepsilon} |f_n(x) - f(x)| < \varepsilon$。

Example:
考慮 測度空間 $([0,1],\mathcal{L},m)$,取 $f_n(x) := x^n$ ,則
1. $f_n \not \to f$ uniformly
2. $f_n \to f$ almost uniformly

Proof 1.:
首先注意到 $$
\lim_n f_n(x) := f(x) =  \begin{cases}
      0 & x \in [0,1) \\
      1 & x = 1
   \end{cases}
$$ 觀察 $$
\sup_{x \in [0,1]} |f_n(x) - f(x)| = 1 \not\to 0
$$故 $f_n \not\to f$ uniformly。$\square$

Proof 2: 令 $\varepsilon \in (0,1)$ 取 $E_\varepsilon :=(1-\varepsilon/2, 1]$ 則 $\mu(E_\varepsilon) = \varepsilon/2 < \varepsilon$ 且對任意 $x \in [0,1] \setminus E_\varepsilon$ 而言,
\begin{align*}
\sup_{x \in [0,1]\setminus E_\varepsilon} |f_n(x) - f(x)| &=  \sup_{x \in [0, 1-\varepsilon/2]}|x^n-0|\\
&=(1-\varepsilon/2)^n  \to 0 \;\; \text{ as $n \to \infty$}
\end{align*}
至此證明完畢。$\square$

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質