19th Ave New York, NY 95822, USA

数学代写|Support of a measure数论代考

数学代写|Support of a measure 数论代考


Let $M$ be a topological space. If $M$ is either second countable (i.e., there is basis of open sets that is countable) or compact, then any Borel measure $\mu$ on M has a well-defined closed support, denoted $\operatorname{supp}(\mu)$, which is characterized by either of the following properties: (1) it is the complement of the largest open set U, with respect to inclusion, such that $\mu(\mathrm{U})=0 ;$ or $(2)$ it is $\mathrm{U}$ of $x$, we have $\mu(\mathrm{U})>0$.

If $\mathrm{X}$ is a random variable with values in $\mathrm{M}$, we will say that the support of $\mathrm{X}$ is the support of the law of X, which is a probability measure on M.
We need the following elementary property of the support of a measure:
LEMMA B.2.1. Let M and $\mathrm{N}$ be topological spaces that are each either second countable or compact. Let $\mu$ be a probability measure on $\mathrm{M}$, and let $f: \mathrm{M} \longrightarrow \mathrm{N}$ be a continuous map. The support of $f_{*}(\mu)$ is the closure of $f(\operatorname{supp}(\mu))$.

We recall that given a probability measure $\mu$ on M and a continuous map $f: \mathrm{M} \rightarrow \mathrm{N}$, the image measure $f_{}(\mu)$ is defined by $$ f_{}(\mu)(\mathrm{A})=\mu\left(f^{-1}(\mathrm{~A})\right)
for a measurable set $\mathrm{A} \subset \mathrm{N}$, and it satisfies
\int_{\mathrm{N}} \varphi(x) d\left(f_{} \mu\right)(x)=\int_{\mathrm{M}} \varphi(f(y)) d \mu(y) $$ for $\varphi \geqslant 0$ and measurable, or $\varphi \circ f$ integrable with respect to $\mu$. Proof. First, if $y=f(x)$ for some $x \in \operatorname{supp}(\mu)$, and if $\mathrm{U}$ is an open neighborhood of $y$, then we can find an open neighborhood $\mathrm{V} \subset \mathrm{M}$ of $x$ such that $f(\mathrm{~V}) \subset \mathrm{U}$. Then $\left(f_{} \mu\right)(\mathrm{U}) \geqslant \mu(\mathrm{V})>0$. This shows that $y$ belongs to the support of $f_{} \mu$. Since the support is closed, we deduce that $\overline{f(\operatorname{supp}(\mu))} \subset \operatorname{supp}\left(f_{} \mu\right)$.

For the converse, let $y \in \mathrm{N}$ be in the support of $f_{} \mu$. For any open neighborhood $\mathrm{U}$ of $y$, we have $\mu\left(f^{-1}(\mathrm{U})\right)=\left(f_{} \mu\right)(\mathrm{U})>0$. This implies that $f^{-1}(\mathrm{U}) \cap \operatorname{supp}(\mu)$ is not empty, and since $\mathrm{U}$ is arbitrary, that $y$ belongs to the closure of $f(\operatorname{supp}(\mu))$.

Recall that a family $\left(\mathrm{X}{i}\right){i \in \mathrm{I}}$ of random variables, each taking possibly values in a different metric space $\mathrm{M}{i}$, is independent if, for any finite subset $\mathrm{J} \subset \mathrm{I}$, the joint distribution of $\left(\mathrm{X}{j}\right){j \in \mathrm{J}}$ is the measure on $\prod \mathrm{M}{j}$ which is the product measure of the laws of the $\mathrm{X}{j}$ ‘s. 132 LEMMA B.2.2. Let $\mathrm{X}=\left(\mathrm{X}{i}\right){i \in \mathrm{I}}$ be a finite family of random variables with values in a topological space $\mathrm{M}$ that is compact or second countable. Viewed as a random variable taking values in $\mathrm{M}^{\mathrm{I}}$, we have $$ \operatorname{supp}(\mathrm{X})=\prod{i \in \mathrm{I}} \operatorname{supp}\left(\mathrm{X}{i}\right) $$ Proof. If $x=\left(x{i}\right) \in \mathrm{M}^{\mathrm{I}}$, then an open neighborhood $\mathrm{U}$ of $x$ contains a product set $\prod \mathrm{U}{i}$, where $\mathrm{U}{i}$ is an open neighborhood of $x_{i}$ in M. Then we have
\mathrm{P}(\mathrm{X} \in \mathrm{U}) \geqslant \mathrm{P}\left(\mathrm{X} \in \prod_{i} \mathrm{U}{i}\right)=\prod{i} \mathrm{P}\left(\mathrm{X}{i} \in \mathrm{U}{i}\right)
by independence. If $x_{i} \in \operatorname{supp}\left(\mathrm{X}{i}\right)$ for each $i$, then this is $>0$, and hence $x \in \operatorname{supp}(\mathrm{X})$. Conversely, if $x \in \operatorname{supp}(\mathrm{X})$, then for any $j \in \mathrm{I}$, and any open neighborhood U of $x{j}$, the set
\mathrm{V}=\left{y=\left(y_{i}\right){i \in \mathrm{I}} \in \mathrm{M}^{\mathrm{I}} \mid y{j} \in \mathrm{U}\right} \subset \mathrm{M}^{\mathrm{I}}
is an open neighborhood of $x$. Hence we have $\mathrm{P}(\mathrm{X} \in \mathrm{V})>0$, and since $\mathrm{P}(\mathrm{X} \in \mathrm{V})=$ $\mathbf{P}\left(\mathrm{X}{i} \in \mathrm{U}\right)$, it follows that $x{j}$ is in the support of $\mathrm{X}{j}$. B.3. Convergence in law Let M be a metric space. We view it as given with the Borel $\sigma$-algebra generated by open sets, and we denote by $C{b}(M)$ the Banach space of bounded complex-valued continuous functions on M, with the norm
|f|_{\infty}=\sup {x \in \mathrm{M}}|f(x)| . $$ Given a sequence $\left(\mu{n}\right)$ of probability measures on M, and a probability measure $\mu$ on M, one says that $\mu_{n}$ converges weakly to $\mu$ if and only if, for any bounded and continuous function $f: \mathrm{M} \longrightarrow \mathbf{R}$, we have
\int_{\mathrm{M}} f(x) d \mu_{n}(x) \longrightarrow \int_{\mathrm{M}} f(x) d \mu(x)
If $(\Omega, \Sigma, \mathbf{P})$ is a probability space and $\left(\mathrm{X}{n}\right){n \geqslant 1}$ is a sequence of M-valued random variables, and if $\mathrm{X}$ is an $\mathrm{M}$-valued random variable, then one says that $\left(\mathrm{X}_{n}\right)$ converges in

令$M$ 为拓扑空间。如果 $M$ 是第二可数的(即,有可数的开集的基)或紧致,那么 M 上的任何 Borel 测度 $\mu$ 都有一个明确定义的闭支持,记为 $\operatorname{supp}( \mu)$,其特征在于以下任一性质: (1) 就包含而言,它是最大开集 U 的补集,使得 $\mu(\mathrm{U})=0 ;$或 $(2)$ 它是 $x$ 的 $\mathrm{U}$,我们有 $\mu(\mathrm{U})>0$。

如果$\mathrm{X}$是一个随机变量,取值为$\mathrm{M}$,我们就说$\mathrm{X}$的支持度就是X定律的支持度,也就是一个概率在 M 上测量。
引理 B.2.1。令 M 和 $\mathrm{N}$ 是拓扑空间,每个空间要么是秒可数的,要么是紧致的。令$\mu$ 为$\mathrm{M}$ 上的概率测度,令$f: \mathrm{M} \longrightarrow \mathrm{N}$ 为连续映射。 $f_{*}(\mu)$ 的支持是 $f(\operatorname{supp}(\mu))$ 的闭包。

我们记得给定 M 上的概率测度 $\mu$ 和连续映射 $f: \mathrm{M} \rightarrow \mathrm{N}$,图像测度 $f_{}(\mu)$ 定义为 $$ f_{}(\mu)(\mathrm{A})=\mu\left(f^{-1}(\mathrm{~A})\right)
\int_{\mathrm{N}} \varphi(x) d\left(f_{} \mu\right)(x)=\int_{\mathrm{M}} \varphi(f(y)) d \亩(y) $$ 对于$\varphi \geqslant 0$ 和可测量的,或$\varphi \circ f$ 可与$\mu$ 积。 证明。首先,如果对于某个 $x \in \operatorname{supp}(\mu)$,$y=f(x)$,并且如果 $\mathrm{U}$ 是 $y$ 的一个开放邻域,那么我们可以找到$x$ 的开放邻域 $\mathrm{V} \subset \mathrm{M}$ 使得 $f(\mathrm{~V}) \subset \mathrm{U}$。那么$\left(f_{} \mu\right)(\mathrm{U}) \geqslant \mu(\mathrm{V})>0$。这说明$y$属于$f_{}\mu$的支持。由于支持是闭合的,我们推导出 $\overline{f(\operatorname{supp}(\mu))} \subset \operatorname{supp}\left(f_{} \mu\right)$。

反之,令 $y \in \mathrm{N}$ 在 $f_{} \mu$ 的支持下。对于 $y$ 的任何开放邻域 $\mathrm{U}$,我们有 $\mu\left(f^{-1}(\mathrm{U})\right)=\left(f_{} \mu \right)(\mathrm{U})>0$。这意味着 $f^{-1}(\mathrm{U}) \cap \operatorname{supp}(\mu)$ 不为空,并且由于 $\mathrm{U}$ 是任意的,因此 $y$ 属于到 $f(\operatorname{supp}(\mu))$ 的闭包。

回想一下,一族 $\left(\mathrm{X}{i}\right){i \in \mathrm{I}}$ 随机变量,每个变量都可能取不同度量空间中的值 $\mathrm{M }{i}$, 是独立的,如果对于任何有限子集 $\mathrm{J} \subset \mathrm{I}$,$\left(\mathrm{X}{j}\right) 的联合分布{j \in \mathrm{J}}$ 是 $\prod \mathrm{M}{j}$ 的测度,它是 $\mathrm{X}{j}$ 定律的乘积测度的。 132 引理 B.2.2。令 $\mathrm{X}=\left(\mathrm{X}{i}\right){i \in \mathrm{I}}$ 是在拓扑空间 $\ mathrm{M}$ 是紧致的或秒可数的。将其视为取值 $\mathrm{M}^{\mathrm{I}}$ 的随机变量,我们有 $$ \operatorname{supp}(\mathrm{X})=\prod{i \in \mathrm{I}} \operatorname{supp}\left(\mathrm{X}{i}\right) $$ 证明。如果 $x=\left(x{i}\right) \in \mathrm{M}^{\mathrm{I}}$,则 $x$ 的开放邻域 $\mathrm{U}$ 包含一个产品集$\prod \mathrm{U}{i}$,其中 $\mathrm{U}{i}$ 是 M 中 $x_{i}$ 的一个开邻域。那么我们有
\mathrm{P}(\mathrm{X} \in \mathrm{U}) \geqslant \mathrm{P}\left(\mathrm{X} \in \prod_{i} \mathrm{U}{i} \right)=\prod{i} \mathrm{P}\left(\mathrm{X}{i} \in \mathrm{U}{i}\right)
通过独立。如果 $x_{i} \in \operatorname{supp}\left(\mathrm{X}{i}\right)$ 对于每个 $i$,那么这是 $>0$,因此 $x \in \运算符名{supp}(\mathrm{X})$。 相反,如果 $x \in \operatorname{supp}(\mathrm{X})$,那么对于任何 $j \in \mathrm{I}$,以及 $x{j}$ 的任何开邻域 U,集合
\mathrm{V}=\left{y=\left(y_{i}\right){i \in \mathrm{I}} \in \mathrm{M}^{\mathrm{I}} \mid y{j} \in \mathrm{U}\right} \subset \mathrm{M}^{\mathrm{I}}
是 $x$ 的一个开放邻域。因此我们有 $\mathrm{P}(\mathrm{X} \in \mathrm{V})>0$,并且由于 $\mathrm{P}(\mathrm{X} \in \mathrm{V})= $ $\mathbf{P}\left(\mathrm{X}{i} \in \mathrm{U}\right)$,由此可知$x{j}$在$\mathrm{X的支持下}{j}$。 B.3。法律趋同 令 M 为度量空间。我们认为它是由开集生成的 Borel $\sigma$-代数给定的,我们用 $C{b}(M)$ 表示 M 上的有界复值连续函数的 Banach 空间,具有范数
|f|_{\infty}=\sup {x \in \mathrm{M}}|f(x)| . $$ 给定 M 上的概率测度序列 $\left(\mu{n}\right)$,以及 M 上的概率测度 $\mu$,可以说 $\mu_{n}$ 弱收敛到 $\mu$当且仅当,对于任何有界连续函数 $f: \mathrm{M} \longrightarrow \mathbf{R}$,我们有
\int_{\mathrm{M}} f(x) d \mu_{n}(x) \longrightarrow



数学代写代考| Discrete Mathematics 离散数学


其他相关科目课程代写:组合学Combinatorics集合论Set Theory概率论Probability组合生物学Combinatorial Biology组合化学Combinatorial Chemistry组合数据分析Combinatorial Data Analysis





计量经济学是以一定的经济理论和统计资料为基础,运用数学、统计方法与电脑技术,以建立经济计量模型为主要手段,定量分析研究具有随机性特性的经济变量关系的一门经济学学科。 主要内容包括理论计量经济学和应用经济计量学。 理论经济计量学主要研究如何运用、改造和发展数理统计的方法,使之成为经济关系测定的特殊方法。


相对论(英語:Theory of relativity)是关于时空和引力的理论,主要由愛因斯坦创立,依其研究对象的不同可分为狭义相对论和广义相对论。 相对论和量子力学的提出给物理学带来了革命性的变化,它们共同奠定了现代物理学的基础。


编码理论(英语:Coding theory)是研究编码的性质以及它们在具体应用中的性能的理论。编码用于数据压缩加密纠错,最近也用于网络编码中。不同学科(如信息论电机工程学数学语言学以及计算机科学)都研究编码是为了设计出高效、可靠的数据传输方法。这通常需要去除冗余并校正(或检测)数据传输中的错误。


  1. 数据压缩(或信源编码
  2. 前向错误更正(或信道编码
  3. 加密编码
  4. 线路码



学习易分析也已经很冬年了,七七八人的也续了圧少的书籍和论文。略作总结工作,方便后来人学 Đ参考。
复分析是一门历史悠久的学科,主要是研究解析函数,亚纯函数在复球面的性质。下面一昭这 些基本内容。
(1) 提到复变函数 ,首先需要了解复数的基本性左和四则运算规则。怎么样计算复数的平方根, 极坐标与 $x y$ 坐标的转换,复数的模之类的。这些在高中的时候囸本上都会学过。
(2) 复变函数自然是在复平面上来研究问题,此时数学分析里面的求导数之尖的运算就会很自然的 引入到复平面里面,从而引出解析函数的定义。那/研究解析函数的性贡就是关楗所在。最关键的 地方就是所谓的Cauchy一Riemann公式,这个是判断一个函数是否是解析函数的关键所在。
(3) 明白解析函数的定义以及性质之后,就会把数学分析里面的曲线积分 $a$ 的概念引入复分析中, 定义几乎是一致的。在引入了闭曲线和曲线积分之后,就会有出现复分析中的重要的定理: Cauchy 积分公式。 这个是易分析的第一个重要定理。

Related Posts

Leave a comment