可测函数列的依测度收敛在概率中的应用.docx

可测函数列的依测度收敛在概率中的应用刘文菡 1，刘晓辉 2（1．邯郸学院 数学系，河北 邯郸 056005；2．河北工程大学 理学院，河北 邯郸 056038）————————————————————————————————————————————摘 要：依测度收敛是一种特殊的收敛，在实际中应用较为广泛. 本文讨论了依测度收敛在概率论中的相关定义——依 概率收敛，以及贝努里定理的内容及其应用.关键词：依测度收敛；依概率收敛；贝努里定理中图分类号：O174.12收稿日期：2005-11 可测函数列的依测度收敛在概率中的应用 刘文菡 1，刘晓辉 2 （1．邯郸学院 数学系，河北 邯郸 056005；2．河北工程大学 理学院，河北 邯郸 056038） ———————————————————————————————————————————— 摘 要：依测度收敛是一种特殊的收敛，在实际中应用较为广泛. 本文讨论了依测度收敛在概率论中的相关定义——依 概率收敛，以及贝努里定理的内容及其应用. 关键词：依测度收敛；依概率收敛；贝努里定理 中图分类号：O174.12 收稿日期：2005-11-10 文献标识码：A 文章编号：1673-2030(2006)03-0029-02 作者简介：刘文菡（1980—），女，河北邯郸人，邯郸学院数学系讲师. ———————————————————————————————————————————— 在数学分析和实变函数的理论中，函数列的收敛是十分重要的概念，极限理论是其核心内容. 一致收敛无 疑是很强的收敛，在一般情况下很难实现，因而应用大受限制. 处处收敛和几乎处处收敛的条件相对弱一些， 然而，对于可测函数列来说，仅用处处收敛和几乎处处收敛的概念来描述它是不充分且不典型的，而依测度收 敛就可以充分地说明问题. 1 概念 [1]93 设 f ( x) 是可测集 上的可测函数列, f ( x) 是 上的可测函数. 如果对每个 ε 0 ，有 E 依测度收敛于 f ，记作 f n ? E f . 定义 1.1 n lim mE(| f n ? f |≥ ε ) = 0 ，则称 f n n→∞ 对于上述定义中的极限式，为了应用方便可以换成ε ? δ 语言来描述，就是下面的： 1.2 [1]93 设 f ( x) 是可测集 E 上的可测函数列, f ( x) 是 E 上的可测函数. 对 ?ε 0 ，?δ 0 ，?N ， 定义 n 当 n N 时， mE(| f n ? f |≥ ε ) δ ，则称 f n 依测度收敛于 f ，记作 f n ? f . 依测度收敛的意义用文字叙述就是：如果事先给了一个表示偏差的正数 ε , 不论这个 ε 多小, 使得 | f n ( x) ? f ( x) | 大于或等于ε 的点 x 虽然可能很多，但这种点的全体的测度随着 n 无限增大而趋向于零. 2 依测度收敛在概率论中的应用 先来看一个例子. 若事件 A 在一次试验中发生的概率为 P ，如果观察了 n 次这样的试验（也就是一个 n 重贝努里试 例 2.1 μ n 验），事件 A 共发生了 μ n 次，则事件 A 在 n 次观察中的频率为 种关系不能表示成： ，当 n 增大时，频率逐渐稳定到概率. 但这 n μ n lim = P LL(1) n n→∞ 这是因为（1 ）式极限关系意味着，对任给的 ε 0 ，存在充分大的整数 N ，使对一切 n N ，有 ? P | ε 成立. 但我们知道， μ n 是随试验结果而变的， μ | n n n 在 n 重贝努里试验中，下面的试验结果： A, A,...,A 14243 还是可能发生的， n个A μ μ 这时 n = 1 ，从而当ε 很小时 (0 ε 1 ? P) ，不论 N 多么大，也不能得到当 n N 时，有| n ? P | ε n n 29 μ很大时，事件| n ? P |≥ ε 发生的可能性是很小的.成立，即（1）式不成立. 但当 n当 n → ∞ 时，这个概率n趋向于零，所以频率“靠近”概率意味着：μP(| n ? P |≥ ε ) → 0 ，n → ∞，n其中 ε 是任一大于零的常数. 即频率接近于概率的含义用数学分析中的处处收敛是说 μ 很大时，事件| n ? P |≥ ε 发生的可能性是很小的. 成立，即（1）式不成立. 但当 n 当 n → ∞ 时，这个概率 n 趋向于零，所以频率“靠近”概率意味着： μ P(| n ? P |≥ ε ) → 0 ， n → ∞ ， n 其中 ε 是任一大于零的常数. 即频率接近于概率的含义用数学分析中的处处收敛是说不清楚的，它不是一 个随试验次数的增多而无限接近