Lec 9-1 General Concepts Definitions (1/7)

NYCU OCW
75粉絲
5 次觀看·2023年12月2日
This course intends to provide students with the necessary (fundamen- tal and advanced) background on random processes.
授課教師:電機工程學系 陳伯寧老師
課程資訊:http://ocw.nctu.edu.tw/course_detail.php?bgid=8&gid=0&nid=558
授權條款:Creative Commons BY-NC-SA 3.0
更多課程歡迎瀏覽交大開放式課程網站:http://ocw.nctu.edu.tw/
我想第九章其實算是觀念上比較困難的一章
因為對於大部分同學來講比較沒有辦法接受抽象的概念
但是我們要介紹一些很抽象的概念
然後我用個人整理的方式告訴你說
為什麼這個抽象概念會非常重要
所以它是一個general concept
所以我們學一個東西當然我們還是希望知道
為什麼要學這個科目
為什麼它重要
為什麼所有的在歐美所有的工程科系都會開這門課
Random process
所以基本上我們稍微瞭解一下
那在介紹之前我還是覺得把這個名詞能夠跟各位同學分享
理解一下對你的瞭解它的這個科目事實上是有幫助的
所以我就把字典裡面有關random這個字
stochastic這個字跟process這個字的解釋拉出來
反正字典裡面寫的應該是非常清楚
那你會發現我們一般來講
有人叫random process
有人叫stochastic process
那我個人比較傾向stochastic process是比較對的一個名詞
因為random這個字其實有uniform的意思
所以我們叫random pick
請你random你去pick
從十個人裡面去挑一個人
那你用random這個字
對他們來講其實代表的是每個人機率是十分之一
他雖然不講
所以有時候我們在消極理論的那門課
他在課本裡面他常常講random
其實他random裡面就帶著uniform的意思
所以從字典上來看
你可以知道它事實上是equal chance for each item
所以如果你在口頭上或一般的陳述上看到random這個字
如果他沒有特別說明
直觀上來講我會把它當作uniform
那所以stochastic這邊他解釋就是說
他有一個機率
他有一個pattern
然後我們看一下他的重點就是
can be may not be predictive precisely
他可以被分析
但不見得可以被精確的預測
那就符合我們現在這門課基本上的一個目標
我們事實上對一個stochastic process
或叫random process
基本上它是一個模式
那我們要對它進行分析
那你一定要能夠做某種程度的分析
所以它是一個可以analyze
但是你當然沒有辦法做完全精確的分析
但至少某種程度上你可以做
那所謂process基本上就是說
它是一個程序
一個系統化的步驟
那這個步驟一定是你有一個目的
你不可能做一些事情沒有目的
所以基本上這個process
是希望我們要達到能夠完全瞭解
我們所分析的這個東西
譬如說假設你對一個河川
你希望收集一大堆資料
我們現在big data常常到處收集資料
那你希望看這個河川跟大氣汙染的關係
河川的流量跟大氣汙染的關係
你本來就不知道
所以你有收集大量的資料
那你就進行分析
那你就有一個目的
你要知道它跟誰的關係
那這是一個目的
所以這個事實上我們學這門課
你就瞭解到它有很廣泛的應用
幾乎所有工程上的一個運作
幾乎都會牽涉到random process的概念
我下了一個簡單的定義就是說
random process基本上
就是要for convenience of analyzing a system
對一個系統
我們基本上看的東西都是一個系統
有輸入、有輸出
然後有一個完整的運作
那我們希望用這樣一個model
可以幫助我們比較有系統化
比較有規律的來分析這個系統
那你這樣的一個目的就很清楚
這門課random process
每一本書有不同的目標
早期的書都比較簡單
那有時候是非常的理論化
但是這些理論基本上
如果不能達到這個目的
我覺得就變得像是一個數學遊戲
那如果簡單的分析來講
對通訊來講
我們事實上是電信工程研究所
所以我們對communication system
這樣一個系統來講
當然我們粗略的分
我們把它分成deterministic跟random
或叫stochastic
那這兩個基本上
我為什麼要這樣去練呢
因為你說這樣出分
好像沒什麼特別的用意
因為我們本來就是一定是stochastic
那我重點是要講
我們到底是對什麼是certain
對什麼是uncertain
這觀念要有
所以deterministic model就是說
譬如說我做一個手機
我們之前的概念
你要傳資料
如果你做這個手機
就知道他要傳什麼資料
他就是要傳10111
這樣的一個序列
那你就針對這個序列去設計
那如果要傳11001
你就傳不成
因為你可能傳不好
因為你不是針對這樣的一個序列來傳
所以你就非常特定的deterministic model
就是說你完全知道你要傳什麼
雜訊是什麼
你都知道
就完全沒有uncertainty
沒有不確定性
那這樣的系統
當然它的泛用性就變得比較差
不是我們想要的
所以我們一定是stochastic model
那我們確定是什麼
不確定的是什麼
所以不確定的就是說
我們不曉得你要送的是1還是0
是uncertain
所以這裡注意到幾個關鍵字
我用time dependent
你會注意到
很多書並沒有把它講得很清楚
random process在定義上都跟時間有關
因為我們真正在做一個系統的時候
我們想這個系統會隨著時間來用
譬如說你今天用
今天下午用
今天晚上用
明天早上用
你都要能夠用
隨著時間的遷移
所以你會發現
不管是stationary
將來的定義都是跟時間有關
time shift
ergodic也是跟時間有關
都有一個index叫時間
那我們希望設計一個系統
在一段很長的時間都很好用
譬如說你設計一個電風扇
用三年
設計一個滑鼠
保證用一年
這個就是隨著時間
我們要能夠certain這件事情
但是我們不曉得這些雜訊
或者是我們要傳送的資料
它的time dependent behavior
我們當然不曉得它是什麼
但是我們一定要完全確定
它的統計特性
我們纔能夠做random process的分析
因為你基本上你是用機率來做這件事情
當然我們還是有一些統計系統是
我們稱之為blind
blind
如果你看到這個字
就是說我們現在設計一個系統
它是blind system
那就是連統計特性都不知道
叫blind
也有人做這樣的研究
不過這樣的研究通常就變得很難
因為你什麼都不知道
你還要能夠傳
那就表示你可能要犧牲很多
譬如說你的效能
譬如說你的系統複雜度
你的系統複雜度
你很多部分你就必須要犧牲
你才能做得稍微好一點
或是傳送速度
你變得可以傳得很慢很慢
所以我們這門課基本上是
certain在機率
百分之百確定
機率
只是這個機率只是告訴你說
0跟1出現的
譬如說二分之一二分之一
但完全不確定是0還是1
這個是沒有這樣的觀念
那當然給各位舉一些範例
其實都講過了
我們碰到的雜訊一定是random process
碰到的interference一定是random process
或是我們要傳的資料
一定是random process
那其他的部分都是你要設計的
那你有這個觀念
大概知道為什麼要學這門課之後
我們就開始要給定義
因為他既然
其實random process要歸類成一個數學的課
他等於說是工程科系的數學基礎
譬如說我們數學基礎有幾門課
就random process
detection estimation也算是數學的課
那這個都是
以前我在美國讀書的時候
都是我們研究所一定要開的課
其實我們在美國的研究所開的課很少
同學在臺灣應該覺得很幸福
那邊的課沒什麼課可以修
因為大部分老師其實很大牌的也都不教課
可能一學年就教一門課
所以既然是開的課很少
所以他們都選擇性的開
最重要一定要開的基本課
那每年開的一定是random process
每年都開的一定是detection estimation
主要是這是數學的課
數學的課通常需要老師來
或是在一段有壓力的時間
有些同學當然都不上課
可能就滿懶的來上課
可是考試都考得很好
那表示在那段時間你還是要讀書
你就給自己一點壓力
把這個東西把它讀懂
所以random process每年都開
detection estimation每年都開
因為它是基礎的課
比較應用的課我們就幾乎都沒有開
那所以基本上我們可以看到
它的定義會非常數學
那同學開始要接受一些比較抽象的數學概念
那我們從random variable來定義
random variable來定義
所以很多definition
那什麼叫random variable
那基本上我們看這個定義
我們這個陳述其實已經到非常精簡了
基本上在五六十年前可能
每一本書會有不同的定義的陳述
那經過了三四十年五六十年
慢慢慢慢的收斂
那已經到最精簡的部分
那每個keyword都非常重要
所以我就帶著各位同學來說明
什麼叫random variable
random variable基本上要定義在一個keyword
probability space上面
一定要定義在一個probability space上面
就是機率空間
那機率空間什麼是機率空間
它有三個組成的要素
這個一定要有
第一個就是S叫sample space
我們用S一般用S代表
sample space因為你是機率嘛
那你要告訴我說
所有可能發生機率的outcome
那舉個例子來講
你丟銅板
所有的outcome是什麼
正面跟反面
一定要列出來
就是你關心的是什麼
正面跟反面
那如果說你丟一個骰子
很簡單
你的sample space
就是一點兩點三點四點五點六點
這樣是不是很清楚
你一定要很清楚的告訴我說
你能觀察到的outcome是什麼
那把它清清楚楚的列出來
這是第一個主要的參數
那第二個叫F
F一般來講是一個sigma field
我們後面會做反覆的說明
F基本上就是列出事件
在機率的書上
常常會用一個字叫event
event叫事件
那event其實
你知道在數學上
我們定義很多名詞
它本身其實是有意義的
那有專有的定義
所以event專門指
你在機率上
你想要看的
發生的一個集合
一個狀況
我們叫event
底下其實都有寫
那event譬如說
你丟一個骰子
你想要看到
出現偶數的機率
那你的事件是什麼
兩點四點六點
那就叫事件
或者說我現在關心的是
出現奇數的狀況
這就是event
就是說你看到一個機率
那你問我說
到底發生什麼狀況
那這個事件有一個
很重要的一個前提
就是一定要能夠量機率
不能量機率的事件
對我們來講是沒有意義的
至少在random process
是沒有意義的
任何一個事件
你沒有辦法量機率
對我們來講是沒有意義的
所以第三個就是
P probability measure
同學要開始熟悉
這些英文名詞
因為它會在書上
不停地重複地出現
你將來跟人家討論的時候
這個名詞keyword
是重要的
event
你一講人家就
在國外學過random process
就知道你要講什麼
所以三個
sample space
event space
或者是probability measure
三個主要的table
那P代表的就是機率
所以基本上
P是一個probability measure
for events
對於你所列出來
你關心的事件
它每一個都要給我機率
每一個都要給我機率
那這樣才完整
所以括號藍色的字
我們稍微做個說明
那第三個
我們看第三行
紅色的字
real value
時數
random variable一定是時數
沒有非時數的random variable
至少到現在為止
還沒有人成功地
很完整地延展到
非時數的世界
那會定義為real value
在機率學家來講
為什麼一定鎖定在純時數呢
當然它有它的一個
數學上的道理
因為時數是一個
最完整的vector space
它有加、減、乘、除
各種運算、排序
全部完整地跟你定義清楚
所以時數是一個
最完整的數學系統
那有乘法反元素
有加法元素
什麼你要的運算
目前我們想到的
時數的世界都有
那所以我們把這個
這個random variable定義在時數
是因為我們最
做任何的運算
做任何的處理
基本上都沒有困難
那另外一個解釋就是說
它為什麼一定要定義到時數呢
那就是我們的sample space
通常是抽象的
正面、反面
其實是抽象的概念
它不是數字
同版的正面跟反面
你不能夠加、減
你不能夠乘、除
你不能夠比較大小
你不能說正面已經大於反面
除非你能夠完整地論述
這是數學體系
因為我說它是一個數學的課
所以我們每一件事情都要學習
怎麼樣去把它嚴謹化
所以real value function
所以我後面寫的括號就是
它是一個mapping
所以從Smap到R
那一定是Smap到R
那後面的寫法
紅色的第三行
右邊的紅色的字呢
基本上是
有的書上是不會這樣寫的
但是我把它特別寫出來
因為我個人認為
這個是非常重要的
就是對於所有的時數來講
因為既然是映射到時數
所以可以比較大小
所以我可以小於等於
因為是時數
所以可以比較大小
所以我可以寫小於等於
我可以寫小於等於
那我們說
我們既然是mapping到時數
是x括號
把一個抽象概念
譬如說正面
map到一個時數叫負1
那負1我就可以跟
另外一個小寫的x來做比較
那我把所有的這些抽象概念
映射的時數都小於等於x的
變成一個集合
這個集合一定要能夠量機率
因為你可以
你看那屬於F
你一看到屬於F
你就馬上要想到一件事情
它是一個event
只要是event
我就知道機率
你如果能夠培養這種直覺
你將來對random process的瞭解
就是完整的
它是一個直覺
只要屬於F
代表是我關心的事件
那所以代表它有機率
這就是random process的基本概念
所以我滿喜歡另外一本書裡面
因為有時候我們老師
在準備一門課
我們會看好幾本書
相互比較
那我當然也建議同學
有時候同學現在修課
就買一本課本就翻一翻了
然後就發現說你的觀點
觀點全部被框架在
某一本書的概念
有時候你會比較一下
不同的書其實對同一件事情
有不同的描述
搞不好你會得到一些新的想法
甚至它裡面都有出入
每個作者其實想法都不太一樣
絕對沒有一定是
一定要這樣子去說明
那這本書裡面
它第四頁寫了一個東西
我覺得還滿好的
它說random variable
這個名詞事實上是一個misnomer
是一個不正確的描述
因為它也不random
你要注意到
random variable不是random
它沒有隨機
它是deterministic mapping
所以它也不是一個變數
它是一個函數
它是一個對應
它是一個mapping
它事實上是一個function mapping
所以隨機事實上沒有
我們在大學部的時候
不會跟各位這樣講
它其實是一個function mapping
從Smap到R
它是定義這件事情
那這個事情我們到
Brandon Plassius
定義介紹的時候
同學會真正瞭解說
為什麼一定是這樣
當然我們在大學部
學機率的時候
把它詮釋為一個變數
那當然是一個比較容易
讓沒有學比較深的機率的人瞭解
那實際上我們現在
到研究所的階段
你應該真正瞭解它的本質
所以它事實上
the random variable simply maps
each point
我們稱之為outcome
同學要熟悉這個詞
它是一個outcome
然後在sample space
然後一定是百分之百
映射到時數
一定是映射到時數
那所以這個事實上
它告訴你
就是這個
它用這個詞
還蠻match
以前我聽過一個演講
他說神聖羅馬帝國
既不神聖
跟羅馬也沒關係
它也不是帝國
那不曉得為什麼這個名詞
所以random variable
既不random
也不是random variable
所以我們常常會
故意有一種
很奇怪的名詞出來
好 那我們底下一些名詞
寫在底下
sample outcome
這個大概瞭解一下
event
各位再複習一下
熟悉一下這些字
幾個更重要的keyword
我們再稍微注意一下
底下的黑色的黑點
這第三點的右邊
我們再看一下
non-empty
那個字請各位
稍微再註記一下
f可不可以是empty
不行
那我想同學
心中先自己OS一個答案
為什麼不行
因為你既然
關心這個機率
如果它是空集合
不是很奇怪嗎
那你就不用做這個random process
因為你一定有一些
關心的事件
那這是一個解釋
那其實
當然
也不見得完全正確
因為基本上
數學家在定義的時候
他說至少要含兩個event
一個是空集合
最小的event space是這個
空集合跟全部
因為它既然是
既然是你關心的事件
它就包含空集合
什麼都沒有發生
我一點都不關心
機率是零
那s的話就是
我丟一個骰子
那我關心的事件是
出現一點到六點之間
任何一個點數
那也可以
那就百分之百發生
機率就是1
這兩個我都知道機率
我都可以量
那它也是一個事件
只是這種事件
是一種很trivial的事件
那empty基本上是
告訴你它至少包含兩個
這是數學上的
不過實際上的解釋應該是說
我們當然也不會
只看這麼小的event space
那就沒有意義了
probability measure基本上
是定義在
所有的event上面
每一個event
都一定要百分之百知道機率
所以我都寫得很清楚
all event
都必須要能夠可以量度
可以量度
所以你現在就有一個
蠻強烈的概念
那這個乘數基本上
我希望同學
從某個乘數來講背起來
就是看得很熟
我們會一直重複
我想你也不用真的背
這個基本上我們上到
下一節課
同學搞不好自己都會念得出來
就表示你上課有專心
a random variable
事實上defined over a probability space
那實在是一個real value function
那有這個概念
我們就舉一個例子
舉一個例子
譬如說你看
我們S是一個抽象概念
它沒有結構
不能做加減乘除
不能比較大小
沒有排序的可能
它是一個正方形
三角形跟菱形
所以是一個抽象概念
那我們在看機率的事件的時候
常常就是一個抽象概念
我們剛剛講正面、反面
或是這幾個國家可不可能結盟
或是哪兩個會結盟
哪兩個不會結盟
或是電機系三個系會不會合併
這都是機率
這都是抽象事件
沒有辦法量化
對不對
但是我們一定要做一些操作的時候
我們就要量化
那我們關心的事件
剛好是四個
我們剛剛講至少要有兩個
那這兩個會包含進來
是因為你可以量度機率的
都是你可以放進事件的
那空集合一定可以量度機率
因為空集合的機率是多少
是零
那S的話一定可以量度機率
所以我就把它放進來
因為S的機率是1
是1
因為所有的可能都進來了
那另外我兩個關心的機率就是
正方形跟三角形同時
任何一個出現
我們出現還是隻有一個
但是我們說這兩個都會出現的
或的機率
那還有一個是零形
那一個合法的
一個well defined的機率
就是說這四個你都要給我機率
那這就是一個合法的機率量度
所以空集合就是零
那正方形三角形
這樣合起來譬如說
就是0.7
然後零形就是0.3
S就是1
那這時候我們看紅色的字
你就知道說
在這樣的一個random process
底下
我們完全不關心什麼
正方形單獨出現的機率
這個事件是你不關心的
然後三角形單獨出現機率
這個事件是你不關心的
所以它就沒有在我的
event space裡面
也沒有在我的probability measure裡面
這樣是一個well defined
所以這個觀念大家慢慢的
透過這種簡單的範例
大家先了解一下
這些機率學家
是怎麼樣去思考這件事情的
那你說這樣的思考
好像沒有什麼特別
我們後面會講
它的特別的地方
還沒有到
我們會有三個論述
那我們說
這個定義會一直出現
我們就開始做更深入的論述
我們講event space
我們說它就是你關心的event
那這個字
同學已經變成你知道的keyword
event
probability space
random variable
都是keyword
那event
會有一個event space
一般用F代表
它一定要是一個
另外一個名字進來
叫sigma field
就是說
數學上
常常對於一個空間來講
我記得我在教大一的
linear algebra的時候
我介紹一個名字叫space
那在數學上如果各位去修
修任何一個
譬如說real analysis
都介紹每一張都是一個space
那什麼叫space
space當然就是一個集合
有一羣人在裡面
或一羣物件在裡面
可是那不是我們一般關心的space
任何一個合法的space
都是有結構的
那這些結構
要可以操作的
那不然就是一個鬆散的東西
所以數學上任何講一個space
一定要有rule
有規則
你怎麼樣把一個
一羣人組織起來
我們就叫黨章嘛
對不對
國民黨 民進黨
都有黨章
它就規範一些事情
那我們教大也有教大的校規
那有規範一些事情
那我們纔能夠做運作
所以我們要有規則
要有rule
所以event space
不只是講一個space
它有規則
那這規則呢
我們就follow
代數學家所用
叫sigma field
field一個場
那這個時候為什麼
它是要sigma field
我們要稍微說明一下
那我們先跳到後面好了
就是每一件事情
我們希望能夠都瞭解
為什麼
然後
但也不用一定要follow
我常常告訴同學說
這個為什麼都可以被改的
因為他從來沒有說
一百年後還是這樣子
如果今天你有一天
發現
用另外一個定義
反而會產生更好的結果
你就可以把它推翻
這個就永遠
會進步嘛
所以這個也是
後來人慢慢慢慢整理出來的
那什麼叫field
什麼叫algebra
代數
algebra就是一個代數
那代數當然是一個非常深的課
那基本上
一個field或一個algebra
它有三個基本的規則
這規則是
大家公認的
完全不用證明的
那它有它背後的選擇的道理的
那第一個就是
空集合一定要在裡面
然後
整個的sample space
sample一定要在裡面
那為什麼呢
基本上我們event space的概念就是
這個event我們要能夠量
我們有一個辦法去量度它
那這兩個我們都能夠量
所以一定要放在裡面
所以當你有一個準則的時候
你有一個選擇的準則的時候
你就很清楚
它要怎麼定義
所以這背後的準則是這個樣子
所以我們寫得很清楚就是
它是一個mechanism
一個機制
mechanism一般翻譯做一個機制
所以你可以學習用這些字
在你將來的論文裡面
那它可以決定這個outcome
是不是在你關心的event裡面
就是我就可以分開
假定我現在要有一個規則
要篩選
有些人可以當候選人
有些人不能當候選人
譬如說我們要做一個選舉
那這個時候我就要有一個規則
這規則很清楚
那這部分人在裡面
這部分人不在裡面
所以它事實上空集合跟S
我們都可以百分之百確定
在裡面或不在裡面
因為空集合就沒有任何人在裡面
那S就每個人都在裡面
所以這個機制絕對是很存在的
存在的
那第二個就是closure under
complement action
那基本上可以很清楚
如果你有個機制
可以決定誰在A這個集合裡面
誰不在這個裡面
那麼你就有個機制可以決定
誰不在這個裡面
誰在這個裡面
那只是這樣倒回來說
就是你既然能夠切這個boundary
所以A知道
A complement一定要在裡面
所以我們看一下之前的範例
如果0型這個單獨的集合在裡面的話
它的補集合一定要在裡面
所以正方形跟三角形一定要在裡面
這個纔是一個完整的論述
因為既然你知道右邊那個機率是0.3
你就知道左邊這個機率一定要是0.7
那你既然都可以量度
你既然就有機制
你就把它放進來
我們這樣說明好了
就是說如果你真正關心的是
正方形跟三角形兩個
任何一個出現的機率
那你不見得要正面的去量它
你可以反面的去量它
你可以量零型的機率
倒過來你就可以量
所以這個事實上就是告訴你說
系統的完整性
因為你本來就關心的東西
你的補集合也是一個輔助
很重要的輔助
第三個field就是closure under finite union
那這個我們用這樣的一個
很清楚的準則
就可以知道這個一定要納進來
我們這個東西應該
如果英文叫做axiom
公設
公設是不用證明的
就大家覺得
這件事情是合理的
就放進來
那所以譬如說
如果有的書上講
pi system或是whatever system
你把其中一個拿掉
也有數學家去想說
我把其中一個拿掉
那會少什麼
也有人在這樣玩
那這個當然是純數學的遊戲
那我們在這裡
因為在工程的應用上
它有它的必要性
所以我們從工程的角度來看
我待會介紹probability measures
我會告訴你說
它有三個規則
那也有人討論
第三個規則就把它拿掉
那它有它的應用
後來它找到它的應用
那也可以
所以這邊我們講說
各位同學就靈活一點
雖然它這裡我介紹三個規則
可是如果有一天你發現
在某個應用哪一個規則可以拿掉
你就大膽地拿掉
但是你要證明它有用
所以這不算證明
不過觀念上的確
我認為它是等效的
那第三個點就是說
如果我有一個機制
可以決定一個outcome
outcome是不是在集合A裡面
那我有一個機制
可以決定一個outcome
是不是在集合B裡面
當然我就知道
它是不是在A連接B裡面
這是百分之百
你就可以知道了
所以既然是這樣
那我覺得應該要把它放進來
那這個時候
我們後面其實會再說明
公設既然是大家都同意
然後既然大家都不希望證明
就把它放進來
那公設是越少越好
我們希望規則越簡單越好
那所以所有其他的衍生性質
都是從這三個公設證出來的
所以早期
譬如說你也可以
公設如果A屬於F前
B屬於F
則A交集B屬於
你可以立為說它是第四個公設
可是後來數學家發現沒有必要
為什麼沒有必要
因為這個第四個公設
可以用第二個第三個證明出來
那既然是這樣子
我們就不要把它當作公設
我們把它當作證明出來的
我讓公設減到最低
它都是一個必要性的
所以譬如說我們講
vector space有八個性質
那已經減到最低了
那如果你再拿掉一個
搞不好某些性質就
某些property就證不出來
所以第四個可以
這個第四個就不用加了
因為二跟三可以證第四個
可是我希望同學
還是把第四個放進來
因為它對於你在考試的時候
或是在推導的時候
是很有用的
因為你把交集連集全部放進來
你就知道凡是交集連集
都要放進來就對了
這是field
field或是algebra
可是你要注意到我們講
f事實上不是field
它一定要是sigma field
所以跟field不太一樣
所以我們介紹一下
field在工程的應用上
它在數學上沒有問題
它數學上是一個很完整的體系
一個叫field很長
那但是對工程的應用上
我們發現我們工程
常常需要處理極限
我們系統越來越大
一個系統你設計完了之後
可能要被使用十萬次
你的手機你一定是天天在用
你買了就用個兩年
這兩年當中
你可能對這個手機
使用了超過十萬次
甚至百萬次
所以是一個很大的數字
那這個它的行為
是有一種極限的效應
所以我們工程上
必須處理長時間的使用
就是極限
所以基本上一碰到極限
一碰到極限field
這個定義就會出問題
那我們這邊舉一個
我們稱為artificial的範例
非常人工化的案例
就是說假定我的S是一個時數
那F是什麼
我的event space
是包含了所有的開區間
半開區間跟閉區間
它的兩端點都是rational number
都是有理數
那它絕對是一個field
它絕對符合前面三個公設
這個可以證明的
可是當你處理到極限的時候
這裡就出問題了
譬如說我們定義一個東西叫AK
它是一個集合
它是一個event
我們如果從集合論來講
我們把它稱作為一個集合
從機率空間的話
它的名字叫做event
所以AK是一個event
它也是一個集合論的set
那它的左端是0
0是有理數
沒有問題
右端的話就是π
π就是圓周率
那我把它截到
小數點以下的第k位
我用括號k來代表
那你一旦截到第k位
代表它就是有理數
它也是有理數
那這個時候我就開始取極限了
我把ai做連擊
從i等於1連擊到無限大
所以這個時候它是不是
我們能夠量機率
還記得
能夠量機率
能夠操作的
我都要能夠放在
我的event space裡面
那它顯然沒有在裡面
因為當這個極限一放的時候
它的左端是0
的確是有理數
右端是π
那π是無理數
所以就變成這個不能量機率
它不在我們的f裡面
所以這樣的一個field
在數學上來講就變成一個缺陷
那各位同學覺得有點吹毛求疵
那我們說random process的本質是數學
它是一個數學的科目
所以一定要嚴謹
那工程上來
工程師可能就不管
但是隻要能夠做得出來
東西可以用
可是這兩個當然可以互為互補
你如果在理論上
能夠把它弄得很嚴謹
你將來在做很多的工程
到一個應用的時候
你會更嚴謹
所以這時候數學家定義一個東西
叫sigma field
那所以定義在底下
那sigma field跟field的一個差別
就是第三個條件不一樣
它把它延伸到
它事實上是無限多個a、k的連擊
也一定要在我的f裡面
所以它把第三個規則
放得比較寬一點
納進更多的集合
就是包含極限
那到這個時候
同學就會問說夠不夠
那看起來到目前為止
工程應用是夠了
我們就不用再加了
這就是它目前為止都是
都是用sigma field
那也足夠了
event space
基本上我們要有完整的一個應用
我們在工程上都希望處理極限
所以我們就要用sigma field
那這個基本上到目前為止
應該都非常的夠用
所以並沒有更進一步的延伸
但我們也不排除可能
好我想第一節課
其實是給各位一個初步的概念
那我們慢慢會把這個概念一直延伸
然後再重複
讓你對這個觀念會非常的清楚
那我希望透過上課的方式
讓同學瞭解
這個什麼叫random process
是一個系統化的瞭解
那也讓同學瞭解
為什麼這門課還是一定要老師教
因為你自己看
恐怕要花很多時間
你慢慢才會有這樣的一個瞭解
