标签：停时 infty Xn lim 定理 cdots bar X0
鞅
一些定义：
- 随机过程：依赖于参数的一组随机变量的全体，参数通常是时间。即假设 T T T 是指标集，且对于任意 t ∈ T t\in T t∈T， X t X_t Xt 都是一随机变量，那么我们就可以称 { X t ∣ t ∈ T } \{X_t|t\in T\} {Xt∣t∈T} 为一随机过程。
- 条件概率： P ( A ∣ B ) P(A|B) P(A∣B)，表示事件 A A A 在事件 B B B 发生的条件下发生的概率。
- 独立同分布：对于随机变量 X 1 , ⋯ , X n X_1,\cdots,X_n X1,⋯,Xn，若它们服从同一分布，并且互相独立，就称这些变量独立同分布。
- V a r ( X ) Var(X) Var(X)：为随机变量 X X X 的方差，等于 E ( ( X − E ( X ) ) 2 ) E((X-E(X))^2) E((X−E(X))2)，展开后也等于 E ( X 2 ) − E ( X ) 2 E(X^2)-E(X)^2 E(X2)−E(X)2。
接下来介绍鞅的定义，一种最基础的鞅的定义是：
称离散随机过程 { X 0 , X 1 , ⋯ } \{X_0,X_1,\cdots\} {X0,X1,⋯} 是鞅，若对于任意的 n n n 都满足：
-
E ( ∣ X n ∣ ) < ∞ E(|X_n|)<\infty E(∣Xn∣)<∞。
-
E ( X n + 1 ∣ X n , ⋯ , X 0 ) = X n E(X_{n+1}|X_n,\cdots,X_0)=X_n E(Xn+1∣Xn,⋯,X0)=Xn。
这里 X n , ⋯ , X 0 X_n,\cdots,X_0 Xn,⋯,X0 作为条件概率里的条件，意思是假设随机变量 X n , ⋯ , X 0 X_n,\cdots,X_0 Xn,⋯,X0 已经确定了。即其等价于： ∀ x 0 , x 1 , ⋯ , x n , E ( X n + 1 ∣ X n = x n , ⋯ , X 0 = x 0 ) = X n \forall x_0,x_1,\cdots,x_n,E(X_{n+1}|X_n=x_{n},\cdots,X_0=x_0)=X_n ∀x0,x1,⋯,xn,E(Xn+1∣Xn=xn,⋯,X0=x0)=Xn。
一个扩展一点的定义：
称离散随机过程 { Y 0 , Y 1 , ⋯ } \{Y_0,Y_1,\cdots\} {Y0,Y1,⋯} 关于随机过程 { X 0 , X 1 , ⋯ } \{X_0,X_1,\cdots\} {X0,X1,⋯} 是鞅，若对于任意的 n n n 都满足：
- E ( ∣ Y n ∣ ) < ∞ E(|Y_n|)<\infty E(∣Yn∣)<∞。
- E ( Y n + 1 ∣ X n , ⋯ , X 0 ) = Y n E(Y_{n+1}|X_n,\cdots,X_0)=Y_n E(Yn+1∣Xn,⋯,X0)=Yn。
注意，第二个条件意味着 Y n Y_n Yn 仅可能与 X n , ⋯ , X 0 X_n,\cdots,X_0 Xn,⋯,X0 有关，即在 X n , ⋯ , X 0 X_n,\cdots,X_0 Xn,⋯,X0 确定的情况下， Y n Y_n Yn 也是确定的。
观察鞅的定义，我们可以得到这么一个结论：假设 Y n Y_n Yn 是关于 X n X_n Xn 的鞅，那么 ∀ t , E ( Y t ) = E ( Y 0 ) \forall t,E(Y_t)=E(Y_0) ∀t,E(Yt)=E(Y0)。
但注意这个结论并不和鞅定义中第二个条件等价，鞅定义中的第二个条件会比这个结论更加严格。
除此之外还有上鞅和下鞅：如果鞅的第二个条件中的符号变为 $\leq $ 则称其为上鞅；如果变为 ≥ \geq ≥，则称其为下鞅。注意这和 “上”、“下” 的直觉相反。
一道例题：
考虑一个简单的随机游走过程，即 S n = ∑ k = 1 n X k S_n=\sum_{k=1}^nX_k Sn=∑k=1nXk，且 P ( X i = 1 ) = P ( X i = − 1 ) = 1 2 P(X_i=1)=P(X_i=-1)=\frac{1}{2} P(Xi=1)=P(Xi=−1)=21。
-
求证： S n S_n Sn 是一个关于 X n X_n Xn 的鞅。
证明：第一个条件： E ( ∣ S n ∣ ) ≤ n < ∞ E(|S_n|)\leq n<\infty E(∣Sn∣)≤n<∞。
第二个条件： E ( S n + 1 − S n ∣ X n , ⋯ , X 0 ) = E ( X n + 1 ∣ X n , ⋯ , X 0 ) = E ( X n + 1 ) = 0 E(S_{n+1}-S_n|X_n,\cdots,X_0)=E(X_{n+1}|X_n,\cdots,X_0)=E(X_{n+1})=0 E(Sn+1−Sn∣Xn,⋯,X0)=E(Xn+1∣Xn,⋯,X0)=E(Xn+1)=0。
-
求证： Y n = S n 2 − n Y_n=S_n^2-n Yn=Sn2−n 是一个关于 X n X_n Xn 的鞅。
证明：第一个条件： E ( ∣ S n 2 − n ∣ ) ≤ E ( S n 2 ) ≤ n 2 < ∞ E(|S_n^2-n|)\leq E(S_n^2)\leq n^2<\infty E(∣Sn2−n∣)≤E(Sn2)≤n2<∞。第二个条件：
E ( Y n + 1 − Y n ∣ X n , ⋯ , X 0 ) = E ( ( S n + 1 2 − ( n + 1 ) ) − ( S n 2 − n ) ∣ X n , ⋯ , X 0 ) = E ( S n + 1 2 − S n 2 − 1 ∣ X n , ⋯ , X 0 ) = 1 2 ( ( S n + 1 ) 2 + ( S n − 1 ) 2 ) − S n 2 − 1 = 0 \begin{aligned} &E(Y_{n+1}-Y_{n}|X_n,\cdots,X_0)\\ =&E((S_{n+1}^2-(n+1))-(S_n^2-n)|X_n,\cdots,X_0)\\ =&E(S_{n+1}^2-S_n^2-1|X_n,\cdots,X_0)\\ =&\tfrac{1}{2}((S_n+1)^2+(S_n-1)^2)-S_n^2-1\\ =&0 \end{aligned} ====E(Yn+1−Yn∣Xn,⋯,X0)E((Sn+12−(n+1))−(Sn2−n)∣Xn,⋯,X0)E(Sn+12−Sn2−1∣Xn,⋯,X0)21((Sn+1)2+(Sn−1)2)−Sn2−10
鞅的停时定理
一些定义：
-
几乎一定：一个事件 A A A 几乎一定会发生当且仅当事件 A A A 发生的概率为 1 1 1。即 A A A 不发生的情况集合可能是非空的，但它们对应的概率为 0 0 0。在样本空间有限时，“几乎一定” 和 “一定” 通常没有区别。但在样本空间无限时，这种区别变得非常重要，因为无限集可以有出现概率为 0 0 0 的非空子集。
例子：在 [ 0 , 1 ] [0,1] [0,1] 中任选一个实数，选出的数几乎一定大于 0 0 0。
下面可能还要注意 “趋近于” 和 “等于” 的区别：比如 0 0 0 乘任何数一定是 0 0 0（注意 ∞ \infty ∞ 不是 “数”），但一个趋近于 0 0 0 的数乘上一个趋近于 ∞ \infty ∞ 的数我们不知道它是什么。
-
停时：关于随机过程 { X 0 , X 1 , ⋯ } \{X_0,X_1,\cdots\} {X0,X1,⋯} 的停时是一个非负的随机变量 T T T（可能为 ∞ \infty ∞），满足对于任意的 n n n， [ n = T ] [n=T] [n=T] 的取值仅与 X 0 , ⋯ , X n X_0,\cdots,X_n X0,⋯,Xn 有关。直观地说，对于任意的时间 n n n，你可以仅通过 X 0 , ⋯ , X n X_0,\cdots,X_n X0,⋯,Xn 判断 T , n T,n T,n 的大小关系（当然若 T ≤ n T\leq n T≤n，你也可以得到 T T T 的具体取值）。
-
带停时的随机过程：对于随机过程 { X 0 , X 1 , ⋯ , } \{X_0,X_1,\cdots,\} {X0,X1,⋯,}，设其停时为 T T T，定义该随机过程所对应的带停时的随机过程 { X ˉ 0 , X ˉ 1 , ⋯ } \{\bar X_0,\bar X_1,\cdots\} {Xˉ0,Xˉ1,⋯}：
X ˉ n = { X n , n ≤ T X T , n > T \bar X_n= \begin{cases} X_n,&n\leq T\\ X_T,&n>T \end{cases} Xˉn={Xn,XT,n≤Tn>T
当然，一些文章中可能会直接用 X min ( n , T ) X_{\min(n,T)} Xmin(n,T) 代替 X ˉ n \bar X_n Xˉn。直观地说， { X ˉ 0 , X ˉ 1 , ⋯ } \{\bar X_0,\bar X_1,\cdots\} {Xˉ0,Xˉ1,⋯} 就是把 { X 0 , X 1 , ⋯ } \{X_0,X_1,\cdots\} {X0,X1,⋯} 改成在停时之后维持不变的结果。
注意停时 T T T 只是一个关于 { X 0 , X 1 , ⋯ , } \{X_0,X_1,\cdots,\} {X0,X1,⋯,} 的函数，并不是说一个随机过程有停时它就是带停时的。
我们可以证明某个鞅带停时后也是一个鞅：
-
引理 1：设 Y n Y_n Yn 是一个关于 X n X_n Xn 的鞅，那么 Y ˉ n \bar Y_n Yˉn 也是一个关于 X n X_n Xn 的鞅。
证明：我们只需要证明 E ( Y ˉ n + 1 ∣ X n , ⋯ , X 0 ) = Y ˉ n E(\bar Y_{n+1}|X_n,\cdots,X_0)=\bar Y_n E(Yˉn+1∣Xn,⋯,X0)=Yˉn 即可。
注意 X n , ⋯ , X 0 X_n,\cdots,X_0 Xn,⋯,X0 是已知的，所以我们可以得到 T , n T,n T,n 的大小关系：
- 若 T ≤ n T\leq n T≤n，则 Y ˉ n + 1 = Y ˉ n \bar Y_{n+1}=\bar Y_n Yˉn+1=Yˉn。
- 若 T > n T>n T>n，则 E ( Y ˉ n + 1 ∣ X n , ⋯ , X 0 ) = E ( Y n + 1 ∣ X n , ⋯ , X 0 ) = Y n = Y ˉ n E(\bar Y_{n+1}|X_n,\cdots,X_0)=E(Y_{n+1}|X_n,\cdots,X_0)=Y_n=\bar Y_{n} E(Yˉn+1∣Xn,⋯,X0)=E(Yn+1∣Xn,⋯,X0)=Yn=Yˉn。
直观地说，对于那些未到停时的过程它们原来就是期望不变的，对于那些已经到停时的过程由于我们已经钦定它们不变了，所以它们也是期望不变的。
推论： ⋯ = E ( Y ˉ 1 ) = E ( Y ˉ 0 ) = E ( Y 0 ) = E ( Y 1 ) = ⋯ \cdots=E(\bar Y_1) =E(\bar Y_0)=E(Y_0)=E(Y_1)=\cdots ⋯=E(Yˉ1)=E(Yˉ0)=E(Y0)=E(Y1)=⋯。直观上也很容易解释。
接下来介绍鞅的停时定理：
设 { Y 0 , Y 1 , ⋯ } \{Y_0,Y_1,\cdots\} {Y0,Y1,⋯} 是一个鞅， T T T 是其停时，且 T T T 几乎一定有限（ P ( T < ∞ ) = 1 P(T<\infty)=1 P(T<∞)=1），若有下列条件之一成立，则有 E ( Y T ) = E ( Y 0 ) E(Y_T)=E(Y_0) E(YT)=E(Y0)：
-
T T T 几乎一定有界，即存在一个常数 K K K 使得 P ( T ≤ K ) = 1 P(T\leq K)=1 P(T≤K)=1。
证明：
E ( Y T ) = P ( T ≤ K ) E ( Y T ∣ T ≤ K ) + P ( T > K ) E ( Y T ∣ T > k ) = E ( Y T ∣ T ≤ K ) = E ( Y ˉ K ) = E ( Y 0 ) ： \begin{aligned} E(Y_T)&=P(T\leq K)E(Y_T|T\leq K)+P(T>K)E(Y_T|T>k)\\ &=E(Y_T|T\leq K)\\ &=E(\bar Y_K)\\ &=E(Y_0) \end{aligned}： E(YT)=P(T≤K)E(YT∣T≤K)+P(T>K)E(YT∣T>k)=E(YT∣T≤K)=E(YˉK)=E(Y0)：
一些帮助理解的例子：- 数轴上从 0 0 0 开始向右游走，每次走长度 1 1 1 或长度 2 2 2，走到当前位置大于等于特定常数 S S S 为止。这个是 T T T 有界的例子。
- 从 [ 0 , 1 ] [0,1] [0,1] 中每次随机选一个实数，直到选出非 0 0 0 数为止。这是 T T T 不有界但几乎一定有界的例子。
- 每次抛一枚硬币，直到抛出反面位置。这是 T T T 不几乎一定有界的例子。因为对于任意的 K K K， P ( T > K ) = 1 2 K P(T>K)=\frac{1}{2^K} P(T>K)=2K1，而即使是 K K K 趋近于 ∞ \infty ∞ 时， P ( T > K ) P(T>K) P(T>K) 也只是趋近于 0 0 0，而不等于 0 0 0。
-
Y ˉ n \bar Y_n Yˉn 几乎一定有界，即存在一个常数 K K K 使得 P ( ∣ Y ˉ n ∣ ≤ K ) = 1 P(|\bar Y_n|\leq K)=1 P(∣Yˉn∣≤K)=1。
证明：
E ( Y T ) = lim n → ∞ P ( T ≤ n ) E ( Y T ∣ T ≤ n ) + P ( T > n ) E ( Y T ∣ T > n ) = lim n → ∞ P ( T ≤ n ) E ( Y ˉ n ∣ T ≤ n ) + P ( T > n ) ⋅ O ( 1 ) = lim n → ∞ P ( T ≤ n ) E ( Y ˉ n ∣ T ≤ n ) = lim n → ∞ E ( Y ˉ n ) − P ( T > n ) E ( Y ˉ n ∣ T > n ) = lim n → ∞ E ( Y ˉ n ) − P ( T > n ) ⋅ O ( 1 ) = lim n → ∞ E ( Y ˉ n ) = E ( Y 0 ) \begin{aligned} E(Y_T)&=\lim_{n\to \infty}P(T\leq n)E(Y_T|T\leq n)+P(T>n)E(Y_T|T>n)\\ &=\lim_{n\to \infty}P(T\leq n)E(\bar Y_n|T\leq n)+P(T>n)\cdot O(1)\\ &=\lim_{n\to \infty}P(T\leq n)E(\bar Y_n|T\leq n)\\ &=\lim_{n\to \infty}E(\bar Y_n)-P(T>n)E(\bar Y_n|T>n)\\ &=\lim_{n\to \infty}E(\bar Y_n)-P(T>n)\cdot O(1)\\ &=\lim_{n\to \infty}E(\bar Y_n)\\ &=E(Y_0) \end{aligned} E(YT)=n→∞limP(T≤n)E(YT∣T≤n)+P(T>n)E(YT∣T>n)=n→∞limP(T≤n)E(Yˉn∣T≤n)+P(T>n)⋅O(1)=n→∞limP(T≤n)E(Yˉn∣T≤n)=n→∞limE(Yˉn)−P(T>n)E(Yˉn∣T>n)=n→∞limE(Yˉn)−P(T>n)⋅O(1)=n→∞limE(Yˉn)=E(Y0)
一些帮助理解的例子：- 数轴上从 0 0 0 开始随机游走，每次等概率向左或向右移动 1 1 1，走到 − m -m −m 或 m m m 为止。那么第 n n n 步之后的位置 S n S_n Sn 肯定有界 [ − m , m ] [-m,m] [−m,m]。
-
E ( T ) E(T) E(T) 有限。且 E ( ∣ Y n + 1 − Y n ∣ ) E(|Y_{n+1}-Y_n|) E(∣Yn+1−Yn∣) 几乎一定有界，即存在一个常数 K K K 使得 P ( E ( ∣ Y n + 1 − Y n ∣ ) ≤ K ) = 1 P(E(|Y_{n+1}-Y_n|)\leq K)=1 P(E(∣Yn+1−Yn∣)≤K)=1。
证明：
lim t → ∞ E ( Y T − Y t ) = lim t → ∞ P ( T > t ) E ( Y T − Y t ∣ T > t ) = lim t → ∞ ∑ i = t ∞ P ( T > i ) E ( Y i + 1 − Y i ∣ T > i ) ≤ lim t → ∞ ∑ i = t ∞ P ( T > i ) K = K lim t → ∞ ∑ i = t ∞ P ( T > i ) = K lim t → ∞ ∑ i = t ∞ P ( T = i ) ( i − t ) ≤ K lim t → ∞ ∑ i = t ∞ P ( T = i ) i \begin{aligned} &\lim_{t\to \infty}E(Y_T-Y_t)\\ =&\lim_{t\to \infty}P(T>t)E(Y_T-Y_t|T>t)\\ =&\lim_{t\to \infty}\sum_{i=t}^{\infty}P(T>i)E(Y_{i+1}-Y_i|T>i)\\ \leq &\lim_{t\to \infty}\sum_{i=t}^{\infty}P(T>i)K\\ =&K\lim_{t\to\infty}\sum_{i=t}^{\infty}P(T>i)\\ =&K\lim_{t\to \infty}\sum_{i=t}^{\infty}P(T=i)(i-t)\\ \leq &K\lim_{t\to \infty}\sum_{i=t}^{\infty}P(T=i)i\\ \end{aligned} ==≤==≤t→∞limE(YT−Yt)t→∞limP(T>t)E(YT−Yt∣T>t)t→∞limi=t∑∞P(T>i)E(Yi+1−Yi∣T>i)t→∞limi=t∑∞P(T>i)KKt→∞limi=t∑∞P(T>i)Kt→∞limi=t∑∞P(T=i)(i−t)Kt→∞limi=t∑∞P(T=i)i
考虑设 S n = ∑ i = 0 n P ( T = i ) i S_n=\sum_{i=0}^nP(T=i)i Sn=∑i=0nP(T=i)i，显然数列 S n S_n Sn 趋近于数 E ( T ) E(T) E(T)，那么 E ( T ) − S n E(T)-S_n E(T)−Sn 趋近于 0 0 0，所以上式等于 0 0 0。故：
E ( Y T ) = lim t → ∞ E ( Y t ) = E ( Y 0 ) E(Y_T)=\lim_{t\to \infty}E(Y_t)=E(Y_0) E(YT)=t→∞limE(Yt)=E(Y0)
一些帮助理解的例子：- 首先注意前提条件中的 P ( T < ∞ ) = 1 P(T<\infty)=1 P(T<∞)=1 并不代表着 E ( T ) < ∞ E(T)<\infty E(T)<∞。比如我们这么构造停时为 i i i 的概率： P ( T = i ) = p i = 6 π 2 ⋅ 1 i 2 P(T=i)=p_i=\frac{6}{\pi^2}\cdot \frac{1}{i^2} P(T=i)=pi=π26⋅i21，显然 ∑ i ≥ 0 p i \sum_{i\geq 0}p_i ∑i≥0pi 收敛于 1 1 1，所以 P ( T < ∞ ) = 1 P(T<\infty)=1 P(T<∞)=1。但如果我们要求 E ( T ) = ∑ i ≥ 0 p i i = 6 π 2 ∑ i ≥ 0 1 i E(T)=\sum_{i\geq 0}p_ii=\frac{6}{\pi^2}\sum_{i\geq 0}\frac{1}{i} E(T)=∑i≥0pii=π26∑i≥0i1，会发现它并不收敛，而是发散的。
讲一个应用的例子吧：
CF1349D Slime and Biscuits
题意：
有 n n n 个人，每个人拥有 A i A_i Ai 块饼干。
每次随机将一块饼干等概率分给除了其所有者以外的人。
求第一次出现有一个人拥有所有饼干的所需的期望次数。
做法：
停时与 a a a 序列有关，我们考虑构造一个鞅，同时携带了 A A A 序列和时间这两个信息。
我们大胆地猜想，我们可以构造一个关于 A A A 序列的函数 F ( A ) F(A) F(A) 使得 Y t = F ( A t ) + t Y_t=F(A_t)+t Yt=F(At)+t 为鞅。进一步的猜想是令 F ( A ) = ∑ i = 1 n f ( a i ) F(A)=\sum_{i=1}^nf(a_i) F(A)=∑i=1nf(ai)。
那么我们就需要满足：
E
(
Y
t
+
1
−
Y
t
∣
A
t
)
=
0
E(Y_{t+1}-Y_t|A_t)=0
E(Yt+1−Yt∣At)=0
展开后得到：
1
+
∑
i
=
1
n
(
m
−
A
t
,
i
m
⋅
n
−
2
n
−
1
−
1
)
f
(
A
t
,
i
)
+
A
t
,
i
m
f
(
A
t
,
i
−
1
)
+
m
−
A
t
,
i
m
⋅
1
n
−
1
f
(
A
t
,
i
+
1
)
=
0
1+\sum_{i=1}^n\left(\frac{m-A_{t,i}}{m}\cdot \frac{n-2}{n-1}-1\right)f(A_{t,i})+\frac{A_{t,i}}{m}f(A_{t,i}-1)+\frac{m-A_{t,i}}{m}\cdot \frac{1}{n-1}f(A_{t,i}+1)=0
1+i=1∑n(mm−At,i⋅n−1n−2−1)f(At,i)+mAt,if(At,i−1)+mm−At,i⋅n−11f(At,i+1)=0
一个技巧是把
1
1
1 拆到里面去：
∑
i
=
1
n
(
m
−
A
t
,
i
m
⋅
n
−
2
n
−
1
−
1
)
f
(
A
t
,
i
)
+
A
t
,
i
m
f
(
A
t
,
i
−
1
)
+
m
−
A
t
,
i
m
⋅
1
n
−
1
f
(
A
t
,
i
+
1
)
+
A
t
,
i
m
=
0
\sum_{i=1}^n\left(\frac{m-A_{t,i}}{m}\cdot \frac{n-2}{n-1}-1\right)f(A_{t,i})+\frac{A_{t,i}}{m}f(A_{t,i}-1)+\frac{m-A_{t,i}}{m}\cdot \frac{1}{n-1}f(A_{t,i}+1)+\frac{A_{t,i}}{m}=0
i=1∑n(mm−At,i⋅n−1n−2−1)f(At,i)+mAt,if(At,i−1)+mm−At,i⋅n−11f(At,i+1)+mAt,i=0
注意到这个式子对于
A
t
A_t
At 为任意序列都成立，所以为了不失一般性，我们应该令：
(
m
−
x
m
⋅
n
−
2
n
−
1
−
1
)
f
(
x
)
+
x
m
f
(
x
−
1
)
+
m
−
x
m
⋅
1
n
−
1
f
(
x
+
1
)
+
x
m
=
0
\left(\frac{m-x}{m}\cdot \frac{n-2}{n-1}-1\right)f(x)+\frac{x}{m}f(x-1)+\frac{m-x}{m}\cdot \frac{1}{n-1}f(x+1)+\frac{x}{m}=0
(mm−x⋅n−1n−2−1)f(x)+mxf(x−1)+mm−x⋅n−11f(x+1)+mx=0
对于任意的
x
∈
[
0
,
m
]
x\in[0,m]
x∈[0,m]。
解出 f f f 即可，可以做到 O ( m ) O(m) O(m)。那么 E ( T ) = E ( F ( A T ) + T ) − E ( F ( A T ) ) = E ( Y T ) − E ( F ( A T ) ) = E ( Y 0 ) − E ( F ( A T ) ) E(T)=E(F(A_T)+T)-E(F(A_T))=E(Y_T)-E(F(A_T))=E(Y_0)-E(F(A_T)) E(T)=E(F(AT)+T)−E(F(AT))=E(YT)−E(F(AT))=E(Y0)−E(F(AT)).
至于为什么这个鞅能用鞅的停时定理，我们可以发现它满足
E
(
∣
Y
t
+
1
−
Y
t
∣
)
E(|Y_{t+1}-Y_t|)
E(∣Yt+1−Yt∣) 有界，但
E
(
T
)
<
∞
E(T)<\infty
E(T)<∞ 这个我不会证。（但既然题目都让你求它了那它肯定就是有限的）
标签：停时,infty,Xn,lim,定理,cdots,bar,X0 来源： https://blog.csdn.net/ez_lcw/article/details/122609409
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。