スキップしてメイン コンテンツに移動

位相を用いた写像の連続性の定義

Introduction


今日は写像の連続性の定義を位相を用いて行います。こちらの記事では位相の定義、開集合、開集合が位相の公理を満たすことを示しました。しかし、写像の連続性の定義は行いませんでした。この記事ではそれをやっていきます。重要なことであり、証明を書きます。

概要

  •  開集合
  • $\epsilon-\delta$論法
  • 開集合による写像の連続性の定義
  • 同値の証明


開集合

(X,d)を距離空間とします。
$A \subset X$:開集合
$$\iff$$
$$\forall x \in A,~~\exists \epsilon > 0, ~~s.t.~~ B(x,\epsilon) \subset A$$

ここで、$$B(x,\epsilon):= \{y\in A| d(x,y) < \epsilon\}$$

この定義は位相の公理を満たすので位相として距離空間に入れることができます。そのことは前回の記事で書きました。

$\epsilon-\delta$ 論法

$\epsilon-\delta$論法について確認します。この論法は学部一年生で習うと思います。

f:X-> Y:写像で、
fが$x=x_0$で連続とは
$$\iff$$
$$\lim_{x \rightarrow x_0} f(x) = f(x_0)$$
$$\iff$$
$$\forall \epsilon > 0,~~\exists \delta >0 ~~s.t~~ d(x,x_0) < \delta \implies d(f(x),f(x_0)) < \epsilon $$

開集合を用いた写像の連続性の定義

Define1.0

$(X,\mathbb{O}_X),(Y,\mathbb{O}_Y)$を位相空間とします。
$f:X \rightarrow Y$が$x=x_0$で連続
$$\iff$$
$$f(x_0) \in \forall V:\textrm{open set} \subset Y~~,f^{-1} (V) \subset X ~~\textrm{is open set}$$
ここで、$\mathbb{O_X}$ and $\mathbb{O_Y}$はそれぞれ、X,Yの開集合族です。さらに、$f^{-1} (V) := \{a \in X| f(a) \in V \}$とします。

この定義は$\epsilon-\delta$論法と同値になります。
同値の証明


  • Define 1.0 $\implies$ $\epsilon-\delta$論法

$\forall V, f(x_0) \in V$.よって、 $x_0 \in f^{-1}(V)$.
$f^{-1}(V)$は開集合なので、$\exists \delta > 0 ~~s.t.~~ B(x_0,\delta) \subset f^{-1}(V)$.
よって、$\forall x \in X ,~~x \in B(x_0,\delta) \implies x \in f^{-1}(V)$.
$x \in B(x_0,\delta) \iff d(x,x_0) < \delta$
$x \in f^{-1}(V) \iff f(x) \in V$.
ここで、$V$の半径を$\frac{\epsilon}{2}$とします。
$f(x) \in V$なので、$~~d(f(x),f(x_0)) < \epsilon$.

結果、$V$が任意なので、
$$\forall \epsilon ~~\exists \delta ~~s.t.~~ d(x,x_0) < \delta \implies d(f(x),f(x_0)) < \epsilon$$


  • $\epsilon-\delta$ reasoning. $\implies$ Define 1.0

$\forall x \in f^{-1}(V)$,$f(x) \in V$と$f(x_0) \in V$が成り立つので、 $d(f(x),f(x_0)) < \epsilon$.ここで、$\frac{\epsilon}{2}$は$V$の半径とします。
$\epsilon-\delta$論法により、 $\exists \delta > 0 ~~s.t.~~ d(x,x_0) < \delta$.

$B(x,\delta):= \{y \in X|d(x,y) < \delta \}$とします。
$\forall y \in B(x,\delta),$ because $d(x,y) < \delta$, $d(f(x),f(y)) < \epsilon$. よって、$f(y) \in B(f(x),\epsilon) \subset V$
$f(y) \in V$なので、$y \in f^{-1}(V)$.
よって、$y \in B(x,\delta) \implies y \in f^{-1}(V)$.
結果、$B(x,\delta) \subset  f^{-1}(V)$.
よって、$f^{-1}(V)$は開集合。

Q.E.D

コメント

このブログの人気の投稿

Implementation of Robbins monro

Robbins monro の実装 sorry, this page is Japanese only.   今回はRobbins monro の実装をしてみました。 Robbins monroは確率勾配降下法の学習率を入りテーション回数の逆数で割っていくものです。 使っているprogram言語はpython 3です。osはwindowsです。(macほしい...) アルゴリズム 確率勾配降下方とは目的関数の最適解を求めるアルゴリズムです。目的関数をf(X)とすると、手順は以下のようになっています。 初期学習率$n_0$を決めます。訓練データDを用意します。この訓練データは複数の初期値の集まりです。 訓練データから一つ初期値をランダムに取り出し、これを$x_0$とし、最初の予測値とします。 次の式に現在の予測値$x_0$を代入し、新たな予測値$x_{n+1}$を得ます。$$x_{n+1} = x_{n} - \frac{n_0}{n} grad f(X_n)$$ 収束して入れば4へ、収束していなければ2で得られた値$x{n+1}$を新たに$x_n$としてもう一度2を行う。 訓練データを一周していなければ2へ、一周していれば各初期値から得られた解の中から目的関数を最も小さくするものを選ぶ。   実装例 以下の目的関数を最小化させてみましょう。 $$f(x,y) = (x-2)^2 + (y-3)^2 $$ コマンドラインでpythonを実行していきます。 予想通り、(2,3)という解を導き出してくれました。目的関数が簡単だったので、初期値をどの値でとってもばっちり正解にたどり着いてくれました。 CODE 以下にRobbins monroの関数だけ置いておきます。 こちら にすべてのコードを載せています。 def Robbins_monro(function,grad,number_variable_gradient): init_learning_rate = 1.5 stepsize = 1000 init_value = np.array([range(-1000,1020,20) for i in range(number_v...

最尤推定

Introduction English ver 今日は最尤推定について加工と思います。これは統計的推定でよく使われる手法です。最尤推定の例も書こうと思います。初めに尤度の説明をし、そのあとで最尤推定の説明をします。 概要 尤度 最尤推定 最尤推定の問題点 尤度 前提条件から得られる観察データを考えます。この時、えられた観測データに対して前提条件が尤もらしい条件であるかの値を尤度といいます。 なにをゆっているのかわからない人がほとんどだと思います。。。 尤度の例を扱っていきます。 コインを投げることを考えます。このコインは確率Pで表、確率1-Pで裏を出すコインだとします。 例えば、100回コインを投げたとき、全て表だったとします。この時このコインが表が出る確率はかなり1に近いことが予想されます。 ではもし、表が出る確率PがP=0.5だとします。この時、表が100回連続で出る確率は$0.5^{100} = 7.88860e-31$になります。あり得ない確率ですね。これがP=0.5としたときのもっともらしさです。つまり、あまり現実的ではないということです。 もしP=0.99とするとき、100回とも表が出る確率は$0.99^{100} = 0.3666....$となります。つまり、P=0.99としたときの尤度は0.36くらいということです。よって、P=0.5よりかは現実見があることになります。まだまだ低い数字ではありますが。 観測データである、100回表が出るという事象を固定したとき、尤度はPを変数としたP(100回表|P)を尤度関数と呼びます。この関数の値を尤度と呼びます。 尤度が高いほうが尤もらしい値、つまり理にかなっているなと感じることができる値ということになります。 例えば、先ほどの例でゆうと、 P=0.5としたときの尤度は7.88860e-31でした。P=0.99としたときの尤度は0.3666でした。よってP=0.5より、P=0.99のほうが尤もらしい自然な値ということになります。 最尤推定 最尤推定とは得られた観測データからデータが依存している分布のパラメーターを推測するための手法です。 最尤推定では尤度を最大化して、最も尤もらしいパラメーターを求めます。 確率密度関数...

離散フーリエ変換

Introduction English ver 今日は離散フーリエ変換について書きます。 現在、シグナル解析についてのpdfを作成中です。このpdfは github で公開中です。 シグナル解析は、courseraのレクチャーで勉強中です。 ここ にリンクを貼っておきます。 pdfは随時更新中です。