测度与概率的定义

1. 导言

微积分的学习顺序是先学微分再学积分。但是从认知上看，先辨析清楚“面积/测度/概率”的概念，再考虑相应的变化：导数/微分/分布函数，应该更加自然。我们将按照这样的顺序，介绍现代分析学和概率论的数学基础。

2. 测度/概率的直观引入

为了定义测度/概率，我们需要给一些特定的集合赋予一些数，使之满足我们对面积/概率的期望，这样自然产生了两个问题：

a. 所有的集合都可以赋予面积/概率的概念吗？

b. 这些被赋予的数应该满足什么条件，才能符合我们对面积/概率的认知？

为了回答问题a和b，我们考虑最简单的离散概率模型。考虑掷$n$粒骰子，那么可能的输出结果为$(k_1,\cdots ,k_n)$，其中 k 1 , ⋯   , k n ∈ { 1 , 2 , 3 , 4 , 5 , 6 } k_1,\cdots, k_n\in\{1,2,3,4,5,6\} k1​,⋯,kn​∈{ 1,2,3,4,5,6}。这些可能的输出结果$(k_1,\cdots ,k_n)$称为样本，所有的输出结果形成一个集合
Ω = { ( k 1 , ⋯   , k n ) : k 1 , ⋯   , k n ∈ { 1 , 2 , 3 , 4 , 5 , 6 } } ， \Omega=\{(k_1,\cdots,k_n):k_1,\cdots, k_n\in\{1,2,3,4,5,6\}\}， Ω={ (k1​,⋯,kn​):k1​,⋯,kn​∈{ 1,2,3,4,5,6}}，

我们称$\Omega$为样本空间。$\Omega$的基数为$6^n$。$\Omega$的任何一个子集$S$表示的是“掷骰子的结果在$S$中”这一事件，这一事件我们相信是能达到的，因此，$2^{\Omega }$表示所有以$\Omega$为样本空间的事件，称之为事件域。我们给事件域中的每个事件赋予一个数，称为该事件的概率（面积/测度），直观上，这个数应该是$[0,1]$中的任何实数。也就是定义了映射
$$\mathbb{P}:2^{\Omega }\to [0,1],\mathbb{P}(k_1,\cdots ,k_n)=6^{-n}$$
我们现在把事件域$2^{\Omega }$用$\mathcal{F}$表示（这是惯例），于是我们有了一个完整的概率模型$(\Omega ,\mathcal{F},\mathbb{P})$，称之为概率空间。这个概率空间模拟的是随机丢$n$次骰子这一试验。这个概率空间满足条件：

1. $\mathbb{P}(\Omega )=1$。
2. P ( { ω } ) = 1 / ∣ Ω ∣ \mathbb{P}(\{\omega\})=1/|\Omega| P({ ω})=1/∣Ω∣。
3. 对于不交的事件$A,B$，$\mathbb{P}(A\cup B)=\mathbb{P}(A)+\mathbb{P}(B)$。

不难看出，条件2是不必要的，因为对于一般的概率模型，不同样本的概率很可能不同。这个例子告诉我们，对于任何有限集合，我们都可以在其幂集上定义一个满足条件1，2，3的一致概率（面积/测度）。但接下来这个例子告诉我们，当一个集合被赋予满足条件1和3的概率后，存在一些子集关于这个概率是病态的，因此我们不应该给所有的子集都赋予概率。

考虑掷无穷多次硬币，硬币正面记为$1$，反面记为$0$。则可能的输出结果为$({\delta }_1,\cdots ,{\delta }_n,\cdots )$，其中 δ j ∈ { 0 , 1 } \delta_j\in \{0,1\} δj​∈{ 0,1}。定义映射
$$\Phi :(0,1]\to {\mathbb{R}}^{\mathbb{N}},x\mapsto \mathrm{B}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{y}(x)$$
其中$\mathrm{B}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{y}(x)$表示$x$的二进制，由于有一些数会产生两种二进制，比如$\frac{1}{2}=0.011\cdots =0.100\cdots$，我们取有无穷多个$1$的表示，即$\mathrm{B}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{y}(\frac{1}{2})=0.011\cdots$。不难看出，$\Phi$是单射，且$\Phi$的像加上$(0,0,\cdots )$就是所有可能的输出结果，因此样本空间$\Omega =\mathrm{I}\mathrm{m}\Phi \cup (0,0,\cdots )$，根据$\Phi$的对应关系，我们可以将样本空间看成 Ω = { 0 } ∪ ( 0 , 1 ] \Omega=\{0\}\cup(0,1] Ω={ 0}∪(0,1]。假设我们在$2^{\Omega }$上给出了满足条件1，3的一致概率$\mathbb{P}$，则任何一个样本的概率是$0$，否则根据条件3得到全空间$\Omega$的概率为$\infty$。因此我们得到条件：

4. 对于不可数个不交的事件，概率不能满足可加性。

根据条件3和概率的一致性，我们得到对于二分区间和其可数个二分区间子集，$\mathbb{P}$满足可数可加性。因此我们加强条件3为

5. 对于可数个不交事件$A_1,\cdots ,A_n,\cdots$，$\mathbb{P}({\bigcup }_{i=1}^{\infty }{A}_i)={\sum }_{i=1}^{\infty }\mathbb{P}(A_i)$。

注：条件5实际上是个很奇怪的条件，因为我们不能通过已有的条件1，3，4推出条件5。然而我们已经推出了对于二分区间条件5成立，因此其又是一个自然的条件。事实上，关于应该选择可数可加性(CA)还是有限可加性(FA)仍是众说纷纭的问题，反对使用CA的数学家有De Finetti，Savage等。1983年出版的《Theory of Charges: A Study of Finitely Additive Measures》就是研究FA的数学理论，感兴趣的读者可阅读这篇19年的文章。

现在我们总结出我们对概率的几条期望，这些期望通常被称为概率公理：对于样本空间$\Omega$和事件域$\mathcal{F}\subset 2^{\Omega }$，概率为$\mathbb{P}:\mathcal{F}\to [0,1]$且满足如下条件：

1. $\mathbb{P}(\Omega )=1$且$\mathbb{P}(\varnothing )=0$。
2. 对于可数个不交事件$A_1,\cdots ,A_n,\cdots \in \mathcal{F}$，$\mathbb{P}({\bigcup }_{i=1}^{\infty }{A}_i)={\sum }_{i=1}^{\infty }\mathbb{P}(A_i)$。

概率公理1和2回答了问题b，只有满足概率公理1和2的函数，才能被称为概率。而问题a的等价形式是事件域$\mathcal{F}$是否是$2^{\Omega }$，答案是否定的，对于满足概率公理1和2的概率，$\mathcal{F}$不一定是$2^{\Omega }$。我们假设$\Omega =[0,1]$，$\mathbb{P}$是$2^{\Omega }$上平移不变的概率（平移不变的概率是否存在现在还不知道，我们以后将构造一个平移不变的概率——Lebesgue测度），根据选择公理（Axiom of Choice），我们可以从集合$S=[\frac{1}{3},\frac{2}{3}]/\mathbb{Q}$的每个元素$[x]$中取出一个代表元$x$，所有这样的$x$构成一个集合$V$，$V\subset [\frac{1}{3},\frac{2}{3}]$，$V$满足如下条件：

1. 对任何有理数$r$，$V_{r<}$