条件概率和正则概率（完）

条件概率

有R-N定理，条件概率 $\mathbf{P}(A\mid \mathcal{C})$ a.e. 唯一。
要让
$$\mathbf{E}(X\mid \mathcal{C})=\int X\mathbf{P}(d{w}^{{}^{\prime }}\mid \mathcal{C})$$
成立，那么需要对每个 $\omega \in \Omega$ ，上述关系都成立。
为了保证可积性，对 $\forall A\in \sigma (X)$ ，$\mathbf{P}(A\mid \mathcal{C})$ 是概率测度。
但是， $\mathbf{P}(A\mid \mathcal{C})$ a.e. 唯一的，因此不意味着对每个 $\omega \in \Omega$ 都是概率测度。因此，对于 $\forall A\in \sigma (X)$ ，都存在 $N_A$ 是一个关于 $A$ 的零测集，使得在 $N_A$ 上 $\mathbf{P}(A\mid \mathcal{C})$ 可能不是概率测度。取遍 $\sigma (X)$ 上所有的集合，这些不满足的零测集合起来不一定还是零测集，因此要使得上述积分成立不是显然的。

正则条件概率

7.5 .1 定义 \quad 设 ${\mathcal{F}}_1,\mathcal{C}$ 是 $\mathcal{F}$ 下的子 $\sigma$ 域, $\Omega \times {\mathcal{F}}_1$ 上函数 ${\mathbf{P}}^{\mathcal{C}}(\omega ,A),$ 若满足:
(1) $\forall \omega \in \Omega ,{\mathbf{P}}^{\mathcal{C}}(\omega ,\cdot )$ 是 ${\mathcal{F}}_1$ 上概率测度；
(2) $\forall A\in {\mathcal{F}}_1,{\mathbf{P}}^c(\cdot ,A)$ 是 $\mathcal{C}$ 上可测函数。
对于任意 $A$，存在 $\mathcal{C}$ 上零测集 $N$，使得${\mathbf{P}}^{\mathcal{C}}(\omega ,A)=\mathbf{P}(A\mid \mathcal{C})(\omega ),\omega \in N^c,$ 则称 ${\mathbf{p}}^c(\omega ,A),(\omega ,A)\in \Omega \times {\mathcal{F}}_1$ 为 ${\mathcal{F}}_1$ 在 $\mathcal{C}$之下的正则条件概率.

正则条件概率非常简单粗暴，他就是直接满足上述积分式子的东西，而且约等于条件概率。但是，需要验证是否存在。

设 ${\mathrm{P}}^{\mathcal{C}}(\omega ,A),(\omega ,A)\in \Omega \times {\mathcal{F}}_1$ 为 ${\mathcal{F}}_1$ 在 $\mathcal{C}$ 之下的正则条件概率, $X$ 为 ${\mathcal{F}}_1$ 可测函数, 则对任何一个取定的条件期望 $\mathbf{E}(X\mid \mathcal{C}),$ 存在一个 ${\mathbf{P}}_c$ 零概率集 $N$ 使得
$$\mathbf{E}(X\mid \mathcal{C})(\omega )={\int }_{\Omega }X\left({\omega }^{\prime }\right){\mathbf{P}}^{\mathcal{C}}\left(\omega ,\mathrm{d}{\omega }^{\prime }\right),\omega \in N^{\mathrm{c}}$$

正则条件概率存在性

若 $(E,\mathcal{B})$ 为完备可分距离空间，$\mathbf{P}$ 为其上测度，那么对任何子 $\sigma$ 域 $\mathcal{C}\subset \mathcal{B}$ ， $\mathcal{B}$ 在 $\mathcal{C}$ 之下的正则条件概率总存在。

我们不证明这个定理，但是看下证明中怎么取的正则条件概率。
取的正则条件概率为：

任取定 ${\omega }_0\in N^c,$ 令
$$U(\omega ,A)=\{\begin{array}{ll}{R}_1(\omega ,A),& \omega \in N^c,A\in \mathcal{B}\\ R_1\left({\omega }_0,A\right),& \omega \in N,A\in \mathcal{B}\end{array}$$

$R_1(\omega ,\cdot )$ 的取法是，由 $R(\omega ,\cdot )$ 扩张成的有限测度。

从中我们看出，正则条件概率取得值就是条件概率中“正常”的那些值，不正常的值用正常的值代替。

转移概率

6.1.15 定义 \quad 设 $\left({\Omega }_i,{\mathcal{F}}_i\right),i=1,2$ 是可测空间, 映射 $\lambda :{\Omega }_1\times {\mathcal{F}}_2\to [0,\infty ]$
如果满足下列条件,则称它为 $\left({\Omega }_1,{\mathcal{F}}_1\right)$ 到 $\left({\Omega }_2,{\mathcal{F}}_2\right)$ 上的转移测度, 简称为 ${\Omega }_1\times$
${\mathcal{F}}_2$ 上的转移测度.
(i) $\forall B\in {\mathcal{F}}_2,\lambda (\cdot ,B)$ 是 ${\mathcal{F}}_1$ 可测函数 $;$
(ii) $\forall \omega \in {\Omega }_1,\lambda (\omega ,\cdot )$ 是 ${\mathcal{F}}_2$ 上的测度.
若 $\exists B_{kn}\in {\mathcal{F}}_k,n\in \mathrm{N}$ 两两不交, ${\Omega }_k={\bigcup }_{n=1}^{\infty }{B}_{kn},k=1,2,$ 使得
$$\underset{\omega \in B_{1m}}{\sup }\lambda \left(\omega ,B_{2n}\right)<\infty ,\forall m,n\in \mathrm{N}$$
则称 $\lambda$ 为 $\sigma$ 有限转移测度.
如果 $\forall \omega \in {\Omega }_1,\lambda \left(\omega ,{\Omega }_2\right)=1,$ 则称 $\lambda$ 为 ${\Omega }_1\times {\mathcal{F}}_2$ 上的转移概率，显然转移概率是 $\sigma$ 有限转移测度.

7.5.13 定理

若 $\left(E_k,{\mathcal{B}}_k\right),k=1,2,3,\cdots ,n$ 是完备可分距离可测空间，
$\left(E^k,{\mathcal{B}}^k\right)$ 是前 $k$ 个可测空间的乘积可测空间，有测度 $\mathbf{P}$。则存在 $\left(E_1,{\mathcal{B}}_1\right)$ 上概率测度 $P_1$ 及 $E^{k-1}\times {\mathcal{B}}_k$ 上转移概率 $P_k(x_1,x_2,\cdots ,$ $x_{k-1},A),\left(x_1,x_2,\cdots ,x_{k-1}\right)\in E^{k-1},A\in {\mathcal{B}}_k,k=2,3,\cdots ,n,$ 使 $B\in {\mathcal{B}}^n,$ 有
$$\begin{array}{c}\mathbf{P}(B)={\int }_E{\int }_E\cdots {\int }_E{I}_B\left(x_1,x_2,\cdots ,x_n\right)\\ P_n\left(x_1,x_2,\cdots ,x_{n-1},d{x}_n\right)\cdots P_2\left(x_1,d{x}_2\right)P_1\left(d{x}_1\right)\end{array}$$

证明：取
$${\mathcal{C}}_{n-1}:=\left\{B^{n-1}\times E_n:B^{n-1}\in {\mathcal{B}}^{n-1}\right\}$$
则一定存在在 ${\mathcal{C}}_{n-1}$ 之下的条件概率
$${\mathbf{P}}^{{\mathcal{C}}_{n-1}}(x,A),(x,A)\in E^n\times {\mathcal{B}}^n$$
由于对任意 $\left(x_1,x_2,\cdots ,x_{n-1}\right),\left(x_1,x_2,\cdots ,x_{n-1}\right)\times E_n$ 是 ${\mathcal{C}}_{n-1}$ 的原子, 故
$$\forall A\in {\mathcal{B}}^n,\mathbf{P}(A\mid {\mathcal{C}}_{n-1})=\mu (A;x_1,x_2,\cdots ,x_{n-1}),\forall \left(x_1,x_2,\cdots ,x_n\right)\in \left(x_1,x_2,\cdots ,x_{n-1}\right)\times E_n$$

$\mu (A;x_1,x_2,\cdots ,x_{n-1})$ 是和 $A,\left(x_1,x_2,\cdots ,x_{n-1}\right)$ 有关的常数。

所以：
$$P_n\left(x_1,x_2,\cdots ,x_{n-1},B_n\right):={\mathbf{P}}^{{\mathcal{C}}_{n-1}}\left(x_1,x_2,\cdots ,x_n,E^{n-1}\times B_n\right)$$
定义了 $E^{n-1}\times {\mathcal{B}}_n$ 上的函数, 而且由正则条件概率的定义易知它是 $\left(E^{n-1},{\mathcal{B}}^{n-1}\right)$ 到 $\left(E_n,{\mathcal{B}}_n\right)$ 上的转移概率。

注意： $\left(E^{n-1},{\mathcal{B}}^{n-1}\right)$ 到 $\left(E_n,{\mathcal{B}}_n\right)$ 上的转移概率是由正则条件概率保证的，前面论述的原子、条件概率等是为了保证这样的定义是函数。如果条件概率不是常数，那么不一定就是函数。如果条件概率是常数，那么正则条件概率在零测集上任取，可以取成常数，其他集合上需要和条件概率一致，因此需要条件概率是常数的条件。

Tulcea定理

Tulcea定理的条件是任意有限$n$，存在转移概率。上述定理回答了这一点。

Kolmogorov相容性定理

Kolmogorov相容性定理需要先用Tulcea找出可列维上的测度。