概率与测度

实数的覆盖

${\mathbb{R}}^n$ 中任意开集可表成可列个互不相交的半开闭方体的并。把半开闭方体稍微加大一点，那么 ${\mathbb{R}}^n$ 中任意开集可表成可列个开矩体的并。

${\mathbb{R}}^n$ 任意子集，可以找到可数个开集进行覆盖。
$$\bigcup _{r_i\in {\mathbb{Q}}^n\cap E}B(r_i,{ϵ}_0)$$

结合以上两条，可以定义 ${\mathbb{R}}^n$ 任意子集的外测度，即所有可数开矩体的覆盖中取inf。

随机过程的定义

首先给出随机过程的一个简单的定义，

定义1：$\left(\Omega ,\mathcal{F},\mu \right)$，取一族可测空间 $(S_t,{\mathcal{B}}_t)$，一个随机过程可以看出一族随机变量 $X_t(t\in T)$，固定每个 $t_0$，$X_{t_0}:\Omega \to S_{t_0}$ 是可测函数。

用上面的定义，显然随机过程是存在的。但是由于人类不可能写出所有的这样的映射，如何构造一个随机过程形成了困难。我们想把 $X(t,\omega )$ 看成是一个随机变量 $X(\cdot ,\omega )\in \prod _{t\in T}{S}_t$，记 $S_T:=\prod _{t\in T}{S}_t$

【这样想的原因是，由于随机变量把概率空间转化到可测空间 $(S_t,{\mathcal{B}}_t)t\in T$ 上，那么研究清楚 $(S_t,{\mathcal{B}}_t)t\in T$ 就可以知道所有随机变量能够表达的信息了。这个概率空间研究清楚后，概率空间的存在性就解决了，取 $(S_T,{\mathcal{B}}_T,{\mu }_T)$ 即可，按照原始的随机过程定义，取自然的投影映射，随机过程便存在了】

（Kolmogorov相容性定理） $(S_t,{\mathcal{B}}_t)t\in T$ 是一族Borel空间族，任意有限个的乘积空间的概率测度满足相容性，那么存在 $\left(\Omega ,\mathcal{F},\mu \right)$ 和随机过程 $X(t,\omega )$。

【采用定义1，如果要找出随机过程，虽然概率空间好找，但是需要手写无限个映射，这是不可能的。Kolmogorov相容性定理告诉我们，可以从另一个角度写出随机过程，只要写出有限维分布，满足相容性定理就可以了。这样，概率空间采用 $(S_T,{\mathcal{B}}_T,{\mu }_T)$，映射就是投影到$(S_t,{\mathcal{B}}_t,{\mu }_t)t\in T$，采用这种方法的代价是，概率空间就非常难写，并且一定要给出 ${\mu }_T$，因此Kolmogorov相容性定理的主要难点就是在找概率空间上。显然，概率空间找的就是 $(S_T,{\mathcal{B}}_T)$，但是他的测度就带来困难了。】

乘积空间

先采用定义1，那么概率空间和无限个映射均存在，挖掘一些性质。以下先讨论乘积空间如何建立可测空间和可测映射，先不讨论测度。

先建立无穷维乘积空间，开始等价定义转换，假设定义中的 $\sigma -$代数为 ${\mathcal{B}}_T$，要使得两个定义等价，需要
$$\forall t\in T,X(t,\cdot )\in \mathcal{F}|{\mathcal{B}}_t\iff X(\cdot ,\cdot )\in \mathcal{F}|{\mathcal{B}}_T$$

取 M = { B t 0 × ∏ t ∈ T \ { t 0 } S t : t 0 ∈ T , B t 0 ∈ B t 0 } \mathscr{M}=\{B_{t_{0}}\times \underset{t \in T\backslash\{t_{0}\}}{\prod}S_t: t_0\in T, B_{t_{0}}\in \mathscr{B}_{t_{0}} \} M={Bt0​​×t∈T\{t0​}∏​St​:t0​∈T,Bt0​​∈Bt0​​}，${\mathcal{B}}_T$ 的构造方法是 $\sigma (\mathcal{M})$。

$\Rightarrow$：要证 $X(\cdot ,\cdot )\in \mathcal{F}|{\mathcal{B}}_T$，只需要证 $\forall B\in \mathcal{M},X^{-1}(B)\in \mathcal{F}$。这是显然的。

$\Leftarrow$：要证 $\forall t_0,X(t_0,\cdot )\in \mathcal{F}|{\mathcal{B}}_{t_0}$，看投影映射 ${\pi }_{T,t_0}y=y(t_0),y\in S_T$。$X(t_0,\omega )={\pi }_{T,t_0}X(\omega )$。

---

下面证明，任意 $B\in {\mathcal{B}}_T$，存在可数子集 $T_c$，使得 B = B T c × ∏ t ∈ T \ { t 0 } S t B=B_{T_c}\times \underset{t \in T\backslash\{t_{0}\}}{\prod}S_t B=BTc​​×t∈T\{t0​}∏​St​，其中 $B_{T_c}\in {\mathcal{B}}_{T_c}$，是可数的乘积空间。

由上述知，显然 $C[0,1]\notin {\mathcal{B}}_T$

【产生这种性质的原因是定义只要求在某一点满足可测性，再有 $\sigma$ 产生的方式导致只能做到可数个的情况】

---

乘积空间的测度

【2】有限维乘积空间的测度如何构造
如果有幸构造出转移概率，那么可以构造乘积空间的测度，例如马尔可夫过程，随机游走等…
如果已知乘积空间和各个空间的概率测度，那么也可以导出转移概率
【3】可列维乘积空间的测度
【4】无穷维乘积空间的测度
Tulcea定理的条件是任意有限 $n$，存在转移概率。
Kolmogorov相容性定理给出的条件是，乘积空间存在概率测度，因此可以找出转移概率，然后用Tulcea定理，存在可列维乘积空间概率测度，接着推广到整个空间上去。
由于Kolmogorov相容性的条件并不好找，转移概率也并不好找，因此随机过程说来说去也就那几种

积分定义

$f$ 为 $\left(\Omega ,\mathcal{F},\mu \right)$ 上非负可测函数，则 $f$ 积分的定义是

$${\int }_{\Omega }f(\omega )\mu (d\omega )=sup\left\{{\int }_{\Omega }h(\omega )\mu (d\omega ):0\le h\le f,hsimple\right\}.$$

从定义上似乎不要求 $f$ 为可测函数，但是由于任何非负可测函数都存在递增的简单函数列进行逼近。如果 $f$ 不为可测函数，想象一下在某个不可测集上 $f$ 长得奇奇怪怪，任何简单函数都没办法逼近那个奇怪的东西，因此就干脆要求，能定义积分的函数都是可测函数了。

积分变换定理

设 $f$ 是 $\left(\Omega ,\mathcal{F},\mu \right)$ 到 $\left(E,\mathcal{E}\right)$ 的可测映射，定义 ${\mu }_f:=\mu (f^{-1}(B))$, 由定理【待补充】的证明知，${\mu }_f$ 是 $\mathcal{E}$ 上的测度，称为 $\mu$ 在 $\mathcal{E}$ 上由 $f$ 导出的测度。

（积分变换定理）设 $f$ 是 $\left(\Omega ,\mathcal{F},\mu \right)$ 到 $\left(E,\mathcal{E}\right)$ 的可测映射，$g$ 是 $\left(E,\mathcal{E}\right)$ 上的可测函数（$\left(E,\mathcal{E}\right)$ 到 $\left(\mathbb{R},{\mathcal{B}}_{\mathbb{R}}\right)$ ），则有：
$${\int }_{f^{-1}(B)}(g\circ f)(\omega )\mu (d\omega )={\int }_{B}g(x){\mu }_f(dx),\forall B\in \mathcal{E}.$$
证明：【待补充】，思路是先看简单函数，慢慢推广。

分布函数

一个简单情况是，$X$ 是 $\left(\Omega ,\mathcal{F},\mu \right)$ 到 $\left(\mathbb{R},{\mathcal{B}}_{\mathbb{R}}\right)$ 的随机变量，【待补充】分布函数 $F_X$ 是 $\mu$ 在 ${\mathcal{B}}_{\mathbb{R}}$ 上由 $X$ 导出的测度。由积分变换定理，
$$\mu (X\in B)={\int }_{X^{-1}(B)}\mu (d\omega )={\int }_B{F}_X(dx),\forall B\in \mathcal{E}.$$
$I$ 为恒等映射，则
$$EX={\int }_{\Omega }I\circ X(\omega )\mu (d\omega )={\int }_{\mathbb{R}}x{F}_X(dx),\forall B\in \mathcal{E}.$$
$g$ 为可测函数，则
$$E[g(X)]={\int }_{\Omega }g\circ X(\omega )\mu (d\omega )={\int }_{\mathbb{R}}g(x)F_X(dx),\forall B\in \mathcal{E}.$$

【从积分变换定理可以看出，随机变量的意义是把概率空间转化到实数上进行讨论。对于概率空间可测集的积分并不能直接算得。引入随机变量，而且这个随机变量通常是Borel可测的。概率空间上的测度导出对Borel可测集的测度，也就是分布，那么对随机变量的积分最后都化成了对实数上Borel可测集的积分】