Table of Contents

  1. Measure Theory
    1. Probability Spaces
    2. Distributions
    3. Random Variables

Measure Theory

Probability Spaces

一个Probability space是一个3元组 $ \left(\Omega, \mathcal{F}, P\right), \Omega $是输出的集合,$ \mathcal{F} $是事件集合,$ P : \mathcal{F} \to [0, 1] $是一个事件概率函数。我们假设 $ \mathcal{F} $是一个 $ \sigma $域(或 $ \sigma $代数),例如,一个 $ \Omega $的子集的(非空)集合满足

(i) 如果 $ A \in \mathcal{F} $,则 $ A^{c} \in \mathcal{F} $,且

(ii) 如果 $ A_ {i} \in \mathcal{F} $ 是集合的可数序列则 $ \cup_ {i}A_ {i} \in \mathcal{F} $

这里及如下的可数表示有限或可数无穷个。因为 $ \cap_ {i}A_ {i} = \left(\cup_ {i}A_ {i}^{c}\right)^{c} $,它说明一个 $ \sigma $域在可数个交集下是闭合的。我们忽略定义最后的属性使它容易检查。

没有P的话,$ \left(\Omega, \mathcal{F} \right) $称为度量空间,例如,它是一个可以测量的空间。一个度量是一个非负可数加集函数;即一个函数 $ \mu : \mathcal{F} \to R $,有

(i) $ \forall A \in \mathcal{F}, \mu\left(A\right) \ge \mu\left(\emptyset\right) = 0 $,且

(ii) 如果 $ A_ {i} \in \mathcal{F} $是一个不相交集合的可数序列,则

$ \begin{equation} \mu\left(\cup_ {i}A_ {i}\right) = \sum_ {i}\mu\left(A_ {i}\right) \end{equation} $

如果 $ \mu\left(\Omega\right) = 1 $,我们称 $ \mu $ 为一个概率测度。本书中,概率测度通常记为P

下面的结果给了我们后面需要的度量定义的一些结论。在所有的例子中,我们假设我们提到的集合在 $ \mathcal{F} $中

定理 1.1.1 设 $ \mu $为 $ \left(\Omega, \mathcal{F}\right) $上的一个测度

(i) 单调性,如果 $ A \subset B 则 \mu\left(A\right) \le \mu\left(B\right) $

(ii) 子加和,如果 $ A \subset \cup_ {m=1}^{\infty} A_ {m} 则 \mu\left(A\right) \le \sum_ {m=1}^{\infty}\mu\left(A_ {m}\right) $

(iii) 连续向下,如果 $ A_ {i} \uparrow A $(例如,$ A_ {1} \subset A_ {2} \subset \ldots $ 且 $ \cup_ {i}A_ {i} = A $)则 $ \mu\left(A_ {i}\right) \uparrow \mu\left(A\right) $

(iv) 连续向上,如果 $ A_ {i} \downarrow A $(例如,$ A_ {1} \supset A_ {2} \supset \ldots $ 且 $ \cap_ {i}A_ {i} = A, \mu\left(A_ {1}\right) < \infty $)则 $ \mu\left(A_ {i}\right) \downarrow \mu\left(A\right) $

例子 1.1.3 实数线上的度量。$ (\mathbf{R}, \mathcal{R}) $上的度量被定义为给定一个Stieltjes度量函数,有以下属性:

(i) F是非递减的

(ii) F是右连续的,例如 $ lim_ {y \downarrow x} F\left(y\right) = F\left(x\right) $

定理 1.1.4 对于每个Stieltjes度量函数,有一个在 $ (\mathbf{R}, \mathcal{R}) $上唯一的度量 $ \mu, \mu\left( (a, b]\right) = F\left(b\right) - F\left(a\right) $

F(x) = x 该度量被称为Lebesgue度量

集合的集 $ \mathbf{S} $为称为是一个semialgebra如果 (i) 它在交集下是闭合的,例如,$ S, T \in \mathbf{S} $ 意味着 $ S \cap T \in \mathbf{S} $,且 (ii) 如果 $ S \in \mathbf{S} $则 $ S^{c} $是 $ \mathbf{S} $中有限不相关集合的并。一个重要的semialgebra例子是

例子 1.1.5 $ \mathbf{S}_ {d} = $ 空集加上如下形式的所有集合

$ \begin{equation} (a_ {1}, b_ {1}] \times \cdots \times (a_ {d}, b_ {d}] \subset \mathbf{R}^{d} \qquad - \infty \le a_ {i} < b_ {i} \le \infty \end{equation} $

引理 1.1.7 如果 $ \mathcal{S} $ 是一个semialgebra则 $ \bar{\mathcal{S}} = \{ \mathcal{S}中有限不相交集合的并 \} $是一个代数,称为由 $ \mathcal{S} $产生的代数

代数 $ \mathcal{A} $上的度量,我们表示为一个集合函数 $ \mu $,

(i) $ \forall A \in \mathcal{A}, \mu\left(A\right) \ge \mu\left(\emptyset\right) = 0 $,且

(ii) 如果 $ A_ {i} \in \mathcal{A} $是不相交的且它们的并在 $ \mathcal{A} $中,则

$ \begin{equation} \mu\left(\cup_ {i=1}^{\infty}A_ {i}\right) = \sum_ {i=1}^{\infty}\mu\left(A_ {i}\right) \end{equation} $

$ \mu $被称为是 $ \sigma-finite $如果有一个集合序列 $ A_ {n} \in \mathcal{A} $,使得 $ \mu\left( A_ {n} \right) < \infty $ 且 $ \cup_ {n}A_ {n} = \Omega $。设 $ A’_ {1} = A_ {1} $且对 $ n \ge 2 $,

$ \begin{equation} A’_ {n} = \cup_ {m=1}^{n}A_ {m} \qquad 或 \qquad A’_ {n} = A_ {n} \cap \left(\cap_ {m=1}^{n-1}A_ {m}^{c}\right) \in \mathcal{A} \end{equation} $

我们可不失一般性假设 $ A_ {n} \uparrow \Omega $ 或 $ A_ {n} $是不相交的。

定理 1.1.9 设 $ \mathcal{S} $为semialgebra且设 $ \mu $定义在 $ \mathcal{S} $上有 $ \mu\left(\emptyset\right) = 0 $。假设 (i) 如果 $ S \in \mathcal{S} $是一个有限集合 $ S_ {i} \in \mathcal{S} $的不相交并则 $ \mu\left(S\right) = \sum_ {i}\mu\left(S_ {i}\right) $,且 (ii) 如果 $ S_ {i}, S \in \mathcal{S}, S = +_ {i \ge 1}S_ {i} 则 \mu\left(S\right) \le \sum_ {i \ge 1}\mu\left(S_ {i}\right) $。则 $ \mu $ 有一个唯一的扩展 $ \bar{\mu} $是由 $ \mathcal{S} $产生的代数 $ \bar{\mathcal{S}} $的一个度量。如果 $ \bar{\mu} $是sigma-finite则由一个唯一的扩展v是 $ \sigma\left(\mathcal{S}\right) $上的一个度量

在上面的(ii)中, $ i \ge 1 $表示一个可数的并,普通下标i或j表示一个有限的并

引理 1.1.10 假设只有 (i) 满足,则

(a) 如果 $ A, B_ {i} \in \bar{\mathcal{S}}, A = +_ {i=1}^{n}B_ {i},则 \bar{\mu}\left(A\right) = \sum_ {i}\bar{\mu}\left(B_ {i}\right) $

(b) 如果 $ A, B_ {i} \in \bar{\mathcal{S}}, A \subset \cup_ {i=1}^{n}B_ {i},则 \bar{\mu}\left(A\right) \le \sum_ {i}\bar{\mu}\left(B_ {i}\right) $

$ R^{d} $上的度量 我们下一个目标是证明定理 1.1.4对 $ R^{d} $上的版本。首先是在定义函数F上引入假设。同d = 1时相似,假设:

(i) 它是非递减的,例如,如果 $ x \le y $(意思是 $ \forall i, x_ {i} \le y_ {i} $)则 $ F\left(x\right) \le F\left(y\right) $

(ii) F是右连续的,例如,$ lim_ {y \downarrow x} F\left(y\right) = F \left(x\right) $(这里 $ y \downarrow x $表示每个 $ y_ {i} \downarrow x_ {i} $)

(iii) 如果 $ x_ {n} \downarrow - \infty $,例如,每个坐标有 $ F\left(x_ {n}\right) \downarrow 0 $,如果 $ x_ {n} \uparrow - \infty $,例如,每个坐标有 $ F\left(x_ {n}\right) \uparrow 1 $

考虑如下的F

$ \begin{equation} F\left(x_ {1}, x_ {2}\right) = \left\{ \begin{array}{ll} 1 & \text{ if } x_ {1}, x_ {2} \ge 1 \\ \frac{2}{3} & \text{ if } x_ {1} \ge 1 \text{ and } 0 \le x_ {2} < 1 \\ \frac{2}{3} & \text{ if } x_ {2} \ge 1 \text{ and } 0 \le x_ {1} < 1 \\ 0 & \text{ otherwise } \end{array} \right. \end{equation} $

一点思考显示如下

$ \begin{equation} \begin{aligned} \mu\left((a_ {1}, b_ {1}] \times (a_ {2}, b_ {2}]\right) &= \mu\left((- \infty, b_ {1}] \times (- \infty, b_ {2}]\right) - \mu \left((- \infty, a_ {1}] \times (- \infty, b_ {2}]\right) \\ &- \mu \left((- \infty, b_ {1}] \times (- \infty, a_ {2}]\right) + \mu\left((- \infty, a_ {1}] \times (- \infty, a_ {2}]\right) \\ &= F\left(b_ {1}, b_ {2}\right) - F\left(a_ {1}, b_ {2}\right) - F\left(b_ {1}, a_ {2}\right) + F\left(a_ {1}, a_ {2}\right) \end{aligned} \end{equation} $

使 $ a_ {1} = a_ {2} = 1 - \epsilon且 b_ {1} = b_ {2} = 1 且设 \epsilon \to 0 $我们看到

$ \begin{equation} \mu\left(\{1, 1\}\right) = 1 - \frac{2}{3} - \frac{2}{3} + 0 = - \frac{1}{3} \end{equation} $

相似的推理显示 $ \mu\left(\{1, 0\}\right) = \mu\left(\{0, 1\}\right) = \frac{2}{3} $

为定义度量,创造F的第三个即最后的条件,设

$ \begin{equation} A = (a_ {1}, b_ {1}] \times \cdots \times (a_ {d}, b_ {d}] \end{equation} $

$ \begin{equation} V = \{a_ {1}, b_ {1}\} \times \cdots \times \{a_ {d}, b_ {d}\} \end{equation} $

$ - \infty < a_ {i} < b_ {i} < \infty $。为强调 $ \infty $是不允许的,我们称A为一个有限方块。则V = 方块A中的向量。如果 $ v \in V $,设

$ \begin{equation} \operatorname{sgn}\left(v\right) = \left(-1\right)^{\# \text{ of a’s in v}} \end{equation} $

$ \begin{equation} \vartriangle_ {A}F = \sum_ { v \in V} \operatorname{sgn}\left(v\right)F\left(v\right) \end{equation} $

我们将设 $ \mu\left(A\right) = \vartriangle_ {A}F $,所以我们必须假设

(iv) $ \vartriangle_ {A}F \ge 0 $ 对所有方块A

定理 1.1.11 假设 $ F: \mathbf{R}^{d} \to [0, 1] $满足上述的(i) - (iv)。则有一个 $ \left(\mathbf{R}^{d}, \mathcal{R}^{d} \right) $上的唯一概率度量 $ \mu $使得对所有方块 $ \mu\left(A\right) = \vartriangle_ {A}F $

例子 1.1.12 假设 $ F\left(x\right) = \prod_ {i=1}^{d}F_ {i}\left(x\right), F_ {i} $满足定理1.1.4的(i)和(ii)。在这个情况下

$ \begin{equation} \vartriangle_ {A}F = \prod_ {i=1}^{d} \left(F_ {i}\left(b_ {i}\right) - F_ {i}\left(a_ {i}\right)\right) \end{equation} $

当 $ \forall i, F_ {i}\left(x\right) = x $,这个度量被称为 $ R^{d} $上的Lebesgue度量

证明:对所有有限方块我们设 $ \mu\left(A\right) = \vartriangle_ {A}F $且使用单调性扩展定义 $ \mathcal{S}_ {d} $。为检查定理1.1.9的(i),称 $ A = +_ {k}B_ {k} $是A的一个规则子分割如果有一个序列 $ a_ {i} = \alpha_ {i, 0} < \alpha_ {i, 1} < \cdots < \alpha_ {i, n_ {i}} = b_ {i} $使得每个方块 $ B_ {k} $有形式

$ \begin{equation} (\alpha_ {1, j_ {1} - 1}, \alpha_ {1, j_ {1}}] \times \cdots \times (\alpha_ {d, j_ {d} - 1}, \alpha_ {d, j_ {d}}], 1 \le j_ {i} \le n_ {i} \end{equation} $

容易看出对方块分割 $ \lambda \left(A\right) = \sum_ {k}\lambda\left(B_ {k}\right) $。(首先考虑例子所有的终点是有限的且利用限制来获得一般例子)扩展这个结果到一般化的有限子分割 $ A = +_ {j}A_ {j} $,进一步分割得到一个规则的分割形式。

(ii)的证明根定理1.1.4里的基本一样。为简化我们设

$ \begin{equation} \left(x, y\right) = \left(x_ {1}, y_ {1}\right) \times \cdots \times \left(x_ {d}, y_ {d}\right) \end{equation} $

$ \begin{equation} (x, y] = (x_ {1}, y_ {1}] \times \cdots \times (x_ {d}, y_ {d}] \end{equation} $

$ \begin{equation} [x, y] = [x_ {1}, y_ {1}] \times \cdots \times [x_ {d}, y_ {d}] \end{equation} $

$ x, y \in R^{d} $。假设首先 $ - \infty < a < b < \infty $,不等式意味着每个部分是有限的,假设 $ (a, b] \subset \cup_ {i \ge 1}(a^{i}, b^{i}], - \infty < a^{i} < b^{i} < \infty $。设 $ \bar{1} = (1, \ldots, 1), \delta > 0 $使得

$ \begin{equation} \mu\left((a + \delta \bar{1}, b]\right) < \mu\left((a, b]\right) + \epsilon \end{equation} $

带入 $ \eta_ {i} $使得

$ \begin{equation} \mu\left((a, b^{i} + \eta_ {i} \bar{1}]\right) < \mu\left((a^{i}, b^{i}]\right) + \epsilon 2^{-i} \end{equation} $

开放方块 $ \left(a^{i}, b^{i} + \eta_ {i} \bar{1}\right) $覆盖 $ [a + \delta \bar{1}, b] $,这样有一个有限子覆盖 $ \left(\alpha^{j}, \beta^{j} \right), 1 \le j \le J $。因为 $ (a + \delta \bar{1}, b] \subset \cup_ {i=1}^{J} (\alpha^{j}, \beta^{j}] $,(b)在引理1.1.10中意味着

$ \begin{equation} \mu\left([a + \delta \bar{1}, b]\right) \le \sum_ {j=1}^{J}\mu\left((\alpha^{j}, \beta^{j}]\right) \le \sum_ {i=1}^{\infty}\mu\left((a^{i}, b^{i} + \eta_ {i}\bar{1}]\right) \end{equation} $

这样,选择好 $ \delta 和 \eta_ {i} $,有

$ \begin{equation} \mu\left((a, b]\right) \le 2 \epsilon + \sum_ {i=1}^{\infty} \mu\left((a^{i}, b^{i}]\right) \end{equation} $

因为 $ \epsilon $是任意的,我们已证明 $ - \infty < a < b < \infty $的结果。

Distributions

当我们定义随机变量在其上之后概率空间变得更有趣了。一个定义在 $ \Omega $上的实值函数X为称为随机变量如果对每个Borel集 $ B \subset R $我们有 $ X^{-1}\left(B\right) = \{ \omega: X\left(\omega\right) \in B\} \in \mathcal{F} $。当我们需要强调 $ \sigma $ -field,我们说X是 $ \mathcal{F} $-measurable 或写成 $ X \in \mathcal{F} $。如果 $ \Omega $是一个离散概率空间,则任意函数 $ X : \Omega \to \mathbf{R} $是一个随机变量。一个有用的随机变量的例子为集合 $ A \in \mathcal{F} $的指导函数:

$ \begin{equation} 1_ {A}\left(\omega\right) = \left\{ \begin{array}{ll} 1 & \omega \in A \\ 0 & \omega \notin A \end{array} \right. \end{equation} $

该记号假设提醒你这个函数是A上的1。分析人士称这个对象为A的特征函数。在概率上,该术语使用有些不同

如果X是一个随机变量,则X引入R上一个概率测度称为它的分布,对Borel集合A设置 $ \mu\left(A\right) = P\left(X \in A\right) $。使用以上介绍的记号,右边可被写为 $ P\left(X^{-1}\left(A\right)\right) $。我们把 $ A \in \mathcal{R} $变为 $ X^{-1}\left(A\right) \in \mathcal{F} $且用P作用在该集合上。

为检测 $ \mu $是一个概率度量我们观察到如果 $ A_ {i} $是不相交的则使用 $ \mu $的定义;X落于联合中的事实当且仅当它落于 $ A_ {i} $中的一个;事实如果集合 $ A_ {i} \in \mathcal{R} $为不相交的则事件 $ \{ X \in A_ {i} \} $是不相交的;且 $ \mu $重定义;我们有

$ \begin{equation} \mu\left(\cup_ {i}A_ {i}\right) = P\left(X \in \cup_ {i}A_ {i}\right) = P \left(\cup_ {i}\{ X \in A_ {i} \}\right) = \sum_ {i}P\left(X \in A_ {i}\right) = \sum_ {i}\mu\left(A_ {i}\right) \end{equation} $

一个随机变量X的分布通常被描述为给定它的分布函数,$ F\left(x\right) = P\left(X \le x\right) $

定理 1.2.1 任意分布函数F有如下属性:

(i) F是非递减的

(ii) $ \lim_ {x \to \infty}F\left(x\right) = 1, \lim_ {x \to - \infty}F\left(x\right) = 0 $

(iii) F是右连续的,例如,$ \lim_ {y \downarrow x}F\left(y\right) = F\left(x\right) $

(iv) 如果 $ F\left(x-\right) = \lim_ {y \uparrow x}F\left(y\right) 则 F\left(x-\right) = P\left(X < x\right) $

(v) $ P\left(X = x\right) = F\left(x\right) - F\left(x-\right) $

证明:为证明(i),注意如果 $ x \le y 则 \{X \le x\} \subset \{X \le y\} $,且然后使用(i)在定理 1.1.1来得到 $ P\left(X \le x\right) \le P\left(X \le y\right) $

为证明(ii),我们观察到如果 $ x \uparrow \infty 则 \{ X \le x \} \uparrow \Omega $,而如果 $ x \downarrow - \infty 则 \{X \le x\} \downarrow \emptyset $且使用定理1.1.1的(iii)和(iv)

为证明(iii),我们观察到如果 $ y \downarrow x 则 \{X \le y\} \downarrow \{ X \le x \} $

为证明(iv),我们观察到如果 $ y \uparrow x 则\{X \le y\} \uparrow \{ X < x \} $

对(v),注意 $ P \left(X = x\right) = P\left(X \le x\right) - P \left(X < x\right) $且使用(iii)和(iv)

定理 1.2.2 如果F满足定理1.2.1的(i)、(ii)和(iii),则它是某个随机变量分布函数

证明:设 $ \Omega = \left(0, 1\right), \mathcal{F} = $ Borel集合,且P = Lebesgue测度,如果 $ \omega \in \left(0, 1\right) $,设

$ \begin{equation} X\left(\omega\right) = sup\{y: F\left(y\right) < \omega \} \end{equation} $

一旦我们显示

$ \begin{equation} \{ \omega : X\left(\omega\right) \le x \} = \{ \omega : \omega \le F\left(x\right) \} \end{equation} $

如果上式成立则即得证,因为 $ P\left(\omega: \omega \le F\left(x\right)\right) = F\left(x\right) $

我们观察到如果 $ \omega \le F\left(x\right) 则 X\left(\omega\right) \le x $,因为 $ x \notin \{ y: F\left(y\right) < \omega \} $。如果 $ \omega > F\left(x\right) $则因为F是右连续的,存在一个 $ \epsilon > 0 使得 F\left(x + \epsilon\right) < \omega 且 X\left(\omega\right) \ge x + \epsilon > x $

即使F可能不是1-1且onto的,我们将把X称为F的反且记它为 $ F^{-1} $。

如果X和Y在 $ \left(\mathbf{R}, \mathcal{R} \right) $上导入相同的分布 $ \mu $,我们说X和Y在分布上相等。利用定理1.1.4,这个成立当且仅当X和Y有相同的分布函数,例如,$ \forall x, P\left(X \le x\right) = P\left(Y \le x \right) $。这时我们会写成

$ \begin{equation} X \stackrel{d}{=} Y \end{equation} $

但为了书写方便我们也使用 $ X =_ {d} Y $

当分布函数 $ F\left(x\right) = P\left(X \le x \right) $有形如:

$ \begin{equation} F\left(x\right) = \int_ {- \infty}^{x} f\left(y\right) dy \end{equation} $

我们说X有密度函数f。为方便记忆公式,它通常可以认为f(x)为P(X = x)

$ \begin{equation} P\left(X = x\right) = \lim_ {\epsilon \to 0} \int_ {x - \epsilon}^{x + \epsilon} f\left(y\right) dy = 0 \end{equation} $

例子 1.2.4 速度 $ \lambda $的指数分布。 $ f\left(x\right) = \lambda e^{- \lambda x}, x \ge 0 $,否则为0。分布函数:

$ \begin{equation} F\left(x\right) = \left\{ \begin{array}{ll} 0 & x \le 0 \\ 1 - e^{- \lambda x} & x \ge 0 \end{array} \right. \end{equation} $

例子 1.2.5 标准正常分布

$ \begin{equation} f\left(x\right) = \left(2 \pi\right)^{- \frac{1}{2}} exp\left(\frac{- x^{2}}{2}\right) \end{equation} $

在这个例子中,没有F(x)的闭合表达,但我们有如下边界对大x非常有用:

定理 1.2.6 对x > 0,

$ \begin{equation} (x^{-1} - x^{-3})e^{\frac{-x^{2}}{2}} \le \int_ {x}^{\infty} e^{\frac{-y^{2}}{2}}dy \le x^{-1}e^{\frac{-x^{2}}{2}} \end{equation} $

一个R上的分布函数被称为决定连续的如果它有一个密度且singular如果对应的度量是singular

例子 1.2.7 康托集上的统一分布 康托集C被定义为从[0, 1]中移除( $ \frac{1}{3}, \frac{2}{3} $ ),然后移除剩下的每段的中间的 $ \frac{1}{3} $部分。我们定义一个相关的分布函数,设置 F(x) = 0当 $ x \le 0 $,F(x) = 1当 $ x \ge 1 $, $ F(x) = \frac{1}{2}当 x \in [\frac{1}{3}, \frac{2}{3}],F(x) = \frac{1}{4}当 x \in [\frac{1}{9}, \frac{2}{9}],F(x) = \frac{3}{4}当 x \in [\frac{7}{9}, \frac{8}{9}], \ldots $,则使用单调性扩展F到所有的[0, 1]。不存在满足定理1.2.1的f因为这样的f在测度1的集合中等于0。从定义,它对应测度有 $ \mu(C^{c}) = 0 $

一个概率度量P(或对应的分布函数)被称为是离散的如果有一个可数集S, $ P(S^{c}) = 0 $。最简单的离散分布例子是

例子 1.2.8 Point mass at 0 F(x) = 1当 $ x \ge 0 $,F(x) = 0当x < 0

例子 1.2.9 稠密不连续性 设 $ q_ {1}, q_ {2}, \ldots $为有理数,设 $ \alpha_ {i} > 0有 \sum_ {i=1}^{\infty} \alpha_ {1} = 1 $且设

$ \begin{equation} F(x) = \sum_ {i=1}^{\infty} \alpha_ {i} 1_ {[q_ {i}, \infty)} \end{equation} $

$ 如果x \in [\theta, \infty)则 1_ {[\theta, \infty)}(x) = 1,否则 = 0 $

Random Variables

一个函数 $ X : \Omega \to S $被称为从 $ (\Omega, \mathcal{F})到 (S, \mathcal{S}) $的一个可度量映射如果

$ \begin{equation} X^{-1}(B) \equiv \{\omega : X(\omega) \in B \} \in \mathcal{F} \qquad \qquad \text{for all } B \in \mathcal{S} \end{equation} $

如果 $ (S, \mathcal{S}) = (\mathbf{R}^{d}, \mathcal{R}^{d}) $且d > 1则X被称为一个随机向量。当然,如果d = 1,X被称为随机变量,或r.v.

定理 1.3.1 如果 $ \forall A \in \mathcal{A}, \{\omega: X(\omega) \in A\} \in \mathcal{F}且 \mathcal{A}产生 \mathcal{S} $(例如, $ \mathcal{S} $是包含 $ \mathcal{A}的最小的 \sigma $ -域,则X是可度量的

证明:为方便我们用 $ \{ X \in B \} $代替 $ \{\omega : X(\omega) \in B \} $,我们有

$ \begin{equation} \{ X \in \cup_ {i}B_ {i} \} = \cup_ {i} \{X \in B_ {i} \} \end{equation} $

$ \begin{equation} \{ X \in B^{c} \} = \{ X \in B \}^{c} \end{equation} $

所以集合的类 $ \mathbf{B} = \{B: \{ X \in B\} \in \mathcal{F} \} $是一个 $ \sigma $-域,因为 $ \mathbf{B} \supset \mathcal{A}且 \mathcal{A} 生成 \mathcal{S}, \mathbf{B} \supset \mathcal{S} $

这个接着之前证明的两个等式如果 $ \mathcal{S} 是一个 \sigma $-域,则 $ \{ \{ X \in B \} : B \in \mathcal{S} \}是一个 \sigma $-域。它是 $ \Omega上最小的 \sigma $-域使得X是一个可度量映射。它被称为被X产生的 $ \sigma $-域,记为 $ \sigma(X) $

$ \begin{equation} \sigma(X) = \{\{X \in B\} : B \in \mathcal{S} \} \end{equation} $

例子 1.3.2 如果 $ (S, \mathcal{S}) = (\mathbf{R}, \mathcal{R}) $则 $ \mathcal{A} $在定理1.3.1上可能的选择为 $ \{(- \infty, x] : x \in \mathbf{R} \} 或 \{(- \infty, x) : x \in \mathbf{Q} \}, Q = $有理数

例子 1.3.3 如果 $ (S, \mathcal{S} = (\mathbf{R}^{d}, \mathcal{R}^{d}) $,一个 $ \mathcal{A} $有用的选择是

$ \begin{equation} \{(a_ {1}, b_ {1}) \times \cdots \times (a_ {d}, b_ {d}): - \infty < a_ {i} < b_ {i} < \infty \} \end{equation} $

或更大的开集集合

理论 1.3.4 如果 $ X: (\Omega, \mathcal{F}) \to (S, \mathcal{S}) 且 f: (S, \mathcal{S}) \to (T, \mathcal{T}) $为可度量映射,则f(X)是从 $ (\Omega, \mathcal{F})到(T, \mathcal{T}) $的一个可度量映射

证明:设 $ B \in \mathcal{T}, \{ \omega : f(X(\omega)) \in B\} = \{ \omega: X(\omega) \in f^{-1}(B) \} \in \mathcal{F} $,因为假设 $ f^{-1}(B) \in \mathcal{S} $

定理 1.3.5 如果 $ X_ {1}, \ldots, X_ {n} $是随机变量且 $ f: (\mathbf{R}^{n}, \mathcal{R}^{n}) \to (\mathbf{R}, \mathcal{R}) $是可度量的,则 $ f(X_ {1}, \ldots, X_ {n}) $是一个随机变量

证明:通过定理1.3.4,它充分显示 $ (X_ {1}, \ldots, X_ {n}) $是一个随机向量。我们观察到如果 $ A_ {1}, \ldots, A_ {n} $是Borel集则

$ \begin{equation} \{ (X_ {1}, \ldots, X_ {n}) \in A_ {1} \times \cdots \times A_ {n} \} = \cap_ {i} \{ X_ {i} \in A_ {i} \} \in \mathcal{F} \end{equation} $

因为形式 $ A_ {1} \times \cdots \times A_ {n} $的集合产生 $ \mathcal{R}^{n} $,则想要的结果可从定理1.3.1获得

定理 1.3.6 如果$ (X_ {1}, \ldots, X_ {n}) $是随机变量则 $ X_ {1} + \ldots + X_ {n} $是一个随机变量

证明:通过定理1.3.5,它充分显示 $ f(x_ {1}, \ldots, x_ {n}) = x_ {1} + \ldots + x_ {n} $是可度量的,我们使用例子1.3.2并注意到 $ \{x: x_ {1} + \ldots + x_ {n} < a \} $是一个开集且因此在 $ \mathcal{R}^{n} $中

定理 1.3.7 如果 $ X_ {1}, X_ {2}, \ldots $是随机变量则下面这些也是

$ \begin{equation} \inf_ {n} X_ {n} \qquad \sup_ {n} X_ {n} \qquad \limsup_ {n} X_ {n} \qquad \liminf_ {n} X_ {n} \end{equation} $

证明:因为一个序列的最大下限< a当且仅当一些项 < a,我们有

$ \begin{equation} \{ \inf_ {n} X_ {n} < a \} = \cup_ {n} \{ X_ {n} < a \} \in \mathcal{F} \end{equation} $

相似的论证显示 $ \{ \sup_ {n} X_ {n} > a \} = \cup_ {n} \{ X_ {n} > a \} \in \mathcal{F} $,对最后两个,我们观察到

$ \begin{equation} \liminf_ {n \to \infty} X_ {n} = \sup_ {n}\left(\inf_ {m \ge n} X_ {m} \right) \end{equation} $

$ \begin{equation} \limsup_ {n \to \infty} X_ {n} = \inf_ {n}\left(\sup_ {m \ge n} X_ {m} \right) \end{equation} $

为完成第一个例子的证明,注意 $ Y_ {n} = \inf_ {m \ge n} X_ {m} $对每个n是一个随机变量,这样 $ \sup_ {n} Y_ {n} $也是

从定理1.3.7,我们看到

$ \begin{equation} \Omega_ {o} \equiv \{ \omega: \lim_ {n \to \infty} X_ {n} 存在 \} = \{ \omega: \limsup_ {n \to \infty} X_ {n} - \liminf_ {n \to \infty} X_ {n} = 0 \} \end{equation} $

是一个可度量集合(这里的 $ \equiv $表示是一个定义)。如果 $ P(\Omega_ {o}) = 1 $,我们说 $ X_ {n} $总是收敛,或简写为a.s.。这种收敛称为在测度理论中处处收敛。为有一个在整个空间中的极限定义,方便设

$ \begin{equation} X_ {\infty} = \limsup_ {n \to \infty} X_ {n} \end{equation} $

但这个随机变量可能是值 $ + \infty 或 - \infty $。我们一般化随机变量的定义

一个定义域是 $ D \in \mathcal{F} $的集合的函数,其范围是 $ \mathbf{R}^{ * } \equiv [- \infty, \infty] $被称为一个随机变量如果对所有 $ B \in \mathcal{R}^{ * } $我们有 $ X^{-1}(B) = \{\omega: X(\omega) \in B \} \in \mathcal{F} $。这里 $ \mathcal{R}^{ * } = \mathbf{R}^{ * } $的Borel子集,$ \mathcal{R}^{ * } $给定通常的拓扑,例如,一个被形式 $ [- \infty, a), (a, b)和(b, \infty] $的间隔产生的,$ a, b \in \mathbf{R} $。读者应该注意到扩展实线 $ (\mathbf{R}^{ * }, \mathcal{R}^{ * } ) $是一个可度量空间,所以可立即产生上述结果