{
  "id": "pushforward-measure",
  "title": "推前测度",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "推前测度通过可测映射转移测度，将每个目标可测集的测度定义为其原像的测度。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "像测度"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/pushforward-measure/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/pushforward-measure/",
      "json": "https://aiwiki.page/en/pushforward-measure.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "推前测度是将已有测度沿可测函数转移而得到的测度。若 \\(T:X\\to Y\\) 将一个可测空间映入另一个可测空间，且 \\(\\mu\\) 是 \\(X\\) 上的测度，则其推前测度赋予可测集 \\(B\\subseteq Y\\) 的值为 \\(\\mu(T^{-1}(B))\\)。这一构造通常记作 \\(T_{\\#}\\mu\\) 或 \\(T_*\\mu\\)，在测度论和概率论中具有基础性地位：随机变量的分布就是其底层概率测度的推前测度。"
    },
    {
      "heading": "定义",
      "text": "设 \\((X,\\mathcal A)\\) 和 \\((Y,\\mathcal B)\\) 是可测空间，\\(\\mu\\) 是 \\(\\mathcal A\\) 上的测度。映射 \\(T:X\\to Y\\) 可测，是指\n\n\\[T^{-1}(B)\\in\\mathcal A \\qquad\\text{for every }B\\in\\mathcal B.\\]\n\n\\(\\mu\\) 在 \\(T\\) 下的推前测度是 \\((Y,\\mathcal B)\\) 上由下式定义的测度：\n\n\\[(T_{\\#}\\mu)(B)=\\mu\\bigl(T^{-1}(B)\\bigr), \\qquad B\\in\\mathcal B.\\]\n\n这里，\n\n\\[T^{-1}(B)=\\{x\\in X:T(x)\\in B\\}\\]\n\n表示原像，而非反函数。因此，不要求 \\(T\\) 是单射、满射、连续映射或可微映射。\n\nσ代数 \\(\\mathcal B\\) 是这一构造的组成部分。推前测度定义在其中的集合上，并不自动在 \\(Y\\) 的所有子集上都有定义。\n\n为什么这一定义给出了测度\n\n取原像保持空集和可数并运算，也保持不交性：若 \\(B_1,B_2,\\ldots\\) 两两不交，则它们的原像也两两不交。因此，\n\n\\[\\begin{aligned} (T_{\\#}\\mu)\\left(\\bigcup_{n=1}^{\\infty}B_n\\right) &=\\mu\\left(\\bigcup_{n=1}^{\\infty}T^{-1}(B_n)\\right)\\\\ &=\\sum_{n=1}^{\\infty}\\mu(T^{-1}(B_n))\\\\ &=\\sum_{n=1}^{\\infty}(T_{\\#}\\mu)(B_n). \\end{aligned}\\]\n\n再加上 \\((T_{\\#}\\mu)(\\varnothing)=0\\)，便验证了测度公理。\n\n定义中使用原像，是因为无论 \\(T\\) 是否可逆，原像都具有这些性质。若只是利用集合的像来分配质量，就无法得到类似的一般性构造：不交集合的像可能重叠，而可测集的像也未必可测。"
    },
    {
      "heading": "基本性质",
      "text": "总质量保持不变\n\n由于 \\(T^{-1}(Y)=X\\)，有\n\n\\[(T_{\\#}\\mu)(Y)=\\mu(X).\\]\n\n因此，有限测度的推前仍是有限测度，概率测度的推前仍是概率测度。\n\n更一般地，这一构造对测度的非负线性组合具有线性性：\n\n\\[T_{\\#}(a\\mu+b\\nu) =aT_{\\#}\\mu+bT_{\\#}\\nu, \\qquad a,b\\geq0.\\]\n\n复合\n\n若 \\(S:Y\\to Z\\) 是另一个可测映射，则\n\n\\[(S\\circ T)_{\\#}\\mu=S_{\\#}(T_{\\#}\\mu).\\]\n\n这可由下式推出：\n\n\\[(S\\circ T)^{-1}(C)=T^{-1}(S^{-1}(C)).\\]\n\n恒等映射还满足\n\n\\[(\\operatorname{id}_X)_{\\#}\\mu=\\mu.\\]\n\n这些恒等式表明，推前与函数复合相容：依次通过两个映射转移测度，与通过它们的复合映射转移测度，结果相同。\n\n在零测集上的修改\n\n若两个可测映射 \\(T,S:X\\to Y\\) 在某个 \\(\\mu\\)-测度为零的可测集之外处处相等，则\n\n\\[T_{\\#}\\mu=S_{\\#}\\mu.\\]\n\n因此，只要修改前后的映射几乎处处相等，推前测度就不会改变。"
    },
    {
      "heading": "关于推前测度的积分",
      "text": "核心积分恒等式为\n\n\\[\\boxed{ \\int_Y f(y)\\,d(T_{\\#}\\mu)(y) = \\int_X f(T(x))\\,d\\mu(x) }\\]\n\n它对每个非负可测函数 \\(f:Y\\to[0,\\infty]\\) 都成立，对实值或复值可积函数也成立。\n\n特别地，\n\n\\[\\int_Y |f|\\,d(T_{\\#}\\mu) = \\int_X |f\\circ T|\\,d\\mu,\\]\n\n因此，\\(f\\) 关于 \\(T_{\\#}\\mu\\) 可积，当且仅当 \\(f\\circ T\\) 关于 \\(\\mu\\) 可积。\n\n首先对示性函数验证这一恒等式：\n\n\\[\\int_Y \\mathbf 1_B\\,d(T_{\\#}\\mu) =(T_{\\#}\\mu)(B) =\\int_X\\mathbf 1_B(T(x))\\,d\\mu(x).\\]\n\n随后将其推广到非负简单函数，再利用单调逼近推广到非负可测函数。对于可积函数，则通过分解得到结论。\n\n这是勒贝格积分的抽象换元公式，不要求导数、雅可比行列式或可逆性。只有在相对于某个特定参考测度表示推前测度时，才会涉及这些条件和工具。\n\n这一恒等式还揭示了一种有用的对偶关系：测度沿 \\(T\\) 向前转移，而函数则通过与 \\(T\\) 复合向后拉回。"
    },
    {
      "heading": "概率分布",
      "text": "设 \\((\\Omega,\\mathcal F,\\mathbb P)\\) 是一个概率空间，\\(X:\\Omega\\to S\\) 是一个随机变量或随机元素。它的概率分布，也称概率律，为\n\n\\[\\mathcal L(X)=X_{\\#}\\mathbb P.\\]\n\n对每个可测集 \\(B\\subseteq S\\)，有\n\n\\[\\mathcal L(X)(B) =\\mathbb P(X\\in B).\\]\n\n若 \\(g:S\\to E\\) 可测，由复合性质可得\n\n\\[\\mathcal L(g(X))=g_{\\#}\\mathcal L(X).\\]\n\n因此，变换后随机变量的分布只取决于原分布和所作的变换，与实现该随机变量所用的具体概率空间无关。\n\n只要期望值有定义，积分恒等式就可写为\n\n\\[\\mathbb E[g(X)] =\\int_S g(x)\\,d\\mathcal L(X)(x),\\]\n\n对于实值随机变量 \\(X\\)，其累积分布函数为\n\n\\[F_X(t) =(X_{\\#}\\mathbb P)((-\\infty,t]).\\]\n\n联合概率分布同样是下述映射下的推前测度：\n\n\\[\\omega\\longmapsto(X(\\omega),Y(\\omega)).\\]\n\n将该联合测度沿坐标投影取推前，即可得到各边缘分布。"
    },
    {
      "heading": "示例",
      "text": "离散测度\n\n若一个有限测度集中在点 \\(x_1,\\ldots,x_n\\) 上，各点的质量分别为 \\(p_1,\\ldots,p_n\\)，则\n\n\\[(T_{\\#}\\mu)(B) =\\sum_{\\{i:T(x_i)\\in B\\}}p_i.\\]\n\n具有相同像的点，其质量会汇集到目标空间中的同一点上。\n\n例如，设 \\(\\mu\\) 分别赋予 \\(-1,0,1\\) 质量 \\(0.2,0.3,0.5\\)。在映射 \\(T(x)=x^2\\) 下，推前测度赋予 \\(0\\) 质量 \\(0.3\\)，赋予 \\(1\\) 质量 \\(0.7\\)。\n\n常值映射\n\n若 \\(T(x)=y_0\\)，且 \\(\\mu(X)=m<\\infty\\)，则\n\n\\[(T_{\\#}\\mu)(B) = \\begin{cases} m,&y_0\\in B,\\\\ 0,&y_0\\notin B. \\end{cases}\\]\n\n特别地，任何概率测度都可以通过取推前变成集中于单点的测度。因此，推前不一定保持无原子性。\n\n均匀随机变量的平方\n\n设 \\(U\\) 服从 \\([-1,1]\\) 上的均匀分布，并令 \\(Y=U^2\\)。对于 \\(0\\leq y\\leq1\\)，有\n\n\\[\\mathbb P(Y\\leq y) =\\mathbb P(-\\sqrt y\\leq U\\leq\\sqrt y) =\\sqrt y.\\]\n\n因此，\\(Y\\) 的概率密度函数为\n\n\\[f_Y(y)=\\frac{1}{2\\sqrt y}, \\qquad 0<y<1,\\]\n\n在该区间之外密度为零。零点处的奇性是可积的，并不表示那里存在原子。"
    },
    {
      "heading": "密度与雅可比公式",
      "text": "只要满足可测性假设，推前测度就总是存在，但它未必有密度。密度公式需要额外的假设。\n\n设 \\(U,V\\subseteq\\mathbb R^d\\) 为开集，\\(T:U\\to V\\) 是连续可微的双射，其逆映射也连续可微，并且\n\n\\[d\\mu(x)=\\rho(x)\\,dx,\\]\n\n其中 \\(dx\\) 表示勒贝格测度。则\n\n\\[d(T_{\\#}\\mu)(y) = \\rho(T^{-1}(y)) \\left|\\det DT^{-1}(y)\\right|\\,dy.\\]\n\n等价地，\n\n\\[\\rho_{T_{\\#}\\mu}(y) = \\frac{\\rho(T^{-1}(y))} {\\left|\\det DT(T^{-1}(y))\\right|}.\\]\n\n这里，\\(DT\\) 是雅可比矩阵，其行列式描述局部体积的缩放。\n\n对于可逆仿射变换 \\(T(x)=Ax+b\\)，上式化为\n\n\\[\\rho_{T_{\\#}\\mu}(y) = \\frac{\\rho(A^{-1}(y-b))}{|\\det A|}.\\]\n\n在一维情形下，非单射映射通常可以通过对各个逆分支求和来处理：\n\n\\[\\rho_{T_{\\#}\\mu}(y) = \\sum_{x:T(x)=y}\\frac{\\rho(x)}{|T'(x)|}.\\]\n\n例如，若原测度的密度支撑于有限个开区间上，且 \\(T\\) 在每个区间上都连续可微、导数处处非零，则该公式几乎处处成立。每个原像分支的贡献分别计入总和。\n\n如果一个映射将正质量压缩到某个点或低维集合上，推前测度就可能出现奇异部分，而不是具有通常意义下的密度。"
    },
    {
      "heading": "局限与测度论中的细节",
      "text": "σ有限性不一定保持\n\n若一个测度所在的空间可以表示为可数个有限测度集合的并，则称该测度是 σ有限的。即使 \\(\\mu\\) 是 σ有限的，\\(T_{\\#}\\mu\\) 也未必如此。\n\n例如，令 \\(\\mu\\) 为 \\(\\mathbb R\\) 上的勒贝格测度，并将每个实数映射到同一个点。所得单点空间的测度为无穷大，其中唯一具有有限测度的可测集是空集。因此，这一测度不是 σ有限的。\n\n绝对连续性可能丧失\n\n即使 \\(\\mu\\) 相对于勒贝格测度具有密度，常值映射仍会将其变为点质量。因此，存在密度所需的绝对连续性并不会自动保持。\n\n不过，有一种相对的保持性质：若 \\(\\mu\\ll\\nu\\)，则\n\n\\[T_{\\#}\\mu\\ll T_{\\#}\\nu.\\]\n\n事实上，\\(T_{\\#}\\nu(B)=0\\) 蕴含 \\(\\nu(T^{-1}(B))=0\\)，从而有 \\(\\mu(T^{-1}(B))=0\\)。\n\n信息通常会丢失\n\n非单射映射会将不同的点合并，因此通常无法从推前测度确定原测度。对于 \\(T(x)=x^2\\)，位于 \\(1\\) 和 \\(-1\\) 的点质量具有相同的推前测度。\n\n相反，若 \\(T\\) 是双射，且 \\(T\\) 与 \\(T^{-1}\\) 均可测，则\n\n\\[(T^{-1})_{\\#}(T_{\\#}\\mu)=\\mu.\\]"
    },
    {
      "heading": "应用",
      "text": "保测度动力学\n\n可测变换 \\(T:X\\to X\\) 保持测度 \\(\\mu\\)，当且仅当\n\n\\[T_{\\#}\\mu=\\mu,\\]\n\n等价地，对每个可测集 \\(A\\)，都有\n\n\\[\\mu(T^{-1}(A))=\\mu(A)\\]\n\n这就是研究动力系统时所用的不变测度条件。\n\n最优传输\n\n在最优传输中，映射 \\(T\\) 将源概率测度 \\(\\mu\\) 传输为目标概率测度 \\(\\nu\\)，是指\n\n\\[T_{\\#}\\mu=\\nu.\\]\n\n可以选择映射使某种代价最小，例如\n\n\\[\\int_X c(x,T(x))\\,d\\mu(x).\\]\n\n确定性的传输映射不一定存在：集中于单点的源测度不可能通过确定性映射，变成将质量分布在多个点上的目标测度。传输计划允许将一个源点的质量拆分到多个目标点，从而推广了这一表述。\n\n弱收敛\n\n设度量空间上的概率测度 \\(\\mu_n\\) 弱收敛于 \\(\\mu\\)，且 \\(T\\) 是到另一个度量空间的连续映射。则\n\n\\[T_{\\#}\\mu_n\\Rightarrow T_{\\#}\\mu.\\]\n\n对于目标空间上的每个有界连续函数 \\(f\\)，\\(f\\circ T\\) 在源空间上也有界且连续，因此\n\n\\[\\int f\\,d(T_{\\#}\\mu_n) = \\int f\\circ T\\,d\\mu_n \\longrightarrow \\int f\\circ T\\,d\\mu = \\int f\\,d(T_{\\#}\\mu).\\]\n\n这就是概率极限定理中连续映射原理的测度论形式。"
    }
  ],
  "links": [
    "measurable-function",
    "measure-theory",
    "measurable-space",
    "inverse-function",
    "sigma-algebra",
    "function-composition",
    "almost-everywhere",
    "indicator-function",
    "lebesgue-integral",
    "probability-space",
    "random-variable",
    "probability-distribution",
    "expected-value",
    "cumulative-distribution-function",
    "joint-probability-distribution",
    "uniform-distribution",
    "probability-density-function",
    "lebesgue-measure",
    "jacobian-matrix",
    "determinant",
    "absolute-continuity",
    "dynamical-system",
    "continuous-function"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}