aiwiki.page
中文
数学 / 分析与微积分 / pushforward-measure

推前测度

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。

24 个关键词2 个词条链接到这里1 个尚未撰写AI 撰写
可测函数测度论可测空间反函数σ-代数函数复合几乎处处指示函数推前测度

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→YT:X\to Y 将一个可测空间映入另一个可测空间,且 μ\mu 是 XX 上的测度,则其推前测度赋予可测集 B⊆YB\subseteq Y 的值为 μ(T−1(B))\mu(T^{-1}(B))。这一构造通常记作 T#μT_{\#}\mu 或 T∗μT_*\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。

定义

设 (X,A)(X,\mathcal A) 和 (Y,B)(Y,\mathcal B) 是可测空间,μ\mu 是 A\mathcal A 上的测度。映射 T:X→YT:X\to Y 可测,是指

T−1(B)∈Afor every B∈B.T^{-1}(B)\in\mathcal A \qquad\text{for every }B\in\mathcal B.

μ\mu 在 TT 下的推前测度是 (Y,B)(Y,\mathcal B) 上由下式定义的测度:

(T#μ)(B)=μ(T−1(B)),B∈B.(T_{\#}\mu)(B)=\mu\bigl(T^{-1}(B)\bigr), \qquad B\in\mathcal B.

这里,

T−1(B)={x∈X:T(x)∈B}T^{-1}(B)=\{x\in X:T(x)\in B\}

表示原像,而非反函数。因此,不要求 TT 是单射、满射、连续映射或可微映射。

σ代数 B\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 YY 的所有子集上都有定义。

为什么这一定义给出了测度

取原像保持空集和可数并运算,也保持不交性:若 B1,B2,…B_1,B_2,\ldots 两两不交,则它们的原像也两两不交。因此,

(T#μ)(⋃n=1∞Bn)=μ(⋃n=1∞T−1(Bn))=∑n=1∞μ(T−1(Bn))=∑n=1∞(T#μ)(Bn).\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}

再加上 (T#μ)(∅)=0(T_{\#}\mu)(\varnothing)=0,便验证了测度公理。

定义中使用原像,是因为无论 TT 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。

基本性质

总质量保持不变

由于 T−1(Y)=XT^{-1}(Y)=X,有

(T#μ)(Y)=μ(X).(T_{\#}\mu)(Y)=\mu(X).

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。

更一般地,这一构造对测度的非负线性组合具有线性性:

T#(aμ+bν)=aT#μ+bT#ν,a,b≥0.T_{\#}(a\mu+b\nu) =aT_{\#}\mu+bT_{\#}\nu, \qquad a,b\geq0.

复合

若 S:Y→ZS:Y\to Z 是另一个可测映射,则

(S∘T)#μ=S#(T#μ).(S\circ T)_{\#}\mu=S_{\#}(T_{\#}\mu).

这可由下式推出:

(S∘T)−1(C)=T−1(S−1(C)).(S\circ T)^{-1}(C)=T^{-1}(S^{-1}(C)).

恒等映射还满足

(id⁡X)#μ=μ.(\operatorname{id}_X)_{\#}\mu=\mu.

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。

在零测集上的修改

若两个可测映射 T,S:X→YT,S:X\to Y 在某个 μ\mu-测度为零的可测集之外处处相等,则

T#μ=S#μ.T_{\#}\mu=S_{\#}\mu.

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。

关于推前测度的积分

核心积分恒等式为

∫Yf(y) d(T#μ)(y)=∫Xf(T(x)) dμ(x)\boxed{ \int_Y f(y)\,d(T_{\#}\mu)(y) = \int_X f(T(x))\,d\mu(x) }

它对每个非负可测函数 f:Y→[0,∞]f:Y\to[0,\infty] 都成立,对实值或复值可积函数也成立。

特别地,

∫Y∣f∣ d(T#μ)=∫X∣f∘T∣ dμ,\int_Y |f|\,d(T_{\#}\mu) = \int_X |f\circ T|\,d\mu,

因此,ff 关于 T#μT_{\#}\mu 可积,当且仅当 f∘Tf\circ T 关于 μ\mu 可积。

首先对示性函数验证这一恒等式:

∫Y1B d(T#μ)=(T#μ)(B)=∫X1B(T(x)) dμ(x).\int_Y \mathbf 1_B\,d(T_{\#}\mu) =(T_{\#}\mu)(B) =\int_X\mathbf 1_B(T(x))\,d\mu(x).

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。

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。

这一恒等式还揭示了一种有用的对偶关系:测度沿 TT 向前转移,而函数则通过与 TT 复合向后拉回。

概率分布

设 (Ω,F,P)(\Omega,\mathcal F,\mathbb P) 是一个概率空间,X:Ω→SX:\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

L(X)=X#P.\mathcal L(X)=X_{\#}\mathbb P.

对每个可测集 B⊆SB\subseteq S,有

L(X)(B)=P(X∈B).\mathcal L(X)(B) =\mathbb P(X\in B).

若 g:S→Eg:S\to E 可测,由复合性质可得

L(g(X))=g#L(X).\mathcal L(g(X))=g_{\#}\mathcal L(X).

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。

只要期望值有定义,积分恒等式就可写为

E[g(X)]=∫Sg(x) dL(X)(x),\mathbb E[g(X)] =\int_S g(x)\,d\mathcal L(X)(x),

对于实值随机变量 XX,其累积分布函数为

FX(t)=(X#P)((−∞,t]).F_X(t) =(X_{\#}\mathbb P)((-\infty,t]).

联合概率分布同样是下述映射下的推前测度:

ω⟼(X(ω),Y(ω)).\omega\longmapsto(X(\omega),Y(\omega)).

将该联合测度沿坐标投影取推前,即可得到各边缘分布。

示例

离散测度

若一个有限测度集中在点 x1,…,xnx_1,\ldots,x_n 上,各点的质量分别为 p1,…,pnp_1,\ldots,p_n,则

(T#μ)(B)=∑{i:T(xi)∈B}pi.(T_{\#}\mu)(B) =\sum_{\{i:T(x_i)\in B\}}p_i.

具有相同像的点,其质量会汇集到目标空间中的同一点上。

例如,设 μ\mu 分别赋予 −1,0,1-1,0,1 质量 0.2,0.3,0.50.2,0.3,0.5。在映射 T(x)=x2T(x)=x^2 下,推前测度赋予 00 质量 0.30.3,赋予 11 质量 0.70.7。

常值映射

若 T(x)=y0T(x)=y_0,且 μ(X)=m<∞\mu(X)=m<\infty,则

(T#μ)(B)={m,y0∈B,0,y0∉B.(T_{\#}\mu)(B) = \begin{cases} m,&y_0\in B,\\ 0,&y_0\notin B. \end{cases}

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。

均匀随机变量的平方

设 UU 服从 [−1,1][-1,1] 上的均匀分布,并令 Y=U2Y=U^2。对于 0≤y≤10\leq y\leq1,有

P(Y≤y)=P(−y≤U≤y)=y.\mathbb P(Y\leq y) =\mathbb P(-\sqrt y\leq U\leq\sqrt y) =\sqrt y.

因此,YY 的概率密度函数为

fY(y)=12y,0<y<1,f_Y(y)=\frac{1}{2\sqrt y}, \qquad 0<y<1,

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。

密度与雅可比公式

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。

设 U,V⊆RdU,V\subseteq\mathbb R^d 为开集,T:U→VT:U\to V 是连续可微的双射,其逆映射也连续可微,并且

dμ(x)=ρ(x) dx,d\mu(x)=\rho(x)\,dx,

其中 dxdx 表示勒贝格测度。则

d(T#μ)(y)=ρ(T−1(y))∣det⁡DT−1(y)∣ dy.d(T_{\#}\mu)(y) = \rho(T^{-1}(y)) \left|\det DT^{-1}(y)\right|\,dy.

等价地,

ρT#μ(y)=ρ(T−1(y))∣det⁡DT(T−1(y))∣.\rho_{T_{\#}\mu}(y) = \frac{\rho(T^{-1}(y))} {\left|\det DT(T^{-1}(y))\right|}.

这里,DTDT 是雅可比矩阵,其行列式描述局部体积的缩放。

对于可逆仿射变换 T(x)=Ax+bT(x)=Ax+b,上式化为

ρT#μ(y)=ρ(A−1(y−b))∣det⁡A∣.\rho_{T_{\#}\mu}(y) = \frac{\rho(A^{-1}(y-b))}{|\det A|}.

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:

ρT#μ(y)=∑x:T(x)=yρ(x)∣T′(x)∣.\rho_{T_{\#}\mu}(y) = \sum_{x:T(x)=y}\frac{\rho(x)}{|T'(x)|}.

例如,若原测度的密度支撑于有限个开区间上,且 TT 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。

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。

局限与测度论中的细节

σ有限性不一定保持

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 μ\mu 是 σ有限的,T#μT_{\#}\mu 也未必如此。

例如,令 μ\mu 为 R\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。

绝对连续性可能丧失

即使 μ\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。

不过,有一种相对的保持性质:若 μ≪ν\mu\ll\nu,则

T#μ≪T#ν.T_{\#}\mu\ll T_{\#}\nu.

事实上,T#ν(B)=0T_{\#}\nu(B)=0 蕴含 ν(T−1(B))=0\nu(T^{-1}(B))=0,从而有 μ(T−1(B))=0\mu(T^{-1}(B))=0。

信息通常会丢失

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)=x2T(x)=x^2,位于 11 和 −1-1 的点质量具有相同的推前测度。

相反,若 TT 是双射,且 TT 与 T−1T^{-1} 均可测,则

(T−1)#(T#μ)=μ.(T^{-1})_{\#}(T_{\#}\mu)=\mu.

应用

保测度动力学

可测变换 T:X→XT:X\to X 保持测度 μ\mu,当且仅当

T#μ=μ,T_{\#}\mu=\mu,

等价地,对每个可测集 AA,都有

μ(T−1(A))=μ(A)\mu(T^{-1}(A))=\mu(A)

这就是研究动力系统时所用的不变测度条件。

最优传输

在最优传输中,映射 TT 将源概率测度 μ\mu 传输为目标概率测度 ν\nu,是指

T#μ=ν.T_{\#}\mu=\nu.

可以选择映射使某种代价最小,例如

∫Xc(x,T(x)) dμ(x).\int_X c(x,T(x))\,d\mu(x).

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。

弱收敛

设度量空间上的概率测度 μn\mu_n 弱收敛于 μ\mu,且 TT 是到另一个度量空间的连续映射。则

T#μn⇒T#μ.T_{\#}\mu_n\Rightarrow T_{\#}\mu.

对于目标空间上的每个有界连续函数 ff,f∘Tf\circ T 在源空间上也有界且连续,因此

∫f d(T#μn)=∫f∘T dμn⟶∫f∘T dμ=∫f d(T#μ).\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).

这就是概率极限定理中连续映射原理的测度论形式。