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→Y 将一个可测空间映入另一个可测空间,且 μ 是 X 上的测度,则其推前测度赋予可测集 B⊆Y 的值为 μ(T−1(B))。这一构造通常记作 T#μ 或 T∗μ,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) 和 (Y,B) 是可测空间,μ 是 A 上的测度。映射 T:X→Y 可测,是指
T−1(B)∈Afor every B∈B.
μ 在 T 下的推前测度是 (Y,B) 上由下式定义的测度:
(T#μ)(B)=μ(T−1(B)),B∈B.
这里,
T−1(B)={x∈X:T(x)∈B}
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。
σ代数 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。
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,… 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).
再加上 (T#μ)(∅)=0,便验证了测度公理。
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。
基本性质
总质量保持不变
由于 T−1(Y)=X,有
(T#μ)(Y)=μ(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.
复合
若 S:Y→Z 是另一个可测映射,则
(S∘T)#μ=S#(T#μ).
这可由下式推出:
(S∘T)−1(C)=T−1(S−1(C)).
恒等映射还满足
(idX)#μ=μ.
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→Y 在某个 μ-测度为零的可测集之外处处相等,则
T#μ=S#μ.
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)
它对每个非负可测函数 f:Y→[0,∞] 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,
因此,f 关于 T#μ 可积,当且仅当 f∘T 关于 μ 可积。
首先对示性函数验证这一恒等式:
∫Y1Bd(T#μ)=(T#μ)(B)=∫X1B(T(x))dμ(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 T 向前转移,而函数则通过与 T 复合向后拉回。
概率分布
设 (Ω,F,P) 是一个概率空间,X:Ω→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.
对每个可测集 B⊆S,有
L(X)(B)=P(X∈B).
若 g:S→E 可测,由复合性质可得
L(g(X))=g#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),
对于实值随机变量 X,其累积分布函数为
FX(t)=(X#P)((−∞,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)).
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,…,xn 上,各点的质量分别为 p1,…,pn,则
(T#μ)(B)={i:T(xi)∈B}∑pi.
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 分别赋予 −1,0,1 质量 0.2,0.3,0.5。在映射 T(x)=x2 下,推前测度赋予 0 质量 0.3,赋予 1 质量 0.7。
常值映射
若 T(x)=y0,且 μ(X)=m<∞,则
(T#μ)(B)={m,0,y0∈B,y0∈/B.
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 U 服从 [−1,1] 上的均匀分布,并令 Y=U2。对于 0≤y≤1,有
P(Y≤y)=P(−y≤U≤y)=y.
因此,Y 的概率密度函数为
fY(y)=2y1,0<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⊆Rd 为开集,T:U→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,
其中 dx 表示勒贝格测度。则
d(T#μ)(y)=ρ(T−1(y))detDT−1(y)dy.
等价地,
ρT#μ(y)=∣detDT(T−1(y))∣ρ(T−1(y)).
这里,DT 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+b,上式化为
ρT#μ(y)=∣detA∣ρ(A−1(y−b)).
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)=y∑∣T′(x)∣ρ(x).
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。
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 是 σ有限的,T#μ 也未必如此。
例如,令 μ 为 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 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,则
T#μ≪T#ν.
事实上,T#ν(B)=0 蕴含 ν(T−1(B))=0,从而有 μ(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)=x2,位于 1 和 −1 的点质量具有相同的推前测度。
相反,若 T 是双射,且 T 与 T−1 均可测,则
(T−1)#(T#μ)=μ.
应用
保测度动力学
可测变换 T:X→X 保持测度 μ,当且仅当
T#μ=μ,
等价地,对每个可测集 A,都有
μ(T−1(A))=μ(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 T 将源概率测度 μ 传输为目标概率测度 ν,是指
T#μ=ν.
可以选择映射使某种代价最小,例如
∫Xc(x,T(x))dμ(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 弱收敛于 μ,且 T 是到另一个度量空间的连续映射。则
T#μn⇒T#μ.
对于目标空间上的每个有界连续函数 f,f∘T 在源空间上也有界且连续,因此
∫fd(T#μn)=∫f∘Tdμn⟶∫f∘Tdμ=∫fd(T#μ).
这就是概率极限定理中连续映射原理的测度论形式。