{
  "id": "radon-nikodym-theorem",
  "title": "拉东–尼科迪姆定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "拉东–尼科迪姆定理刻画了何时一个测度可以表示为某个密度函数对另一测度的积分。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "拉东–尼科迪姆表示定理"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/radon-nikodym-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/radon-nikodym-theorem/",
      "json": "https://aiwiki.page/en/radon-nikodym-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "拉东–尼科迪姆定理是测度论中的一个基本定理，给出了将一个测度表示为另一个测度的加权形式所需的精确条件。其标准形式为：若 \\(\\mu\\) 和 \\(\\nu\\) 是同一可测空间上的两个 σ 有限测度，且 \\(\\nu\\) 关于 \\(\\mu\\) 绝对连续，则存在非负可测函数 \\(f\\)，使得对每个可测集 \\(A\\)，都有\n\n\\[\\nu(A)=\\int_A f\\,d\\mu\\]\n\n函数 \\(f\\) 在相差一个 \\(\\mu\\) 零测集上的取值的意义下唯一，称为拉东–尼科迪姆导数，记作 \\(d\\nu/d\\mu\\)。\n\n该定理推广了人们熟悉的用密度表示概率分布的方式。其中的参照测度不必是通常的长度或体积测度，也可以是离散测度、概率测度，或适合具体问题的其他测度。正是这种灵活性，使该定理在积分、条件期望、概率测度变换、统计似然以及线性泛函的表示中占据核心地位。该定理以此命名，是为了纪念约翰·拉东于 1913 年的工作，以及奥顿·尼科迪姆于 1930 年所作的推广。"
    },
    {
      "heading": "定理陈述及其测度论意义",
      "text": "设 \\((X,\\mathcal F)\\) 为可测空间，其中 \\(\\mathcal F\\) 是由 \\(X\\) 的子集组成的σ代数。若\n\n\\[\\mu(A)=0\\quad\\Longrightarrow\\quad \\nu(A)=0 \\qquad(A\\in\\mathcal F).\\]\n\n则称测度 \\(\\nu\\) 关于测度 \\(\\mu\\) 绝对连续，记作 \\(\\nu\\ll\\mu\\)。这是测度之间的一种关系，并不要求它们的取值彼此接近。它表示，参考测度下的每个零测集在另一个测度下也具有零测度。若 \\(X\\) 可由可数个测度有限的可测集覆盖，则称该测度为σ有限测度。\n\n定理的标准表述如下：若 \\(\\mu\\) 和 \\(\\nu\\) 都是正的 σ 有限测度，且 \\(\\nu\\ll\\mu\\)，则存在非负可测函数 \\(f\\)，使得\n\n\\[\\nu(A)=\\int_A f\\,d\\mu \\qquad\\text{for every }A\\in\\mathcal F.\\]\n\n这一导数可选为关于 \\(\\mu\\) 几乎处处有限的函数。若 \\(f\\) 和 \\(g\\) 都满足上述等式，则 \\(f=g\\) 几乎处处成立。反过来，任何通过对非负可测函数关于 \\(\\mu\\) 积分而定义的测度，都关于 \\(\\mu\\) 绝对连续。因此，在上述有限性假设下，该定理刻画了测度的绝对连续性。\n\n这里的积分是勒贝格积分，上述表示通常简写为\n\n\\[d\\nu=f\\,d\\mu.\\]\n\n这一记号表示测度之间的恒等关系：等式两边赋予每个可测集的值都相同。它并不要求将 \\(d\\nu\\) 和 \\(d\\mu\\) 理解为无穷小的数值量。一般而言，这一导数也不是通过对某个函数在某一点求导而得到的。底层空间甚至可能没有度量、坐标或邻域的概念。\n\n因此，这里的唯一性是指忽略零测集上的差异后，函数所属的等价类具有唯一性。改变函数在 \\(\\mu\\)-零测集上的值，不会影响它所表示的任何积分。当 \\(\\nu\\) 为有限测度时，其导数属于 \\(L^1(\\mu)\\)，且\n\n\\[\\int_X \\frac{d\\nu}{d\\mu}\\,d\\mu=\\nu(X).\\]\n\n对于概率测度，这个积分等于 \\(1\\)。当 \\(\\nu\\) 仅为 σ 有限测度时，导数未必在整个空间上可积，但在每个 \\(\\nu\\)-测度有限的集合上都可积。该定理的标准形式既不要求空间具有拓扑结构，也不要求测度完备。"
    },
    {
      "heading": "拉东–尼科迪姆导数的运算法则",
      "text": "定义中的恒等式可以从集合推广到函数。若 \\(f=d\\nu/d\\mu\\)，则对任意非负可测函数 \\(h\\)，都有\n\n\\[\\int_X h\\,d\\nu=\\int_X hf\\,d\\mu.\\]\n\n对于可积的实值或复值函数，按通常的可积性含义理解，同一恒等式也成立。先对示性函数证明这一结论，再推广到非负简单函数，最后通过逼近即可得到一般情形。因此，\n\n\\[h\\in L^1(\\nu) \\quad\\Longleftrightarrow\\quad hf\\in L^1(\\mu).\\]\n\n这一测度变换公式体现了该定理在实际运算中的作用：它将关于一个不熟悉的测度的积分，转化为关于选定的参考测度的积分。\n\n拉东–尼科迪姆导数满足一种形式的链式法则。若 \\(\\lambda\\)、\\(\\nu\\) 和 \\(\\mu\\) 都是正的 σ 有限测度，且 \\(\\lambda\\ll\\nu\\ll\\mu\\)，则\n\n\\[\\frac{d\\lambda}{d\\mu} = \\frac{d\\lambda}{d\\nu}\\frac{d\\nu}{d\\mu} \\qquad\\mu\\text{-almost everywhere}.\\]\n\n要验证该公式，只需在任意可测集上对右端积分，并应用两次测度变换恒等式。在 \\(d\\nu/d\\mu=0\\) 的集合上，约定乘积为零。这一约定也消除了因 \\(d\\lambda/d\\nu\\) 仅在 \\(\\nu\\)-几乎处处意义下确定而产生的歧义。\n\n若 \\(\\mu\\) 与 \\(\\nu\\) 相互绝对连续，则称它们为等价测度。在 σ 有限的情形下，无论相对于哪个测度，它们的导数都几乎处处为正且有限，并且\n\n\\[\\frac{d\\mu}{d\\nu} = \\left(\\frac{d\\nu}{d\\mu}\\right)^{-1}\\]\n\n几乎处处成立。相互绝对连续这一假设至关重要：如果只假设 \\(\\nu\\ll\\mu\\)，导数可能在一个具有正 \\(\\mu\\) 测度的集合上为零。从 \\(\\mu\\) 变换到 \\(\\nu\\) 时，这样的集合已不再具有质量，因此取倒数无法恢复其原有的质量。\n\n线性关系与序关系同样可以转化为密度之间的相应关系。若 \\(\\nu_1,\\nu_2\\ll\\mu\\) 且 \\(a,b\\geq0\\)，则\n\n\\[\\frac{d(a\\nu_1+b\\nu_2)}{d\\mu} = a\\frac{d\\nu_1}{d\\mu} +b\\frac{d\\nu_2}{d\\mu}.\\]\n\n此外，对每个可测集 \\(A\\) 都有 \\(\\nu_1(A)\\leq\\nu_2(A)\\)，当且仅当它们的导数几乎处处满足相应的不等式。特别地，\n\n\\[\\nu(A)\\leq C\\mu(A)\\ \\text{for every }A \\quad\\Longleftrightarrow\\quad \\frac{d\\nu}{d\\mu}\\leq C \\quad\\mu\\text{-almost everywhere}.\\]\n\n这将测度之间的控制关系与函数的本质界联系起来，也解释了为何有界密度会自然地出现在算子估计中。"
    },
    {
      "heading": "离散测度、连续测度与奇异测度",
      "text": "在配备计数测度 \\(c\\) 的可数集上，每个测度 \\(\\nu\\) 都关于 \\(c\\) 绝对连续。其导数就是\n\n\\[\\frac{d\\nu}{dc}(x)=\\nu(\\{x\\}).\\]\n\n对于概率测度，这就是它的概率质量函数。更一般地，若 \\(\\mu(\\{x\\})>0\\)，则该原子处的导数为比值 \\(\\nu(\\{x\\})/\\mu(\\{x\\})\\)。因此，该定理也涵盖离散概率，而不必将求和与积分视为本质上不同的运算。\n\n在 \\(\\mathbb R^n\\) 上，以勒贝格测度作为参考测度，就得到熟悉的密度表示。例如，\\(\\mathbb R\\) 上的标准正态分布具有导数\n\n\\[\\frac{dP}{dx}(x)=\\frac{1}{\\sqrt{2\\pi}}e^{-x^2/2}.\\]\n\n因此，概率密度函数是一种特殊的拉东–尼科迪姆导数。参考测度对于理解密度的含义至关重要：一个关于长度测度没有密度的分布，关于含有适当原子的测度却可能具有密度。\n\n与绝对连续性相对的是奇异性。如果存在可测集 \\(N\\)，使得 \\(\\mu(N)=0\\) 且 \\(\\nu(X\\setminus N)=0\\)，则称两个正测度互相奇异，记作 \\(\\nu\\perp\\mu\\)。奇异测度将其全部质量集中在另一个测度视为零测集的集合上。勒贝格分解定理指出，对于正的 σ 有限测度，\n\n\\[\\nu=\\nu_{\\mathrm{ac}}+\\nu_{\\mathrm{s}}, \\qquad \\nu_{\\mathrm{ac}}\\ll\\mu, \\qquad \\nu_{\\mathrm{s}}\\perp\\mu,\\]\n\n且这两个分量都唯一确定。拉东–尼科迪姆定理所表示的恰好是其中的绝对连续分量：\n\n\\[\\nu(A)=\\int_A f\\,d\\mu+\\nu_{\\mathrm{s}}(A).\\]\n\n例如，令 \\(\\delta_0\\) 为集中在 \\(0\\) 处的单位质量，令 \\(\\lambda\\) 表示勒贝格测度，并令 \\(P\\) 为如下概率测度：\n\n\\[P(A)=\\frac13\\delta_0(A)+\\frac23\\lambda(A\\cap[0,1]).\\]\n\n关于 \\(\\lambda\\)，第二项具有密度 \\(\\frac23\\mathbf1_{[0,1]}\\)，而第一项则是奇异的。不存在一个勒贝格密度能够表示整个 \\(P\\)。但若改以 \\(\\rho=\\lambda+\\delta_0\\) 为参考测度，整个测度就具有导数：其一个版本在 \\(0\\) 处等于 \\(1/3\\)，在 \\((0,1]\\) 上等于 \\(2/3\\)，在其他地方等于零。\n\n奇异性并不一定涉及原子。康托尔概率测度支撑于康托尔集上，该集合的勒贝格测度为零，但每个单点集的概率也都为零。因此，它是奇异连续的。这个例子区分了初等论述中经常混淆的三个概念：无原子、具有连续的分布函数，以及具有勒贝格密度。只有最后一个概念等价于概率测度关于勒贝格测度绝对连续。"
    },
    {
      "heading": "利用希尔伯特空间表示定理的证明",
      "text": "对于有限测度，可以利用希尔伯特空间的几何结构给出一个简洁的证明。设 \\(\\mu\\) 和 \\(\\nu\\) 是有限正测度，且 \\(\\nu\\ll\\mu\\)，令\n\n\\[\\rho=\\mu+\\nu.\\]\n\n在实空间 \\(L^2(\\rho)\\) 上定义线性泛函\n\n\\[T(h)=\\int_X h\\,d\\nu.\\]\n\n由于 \\(\\nu\\leq\\rho\\)，由柯西—施瓦茨不等式可得\n\n\\[|T(h)| \\leq \\nu(X)^{1/2} \\left(\\int_X|h|^2\\,d\\nu\\right)^{1/2} \\leq \\nu(X)^{1/2}\\|h\\|_{L^2(\\rho)}.\\]\n\n因此，\\(T\\) 是良定义的有界线性泛函。\n\n由希尔伯特空间上的里斯表示定理，存在函数 \\(g\\in L^2(\\rho)\\)，使得\n\n\\[T(h)=\\int_X hg\\,d\\rho \\qquad(h\\in L^2(\\rho)).\\]\n\n由于 \\(\\rho\\) 是有限测度，所有可测集的示性函数都属于 \\(L^2(\\rho)\\)。取 \\(h=\\mathbf1_A\\)，得到\n\n\\[\\nu(A)=\\int_A g\\,d\\rho.\\]\n\n由 \\(\\nu\\) 的非负性可知，\\(g\\geq0\\) 几乎处处成立；由 \\(\\nu\\leq\\rho\\) 可知，\\(g\\leq1\\) 几乎处处成立。从 \\(\\rho(A)=\\int_A1\\,d\\rho\\) 中减去上述等式，还可得到\n\n\\[\\mu(A)=\\int_A(1-g)\\,d\\rho.\\]\n\n剩下的问题是能否除以 \\(1-g\\)。令 \\(E=\\{g=1\\}\\)，由上式可得 \\(\\mu(E)=0\\)。再由绝对连续性可得 \\(\\nu(E)=0\\)，因而 \\(\\rho(E)=0\\)。所以\n\n\\[f=\\frac{g}{1-g}\\]\n\n在 \\(\\rho\\)-几乎处处都有定义且取有限值；它在 \\(E\\) 上的值可以任意指定。对已经确立的测度关系 \\(\\mu=(1-g)\\rho\\) 应用基本积分恒等式，得到\n\n\\[\\int_A f\\,d\\mu = \\int_A f(1-g)\\,d\\rho = \\int_A g\\,d\\rho = \\nu(A).\\]\n\n这样就证明了存在性，而无须预先假定相对于 \\(\\mu\\) 的密度存在。\n\n对于 σ-有限测度，分别取 \\(\\mu\\) 和 \\(\\nu\\) 的可数有限测度覆盖，将两个覆盖中的集合两两相交，再将所得覆盖不交化。这样便得到一个可测分割 \\(X=\\bigcup_n E_n\\)，两个测度在每个分块上都是有限的。在每个 \\(E_n\\) 上应用有限测度情形的定理，再将所得导数分段拼接起来。由可数可加性，这一表示便在每个可测集上成立。\n\n唯一性可以通过比较两个候选导数在其中一个大于另一个的集合上的积分来证明。在每个有限测度分块上，二者在所有可测子集上的积分都相等且有限。如果在一个具有正 \\(\\mu\\)-测度的子集上有 \\(f\\geq g+1/k\\)，那么二者在该子集上的积分就不可能相等。对所有正整数 \\(k\\) 取并集，再交换 \\(f\\) 与 \\(g\\) 的角色，即可证明二者几乎处处相等。"
    },
    {
      "heading": "与微分及函数绝对连续性的关系",
      "text": "在欧几里得空间中，“导数”一词有具体的局部解释，不过这一解释需要借助额外的定理。设 \\(\\nu\\) 是 \\(\\mathbb R^n\\) 上的局部有限博雷尔测度，且 \\(\\nu=f\\lambda\\)，其中 \\(\\lambda\\) 为勒贝格测度。由勒贝格微分定理可知，\n\n\\[f(x)=\\lim_{r\\downarrow0} \\frac{\\nu(B(x,r))}{\\lambda(B(x,r))}\\]\n\n对勒贝格几乎处处的 \\(x\\) 成立。事实上，这个比值就是 \\(f\\) 在球 \\(B(x,r)\\) 上的平均值。因此，在微分定理适用的情形下，抽象的导数就是小邻域内两个测度之比的极限。局部有限性保证了 \\(f\\) 局部可积。\n\n这一解释并非抽象的拉东–尼科迪姆定理的一部分。任意可测空间未必具有球或不断缩小的邻域，而密度的存在也无须通过逐点取极限来得到。即使在欧几里得空间中，通过测度之比恢复密度也取决于所选的微分基。球以及适当的立方体族具有所需的覆盖性质；任意选取的、不断缩小的可测集则未必能恢复局部可积函数。\n\n在区间上，该定理与函数的绝对连续性密切相关。若 \\(F:[a,b]\\to\\mathbb R\\) 单调不减且绝对连续，则其对应的勒贝格–斯蒂尔切斯测度关于长度测度绝对连续。因此，\n\n\\[F(x)-F(a)=\\int_a^x f(t)\\,dt,\\]\n\n而微分定理表明，\\(f\\) 几乎处处等于通常意义下的导数 \\(F'\\)。更一般地，实值函数 \\(F\\) 绝对连续，当且仅当它可以写成上述形式，其中 \\(f\\) 可积，但不必非负。\n\n这给出了微积分基本定理的测度论形式。绝对连续函数几乎处处存在导数，该导数可积，并且对其积分便可还原函数的增量。仅仅几乎处处可微并不足够。康托函数连续且单调不减，几乎处处的导数为零，却从 \\(0\\) 增长到 \\(1\\)。它的增长由奇异测度而非可积密度来刻画。\n\n坐标变换是另一个熟悉的体现。若 \\(Y=T(X)\\)，其中 \\(T:\\mathbb R^n\\to\\mathbb R^n\\) 是连续可微的微分同胚，且 \\(X\\) 的密度为 \\(p_X\\)，则\n\n\\[p_Y(y)=p_X(T^{-1}(y)) \\left|\\det DT^{-1}(y)\\right|.\\]\n\n雅可比矩阵的行列式给出了变换下参考体积的换算因子。所得表达式就是 \\(Y\\) 的分布关于新坐标下勒贝格测度的拉东–尼科迪姆导数。这既将该定理与经典的换元法联系起来，也说明了密度为何会随其参考体积的改变而改变。"
    },
    {
      "heading": "条件期望与概率测度变换",
      "text": "在概率空间 \\((\\Omega,\\mathcal F,P)\\) 上，设 \\(\\mathcal G\\subseteq\\mathcal F\\) 为一个子 σ 代数，\\(X\\) 为非负可积的随机变量。在 \\(\\mathcal G\\) 上定义有限测度\n\n\\[\\nu(A)=\\int_A X\\,dP, \\qquad A\\in\\mathcal G.\\]\n\n它关于限制测度 \\(P|_{\\mathcal G}\\) 绝对连续。因此，拉东–尼科迪姆定理保证存在一个 \\(\\mathcal G\\) 可测函数 \\(Y\\)，使得\n\n\\[\\int_A Y\\,dP=\\int_A X\\,dP \\qquad(A\\in\\mathcal G).\\]\n\n这正是条件期望 \\(E_P[X\\mid\\mathcal G]\\) 的定义性质。对于一般的可积实值随机变量，可以将其分解为正部与负部分别处理。\n\n这一构造既说明了条件期望的存在性，也说明了其在几乎处处意义下的唯一性。它还避免了仅通过概率之比来定义条件概率的做法，因为当作为条件的事件概率为零时，这种比值便不再适用。对于事件 \\(B\\)，条件概率 \\(P(B\\mid\\mathcal G)\\) 就是 \\(\\mathbf1_B\\) 的条件期望。这一构造为每个单独的事件给出一个版本；若要得到一个对所有 \\(B\\) 同时满足测度性质的概率核，则需要额外的正则性条件，常见表述中采用的条件包括标准博雷尔结构。\n\n对于满足 \\(Q\\ll P\\) 的两个概率测度，密度\n\n\\[Z=\\frac{dQ}{dP}\\]\n\n满足 \\(Z\\geq0\\) 和 \\(E_P[Z]=1\\)。反过来，每个满足这些条件的随机变量都可以通过 \\(Q(A)=E_P[Z\\mathbf1_A]\\) 定义一个概率测度。只要有关量有定义，期望就按下式变换：\n\n\\[E_Q[X]=E_P[ZX]\\]\n\n因此，变换概率测度是对各种结果重新赋予权重，而不是改变模型中可用的可测事件。\n\n条件期望也有相应的变换公式。对于关于 \\(Q\\) 可积的 \\(X\\)，在分母为正的集合上，有\n\n\\[E_Q[X\\mid\\mathcal G] = \\frac{E_P[ZX\\mid\\mathcal G]} {E_P[Z\\mid\\mathcal G]}\\]\n\n该集合的补集是 \\(Q\\) 零测集，因此可以在补集上为这个商赋予任意适当的值。由于 \\(E_P[Z|X|]=E_Q[|X|]\\)，分子中取条件期望的随机变量关于 \\(P\\) 可积。这一恒等式是抽象的条件测度变换公式，涵盖了许多常见的重新加权恒等式。\n\n若 \\((\\mathcal F_t)\\) 是一个滤过，则\n\n\\[Z_t=E_P[Z\\mid\\mathcal F_t]\\]\n\n是 \\(Q|_{\\mathcal F_t}\\) 关于 \\(P|_{\\mathcal F_t}\\) 的拉东–尼科迪姆导数。由条件期望的塔式性质，\\((Z_t)\\) 是非负鞅。这类密度过程在随机分析的测度变换中起着核心作用。特别地，吉尔萨诺夫定理给出了相应条件，使指数密度过程能够改变维纳过程的漂移，同时使其在新测度下保有适当的布朗运动结构。"
    },
    {
      "heading": "似然比、统计推断与信息",
      "text": "如果统计模型中的概率测度 \\(\\{P_\\theta\\}\\) 都关于同一个 σ 有限测度 \\(\\mu\\) 绝对连续，就称该模型是受控的。密度\n\n\\[p_\\theta=\\frac{dP_\\theta}{d\\mu}\\]\n\n给出了观测值 \\(x\\) 对应的似然函数 \\(\\theta\\mapsto p_\\theta(x)\\)。这一框架统一处理了离散模型、连续模型以及许多混合模型。控制测度本身不必是概率测度，也不必是勒贝格测度。\n\n对于两个简单假设 \\(P_0\\) 和 \\(P_1\\)，测度 \\(\\mu=P_0+P_1\\) 总能同时控制二者。它们的密度 \\(p_0,p_1\\) 定义了似然比 \\(p_1/p_0\\)，在 \\(p_0=0<p_1\\) 处取无穷大。如果 \\(P_1\\ll P_0\\)，则除去相应的零测集后，这个比值就是 \\(dP_1/dP_0\\)。奈曼–皮尔逊引理通过对似然比设定阈值，刻画了给定检验大小下的最强检验；必要时，还需在等于阈值的集合上进行随机化。这种测度论表述能够处理支撑集的差异，而直接对通常意义下的密度作比，可能会掩盖这些差异。\n\n在贝叶斯推断中，贝叶斯公式同样是关于密度的陈述。设模型的抽样密度为 \\(p(x\\mid\\theta)\\)，先验概率测度为 \\(\\Pi\\)。当归一化积分为正且有限时，后验测度的导数为\n\n\\[\\frac{d\\Pi(\\,\\cdot\\mid x)}{d\\Pi}(\\theta) = \\frac{p(x\\mid\\theta)} {\\int p(x\\mid\\vartheta)\\,\\Pi(d\\vartheta)}.\\]\n\n这里的参考测度是先验测度本身，不一定是参数空间上的长度测度。因此，该公式涵盖了离散先验、连续先验以及含有混合成分的先验。在满足常规条件的概率论表述中，这一后验恒等式对边缘分布下几乎处处的观测值成立。\n\n拉东–尼科迪姆导数还可以在不选取坐标的情况下表达信息散度。如果 \\(P\\ll Q\\)，则KL散度为\n\n\\[D_{\\mathrm{KL}}(P\\|Q) = \\int \\log\\left(\\frac{dP}{dQ}\\right)dP = \\int f\\log f\\,dQ, \\qquad f=\\frac{dP}{dQ},\\]\n\n其中约定 \\(0\\log0=0\\)。它的值可能为 \\(+\\infty\\)；如果 \\(P\\not\\ll Q\\)，则将其定义为 \\(+\\infty\\)。对数密度比衡量两个测度所赋予的概率之间的差异，其期望就是散度。\n\n在重要性采样中，同一个导数作为模拟权重出现：\n\n\\[E_P[h]=E_Q\\!\\left[h\\frac{dP}{dQ}\\right], \\qquad P\\ll Q.\\]\n\n对于从 \\(Q\\) 独立抽取的样本，对加权后的值取平均即可估计目标期望。绝对连续性保证了提议测度不会完全遗漏任何具有正目标概率的集合。但它并不保证估计量的方差有限：这还要求 \\(h^2(dP/dQ)^2\\) 关于 \\(Q\\) 可积。因此，密度的存在性与其大小的控制是两回事，这一区别在计算中十分重要。"
    },
    {
      "heading": "符号测度、泛函分析与向量值推广",
      "text": "该定理可推广到有限符号测度。若有限符号测度 \\(\\nu\\) 关于正的 σ 有限测度 \\(\\mu\\) 绝对连续，则存在实值可积函数 \\(f\\)，使得\n\n\\[\\nu(A)=\\int_A f\\,d\\mu\\]\n\n成立。分别对 \\(\\nu\\) 的正部和负部应用正测度情形的定理，即可证明这一结论。同样，有限复测度也具有复值可积导数。这些推广使我们不仅能表示正的质量，也能表示符号或相位可能变化的量。\n\n全变差测度刻画符号测度或复测度的大小。当 \\(d\\nu=f\\,d\\mu\\) 时，\n\n\\[d|\\nu|=|f|\\,d\\mu, \\qquad |\\nu|(X)=\\int_X|f|\\,d\\mu.\\]\n\n特别地，有限复测度关于其自身全变差测度的导数 \\(u\\) 满足：相对于 \\(|\\nu|\\)，几乎处处有 \\(|u|=1\\)；零测度的情形则无实质内容。这就给出了极分解表示 \\(d\\nu=u\\,d|\\nu|\\)，类似于将大小与符号或复相位分离。\n\n在泛函分析中，该定理是 L^p空间对偶性的基础。在 σ 有限测度空间上，当 \\(1\\leq p<\\infty\\) 时，\\(L^p(\\mu)\\) 上的每个有界线性泛函都可表示为\n\n\\[T(h)=\\int_X hg\\,d\\mu,\\]\n\n其中 \\(g\\in L^q(\\mu)\\)，且 \\(1/p+1/q=1\\)；当 \\(p=1\\) 时，取 \\(q=\\infty\\)。对于复数空间，根据所用约定，也可以在 \\(g\\) 上加共轭。一个标准的证明方法是：利用泛函在有限测度集的示性函数上的取值构造测度，求出该测度的拉东–尼科迪姆导数，再利用算子界建立所需的 \\(L^q\\) 估计。对于 \\(L^\\infty\\) 的整个对偶空间，相应的结论一般并不成立。\n\n向量值测度揭示了标量情形定理的一个实质性局限。如果每个具有有界变差、且关于有限正测度 \\(\\mu\\) 绝对连续的可数可加 \\(B\\) 值测度，都具有一个博赫纳可积的密度 \\(f:X\\to B\\)，则称巴拿赫空间 \\(B\\) 具有拉东–尼科迪姆性质。有限维空间和自反巴拿赫空间都具有这一性质，但并非所有巴拿赫空间都如此。\n\n例如，在 \\([0,1]\\) 上，向量测度\n\n\\[m(A)=\\mathbf1_A\\in L^1([0,1])\\]\n\n在范数意义下可数可加，其变差等于勒贝格测度，并且绝对连续，但它没有博赫纳可积的密度。若假设这样的密度存在，将其在 \\(A\\) 上积分，再用输出变量的区间示性函数进行检验，就会迫使几乎每个密度值都表现得像点质量，而不是一个 \\(L^1\\) 函数。因此，仅仅把实数替换为向量，并不能将标量情形的定理推广到任意无限维值域。"
    },
    {
      "heading": "历史发展与各项假设的作用",
      "text": "约翰·拉东在1913年的工作中，发展了欧几里得空间中的积分表示和测度论方法。奥顿·尼科迪姆于1930年作出的推广，确立了现代定理所采用的抽象测度空间形式。这一发展是测度概念从依附于几何集合转向定义在抽象σ-代数上的过程的一部分。在这一框架下，积分成为表示集函数的工具，不再依赖坐标或通常的微分运算。\n\n几种不同的证明思路体现了这一定理与分析学其他领域的联系。直接构造法构造出越来越大的可测函数，使其积分始终不超过目标测度，随后证明不可能存在非零的剩余测度。希尔伯特空间中的证明则先引入一个辅助的有限测度，再给出某个有界线性泛函的表示。分解法先分离出绝对连续部分和奇异部分，再确定密度。这些方法各自侧重于不同的结构，但都必须证明表示函数的存在性，以及它在相差零测集的意义下的唯一性。\n\nσ-有限性假设具有实质意义，并非仅仅是技术上的修饰。设 \\(\\mu\\) 是 \\([0,1]\\) 的博雷尔子集上的计数测度，\\(\\nu\\) 是其上的勒贝格测度。由于唯一的 \\(\\mu\\)-零测集是空集，因此 \\(\\nu\\ll\\mu\\)。然而，拉东–尼科迪姆导数并不存在。如果 \\(\\nu(A)=\\int_A f\\,d\\mu\\)，将这一等式应用于每个单点集，就会得到\n\n\\[f(x)=\\nu(\\{x\\})=0 \\qquad(x\\in[0,1]).\\]\n\n于是 \\(f\\) 处处为零，这与 \\(\\nu([0,1])=1\\) 矛盾。这个不可数空间上的计数测度不是σ-有限的，因此该例并不与定理的标准形式相矛盾。\n\n对目标测度所作的有限性假设也会影响导数的性质。若一个测度定义为：当 \\(\\mu(A)=0\\) 时，\\(\\nu(A)=0\\)；否则，\\(\\nu(A)=+\\infty\\)，那么它关于 \\(\\mu\\) 绝对连续，但当 \\(\\mu\\) 非零时，其密度是几乎处处取值为 \\(+\\infty\\) 的广义实值函数。因此，对于不加限制的目标测度，不能直接保留密度几乎处处有限这一结论。更一般的表示定理以可局部化性等条件取代σ-有限性，但这些条件也各自需要精确表述。\n\n最后，这一定理既不保证光滑性，也不提供可计算的逐点公式。密度可能处处不连续、无界，也可能仅由存在性论证确定。它在单个点上的取值未必唯一，而且在无原子空间中，概率密度并不是单点集的概率。将抽象密度用于统计模型时，这些区别尤为重要：此时，对密度版本的额外选择、正则性假设或支配测度的选取，都包含了定理本身并未提供的信息。"
    }
  ],
  "links": [
    "measure-theory",
    "measurable-space",
    "sigma-algebra",
    "null-set",
    "measurable-function",
    "almost-everywhere",
    "lebesgue-integral",
    "equivalence-class",
    "indicator-function",
    "chain-rule",
    "probability-mass-function",
    "lebesgue-measure",
    "normal-distribution",
    "probability-density-function",
    "cantor-set",
    "hilbert-space",
    "linear-functional",
    "cauchy-schwarz-inequality",
    "absolute-continuity",
    "derivative",
    "fundamental-theorem-of-calculus",
    "jacobian-matrix",
    "probability-space",
    "random-variable",
    "conditional-expectation",
    "filtration-probability",
    "martingale",
    "likelihood-function",
    "bayesian-inference",
    "kullback-leibler-divergence",
    "importance-sampling",
    "total-variation",
    "functional-analysis",
    "lp-space",
    "banach-space"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}