1.1 概率空间与测度：给不确定性划定边界

1.1 概率空间与测度：给不确定性划定边界

本节摘要：概率空间由样本空间、事件域与概率测度三件套构成，它回答"概率值定义在哪些对象上"这个根本问题。本节解释三件套各自的分工、事件域为什么必须是 σ-代数、概率公理为何这样设，并说明这套框架在随机过程研究中扮演的地基角色。

为什么掷骰子这件事也要写成三元组？直接说"每个面六分之一"不行吗？单个骰子确实可以，可一旦问题变成"连掷无数次骰子时正面出现的比例是否收敛"或者"股价路径是否触碰某条警戒线"，我们面对的对象就从"一个事件的概率"变成了"无穷多个事件的联合行为"。这时候必须先说清楚：概率这个函数，它的定义域到底装了哪些东西，不然"无穷"会把含糊性放大成悖论。概率空间就是给概率函数圈定的合法地盘。

一、三件套各自的分工

样本空间 Ω 收纳所有可能的基本结果。掷一枚骰子，Ω 取 1 到 6；观察一天内某客服中心收到的来电数，Ω 取非负整数；追踪一个布朗粒子在区间里的位置，Ω 取一段实数区间上的全体函数——注意最后这种情况，一个"样本点"本身就是一条完整的时间轨迹，这正是随机过程的舞台比初等概率论大的地方。

事件域 F（也记作 σ-代数）是 Ω 的一个子集族，规定了"哪些子集有资格谈概率"。它必须满足三条：包含全空间 Ω；对补运算封闭（一个集合有了概率，它的补集也得有）；对可数并封闭（可数个事件的并仍是事件）。初学者容易觉得这是学究气，其实它挡住的是真问题：当 Ω 不可数时（比如连续区间），如果允许所有子集都谈概率，利用选择公理可以构造出无法一致指派概率的病态集合，著名的 Vitali 集合就是例子——用平移不变性可以推出它的概率既是零又不是零。划定 F，就是宣布"我们只在可信的范围内做运算"。

概率测度 P 是定义在 F 上的函数，满足三条公理：非负性（P 不小于零）、规范性（全空间的概率为一）、可数可加性（互不相交的可数个事件，概率可以逐个相加）。可数可加性是整个体系的承重墙，后面所有极限定理——大数定律、中心极限定理——的证明都靠它，有限可加推不出它们。

图：概率空间的三层结构

二、σ-代数：不是所有子集都配谈概率

用一个具体场景体会事件域的筛选作用。设 Ω 是某城市一天的气温曲线（一个从零点到二十四点的连续函数），若我们只关心"当天最高温是否超过三十度"这类有限个问题，事件域可以只由这几个问题的"原子事件"生成——不必装下所有能想到的子集。生成的方式叫"由一族集合生成的 σ-代数"：把感兴趣的最小事件放进去，反复做补、并、交，直到封闭为止。

随机过程里最常见的 σ-代数是由过程自身生成的信息流：记 F_t 为"到时刻 t 为止，路径的行为能区分出来的所有事件"构成的 σ-代数。它随 t 增大而变大（信息只增不减），这族递增的 σ-代数叫滤流。第 4 章讲鞅时，"适应性"——即 X_t 的取值只依赖截至 t 的信息——就是用滤流语言写的。这里先把感受建立起来：σ-代数就是"信息量"的数学化身。

σ-代数的三条封闭规则对应三种合法的信息操作：知道 A 就知道"非 A"（补封闭）；能逐条列出的事件序列就能问"至少一件发生"（可数并封闭）。交与差都能从补和并推出来，所以不用单列。

⚠️ 常见误解：把事件域当成"全部子集"。在离散有限样本空间里两者恰好相等，于是很多人带着这个印象进入连续情形，遇到"不可测集"时就会困惑。记住：连续情形下"全部子集"恰恰是走不通的路，F 通常严格小于幂集。

三、从公理推出的三条常用性质

概率公理一共只有三条，但常用结论都能从这里推出来，推一遍胜过背十遍：

单调性：若 A 包含于 B，则 P(A) 不超过 P(B)。证明：写 B 为 A 与 B 减 A 的不交并，用可加性，再由非负性即得。

容斥公式：P(A 并 B) = P(A) + P(B) − P(A 交 B)。证明：把 A 并 B 拆成 A 与"B 减 A 交 B"两块不交区域，分别求概率再合并。

连续性：若事件序列单调递增趋于 A，则 P(A) 等于概率序列的极限。这是从有限走向无穷的桥，博雷尔－坎泰利引理、博雷尔强大数定律的证明都要踩过这座桥。

动手验证一次：设某系统由两个独立部件串联而成，部件失效率分别为 0.1 与 0.2（指一段时间内的失效概率）。系统失效事件是"至少一个部件失效"。用容斥公式：P = 0.1 + 0.2 − 0.1×0.2 = 0.28。若改为并联（两个都能独立支撑系统），失效需要两个同时失效：P = 0.1×0.2 = 0.02。这两行算术就是"冗余设计降低风险"的定量版本。

四、为什么随机过程必须站在测度论上

初等概率论的样本空间往往有限或可数，"给每个点指派概率"就够用。随机过程的样本空间是不可数的函数空间——一条连续时间的路径有无穷多个时刻，每个时刻的取值都要指定。此时"给点指派概率"的思路彻底失效（单个路径的概率通常是零，有意义的是路径集合的概率），必须换成测度论的思路：指定路径集合的测度。

Kolmogorov 在二十世纪三十年代完成的公理化，本质就是这一次地基改造：把概率定义为满足三条公理的测度，把随机变量定义为可测函数，把期望定义为对测度的积分。从此"无穷多个随机变量的联合行为"有了严格的讨论场地，随机过程作为一门学科才站稳了脚跟。本教程后续章节不再深挖测度论细节，但每次遇到"几乎必然""可测""适应"这类词，你应当意识到它们都是这座地基上的构件。

用代码感受"事件与概率的分离"

下面用数值实验验证容斥公式在大样本下的表现，同时体验"事件 = 样本的子集"这一操作化理解：

import numpy as np

rng = np.random.default_rng(42)
n = 200_000

# 模拟两个独立部件：1 表示一段时间内失效
A = rng.random(n) < 0.10   # 部件一失效事件
B = rng.random(n) < 0.20   # 部件二失效事件

union = A | B                       # 至少一个失效（事件 = 布尔掩码）
p_emp = union.mean()                # 用频率估计概率
p_theory = 0.10 + 0.20 - 0.10*0.20  # 容斥公式

print(f"模拟频率 P(A并B) = {p_emp:.4f}")
print(f"容斥公式理论值   = {p_theory:.4f}")
# 典型输出：模拟频率 P(A并B) = 0.2801 ；理论值 = 0.2800
# 频率围绕理论值小幅波动，样本越大波动越小——这正是大数定律的日常形态
​

延伸问答：三个高频疑问

问：事件域为什么不干脆取"全体子集"，省得讨论？ 答：离散有限空间里可以，全体子集就是合法的 σ-代数。但连续空间里全体子集大得惊人，允许对每个子集指派概率后，可数可加性与平移不变性等自然要求会互相矛盾，Vitali 集合就是矛盾体。取生成的 σ-代数是主动收缩战场，保住一致性。

问：概率为零的事件"不可能发生"吗？ 答：不是。在连续分布里任何单点的概率都是零，但抽样总会落在某一个点上——零概率事件天天发生。正确说法是"几乎必然"：概率为一地发生。随机过程的许多定理（路径连续、大数定律）都是几乎必然式的陈述，读定理时看清这个限定词。

问：测度论的这套框架对编程实现有什么用？ 答：直接的用处是把"事件"落实为样本集合上的判定函数——本节代码里用布尔掩码表示事件、用均值估计概率，正是公理体系的操作化版本。抽象框架保证这些操作在无穷维推广时不自相矛盾，比如第 4 章在路径空间上谈"路径连续"这一事件，仍是同一套语法。

本节要点回顾

• 概率空间三元组：样本空间装结果，事件域划资格，概率测度给数值；三者缺一不可。
• σ-代数三条封闭规则：含全集、补封闭、可数并封闭；它是"信息边界"的数学化身。
• 可数可加性是承重墙：极限定理全靠它，有限可加性推不出来。
• 连续情形下事件域严格小于幂集：这是规避病态集合的主动设计，不是技术缺陷。
• 滤流 = 随时间递增的 σ-代数族：随机过程里"信息"的标准载体，第 4 章鞅论的核心道具。
• 公理要会自己推性质：单调性、容斥、连续性都从三条公理直接得出。

下一节把镜头从事件移到随机变量：期望与方差的计算有哪些固定套路、哪些隐蔽的坑。