现代概率论

现代概率论 (Modern Probability Theory)

现代概率论，又称公理化概率论或测度论概率论，是由柯尔莫哥洛夫（Andrey Kolmogorov）于1933年在《概率论基础》（Grundbegriffe der Wahrscheinlichkeitsrechnung）中奠定数学基础的概率理论体系。其核心贡献在于将概率论从依赖直观频率或主观信念的古典框架中解放出来，建立在一组严格的公理之上，使其成为测度论的一个分支。

公理化体系

现代概率论的出发点是概率空间 $(\Omega, \mathcal{F}, \mathbb{P})$，其中 $\Omega$ 为样本空间（所有可能结果的集合），$\mathcal{F} \subseteq 2^{\Omega}$ 为 $\Omega$ 上的 $\sigma$-代数（事件域），满足可数并运算封闭，$\mathbb{P}: \mathcal{F} \to [0, 1]$ 为概率测度。概率测度满足三条公理：（1）非负性：$\forall A \in \mathcal{F}, \mathbb{P}(A) \geq 0$；（2）规范性：$\mathbb{P}(\Omega) = 1$；（3）可数可加性：对任意两两不交的事件列 $\{A_n\}_{n=1}^{\infty}$，有 $\mathbb{P}(\bigcup_{n=1}^{\infty} A_n) = \sum_{n=1}^{\infty} \mathbb{P}(A_n)$。

随机变量与期望

在此框架下，随机变量定义为可测函数 $X: \Omega \to \mathbb{R}$，即对任意 Borel 集 $B \in \mathcal{B}(\mathbb{R})$，有 $X^{-1}(B) \in \mathcal{F}$。随机变量的分布由其诱导的推前测度 $\mu_X(B) = \mathbb{P}(X^{-1}(B))$ 完全刻画。期望定义为 Lebesgue 积分 $\mathbb{E}[X] = \int_{\Omega} X \, d\mathbb{P}$，统一处理离散型与连续型随机变量的期望运算。

收敛概念

现代概率论引入了多种随机收敛模式：几乎必然收敛（以概率 1 收敛）、依概率收敛、$L^p$ 收敛及依分布收敛（弱收敛）。这些收敛概念之间的关系由一系列蕴涵定理刻画：几乎必然收敛或 $L^p$ 收敛均蕴含依概率收敛，依概率收敛蕴含依分布收敛。大数定律与中心极限定理在此框架下获得了精确的数学表述与严格证明。

条件期望

条件期望 $\mathbb{E}[X \mid \mathcal{G}]$ 被定义为关于子 $\sigma$-代数 $\mathcal{G}$ 的 Radon–Nikodym 导数，是唯一（几乎必然）满足 $\int_G \mathbb{E}[X \mid \mathcal{G}] \, d\mathbb{P} = \int_G X \, d\mathbb{P}$ 对所有 $G \in \mathcal{G}$ 成立的 $\mathcal{G}$-可测随机变量。这一定义将初等概率论中仅限于离散情形的条件概率推广至任意概率空间，成为鞅论与随机过程理论的基石。

影响与延伸

柯尔莫哥洛夫的公理化体系使概率论与实分析、泛函分析深度融合，催生了随机过程、随机微积分、伊藤积分等现代数学分支，并广泛渗透至数理统计、金融数学、统计物理及机器学习等应用领域。