参考书籍:An Introduction to Stochastic Differential Equations Version 1.2 by Lawrence C. Evans. link
本章快速回顾概率测度的理论基础。
基本定义
定义(-代数):设 为一个集合, 为 的一些子集的集合,满足:
- 若 ,则
- 若 ,则
称 为 上的一个 -代数。
由定义可知, 对取余、可数并和可数交封闭。
定义(概率测度):设 是集合 上的 -代数,若映射 满足:
- 若 ,则
- 若 且互不相交,则
则称 为 上的一个概率测度。
容易验证,设 ,若 ,则 .
定义(概率空间):上述定义的三元组 称作概率空间。
术语:称 为一个事件, 为一个样本点, 为事件 的概率。
定义(几乎一定):若某命题在除了测度为零的事件以外都成立,则称其几乎一定成立,记作 “”.
定义(Borel -代数):包含 中所有开子集的最小的 -代数称作 Borel -代数,记作 .
我们可以直观上认为 的元素都是 中“好”的子集。
定义(随机变量):设 为一个概率空间,设有映射 ,若对任意 ,都有: 则称 为 维随机变量,且是 -可测的。
记号:依惯例一般直接写 而非 ;另外,将 记作 . 通常用大写字母表示随机变量,粗体表示映射是向量值映射。
引理:设 是随机变量,那么: 是一个 -代数,称作 生成的 -代数。
可以认为 包含了“有关 的全部信息”。
定义(随机过程):随机变量集合 称作一个随机过程。
定义(样本路径):对任一 ,映射 称作对应的样本路径。
直观上,如果我们进行一次实验,观察 的取值,我们就得到了对应某一固定样本 的一条样本路径。如果进行多次实验,就能观察到多条样本路径。反过来,固定时间步 ,那么多次实验在 时刻的取值就是随机变量 的若干取值。

期望与方差
基于测度的积分:设 是一个测度空间, 是一个实值随机变量,定义 的积分为:
若 是形如 的简单随机变量:
若 是一个非负随机变量:
若 是一个随机变量,设 ,则 ,因此定义:
进一步地,设 是一个向量值随机变量,,则: 定义(期望):随机变量 的期望定义为: 定义(方差):随机变量 的方差定义为: 其中 表示欧式范数。
定理(Chebyshev 不等式):设 是一随机变量,,则: 证: 证毕。
分布函数
设 为一个概率空间, 为一个随机变量。
记号:设 ,,则记 表示 .
定义(分布函数):随机变量 的分布函数 定义为: 定义(联合分布):设 是随机变量,它们的联合分布函数 定义为: 定义(密度函数):设 是一个随机变量, 是其分布函数。若存在非负可积函数 使得: 则称 为 的密度函数。可以证明: 引理:设 是一个随机变量,密度函数为 . 设 , 可积,则: