9.2 Kolmogorov機率公理1933#

本章導言#

1933 年，30 歲的蘇聯數學家 Andrey Kolmogorov（1903–1987）出版德文小冊子《Grundbegriffe der Wahrscheinlichkeitsrechnung》（機率論基礎），不到 70 頁，徹底改寫了一門學科：機率 = 總測度為 \(1\) 的測度；隨機變數 = 可測函數；期望 = 積分。這三個「翻譯」使兩百年積累的測度論一夜之間成為機率論的地基。但 Kolmogorov 的真正天才不止於翻譯：他解決了無窮次獨立試驗的構造問題（Kolmogorov 延拓定理），證明了強大數定律，並為條件期望（9.3）奠定基礎。本節走完這條路。

歷史：公理化之前的一團亂麻#

機率論的基礎問題在 1900–1930 年間非常尖銳：

von Mises 的失敗值得深思：他試圖把機率定義為「無窮序列中極限頻率 + 隨機性（place selection 不變性）」，直覺上忠於頻率學派，但「隨機性」的數學定義始終做不嚴格（後來由 Martin-Löf 1966 用可計算性理論完成，已非主流框架）。Kolmogorov 的勝利恰恰在於放棄了為「隨機」下定義：機率是測度，是數學對象；「隨機性」是應用層面的詮釋問題。這個「數學模型 vs. 物理詮釋」的分離，與幾何學中 Hilbert 對歐氏幾何公理化的處理一脈相承。

公理與模型#

定義 9.2.1（Kolmogorov 公理）：機率空間 \((\Omega, \mathcal{F}, \mathbb{P})\) ：

1. \(\Omega\) 是樣本空間， \(\mathcal{F}\) 是其上的 σ-代數（事件族）；
2. \(\mathbb{P}: \mathcal{F} \to [0, 1]\) ， \(\mathbb{P}(\Omega) = 1\) ；
3. 可數可加：不交事件序列 \(\mathbb{P}(\bigcup A_n) = \sum \mathbb{P}(A_n)\) 。

翻譯表（本節最重要的內容）：

前八章的每個定理瞬間獲得機率版：MCT = 單調期望的交換、DCT = 控制收斂、Fubini = 聯合分佈的交換、R–N = 密度的存在（8.3）。

無窮次獨立試驗：Kolmogorov 延拓定理#

公理化的真正考驗：如何構造「無窮次擲硬幣」的數學模型？ 有限次試驗的模型是 \(2^n\) 個樣本點；無窮次的樣本空間是 \(\Omega = \{0,1\}^{\mathbb{N}}\) ——不可數，且「無窮次正面」這類事件需要極限。

定理 9.2.2（Kolmogorov 延拓定理, 1933）：給定相容的有限維分佈（ \(\mathbb{R}^n\) 上的 Borel 機率測度 \(\mu_n\) ，滿足 \(\mu_{n+1}(A \times \mathbb{R}) = \mu_n(A)\) 型投影相容性），存在唯一的機率測度 \(\mu\) 於 \(\mathbb{R}^{\mathbb{N}}\) （配乘積 σ-代數）使每個 \(\mu_n\) 是其投影。

證明思想：在柱集（只依賴有限個座標的集合 \(\{\omega : (\omega_1, \dots, \omega_n) \in A\}\) ）上定義 \(\mu = \mu_n(A)\) ；相容性保證良定；驗證有限可加性，再用緊性論證（ \(\{0,1\}^n\) 有限故 \(\mathbb{R}^n\) 中的閉方塊緊，區間覆蓋的有限子覆蓋性質）證明可數可加性（相容性 + 緊性 ⟹ 下連續性）——這是 Riesz 表示定理的緊性思想（9.1）在乘積情形的翻版。最後 Carathéodory 延拓（9.1 定理 9.1.2）。 \(\blacksquare\)

例題 9.2.1（無窮擲幣）：在 \(\Omega = \{0,1\}^\mathbb{N}\) 上構造 \(\mathbb{P}\) 使座標獨立且 \(\mathbb{P}(\omega_n = 1) = p\) 。證明事件「頻率收斂到 \(p\) 」的機率為 \(1\) 。

解：由延拓定理（ \(\mu_n\) = \(n\) 次獨立 Bernoulli 的乘積測度，顯然相容），得 \(\mathbb{P}\) 。頻率 \(S_n(\omega) = \frac{1}{n}\sum_{k \le n} \omega_k\) 是可測函數（有限和的極限，4.3 封閉性）。強大數定律（下）給

建模的深意：樣本點 \(\omega\) 是一條完整的無窮序列；「擲硬幣一次」= 座標投影；Bernoulli 大數定律從「定理」升級為「模型的內在性質」。Laplace 時代想都不敢想的無窮序列問題，如今是一行測度論構造。

收斂方式的等級表#

公理化後，「隨機變數列的收斂」有四種主要方式，強弱關係值得固定：

定理 9.2.5（Riesz 子列引理）： \(X_n \to X\) 依機率 ⟹ 存在子列 a.s. 收斂。

證明思想：取 \(\mathbb{P}(|X_{n_k} - X| > 2^{-k}) < 2^{-k}\) （依機率收斂的定義逐次選 \(n_k\) ），Borel–Cantelli 第一引理給「僅有限多次超過 \(2^{-k}\) 」a.s.，即 a.s. 收斂。 \(\blacksquare\)

注意與 6.2 的平行：這是 Riesz–Fischer 證明「快收斂子列」步驟的機率版——實變與機率的方法論在此完全互通。反向關係皆不成立（5.2 的尖峰反例同時是 \(L^1\) 不收斂但依機率收斂的例子；9.2 例題 9.2.2 是依機率不 a.s. 的例子）。強大數定律談 a.s.、弱大數定律談依機率、中心極限定理談依分佈——三個大定理各居一層，收斂等級表是讀懂它們關係的鑰匙。

Borel–Cantelli 與強大數定律#

定理 9.2.3（Borel–Cantelli 引理, 1909/1917）：事件列 \(\{A_n\}\) 。

• 第一引理： \(\sum \mathbb{P}(A_n) < \infty \implies \mathbb{P}(A_n \text{ i.o.}) = 0\) （無窮多次發生的機率為零）。
• 第二引理（需獨立）： \(\sum \mathbb{P}(A_n) = \infty \implies \mathbb{P}(A_n \text{ i.o.}) = 1\) 。

證明：第一引理用上連續性： \(\mathbb{P}(\bigcap_{m}\bigcup_{n \ge m} A_n) \le \mathbb{P}(\bigcup_{n \ge m} A_n) \le \sum_{n \ge m} \mathbb{P}(A_n) \to 0\) 。第二引理用獨立性與 \(1 - x \le e^{-x}\) ： \(\mathbb{P}(\bigcap_{n \ge m} A_n^c) = \prod_{n \ge m}(1 - p_n) \le \prod e^{-p_n} = e^{-\sum p_n} = 0\) 。 \(\blacksquare\)

定理 9.2.4（Kolmogorov 強大數定律, 1933）： \(\{X_n\}\) 獨立、 \(\mathbb{E}[X_n] = 0\) 、 \(\sum \frac{\text{Var}(X_n)}{n^2} < \infty\) ，則 \(\frac{S_n}{n} \to 0\) a.s.。

證明思想：Borel–Cantelli 截斷法——把「 \(S_n/n \to 0\) 除非有限多個例外」化為「對每個 \(k\) ，最終 \(|S_n/n| \le 1/k\) 」，後者用 Chebyshev + Borel–Cantelli 控制尾事件的機率，尾和估計依賴 \(\sum \text{Var}(X_n)/n^2\) 。 \(\blacksquare\)

Borel 1909 年的原始證明（等概率情形）有漏洞，Cantelli、Kolmogorov 逐步補嚴——強大數定律是測度論工具箱（上連續性、獨立性、Chebyshev、Borel–Cantelli）的第一次全面實戰，也直接驗證了公理化的價值：舊理論連陳述都做不清楚的定理，新框架下有完整證明。

例題#

例題 9.2.2：證明「幾乎必然收斂」不等價於「依機率收斂」，並指出何者蘊含何者。

解：a.s. ⟹ 依機率： \(\mathbb{P}(|X_n - X| > \varepsilon) \le \mathbb{P}(\bigcup_{m \ge n} \{|X_m - X| > \varepsilon\}) \downarrow \mathbb{P}(N) = 0\) ，其中 \(N\) 是不收斂點集（a.s. 即 \(\mathbb{P}(N) = 0\) ）。反例（依機率 ⇏ a.s.）：在 \([0,1]\) 上取 \(X_n = \chi_{I_n}\) ， \(I_n\) 是滑動區間（ \([0,1], [0,\frac12], [\frac12,1], [0,\frac13], \dots\) ），則每個 \(x\) 屬於無窮多個 \(I_n\) （ \(\limsup I_n = [0,1]\) ），故 \(X_n \not\to 0\) a.s.；但 \(\mathbb{P}(|X_n| > \varepsilon) = \ell(I_n) \to 0\) 。Borel–Cantelli 的 \(\sum\) 判準正是判定 a.s. 收斂的工具：本例 \(\sum \ell(I_n) = \infty\) ，第一引理不適用。

為何公理化成功了#

Kolmogorov 公理的成功因子，值得與 von Mises 的失敗對照：

1. 分離模型與詮釋：不回答「機率是什麼」，只規定「機率如何運算」。
2. 繼承整個分析學：200 年的積分、收斂、完備性理論免費入場。
3. 允許無窮構造：延拓定理使隨機過程（第 9 章之後的無窮維對象）可嚴格定義。
4. 條件期望的抽象化（9.3）：超越初等機率「以事件為條件」的框架。

隨後的發展勢不可擋：Lévy（1934–37）的穩定分佈與隨機過程、Wiener（1923 已用測度論構造布朗運動，早於公理化！）與 Kolmogorov 方程（1931）、Itô 積分（1944）、Malliavin 分析（1970s）——整座現代機率論大廈都蓋在 1933 年那本小冊子的地基上。

與其他章節的關聯#

• 承 9.1：機率空間就是 \(\mu(X) = 1\) 的測度空間；延拓定理 = Carathéodory + 緊性。
• 承 4–8 章：翻譯表中的每項對應都是前章定理的直接複用。
• 啟 9.3：條件期望是公理化框架中最深的抽象，R–N 定理是其存在性的依據。
• 調和分析：隨機傅立葉級數（Random Fourier series）、Wiener 測度在函數空間上的構造（Wiener 1923 是「函數空間上的測度」的發明）。
• 數理統計：概似函數、假設檢驗的嚴格理論（Neyman–Pearson 1933，同年！）以密度（R–N 導數）為語言。

本節要點#

1. 機率 = 總測度 \(1\) 的測度；翻譯表使全部分析學工具免費入場。
2. Kolmogorov 延拓定理：相容有限維分佈 ⟹ 唯一無窮維過程；緊性是可數可加性的關鍵。
3. 無窮擲幣模型：大數定律成為模型的內在性質。
4. Borel–Cantelli 引理是 a.s. 收斂與尾部事件的基本判準。
5. 公理化的成功策略：分離數學與詮釋，繼承既有理論。