1 基本概念
σ-代数是由集合组成的集合族，用来规定哪些子集可以在同一套规则下讨论。它的核心作用在于控制“可操作的集合范围”，使补集、可数并等运算不会把对象带出体系之外。在测度论与概率论中，这种封闭性保证了对无限过程的处理仍然具有一致性。
1.1 定义
1.1.1 集合族与封闭性
设给定一个非空集合 Ω，若其若干子集组成的集合族记为 𝔽，则 𝔽 是否为 σ-代数，取决于它是否满足特定封闭条件。通常要求 𝔽 中的元素能够在补集、可数并等运算下保持不变，从而形成稳定的结构。
1.1.2 补集封闭
若 A 属于 𝔽，则相对于全集 Ω 的补集 Ω \ A 也必须属于 𝔽。这个条件保证了“事件不发生”同样可以被纳入同一讨论框架，是 σ-代数最基本的性质之一。
1.1.3 可数并封闭
若 A1, A2, A3, … 都属于 𝔽，则它们的并集 ⋃n=1∞ An 也应属于 𝔽。由于并集允许无限多个集合参与运算，这一要求比有限并更强，也正是 σ-代数区别于许多较弱集合结构的关键所在。
1.2 与代数、集合环的区别
1.2.1 与布尔代数的关系
σ-代数与布尔代数在形式上有紧密联系，二者都强调补集、并、交等运算的封闭性。区别在于 σ-代数进一步要求对可数并封闭，因此更适合处理分析学中的极限过程。
1.2.2 与有限封闭结构的差异
集合环或集合代数通常只要求对有限并、有限交和差集封闭。与之相比，σ-代数引入“可数”层面的稳定性，使其在构造测度、讨论极限集合和随机事件序列时更为自然。
1.3 典型例子
1.3.1 平凡σ-代数
在任意非空集合 Ω 上，{∅, Ω} 构成最简单的 σ-代数，称为平凡σ-代数。它虽然信息量极少，但完全符合封闭性要求，常作为理论中的基础例子。
1.3.2 幂集σ-代数
Ω 的幂集 P(Ω) 包含 Ω 的全部子集，因此自动满足所有补集与可数并的封闭条件。它是最大意义上的 σ-代数，适用于有限集合或需要对所有子集都赋予讨论空间的情形。
1.3.3 由区间生成的σ-代数
在实数轴上，可以从开区间、半开区间或闭区间出发，经过“取补、取可数并、取可数交”等操作生成相应的 σ-代数。此类例子在实分析中非常重要，尤其与 Borel 集的构造密切相关。
2 生成σ-代数
σ-代数往往不是直接给定全部成员，而是由一组初始集合经封闭运算后生成。生成过程的意义在于：从少量“原始信息”出发，构造出满足需求的最小可测结构。
2.1 生成族的概念
2.1.1 最小σ-代数
包含给定集合族 𝒞 的所有 σ-代数中，若存在交集意义下最小者，则称其为由 𝒞 生成的最小 σ-代数，记作 σ(𝒞)。它表示在不额外引入信息的前提下，所能得到的全部可测集合。
2.1.2 生成系统
生成系统指能够通过封闭运算产生目标 σ-代数的一组集合。它不一定本身具备封闭性，但足以作为构造起点，因此在理论上具有“简化描述”的作用。
2.2 生成方法
2.2.1 由集合族生成
最常见的方法是从若干基本集合开始，反复施加补集、可数并等操作，直到得到稳定结构。许多经典 σ-代数都可由区间、矩形或开集族生成。
2.2.2 由单调类生成
在某些证明中，会先考虑单调类，再借助单调类定理推导出其生成的 σ-代数。此方法常用于处理集合系统的极限闭包问题，尤其适合证明包含关系或唯一性结果。
2.3 常见生成结果
2.3.1 Borel σ-代数
Borel σ-代数是由拓扑空间中的开集生成的 σ-代数。在实数轴上，它包含所有开集、闭集以及由它们经可数运算得到的集合，是分析学中最常见的可测结构之一。
2.3.2 由随机变量生成的σ-代数
给定随机变量 X，可将所有形如 X^-1(B) 的逆像集合所生成的 σ-代数视为 X 所携带的信息集合。它反映了随机变量能够“看见”样本空间中的哪些事件。
3 结构性质
σ-代数不仅满足定义中的基本封闭性，还能推出一系列常用的代数性质。这些性质使其在证明和构造中表现出良好的稳定性。
3.1 闭包性质
3.1.1 对可数交的封闭性
由德摩根律可知，可数交可以由可数并与补集相互转化，因此若一个集合族对补集和可数并封闭，则它也对可数交封闭。该性质在处理交集型极限时尤为方便。
3.1.2 对差集的封闭性
若 A、B 属于同一 σ-代数，则差集 A \ B 也属于该 σ-代数。因为 A \ B 可写为 A 与 B 的补集的交集，而交集已具有封闭性。
3.1.3 对对称差的关系
对称差 A △ B = (A \ B) ∪ (B \ A) 也会保留在 σ-代数中。它常用于比较两个事件的差异程度，在集合运算和测度近似中有一定实用价值。
3.2 运算与恒等式
3.2.1 德摩根律
德摩根律说明，补集会将并与交互相转换： (⋃n An)^c = ⋂n An^c， (⋂n An)^c = ⋃n An^c。 这类公式是证明 σ-代数封闭性的常用工具。
3.2.2 分配律在σ-代数中的体现
并、交之间的分配关系在 σ-代数中依然成立。借助这些恒等式，可以把复杂集合表达式拆解为更基本的运算组合，从而简化证明步骤。
3.3 σ-代数的交与并
3.3.1 任意族σ-代数的交仍为σ-代数
若一族 σ-代数同时定义在同一全集上，则它们的交集仍然是 σ-代数。原因在于交集保留了所有共同满足的封闭性质，因此常用来构造“最小包含结构”。
3.3.2 并集一般不封闭
不同 σ-代数的并集通常不再是 σ-代数，因为并集未必对补集或可数并保持稳定。若需要把多个结构合并，通常要再取它们生成的 σ-代数。
4 在概率论中的作用
在概率论中，σ-代数决定了哪些集合被视为事件，也决定了概率测度的定义对象。它使“随机现象”能够以严格的数学方式表达。
4.1 事件空间
4.1.1 样本空间上的事件定义
样本空间 Ω 表示实验所有可能结果，而事件则是 Ω 的子集。并非所有子集都适合直接进入概率框架，σ-代数提供了一个筛选标准，用于确定可讨论的事件集合。
4.1.2 可测事件与不可测事件
属于给定 σ-代数的事件称为可测事件，它们可以被概率测度一致地赋值。若某些子集不属于该结构，则通常称为不可测事件；在标准理论中，这类集合被排除在外，以避免定义上的矛盾。
4.2 概率空间
4.2.1 样本空间
概率空间中的样本空间是所有可能结果的总体。它提供了随机实验的底层舞台，但仅有样本空间本身并不足以定义概率。
4.2.2 σ-代数
σ-代数是概率空间的中间层结构，负责规定哪些结果集合可作为事件处理。它既限制对象范围，也为概率计算提供封闭环境。
4.2.3 概率测度
概率测度是定义在 σ-代数上的函数，满足非负性、规范化以及可数可加性。没有 σ-代数，概率测度便缺少自然的定义域，也无法保证对事件序列的加法规则成立。
4.3 随机变量与可测性
4.3.1 随机变量的可测定义
随机变量本质上是从样本空间到实数域的映射。若对任意 Borel 集 B，其逆像 X^-1(B) 都属于指定 σ-代数，则称 X 为可测随机变量，简称随机变量可测。
4.3.2 逆像与事件
逆像把数值空间中的集合拉回到样本空间，因此能把“变量取值落在某区间内”转化为事件语言。比如 X 落在区间内这一说法，实际上对应一个可测事件。
4.3.3 可测函数的判定
可测性通常可通过检查某些生成集合的逆像来判定，例如只需验证开区间、半无限区间等生成族的逆像是否可测。这样就把抽象定义化为可操作的检验标准。
5 相关概念
σ-代数与多个重要结构相互关联，其中许多概念都围绕“可测性”和“信息组织”展开。
5.1 Borel σ-代数
5.1.1 实数轴上的Borel集
实数轴上的 Borel σ-代数由所有开集生成，进一步包含闭集、开闭区间以及大量通过可数运算得到的集合。它是实分析中最自然的可测集合体系之一。
5.1.2 拓扑空间中的Borel结构
在一般拓扑空间中，Borel σ-代数由拓扑中的开集生成。它把拓扑结构与测度结构联系起来，使“开集信息”能够被转化为可测框架。
5.2 完备化
5.2.1 零测集的补充
在某些概率空间或测度空间中，零测集的子集未必天然可测。完备化过程会把这些遗漏补入 σ-代数，从而避免零测层面的技术缺口。
5.2.2 完备σ-代数
若一个 σ-代数包含其所有零测集的子集，则称其为完备的。完备性使得在处理几乎处处成立的性质时更为顺手，也更符合分析中的常见需求。
5.3 条件σ-代数
5.3.1 条件信息的编码
条件 σ-代数用来表达“已知哪些信息”。它相当于把样本空间划分到某个信息层级上，反映在当前条件下哪些事件已经被固定。
5.3.2 与条件期望的关系
条件期望通常相对于某个条件 σ-代数来定义。它表示在已知该信息结构的前提下，对随机变量作出的最优平均预测，是现代概率论中的核心工具之一。
5.4 乘积σ-代数
5.4.1 直积空间上的结构
在两个或多个可测空间的直积上，可以定义乘积 σ-代数，以便处理多维随机对象或联合分布。它将各坐标的可测结构统一到同一框架中。
5.4.2 可测矩形生成
乘积 σ-代数通常由可测矩形生成，即由形如 A×B 的集合族出发，再取生成 σ-代数。此构造简洁而自然，是多变量情形的标准做法。
6 重要定理与性质
σ-代数理论中有若干基础定理，为测度的构造、唯一性和集合族判别提供了核心工具。
6.1 Carathéodory 扩张相关结果
6.1.1 预测度的扩张
Carathéodory 扩张定理说明，若在某个集合代数上给出满足适当条件的预测度，则可以扩张到其生成的 σ-代数上，形成真正的测度。这是从有限描述进入完整测度理论的关键步骤。
6.1.2 唯一性问题
在适当条件下，扩张所得测度具有唯一性。唯一性常依赖于生成族、σ-有限性或其他附加条件，从而保证构造结果不是任意的。
6.2 单调类定理
6.2.1 π-λ 定理
π-λ 定理指出，若一个 π 系统生成了某个 σ-代数，而一个 λ 系统包含该 π 系统，则在适当条件下二者可以推出该 σ-代数包含关系。它是证明集合族一致性的常用手段。
6.2.2 生成σ-代数的判别
单调类定理常被用于判断两个集合族是否生成相同的 σ-代数。通过验证某个系统对单调极限的闭性，可以把复杂问题转化为对较小集合族的检查。
6.3 Dynkin 系统
6.3.1 与σ-代数的比较
Dynkin 系统是比 σ-代数更弱的一类集合系统，但在某些条件下足以通过 π-λ 定理得到 σ-代数结论。它常作为中间工具出现，用于建立生成与判别结果。
6.3.2 应用场景
Dynkin 系统特别适合用于证明“由一个小集合族推出整个 σ-代数”的结论。其优势在于结构较弱、验证较省，因此在测度论证明中很常见。
7 应用领域
σ-代数并不只是一种抽象定义，它在概率、积分、统计建模等领域都有广泛用途。
7.1 概率论基础
7.1.1 随机过程
随机过程可看作按时间索引的一族随机变量，而其可测性与适当的 σ-代数密切相关。通过引入过滤 σ-代数，还能描述信息随时间逐步增加的结构。
7.1.2 极限定理中的可测结构
在大数定律、中心极限定理等结果中，极限对象与收敛性质都依赖于可测框架。σ-代数保证了对随机变量序列及其极限进行严谨讨论的基础。
7.2 测度论与积分
7.2.1 Lebesgue 积分
Lebesgue 积分以可测函数和可测集为前提建立，因此离不开 σ-代数。它通过按值域分层而不是按自变量区间切分，实现对复杂函数的统一积分处理。
7.2.2 可测集上的测度定义
测度通常不是定义在所有子集上，而是定义在某个 σ-代数中。这样做可以避免不可测集合带来的技术障碍，并确保可数可加性等性质成立。
7.3 统计与随机建模
7.3.1 信息结构建模
在统计学和随机建模中，σ-代数可用来刻画“已知信息”的层次。不同的 σ-代数对应不同的信息量，便于描述观测、推断与预测过程。
7.3.2 数据与事件的抽象表示
从抽象角度看，数据中的“某条件成立”“某区间内取值”都可以转化为事件集合。σ-代数提供了统一语言，使离散数据、连续变量和复合事件都能纳入同一数学框架。