1 概念界定
1.1 可测空间与事件结构
概率论把“事件”组织进一个可测结构之中。给定样本空间 \(\Omega\) 和其上一个 \(\sigma\)-代数 \(\mathcal{F}\)，其中 \(\mathcal{F}\) 的元素被视为可被赋予概率的事件。\(\sigma\)-代数的封闭性保证了可以对事件进行“合理的可列组合”，例如取补集、取可列并与可列交，仍会落回同一套事件体系内。这样，概率赋值不只是对零散集合定义，而是对整个事件结构系统化地展开。
1.2 测度、概率测度与可列可加性
一般测度是对集合给出非负“权重”的工具，满足可列可加性：若 \(\{A_n\}\) 两两不交，则 \[ \mu\Big(\bigcup_{n=1}^\infty A_n\Big)=\sum_{n=1}^\infty \mu(A_n). \] 当测度的取值被限定在 \([0,1]\)，且总量设为1时，就得到概率测度。形式上，若 \(\mathbb{P}:\mathcal{F}\to[0,1]\) 对任意可列不交事件满足可列可加性，并且 \(\mathbb{P}(\Omega)=1\)，则称 \(\mathbb{P}\) 为概率测度。
1.3 总质量为1：\(\mathbb{P}(\Omega)=1\) 的含义
\(\mathbb{P}(\Omega)=1\) 表示样本空间中“一切可能性”总权重为1。由于 \(\Omega\) 本身代表“必然发生的情况”，这一条件对应直观上的“总概率为1”。同时，它也提供了归一化尺度，使得对补事件、并事件等的计算不会出现整体偏大或偏小的问题：概率测度是可比较、可组合的，且能作为后续极限运算与条件化分析的基础。
2 基本性质
2.1 非负性与概率取值范围
概率测度的定义要求 \(\mathbb{P}(A)\ge 0\) 对所有 \(A\in\mathcal{F}\) 成立，并且取值落在 \([0,1]\)。非负性保证概率作为“权重”不会出现抵消现象；上界为1则使得概率具有统一的尺度。由此可推出许多常用估计，例如对任何事件 \(A\)，有 \(\mathbb{P}(A)\le 1\)，对补事件 \(\Omega\setminus A\) 也同样如此。
2.2 单调性与并集的计算规则
可列可加性直接推出单调性：若 \(A\subseteq B\)，则 \(B\) 可以写成 \(A\) 与互不相交的补块之并，从而 \[ \mathbb{P}(A)\le \mathbb{P}(B). \] 此外，若 \(\{A_n\}\) 是两两不交事件，则并集概率等于各自概率之和： \[ \mathbb{P}\Big(\bigcup_{n=1}^\infty A_n\Big)=\sum_{n=1}^\infty \mathbb{P}(A_n). \] 在实际计算中，人们常通过把事件拆成不交部分，或用集合运算构造互不相交序列，来应用这一规则。
2.3 连续性性质（从上/从下）
概率测度不仅能对离散并集求值，也能处理“逼近”的极限情形。典型地，若事件序列 \(\{A_n\}\) 单调递增（\(A_n\uparrow A\)），则 \[ \mathbb{P}(A_n)\uparrow \mathbb{P}(A). \] 若 \(\{A_n\}\) 单调递减（\(A_n\downarrow A\)），则在 \(\mathbb{P}(A_1)<\infty\)（概率情形总满足）下有 \[ \mathbb{P}(A_n)\downarrow \mathbb{P}(A). \] 这类“连续性”保证了用近似事件逼近目标事件时，概率计算具有稳定性。
2.4 极限与可列运算的稳定性
可列可加性与连续性使得概率在极限下保持合理行为。通过把复杂集合分解为可列组合（例如差分、交并的可列结构），常能把“极限—概率”关系转化为“有限—可加”的计算。与此同时，概率测度与 \(\sigma\)-代数的结构相匹配，意味着只要操作保持在可测框架内，相关的可列运算都能在数学上被合法化，而非依赖直觉性的“逐点收敛”。
3 生成与构造方法
3.1 从代数/半代数到 \(\sigma\)-代数（扩张）
在许多建模场景中，最初只给出一类“简单事件”，它们形成代数或半代数。随后需要把这类集合扩张到最小的 \(\sigma\)-代数，以覆盖更复杂的事件。直观上，这一步回答的是：仅凭最初的事件族，如何系统地生成所有可测事件，使得概率赋值能延拓到更大范围。扩张到 \(\sigma\)-代数后，后续概率计算才有可列运算的合法性保障。
3.2 Carathéodory 扩张定理的直观用途
Carathéodory 扩张定理提供了一个从“预测度”（在代数或半代数上定义、满足一致性与可加性要求）到“完整测度”的机制。其直观用途在于：当你能在一类足够“生成整体”的集合上稳定地给出权重，并且该给法在预结构中满足可加约束，就可以把它延拓为覆盖整个 \(\sigma\)-代数的测度。对于概率测度而言，这意味着可以从较简单的规则推出完整的概率体系。
3.3 由给定分布直接定义概率测度
在随机变量建模时，常见做法是先指定变量的“分布形式”，再反推出对应的概率测度。给定一个分布（例如离散概率质量函数或连续情形下的密度/分布函数），可将其看作对目标空间中各可测集合的概率赋值，从而直接构造 \(\mathbb{P}\) 或其像测度。此时概率测度的角色不再仅是“从样本空间出发”，而是能从统计描述反向生成。
3.4 示例：离散型、可数型构造
若样本空间是可数集合，通常可以采用逐点赋权方式构造：对每个点 \(\omega\) 规定概率 \(p(\omega)\ge 0\)，并要求 \(\sum_{\omega\in\Omega}p(\omega)=1\)。然后对任意事件 \(A\subseteq \Omega\)（其可测性在该情形下通常默认成立）定义 \[ \mathbb{P}(A)=\sum_{\omega\in A} p(\omega). \] 可数情形下，可列求和与可列可加性直接对应，因此构造过程与概率直觉高度一致。对更复杂的空间，需借助前述的扩张思路与可测结构处理。
4 与随机变量的关系
4.1 随机变量的可测性
随机变量并不只是“把点送到数”，它必须与可测结构相容：对任意实数区间（更准确地说，对任意 Borel 集），其原像应当属于 \(\mathcal{F}\)。可测性确保事件 \(\{X\in B\}\) 是可测的，因此其概率 \(\mathbb{P}(X\in B)\) 才有明确含义。它是把“几何上的集合运算”落实为“概率可计算量”的关键条件。
4.2 像测度：\(\mathbb{P}_X\)
给定随机变量 \(X\)，可在值域上定义像测度（也常称为由 \(X\) 诱导的分布测度）。对值域中可测集合 \(B\)，令 \[ \mathbb{P}_X(B)=\mathbb{P}(X\in B). \] 于是，\(X\) 的统计规律就被编码为一个测度对象：它把“事件发生的概率”转化为“值落入集合的权重”。像测度的引入使得研究随机变量的分布可以转化为研究测度的性质。
4.3 分布函数与概率测度的对应
在实数值情形，分布函数常被视为概率测度的表征方式之一。对分布函数 \(F(x)=\mathbb{P}(X\le x)\)，它与测度满足的集合函数关系紧密相关：分布函数的增减性、右连续性等性质保证了它对应某个概率测度。相反，知道概率测度在诸如 \((-\infty,x]\) 这类集合上的取值，也能重建分布函数。两者本质上是同一信息在不同表达层面的呈现。
4.4 密度形式与绝对连续概率测度
当概率测度对某个参照测度（通常是实数上的勒贝格测度）表现出“连续性”时，可写成密度形式：存在非负可积函数 \(f\)，使得对任意可测集合 \(B\) 有 \[ \mathbb{P}(X\in B)=\int_B f(x)\,dx. \] 这对应“绝对连续”的情形。密度函数把概率测度进一步数值化为可积分对象，使得许多计算从“集合概率”转为“积分计算”，并为分布细分（例如连续部分、离散部分）提供统一框架。
5 与条件概率、独立性
5.1 条件概率作为条件化的测度表达
条件概率通常可以理解为在某个已知信息（事件或 \(\sigma\)-代数）成立的前提下重新归一化的概率。用测度视角表述时，核心要求是：条件化后的赋值在保持一致性的同时，使得概率仍然满足可列可加性与归一化条件。形式化地，条件期望与条件概率的测度化定义在理论上互相衔接，使“在信息给定下如何更新概率”变得可操作且可证明。
5.2 独立性与乘积结构（事件层面）
事件层面的独立性可以用概率乘积关系刻画：若事件 \(A\) 与 \(B\) 满足 \[ \mathbb{P}(A\cap B)=\mathbb{P}(A)\mathbb{P}(B), \] 则称它们独立。对更高阶的独立性（多个事件或随机变量），也可用类似乘积结构表达。概率测度在此起到“可计算的乘法目标”的作用：独立性一旦成立，许多联合概率能够分解为边缘概率的乘积，从而降低计算复杂度。
5.3 条件期望的测度视角（概念衔接）
条件期望可以被看作对“给定信息”下的最佳平均更新，其定义依赖 \(\sigma\)-代数与测度结构。虽然条件期望不是概率测度本身，但它与条件概率同样体现了“信息约束下重新分配”的思想：条件化把全局函数的平均行为投影到子信息结构上。该概念衔接使得从事件概率走向随机量的平均性质成为自然延伸。
6 变换与不变性
6.1 可测变换下的推前与拉回
在测度论框架中，随机变量或更一般的映射都需要可测性以确保概率赋值可继续定义。对映射 \(T\)，可用像测度把“原空间的概率”推到新空间；对函数的积分，也可以通过变量代换等方式建立与原测度的对应关系。这类“推前”（pushforward）与“拉回”（pullback）的配合，解释了为什么在不同变量表示下，概率计算仍能保持一致。
6.2 等价测度与绝对连续（概念性介绍）
两个测度相互比较时，常用“绝对连续”与“等价”这两个概念来描述它们的差异程度。绝对连续关注：某些集合若在一个测度下为零，那么在另一个测度下也必须为零；等价则进一步要求双向都成立。它们在概率中对应“一个模型不会把概率零事件分配为正概率（或相反）”，从而影响到极限性质、密度存在性以及换算公式的适用条件。
6.3 Radon–Nikodym 导数在概率中的意义（概览）
在绝对连续成立时，Radon–Nikodym 定理保证存在一个导数（密度）刻画两测度之间的关系：若 \(\nu\) 对 \(\mu\) 绝对连续，则存在函数 \(\frac{d\nu}{d\mu}\) 使得 \[ \nu(B)=\int_B \frac{d\nu}{d\mu}\,d\mu. \] 在概率语境中，这把“换测度”转化为“密度加权积分”。它为似然比、重要抽样、似然校正等思路提供了统一的数学语言，并解释了为何许多计算可通过加权期望实现。
7 典型应用场景
7.1 事件概率计算与样本空间建模
概率测度首先用于把建模对象转化为可计算的事件概率。建模时需要明确哪些集合是可测事件，并规定它们的概率如何由测度给出。随后借助可加性、连续性与极限稳定性，可以将复杂事件分解并近似，从而得到可验证的概率值或估计。
7.2 随机过程中的状态分布（概念性）
在随机过程里，概率测度常用来描述“在时间点上系统处于某状态区域”的概率。每个时刻的状态分布可以视为由过程诱导的像测度，从而使得“时刻—分布”的演化能够在测度框架中统一表达。该视角有助于理解马尔可夫性质、转移机制与分布演化之间的联系（此处仅作概念性衔接）。
7.3 风险/不确定性建模（概率测度视角）
在工程、金融或决策问题中，不确定性通常被量化为概率测度：某些结果区域获得更高权重，而置信与风险则通过事件概率或期望量反映出来。测度框架使得不同类型的不确定性（离散、连续或混合）都能纳入同一套计算规则，并能通过条件化、变换与密度表示来处理数据更新与模型重参数化。
8 常见错误与澄清
8.1 把“测度”与“概率”混用
并非所有测度都满足概率要求。一般测度允许总质量不等于1，且也不一定受限在 \([0,1]\)。若在应用中把一个非归一化测度直接当作概率使用，往往会导致概率和不等于1，从而破坏后续推导中依赖归一化的公式。澄清“它是否是概率测度”比只看可列可加性更重要。
8.2 仅满足有限可加性却缺少可列可加性
某些构造可能只验证了对有限个不交集合的可加性，但概率测度要求对可列不交也成立。缺少可列可加性时，连续性性质与极限稳定性通常不能保证，从而导致“近似极限”的计算不可靠。因此，定义层面的可列可加性是概率测度能支撑理论体系的关键。
8.3 可测性忽略导致的定义不合法
很多错误来自于把不可测集合当作事件，或把不可测随机变量当作可计算对象。若随机变量的可测性条件不满足，则集合 \(\{X\in B\}\) 可能不在 \(\mathcal{F}\) 中，概率 \(\mathbb{P}(X\in B)\) 也就缺乏定义。类似地，对映射进行推前或对事件族进行扩张时，也必须确保可测结构足够闭合，否则理论会失去落脚点。
9 相关概念索引
9.1 \(\sigma\)-代数、可测函数
\(\sigma\)-代数提供事件集合的封闭结构；可测函数保证变量产生的事件仍可测，从而使概率定义具有合法性与可计算性。
9.2 像测度、分布函数、密度
像测度把随机变量的取值规律编码为测度；分布函数是其在实数线上的常用表征；密度形式则对应绝对连续情形下的积分表示。
9.3 条件概率、条件期望、独立性
条件概率实现信息下的重新归一化；条件期望把函数的平均行为投影到给定信息结构；独立性则体现联合与边缘的乘积关系。
9.4 等价测度、绝对连续、Radon–Nikodym 导数
绝对连续描述零集的继承关系，等价测度要求双向一致；Radon–Nikodym 导数为两测度间的权重转换提供密度表达。