标签：机器学习 statistics
令X是一个样本空间(sample space)Ω的所有子集(subsets)的集合的一个子集，那么集合X被称为σ代数（σ-algebra）又叫σ域（σ-field）。
它有以下几个性质：
（1）Φ∈X；(Φ为空集)
（2）若A∈X，则A的补集A^c∈X；
（3）若Ai∈X（i=1,2,…）则∪Ai∈X；
Ω是任意集合，而X是把Ω中的极端情况去掉后又Ω的子集组成的集合，这样剩下的就是可以处理的集合，所以(Ω,X)称为可测空间(a measurable set)。X满足σ代数的三个性质，我们可以对X中的元素定义测度，故X的元素称为可测集(measurable set)。
定义了测度的可测空间称为测度空间。
令(Ω，X)为一个可测空间，在X中定义一个方程ν称为测度(a measure)。
它满足以下条件：
(i )非负性：0≤ν≤∞
(ii )ν(空集)=0
(iii)如果Xi ∈X，其中Xi互不相交，则ν(∪Xi)=Σν(Xi)。
那么(Ω，X,ν)称为测度空间(measure space)。
数学上，勒贝格测度是赋予欧几里得空间的子集一个长度、面积、或者体积的标准方法。它广泛应用于实分析，特别是用于定义勒贝格积分。可以赋予一个体积的集合被称为勒贝格可测；勒贝格可测集A的体积或者说测度记作λ(A)。
- 如果A是一个区间[a, b]， 那么其勒贝格测度是区间长度b?a。 开区间(a, b)的长度与闭区间一样，因为两集合的差是零测集。
- 如果区间是[0,1]，勒贝格测度L([0,1])是一个概率测度。
如果ν(Ω)=1，则ν是概率测度，记为P。(Ω,X,P)称为概率空间。
这样，我们可以将P当做是对集合的一种测度，将集合和概率联系起来。
概率论研究的概率空间就是一个测度空间(Ω,X,P)，其中P是定义在X中的测度，叫概率测度。集合Ω我们一般叫做样本空间，X中的元素叫可测集，但是我们更愿意叫做事件，而把X叫做事件域。任取X中元素A，它是Ω的子集，这时是一个事件，它的测度P(A)就是事件A的概率。可见这三元组(Ω,X,P)中的东西缺一不可。
我们知道任一事件都是样本空间的子集，但样本空间的子集却不一定是事件。为了讨论方便，还是用一个比较好理解的现象作一个比喻。 假设研究人的性取向，这样样本空间X={男，女，不男不女}，由于不男不女不好确定其性取向，这样在研究时就将这种情况排出，只研究男和女。或者说，样本空间是Ω={全体男人和女人}，是个有限集，其对应的事件域取F={Ω的子集全体}完全可以，(Ω, F)就是可测空间。你说的性取向问题对应的F上的概率测度P是未知的，需要用统计方法确定。
更常见的做法是在(Ω,F,P)上定义一个随机变量，用统计方法确定随机变量的分布而不是P本身。例如任取ω∈Ω，定义X(ω)=0；若ω是和尚，X(ω)=1；若ω是尼姑，X(ω)=2；若ω是丈夫，X(ω)=3；若ω是妻子，X(ω)=4。
定义一个随机变量X是一个可测的映射(a measurable map)X:Ω->R(该映射将集合映射成一个实数)，使得Ω的任意一个元素ω(即事件)通过X(ω)赋予其一个实数。
这里，可测的意思是对于每个x，都有{ω:X(ω)≤x} ∈ A，这里的A是一个σ代数，其中的元素是可测的。
所以，概率是一个作用在集合中的测度。
分布函数(Distribution Function,又称Cumulation Distribution Function)，是一个映射Fx:R->[0,1]。
Fx(x)=P(X≤x),分布函数Fx将一个事件对应的随机变量映射为0到1的一个概率值。
说了这么多，那么随机变量、概率分布具体是怎么和可测映射联系上的呢？我们以Bernoulli分布为例，介绍一下这其中的隐含关系。
Bernulli分布的pmf(Probabilistic Mass Function)是
即当x=1时概率为p，当x=0时概率为1-p。
令样本空间Ω=[0,1]，根据勒贝格测度，Pr([a,b])=b-a，其中0≤a<b≤1。 取一个固定的p∈(0,1)，定义,当ω≤p时，X(ω)=1；当ω>p时，X(ω)=0。
于是，Pr(X=1) = Pr(ω≤p) = Pr([0,p]) = p; Pr(X=0)=1-p。
基于上面的介绍，我们可以发现，在日常的学习中，其实是省略了将集合映射到实数这一隐含的步骤的。
转载请注明作者Jason Ding及其出处
Github博客主页(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest_articles)
标签：机器学习 statistics
原文地址：http://blog.csdn.net/jasonding1354/article/details/42915243
