03 本讲目标：学完要会什么 · 第4讲

这一页在讲什么

人话版一句话版

四个目标：会乘积测度的定义，会用 Fubini–Tonelli 定理交换积分顺序，会用概率的语言说清楚独立性，熟悉多元正态分布。可以把它当作复习时的验收清单。

先补基础

基础补课「用概率的语言」是什么意思

同一件事可以用两种语言说：

测度论的语言：乘积空间 $Ω_{1} \times Ω_{2} 、$ 乘积测度 $P_{1} \times P_{2} 、$ 截口、累次积分；
概率的语言：随机变量 $X, Y 、$ 联合分布、边缘分布、期望、独立。

第 4 讲先用测度论的语言把工具造好，再翻译成概率的语言。例如「 $P_{1} \times P_{2}$ 在矩形上取乘积」翻译过来就是「 $P (X \in A, Y \in B) = P (X \in A) P (Y \in B) 」，$ 即 $X, Y$ 独立。

基础补课多元正态分布（先有个印象）

一元正态 $N (μ, σ^{2})$ 是钟形曲线（第 3 讲第 41 页）。多元正态描述一个随机向量 $(X_{1}, \dots, X_{n}) ，$ 它由均值向量 $μ$ 和协方差矩阵 $Σ$ 决定。二元情形的密度图像是一座「山」，等高线是椭圆。正式定义在第 19 页。

课件原文逐句精读

课件原文Through this topic, you should...

After finishing this topic, you should know:

Definitions produce measure.
Funini-Tonellis's theorem.
Independence in the language of probability.
Be farmilar to multivariate normal random variables.

中文翻译

学完这一讲，你应该掌握：

乘积测度的定义。
Fubini–Tonelli 定理。
用概率的语言描述独立性。
熟悉多元正态随机变量。

课件有几处笔误，按正确写法读：Definitions produce measure → Definition of product measure；Funini-Tonellis's → Fubini–Tonelli's；Be farmilar to → Be familiar with（熟悉）。

① Definition of product measure｜乘积测度的定义

要会说清三件事：乘积 σ-代数是由所有「可测矩形」 $A_{1} \times A_{2}$ 生成的（第 6 页）；乘积测度是在矩形上取 $μ_{1} (A_{1}) μ_{2} (A_{2})$ 的唯一测度（第 7 页）；一个二维集合的测度可以用它的截口一条一条算出来（第 8 页）。

② Fubini–Tonelli's theorem｜Fubini–Tonelli 定理

要会检查条件再交换积分顺序：

$f \geq 0$ 可测 → Tonelli，直接交换（第 12 页）；
$\int ∣ f ∣ < \infty$ → Fubini，可以交换（第 10 页）；
都不满足 → 不能随便交换，要记住反例（第 13 页–第 15 页）。

③ Independence in the language of probability｜用概率的语言描述独立性

要会三个层次的独立：事件、随机变量、σ-代数（第 16 页）；有限个与无穷多个（第 17 页、第 18 页）；并分清两两独立和相互独立（第 18 页）。核心结论是：独立 ⇔ 联合分布是边缘分布的乘积测度。

④ Be familiar with multivariate normal random variables｜熟悉多元正态随机变量

要会读多元正态的密度公式（第 19 页），并知道一个重要结论：对联合正态的随机变量，协方差为 0 等价于独立（第 20 页、第 21 页）。

四个目标与三个部分的对照

目标	主要在哪几页	核心结论
① 乘积测度	第 1 部分（4–8 页）	$F_{1} \otimes F_{2}$ 由矩形生成； $μ_{1} \times μ_{2}$ 在矩形上取乘积且唯一
② Fubini–Tonelli	第 2 部分（9–15 页）	非负可测或绝对可积时，二重积分 = 两种顺序的累次积分
③ 独立性	第 3 部分（16–18 页）	独立 ⇔ 联合分布 = 乘积测度；两两独立 ≠ 相互独立
④ 多元正态	第 3 部分（19–21 页）	联合正态时，不相关 ⇔ 独立

小结

小结本页小结

目标 ①：会定义乘积 σ-代数与乘积测度，会用截口计算二维集合的测度。
目标 ②：交换积分顺序前先检查「非负可测」或「绝对可积」。
目标 ③：独立 = 联合分布等于乘积测度；区分两两独立与相互独立。
目标 ④：读懂多元正态密度；联合正态时不相关就是独立。
课件笔误：produce → product，Funini → Fubini，farmilar to → familiar with。

本页术语中英对照（按出现顺序）

中文	English	白话解释
乘积测度	product measure	在每个可测矩形上取 μ₁(A₁)μ₂(A₂) 的唯一测度（σ-有限时）。平面面积就是长度 × 长度的乘积测度。
Tonelli 定理	Tonelli's theorem	f 非负可测、两个测度 σ-有限时，二重积分等于两种顺序的累次积分，三者可以同时为 ∞。
独立	independence	任意有限个事件同时发生的概率等于各自概率的乘积。
多元正态分布	multivariate normal distribution	由均值向量 μ 和正定协方差矩阵 Σ 决定的高维钟形分布。对它而言，不相关等价于独立。
测度	measure	给 σ-代数里的每个集合一个 [0, ∞] 中的「大小」，空集为 0，并且可数可加。
乘积空间	product space	笛卡尔积 Ω₁ × Ω₂，配上乘积 σ-代数（以及乘积测度）。
累次积分	iterated integral	一层一层地积分：先固定一个变量、对另一个变量积分，再对剩下的变量积分。
截口	slice (section)	固定一个坐标、把二维集合或函数「切一刀」：A_ω₁ = {ω₂ : (ω₁, ω₂) ∈ A}，f_ω₁(ω₂) = f(ω₁, ω₂)。
随机变量	random variable	从样本空间到实数的（可测）函数，把结局翻译成数字；随机性来自「实现了哪个 ω」。
联合分布	joint law (joint distribution)	随机向量 (X, Y) 在平面上的分布：对每个平面博雷尔集 B 给出 P((X, Y) ∈ B)。只知道边缘分布不能确定它。
边缘分布	marginal law	随机向量中单个坐标的分布，例如 P(X ∈ A) = P((X, Y) ∈ A × ℝ)。
期望	expectation	随机变量对概率测度的积分 E[X] = ∫ X dP，也就是「加权平均」。
协方差矩阵	covariance matrix	第 (i, j) 个元素是 Cov(Xᵢ, Xⱼ) 的矩阵，对角线上是各分量的方差。
乘积 σ-代数	product σ-algebra	由所有可测矩形生成的 σ-代数，记作 F₁ ⊗ F₂；它也是让两个坐标映射都可测的最小 σ-代数。
可测矩形	measurable rectangle	形如 A₁ × A₂ 的集合，A₁、A₂ 分别是两个空间里的可测集。
集合	set	把一些对象放在一起当成一个整体，例如 {1,2,3}。
σ-代数	sigma-algebra	允许谈概率的「事件清单」：含 Ω，对补集和可数并封闭。
事件	event	样本空间的（允许谈概率的）子集；实现的 ω 落在里面，就说事件发生。
两两独立	pairwise independence	任意两个都独立。比相互独立弱：三个事件可以两两独立却不相互独立。
分布	law / distribution	X 把概率「推」到取值空间上得到的测度：L(X)(B) = P(X ∈ B)。
协方差	covariance	Cov(X, Y) = E[(X − EX)(Y − EY)]，衡量两个变量一起变大或变小的倾向。独立 ⇒ 协方差为 0，反之一般不成立。
二重积分	double integral	对两个变量一起积分：∬ f(x, y) dx dy。Fubini–Tonelli 定理说明什么时候可以拆成先对一个变量、再对另一个变量的两次积分。
可积	integrable (L¹)	∫\|f\| dμ < ∞。全体可积函数记作 L¹(μ)。