可测函数

可测性是"问题结构的兼容性"：$\mathcal{B}$ 规定了对输出允许提出哪些问题（事件），$f$ 可测意味着关于 $f(x)$ 的每个合法问题都能翻译回关于 $x$ 的合法问题。它与连续性形似而神异——连续性保持"邻近"，可测性只保持事件结构，对几何光滑毫无要求。定义走原像而非像并非偶然：$f^{-1}$ 与并、交、补完全交换，所以"原像可测的集合"自动构成 σ-代数，生成族判据、对复合封闭这些好性质全由此而来；像不保持这些运算，用像定义会得到失控的概念。概率论的读法最形象：把 $\mathcal{A}$ 看作可获得的信息，随机变量公理库随机变量Random variable · Random element从概率空间到可测取值空间的可测映射；实值情形承载数值概率运算。之为可测函数，说的就是"其取值可用手头信息判定"。

连续函数公理库连续性Continuity · Continuous function函数在输入微小变化时输出可被控制为任意小变化的性质。在 Borel σ-代数之间总可测：开集的原像是开集，而开集生成 Borel σ-代数，生成族判据一步到位。可测函数却可以处处不连续：Dirichlet 函数 ${\mathbf{1}}_{\mathbb{Q}}$ 的所有原像只有 $\varnothing$、$\mathbb{Q}$、$\mathbb{R}\setminus \mathbb{Q}$、$\mathbb{R}$ 四种，全是 Borel 集，故它 Borel 可测——可测性的门槛远低于连续性。

可测性由两端的 σ-代数共同决定，说"$f$ 可测"必须指明两个结构。同一个函数，目标或定义域上的 σ-代数一换，结论就可能反转：当定义域只配平凡 σ-代数 $\{\varnothing ,X\}$ 而目标为 Borel 直线时，可测的实值函数只剩常函数。封闭性也有边界：实值可测函数的可数族逐点上确界、下确界以及逐点极限公理库函数列逐点收敛Pointwise convergence对定义域中每个固定点，函数值序列分别收敛。仍可测，但"可数"不能去掉——取不可测集 $N\subseteq \mathbb{R}$（Vitali 型），则 ${\mathbf{1}}_N=\underset{y\in N}{sup}{\mathbf{1}}_{\{y\}}$ 是不可数多个可测函数的逐点上确界，却不可测。

进阶边界： 抽象意义下，$(X,\mathcal{A})\to (Y,\mathcal{B})\to (Z,\mathcal{C})$ 的两个可测函数复合仍可测。但对实函数，"Lebesgue 可测"通常专指 $(\mathcal{L},\mathcal{B})$-可测，其中 $\mathcal{L}$ 是 Lebesgue σ-代数、$\mathcal{B}$ 是 Borel σ-代数；若 $f,g:\mathbb{R}\to \mathbb{R}$ 都只满足这一条件，$g^{-1}(B)$ 只保证属于 $\mathcal{L}$，而 $f$ 只保证 Borel 集的原像可测，所以 $g\circ f$ 可能不可测。这不与抽象复合定理矛盾，而是因为中间的 σ-代数没有衔接。与零测集的互动同样依赖假设：在完备测度空间中，把函数在零测集上任意修改仍可测；未完备时，零测集的不可测子集可能破坏这一结论。

实值可测函数类对代数运算、可数上确界与下确界、上极限与下极限、逐点极限封闭，这份稳定性正是积分理论的先决条件；连续函数类在逐点极限下则不封闭。非负可测函数都是简单函数的单调递增极限，这座桥把一般函数还原为可数个事件的加权组合，使 Lebesgue 积分公理库Lebesgue 积分Lebesgue integral从简单函数积分出发，按单调逼近定义非负、扩展值与可积函数的积分。可以先对简单函数定义，再借单调极限推广。概率论中的随机变量公理库随机变量Random variable · Random element从概率空间到可测取值空间的可测映射；实值情形承载数值概率运算。是可测函数，有限维随机向量公理库随机向量Random vector · 多维随机变量一次随机试验同时输出有限多个实坐标所形成的可测映射。的整体可测性等价于各坐标可测；随机过程公理库随机过程Stochastic process · Random process由同一随机实验产生、按时间或空间指标组织的一族随机变量。则把每个索引处的可测随机变量组织成一族。条件期望公理库条件期望Conditional expectation给定子 σ-代数后可测、并在所有已知事件上保持原积分的随机变量。“关于子 σ-代数可测”的要求，把“只用部分信息作出的估计”化为精确条件；几乎处处公理库几乎处处Almost everywhere · Almost surely除去一个零测集后性质在其余所有点成立。收敛、依测度收敛等命题，也以可测性保证相关事件可以赋予测度。

统计量公理库统计量与抽样分布Statistic · Sampling distribution样本的可测数据摘要，以及该摘要在指定统计模型与重复抽样设计下的推前分布。与决策规则公理库估计量、决策规则与风险Estimator and decision rule · Statistical risk从观测到行动的可实施规则，以及在逐参数、Bayes 与最坏情形量词下的期望损失。都必须是可测映射，抽样分布和风险期望才有定义。argmax 多解、随机化行动和函数空间输出还需要可测选择或概率核；算法能返回某个对象并不自动解决这一基础条件。

在统计学习问题公理库统计学习问题Statistical learning problem从未知分布的有限观测中选择决策规则，并以样本外表现评价其质量。中，样本到算法输出的映射、输出与数据组成的损失，都要在相应空间上可测，才能谈风险和成功概率。更隐蔽的边界出现在一致收敛公理库经验风险的一致收敛Uniform convergence of empirical risks以高概率同时控制整个假设类的经验风险与总体风险偏差。：每个 $h$ 的损失可测，并不保证不可数族的 $\underset{h}{sup}|R(h)-\hat{R}(h)|$ 可测；严格理论需验证可分性或采用外概率处理，本页不展开经验过程技术。