Gaussian Measures in Hilbert Space Construction and Properties Kukush Full Chapter PDF

Gaussian Measures in Hilbert Space:
Construction and Properties Kukush

Visit to download the full and correct content document:
https://ebookmass.com/product/gaussian-measures-in-hilbert-space-construction-and
-properties-kukush/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Operator Analysis: Hilbert Space Methods in Complex

Analysis Jim Agler
https://ebookmass.com/product/operator-analysis-hilbert-space-
methods-in-complex-analysis-jim-agler/
Space as Language: The Properties of Typographic Space

Will Hill
https://ebookmass.com/product/space-as-language-the-properties-
of-typographic-space-will-hill/
Nonconventional and Vernacular Construction Materials■

Characterisation, Properties and Applications Kent A.
Harries & Bhavna Sharma
https://ebookmass.com/product/nonconventional-and-vernacular-
construction-materials%ef%bc%9a-characterisation-properties-and-
applications-kent-a-harries-bhavna-sharma/
Electron correlation in molecules -- ab initio beyond

Gaussian quantum chemistry 1st Edition Hoggan
https://ebookmass.com/product/electron-correlation-in-molecules-
ab-initio-beyond-gaussian-quantum-chemistry-1st-edition-hoggan/
Humidity and Electronics : Corrosion Reliability Issues
and Preventive Measures Rajan Ambat
https://ebookmass.com/product/humidity-and-electronics-corrosion-
reliability-issues-and-preventive-measures-rajan-ambat/
Biobased Polymers: Properties and Applications in

Packaging Pratima Bajpai
https://ebookmass.com/product/biobased-polymers-properties-and-
applications-in-packaging-pratima-bajpai/
Project Control: Integrating Cost and Schedule in

Construction
https://ebookmass.com/product/project-control-integrating-cost-
and-schedule-in-construction/
Communication Research Measures III: A Sourcebook

Elizabeth E. Graham
https://ebookmass.com/product/communication-research-measures-
iii-a-sourcebook-elizabeth-e-graham/
The Bioethics of Space Exploration: Human Enhancement

and Gene Editing in Future Space Missions Konrad Szocik
https://ebookmass.com/product/the-bioethics-of-space-exploration-
human-enhancement-and-gene-editing-in-future-space-missions-
konrad-szocik/
Gaussian Measures in Hilbert Space
To the memory of my daughter Ann
Series Editor
Nikolaos Limnios
Gaussian Measures
in Hilbert Space
Construction and Properties
Alexander Kukush
First published 2019 in Great Britain and the United States by ISTE Ltd and John Wiley & Sons, Inc.
Apart from any fair dealing for the purposes of research or private study, or criticism or review, as
permitted under the Copyright, Designs and Patents Act 1988, this publication may only be reproduced,
stored or transmitted, in any form or by any means, with the prior permission in writing of the publishers,
or in the case of reprographic reproduction in accordance with the terms and licenses issued by the
CLA. Enquiries concerning reproduction outside these terms should be sent to the publishers at the
undermentioned address:
ISTE Ltd John Wiley & Sons, Inc.

27-37 St George’s Road 111 River Street
London SW19 4EU Hoboken, NJ 07030
UK USA
www.iste.co.uk www.wiley.com
© ISTE Ltd 2019

The rights of Alexander Kukush to be identified as the author of this work have been asserted by him in
accordance with the Copyright, Designs and Patents Act 1988.
Library of Congress Control Number: 2019946454
British Library Cataloguing-in-Publication Data

A CIP record for this book is available from the British Library
ISBN 978-1-78630-267-0
Contents
Foreword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
Preface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv
Abbreviations and Notation . . . . . . . . . . . . . . . . . . . . . . . . . . xix
Chapter 1. Gaussian Measures in Euclidean Space . . . . . . . . . . . 1

1.1. The change of variables formula . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Invariance of Lebesgue measure . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Absence of invariant measure in infinite-dimensional Hilbert space . . 9
1.4. Random vectors and their distributions . . . . . . . . . . . . . . . . . . 10
1.4.1. Random variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2. Random vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3. Distributions of random vectors . . . . . . . . . . . . . . . . . . . . 14
1.5. Gaussian vectors and Gaussian measures . . . . . . . . . . . . . . . . . 17
1.5.1. Characteristic functions of Gaussian vectors . . . . . . . . . . . . . 17
1.5.2. Expansion of Gaussian vector . . . . . . . . . . . . . . . . . . . . . 20
1.5.3. Support of Gaussian vector . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.4. Gaussian measures in Euclidean space . . . . . . . . . . . . . . . . 23
Chapter 2. Gaussian Measure in l2 as a Product Measure . . . . . . . 27

∞
2.1. Space R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1. Metric on R∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2. Borel and cylindrical sigma-algebras coincide . . . . . . . . . . . . 30
2.1.3. Weighted l2 space . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2. Product measure in R∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.1. Kolmogorov extension theorem . . . . . . . . . . . . . . . . . . . . 34
vi Gaussian Measures in Hilbert Space
2.2.2. Construction of product measure on B(R∞ ) . . . . . . . . . . . . . 36

2.2.3. Properties of product measure . . . . . . . . . . . . . . . . . . . . . 38
2.3. Standard Gaussian measure in R∞ . . . . . . . . . . . . . . . . . . . . . 42
2.3.1. Alternative proof of the second part of theorem 2.4 . . . . . . . . . 45
2.4. Construction of Gaussian measure in l2 . . . . . . . . . . . . . . . . . . 46
Chapter 3. Borel Measures in Hilbert Space . . . . . . . . . . . . . . . . 51

3.1. Classes of operators in H . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.1. Hilbert–Schmidt operators . . . . . . . . . . . . . . . . . . . . . . . 52
3.1.2. Polar decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.3. Nuclear operators . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.4. S-operators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2. Pettis and Bochner integrals . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.1. Weak integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.2. Strong integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3. Borel measures in Hilbert space . . . . . . . . . . . . . . . . . . . . . . 75
3.3.1. Weak and strong moments . . . . . . . . . . . . . . . . . . . . . . . 75
3.3.2. Examples of Borel measures . . . . . . . . . . . . . . . . . . . . . . 78
3.3.3. Boundedness of moment form . . . . . . . . . . . . . . . . . . . . . 83
Chapter 4. Construction of Measure by its Characteristic

Functional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1. Cylindrical sigma-algebra in normed space . . . . . . . . . . . . . . . . 89
4.2. Convolution of measures . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.3. Properties of characteristic functionals in H . . . . . . . . . . . . . . . 96
4.4. S-topology in H . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.5. Minlos–Sazonov theorem . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Chapter 5. Gaussian Measure of General Form . . . . . . . . . . . . . 111

5.1. Characteristic functional of Gaussian measure . . . . . . . . . . . . . . 111
5.2. Decomposition of Gaussian measure and Gaussian random element . . 114
5.3. Support of Gaussian measure and its invariance . . . . . . . . . . . . . 117
5.4. Weak convergence of Gaussian measures . . . . . . . . . . . . . . . . . 125
5.5. Exponential moments of Gaussian measure in normed space . . . . . . 129
5.5.1. Gaussian measures in normed space . . . . . . . . . . . . . . . . . . 129
5.5.2. Fernique’s theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Chapter 6. Equivalence and Singularity of Gaussian Measures . . . 143

6.1. Uniformly integrable sequences . . . . . . . . . . . . . . . . . . . . . . 143
6.2. Kakutani’s dichotomy for product measures on R∞ . . . . . . . . . . . 145
6.2.1. General properties of absolutely continuous measures . . . . . . . . 145
6.2.2. Kakutani’s theorem for product measures . . . . . . . . . . . . . . . 148
Contents vii
6.2.3. Dichotomy for Gaussian product measures . . . . . . . . . . . . . . 152

6.3. Feldman–Hájek dichotomy for Gaussian measures on H . . . . . . . . 155
6.3.1. The case where Gaussian measures have equal correlation
operators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.3.2. Necessary conditions for equivalence of Gaussian measures . . . . 158
6.3.3. Criterion for equivalence of Gaussian measures . . . . . . . . . . . 165
6.4. Applications in statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.4.1. Estimation and hypothesis testing for mean of Gaussian random
element . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.4.2. Estimation and hypothesis testing for correlation operator of
centered Gaussian random element . . . . . . . . . . . . . . . . . . . . . . 173
Chapter 7. Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

7.1. Solutions for Chapter 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7.2.1. Generalized Kolmogorov extension theorem . . . . . . . . . . . . . 196
Summarizing Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Foreword
The study of modern theory of stochastic processes, infinite-dimensional analysis

and Malliavin calculus is impossible without a solid knowledge of Gaussian
measures on infinite-dimensional spaces. In spite of the importance of this topic and
the abundance of literature available for experienced researchers, there is no textbook
suitable for students for a first reading.
The present manual is an excellent get-to-know course in Gaussian measures on

infinite-dimensional spaces, which has been given by the author for many years at
the Faculty of Mechanics & Mathematics of Taras Shevchenko National University of
Kyiv, Ukraine. The presentation of the material is well thought out, and the course is
self-contained. After reading the book it may seem that the topic is very simple. But
that is not true! Apparent simplicity is achieved by careful organization of the book.
For experts and PhD students having experience in infinite-dimensional analysis, I
prefer to recommend the monograph V. I. Bogachev, Gaussian Measures (1998). But
for first acquaintance with the topic, I recommend this new manual.
Prerequisites for the book are only a basic knowledge of probability theory, linear
algebra, measure theory and functional analysis. The exposition is supplemented with
a bulk of examples and exercises with solutions, which are very useful for unassisted
work and control of studied material.
In this book, many delicate and important topics of infinite-dimensional analysis

are analyzed in detail, e.g. Borel and cylindrical sigma-algebras in
infinite-dimensional spaces, Bochner and Pettis integrals, nuclear operators and the
topology of nuclear convergence, etc. We present the contents of the book,
emphasizing places where finite-dimensional results need reconsideration
(everywhere except Chapter 1).
x Gaussian Measures in Hilbert Space
– Chapter 1. Gaussian distributions on a finite-dimensional space. The chapter is

preparatory but necessary. Later on, many analogies with finite-dimensional space will
be given, and the places will be visible where a new technique is needed.
– Chapter 2. Space R∞ , Kolmogorov theorem about the existence of probability
measure, product measures, Gaussian product measures, Gaussian product measures
in l2 space. After reading the chapter, the student will start to understand that on
infinite-dimensional space there are several ways to define a sigma-algebra (luckily,
in our case Borel and cylindrical sigma-algebras coincide). Moreover, it will become
clear that infinite-dimensional Lebesgue measure does not exist, hence construction
of measure by means of density needs reconsideration.
– Chapter 3. Bochner and Pettis integrals, Hilbert–Schmidt operators and nuclear
operators, strong and weak moments. The chapter is a preparation for the definition
of the expectation and correlation operator of Gaussian (or even arbitrary) random
element. We see that it is not so easy to introduce expectation of a random element
distributed in Hilbert or Banach space. As opposed to finite-dimensional space, it is
not enough just to integrate over basis vectors and then augment the results in a single
vector.
– Chapter 4. Characteristic functionals, Minlos–Sazonov theorem. One of the most
important methods to investigate probability measures on finite-dimensional space is
the method of characteristic functions. As well-known from the course of probability
theory, these will be all continuous positive definite functions equal to one at zero, and
only them. On infinite-dimensional space this is not true. For the statement “they and
only them”, continuity in the topology of nuclear convergence is required, and this
topology is explained in detail.
– Chapter 5. General Gaussian measures. Based on results of previous chapters,
we see the necessary and sufficient conditions that have to be satisfied by the
characteristic functional of a Gaussian measure in Hilbert space. We realize that we
have used all the knowledge from Chapters 2–4 (concerning integration of random
elements, about Hilbert–Schmidt and nuclear operators, Minlos–Sazonov theorem,
etc.). We notice that for the eigenbasis of the correlation operator, a Gaussian
measure is just a product measure which we constructed in Chapter 2. This seems
natural; but on our way it was impossible to discard any single step without loss of
mathematical rigor. In this chapter, Fernique’s theorem about finiteness of an
exponential moment of the norm of a Gaussian random element is proved and the
criterion for the weak convergence of Gaussian measures is stated.
– Chapter 6. Equivalence and mutual singularity of measures. Here, Kakutani’s
theorem is proven about the equivalence of the infinite product of measures. As we
saw in the previous chapter, Gaussian measures on Hilbert spaces are product
measures, in a way. Therefore, as a consequence of general theory, we get a criterion
for the equivalence of Gaussian measures (Feldman–Hájek theorem). The obtained
results are applied to problems of infinite-dimensional statistics. One should be
Foreword xi
careful here, as due to the absence of the infinite-dimensional Lebesgue measure, the
Radon–Nikodym density should be written w.r.t. one of the Gaussian measures.
The author of this book, Professor A.G. Kukush, has been working at the Faculty
of Mechanics & Mathematics of Taras Shevchenko National University for 40 years.
He is an excellent teacher and a famous expert in statistics and probability theory. In
particular, he used to give lectures to students of mathematics and statistics on
Measure Theory, Functional Analysis, Statistics and Econometrics. As a student, I
was lucky to attend his fascinating course on infinite-dimensional analysis.
Andrey P ILIPENKO
Leading Researcher at the Institute of Mathematics
of Ukrainian National Academy of Sciences,
Professor of Mathematics at the National Technical University
of Ukraine, “Igor Sikorsky Kyiv Polytechnic Institute”
August 2019
Preface
This book is written for graduate students of mathematics and mathematical

statistics who know algebra, measure theory and functional analysis (generalized
functions are not used here); the knowledge of mathematical statistics is desirable
only to understand section 6.4. The topic of this book can be considered as
supplementary chapters of measure theory and lies between measure theory and the
theory of stochastic processes; possible applications are in functional analysis and
statistics of stochastic processes. For 20 years, the author has been giving a special
course “Gaussian Measures” at Taras Shevchenko National University of Kyiv,
Ukraine, and in 2018–2019, preliminary versions of this book have been used as a
textbook for this course.
There are excellent textbooks and monographs on related topics, such as Gaussian
Measures in Banach Spaces [KUO 75], Gaussian Measures [BOG 98] and Probability
Distributions on Banach Spaces [VAK 87]. Why did I write my own textbook?
In the 1970s, I studied at the Faculty of Mechanics and Mathematics of Taras

Shevchenko National University of Kyiv, at that time called Kiev State University.
There I attended unforgettable lectures given by Professors Anatoliy Ya.
Dorogovtsev (calculus and measure theory), Lev A. Kaluzhnin (algebra), Mykhailo I.
Yadrenko (probability theory), Myroslav L. Gorbachuk (functional analysis) and
Yuriy M. Berezansky (spectral theory of linear operators). My PhD thesis was
supervised by famous statistician A. Ya. Dorogovtsev and dealt with the weak
convergence of measures on infinite-dimensional spaces. For long time, I was a
member of the research seminar “Stochastic processes and distributions in functional
spaces” headed by classics of probability theory Anatoliy V. Skorokhod and Yuriy L.
Daletskii. My second doctoral thesis was about asymptotic properties of estimators
for parameters of stochastic processes. Thus, I am somewhat tied up with measures
on infinite-dimensional spaces.
xiv Gaussian Measures in Hilbert Space
In 1979, Kuo’s fascinating textbook was translated into Russian. Inspired by this
book, I started to give my lectures on Gaussian measures for graduate students. The
subject seemed highly technical and extremely difficult. I decided to create
something like a comic book on this topic, in particular to divide lengthy proofs into
small understandable steps and explain the ideas behind computations.
It is impossible to study mathematical courses without solving problems. Each

section ends with several problems, some of which are original and some are taken
from different sources. A separate chapter contains detailed solutions to all the
problems.
Acknowledgments
I would like to thank my colleagues at Taras Shevchenko National University of

Kyiv who supported my project, especially Yuliya Mishura, Oleksiy Nesterenko and
Ivan Feshchenko. Also I wish to thank my students of different generations who
followed up on the ideas of the material and helped me to improve the presentation. I
am grateful to Fedor Nazarov (Kent State University, USA) who communicated the
proof of theorem 3.9. In particular, I am grateful to Oksana Chernova and Andrey
Frolkin for preparing the manuscript for publication. I thank Sergiy Shklyar for his
valuable comments.
My wife Mariya deserves the most thanks for her encouragement and patience.
Alexander K UKUSH
Kyiv, Ukraine
September 2019
Introduction
The theory of Gaussian measures lies on the junction of theory of stochastic

processes, functional analysis and mathematical physics. Possible applications are in
quantum mechanics, statistical physics, financial mathematics and other branches of
science. In this field, the ideas and methods of probability theory, nonlinear analysis,
geometry and theory of linear operators interact in an elegant and intriguing way.
The aim of this book is to explain the construction of Gaussian measure in Hilbert
space, present its main properties and also outline possible applications in statistics.
Chapter 1 deals with Euclidean space, where the invariance of Lebesgue measure
is explained and Gaussian vectors and Gaussian measures are introduced. Their
properties are stated in such a form that (later on) they can be extended to the
infinite-dimensional case. Furthermore, it is shown that on an infinite-dimensional
Hilbert space there is no non-trivial measure, which is invariant under all translations
(the same concerning invariance under all unitary operators); hence on such a space
there is no measure analogous to the Lebesgue one.
In Chapter 2, a product measure is constructed on the sequence space R∞ based

on Kolmogorov extension theorem. For standard Gaussian measure μ on R∞ ,
Kolmogorov–Khinchin criterion is established. In particular, it is shown that μ is
concentrated on certain weighted sequence spaces l2,a , and based on isometry
between l2,a and l2 , a Gaussian product measure is constructed on the latter sequence
space.
Chapter 3 introduces important classes of operators in a separable

infinite-dimensional Hilbert space H, in particular S-operators, i.e. self-adjoint,
positive and nuclear ones. Theorem 3.9 shows that the convergence of S-operators is
equivalent to certain convergence of corresponding quadratic forms. Also the weak
(Pettis) and strong (Bochner) integrals are defined for a function valued in a Banach
space.
xvi Gaussian Measures in Hilbert Space
Borel probability measures on H and a normed space X are studied with examples.
The boundedness of moment forms of such measures is shown, with simple proof
based on the classical Banach–Steinhaus theorem. Corollary 3.3 and remark 3.8 give
mild conditions for the existence of mean value of a probability measure μ as Pettis
integral, and if the underlying space is a separable Banach space B and μ has a strong
first moment, then its mean value exists as Bochner integral.
In Chapter 4, properties of characteristic functionals of Borel probability measures

on H are studied. A special linear topology, S-topology, is introduced in H with a
neighborhood system consisting of ellipsoids. Classical Minlos–Sazonov theorem is
proven and properly extends Bochner’s theorem from Rn to H. According to Minlos–
Sazonov theorem, the characteristic functional of a Borel probability measures on H
should be continuous in S-topology. A part of proof of this theorem (see lemma 4.9)
suggests the way to construct a probability measure by its characteristic functional.
In Chapter 5, theorem 5.1 uses the Minlos–Sazonov theorem to describe a

Gaussian measure on H of general form. It turns out that the correlation operator of
such a measure is always an S-operator. It is shown that each Gaussian measure on
H is just a product of one-dimensional Gaussian measures w.r.t. the eigenbasis of the
correlation operator. Thus, every Gaussian measure on H can be constructed along
the way, as demonstrated in Chapter 2.
The support of Gaussian measure is studied. It is shown that a centered Gaussian

measure is invariant under quite a rich group of linear transforms (see theorem 5.5).
Hence, a Gaussian measure in Hilbert space can be considered as a natural infinite-
dimensional analogue of (invariant) Lebesgue measure.
A criterion for the weak convergence of Gaussian measures is stated, where (due to
theorem 3.9) we recognize the convergence of correlation operators in nuclear norm.
In section 5.5, we study Gaussian measures on a separable normed space X.

Important example 5.3 shows that a Gaussian stochastic process generates a measure
on the path space Lp [0, T ], hence in case p = 2, we obtain a Gaussian measure on
Hilbert space. Lemma 5.9 presents a characterization of Gaussian random element in
X.
The famous theorem of Fernique is proven, which states that certain exponential
moments of a Gaussian measure on X are finite. In particular, every Gaussian measure
on a separable Banach space B has mean value as Bochner integral and its correlation
operator is well-defined. Theorem 5.10 derives the convergence of moments of weakly
convergent Gaussian measures.
In Chapter 6, Kakutani’s remarkable dichotomy for product measures on R∞ is

proven. In particular, two such product measures with absolutely continuous
Introduction xvii
components are either absolutely continuous or mutually singular. This implies the
dichotomy for Gaussian measures on R∞ : two such measures are either equivalent or
mutually singular. Section 6.3 proves the famous Feldman–Hájek dichotomy for
Gaussian measures on H, and in case of equivalent measures, expressions for
Radon–Nikodym derivatives are provided.
In section 6.4, the results of Chapter 6 are applied in statistics. Based on a single
observation of Gaussian random element in H, we construct unbiased estimators for
its mean and for parameters of its correlation operator; also we check a hypothesis
about the mean and the correlation operator (the latter hypothesis is in the case where
the Gaussian element is centered). In view of example 5.3 with p = 2, these statistical
procedures can be used for a single observation of a Gaussian process on finite time
interval.
The book is aimed for advanced undergraduate students and graduate students in
mathematics and statistics, and also for theoretically interested students from other
disciplines, say physics.
Prerequisites for the book are calculus, algebra, measure theory, basic probability
theory and functional analysis (we do not use generalized functions). In section 6.4,
the knowledge of basic mathematical statistics is required.
Some words about the structure of the book: we present the results in lemmas,
theorems, corollaries and remarks. All statements are proven. Important and
illustrative examples are given. Furthermore, each section ends with a list of
problems. Detailed solutions to the problems are provided in Chapter 7.
The abbreviations and notation used in the book are defined in the corresponding
chapters; an overview of them is given in the following list.
Abbreviations and Notation
a.e. almost everywhere w.r.t. Lebesgue measure

a.s. almost surely
cdf cumulative distribution function
pdf probability density function
i.i.d. independent and identically distributed (random variables or
vectors)
r.v. random variable
LHS left-hand side
RHS right-hand side
MLE maximum likelihood estimator
|A| number of points in set A
Ac complement of set A
Ā closure of set A
TB image of set B under transformation T
T −1 A preimage of set A under transformation T
x , A transposed vector and transposed matrix, respectively
R̄ extended real line, i.e. R̄ = R ∪ {−∞, +∞}
Rn×m space of real n × m matrices
B(x, r), B̄(x, r) open and closed ball, respectively, centered at x with radius
r > 0 in a metric space
f+ positive part of function f , f+ = max(f, 0)
f− negative part of function f , f− = − min(f, 0)
δij Kronecker delta, δij = 1 if i = j, and δij = 0, otherwise
an ∼ bn {an } is equivalent to {bn } as n → ∞, i.e. an /bn → 1 as
n→∞
C(X) space of all real continuous functions on X
R∞ space of all real sequences
B(X) Borel sigma-algebra on metric (or topological) space X
xx Gaussian Measures in Hilbert Space
λm Lebesgue measure on Rm
Sm sigma-algebra of Lebesgue measurable sets on Rm
IA indicator function, i.e. IA (x) = 1 if x ∈ A, else IA (x) = 0
μT −1 measure induced by measurable transformation T based on
measure μ, i.e. (μT −1 )(A) = μ(T −1 A), for each measurable
set A
L(X, μ) space of Lebesgue integrable functions on X w.r.t. measure μ
f = g (mod μ) functions f and g are equal almost everywhere w.r.t. measure μ
δx Dirac measure at point x, δx (B) = IB (x)
νμ signed measure ν is absolutely continuous w.r.t. measure μ
dν
dμ the Radon–Nikodym derivative of ν w.r.t. μ
ν∼μ measures ν and μ are equivalent
ν⊥μ signed measure ν and measure μ are mutually singular
(x, y) inner product of vectors x and y in Euclidean or Hilbert space
x Euclidean norm of vector x
A Euclidean norm of matrix A, A = sup Ax x
x=0
Im the identity matrix of size m
rk(S) rank of matrix S
Pn
√ projective operator, Pn x = (x1 , . . . , xn ) , x ∈ R∞
A square root of positive semidefinite
√ matrix A, it is positive
semidefinite as well with ( A)2 = A
x, x∗ or x∗ , x value of functional x∗ at vector x
I the identity operator
L(X) space of linear bounded operators on normed space X
R(A) range of operator A, R(A) = {y : ∃x, y = Ax}
L⊥ orthogonal complement to set L
L2 [a, b] Hilbert space of square integrable real functions with inner
b
product (x, y) = a x(t)y(t)dt, the latter is Lebesgue integral
lp space of real sequences x = (xn )∞ 1 with norm x p =
∞ 1/p
( n=1 |xn |p ) if 1 ≤ p < ∞, and x ∞ = supn≥1 |xn |
if p = ∞. Forp = 2, l2 is Hilbert space with inner
∞
product (x, y) = 1 xn yn .
l2,a weighted l2 space
span(M ) span of set M, i.e., set of all finite linear combinations of vectors
from M
Ân cylinder in R∞ with base An ∈ B(Rn )
A = A L(X) operator norm of linear bounded operator A, A = sup Ax x
x=0
∗
√ A 1/2 adjoint operator
B=B square root of self-adjoint positive operator B
|A| modulus of compact operator A, |A| = (A∗ A)1/2
Abbreviations and Notation xxi
A 1 nuclear norm of operator A

A 2 Hilbert–Schmidt norm of operator A
An ⇒ A operators An uniformly converge to operator A
S0 (H) class of finite-dimensional operators on H
S1 (H) class of nuclear operators on H
S2 (H) class of Hilbert–Schmidt operators on H
S∞ (H) class of compact operators on H
LS (H) class of S-operators on H
A≥0 operator A is positive, i.e. (Ax, x) ≥ 0 for all x
A≥B comparison in Loewner order of self-adjoint operators: A − B is
n positive operator
k=1 A k Cartesian product of sets A1 , . . . , An
n
k=1 μ k product of measures μ1 , . . . , μn
∞
k=1 k μ product measure on R∞ or on Hilbert space
mμ mean value of measure μ
Cov(μ) variance-covariance matrix of measure μ on Rn
ϕμ or μ̂ characteristic function (or functional) of measure μ
Aμ operator of second moment of measure μ
Sμ correlation operator of measure μ
σn (z1 , . . . , zn ) weak moments of order n of Borel probability measure on H
μX distribution of random vector X or random element X,
μX (B) = P(X ∈ B) for all Borel sets B
ϕX characteristic function (functional) of random vector
(element) X
EX expectation of random vector (element) X
DX variance of random variable X
Cov(X) variance-covariance matrix of random vector X
d
X=Y random vectors (elements) X and Y are identically distributed
N (m, σ 2 ) Gaussian distribution with mean m and variance σ 2 , σ ≥ 0
N (m, S) Gaussian distribution on Rn (or on H) with mean value m and
variance-covariance matrix (or correlation operator) S
d
−
→ convergence in distribution of random elements
1
Gaussian Measures in Euclidean Space
1.1. The change of variables formula
Let (X, S, μ) be a measure space, i.e. X is a non-empty set, S is a sigma-algebra on

X and μ is a measure on S. Consider also a measurable space (Y, F ), i.e. Y is another
non-empty set and F is a sigma-algebra on Y. Let T : X → Y be a measurable
transformation, which means that
∀A ∈ F, T −1 A ∈ S. [1.1]
Hereafter
T −1 A := {x ∈ X : T x ∈ A} [1.2]
is preimage of A under T . (To simplify the notation, we write T −1 A and T x rather

than T −1 (A) and T (x), respectively, if it does not cause confusion.)
Introduce a set function
ν(A) = μ(T −1 A), A ∈ F. [1.3]
T HEOREM 1.1.– (About induced measure) The set of function ν given in [1.3] is a
measure on F .
P ROOF.– The function ν is well defined due to [1.1]. We have to show that it is not
identical to infinity, but it is non-negative and sigma-additive.
Indeed, ν(∅) = μ(T −1 ∅) = μ(∅) = 0, and therefore, ν is not identical to infinity.

For each A ∈ F , ν(A) ≥ 0, because μ is a non-negative set function.
Gaussian Measures in Hilbert Space: Construction and Properties,

First Edition. Alexander Kukush.
© ISTE Ltd 2019. Published by ISTE Ltd and John Wiley & Sons, Inc.
2 Gaussian Measures in Hilbert Space
Finally, {An , n ≥ 1} are disjoint sets from F . Then the preimages {T −1 An ,

n ≥ 1} are disjoint as well, and
∞
∞
∞

−1 −1
ν An =μ T An =μ T An =
n=1 n=1 n=1
∞
∞

= μ T −1 An = ν(An ).
n=1 n=1
Here, we used the sigma-additivity of μ. Thus, ν is a non-negative and sigma-

additive set function on the sigma-algebra F , i.e. ν is a measure on F .
D EFINITION 1.1.– The set function ν given in [1.3] is called a measure induced by
transformation T and is denoted as μT −1 .
The notation prompts how to evaluate ν(A):
(μT −1 )(A) = μ(T −1 A), A ∈ F.
For any measurable space (Y, F, ν), denote L(F, ν) the space of Lebesgue
integrable functions on Y w.r.t. measure ν.
Let f : Y → R̄ be an F -measurable function, i.e. for each Borel subset B of

extended real line R̄, it holds f −1 B ∈ F .
T HEOREM 1.2.– (The change of variables formula) Assume that either f ≥ 0 or

f ∈ L(Y, μT −1 ). Then it holds
f (T x)dμ(x) = f (y)d(μT −1 )(y). [1.4]

X Y
P ROOF.– Equality [1.4] is shown in a standard way: first for indicators, then for simple
non-negative functions, then for f ≥ 0, and finally, for f ∈ L(Y, μT −1 ).
a) Let A ∈ F ,
1, if y ∈ A
f (y) = IA (y) =
0, otherwise.
Then
1, if T x ∈ A
IA (T x) =
0, otherwise,
1, if x ∈ T −1 A
IA (T x) =
0, otherwise,
Gaussian Measures in Euclidean Space 3
IA (T x) = IT −1 A (x).
Hence
IA (T x)dμ(x) = IT −1 A (x)dμ(x) = μ(T −1 A) = (μT −1 )(A),

X X
IA (y)d(μT −1 )(y) = (μT −1 )(A),

Y
and [1.4] follows for the indicator function.
b) Let f ≥ 0 be a simple F -measurable function. Then it admits a representation

m
f (y) = ak IAk (y), y ∈ Y, [1.5]
k=1
with disjoint measurable sets {Ak , k = 1, . . . , m} and non-negative ak . For the

function [1.5], relation [1.4] follows due to part (a) of the proof and the linearity of
the Lebesgue integral.
c) Let f be an arbitrary non-negative and F -measurable function. Then there
exists a sequence {pn (y), n ≥ 1, y ∈ Y } of non-negative, simple and F -measurable
functions such that pn converges to f pointwise and pn (y) ≤ pn+1 (y), n ≥ 1, y ∈ Y .
By part (b) of the proof,
pn (T x)dμ(x) = pn (y)d(μT −1 )(y). [1.6]

X Y
Here, tend n to infinity. By the monotone convergence theorem, [1.6] implies [1.4].
d) Finally, let f ∈ L(Y, μT −1 ),
f+ (y) := max{f (y), 0}, f− (y) := − min{f (y), 0}, y ∈ Y.
By part (c) of the proof,
f+ (T x)dμ(x) = f+ (y)d(μT −1 )(y), [1.7]

X Y
f− (T x)dμ(x) = f− (y)d(μT −1 )(y). [1.8]

X Y
Subtract [1.8] from [1.7] and obtain [1.4] using the definition of Lebesgue integral.

Problems 1.1
1) Let λT2 be a Lebesgue measure on [0, T ]2 ; π1 (x1 , x2 ) = x1 , (x1 , x2 ) ∈ [0, T ]2 ,

π1 : [0, T ]2 → R. Show that
(λT2 π1−1 )(A) = T · λ1 (A ∩ [0, T ]), A ∈ S1 ,
where λ1 is Lebesgue measure on R and S1 is sigma-algebra of Lebesgue measurable

sets on R.
2) Let μ1 and μ2 be finite measures on Borel sigma-algebra B(R), and
π(x1 , x2 ) = x1 , (x1 , x2 ) ∈ R2 . Find the induced measure (μ1 × μ2 )π1−1 .
3) For the objects of theorem 1.1, prove the following: if μT −1 is sigma-finite,
then μ is sigma-finite as well. Does the opposite hold true?
4) Let f : Y → R̄ be any F -measurable function. Show that the Lebesgue integral
on the left-hand side of [1.4] is well defined if, and only if, the integral on the right-
hand side of [1.4] is well defined. Moreover, in case where they are well defined, they
coincide.
1.2. Invariance of Lebesgue measure
Consider a measure space (X, S, μ) and a measurable transformation T : X → X.
D EFINITION 1.2.– The measure μ is called invariant under T , or T -invariant, if

μT −1 = μ.
R EMARK 1.1.– Assume additionally that T is a bijection on X, and moreover T −1 is

a measurable transformation as well. Then μ is T -invariant if and only if
μ(B) = μ(T B), ∀B ∈ S. [1.9]
(Hereafter T B denotes image of B under T .)
P ROOF.–
a) Let μ be T -invariant and B ∈ S. Because T −1 is measurable, A := T B ∈ S.
It holds B = T −1 A, and μ(T −1 A) = μ(A). Equality [1.9] follows.
b) Conversely, assume [1.9] and take any A ∈ S. Denote B0 = T −1 A, B0 ∈ S.
Then (μT −1 )(A) = μ(B0 ) = μ(T B0 ) = μ(A), and μ is T -invariant.
E XAMPLE 1.1.– (Counting measure) Let X = {1, 2, ..., n}, S = 2X be the sigma-
algebra of all subsets of X, and μ be the counting measure on X, i.e. μ(A) = |A|,
A ∈ S. (Hereafter |A| is number of points in a set A; if A is infinite, |A| = +∞.) Then
μ is invariant under any bijection π on X. Indeed, μ(π −1 A) = |π −1 A| = |A| = μ(A),

A ∈ S.
In this section, we show that Lebesgue measure λn on Rn is rotation and

translation invariant. Hereafter, we suppose that Euclidean space Rn consists of
column vectors x = (x1 , . . . , xn ) .
D EFINITION 1.3.– Affine transformation of Rn is a mapping of a form T x = Lx + c,

with L ∈ Rn×n and c ∈ Rn . Such transformation is called non-singular if L is
non-singular. Otherwise, if det L = 0, then T of this form is called a singular affine
transformation.
R EMARK 1.2.– Affine transformation T x = Lx + c is invertible if, and only if, it is

non-singular. In this case, the inverse transformation is a non-singular affine
transformation as well, and it acts as follows:
T −1 y = L−1 y − L−1 c, y ∈ Rn .
Remember that non-singular affine transformations on a plane include rotations,
translations and axial symmetries.
T HEOREM 1.3.– (Transformation of Lebesgue measure at Borel sets) Consider

Lebesgue measure λn on Borel sigma-algebra B(Rn ). Let T x = Lx + c be a
non-singular affine transformation on Rn . Then
1
λn T −1 = λn . [1.10]
| det L|
P ROOF.– Transformation T is continuous, and, therefore, Borel measurable. Hence
the induced measure λn T −1 on B(Rn ) is well defined.
a) For a = (ak )n1 and b = (bk )n1 with ak < bk , k = 1, . . . , n denote
n n
[a, b] = [ak , bk ], (a, b] = (ak , bk ]. [1.11]
k=1 k=1

n
Hereafter, Ak stands for Cartesian product of A1 , . . . , An . Evaluate
k=1
λn T −1 ([a, b]) = λn T −1 [a, b] = dλn = dx.

T −1 [a,b] T −1 [a,b]
The latter integral is Riemann integral over the compact and Jordan measurable set
T −1 [a, b]. The change of variables in the Riemann integral leads to the following:
−1
∂y
λn T −1 [a, b] = dy = mn ([a, b]) = λn ([a, b]) .
| det L| | det L|
[a,b] ∂x
Here mn is Jordan measure on Rn .

b) Consider a set (a, b] introduced in [1.11], and let {ak (m), m ≥ 1} be a

decreasing sequence that converges to ak such that ak (m) < bk , m ≥ 1; k = 1, . . . , n.
n
Denote a(m) = (ak (m))k=1 ∈ Rn . Then Am := [a(m), b] is a monotone sequence of
sets that converges to (a, b]. The continuity of Lebesgue measure from below implies
λn (Am ) λn ((a, b])

λn T −1 ((a, b]) = lim λn (T −1 Am ) = lim = .
m→∞ m→∞ | det L| | det L|
Here, we used part (a) of the proof.

c) Thus, the two measures λn T −1 and | detλn
L| in [1.10] coincide on the semiring
Pn that consists of all bricks (a, b] from [1.11]. Both measures are sigma-finite, and
therefore, they coincide on σr(Pn ) = B(Rn ), where σr(Pn ) is sigma-ring generated
by Pn .
Now, we extend theorem 1.3 to Lebesgue measure λn on sigma-algebra Sn of

Lebesgue measurable sets in Rn .
L EMMA 1.1.– Non-singular affine transformation T x = Lx + c is

(Sn , Sn )-measurable, i.e. for any A ∈ Sn , T −1 A ∈ Sn as well.
P ROOF.– It is known (see [HAL 13]) that
Sn = {B ∪ N |B ∈ B(Rn ), N ⊂ N0 with N0 ∈ B(Rn ), λn (N0 ) = 0}. [1.12]
Let A ∈ Sn , then A = B ∪ N , with B and N described in [1.12]. It holds
T −1 A = T −1 B ∪ T −1 N , T −1 B ∈ B(Rn ), [1.13]
λn (N0 )
T −1 N ⊂ T −1 N0 , T −1 N0 ∈ B(Rn ), λn T −1 N0 = = 0. [1.14]
| det L|
Here, we used theorem 1.3 and the fact that T is a Borel function. Decompositions
[1.13] and [1.14] show that T −1 A ∈ Sn .
T HEOREM 1.4.– (Transformation of Lebesgue measure) Let T x = Lx + c be a

non-singular affine transformation on Rn . For Lebesgue measure λn on Sn , it holds
λn
λn T −1 = .
| det L|
P ROOF.– Consider A ∈ Sn and decompose T −1 A as in [1.13] and [1.14]. Because

λn (N ) = λn (T −1 N ) = 0, we have by theorem 1.3:
λn (B) λn (A)
λn T −1 A = λn T −1 B = = .
| det L| | det L|
C OROLLARY 1.1.– (Criterion for invariance of Lebesgue measure) Lebesgue measure

λn on Sn is invariant under a non-singular affine transformation T x = Lx + c if, and
only if, det L = ±1.
In particular, λn is symmetric around the origin, and it is invariant under

translations T x = x + c and orthogonal transformations T x = U x, where U is an
orthogonal matrix (i.e. U −1 = U ), e.g. under symmetries w.r.t. hyperplanes that
pass through the origin. In the planar case (n = 2), λ2 is invariant under the
transformation

2x1
Tx = 1 , x ∈ R2 .
2 x2
Here, T is dilation along x1 -axis with coefficient 2 and contraction along x2 -axis
with the same coefficient.
C OROLLARY 1.2.– (Affine change of variables) Let T x = Lx + c be a non-singular

affine transformation on Rn and f : Rn → R̄ be a Lebesgue measurable function,
which is either non-negative or belongs to L(Rn , λn ). Then it holds
1
f (T x)dλn (x) = f (y)dλn (y).
Rn | det L| Rn
P ROOF.– Apply theorems 1.2 and 1.4:

1
f (T x)dλn (x) = f (y)d λn T −1 (y) = f (y)dλn (y).
Rn Rn | det L| Rn
Problems 1.2
5) Let T x = |x|, x ∈ R. Find λ1 T −1 .

6) Let f : R → R be a Lebesgue measurable function such that ∀x, y ∈ R,
|f (x) − f (y)| ≥ |x − y|. Prove that f is (S1 , S1 )-measurable, where S1 is sigma-
algebra of Lebesgue measurable sets on real line.
7) Show that arctan x is an (S1 , S1 )-measurable function. Let f : − π2 , π2 →
[0, +∞] be a Lebesgue measurable function. Prove that
f (t)
f (arctan x)dλ1 (x) = dλ1 (t).
R (− π2 , π2 ) cos2 t
8) Show that ex is (S1 , S1 )-measurable function. Let f : (0, ∞) → [0, +∞] be a

Lebesgue measurable function. Prove that
f (t)
f (ex )dλ1 (x) = dλ1 (x).
R (0,+∞) t
9) Prove that f (x) = ||x||, x ∈ Rn is (Sn , S1 )-measurable function.

10) Let f : [0, +∞) → [0, +∞] be a Lebesgue measurable function. Prove that the
measure
μ(A) = f (||x||) dλn (x), A ∈ Sn

A
is invariant under unitary operators in Rn .

11) Let μ be a measure on Sn , which is finite at each bounded set from Sn ,
absolutely continuous w.r.t. λn and invariant under unitary operators in Rn . Prove
that there exists a Borel function f : [0, +∞) → [0, +∞) such that representation
from Problem 10 holds true.
Hint. Given a locally Lebesgue integrable function g on Rn , a point x ∈ Rn is

Lebesgue point if
1
lim |g(y) − g(x)|dλn (y) = 0.
r→0+ λn (B(x, r)) B(x,r)
Hereafter, B(x, r) is an open ball centered at x with radius r. Use the Lebesgue
differentiation theorem [BOG 07] which states that, given any locally Lebesgue
integrable function g on Rn , almost every x is a Lebesgue point of g.
12) Let g : Rn → R be a Lebesgue measurable function such that g(T x) = g(x)
(mod λn ), for all unitary operators T in Rn . Prove that there exists a Borel function
f : [0, +∞) → R, with g(x) = f (||x||) (modλn ).
13) Let α > 0 and f ∈ L(R, λ1 ). Prove that f (n1+α x) → 0 as n → ∞ for almost
all x ∈ R. Extend this statement to functions from L(Rm , λm ).
14) Let f : Rn → R̄, f ∈ L([0, +∞), λ1 ). Prove the following:
a) If f is an even function, then
f dλ1 = 2 f dλ1 .
R [0,+∞)

b) If f is an odd function, then R
f dλ1 = 0.
15) Let f : [−1, 1] → (0, +∞) be a Lebesgue measurable function. Find the
f (x)
integral [−1,1] f (x)+f (−x) dλ1 (x).
1.3. Absence of invariant measure in infinite-dimensional Hilbert space
Let H be a real Hilbert space, with Borel sigma-algebra B(H). In this section, we
search for a measure λ on B(H) with the following properties:
i) λ is positive at each non-empty open set;
ii) λ is finite at each bounded Borel set;
iii) λ is invariant under each translation T x = x + c, x ∈ H, with c ∈ H.
Remember that a linear operator U in H is called unitary if ||U x|| = ||x||, x ∈ H,

and R(U ) = H. An operator U ∈ L(H) is unitary if, and only if, U ∗ = U −1 .
iv) λ is invariant under each unitary operator in H.
Note that Lebesgue measure λn on B(Rn ) possesses the properties (i)–(iv).
T HEOREM 1.5.– (Absence of invariant measure in H) Let H be an infinite-

dimensional real Hilbert space. Then:
a) There is no measure λ with properties (i)–(iii).
b) There is no measure λ with properties (i), (ii) and (iv).
P ROOF.– Because dim(H) = ∞, there exists an infinite orthonormalsystem{en ,

√ √
n ≥ 1} in H. For k = m, ||ek − em || = 2, hence open balls B en , 22 are
√ √
disjoint. For x ∈ B en , 22 , it holds ||x|| ≤ ||en || + ||x − en || < 1 + 22 < 2, and
√ ∞
√
2 2
B en , ⊂ B(0, 2), B en , ⊂ B(0, 2). [1.15]
2 n=1
2
a) Let λ have the properties

√ k =√m,the translation T x = x+em −ek ,
(i)–(iii). For
x ∈ H maps the ball B ek , 22 onto B em , 22 . Hence by (i) and (iii),
√ √
2 2
λ B ek , = λ B em , = a > 0. [1.16]
2 2
Due to [1.15] and [1.16], we have

∞
√ ∞
2
λ(B(0, 2)) ≥ λ B en , = a = +∞, λ(B(0, 2)) = +∞.
n=1
2 n=1
But this contradicts property (ii). Therefore, such a measure λ does not exist.
b) Now, assume that λ has

√
the properties
(i),
√
(ii) and (iv). Construct a unitary
operator U that maps B ek , 2 onto B em , 2 , with fixed k = m.
2 2
Let L be a subspace generated by {en , n = 1, 2, . . . }. Each x ∈ H can be

decomposed as
∞

x= (x, en )en + z, z ∈ L⊥ .
n=1
The isometric operator

∞

U x = (x, ek )em + (x, em )ek + (x, en )en + z
n=k,n=m
√ √
is a surjection, and hence is unitary. It maps B ek , 22 onto B em , 22 , and by
properties (iv) and (i), it holds [1.16]. The rest of the proof follows the line of part (a)
of the proof.
As we see, in space l2 of sequences and in the space L2 [a, b] of functions there is no

measure analogous to Lebesgue measure. Nevertheless, we will construct a measure
in an infinite-dimensional Hilbert space, which is invariant under quite a large group
of transformations. It will be a Gaussian measure.
Problems 1.3
16) Prove that there is no measure λ on B(l∞ ) with properties (i) and (ii) from
section 1.3, where l∞ is the space of real bounded sequences with the supremum
norm.
17) Let X be a real normed space, with dim(X) = ∞. Prove that there is no
measure λ on B(X) with properties (i)–(iii) from section 1.3.
18) A linear bijection V on a normed space X is called isometry if ||V x|| = ||x||,
x ∈ X. Prove that there is no measure λ on B(lp ) with properties (i) and (ii) from
section 1.3 and such that λ is invariant under all isometries on lp , 1 ≤ p < ∞.
19) Let ϕ(t), t ∈ [0, 1] be a continuous increasing function, with ϕ(0) = 0,
ϕ(1) = 1, and ϕ(t) < t, t ∈ (0, 1). In Banach space, X = C[0, 1] introduce a
transformation (T x)(t) = x(ϕ(t)), t ∈ [0, 1], x ∈ X. Prove that there is no measure
λ on B(X) with properties (i) and (ii) from section 1.3 and such that it is T -invariant.
1.4. Random vectors and their distributions
Remember that a probability measure is a measure on sigma-algebra, which is

equal to 1 at the total space. A measure space (Ω, F, P) is called probability space if
P is a probability measure, i.e. P(Ω) = 1.
1.4.1. Random variables
A random variable (r.v.) on a probability space (Ω, F, P) is just an F-measurable

function on Ω.
D EFINITION 1.4.– Let X = X(ω) be a r.v. on a probability space (Ω, F, P). The
distribution of X is a probability measure μX defined as follows:
μX (B) = P{ω : X(ω) ∈ B}, B ∈ B(R).
Note that μX is a measure induced by the mapping X : Ω → R, i.e. μX = P X −1

(see definition 1.1).
A Borel function f : R → R is called the probability density function (pdf) of a

r.v. X if
P{X(ω) ∈ B} = f (t)dλ1 (t), B ∈ B(R).

B
Actually, this means that the distribution μX λ1 , where the Lebesgue measure
λ1 is considered on B(R), and moreover the Radon–Nikodym derivative
dμX
dλ1 = f (t)(modλ1 ).
D EFINITION 1.5.– A r.v. γ is called normal (or normally distributed) if it has a pdf of
the form
1 (x−m)2
ρ(x) = √ e− 2σ2 , x ∈ R,
2πσ
with parameters m ∈ R and σ > 0. This is denoted as follows: γ ∼ N (m, σ 2 ).
If γ ∼ N (m, σ 2 ), then it holds

E γ = m, D γ = σ2 .
Hereafter, E stands for expectation and D stands for the variance of a r.v.
Remember that
2
Eγ = γ(ω)d P(ω), D γ = E(γ − m)2 = (γ(ω) − m) d P(ω).
Ω Ω
By the change of variables formula (theorem 1.2), it holds

2
Eγ = xdμγ (x), Dγ = (x − m) dμγ (x),
R R
and since γ has pdf equal ρ, we have

2
m = Eγ = xρ(x)dx, σ2 = D γ = (x − m) ρ(x)dx.
R R
The latter integrals are Lebesgue integrals.
D EFINITION 1.6.– A r.v. γ has degenerate normal distribution N (m, 0) if γ(ω) = m,

almost surely (a.s.). We denote it as γ ∼ N (m, 0).
In this case, E γ = m, D γ = 0, and the distribution μγ is a point measure

concentrated at m:
μγ (B) = IB (m), B ∈ B(R).
Such a measure is called Dirac measure at point m and is denoted as δm .
D EFINITION 1.7.– A r.v. γ is called Gaussian if it is either normally distributed (with

positive variance) or has degenerate normal distribution (with zero variance).
Thus, a Gaussian r.v. γ satisfies γ ∼ N (m, σ 2 ) with some m ∈ R and σ ≥ 0. If

σ > 0, then μγ λ1 , and if σ = 0, then μγ = δm ⊥ λ1 (i.e. μγ is singular to λ1 ).
D EFINITION 1.8.– A r.v. γ ∼ N (0, 1) is called standard normal.
Remember that characteristic function ϕξ of a r.v. ξ is as follows:
ϕξ (t) = E eitξ , t ∈ R.
A normal r.v. γ ∼ N (m, σ 2 ) has characteristic function
σ 2 t2
ϕγ (t) = exp{imt − }. [1.17]
2
If γ has degenerate normal distribution N (m, 0), then
ϕγ (t) = exp{imt}.
Thus, relation [1.17] holds true for any Gaussian r.v. γ ∼ N (m, σ 2 ), with σ ≥ 0.
1.4.2. Random vectors
Remember that a random vector X distributed in Rn is F-measurable mapping

X : Ω → Rn , where (Ω, F, P) is the underlying probability space.
A mapping X(ω) = (X1 (ω), . . . , Xn (ω)) , ω ∈ Ω is a random vector if, and

only if, all Xk (ω), k = 1, . . . , n are random variables.
For a random vector X, its expectation is defined coordinate-wise:

E X = (E X1 , . . . , E Xn ) =: m, m = (m1 , . . . , mn ) ∈ Rn .
In case E Xk2 < ∞ for all k = 1, . . . , n, its variance–covariance matrix Cov(X) =

(sij )ni,j=1 is defined as follows:
sij = Cov(Xi , Xj ) = E (Xi − mi ) (Xj − mj ) , i, j = 1, . . . , n. [1.18]
Hereafter, expectation E is considered as an operator that acts on the total product

under its sign, and we omit brackets for brevity.
The variance–covariance matrix can be expressed as

Cov(X) = E (X − m) (X − m) . [1.19]
Here, the expectation of a random matrix is a matrix composed of expectations of

entries, according to [1.18]. The variance–covariance matrix is a positive semidefinite
matrix, i.e. it is symmetric and the corresponding quadratic form is non-negative. The
variance–covariance matrix of a random vector X exists if and only if E ||X||2 < ∞.
L EMMA 1.2.– (Variance–covariance matrix under linear transform) Let X be a

random vector in Rn , with variance–covariance matrix S, and A ∈ Rp×n . Then AX
is a random vector in Rp , with
Cov(AX) = ASA . [1.20]
P ROOF.– The mapping AX : Ω → Rp is F-measurable, as a Borel function of

random vector. Hence AX is a random vector in Rp , and because
E ||AX||2 ≤ ||A||2 · E ||X||2 < ∞, it has a variance–covariance matrix.
Hereafter, ||A|| is Euclidean norm of matrix A,

||Ax||
||A|| = sup .
x=0 ||x||
Now, E(AX) = A(E X) = Am, where m = E X, and

Cov(AX) = E (AX − Am) (AX − Am) =

= E[A (X − m) (X − m) A ] = A · E (X − m) (X − m) · A = ASA .
Here, we used the linearity of the operator of taking expectation.
C OROLLARY 1.3.– (Moments of linear functional) Let a ∈ Rn and X be a random

vector in Rn , with mean value m and variance–covariance matrix S. Then
E(a X) = a m, D(a X) = a Sa.
P ROOF.– The statement follows from lemma 1.2 and its proof if to put A = a ∈
R1×n . The random vector a X is just a r.v., and its variance–covariance matrix is just
the variance.
1.4.3. Distributions of random vectors
Let X be a random vector distributed in Rn . Its distribution is introduced similarly

to definition 1.4.
D EFINITION 1.9.– The distribution of X is a probability measure μX defined as

follows:
μX (B) = P{ω : X(ω) ∈ B}, B ∈ B(Rn ).
It is always possible to construct a random vector with a given distribution.
L EMMA 1.3.– Given a probability measure μ on B(Rn ), there exists a random vector
X, with distribution μX = μ.
P ROOF.– Take the measure space (Rn , B(Rn ), μ) as a probability space (Ω, F, P) and
define X : Ω → Rn as X(ω) = ω. Then
μX (B) = P{ω ∈ B} = P(B) = μ(B), B ∈ B(Rn ).
Remember that random variables X1 , . . . , Xn , which are defined on the same

probability space, are independent if
n
P{X1 ∈ B1 , X2 ∈ B2 , . . . , Xn ∈ Bn } = P{Xk ∈ Bk },
1
for all B1 , . . . , Bn ∈ B(R).
The latter relation can be written in terms of the distribution μX of random vector
X = (Xk )n1 and marginal distributions μXk of its components:
n n
μX ( Bk ) = μXk (Bk ).
1 1
n
Here 1 Bk denotes Cartesian product of the sets Bk .
It is clear that components of random vector X = (Xk )n1 are independent if, and
only if, μX is a product of n probability measures, and in this case
n
μX = μXk .
1
Remember that characteristic function ϕX of a random vector X is defined as

follows:
ϕX (t) = E ei(X,t) , t ∈ Rn .
One can rewrite ϕX (t) using the change of variables formula (see theorem 1.2):

ϕX (t) = e i(X(ω),t)
dP (ω) = ei(z,t) d(P X −1 )(z),
Ω Rn

ϕX (t) = ei(z,t) dμX (z).
Rn
This prompts the following definition.
D EFINITION 1.10.– Given a probability measure μ on B(Rn ), its characteristic

function ϕμ is as follows:

ϕμ (t) = ei(z,t) dμ(z), t ∈ Rn .
Rn
Thus, ϕX and ϕμX coincide.
From standard course of probability theory, it is known that the cumulative

distribution function (and therefore, the distribution) of a random vector is uniquely
defined by its characteristic function.
L EMMA 1.4.– (Criterion for independence) Consider a random vector X = (Xk )n1 .
Its components are independent if, and only if, ϕX can be decomposed as follows:
ϕX (t) = ϕ1 (t1 )ϕ2 (t2 ) . . . ϕn (tn ), t ∈ Rn ,
where ϕk : R → C are some functions with ϕk (0) = 1, k = 1, . . . , n, and in this case

n
ϕX (t) = ϕXk (tk ), t ∈ Rn .
1
P ROOF.–
a) Let Xk be independent. Then random variables eitk Xk , k = 1, . . . , n are
independent as well, and
n n n
ϕX (t) = E e itk Xk
= Ee itk Xk
= ϕXk (tk ); ϕXk (0) = 1.
1 1 1
b) Assume that ϕX (t) = ϕ1 (t1 )ϕ2 (t2 ) . . . ϕn (tn ), with ϕk (0) = 1, k = 1, . . . , n.

Let {ek , k = 1, . . . , n} be the standard orthobasis in Rn . Then
ϕXk (tk ) = E eitk Xk = E ei(X,tk ek ) = ϕX (tk ek ) = ϕk (tk ).
Let Y = (Yk )n1 be a random vector with independent components and the same
marginal distributions:
μ Yk = μ X k , k = 1, . . . , n.
n
(Such Y can be constructed if to apply lemma 1.3 to the measure μ = 1 μXk .)
Then, by part (a) of the proof,
n n
ϕY (t) = ϕYk (tk ) = ϕXk (tk ) = ϕX (t), t ∈ Rn .
1 1
Therefore,
n n
μ X = μY = μY k = μ Xk ,
1 1
and the components of X are independent.
In an obvious way, lemma 1.3 can be reformulated as a criterion for a probability

measure on B(Rn ) to be a product of n probability measures on B(R).
D EFINITION 1.11.– Given a probability measure μ on B(Rn ), its mean value mμ and
variance–covariance matrix Cov(μ) = (sij )ni,j=1 are defined as follows:
n
n
mμ = xdμ(x) := xk dμ(x) = (mk )1 ,
Rn Rn k=1
sij = (xi − mi ) (xj − mj ) dμ(x), i, j = 1, . . . , n.

Rn
Definition 1.11 is consistent with the corresponding definition of the mean and
variance–covariance matrix of a random vector. Indeed, for a random vector X, it
holds
E X = mμX , Cov(X) = Cov(μX ),
i.e. expectation and variance–covariance matrix of a random vector are just the mean
and variance–covariance matrix of its distribution.
Now, we interpret the bilinear form generated by S = Cov(X). Let m = E X and

u, v ∈ Rn ; then

(Su, v) = v E(X − m)(X − m) u = E v (X − m)(X − m) u ,
(Su, v) = E(X − m, u)(X − m, v).

For a probability measure μ on B(Rn ), with m = mμ and S = Cov(μ), we have,
respectively:
(Su, v) = (z − m, u) (z − m, v) dμ(z), u, v ∈ Rn .
Rn
For the mean value, we have
(m, u) = (z, u) dμ(z), u ∈ Rn .

Rn
Those expressions are the first and the central second moments of measure μ.
Problems 1.4
20) A measure μ on B(Rn ) is called symmetric around the origin if μ(B) =

μ(−B), for all B(Rn ). Let μ be a probability measure on B(Rn ). Prove that μ is
symmetric around the origin if, and only if, its characteristic function ϕμ takes real
values only.
21) Let μ be a probability measure on B(Rn ). Prove that μ is invariant under all
orthogonal transformations if, and only if, there exists a function f : [0, +∞) → C
such that ϕμ (t) = f (||t||), t ∈ Rn .
22) Let μ and ν be probability measures on B(Rn ) such that μ B̄(x, r) =
ν(B̄(x, r)), for all closed balls B̄(x, r) in Rn . Prove that μ = ν.
1.5. Gaussian vectors and Gaussian measures
1.5.1. Characteristic functions of Gaussian vectors
D EFINITION 1.12.– A random vector ξ in Rn is called Gaussian if for each a ∈ Rn ,

inner product (ξ, a) is a Gaussian r.v.
n
Consider a Gaussian random vector ξ = (ξk )1 in Rn . Its components ξk = (ξ, ek )
are Gaussian random variables, ξk ∼ N (mk , σk2 ) with σk ≥ 0; k = 1, . . . , n. Such
random variables, the components of a Gaussian random vector, are called jointly
Gaussian. It holds

n
n
E ||ξ||2 = E ξk2 = (m2k + σk2 ) < ∞,
1 1
and therefore, Cov(ξ) is well defined. We have

n n
E ξ = (E ξk )1 = (mk )1 =: m, m ∈ Rn ;
S := Cov(ξ) = (sij )ni,j=1 , sij = Cov(ξi , ξj ),

sii = D ξi = σi2 , 1 ≤ i, j ≤ n.
Then we write
ξ ∼ N (m, S)
and say that ξ is a Gaussian random vector with mean m and variance–covariance
matrix S. Here, S is a positive semidefinite n × n real matrix as a variance–covariance
matrix of a random vector in Rn .
L EMMA 1.5.– If ξ ∼ N (m, S) then for each a ∈ Rn ,
(ξ, a) ∼ N (ma , σa2 ), ma = (m, a), σa2 = (Sa, a).
P ROOF.– R.v. (ξ, a) is Gaussian according to definition 1.12. Its mean and variance
are evaluated in corollary 1.3.
L EMMA 1.6.– If ξ ∼ N (m, S) in Rn , then

(St, t)
ϕξ (t) = exp i(t, m) − , t ∈ Rn .
2
P ROOF.– It holds
ϕξ (t) = E ei(ξ,t) = ϕ(ξ,t) (1).
Now, use lemmas 1.5 and [1.17]

z 2 (St, t)
ϕξ (t) = exp iz(m, t) − ,
2
z=1
and the statement follows.
R EMARK 1.3.– If a random vector ξ has characteristic function given in lemma 1.6,
with certain n × n real and symmetric matrix S, then S is positive semidefinite and
ξ ∼ N (m, S).
P ROOF.– For a ∈ Rn , it holds
ϕ(ξ,a) (u) = E ei(ξ,ua) = ϕξ (ua),

(Sa, a)u2
ϕ(ξ,a) (u) = exp iu(a, m) − , u ∈ R.
2
Since the absolute value of characteristic function does not exceed 1, matrix S is
positive semidefinite, and moreover (ξ, a) ∼ N (ma , σa2 ), with ma = (a, m),
σa2 = (Sa, a). Hence, ξ is a Gaussian vector, with some parameters m1 ∈ Rn
and S1 ∈ Rn×n , S1 is positive semidefinite. Then lemma 1.5 implies
(ξ, a) ∼ N (m̃a , σ̃a2 ), with m̃a = (a, m1 ), σ̃a2 = (S1 a, a). We get (a, m) = (a, m1 )
and (Sa, a) = (S1 a, a) for all a ∈ Rn . Thus, m1 = m and S1 = S.
D EFINITION 1.13.– Random vector γ ∼ N (0, In ) is called standard, or canonical,

Gaussian vector distributed in Rn .
The components γ1 , . . . , γn of standard Gaussian vector are uncorrelated jointly

Gaussian standard random variables. In particular, E γk = 0, D γk = 1, and for all
i = j, Cov(γi , γj ) = E γi γj = 0.
T HEOREM 1.6.– (About components of standard Gaussian vector)

1) Let γ = (γk )n1 be standard Gaussian vector. Then
||t||2
ϕγ (t) = e− 2 , t ∈ Rn
and γ1 , . . . , γn are independent and identically distributed (i.i.d.) N (0, 1) random
variables.
2) If γ1 , . . . , γn are i.i.d. N (0, 1) random variables, then γ = (γk )n1 is standard
Gaussian vector.
P ROOF.–
1) The formula for ϕγ follows from lemma 1.5 with m = 0 and S = In .
Therefore,
n
t2
k
ϕγ (t) = e− 2 .
k=1
Now, by lemma 1.3 the components of γ are independent.

n
2) Let γ1 , . . . , γn be i.i.d. N (0, 1) random
n variables. Then γ = (γk )1 is a random
vector, and for each a ∈ R , (γ, a) =
n
k=1 ak γk is a Gaussian r.v. as a sum of
independent Gaussian random variables. Therefore, γ is Gaussian. We have
E γ = (E γk )n1 = 0,
Cov γ = (sij )ni,j=1 , sij = E γi γj = δij , 1 ≤ i, j ≤ n.
Hereafter, δij is Kronecker delta, δij = 1 if i = j and δij = 0, otherwise. Hence
γ ∼ N (0, In ).
R EMARK 1.4.– (About uncorrelated Gaussian variables) Theorem 1.6 can be extended
as follows: jointly Gaussian random variables ξ1 , . . . , ξn are independent if, and only
if, they are uncorrelated. Based on theorem 1.6, this can be proven by consideration of
i −E ξi
normalized random variables ηi = ξ√ Dξ
(before we cancel that ξi are constant a.s.).
i
1.5.2. Expansion of Gaussian vector
Lemma 1.5 can be generalized for any linear transformation of a Gaussian vector.
L EMMA 1.7.– (Linear transform of Gaussian vector) Let ξ ∼ N (m, S) be a Gaussian

vector in Rn and A ∈ Rp×n . Then Aξ is a Gaussian vector in Rp and
Aξ ∼ N (Am, ASA ).
P ROOF.– For a ∈ Rp , it holds (Aξ, a) = (ξ, A a). It is a Gaussian r.v. due to

definition 1.12. Now, the statement follows from lemma 1.2 and its proof.
Now, we want to show that for any m ∈ Rn and positive semidefinite matrix
S ∈ Rn×n , a random vector ξ ∼ N (m, S) can be obtained as an affine transformation
of standard Gaussian vector.
Let A ∈ Rn×n be a positive semidefinite matrix. Then it has orthonormal

eigenbasis e1 , . . . , en and corresponding non-negative eigenvalues λ1 , . . . , λn . The
matrix can be expanded as follows:

n
A= λk ek e
k.
1
D EFINITION
√ 1.14.– Let A be a positive semidefinite matrix as described above.
1
A 2 = A is a matrix satisfying
√
n
A= λk e k e
k.
1
√ It is a unique positive semidefinite matrix with its square equal to A. The √ matrix
√ A has the same eigenbasis e 1 , . . . , e n and corresponding eigenvalues λ1 , . . . ,
λn .
L EMMA 1.8.– (Representation of Gaussian vector via standard Gaussian vector) Let
m ∈ Rn , S ∈ Rn×n be a positive semidefinite matrix and γ ∼ N (0, In ). Then
√
ξ := m + Sγ ∼ N (m, S).
P ROOF.– According to lemma 1.7

√ √ √ √
Sγ ∼ N (0, SIn ( S) ), Sγ ∼ N (0, S).
This implies the statement.

Since γ ∼ N (0, In ) can be constructed based on i.i.d. N (0, 1) random variables,

lemma 1.8 shows that Gaussian N (m, S) random vectors do exist, for any m ∈ Rn
and any positive semidefinite matrix S ∈ Rn×n .
Now, we expand a Gaussian vector ξ ∼ N (m, S) using i.i.d. N (0, 1) random

variables γ1 , . . . , γr , with r = rk(S).
T HEOREM 1.7.– (Decomposition of Gaussian vector) Let m ∈ Rn and S ∈

Rn×n be a positive semidefinite matrix, with rk(S) = r ≥ 1. Let λ1 , . . . , λr be
positive eigenvalues of S and e1 , . . . , er be the corresponding orthonormal system of
eigenvectors.
1) For ξ ∼ N (m, S), there exist i.i.d. N (0, 1) random variables γ1 , . . . , γr on the
underlying probability space such that

r
ξ =m+ λk γk ek , a.s.
1
2) If γ1 , . . . , γr are i.i.d. N (0, 1) random variables, then

r
η := m + λk γk ek ∼ N (m, S).
1
P ROOF.– We complete the orthonormal system to an orthobasis e1 , . . . , en . Denote

λr+1 = λr+2 = · · · = λn = 0; they are the rest eigenvalues of S.
n
1) Introduce X = ξ − m, X ∼ N (0, S). Now, X = 1 (X, ek )ek , E(X, ek ) = 0,
and for all k ≥ r + 1, D(X, ek ) = λk = 0. Hence (X, ek ) = 0 a.s., for all k ≥ r + 1.
Thus,

r
(X, ek )
X= λk √ ek , a.s.
1
λk
Random variables γk := (X,e )

√ k , k = 1, . . . , r are jointly Gaussian (because vector
λk
γ = (γk )r1 is a linear transformation of Gaussian vector X) and E γk = 0,
1 λk
Cov(γk , γj ) = (Sek , ej ) = δkj = δkj .
λk λj λ k λj
According to theorem 1.6(1), γ1 , . . . , γr are i.i.d. N (0, 1) random variables. Now,

r
X= λk γ k e k , a.s.
1
and the statement follows.

Another random document with
no related content on Scribd:
Ja Pentti antoi ennen lähtöään hänelle vielä nyrkiniskun suuta
vasten.
Siin' on raiskaajalle!
— Mitä tästä seuraa? oli ensimmäinen selvä ajatus Pentin

aivoissa. Hänen oma tiensä oli nyt selvä, mutta mitä nyt seuraisi
teosta kotiväelle ja koko talolle?
Pentti juoksi hengästyneenä kotiinsa ja valmistui heti paikalla

matkaan. Jaakon hän vei kahden kesken kamariin ja selitti hänelle
lyhyesti asian.
— Ja mitä tästä seuraa meille muille ja talolle?
— Sitä en tiedä. Tulin mielettömäksi raivosta. Voit selittää minun

lähteneen kotoa jo päivää ennen. Kukaan ei ole minua nähnyt
tänään paitsi tyttö.
— Entä hän?
— Hän ei uskalla puhua mitään, ja minähän sen olen tehnyt ettekä

te muut. Hyvästi nyt, veli. Minä palaan kerran lyömään heitä vielä
lujemmin.
— Onnea matkallesi!
Miehet puristivat kättä, ja Pentti hyppäsi pyörän selkään.

Seuraavana päivänä hän olisi jo kaukana, ehkäpä rajan toisella
puolella.
Vänrikki makasi kirkonkylässä heikkona saamistaan haavoista.

Pian hän sieltäkin siirtyi jonnekin, päästyään jaloilleen, eikä hänestä
tiedetty mitään sen perästä.
X.
Jaakko odotti rohkeana seurauksia Pentin teosta, mutta mitään ei

kuulunut suoranaisessa muodossa. Eihän ollut Koljakoffilla todistajia
saamastaan selkäsaunasta. Ryssiä tosin lisättiin ja aseistettiin ja
Hautamäen metsiä haaskattiin entistä enemmän. Suuria
tukkipuitakin jo kaadettiin, eikä ollut Jaakon hyvä mennä
vastustelemaan.
Oli pidetty asiasta jonkunlainen tutkinto, jossa hautamäkeläisiä

kuulusteltiin. Jaakon täytyi silloin ensi kerta elämässään valehdella,
ja se ei ollut helppoa. Hän sai kumminkin sen tehdyksi reippaasti ja
vakuuttavasti. Pentti oli lähtenyt päivää aikaisemmin ja sillä hyvä.
— Helvettiäkö te meitä vainoatte yhden ryssärutkun takia! oli

Jaakko kivahtanut ryssäläismieliselle nimismiehelle.
— Penttihän on kumminkin syyllinen.
— Olkoon, mitä se sitten meihin muihin kuuluu. Hakekaa syyllinen

käsiinne, lisäsi Jaakko vahingoniloisesti. — Nimismiehellä näkyy
olevan mieluista tehtävää näiden ryssien kanssa.
— Täytyyhän sitä viran puolesta.

— Ei ryssät joka paikassa saa nimismiehiltä tukea ja apua. Täällä
sitävastoin…
— No älkäähän. Saattaa tämä asiakin tulla teille vielä vaikeaksi,

jos pröystäilette.
— Tulkoon vaikka tuhannen pirua, mutta minä en matele ryssien

enkä heidän apuriensa jaloissa!
Nimismies oli lähtenyt hieman häpeissään.
— Koko karhu tuo Hautamäen isäntä, oli hän sanonut

kyytimiehelleen.
Talon työväki kähni salaperäisenä. Olisi pitänyt tietää mihin Pentti

on mennyt. Tuli työpaikoillakin siitä puhe, ja muutamat olivat
suurisuisina valmiit tuomitsemaan Penttiä hänen tekonsa johdosta.
Toiset naureksivat ja sanoivat, että »oikein! niin sitä ryssää on
lyötävä, kun kerran rupeaa lyömään».
Mutta ryssät löivät vuorostaan Hautamäen metsää.
— Elävät kuin viimeistä päivää, sanoi eräänä päivänä Emmi

Jaakolle. —
Ei uskoisi heitä ihmisiksikään. Oletko käynyt metsässä?
— En. Minua ei haluta nykyjään katsella omaa metsääni.
— Siellä on kaadettu eilen ja toissa päivänä parasta

säästömetsää.
— Kallion kangastako?
— Niin.
Jaakko kirosi ja lähti hammasta purren menemään metsään, mutta
Emmi juoksi hänen jälkeensä ja tarttui häntä käsipuolesta.
— Henkesi menetät. Koetamme yhdessä kärsiä. Onhan meillä

takamaa vielä.
Jaakko kääntyi takaisin. Mitäpä se olisi auttanut metsään meno?

Vieraan maan pistinmiehet vartioivat hänen omaa metsäänsä.
Jaakko tunsi kuin paatisen painon hartioillaan. Nyt hän ymmärsi

täydellisesti Pentin teon vaikuttimet. Häneltä raiskattiin metsä,
Pentiltä morsian.
— Niin, onhan meillä vielä takamaan metsä, sanoi Jaakko tuvan

portailla vaimolleen. — Parasta olisi, kun muuttaisimme sinne
kokonaan.
— Toivotaan parempia aikoja, sanoi emäntä.
Jaakko istui voimatonna tuvan portaille. Ennenkuin hän ehti siinä

tasaantua, tuotiin sana, että ryssille oli taas lehmä teurastettava.
Jaakko otti vaatimuksen vastaan melkein välinpitämättömänä.
Tämä oli jo kahdeksas lehmä. Pentin lähdön jälkeen ei lehmiä

otettu enää toisista taloista ainoatakaan. Edellisellä viikolla ei hän
suosiolla toimittanut teurastusta, ja ryssät ottivat parhaimman
karjasta ja vallimiesten kanssa teurastivat. Hän ei saanut siitä edes
mitään korvausta. Sellainen kuuluu heillä sääntö olevan.
— Käy valikoimassa lehmä ja käske miesten se toimittaa ryssille,

sanoi
Jaakko Emmille. — Minä en jaksa. Ja minun on mentävä
Kinkomaahan.
Sieltä kuuluu huonoja uutisia.
Kuuntelematta vaimonsa joka viikko uusiutuvaa valitusta ryssien

pakkoluovutuksesta Jaakko lähti Kinkomaahan.
Ville kuului siellä jo riitelevän Helenansa kanssa. Tyttö ei ollut

puhunut talon veloista mitään Villelle, ennenkuin käski häntä korkoja
toimittamaan. Ville oli kiivastunut, ja kerrottiin että riita jatkui joka
päivä talon veloista. Ville oli uhannut myydä talon, ja saadakseen
paremman hinnan oli hän ajanut pois maaltaan ne torpparit, jotka
olivat suullisen sopimuksen varassa. Jaakko oli päättänyt mennä
Kinkomaahan estääkseen Villen talonmyyntiä ja saadakseen hänet
sopimaan torppariensa kanssa.
Helena hieman hämmästyi nähdessään Jaakon. Hän tiesi

veljeksien jäykät välit ja ihmetteli mitä nyt Jaakko aikoi käynnillään.
Neuvoi vieraan kamariin, jossa Ville loikoi sohvalla imeksien
piippuaan.
— Sinä vain pidät herrainpäiviä, sanoi Jaakko tervehdykseksi.
— Mitäs tässä muutakaan, kun ei ole taloa eikä tavaroita. Möin

koko tämän roskan; et ole taitanut kuullakaan.
— Möit?
— Mitäs tällä velkapesällä! Eikä taida minusta muutenkaan olla

maamieheksi.
— Paljonko oli velkoja?

— Kaikki pankit täynnä. Vain parikymmentä tuhatta jäi ja nämä
roskat päälle, kun velat suoritin. Tulinkin tässä juuri kaupungista.
Jaakko istui tuolilla kädet ristissä, lakki takaraivolla, mittaillen

veljeä silmillään.
Ville mainitsi talon hinnan.
— Ja sadalla tuhannella möit tämmöisen talon! Ja sitten sinä olet

häätänyt torppareitasi.
— Muuten en olisi saanut sitäkään hintaa talolla.
— Etkö sinä yhtään häpeä! Heidän eduillaanko sinun on ostettava

omasi.
Tiedätkö mitä teet?
— Sitä mitä niin monet tekevät.
— Ja sinun on seurattava niitä, jotka lisäävät irtolaisia ja saattavat

kerran yhteiskunnan kuohumistilaan, rikkinäiseksi ja onnettomaksi
jokaiselle.
Ville vaikeni. Täytyihän tässä katsoa omaa etuaan. Niin tekivät

kaikki muutkin.
— Ja mitä nyt aiot? kysyi Jaakko terävästi.
— Muutan akan kanssa kaupunkiin ja perustan välitystoimiston.
— Minkä?
— Jossa talonkauppoja välitetään. Se kuuluu nykyjään

kannattavan hyvin.
Jaakko vihelsi. Sitten hän hiljaa kirosi.
— Vai tulee sinusta talohuijari. No, kun ei työ maita… Turhaanpa

tulin sitten lähteneeksi.
— Taisit tulla sinäkin taloa ostelemaan?
— En ostamaan, mutta takomaan järkeä tyhmään päähäsi, kun

kuulin myyntiuhkailusi. Nyt näen, että kalloosi ei pysty mikään.
Jaakko nousi lähteäkseen.
— Elähän mene, Helena tuo kahvia.
— En minä nyt. Pitää ryssille joutua lehmää nylkemään ja

muutenkin…
… olet niin inhottava laiskuudessasi ja puuhissasi, aikoi Jaakko

lisätä, mutta jätti sanomatta.
— Ne ryssät vain siellä mellastavat.
— Niinhän ne… sinun ei nyt tarvitse maitasi pelätä.
— Ei, sillähän minäkin sitä myyntiä… olisivat saattaneet haaskata

vielä tämänkin talon.
— Ei sinussa ole hituistakaan miestä.
Jaakko oli jo ovella.
— Kuulehan, miten se Pentin juttu… meniköhän poika tosiaankin

Saksaan? kysyi Ville.
— Pitääkö sinunkin siitä huutaa?
— Enhän minä kenellekään. Tässä nyt vain… onhan se minunkin

veljeni… ja kyllä se hyvä olisi, että poikia vaan menisi sinne.
Taitavat nyt sinua painaa sen Pentin vuoksi. Varo sinä sitä Nikki
Purolaa. Hän on aika piru.
Jaakko ei kiirehtinyt. Tunsi hieman kuin lauhtuvansa Villeen.

Helenakin toi kahvia ja tarjosi. Täytyi istua.
— Raskastahan se on elämä Hautamäessä nykyjään, kun karja

ryöstetään ja pellot ja metsät raiskataan, mutta me Emmin kanssa
pidämme päämme pystyssä. Emme ole riidelleet vielä kertaakaan.
— Se oli tarkoitettu Helenalle ja Villelle. Helena seisoessaan uunin
kupeella punastui ja katseli maahan. Jaakko tuli siinä katsoneeksi
häntä ja tunsi sääliä Helenan puolesta. Kaunis ja hyväntahtoisen
näköinen ihminen. Olisi kai saanut parempiakin kuin Villen.
Helena sai jo kokonaan hänen myötätuntonsa.
— Pidä sinä vain tätä Villeä kurissa. Se on hitonmoinen lurjus.

Saisit antaa sitä joskus selkäänkin, laiskuria. Olitko sinä
myöntyväinen omasta puolestasi talon myyntiin?
— Tämä Helenahan sitä puuhasikin.
— Pidähän suusi… et antaisi Helena tämän Vilien reuhastella

joutavaa.
Ottaisitte maapalan ja asettuisitte vaan tänne kotipuolelle.
Helena vain hymyili, mutta Ville jurahti:
— Kyllä kai me sittenkin muutamme kaupunkiin.

'— No ei sitten, sanoi Jaakko katkerasti ja poistui hätäisesti
hyvästeltyään.
— Kaupunki saa siitä miehestä lisää yhden keinottelijan, sanoi

Jaakko ääneen mennessään talon pihamaalla.
Tiellä hän tapasi Nevalaisen.
— Mistä tullaan? kysyi hän Jaakolta ystävällistä äänensävyä

tavoitellen.
Nevalainen oli vastenmielinen naapuri Jaakolle. Ei olisi ilennyt

puheisiin hänen kanssaan puuttua.
— Kuuluu Ville talonsa myyneen, sanoi Nevalainen, koettaen

jatkaa keskustelua. — Taisi mennä halvasta. Ei jäänyt
torpparejakaan talon maalle kuin pari.
— Nekö ne hinnat noteeraavat? kivahti Jaakko. — Minun

mielestäni olisi talo sitä vauraampi, mitä enemmän olisi torppia.
— Metsää ne vain haaskaavat… niistä muuta hyötyä. Poispa se

Villekin niitä ajeli.
— Tietäähän tyhmyrin. Olettekin molemmat yhtä mielettömiä!
Se oli kuin laukaus. Nevalainen kähisi naamaltaan punaisena.
— Vai pitää naapuri minua sellaisena.
— Kaikkia niitä, jotka irtolaisten lukua lisäävät. Työväentalon

vakinaisia vieraita tehdään sillä neuvoin.
Nevalainen poikkesi toiselle tielle hyvästiä sanomatta.

— Mene vaan, mietti Jaakko. — Omasi olisit kaupungissa sinä
niinkuin
Villekin.
Tultuaan kotiin näki Jaakko ryssien kuljettavan vallimiesten kanssa

talon parasta lehmää teurastettavaksi. Miehet nauroivat emännälle,
joka valitteli pihamaalla.
Mikä tästä kerran vielä tuleekaan, ajatteli Jaakko. Painajaisen

täytyy kumminkin kerran selvitä tai muuttua myrskyksi.
XI.
Talvi oli mennyt ja kevät teki tuloaan.
Vietettiin Venäjän vallankumous-sankarien hautajaisia kylän

työväentalossa. Niitä vietettiin joka paikassa muuallakin. Yhteinen
joukkohuumaus oli vallannut kaikki. Olihan niin odottamatonta
tsaarivallan kukistuminen! Mistään muusta ei puhuttu. Kun uutiset
tulivat, jättivät ensimmäisinä työmiehet työnsä ja kävelivät kylillä.
Paisuttava uutinen pani jo isännätkin kävelemään naapureihinsa. Oli
niin ihmeellistä, ettei tietänyt miten siitä olisi puhunut. Ja sitten oli
taloista sieltä ja täältä mennyt poika rajan taakse. Sekin tuntui nyt
arveluttavalta, kun saatiin tietää, että vallankumous huuhteli omiakin
rantoja. Ei osannut sanoa, oliko se hyväksi vai pahaksi. Täytyi jäädä
odottamaan.
Juhlakulkueeseen, joka järjestettiin kylän osuuskaupalla, ottivat

osaa isäntämiehetkin, ja nyt oli heistäkin luonnollista, että venäläiset
(ryssiä ei ollut enää) olivat kulkueen etupäässä. Punaiset liput
liehuivat. Vallimiehet astuivat ryssien kantapäillä, tai rinnalla, käsi
kaulalla muutamilla.
— Veljet, teidän ansiotanne tämä on kaikki.

— Vot hjuva. Tsaari olemaks hoono mees. Kaikki loppu!
Kaikki talojen isännät eivät olleet kumminkaan mukana

kulkueessa. Olisi tuntunut oudolta lyöttäytyä metsän ja peltojen
raiskaajien kanssa samaan joukkoon. Vaikka eiväthän nämä tosin
syyllisiä siihen olleet. Tekivät mitä käskettiin. Tosin ne kaatoivat
joskus kuin uhitellen metsää ja vetivät linjojansa peltojen poikki,
mutta nythän oli sekin aika ohitse. Vallityöt oli lopetettu jo viime
syksynä, ja vartiosotilaat vain majailivat kylässä. Jokatapauksessa
nyt kaikki oli toisin.
Ja nekin, jotka eivät olleet kulkueessa, menivät työväentalolle.

Siellä tuntui hieman oudolta ensin, ja vallimiehet pyrkivät
pistelemäänkin heidän sielläoloaan. Työväestö oli kulkueessakin
katsellut hieman karsaasti niitä muutamia isäntämiehiä, jotka olivat
mukana. Nuokin tässä pääsevät siitä nyt osallisiksi, vaikka se on
vihattujen venäläisten verellä ostettu. Vieläköhän nyt vihaatte
venäläistä, kun se antoi teille vapauden?
Hautamäen Jaakko käveli myöskin talolle. Toiset olivat menneet

kulkueessa. Ei oikein osannut muodostaa muuta ajatusta kuin sen,
että tsaarivalta oli suistettu ja Suomellekin luvattu omat lakinsa ja
oikeutensa. Mitä muuta oli tulossa, ei voinut arvailla. Sitten näkisi
kun eläisi. Tuntui kumminkin kevyeltä elää näitä päiviä.
Talolla hän asettui ovisuunpuolelle istumaan. Vallimiehet ja ryssät

istuivat vierekkäin ja sylikkäinkin omassa ryhmässään. Joku
työväenyhdistyksen mies puhui vallankumouksesta oman
puolueensa näkökulmilta. Puhui kansakoulunopettajakin ja
maamiesneuvoja. Heidän puheitaan kuunnellessa vallimiehet
hymyilivät toisilleen merkitsevästi. Puhukaahan nyt. Vielä tässä
Suomenkin työväestö, yhdessä venäläisten veljien kanssa, tekee
suursiivouksen. Kansanvalta näyttää isännille ja muille, jotka ovat
meitä ja venäläisiä halveksineet.
Puheitten jälkeen tehtiin ponsia ja päätöksiä. Kaivettiin kaikki

paikkakunnan kieroudet esille. Siinä selvitteli Suomen kansa
pienessä murto-osassa paheitaan ja rikkeitään. Muutamille oli
kumminkin arvoitus, mitä se koski vallankumoukseen ja sankarien
muistojuhlaan.
Nevalainen oli vallityön aikana kantanut upseerien avulla valtion

(Suomenko vai Venäjän, sitä ei tiedetty) varoja olemattomista
hevostöistä, ja siitä lausuttiin kansan paheksumistuomio.
Nevalainen suuttui, lähti ja kirosi mennessään.
— … sai temokraatit rehellisyyden puuskan… perhana!
Sankarijuhlasta palattiin, mutta tunnelma jatkui. Yhteinen

sankarihauta Pietarissa kuvasteli jokaisen mielessä. Hulikaanitkaan
eivät talolta palatessaan melunneet. Vallimiehistä muutamat
kiikkuivat ryssien kanssa kaulakkain.
Oli vaalea kevättalven ilta, ja mökeissä saatettiin sinä iltana valvoa

myöhäiseen. Mökin ukko istui ikkunanpielessä ulos katsellen ja
toisella korvallaan kuunnellen lapsilauman unista riitelyä leivästä ja
särpimestä. Vaimokin kuului köyhyyttä valittavan.
— Kyllä se pian on lopussa, kunhan temokratia pääsee voimaan.

Vallankumous se on tehtävä Suomenkin porvaristoa vastaan. Ja
eiköpä tuo
Venäjä auttane ja järjestäne täälläkin.
— Minä en usko, tikaa eukko.

— Uskoppa kuinka tahansa… kyllä se suolavesileivän syönti
loppuu vielä… maltahan kun se kumous…
Ja kumous kummittelee vielä mökinmiehelle unissakin. Venäjän

veli järjestää niin asiat, että saa tässä omaa maata… pääsee
alkuun… köyhälistö nousee… herrat hiiteen ja talonpojat itse talikko
käteen…
Syvä kuorsaus kuuluu tuvasta, joka kyyhöttää viheliäisenä

kevätyön keskellä.
*****
Saapuivat sanomat ja luettiin venäläisen amiraalin puhe

ylioppilaille pääkaupungissa.
»Olen heidät valmis vastaanottamaan aseitta, avosylin vastaan

j.n.e.»
Tuntui syvä liikutus sydänalaa myöten. Semmoista ei oltu ennen

osattu toivoakaan siltä taholta. Miten nyt Saksaan menneitten
kanssa?… Olivatko he maanpettureita?
Jaakko oli myöskin Hautamäen pirtin pöydän ääressä tutkimassa

samoja sanomia, ja hänenkin povessaan sävähti sama ajatus.
Ovatko he?
Ei! Tuhat kertaa ei! Huumaus oli pannut päät sekaisin.
Ja vaikka Jaakko ei ollut kuullut edes puhuttavankaan

itsenäisyysmiehistä, oli hänellä selvillä se, että ei oltu vielä siinä,
mihin pyrittiin. Mihin ainakin olisi pitänyt pyrkiä. Ryssään ei ole
luottamista, se on jo nähty asia. Sorto saattaa alkaa jonkun ajan
kuluttua uudelleen, ja silloin… Kyllä se on hyvä vain, että pojat ovat
siellä, kun nyt vain pysyisivät. Jos heidätkin huumaus tapaa ja
palaavat, kuka tietää, vaikka heidät vangittaisiin.
Masentuneena heitti Jaakko lehden kädestään. Saisi sitten nähdä,

miten asiat kehittyivät. Täällä oli jo merkkejä nähtävänä. Jos oli
työväki jo ennemmin veljeillyt venäläisten kanssa, niin nyt
vallankumouksen jälkeen he ihan syöksyivät sylikkäin.
Siitä enemmän kuin muustakaan ennenaikaisesta ilosta ei ollut

mitään hyvää odotettavissa.
XII.
Syksyisen aamun sumu lepää pienen kaupungin yllä. Tehtaan

työmiehet vaeltavat kiireisin askelin työpaikoilleen, pää kumarassa,
katse lokaista katua seuraten. Kuuluu ensimmäinen tehtaan pillin
vinkuva vihellys, joukko vavahtaa ja jälkimmäiset ponnistautuvat
velttoon juoksuun, joutuakseen määrälleen työpaikkaan.
Ensimmäistä vihellystä seuraa toinen ja kolmas. Vaeltavasta
joukosta kuulostaa se kuin mahtavalta hätähuudolta, ja siinä on
lisäksi vielä vihainen, uhitteleva sointu.
Muutaman tehtaan portilla joukko seisahtuu ja uteliaana kuulostaa

jonkun puhetta. Mitä? Onko työnsulku vai lakkoko on tulossa? Ei kai
työsulku, koska torvet huusivat. Se on siis lakko, ja se on viime yönä
päätetty. Se tehdas jää nyt ainakin täksi päiväksi seisomaan.
Kinkomaan entiset häädetyt torpparit, Ylisen Ale ja Tiehaaran Taave,
ovat joukon jälkipäässä saapuneet eväsreppuineen portille. Lakosta
he nyt vasta kuulevat puhuttavan. Kuka sen on määrännyt? Ylisen
Ale kysyy sitä.
— Olisit ollut illalla kuulemassa, tiuskaisee joku joukosta. — Sinä

et käykään kokouksissa, pässinpää!
— Ja millä nyt eletään? Kestääkö lakko kauankin?
Sen kysymyksen tekee Tiehaaran entinen torpanmies Taave,

seisoen siinä likinäköisenä ja resuisena kuin iso kysymysmerkki.
— Voi pyhä yksinkertaisuus! vastaa joku hänelle. — Siin' on

nautoja, jotka eivät ymmärrä muuta kuin saada puskea aina vain.
Etteköhän menisi rikkureiksi!
Se on Taaven ja Alen mielestä jo loukkaavasti sanottu. Eivät

hekään nyt niin jälellä oikeasta työväestä ole, että rikkureiksi.
Kiireesti kääntyvät he kumpikin menemään. Oli kovin vaikeata heille
kummallekin kuulla aina toisten pistelyä ja äyskimistä ja pilailua
heidän yksimielisyydestään ja toveruudestaan.
Naapureina olivat he asuneet torpissaan, ja kun isäntä ajoi pois ja

tuli kuin sattumalta lähteneeksi kumpikin kaupunkiin — oli pakko
lähteä työnhakuun — niin mikä oli sopivampaa kuin hankkia yhteinen
asunto ja pysyä edelleen ystävinä. Maalaisina he eivät olleet
perehtyneitä tehdastyöväkeen ja sen henkeen, ja kuin pakolla joutui
jäseneksi ammattiyhdistykseen. Kun siellä ei muistanut käydä,
sanottiin siitä aina raa'asti ja uhitellen.
Taave oli ensiksi löytänyt kahden huoneen asunnon kaupungin

laidasta ja oli heti kiirehtinyt tarjoamaan Alelle kattoa pään päälle,
hän kun oli sitä myöskin etsimässä. Alella oli vain vaimo ja yksi lapsi,
sopihan se toistaiseksi asumaan Taaven asunnossa, vaikka tällä
olikin iso perhe, kuusi lasta ja kitulias vaimo. Ale ei vielä
myöhemminkään löytänyt asuntoa, ja niin sovittiin elämään yhdessä.
Miehistä se oli hyväkin siitä syystä, että oli kuin toinen toistaan
turvaamassa täällä oudossa ja vieraassa seudussa. Vaimot
tuskittelivat ensin ahtautta, mutta tyytyivät lopulta. Eihän auttanut
valittaminen. Entiset väljemmät liikkuma-alat olivat muistona vain.
Sumu oli haihtunut ja aurinko paistoi jo lämpimästi, kun miehet

palasivat tehtaalta. Tie kiemurteli kaupungin hautausmaan ohi
männikkökankaalla, nousi puuttomalle harjanteelle, johon näkyi
kauempaa järvi ja asutusta sen ympärillä.
Taave, joka oli vanhempi, jo kohta kuudenkymmenen, ja

heikkojalkainen, ehdotti Alelle, että istuttaisiin hieman lepäämään,
kun päiväkin paistoi niin kauniisti.
Taave istui raskaasti hengittäen ja katsellen eväsreppuaan, jonka

oli laskenut jalkainsa juureen. Resuisesta pussista näkyi kaljapullon
kaula ja sanomalehtikääreinen leivänpala.
Taave otti leivänpalan ja näytti sitä Alelle.
— Tämmöisiä niistä eilisistä jauhoista tuli. Repii kurkkua kuin

sahanterällä alas mennessään.
— Minulla ei taida olla tuommoistakaan. Tuli rammat syötyä liian

rajusti. Mikä tässä taas auttanee, kun nyt vielä lakkokin tuli.
Taave huokasi raskaasti. Tuli mieleen Tiehaaran mökki, josta

tällaisille teille piti lähteä. Vaikka sielläkin oli puutosta, sai toki syödä
selvää leipää. Nyt tällä ravinnolla on ainoa lapsikin kuihtunut, niin
että luut näkyy.
— Minkälaista mahtanee olla siellä kotopuolessa? virkkoi Ale

katsellen järvelle, jossa näkyi joku soutelevan. — Siellä on viljat puitu
ja perunata nostetaan.
— Sielläpä minunkin ajatukseni olivat, sanoi Taave. — Tiehaaran
pieniltä peltosaroilta tuli edes talven leipä. Ansiot sai käyttää muihin
tarpeisiin sinä aikana. Täällä ei riitä syömiseenkään.
— Sanovat tehtaalaiset, että pian tulee vallankumous ja työläiset

ottavat vallan niinkuin Venäjälläkin, jatkoi Taave. — Mikä sen
tiennee?
— Miten käynee. Jotain muutosta tässä pitäisi tapahtua. Minä en

tahtoisi muuta kuin että pääsisin takaisin Kinkomaan sydänmaalle.
— Samaa minäkin. Kuitenkin pitäisi meidän enemmän ottaa osaa

köyhälistön taisteluun, arveli Taave. — Tuntuu niinkuin toisten
armoilla tässä menisi.
— Niinpä kai sitä pitäisi. Järjestyskaartiinkin ovat tahtoneet. En

ymmärrä mitä sillä kaartilla…
— No katsohan, kun työväki ottaa vallan, niin silloin tarvitaan

järjestysmiehiä. Ei porvarit silloin rupea järjestyksestä vastaamaan.
Sitä sillä, selitti Taave.
— Yksi minusta on kanssa niin epäselvä asia, aloitti Ale. — Kun

joskus tulee puheeksi näitten tehtaalaisten kanssa torppariasia, niin
nauravat ja tiuskivat: »Vai pitäisi lisää porvareita, mokomiakin
velkaisäntiä!… Olette hulluja!» ja muuta semmoista. Mitenkä sinä
tämän käsität?
— En sitä ole ajatellut… puhuvat suunsa mauksi… kyllä kai

temokratia vielä kerran vapauttaa torpparit, kun tulisi vaan
enemmistö sinne eduskuntaan… tiedä miten vielä tässä
eduskunnassa.
— Kaippa sitä sitten temokratiaan on luotettava.
Miehet vaikenivat. Kumpaisenkin ajatukset näyttivät askartelevan

kiinteästi etsien apua vaikeaan tilaan, johon he monien muitten
mukana olivat joutuneet. Syitä oli niin monenlaisia, kaikilla omat
syynsä. Heidän nykyiseen kurjuuteensa oli syynä Hautamäen Ville,
joka ajoi pois torpista ja joka kuuluu nyt täällä kaupungissa
renttuilevan. Talonhinnan, mitä veloista jäi, kuuluu hävittäneen, ja
sanovat talonvälityksien jo käyvän huonosti.
— Taitaa siitäkin Kinkomaan Villestä tulla pian meidän miehiä,

sanoo
Taave ajatustensa jatkoksi.
— Niin sanovat, että on köyhtynyt. Ville kuuluu juopottelevan ja

akka kulkevan öisin katuloilla. Siihen se meni rikkaus.
— Taisi talollaan saada muutamia tuhansia enemmän, kun oli

maalla kahta torpparia vähemmän alustalaisia.
Siihen Ale vain hymähti katkerasti.
Miehet nousivat kotiin mennäkseen.
Siellä irvisti kurjuus vastaan. Taaven vaimo oli luonteeltaan

hiljainen ja kärsi ääneti. Alen nuorempi vaimo oli suulas ja kiukutteli
lakkaamatta. Nytkin hän, miesten tultua, paasasi ja kirosi väliin. Ei
ollut leivänpalaakaan, ja lakko tuli parhaiksi vielä.
— Pian se vielä muuttuu, koetti Ale veltosti rauhoitella. Ei voinut

itsekään luottaa siihen muuttumiseen. Maassa kiinni eläen ei olisi
ajatellutkaan mitään muuta kuin että saisi pitää pienet perkkiönsä.
Nyt vei aina ajatukset temokratiaan ja luokkataisteluun. Oli siinäkin

Gaussian Measures in Hilbert Space Construction and Properties Kukush Full Chapter PDF

Uploaded by

Copyright:

Available Formats

You might also like

Gaussian Measures in Hilbert Space Construction and Properties Kukush Full Chapter PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Gaussian Measures in Hilbert Space Construction and Properties Kukush Full Chapter PDF

Uploaded by

Copyright:

Available Formats

Gaussian Measures in Hilbert Space:

Construction and Properties Kukush

Operator Analysis: Hilbert Space Methods in Complex

Space as Language: The Properties of Typographic Space

Nonconventional and Vernacular Construction Materials■

Electron correlation in molecules -- ab initio beyond

Biobased Polymers: Properties and Applications in

Project Control: Integrating Cost and Schedule in

Communication Research Measures III: A Sourcebook

The Bioethics of Space Exploration: Human Enhancement

Construction and Properties

ISTE Ltd John Wiley & Sons, Inc.

© ISTE Ltd 2019

Library of Congress Control Number: 2019946454

British Library Cataloguing-in-Publication Data

Abbreviations and Notation . . . . . . . . . . . . . . . . . . . . . . . . . . xix

Chapter 1. Gaussian Measures in Euclidean Space . . . . . . . . . . . 1

Chapter 2. Gaussian Measure in l2 as a Product Measure . . . . . . . 27

2.2.2. Construction of product measure on B(R∞ ) . . . . . . . . . . . . . 36

Chapter 3. Borel Measures in Hilbert Space . . . . . . . . . . . . . . . . 51

Chapter 4. Construction of Measure by its Characteristic

Chapter 5. Gaussian Measure of General Form . . . . . . . . . . . . . 111

Chapter 6. Equivalence and Singularity of Gaussian Measures . . . 143

6.2.3. Dichotomy for Gaussian product measures . . . . . . . . . . . . . . 152

Chapter 7. Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

Summarizing Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235

The study of modern theory of stochastic processes, inﬁnite-dimensional analysis

The present manual is an excellent get-to-know course in Gaussian measures on

In this book, many delicate and important topics of inﬁnite-dimensional analysis

– Chapter 1. Gaussian distributions on a ﬁnite-dimensional space. The chapter is

This book is written for graduate students of mathematics and mathematical

In the 1970s, I studied at the Faculty of Mechanics and Mathematics of Taras

It is impossible to study mathematical courses without solving problems. Each

I would like to thank my colleagues at Taras Shevchenko National University of

The theory of Gaussian measures lies on the junction of theory of stochastic

In Chapter 2, a product measure is constructed on the sequence space R∞ based

Chapter 3 introduces important classes of operators in a separable

In Chapter 4, properties of characteristic functionals of Borel probability measures

In Chapter 5, theorem 5.1 uses the Minlos–Sazonov theorem to describe a

The support of Gaussian measure is studied. It is shown that a centered Gaussian

In section 5.5, we study Gaussian measures on a separable normed space X.

In Chapter 6, Kakutani’s remarkable dichotomy for product measures on R∞ is

a.e. almost everywhere w.r.t. Lebesgue measure

A 1 nuclear norm of operator A

Gaussian Measures in Euclidean Space

1.1. The change of variables formula

Let (X, S, μ) be a measure space, i.e. X is a non-empty set, S is a sigma-algebra on

is preimage of A under T . (To simplify the notation, we write T −1 A and T x rather

Introduce a set function

ν(A) = μ(T −1 A), A ∈ F. [1.3]

Indeed, ν(∅) = μ(T −1 ∅) = μ(∅) = 0, and therefore, ν is not identical to inﬁnity.

Gaussian Measures in Hilbert Space: Construction and Properties,

Finally, {An , n ≥ 1} are disjoint sets from F . Then the preimages {T −1 An ,

Here, we used the sigma-additivity of μ. Thus, ν is a non-negative and sigma-

The notation prompts how to evaluate ν(A):

(μT −1 )(A) = μ(T −1 A), A ∈ F.

Let f : Y → R̄ be an F -measurable function, i.e. for each Borel subset B of

T HEOREM 1.2.– (The change of variables formula) Assume that either f ≥ 0 or

P ROOF.– Because dim(H) = ∞, there exists an inﬁnite orthonormalsystem{en ,

b) Now, assume that λ has