09 几乎必然收敛：把「收敛」翻译成误差事件 · 第3讲

这一页在讲什么

人话版一句话版

$X_{n} \to X$ 几乎必然，是说「在其上 $X_{n} (ω) \to X (ω)$ 的样本点」合起来概率为 1。把极限的定义逐字翻译成集合运算，就得到一个非常好用的等价说法：对每个 $ε > 0 ，$ 误差事件 ${∣ X_{n} - X ∣ > ε}$ 以概率 1 只发生有限次。

这是第 2 部分「随机变量的收敛：误差与子列」的第一页，它完成了目录页所说的接口：把第 1 部分关于事件的结论，用到误差事件 ${∣ X_{n} - X ∣ > ε}$ 上。

上一部分的主角是「事件发生无穷多次」 ${A_{n} i.o.} ；$
这一页说明：随机变量不收敛，恰好就是某个误差事件发生了无穷多次；
于是下一页（第 10 页）马上可以用第一 Borel–Cantelli 引理得到几乎必然收敛的判别法。

先补基础

基础补课数列极限的精确定义

实数序列 $x_{1}, x_{2}, \dots$ 收敛到 $x ，$ 记作 $x_{n} \to x ，$ 定义为：

对每个 ε > 0, 存在 m, 使得对所有 n \geq m, ∣ x_{n} - x ∣ \leq ε .

读法：你随便给一个容忍度 $ε ，$ 我都能找到一个时刻 $m ，$ 从那以后误差再也不超过 $ε 。$

例： $x_{n} = \frac{1}{n} ，$ $x = 0 。$ 给 $ε = 0.1 ，$ 取 $m = 10 ；$ 给 $ε = 0.01 ，$ 取 $m = 100 ；$ 一般地取 $m \geq \frac{1}{ε}$ 即可。
反例： $x_{n} = (- 1)^{n}$ 不收敛到任何 $x 。$ 取 $ε = \frac{1}{2} ：$ 若 $x \geq 0 ，$ 所有奇数项 $- 1$ 与 $x$ 的距离至少是 1；若 $x < 0 ，$ 所有偶数项 $1$ 与 $x$ 的距离大于 1。无论从哪里开始，都有项的误差超过 $\frac{1}{2} 。$
用量词写： $\forall ε > 0 \exists m \forall n \geq m : ∣ x_{n} - x ∣ \leq ε 。$ 三个量词，正好对应三层集合运算（下面会用到）。

基础补课只用 ε = 1/k 就够了

上面的定义要求「对每个 $ε > 0 」，$ 这有不可数多个 $ε 。$ 但它等价于只要求「对每个 $ε = \frac{1}{k} ，$ $k = 1, 2, 3, \dots 」：$

一方面， $\frac{1}{k}$ 也是正数，所以前者推出后者；
另一方面，任给 $ε > 0 ，$ 总有正整数 $k$ 使 $\frac{1}{k} \leq ε$ （取 $k \geq \frac{1}{ε} ）。$ 若从某时刻起误差 $\leq \frac{1}{k} ，$ 那误差当然也 $\leq ε 。$

把不可数多个条件换成可数多个，是为了能用可数次并、交和可数次可加性。

基础补课随机变量序列在一个 ω 上就是一个数列

随机变量是函数 $X_{n} : Ω \to R$ （第 4 页）。固定一个样本点 $ω$ ， $X_{1} (ω), X_{2} (ω), \dots$ 就是一串普通的实数，可以问它收不收敛到 $X (ω) 。$ 不同的 $ω$ 上答案可能不同，于是得到一个集合：

{X_{n} \to X} := {ω \in Ω : X_{n} (ω) \to X (ω)} .

课件原文逐句精读

课件原文Almost-sure convergence and error events

Throughout this section, $X_{n}$ and $X$ are real-valued random variables on $(Ω, F, P)$ .

Definition 6 (Almost-sure convergence)

中文翻译

在本节中， $X_{n}$ 和 $X$ 都是概率空间 $(Ω, F, P)$ 上的实值随机变量。

定义 6（几乎必然收敛）

Throughout this section：「在本节（第 2 部分）中始终如此」。后面第 10 页–第 18 页的 $X_{n} 、$ $X$ 都满足这里的设定。
real-valued（实值）：每个 $X_{n} (ω) 、$ $X (ω)$ 都是有限的实数，不取 $\pm \infty 。$ 这保证误差 $∣ X_{n} (ω) - X (ω) ∣$ 总是一个有意义的有限数（不会出现 $\infty - \infty ）。$
random variables on $(Ω, F, P)$ ：所有随机变量定义在同一个概率空间上。这一点很重要：要比较 $X_{n} (ω)$ 和 $X (ω) ，$ 它们必须读的是同一个 $ω 。$
Definition 6 (Almost-sure convergence)：定义 6，几乎必然收敛。蓝条标题里还有 error events（误差事件），说明这一页还要用误差事件刻画这种收敛。

补全课件留白

补充说明

课件此处留白（课堂板书），以下内容由本站根据标准教材补写，记号与本课件保持一致；如与老师课堂写法不同，以老师为准。

Definition 6 (Almost-sure convergence)｜定义 6（几乎必然收敛）

定义 6（几乎必然收敛）

称 $X_{n}$ 几乎必然收敛（converges almost surely）到 $X ，$ 记作 $X_{n} \to X$ a.s. 或 $X_{n} a.s. X ，$ 如果

P ({ω \in Ω : n \to \infty lim X_{n} (ω) = X (ω)}) = 1.

也称「以概率 1 收敛」（with probability one）。

这是「逐点收敛」的概率版本：在几乎每一个样本点 $ω$ 上，数列 $X_{n} (ω)$ 都收敛到 $X (ω) 。$
允许有例外的样本点（在那里不收敛，或者收敛到别的数），但例外点合起来概率必须为 0。
对照第 1 讲的「几乎处处」（a.e.，第 43 页）：几乎必然就是概率测度下的几乎处处。

人话版：一个个平行世界

把每个样本点 $ω$ 想成一个「平行世界」。在世界 $ω$ 里，我们看到一整串数 $X_{1} (ω), X_{2} (ω), \dots$ 和一个目标值 $X (ω) 。$

画一条以 $X (ω)$ 为中心、半宽为 $ε$ 的「管子」。在世界 $ω$ 里收敛，意思是：不管管子多细，这串数跳出管子的次数都是有限的，最后一次跳出之后就永远待在管子里。
几乎必然收敛：几乎所有世界（概率为 1 的那些）都是这样。不同世界里「最后一次跳出」的时刻可以不同，没有统一的时刻表。
下面的命题 B 就是把「跳出管子的次数有限」写成「误差事件只发生有限次」。

补写：用误差事件写出收敛集

命题 A（收敛集的误差事件表示）

{X_{n} \to X} = k \geq 1 ⋂ m \geq 1 ⋃ n \geq m ⋂ {∣ X_{n} - X ∣ \leq \frac{1}{k}} = k \geq 1 ⋂ {∣ X_{n} - X ∣ \leq \frac{1}{k} ev.} .

取补集：

{X_{n} \neq \to X} = k \geq 1 ⋃ {∣ X_{n} - X ∣ > \frac{1}{k} i.o.} .

特别地， ${X_{n} \to X} \in F ，$ 所以定义 6 里的概率是有意义的。

怎么读：三层集合运算对应极限定义的三个量词。

极限定义里的话	集合运算
对每个容忍度 $\frac{1}{k}$	$⋂_{k \geq 1}$ （交 ↔ 对所有）
存在一个时刻 $m$	$⋃_{m \geq 1}$ （并 ↔ 存在）
此后所有 $n \geq m$ 误差都 $\leq \frac{1}{k}$	$⋂_{n \geq m}$ （交 ↔ 对所有）

中间两层 $⋃_{m} ⋂_{n \geq m}$ 正是第 3 页的「最终总是」（ev.）。所以一句话：收敛 = 对每个容忍度，误差最终总是在容忍度之内；不收敛 = 存在某个容忍度，误差超出它无穷多次。

补写：几乎必然收敛的误差事件判别

定理命题 B（几乎必然收敛 ⟺ 每个误差事件只发生有限次）

X_{n} \to X a.s. ⟺ 对每个 ε > 0, P (∣ X_{n} - X ∣ > ε i.o.) = 0.

推导证明

（⇒） 设 $P (X_{n} \to X) = 1 ，$ 固定 $ε > 0 。$

若 $ω \in {X_{n} \to X} ，$ 按极限定义（用这个 $ε ），$ 存在 $m$ 使所有 $n \geq m$ 都有 $∣ X_{n} (ω) - X (ω) ∣ \leq ε ，$ 也就是误差超过 $ε$ 的情况只可能出现在 $n < m ，$ 只有有限次。所以 $ω \in / {∣ X_{n} - X ∣ > ε i.o.} 。$
这说明 ${∣ X_{n} - X ∣ > ε i.o.} \subseteq {X_{n} \to X}^{c} ，$ 由单调性，它的概率 $\leq 1 - 1 = 0 。$

（⇐） 设对每个 $ε > 0$ 都有 $P (∣ X_{n} - X ∣ > ε i.o.) = 0 。$

特别地，对 $ε = \frac{1}{k}$ （ $k = 1, 2, \dots ）$ 也成立。
由命题 A 和可数次可加性（第 4 页），

P (X_{n} \neq \to X) = P (k \geq 1 ⋃ {∣ X_{n} - X ∣ > \frac{1}{k} i.o.}) \leq k \geq 1 \sum 0 = 0.

所以 $P (X_{n} \to X) = 1 。$

要点：（⇐）里必须先把「每个 $ε > 0 」$ 换成可数多个 $ε = \frac{1}{k} ，$ 才能用可数次可加性。如果直接对不可数多个 $ε$ 取并，可数次可加性就用不上了。

例子

例 1：几乎必然收敛，但不是处处收敛

在 $([0, 1], B ([0, 1]), λ)$ 上令 $X_{n} (ω) = ω^{n} ，$ $X = 0 。$

若 $0 \leq ω < 1 ：$ $ω^{n} \to 0 。$ 例如 $ω = 0.5$ 时 $0. 5^{10} \approx 0.001 。$
若 $ω = 1 ：$ $1^{n} = 1 ，$ 不收敛到 0。

所以 ${X_{n} \to 0} = [0, 1) ，$ $P ([0, 1)) = 1 ，$ $X_{n} \to 0$ a.s.。例外集 ${1}$ 长度为 0。

用误差事件验证命题 B：取 $0 < ε < 1 ，$ ${∣ X_{n} ∣ > ε} = {ω^{n} > ε} = (ε^{1/ n}, 1] 。$ 对 $ω < 1 ，$ $ω^{n}$ 最终小于 $ε ，$ 只发生有限次；只有 $ω = 1$ 发生无穷多次。所以 ${∣ X_{n} ∣ > ε i.o.} = {1} ，$ 概率为 0。

例 2：独立的「偶尔亮一下」不收敛到 0

设 $A_{1}, A_{2}, \dots$ 相互独立， $P (A_{n}) = \frac{1}{n} ，$ 令 $X_{n} = 1_{A_{n}}$ （ $A_{n}$ 发生时取 1，否则取 0）。 $X_{n} \to 0$ a.s. 吗？

取 $ε = \frac{1}{2} ：$ ${∣ X_{n} - 0∣ > \frac{1}{2}} = {X_{n} = 1} = A_{n} 。$
由第二 Borel–Cantelli 引理（第 7 页）， $P (A_{n} i.o.) = 1 。$
命题 B 的条件在 $ε = \frac{1}{2}$ 处失败，所以 $X_{n}$ 不几乎必然收敛到 0。

更进一步： $A_{n}^{c}$ 也相互独立（第 6 页命题 A）， $\sum_{n} (1 - \frac{1}{n}) = \infty ，$ 所以 $P (A_{n}^{c} i.o.) = 1 。$ 几乎每条路径上 $X_{n}$ 既无穷多次取 1、又无穷多次取 0，根本不收敛。

例 3：同样的概率，嵌套的事件却收敛

第 5 页的 $A_{n} = (0, \frac{1}{n}]$ （在 $(0, 1)$ 上），令 $X_{n} = 1_{A_{n}} 。$ 对每个 $ω ，$ 当 $n > \frac{1}{ω}$ 时 $ω \in / A_{n} ，$ $X_{n} (ω) = 0 。$ 所以 $X_{n} \to 0$ 处处成立。

和例 2 对比：两者每一步都有 $P (X_{n} = 1) = \frac{1}{n} ，$ 单看每个 $X_{n}$ 的分布完全一样，几乎必然收敛与否却截然不同。几乎必然收敛不只取决于每个 $X_{n}$ 的分布，还取决于它们在同一个 $ω$ 上怎样关联。

推导：一步一步来

命题 A 的证明。 固定 $ω ，$ 记 $x_{n} = X_{n} (ω) ，$ $x = X (ω)$ （都是有限实数）。

由基础补课， $x_{n} \to x$ ⟺ 对每个 $k \geq 1 ，$ 存在 $m \geq 1 ，$ 使对所有 $n \geq m ，$ $∣ x_{n} - x ∣ \leq \frac{1}{k} 。$
「对所有 $n \geq m ，$ $∣ X_{n} (ω) - X (ω) ∣ \leq \frac{1}{k} 」$ ⟺ $ω \in ⋂_{n \geq m} {∣ X_{n} - X ∣ \leq \frac{1}{k}}$ （交 ↔ 对所有）。
「存在 $m ，$ 使……」⟺ $ω \in ⋃_{m \geq 1} ⋂_{n \geq m} {∣ X_{n} - X ∣ \leq \frac{1}{k}}$ （并 ↔ 存在）。
「对每个 $k ，\dots\dots」$ ⟺ $ω \in ⋂_{k \geq 1} ⋃_{m \geq 1} ⋂_{n \geq m} {∣ X_{n} - X ∣ \leq \frac{1}{k}}$ （交 ↔ 对所有）。
补集：由德摩根律，外层交变并；中间 ${\cdot ev.}$ 的补是 ${(\cdot)^{c} i.o.}$ （第 3 页性质 1），而 ${∣ X_{n} - X ∣ \leq \frac{1}{k}}^{c} = {∣ X_{n} - X ∣ > \frac{1}{k}} 。$

可测性。 $X_{n} - X$ 是随机变量（可测函数的差仍可测，这是测度论的标准结论，这里当作已知），所以 ${∣ X_{n} - X ∣ \leq \frac{1}{k}} = {X_{n} - X \in [- \frac{1}{k}, \frac{1}{k}]} \in F 。$ 再经过可数次交、并，仍在 $F$ 里（第 9 页）。

常见疑问与易错点

易错点问：几乎必然收敛和处处收敛有什么区别？为什么要允许例外？

答：处处收敛要求每一个 $ω$ 上都收敛；几乎必然收敛允许一个概率为 0 的例外集。概率为 0 的集合对任何概率、期望都没有影响，要求处处收敛既没有必要，也常常做不到（例 1 中的 $ω = 1 ）。$ 概率论里几乎所有「收敛」结论都是几乎必然意义下的。

易错点问：误差事件里用「> ε」还是「≥ ε」有关系吗？

答：没有关系。对每个 $ε$ 用「 $> 」$ 和对每个 $ε$ 用「 $\geq 」$ 是等价的，因为 ${∣ X_{n} - X ∣ \geq ε} \subseteq {∣ X_{n} - X ∣ > \frac{ε}{2}} ，$ 而 $\frac{ε}{2}$ 也是一个正数。极限定义里的「 $\leq ε 」$ 和「 $< ε 」$ 同样可以互换。

易错点问：几乎必然的极限是唯一的吗？

答：在「几乎必然相等」的意义下唯一。若 $X_{n} \to X$ a.s. 且 $X_{n} \to Y$ a.s.，则在两个收敛集的交集上（概率仍为 1），实数列的极限唯一，所以 $X (ω) = Y (ω) 。$ 于是 $P (X = Y) = 1 。$ 在一个零概率集上改动 $X$ 的值，它仍然是几乎必然极限。

易错点问：只看每个 X_n 的分布，能判断是否几乎必然收敛吗？

答：不能。例 2 与例 3 中每个 $X_{n}$ 的分布相同（取 1 的概率都是 $\frac{1}{n} ），$ 结论却相反。几乎必然收敛关心的是同一个 $ω$ 上整条路径的行为，它依赖于 $X_{n}$ 之间的关系。

小结与自测

小结本页小结

定义 6： $X_{n} \to X$ a.s. ⟺ $P ({ω : X_{n} (ω) \to X (ω)}) = 1 。$
收敛集 ${X_{n} \to X} = ⋂_{k} ⋃_{m} ⋂_{n \geq m} {∣ X_{n} - X ∣ \leq \frac{1}{k}} ：$ 三层运算对应「 $\forall k \exists m \forall n \geq m 」，$ 所以它是一个事件。
不收敛集 $= ⋃_{k} {∣ X_{n} - X ∣ > \frac{1}{k} i.o.} 。$
判别： $X_{n} \to X$ a.s. ⟺ 对每个 $ε > 0 ，$ $P (∣ X_{n} - X ∣ > ε i.o.) = 0 。$ 这把收敛问题变成了 Borel–Cantelli 能处理的问题。

自测

1. 在 $((0, 1), B, λ)$ 上令 $X_{n} (ω) = ω + \frac{1}{n} ，$ $X (ω) = ω 。$ $X_{n} \to X$ a.s. 吗？误差事件 ${∣ X_{n} - X ∣ > 0.01}$ 是什么？

点开看答案

$∣ X_{n} - X ∣ = \frac{1}{n} ，$ 与 $ω$ 无关。 ${∣ X_{n} - X ∣ > 0.01}$ 在 $n < 100$ 时是 $Ω ，$ 在 $n \geq 100$ 时是 $\emptyset ，$ 只发生有限次（对每个 $ω ）。$ 所以 $X_{n} \to X$ 处处成立，当然也几乎必然成立。

2. 填空： ${X_{n} \neq \to X} = ⋃_{k \geq 1}$ ______。为什么这里用「 $⋃_{k} 」$ 而不是「 $⋂_{k} 」？$

点开看答案

${∣ X_{n} - X ∣ > \frac{1}{k} i.o.} 。$ 因为「不收敛」是「收敛」的否定：收敛要求每个容忍度都最终满足（交），否定之后变成存在某个容忍度被突破无穷多次（并）。

3. 判断：若对每个 $ε > 0$ 都有 $P (∣ X_{n} - X ∣ > ε) \to 0 ，$ 则 $X_{n} \to X$ a.s.。

点开看答案

错。例 2 中 $P (∣ X_{n} - 0∣ > ε) \leq P (A_{n}) = \frac{1}{n} \to 0 ，$ 但 $X_{n}$ 不几乎必然收敛到 0。「每一步出错的概率趋于 0」比「出错只有有限次」弱，这就是第 14 页的「依概率收敛」。

本页术语中英对照（按出现顺序）

中文	English	白话解释
几乎必然收敛	almost sure convergence	除了概率为 0 的结局以外，Xₙ(ω) 都收敛到 X(ω)。
样本点	sample point	一个完整的结局 ω；每次试验恰好实现一个样本点。
集合	set	把一些对象放在一起当成一个整体，例如 {1,2,3}。
事件	event	样本空间的（允许谈概率的）子集；实现的 ω 落在里面，就说事件发生。
随机变量	random variable	从样本空间到实数的（可测）函数，把结局翻译成数字；随机性来自「实现了哪个 ω」。
子列	subsequence	从一个数列里按顺序挑出无穷多项组成的新数列。
无穷多次	infinitely often (i.o.)	「Aₙ 发生无穷多次」就是集合 lim sup Aₙ。
Borel–Cantelli 引理	Borel–Cantelli lemma	概率之和有限 ⇒ 只发生有限次；独立且概率之和无穷 ⇒ 发生无穷多次。
不可数	uncountable	无论怎么排都排不成一列，例如区间 [0,1] 里的全体实数。
可数	countable	元素能排成第 1 个、第 2 个、第 3 个……的一列（有限也算），例如自然数、有理数。
次可加性	subadditivity	并集的测度不超过各部分测度之和：μ(A ∪ B) ≤ μ(A) + μ(B)。
函数	function / map	f: A → B 给 A 中每个元素指定 B 中唯一一个元素。
概率空间	probability space	三元组 (Ω, 𝓕, P)：样本空间、事件的 σ-代数、概率测度。
逐点收敛	pointwise convergence	对定义域里的每一个点 x，数列 fₙ(x) 都收敛到 f(x)；这样得到的函数 f 叫逐点极限。
几乎处处	almost everywhere (a.e.)	除了一个测度为 0 的集合之外都成立；零测集上的值不影响积分。
概率测度	probability measure	总质量 P(Ω) = 1 的测度。
补集	complement	样本空间里不属于 A 的元素全体，记作 Aᶜ，对应「A 不发生」。
独立	independence	任意有限个事件同时发生的概率等于各自概率的乘积。
分布	law / distribution	X 把概率「推」到取值空间上得到的测度：L(X)(B) = P(X ∈ B)。
德摩根律	De Morgan's laws	「并的补 = 补的交」「交的补 = 补的并」，把「非（A 或 B）」变成「非 A 且非 B」。
可测函数	measurable function	对每个 a，集合 {f > a} 都可测；这样的函数才能积分。
测度	measure	给 σ-代数里的每个集合一个 [0, ∞] 中的「大小」，空集为 0，并且可数可加。
期望	expectation	随机变量对概率测度的积分 E[X] = ∫ X dP，也就是「加权平均」。
交集	intersection	同时属于两个集合的元素全体，A ∩ B 对应「A 且 B」。
依概率收敛	convergence in probability	对每个 ε > 0，P(\|Xₙ − X\| > ε) → 0；比几乎必然收敛弱。