2026-07-19 · 不让质量藏进尖峰

0. 导读与元结构 (Orientation & Meta-structure)

起点问题。 对每个固定的可积函数 $f$，大值部分的积分都会消失：

$$\underset{K\to \mathrm{\infty }}{lim}{\int }_{\{|f|>K\}}|f|d\mathbb{P}=0.$$

但若面对整个函数族 $\mathcal{F}$，每个 $f$ 可以要求不同的截断高度 $K_f$。真正困难的量词交换是：能否先选一个只依赖误差、而不依赖 $f$ 的共同阈值 $K$？一致可积性 (uniform integrability, UI) 正是对此的肯定回答。

对象与量词层。 今日固定 probability space（概率空间）$(\mathrm{\Omega },\mathcal{A},\mathbb{P})$，以及 $L^1(\mathbb{P})$ 中的一族实值随机变量 $\mathcal{F}$。对象层依次是：函数 $X\in \mathcal{F}$、截断高度 $K>0$、事件 $A\in \mathcal{A}$ 与积分质量 $\mathbb{E}[|X|{\mathbf{1}}_A]$。核心量词有两种排列：

1. 尾部排列：$\mathrm{\forall }\epsilon \mathrm{\exists }K\mathrm{\forall }X$，所有函数在同一高度之外的质量都小；
2. 小集排列：$\mathrm{\forall }\epsilon \mathrm{\exists }\delta \mathrm{\forall }A\mathrm{\forall }X$，所有函数在概率小于 $\delta$ 的事件上质量都小。

今日将证明这两种排列在概率空间上等价，但反向还需要一个 uniform $L^1$ bound（统一 $L^1$ 有界）。

预备知识。 只需 Lebesgue integral、monotone convergence（单调收敛）、Markov inequality、Hölder inequality，以及 convergence in probability / almost surely / in $L^1$ 的定义。

位置与去向。 本期是 3 日 compactness-control anchor micro-arc 的第 2 日。Day 1 用有限 $\epsilon$-网阻止点在固定尺度上无限分散；Day 2 用共同截断阻止积分质量藏进越来越高、越来越窄的尖峰；Day 3 将进入 Vitali convergence theorem（Vitali 收敛定理），把“收敛于概率 + UI”升级为 $L^1$ 收敛。

主导证明机制。 一切围绕同一个 truncation decomposition（截断分解）：

$$|X|=|X|{\mathbf{1}}_{\{|X|\le K\}}+|X|{\mathbf{1}}_{\{|X|>K\}}.$$

有界部分用 $K\mathbb{P}(A)$ 控制，尾部用 UI 控制。这里“紧性”不是修辞：在 $L^1$ 的弱拓扑中，Dunford–Pettis criterion 会把 UI 精确识别为相对弱序列紧致性。

1. 核心概念、定理与谱系 (Concept, Theorem & Lineage)

1.1 从单个函数到函数族：坏的是量词顺序

若 $X\in L^1(\mathbb{P})$，则 $|X|{\mathbf{1}}_{\{|X|>K\}}\downarrow 0$ as $K\to \mathrm{\infty }$，且被 $|X|$ 支配，所以

$$\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]⟶0.$$

这个结论只说

$$\mathrm{\forall }X\in \mathcal{F}\mathrm{\forall }\epsilon >0\mathrm{\exists }K=K(X,\epsilon ).$$

它不蕴含

$$\mathrm{\forall }\epsilon >0\mathrm{\exists }K=K(\mathcal{F},\epsilon )\mathrm{\forall }X\in \mathcal{F}.$$

第 4 节的移动尖峰会让前者对每个 $X$ 都成立，而后者彻底失败。

1.2 定义：一个共同阈值控制所有尾积分

定义 1（uniform integrability，一致可积性）。 设 $\mathcal{F}\subseteq L^1(\mathbb{P})$。称 $\mathcal{F}$ 一致可积，如果

$$\mathrm{\forall }\epsilon >0\mathrm{\exists }K=K(\epsilon ,\mathcal{F})>0\mathrm{\forall }X\in \mathcal{F},\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]<\epsilon .$$

关键是 $K$ 可以依赖 $\epsilon$ 与整个族 $\mathcal{F}$，但不能依赖被检查的 $X$。

定义 tail-integral modulus（尾积分模量）

$$q_{\mathcal{F}}(K):=\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}].$$

则 UI 等价于

$$\underset{K\to \mathrm{\infty }}{lim}{q}_{\mathcal{F}}(K)=0.$$

这比仅有 $\underset{X\in \mathcal{F}}{sup}\mathbb{E}|X|<\mathrm{\infty }$ 强：后者限制总质量，却不限制质量能否集中到越来越小的事件上。

1.3 主定理：尾部控制等价于小事件上的一致绝对连续

定理 1（tail / small-event equivalence）。 设 $(\mathrm{\Omega },\mathcal{A},\mathbb{P})$ 是概率空间，$\mathcal{F}\subseteq L^1(\mathbb{P})$。以下两项等价：

1. $\mathcal{F}$ 一致可积；
2. 同时满足：
   $$C:=\underset{X\in \mathcal{F}}{sup}\mathbb{E}|X|<\mathrm{\infty },$$
   以及
   $$\mathrm{\forall }\epsilon >0\mathrm{\exists }\delta =\delta (\epsilon ,\mathcal{F})>0\mathrm{\forall }A\in \mathcal{A}\mathrm{\forall }X\in \mathcal{F},\mathbb{P}(A)<\delta \Rightarrow \mathbb{E}[|X|{\mathbf{1}}_A]<\epsilon .$$

第二项称为这族积分的 uniform absolute continuity（统一绝对连续）。它说小事件不仅对每个固定 $X$ 质量小，而且对整个 $\mathcal{F}$ 同时小。

1.4 证明架构：截断与 Markov 把两种表述互译

证明 $1\Rightarrow 2$。 先证 $L^1$ 有界。由 UI，可取 $K_0>0$ 使

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K_0\}}]<1.$$

于是对每个 $X\in \mathcal{F}$，

$$\mathbb{E}|X|\le K_0\mathbb{P}(|X|\le K_0)+\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K_0\}}]\le K_0+1.$$

故 $C<\mathrm{\infty }$。

再证小事件控制。给定 $\epsilon >0$，由 UI 选 $K>0$ 使

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]<\epsilon /2.$$

令 $\delta =\epsilon /(2K)$。若 $\mathbb{P}(A)<\delta$，则对所有 $X\in \mathcal{F}$，

$$\begin{array}{rl}\mathbb{E}[|X|{\mathbf{1}}_A]& =\mathbb{E}[|X|{\mathbf{1}}_{A\cap \{|X|\le K\}}]+\mathbb{E}[|X|{\mathbf{1}}_{A\cap \{|X|>K\}}]\\ & \le K\mathbb{P}(A)+\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]\\ & <K\delta +\epsilon /2=\epsilon .\end{array}$$

有界部分以“小集合 × 最大高度”估计；无界部分由共同尾阈值消掉。

证明 $2\Rightarrow 1$。 给定 $\epsilon >0$，先由统一绝对连续性选 $\delta >0$，使 $\mathbb{P}(A)<\delta$ 时

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_A]<\epsilon .$$

再取 $K>C/\delta$。对每个 $X\in \mathcal{F}$，Markov inequality 给出

$$\mathbb{P}(|X|>K)\le \frac{\mathbb{E}|X|}{K}\le \frac{C}{K}<\delta .$$

把 $A$ 取成 $\{|X|>K\}$，便得

$$\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]<\epsilon$$

对所有 $X$ 同时成立。故 $\mathcal{F}$ 一致可积。证毕。

这个证明也解释了为何反向必须显式保留 $L^1$ 有界：Markov inequality 需要一个与 $X$ 无关的分子 $C$，才能把所有尾事件同时压进同一个 $\delta$。

1.5 谱系：从 domination 到 convex growth，再到 weak compactness

Lebesgue dominated convergence theorem（Lebesgue 支配收敛定理）使用一个共同的 $G\in L^1$，满足 $|X_n|\le G$。这样的 domination 自动给出 UI：

$$\underset{n}{sup}\mathbb{E}[|X_n|{\mathbf{1}}_{\{|X_n|>K\}}]\le \mathbb{E}[G{\mathbf{1}}_{\{G>K\}}]⟶0.$$

但 UI 不要求存在一个逐点支配所有成员的 $G$；它只要求家族层面的尾质量共同消失。因此 UI 是 domination 的结构性放宽，而不是换名。

Graduate / modern extension 1（de la Vallée Poussin criterion）。 在概率空间上，$\mathcal{F}\subseteq L^1$ 一致可积，当且仅当存在 increasing convex function（递增凸函数）$\mathrm{\Phi }:[0,\mathrm{\infty })\to [0,\mathrm{\infty })$，满足 $\mathrm{\Phi }(0)=0$、

$$\underset{t\to \mathrm{\infty }}{lim}\frac{\mathrm{\Phi }(t)}{t}=\mathrm{\infty },$$

以及

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}\mathrm{\Phi }(|X|)<\mathrm{\infty }.$$

容易的方向直接揭示机制：凸性与 $\mathrm{\Phi }(0)=0$ 使 $\mathrm{\Phi }(t)/t$ 单调不减，因此对 $|X|>K$，

$$|X|\le \frac{K}{\mathrm{\Phi }(K)}\mathrm{\Phi }(|X|),$$

从而统一的超线性矩控制会迫使一阶尾质量消失。反向构造则把 UI 模量编码进一个斜率缓慢上升的分段线性凸函数；第 5 节保留这个构造问题。

Graduate / modern extension 2（Dunford–Pettis）。 在概率空间上，$L^1$ 中一族随机变量一致可积，当且仅当它 relatively weakly sequentially compact（相对弱序列紧致）：族中每个序列都有子列 $(X_{n_k})$ 与某个 $X\in L^1$，使

$$\mathrm{\forall }Y\in L^{\mathrm{\infty }},\mathbb{E}[Y{X}_{n_k}]⟶\mathbb{E}[YX].$$

至此，昨日“紧致性把无限序列压出收敛子列”的图景在 $L^1$ 弱拓扑中重新出现；今日新增的数学内容是：控制对象不再是点间距离，而是积分在小事件和高尾部上的集中。

2. 固定模板习题 (Template Exercise)

题目

设 $(\mathrm{\Omega },\mathcal{A},\mathbb{P})$ 是概率空间，$p>1$，且 $\mathcal{F}$ 是一族随机变量，满足

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}|X{|}^p\le C<\mathrm{\infty }.$$

1. 证明 $\mathcal{F}$ 一致可积，并给出 $q_{\mathcal{F}}(K)$ 关于 $K$ 的显式上界；
2. 证明对每个事件 $A\in \mathcal{A}$，有一个只依赖 $C,p,\mathbb{P}(A)$ 的统一上界控制 $\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_A]$。

模板识别

看到“有一个严格高于目标阶数的统一矩界”，而目标是证明 lower moment（较低阶矩）的尾部消失或小事件控制时，应优先尝试：

• 在大值集合上用阈值 $K$ 把 $|X|$ 提升成 $|X{|}^p$；
• 在小事件上对 $|X|{\mathbf{1}}_A$ 使用 Hölder inequality；
• 最后才把上界翻译成 $\epsilon$–$K$ 或 $\epsilon$–$\delta$ 量词。

分级提示

1. Hint 1. 在事件 $\{|X|>K\}$ 上，比较 $|X|$ 与 $|X{|}^p/K^{p-1}$。
2. Hint 2. 积分后应得到一个对所有 $X\in \mathcal{F}$ 同时成立、并按 $K^{-(p-1)}$ 衰减的上界。
3. Hint 3. 对第二问，令 $q=p/(p-1)$，把 $|X|$ 与 ${\mathbf{1}}_A$ 分别放进 Hölder 的 $L^p$ 与 $L^q$ 位置。

3. 大家之言 (Mathematician in Their Own Words)

可核验语境。 Timothy Gowers 在 2007-10-04 的第一人称博文 When are two proofs essentially the same? 中讨论：两个表面不同的证明何时只是同一机制的不同编码，以及哪些转换只是标准的 proof conversion。以下短句来自正文。[5]

“there are fairly standard methods for converting one proof into another”

中译。 “把一个证明转换成另一个证明，存在一些相当标准的方法。”

转述（paraphrase）。 Gowers 随后区分了机械可转换的证明与只有进入更高层结构后才显出同一性的证明；他关心的不是公式是否相像，而是两条论证是否保存了同一个高层机制。

评论（本文解释）。 今日定理的两个方向就是一个小而干净的测试场。tail criterion 与 small-event criterion 表面上分别谈“函数值很大”和“事件概率很小”；把它们互译时，真正保存的 proof invariant 是“质量不能集中”：

• 尾部 $\to$ 小集：在共同高度 $K$ 处分解 bounded part / tail part；
• 小集 $\to$ 尾部：用统一 $L^1$ 界和 Markov 把高尾事件变成小事件。

因此，两个方向不是同一串符号的改写，却共同定位了同一个障碍。辨认这种机制层同一性，比背诵两个等价定义更有迁移力。

4. 反例与边界 (Counterexample & Boundary)

错误命题是：

“只要 $\underset{n}{sup}\parallel X_n{\parallel }_1<\mathrm{\infty }$，函数族 $\{X_n:n\ge 1\}$ 就一致可积。”

具体反例：移动尖峰。 在 $([0,1],\mathcal{B},\lambda )$ 上定义

$$f_n(x):=n{\mathbf{1}}_{(0,1/n)}(x).$$

逐项核对：

1. 可测与可积。 $f_n$ 是区间指标函数的常数倍，故可测，且

   $$\parallel f_n{\parallel }_1={\int }_0^{1/n}ndx=1.$$

   因而 $\underset{n}{sup}\parallel f_n{\parallel }_1=1$；总质量完全没有增长。

2. 逐点收敛到零。 固定 $x>0$。当 $n>1/x$ 时，$1/n<x$，故 $x\notin (0,1/n)$，于是 $f_n(x)=0$。在 $x=0$ 也始终有 $f_n(0)=0$。所以 $f_n\to 0$ everywhere，特别地 almost surely。

3. 收敛于概率。 对固定 $\eta >0$，当 $n>\eta$ 时，

   $$\lambda (\{|f_n|>\eta \})=\lambda ((0,1/n))=\frac{1}{n}⟶0.$$

4. 并不 $L^1$ 收敛。 因为

   $$\parallel f_n-0{\parallel }_1=1$$

   对所有 $n$ 都成立。故点态／概率收敛并不足以交换极限与积分。

5. 不是一致可积。 任给 $K>0$，选整数 $n>K$。此时在 $(0,1/n)$ 上 $f_n=n>K$，所以

   $${\int }_{\{|f_n|>K\}}|f_n|d\lambda ={\int }_0^{1/n}ndx=1.$$

   因而

   $$q_{\{f_n\}}(K)=1$$

   对每个 $K>0$ 都成立，绝不趋于 $0$。

6. 没有共同的可积支配函数。 若存在 $G\in L^1$ 使 $|f_n|\le G$ a.e. 对所有 $n$ 成立，则由 dominated convergence theorem 与 $f_n\to 0$ a.e. 应有 $\int f_n\to 0$，与 $\int f_n=1$ 矛盾。

边界由此精确暴露：uniform $L^1$ boundedness 只控制“高度 × 宽度”的总乘积；尖峰可以把高度升到 $n$、宽度缩到 $1/n$，总质量仍为 $1$。UI 额外禁止这份固定质量躲进概率趋零的事件。Markov inequality 虽能说明尾事件的概率小，却不能单独说明尾事件上加权后的积分小；后者正是 UI 所补的条件。

5. 今日一问与数学地图 (Question & Map)

今日一问。 已知 $\mathcal{F}\subseteq L^1(\mathbb{P})$ 一致可积，并记

$$q(K)=\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]⟶0.$$

你能否只从这个模量出发，构造一个递增凸函数 $\mathrm{\Phi }:[0,\mathrm{\infty })\to [0,\mathrm{\infty })$，使

$$\mathrm{\Phi }(0)=0,\frac{\mathrm{\Phi }(t)}{t}⟶\mathrm{\infty },\underset{X\in \mathcal{F}}{sup}\mathbb{E}\mathrm{\Phi }(|X|)<\mathrm{\infty }？$$

定向提示。 先递归选阈值 $K_m\uparrow \mathrm{\infty }$，使 $q(K_m)\le 2^{-m}$；再让 $\mathrm{\Phi }$ 的斜率在区间 $[K_m,K_{m+1})$ 上缓慢地逐级增大。难点不在“让斜率发散”，而在同时让各层贡献形成可求和预算。这里保留完整构造，不给出终局。

数学地图。

$$\begin{array}{c}\text{度量紧致性：有限网与子列抽取}\\ \Downarrow \text{控制思想迁移}\\ \text{一致可积性：共同尾阈值与小事件控制}\\ \Downarrow \text{Vitali}\\ \text{收敛于概率}+\text{UI}⟺L^1\text{ 收敛}\\ \Downarrow \\ \text{UI martingales、条件期望、极限与期望交换}\\ \Downarrow \text{Dunford--Pettis}\\ L^1\text{ 弱紧致性与 Banach 空间方法}\end{array}$$

相邻但不可混同的是 tightness（分布紧性）：tightness 控制概率质量是否逃向 $|x|=\mathrm{\infty }$，UI 控制带有权重 $|x|$ 的一阶矩尾部；后者一般更强。下一期将证明 Vitali 定理，届时第 4 节的尖峰会准确说明为什么 UI 是不可删去的假设。

附录 A：习题完整解答 (Full Solution)

展开完整解答

可复用模板：高阶矩界 $\to$ 阈值幂次比较 $\to$ 统一尾估计；Hölder $\to$ 小事件上的统一绝对连续。

设 $p>1$ 且

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}|X{|}^p\le C.$$

第一问：尾积分估计

固定 $K>0$。在事件 $\{|X|>K\}$ 上，有 $|X{|}^{p-1}>K^{p-1}$，因此

$$|X|{\mathbf{1}}_{\{|X|>K\}}\le \frac{|X{|}^p}{K^{p-1}}{\mathbf{1}}_{\{|X|>K\}}\le \frac{|X{|}^p}{K^{p-1}}.$$

取期望得到，对每个 $X\in \mathcal{F}$，

$$\mathbb{E}[|X|{\mathbf{1}}_{\{|X|>K\}}]\le \frac{\mathbb{E}|X{|}^p}{K^{p-1}}\le \frac{C}{K^{p-1}}.$$

故

$$q_{\mathcal{F}}(K)\le \frac{C}{K^{p-1}}⟶0(K\to \mathrm{\infty }),$$

因为 $p-1>0$。所以 $\mathcal{F}$ 一致可积。

更定量地，若 $C>0$，给定 $\epsilon >0$，取

$$K>{\left(\frac{C}{\epsilon }\right)}^{1/(p-1)},$$

便有 $q_{\mathcal{F}}(K)<\epsilon$。若 $C=0$，则 $X=0$ a.s. 对所有 $X\in \mathcal{F}$ 成立，结论平凡。

第二问：小事件估计

令

$$q=\frac{p}{p-1},\frac{1}{p}+\frac{1}{q}=1.$$

对任意 $A\in \mathcal{A}$ 与 $X\in \mathcal{F}$，由 Hölder inequality，

$$\begin{array}{rl}\mathbb{E}[|X|{\mathbf{1}}_A]& \le (\mathbb{E}|X{|}^p{)}^{1/p}(\mathbb{E}{\mathbf{1}}_A^q{)}^{1/q}\\ & =(\mathbb{E}|X{|}^p{)}^{1/p}\mathbb{P}(A{)}^{1/q}\\ & \le C^{1/p}\mathbb{P}(A{)}^{1-1/p}.\end{array}$$

所以

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_A]\le C^{1/p}\mathbb{P}(A{)}^{1-1/p}.$$

当 $C>0$ 时，给定 $\epsilon >0$，例如取

$$\delta ={\left(\frac{\epsilon }{C^{1/p}}\right)}^{p/(p-1)},$$

则 $\mathbb{P}(A)<\delta$ 推出

$$\underset{X\in \mathcal{F}}{sup}\mathbb{E}[|X|{\mathbf{1}}_A]<\epsilon .$$

这正给出积分族的一致绝对连续性。

模板边界。 若只有 $p=1$，第一问的上界退化成 $C$，不随 $K$ 衰减；第二问中共轭指数变成 $q=\mathrm{\infty }$，上界也不再随 $\mathbb{P}(A)$ 缩小。第 4 节的 $f_n=n{\mathbf{1}}_{(0,1/n)}$ 正好满足统一一阶矩界，却没有任何 $p>1$ 的统一矩界：

$${\int }_0^1|f_n{|}^{p}dx=n^{p-1}\to \mathrm{\infty }.$$

所以条件 $p>1$ 不是装饰，而是产生尾衰减指数 $p-1>0$ 的来源。

资料与来源 (Sources)

1. Massachusetts Institute of Technology OpenCourseWare, 6.436J / 15.085J Fundamentals of Probability, Fall 2018, Lecture 19, “Uniform Integrability; Convergence of Series.” 用于核对概率空间上的 UI 尾定义、$L^1$ 有界加小事件控制的等价刻画、超线性矩的充分判据，以及“收敛于概率 + UI $\iff L^1$ 收敛”的后续路线：https://ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/3858b970eb2d877440a485b8ff9cff8a_MIT6_436JF18_lec19.pdf
2. Eric A. Carlen, Notes on Uniform Integrability and Vitali’s Theorem for Math 501, Rutgers University, 2010-10-14. 用于核对一般测度空间中“小集集中 + 质量不逃向无限测度区域”的 UI 结构、Vitali 定理和超线性积分控制；本文因固定概率空间而无需额外的空间无穷远条件：https://sites.math.rutgers.edu/~carlen/501F10/uniformint3.pdf
3. Djalil Chafaï, “De la Vallée Poussin on Uniform Integrability,” Libres pensées d'un mathématicien ordinaire, 2014-03-09. 用于核对 de la Vallée Poussin 判据的三种等价表述、分段线性凸函数构造，以及 UI、Dunford–Pettis 与 tightness 的区别：https://djalil.chafai.net/blog/2014/03/09/de-la-vallee-poussin-on-uniform-integrability
4. Notes on the Dunford-Pettis Compactness Criterion, Rutgers Mathematics（PDF 正文未署作者与日期）。用于核对概率空间上 UI 与相对弱序列紧致性的精确陈述，以及弱收敛通过所有 $L^{\mathrm{\infty }}$ 测试函数表达：https://sites.math.rutgers.edu/courses/592/dunfordpettis.pdf
5. Timothy Gowers, “When are two proofs essentially the same?”, Gowers’s Weblog, 2007-10-04. Section 3 的短引文逐字取自正文；同文讨论 proof-conversion techniques 与高层证明等价性：https://gowers.wordpress.com/2007/10/04/when-are-two-proofs-essentially-the-same