2026-07-20 · 把概率收敛升级为积分收敛

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

起点问题。 昨日的一致可积性 (uniform integrability) 解决了一个静态问题：一个函数族是否能用同一个尾部阈值控制所有成员的大值质量？今日把它接到动态问题上：若 $X_n$ 已经在概率意义下接近 $X$，什么时候可以推出

$$\mathbb{E}|X_n-X|⟶0？$$

概率收敛 (convergence in probability) 只说误差大的事件越来越罕见；它不说这些罕见事件上是否藏着很大的积分质量。Vitali convergence theorem（Vitali 收敛定理）说：缺的正是统一的质量控制。

对象与量词层。 今日固定 probability space（概率空间）$(\mathrm{\Omega },\mathcal{A},\mathbb{P})$，随机变量 $X_n,X$ 取实值且可测。对象层有三类：误差变量 $Y_n=|X_n-X|$、阈值 $a>0$、坏事件 $A_{n,a}=\{Y_n>a\}$。核心量词链是：

1. $X_n\to X$ in probability：对每个固定 $a>0$，$\mathbb{P}(A_{n,a})\to 0$；
2. uniform integrability：对每个 $\epsilon >0$，存在一个不依赖 $n$ 的小集尺度 $\delta$，使任何概率小于 $\delta$ 的事件上积分都小；
3. 结论 $L^1$ convergence：整个误差的期望趋于零。

预备知识。 需要 convergence in probability、almost sure convergence、$L^1$ norm、Fatou lemma、Markov inequality，以及昨日证明过的 UI 等价刻画：在概率空间上，尾部统一消失等价于 $L^1$ 有界加小事件上的统一绝对连续。

弧线位置。 本期是 3 日 anchor-2026-w29-compactness-control micro-arc 的第 3 日，也是闭合日：

• Day 1：metric compactness 把无限点集压回有限尺度；
• Day 2：uniform integrability 把函数族的尾部质量压回共同阈值；
• Day 3：Vitali theorem 把“概率上接近”升级为“积分上接近”。

主导证明机制。 今日只有一个 proof engine：bad-event split（坏事件分解）

$$Y_n=Y_n{\mathbf{1}}_{\{Y_n\le a\}}+Y_n{\mathbf{1}}_{\{Y_n>a\}}.$$

第一项由振幅 $a$ 控制；第二项落在概率趋零的坏事件上，由 UI 的小集绝对连续性控制。紧性思想在这里的形式是：不是抽子列，而是阻止误差质量在越来越小的坏事件上集中。

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

1.1 三种收敛：概率、均值、以及缺口

定义 1（convergence in probability，收敛于概率）。 对随机变量 $X_n,X$，称 $X_n\to X$ in probability，如果

$$\mathrm{\forall }a>0,\mathbb{P}(|X_n-X|>a)⟶0.$$

参数 $a$ 是观察误差的固定尺度；结论只涉及事件概率，不涉及事件上误差的大小。

定义 2（$L^1$ convergence / convergence in mean，$L^1$ 收敛／均值收敛）。 若 $X_n,X\in L^1(\mathbb{P})$ 且

$$\mathbb{E}|X_n-X|⟶0,$$

则称 $X_n\to X$ in $L^1$。由 Markov inequality，$L^1$ 收敛推出概率收敛：对任意 $a>0$，

$$\mathbb{P}(|X_n-X|>a)\le \frac{\mathbb{E}|X_n-X|}{a}⟶0.$$

反向一般错误。错误点非常精确：概率收敛允许坏事件概率趋零，但若坏事件上的误差高度趋于无穷，期望仍可保持不变。

昨日的 UI 正是补这个缺口的条件。对一族可积随机变量 $\mathcal{F}\subseteq L^1(\mathbb{P})$，记

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

$\mathcal{F}$ uniformly integrable（统一可积）当且仅当

$$q_{\mathcal{F}}(K)\to 0(K\to \mathrm{\infty }).$$

在概率空间上等价地说，$\mathcal{F}$ 是 $L^1$ bounded，并且

$$\mathrm{\forall }\epsilon >0\mathrm{\exists }\delta =\delta (\epsilon ,\mathcal{F})>0\mathrm{\forall }A\in \mathcal{A}\mathrm{\forall }Z\in \mathcal{F},\mathbb{P}(A)<\delta \Rightarrow \mathbb{E}[|Z|{\mathbf{1}}_A]<\epsilon .$$

这后一种形式最适合 Vitali 定理，因为概率收敛天然产生“小概率坏事件”。

1.2 主定理：概率收敛加 UI 等价于 $L^1$ 收敛

定理 1（Vitali convergence theorem，概率空间版本）。 设 $(\mathrm{\Omega },\mathcal{A},\mathbb{P})$ 是概率空间，$X_n$ 是一列 $L^1$ 随机变量，$X$ 是有限实值可测随机变量。则以下两项等价：

1. $X_n\to X$ in $L^1$；
2. $X_n\to X$ in probability，且函数族 $\{X_n:n\ge 1\}$ uniformly integrable。

在第二项中，$X\in L^1$ 不需要单独假设；它会从 UI 与概率收敛推出。

这个定理也可写成一句操作性语言：

convergence in probability + no hidden mass on small events = convergence in mean.

1.3 证明：两次有限化，一次用于前缀，一次用于坏事件

方向 $L^1\Rightarrow$ probability + UI。 概率收敛已经由 Markov inequality 给出。还要证明 $\{X_n\}$ 一致可积。

先注意 $X\in L^1$，且 $\mathbb{E}|X_n-X|\to 0$。给定 $\epsilon >0$，取 $N$，使 $n>N$ 时

$$\mathbb{E}|X_n-X|<\epsilon /3.$$

单个可积函数以及有限多个可积函数构成的族总是一致可积，所以存在 $\delta >0$，使得 $\mathbb{P}(A)<\delta$ 时，

$$\mathbb{E}[|X|{\mathbf{1}}_A]<\epsilon /3,\mathbb{E}[|X_i|{\mathbf{1}}_A]<\epsilon (1\le i\le N).$$

于是对 $n>N$，

$$\mathbb{E}[|X_n|{\mathbf{1}}_A]\le \mathbb{E}[|X|{\mathbf{1}}_A]+\mathbb{E}[|X_n-X|]<2\epsilon /3<\epsilon .$$

有限前缀由有限族的 UI 处理，尾部由 $L^1$ 接近 $X$ 吸收。这给出了小事件上的统一绝对连续；再加上 $L^1$ boundedness，昨日等价刻画推出 $\{X_n\}$ UI。

方向 probability + UI $\Rightarrow L^1$。 设 $\mathcal{F}=\{X_n:n\ge 1\}$ UI。首先证明 $X\in L^1$。由 UI 可得

$$C:=\underset{n}{sup}\mathbb{E}|X_n|<\mathrm{\infty }.$$

概率收敛推出存在子列 $X_{n_k}$ almost surely 收敛到 $X$。由 Fatou lemma，

$$\mathbb{E}|X|\le \underset{k\to \mathrm{\infty }}{lim inf}\mathbb{E}|X_{n_k}|\le C<\mathrm{\infty }.$$

所以 $X$ 可积。

再证明误差族 $\mathcal{G}=\{|X_n-X|:n\ge 1\}$ 也一致可积。因为 $\mathcal{F}$ UI，且单点族 $\{X\}$ UI；对任意事件 $A$，

$$\mathbb{E}[|X_n-X|{\mathbf{1}}_A]\le \mathbb{E}[|X_n|{\mathbf{1}}_A]+\mathbb{E}[|X|{\mathbf{1}}_A].$$

小事件上右侧两项都能统一压小，因此 $\mathcal{G}$ UI。

现在固定 $a>0$，令

$$Y_n:=|X_n-X|,A_{n,a}:=\{Y_n>a\}.$$

则

$$\mathbb{E}{Y}_n=\mathbb{E}[Y_n{\mathbf{1}}_{\{Y_n\le a\}}]+\mathbb{E}[Y_n{\mathbf{1}}_{A_{n,a}}]\le a+\mathbb{E}[Y_n{\mathbf{1}}_{A_{n,a}}].$$

由概率收敛，$\mathbb{P}(A_{n,a})\to 0$。由 $\mathcal{G}$ 的小事件统一绝对连续性，第二项趋于 $0$。因此

$$\underset{n\to \mathrm{\infty }}{lim sup}\mathbb{E}|X_n-X|\le a.$$

由于 $a>0$ 任意，得到

$$\mathbb{E}|X_n-X|\to 0.$$

证毕。

注意证明里没有支配函数 $G$；我们只需要一个家族层面的“质量不能藏在小事件上”的规则。这正是 Vitali 比 dominated convergence theorem（支配收敛定理）更柔软的地方。

1.4 谱系：从支配收敛到 Vitali，再到弱紧致

Dominated convergence theorem 假设存在同一个 $G\in L^1$，满足 $|X_n|\le G$。它自动给出 UI，因为

$$|X_n|{\mathbf{1}}_{\{|X_n|>K\}}\le G{\mathbf{1}}_{\{G>K\}}.$$

因此 DCT 是 Vitali 的一个强条件特例：它用一个逐点支配函数禁止集中；Vitali 只要求尾部积分在族层面统一消失。

Graduate / modern extension 1（一般测度空间）。 在无限测度空间上，仅有“小集上积分小”还不够。Eric Carlen 的一般版本把 uniform integrability 分成三层：小集集中控制、质量不逃到无限测度区域之外、以及统一 $L^1$ boundedness。概率空间中可直接取 $A_{\epsilon }=\mathrm{\Omega }$，所以“逃向无穷远”这一层自动消失；第 4 节会给出无限测度空间上的边界例子。

Graduate / modern extension 2（Banach 空间视角）。 昨日提到 Dunford–Pettis：在概率空间上，$L^1$ 中 UI 的有界族对应相对弱紧致。Vitali 定理可读成一个强收敛判据：弱紧致式的质量控制，加上概率拓扑中的点态接近，足以推出 $L^1$ norm topology（范数拓扑）下的接近。

2. 固定模板习题 (Template Exercise)

题目

设 $(\mathrm{\Omega },\mathcal{A},\mathbb{P})$ 是概率空间，$X_n$ 是随机变量，满足

$$X_n\to 0\text{in probability},$$

且存在常数 $M<\mathrm{\infty }$，使得对所有 $n$，

$$|X_n|\le M\text{almost surely}.$$

证明 $X_n\to 0$ in $L^1$，并给出一个显式估计，说明如何由 $\mathbb{P}(|X_n|>a)$ 控制 $\mathbb{E}|X_n|$。

模板识别

看到“概率收敛 + 一致有界”，目标是 $L^1$ 收敛时，应优先使用 small/bad event split：

• 在好事件 $\{|X_n|\le a\}$ 上，用阈值 $a$ 直接控制振幅；
• 在坏事件 $\{|X_n|>a\}$ 上，用全局上界 $M$ 把积分化成概率；
• 最后先固定 $a$，再令 $n\to \mathrm{\infty }$，最后让 $a\downarrow 0$。

这是一种最简 Vitali 模板：boundedness 给出 UI，而概率收敛给出坏事件概率趋零。

分级提示

1. Hint 1. 对任意 $a>0$，把 $|X_n|$ 分成 $|X_n|\le a$ 与 $|X_n|>a$ 两部分。
2. Hint 2. 第一部分的期望不超过 $a$，因为概率空间总质量为 $1$。
3. Hint 3. 第二部分用 $|X_n|\le M$ 得到 $M\mathbb{P}(|X_n|>a)$。
4. Hint 4. 得到 $\underset{n}{lim sup}\mathbb{E}|X_n|\le a$ 后，不要忘记 $a>0$ 是任意的。

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

可核验语境。 Henri Poincaré 在 Science and Hypothesis 的第一章 On the Nature of Mathematical Reasoning 中讨论数学推理为何既严密又能产生新内容。Project Gutenberg 提供的是 W. J. Greenstreet 的英文译本，eBook No. 37157；本次引用按其 TeX 文本核对。[3]

“The syllogism can teach us nothing essentially new”

中译。 “三段论不能教给我们任何本质上新的东西。”

转述（paraphrase）。 Poincaré 的问题不是否定演绎，而是追问：若数学只是形式规则的机械串联，它为何不是巨大 tautology（重言式）？数学内容常常来自选择了正确的对象、量词与不变量；一旦选择正确，证明可以很短，但短证明并不意味着概念没有贡献。

评论（本文解释）。 Vitali 定理正好展示这种“新增内容不在计算长度里”的现象。证明的最后一行只是

$$\mathbb{E}{Y}_n\le a+\mathbb{E}[Y_n{\mathbf{1}}_{\{Y_n>a\}}],$$

但真正的数学内容在于把 convergence in probability 翻译成“坏事件概率小”，再把 UI 翻译成“小事件上积分统一小”。两个定义看似各自独立；Vitali 把它们接成一条量词链。好的定理不是把旧话重说一遍，而是告诉我们哪些旧条件正好能互相咬合。

4. 反例与边界 (Counterexample & Boundary)

4.1 删除 UI：概率收敛不推出 $L^1$ 收敛

在 $([0,1],\mathcal{B},\lambda )$ 上定义

$$g_n(x):=n^2{\mathbf{1}}_{(0,n^{-2})}(x).$$

逐项检查：

1. 可积且 $L^1$ 质量恒定。

   $$\parallel g_n{\parallel }_1={\int }_0^{n^{-2}}{n}^{2}dx=1.$$

2. 概率收敛到 $0$。 给定 $a>0$，当 $n^2>a$ 时，

   $$\{|g_n|>a\}=(0,n^{-2}),$$

   因而

   $$\lambda (|g_n|>a)=n^{-2}\to 0.$$

   所以 $g_n\to 0$ in probability。

3. 不 $L^1$ 收敛。 因为

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

   对所有 $n$ 成立。

4. 不是 UI。 任给 $K>0$，取 $n>\sqrt{K}$。则 $g_n=n^2>K$ 在整个 $(0,n^{-2})$ 上成立，所以

   $${\int }_{\{|g_n|>K\}}|g_n|d\lambda =1.$$

   因此尾质量没有随 $K$ 消失。

这个反例暴露的边界是：概率收敛只看坏事件的宽度；$L^1$ 收敛还看“宽度 × 高度”。UI 正是禁止高度补偿宽度的条件。

4.2 删除概率收敛：UI 本身不制造极限

在单点概率空间上令 $h_n=(-1{)}^n$。这列随机变量被 $1$ 支配，因此 uniformly integrable。但它不在概率中收敛到任何随机变量：在单点空间上，概率收敛就是普通数列收敛，而 $(-1{)}^n$ 不收敛。它当然也不在 $L^1$ 中收敛。

这说明 Vitali 不是“UI 自动给出强收敛”，而是“已有概率极限时，UI 防止积分质量漏掉”。

4.3 无限测度空间上的远方逃逸

若把空间换成 $(\mathbb{R},\mathcal{B},\lambda )$，令

$$f_n={\mathbf{1}}_{[n,n+1]}.$$

则 $f_n(x)\to 0$ pointwise，对任意集合 $E$ 也有

$${\int }_E|f_n|d\lambda \le \lambda (E),$$

所以小集集中控制没有问题；并且 $\parallel f_n{\parallel }_1=1$。但

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

始终不变。失败原因不是尖峰，而是质量整体逃向空间无穷远。概率空间中总空间有限，这条逃逸路线被自动封死；一般测度空间的 Vitali 定理必须额外写出“不逃向无穷远”的条件。

5. 今日一问与数学地图 (Question & Map)

今日一问。 设 $p>1$，$X_n\to X$ in probability。你能否证明下面的 $L^p$ 版本？

$$X_n\to X\text{in }{L}^p⟺\{|X_n{|}^p:n\ge 1\}\text{uniformly integrable and }{X}_n\to X\text{in probability}.$$

定向提示。 不要直接把今日定理套在 $|X_n-X{|}^p$ 上，因为你还没有它的 UI。一个常用入口是先证明 $|X{|}^p$ 可积，再用不等式

$$|X_n-X{|}^p\le 2^{p-1}(|X_n{|}^p+|X{|}^p)$$

把误差族的 $p$ 次幂控制转移到 $\{|X_n{|}^p\}$ 与单点 $|X{|}^p$ 上。剩下的结构与今日完全平行：小振幅部分给出 $a^p$，坏事件部分由 UI 控制。

数学地图。

$$\begin{array}{c}\text{metric compactness：有限尺度控制}\\ \Downarrow \\ \text{uniform integrability：小事件与尾部质量控制}\\ \Downarrow \\ \text{Vitali convergence：概率收敛升级为 }{L}^1\text{ 收敛}\\ \Downarrow \\ \text{conditional expectation：用 }{L}^1\text{ 极限定义投影式对象}\\ \Downarrow \\ \text{martingale convergence：UI 是极限可交换的核心条件}\\ \Downarrow \\ \text{weak compactness / Dunford--Pettis / Banach-space probability}\end{array}$$

若回到 Develata 更熟悉的随机图语境，Vitali 的精神是：当局部事件或截断误差只在小概率坏集上发生时，不能只报告 bad probability；还必须问这些坏集承载的权重、计数或能量是否被统一控制。概率小，未必代价小；一旦代价也被 UI 式条件锁住，极限与期望才可以安全交换。

附录 A：习题完整解答 (Full Solution)

展开完整解答

可复用模板：阈值分裂 $\to$ 好事件振幅控制 $\to$ 坏事件概率控制 $\to$ 先 $n\to \mathrm{\infty }$ 后阈值下放。

设 $|X_n|\le M$ a.s.，且 $X_n\to 0$ in probability。任取 $a>0$。分解

$$\mathbb{E}|X_n|=\mathbb{E}[|X_n|{\mathbf{1}}_{\{|X_n|\le a\}}]+\mathbb{E}[|X_n|{\mathbf{1}}_{\{|X_n|>a\}}].$$

第一项满足

$$\mathbb{E}[|X_n|{\mathbf{1}}_{\{|X_n|\le a\}}]\le a\mathbb{P}(|X_n|\le a)\le a.$$

第二项由一致有界性给出

$$\mathbb{E}[|X_n|{\mathbf{1}}_{\{|X_n|>a\}}]\le M\mathbb{P}(|X_n|>a).$$

因此得到显式估计

$$\mathbb{E}|X_n|\le a+M\mathbb{P}(|X_n|>a).$$

由 $X_n\to 0$ in probability，对每个固定 $a>0$，

$$\mathbb{P}(|X_n|>a)\to 0.$$

于是

$$\underset{n\to \mathrm{\infty }}{lim sup}\mathbb{E}|X_n|\le a.$$

由于 $a>0$ 任意，令 $a\downarrow 0$，得到

$$\underset{n\to \mathrm{\infty }}{lim sup}\mathbb{E}|X_n|\le 0.$$

期望非负，所以

$$\mathbb{E}|X_n|\to 0.$$

这正是 $X_n\to 0$ in $L^1$。

模板边界。 若没有统一上界 $M$，第二项不能被 $M\mathbb{P}(|X_n|>a)$ 控制；第 4 节的 $g_n=n^2{\mathbf{1}}_{(0,n^{-2})}$ 正是在坏事件概率趋零时把高度升到 $n^2$，使积分误差保持为 $1$。若把统一有界改成 UI，则第二项不再用 $M$，而用“小概率事件上的积分统一小”控制；这就是 Vitali 定理的抽象版本。

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 probability-space 版本中 “$L^1$ convergence iff convergence in probability plus uniform integrability” 的定理陈述，以及 UI 的尾定义、小事件刻画和超线性矩充分条件：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的 Vitali 定理、uniform integrability 的小集集中条件、有限测度外支撑控制条件，以及“无限测度空间质量逃逸”边界：https://sites.math.rutgers.edu/~carlen/501F10/uniformint3.pdf
3. Henri Poincaré, Science and Hypothesis, translated by W. J. Greenstreet, with introduction by J. Larmor, Project Gutenberg eBook No. 37157, release date 2011-08-21, last updated 2021-06-11. Section 3 引文按 Project Gutenberg TeX 文本核对；eBook metadata 页面：https://www.gutenberg.org/ebooks/37157 ；TeX 文本：https://www.gutenberg.org/files/37157/37157-t/37157-t.tex