几乎必然收敛的含义

1 几乎必然收敛的概念

几乎必然收敛（almost sure convergence），又叫以概率1收敛（convergence with probability 1），定义为：随机变量序列{Xn}\{X_n\}{Xn​}满足
$$\mathbf{P}(\underset{n\to \infty }{\lim }{X}_n\to X)=1$$
则$X_n\stackrel{\text{a. s. }}{\to }X$。

它的等价条件有很多，比如：
$$\mathbf{P}(\underset{n\to \infty }{\lim }|X_n-X|<\epsilon )=1$$
或
$$\forall \epsilon >0,\mathbf{P}(\underset{n\to \infty }{\mathrm{limsup}}|X_n-X|>\epsilon )=0$$

上式又可用“不时发生”（infinitely often）的概念，写为
$$\forall \epsilon >0,\mathbf{P}(|X_n-X|>\epsilon ,\text{i. o. })=0$$

上式如何理解？可从∪n=m∞{∣Xn−X∣>ε}\cup_{n=m}^{\infty}\{|X_n-X|>\varepsilon\}∪n=m∞​{∣Xn​−X∣>ε}入手，它表示给定$m$后，使$|X_n-X|>\epsilon$（$n\ge m$）至少发生一次的$\omega$的集合。而如果不管给定的$m$有多大，在有些$\omega$上，$|X_n-X|>\epsilon$（$n\ge m$）都会至少发生一次，这些$\omega$的集合就是“不时发生”的概念：
{∣Xn−X∣>ε,i. o. }=∩m=1∞∪n=m∞{∣Xn−X∣>ε}=lim sup⁡n→∞{∣Xn−X∣>ε} \begin{aligned} & \left\{|X_n-X|>\varepsilon, \text{i. o. }\right\}\\ =& \cap_{m=1}^{\infty} \cup_{n=m}^{\infty} \left\{|X_n-X|>\varepsilon\right\}\\ =& \limsup_{n\to\infty} \left\{|X_n-X|>\varepsilon\right\} \end{aligned} ==​{∣Xn​−X∣>ε,i. o. }∩m=1∞​∪n=m∞​{∣Xn​−X∣>ε}n→∞limsup​{∣Xn​−X∣>ε}​

因此，几乎必然收敛可表示为
0=P({∣Xn−X∣>ε,i. o. })=P(∩m=1∞∪n=m∞{∣Xn−X∣>ε})=P(lim sup⁡n→∞{∣Xn−X∣>ε}) \begin{aligned} 0 =& \mathbf{P}\left(\left\{|X_n-X|>\varepsilon, \text{i. o. }\right\}\right)\\ =& \mathbf{P}(\cap_{m=1}^{\infty} \cup_{n=m}^{\infty} \left\{|X_n-X|>\varepsilon\right\})\\ =& \mathbf{P}(\limsup_{n\to\infty} \left\{|X_n-X|>\varepsilon\right\}) \end{aligned} 0===​P({∣Xn​−X∣>ε,i. o. })P(∩m=1∞​∪n=m∞​{∣Xn​−X∣>ε})P(n→∞limsup​{∣Xn​−X∣>ε})​

再介绍一个定理：设{En∈F}\{E_n\in\mathcal{F}\}{En​∈F}为任意序列，则

• $\mathbf{P}(\underset{n\to \infty }{\mathrm{limsup}}{E}_n)=\underset{n\to \infty }{\lim }\mathbf{P}({\cup }_{m=n}^{\infty }{E}_m)$；
• $\mathbf{P}(\underset{n\to \infty }{\mathrm{liminf}}{E}_n)=\underset{n\to \infty }{\lim }\mathbf{P}({\cap }_{m=n}^{\infty }{E}_m)$.

2 Borel-Cantelli引理

Borel-Cantelli引理是证明几乎必然收敛时用到最多的工具之一。引理分为两部分，一是收敛部分，讲收敛所需的充分条件，二是发散（divergence）部分，讲收敛所需的必要条件，即序列的独立性。

Borel-Cantelli引理：

1. 对于任意一个事件序列{En∈F}\{E_n\in\mathcal{F}\}{En​∈F}，若$\sum _{n=1}^{\infty }\mathbf{P}(E_n)<\infty$，则$\mathbf{P}(E_n,\text{i. o. })=0$；
2. 对于独立事件的序列{En∈F}\{E_n\in\mathcal{F}\}{En​∈F}，若$\sum _{n=1}^{\infty }\mathbf{P}(E_n)=\infty$，则$\mathbf{P}(E_n,\text{i. o. })=1$.