列维-克拉默连续性定理

列维-克拉默连续性定理 (Lévy-Cramér Continuity Theorem)

列维-克拉默连续性定理（Lévy-Cramér Continuity Theorem）是概率论和高等数理统计中的一个核心定理，建立了随机变量序列的依分布收敛与其特征函数序列点态收敛之间的一一对应关系。该定理将复杂的分布函数（CDF）收敛问题转化为相对容易的特征函数（分布的傅里叶-斯蒂尔杰斯变换）的代数运算和极限问题，这是证明中心极限定理最常用的工具。

定理陈述

涉及几个关键概念。分布函数 $F_n(x)$ 和 $F(x)$ 分别为随机变量 $X_n$ 和 $X$ 的CDF。特征函数 $\varphi(t) = E[e^{itX}] = \int e^{itx} dF(x)$，其中 $t \in \mathbb{R}$。依分布收敛 $X_n \xrightarrow{d} X$ 意味着对 $F(x)$ 的所有连续点有 $\lim F_n(x) = F(x)$，这是弱收敛的形式。

正向结论：若 $X_n \xrightarrow{d} X$，则特征函数序列在每点收敛且在任何有限区间上一致收敛：$\lim \varphi_n(t) = \varphi(t)$（对所有 $t \in \mathbb{R}$）。此部分由依分布收敛的性质（对有界连续函数 $g$ 有 $E[g(X_n)] \to E[g(X)]$）直接导出，因 $e^{itx}$ 既有界又连续，结论自然成立。

逆向结论（更深刻实用）：设 $\varphi_n(t)$ 为 $X_n$ 的特征函数，若对每个 $t$ 有 $\lim \varphi_n(t) = g(t)$ 且 $g(t)$ 在 $t = 0$ 处连续，则 $g(t)$ 是某随机变量 $X$ 的特征函数且 $X_n \xrightarrow{d} X$。

原点连续性的关键作用

逆向结论中 $g(t)$ 必须在原点连续是最关键且最易被忽略的条件，它保证概率质量不会逃逸到无穷远处。经典反例：$X_n$ 服从区间 $[-n, n]$ 上的均匀分布，其特征函数 $\varphi_n(t) = \sin(nt)/(nt)$。当 $n \to \infty$ 时极限函数为 $g(0) = 1$、$g(t) = 0$（$t \neq 0$），该函数在原点不连续。此例中 $X_n$ 的概率质量随n增大日益分散，最终逃逸至无穷远，极限时 $X_n$ 不依分布收敛于任何通常随机变量。

原点连续性的实质是保证随机变量序列的紧性，即概率质量不泄漏。根据赫利-布雷定理的条件，原点连续等价于概率测度序列的紧性，序列 $X_n$ 的概率质量不会随n增大而递减趋零。

核心应用与理论意义

列维-克拉默定理是证明中心极限定理的标准途径。对独立同分布（i.i.d.）随机变量序列，其标准化和的分布依分布收敛于标准正态分布，等价于其特征函数逐点收敛于正态特征函数 $\varphi(t) = e^{-t^2/2}$，验证即完成证明。该定理在大样本理论中广泛用于推导渐近分布，当直接处理分布函数困难时转而验证特征函数的逐点收敛和原点连续性。在极值理论、随机过程的有限维分布收敛和稳定分布等领域，列维-克拉默定理也是核心的分析工具。此定理将概率分布的极限问题代数化，是概率论中联系测度论与分析学的最深刻桥梁之一。