格里文科-坎泰利定理

格里文科-坎泰利定理 (Glivenko-Cantelli Theorem)

格里文科-坎泰利定理（Glivenko-Cantelli Theorem）是概率论与数理统计中基础且极其重要的定理，描述经验分布函数（EDF）与其对应的真实累积分布函数（CDF）之间的渐近关系。该定理断言，随着样本量增加，经验分布函数将一致地且几乎必然地收敛于真实的总体分布函数。因确立了用样本推断总体的数学基础，有时被称为统计学的基本定理（The Fundamental Theorem of Statistics）。

定理表述与证明思路

设 $X_1, \ldots, X_n$ 为独立同分布随机变量序列，服从累积分布函数 $F(x) = P(X \le x)$。经验分布函数基于n个样本观测值定义为 $F_n(x) = (1/n)\sum_{i=1}^n \mathbf{1}\{X_i \le x\}$，即不超过x的观测值占比，为跳跃型阶梯函数，每增加一个数据点函数跳跃 $1/n$。格里文科-坎泰利定理的经典形式为，当 $n \to \infty$ 时 $\sup_{x \in \mathbb{R}} |F_n(x) - F(x)| \to 0$ 几乎必然，即经验分布函数与真实分布函数的最大偏差在样本量无限时趋于零，不仅逐点收敛，而是对x的一致收敛。

定理证明的核心思路利用强大数定律和DKW不等式。对任意固定的x，$F_n(x)$ 是n个独立伯努利指示函数的均值，由强大数定律 $F_n(x) \to F(x)$ 几乎必然（逐点收敛）。但逐点收敛不保证对所有x同时成立，有限多个点的一致控制可通过Borel-Cantelli引理和分布的格利文科-坎泰利类性质获得，一致收敛保证了经验分布函数在全支撑上的全局逼近质量。

统计学意义与应用

格里文科-坎泰利定理为统计推断的核心逻辑提供了坚实的数学基础：当样本足够大时，用EDF替代真实CDF是可靠的，样本数据所揭示的分布形状将越来越接近总体真实形态。该定理在非参数统计中具有基础地位。Kolmogorov-Smirnov检验（单样本KS检验）直接以 $\sup_x |F_n(x) - F_0(x)|$ 为检验统计量，该定理确保在原假设下该统计量收敛于零，配合DKW不等式给出有限样本的尾部界限，构成KS检验的理论保证。在自助法（Bootstrap）中，EDF作为总体分布的非参数估计被反复重采样，格里文科-坎泰利定理确保大样本下自助法分布的渐近有效性。在贝叶斯非参数中，Dirichlet过程等先验以该定理为基础保证了后验一致性。格里文科-坎泰利定理在统计理论中的核心地位，在于将样本到总体的推理从"近似"提升至"保证"的层次，为统计推断的一致性提供了可证明的数学承诺。