ARTICLE

赫利-布雷定理

赫利-布雷定理赫利-布雷定理（Helly-Bray Theorem）是概率论和测度论中的一个基本定理，以数学家爱德华·赫利（Eduard Helly）和休伯特·伊夫林·布雷（Hubert Evelyn Bray）的名字命名。该定理建立了概率测度的弱收敛与有界连续函数积分收敛之间的等价关系，是概率极限理论的重要工具，广泛运用于数理统计、计量经济学和随机过程等

浏览 0 更新 2025-12-04

赫利-布雷定理

赫利-布雷定理（Helly-Bray Theorem）是概率论和测度论中的一个基本定理，以数学家爱德华·赫利（Eduard Helly）和休伯特·伊夫林·布雷（Hubert Evelyn Bray）的名字命名。该定理建立了概率测度的弱收敛与有界连续函数积分收敛之间的等价关系，是概率极限理论的重要工具，广泛运用于数理统计、计量经济学和随机过程等领域。它在整个概率论中占据基础性地位，与勒贝格控制收敛定理和法图引理等经典结论有着深刻联系，但侧重点在于分布层面的收敛性而非逐点收敛。

定义与表述

设 $\{\mu_n\}_{n=1}^{\infty}$ 和 $\mu$ 是定义在度量空间（通常为 $\mathbb{R}^d$ ）上的概率测度。赫利-布雷定理指出： $\mu_n$ 弱收敛于 $\mu$ 当且仅当对任意有界连续函数 $f$ ，有

\lim_{n \to \infty} \int f \, d\mu_n = \int f \, d\mu.

等价地，对于分布函数序列 $\{F_n\}$ 和 $F$ ， $F_n$ 在 $F$ 的每个连续点处逐点收敛于 $F$ 当且仅当对每个有界连续函数 $g$ ，

\lim_{n \to \infty} \int g \, dF_n = \int g \, dF.

这一表述通常也被称为赫利-布雷引理（Helly-Bray Lemma）或赫利-布雷性质，具体命名取决于上下文语境。

定理的直白含义

该定理的核心思想是：概率分布之间的弱收敛本质上等价于以连续有界函数作为检验函数时的矩收敛。换言之，如果我们不对被观测的函数施加过于严格的限制（例如要求可微或有界支集），那么"分布趋近"与"所有有界连续统计量的期望趋近"是同一个概念。这一定理相当于告诉我们，在概率理论中，要判断一个分布序列是否收敛到某个极限分布，只需要验证所有有界连续函数下的期望值是否收敛即可——这在实际验证中往往比直接检验分布函数的逐点收敛更加便捷。

定理的两个方向

赫利-布雷定理包含两个方向。正向（必要性）：若 $\mu_n \Rightarrow \mu$ （弱收敛），则对所有有界连续 $f$ ， $\int f d\mu_n \to \int f d\mu$ 。正向方向较为直观——当分布趋近于极限分布时，任何有界连续函数下的期望值也应该趋近。反向（充分性）：若对于某个测度 $\mu$ ，和对所有有界连续 $f$ 都有 $\int f d\mu_n \to \int f d\mu$ ，则 $\mu_n \Rightarrow \mu$ 。反向方向的意义更为深刻：它说明有界连续函数族足以完全刻画概率测度的弱收敛性，即这一函数族在概率测度空间上是一个分离集（separating set）。正是反向部分的成立使得该定理成为一个强有力的特征化工具，允许研究者通过检验有限维有界连续函数的方式来判断无限维空间中的分布收敛性。

在经济学与计量经济学中的应用

1. 中心极限定理的证明

赫利-布雷定理是经典中心极限定理（CLT）证明中的关键环节。标准证明路线如下：首先计算标准化样本均值的特征函数，利用泰勒展开证明其逐点收敛于标准正态分布的特征函数 $e^{-t^2/2}$ ；随后借助列维连续性定理（Lévy's Continuity Theorem，该定理本身与赫利-布雷定理密切相关）将特征函数的逐点收敛转化为分布的弱收敛；最后，赫利-布雷定理确保了这一收敛对任意有界连续检验函数均成立。该方法已经成为概率论中证明极限定理的标准范式。

2. 渐近分布理论

在计量经济学中，参数估计量的渐近分布往往通过赫利-布雷定理来建立。例如，当证明某估计量 $\hat{\theta}_n$ 渐近正态时，通常先证明其特征函数或矩母函数收敛到正态分布的特征函数，再利用赫利-布雷定理得出 $\hat{\theta}_n$ 的分布弱收敛于正态分布。最小二乘估计量（OLS）、极大似然估计量（MLE）和广义矩估计量（GMM）的渐近正态性证明均遵循这一模式。

3. 连续映射定理（Continuous Mapping Theorem）的基础

连续映射定理是赫利-布雷定理的直接推广：若 $g$ 是连续函数且 $X_n \Rightarrow X$ ，则 $g(X_n) \Rightarrow g(X)$ 。该结果在 Delta 方法、广义矩估计（GMM）和半参数估计中不可或缺。例如，在 Delta 方法中，当我们知道 $\sqrt{n}(\hat{\theta}_n - \theta) \Rightarrow N(0, \sigma^2)$ 时，连续映射定理可以立即推出 $g(\hat{\theta}_n)$ 的渐近分布，这对于构造非线性参数的置信区间至关重要。

4. 随机过程的弱收敛

在金融经济学中，赫利-布雷定理被用于证明资产价格过程的弱收敛，如 Donsker 定理（泛函中心极限定理），后者在期权定价和风险管理中扮演核心角色。具体而言，Donsker 定理指出，经过适当标准化的随机游走弱收敛于布朗运动，而这一定理的证明本质上依赖于赫利-布雷定理在函数空间 $C[0,1]$ 上的推广形式。

5. 经验过程理论

经验分布函数 $F_n$ 弱收敛于真实分布 $F$ 的 Glivenko-Cantelli 定理，其证明依赖于赫利-布雷定理的基本思想。具体而言，对于每个固定的 $x$ ，由强大数定律可知 $F_n(x) \xrightarrow{a.s.} F(x)$ ，但 Glivenko-Cantelli 定理要求这种收敛在 $x$ 上一致成立。赫利-布雷定理提供的弱收敛框架使得研究者可以从逐点收敛过渡到一致收敛，从而建立经验分布函数与真实分布函数之间的整体逼近关系。这一结果在非参数计量经济学和 Bootstrap 方法的理论基础上至关重要。

与赫利选择定理的关系

赫利-布雷定理与赫利选择定理（Helly's Selection Theorem）密切相关，二者共同构成了概率极限理论的核心工具集。赫利选择定理由同一数学家爱德华·赫利提出，指出：任意一致有界的分布函数序列中都存在一个弱收敛的子序列。这为证明分布函数序列的紧性（tightness）提供了关键工具。在实际应用中，通常的策略是：先利用赫利选择定理证明分布序列存在收敛子序列（紧性），再证明所有可能的极限点都相同（唯一性），最后借助赫利-布雷定理推断整个序列收敛。这一"紧性+唯一极限点=收敛"的标准论证框架在现代概率论中极为常见。

历史背景

爱德华·赫利（Eduard Helly，1884—1943）是一位奥地利数学家，出生于维也纳的一个犹太家庭。他于1912年首先提出该定理的核心思想，用于解决函数空间中的紧性问题。赫利的学术生涯经历了诸多坎坷——他在第一次世界大战中服役并受伤，战后因反犹太主义难以获得学术职位，最终在纳粹时期被迫流亡美国。他的大部分工作在生前并未获得充分认可，许多结果——包括赫利选择定理和赫利-布雷定理——在后来的文献中被其他数学家独立发现或重新表述。休伯特·布雷（Hubert Evelyn Bray，1889—1978）是一位美国数学家，出生于威斯康星州，他于1919年在莱斯大学完成的博士论文中对该定理进行了严格表述和证明。布雷后来在莱斯大学长期任教，在积分方程、调和分析和概率论领域作出了重要贡献。最初的定理主要针对 $\mathbb{R}$ 上的分布函数，后来被推广到任意度量空间上的概率测度。该定理的现代形式通过 Riesz 表示定理与泛函分析紧密相连，被视为概率论与泛函分析之间的重要桥梁之一。

局限性

尽管赫利-布雷定理应用广泛，但它要求检验函数为有界连续。对于无界函数（如多项式 $f(x)=x^2$ ），即使 $\mu_n \Rightarrow \mu$ ，积分 $\int f d\mu_n$ 也未必收敛到 $\int f d\mu$ ，除非额外施加一致可积性条件。例如，考虑一个退化到零的分布序列与柯西分布的情形：即使分布收敛，方差也可能发散或不存在。这种限制在实际应用中需要谨慎对待，特别是在处理厚尾分布或存在矩不存在的分布时。为了处理无界函数的情形，统计学家引入了一致可积性（uniform integrability）的概念，并结合赫利-布雷定理将其推广为广义赫利-布雷定理（Generalized Helly-Bray Theorem），该推广版本允许检验函数为无界但满足某种可积性条件的函数，从而大大扩展了定理的适用范围。

赫利-布雷定理