Portmanteau定理

Portmanteau 定理

Portmanteau 定理（Portmanteau Theorem，亦称 Portmanteau 引理）是概率论中关于依分布收敛（弱收敛）的一组等价刻画条件，是现代概率论的核心定理之一。该定理的名称来源于法语单词 "portmanteau"，原意为"旅行箱"或"组合衣箱"，取其"将多种条件集于一身"的寓意——它把依分布收敛的若干等价定义统一在同一个框架之下，为判断随机变量序列或概率测度序列是否弱收敛提供了灵活多样的工具。在实际应用中，研究者可以根据手头的数据结构和对概率空间的认识，选择最方便的条件进行验证。理解 Portmanteau 定理对于深入学习测度论概率、随机过程和渐近统计都至关重要，它是连接概率论与分析学的重要桥梁。

背景与直觉

在概率论中，依分布收敛是最常见也最重要的收敛概念之一。设 $X, X_1, X_2, \dots$ 是定义在某个概率空间上的随机变量，取值于某个度量空间 $\mathcal{S}$（通常为 $\mathbb{R}^d$）。称 $X_n$ 依分布收敛到 $X$（记作 $X_n \xrightarrow{d} X$），若对任意有界连续函数 $f: \mathcal{S} \to \mathbb{R}$，有 $\mathbb{E}[f(X_n)] \to \mathbb{E}[f(X)]$。这一定义虽然數學上精確，但在实际应用中需要验证所有有界连续函数的期望收敛性，往往操作不便。Portmanteau 定理的价值正在于此：它提供了若干与之等价的、更易于操作的简便条件。以下将详细阐述该定理的具体内容、证明思路以及在不同领域中的典型应用。

定理陈述

设 $P, P_1, P_2, \dots$ 是度量空间 $(\mathcal{S}, d)$ 上的概率测度。则以下条件等价：

1. $P_n$ 弱收敛到 $P$（即对任意有界连续函数 $f$，有 $\int f \, dP_n \to \int f \, dP$）。
2. 对任意有界Lipschitz 连续函数 $f$，有 $\int f \, dP_n \to \int f \, dP$。
3. 对任意开集 $G \subseteq \mathcal{S}$，有 $\liminf_{n\to\infty} P_n(G) \ge P(G)$。
4. 对任意闭集 $F \subseteq \mathcal{S}$，有 $\limsup_{n\to\infty} P_n(F) \le P(F)$。
5. 对任意满足 $P(\partial A) = 0$ 的Borel 集 $A \subseteq \mathcal{S}$（即 $A$ 是 $P$-连续性集），有 $P_n(A) \to P(A)$。
6. 对任意有界可测函数 $f$，若 $f$ 在 $P$-几乎处处连续，则 $\int f \, dP_n \to \int f \, dP$。

以上六个条件的等价性构成了 Portmanteau 定理的核心内容。其中条件 (i) $\Leftrightarrow$ (ii) 表明有界 Lipschitz 连续函数子集已经足以刻画弱收敛，不需要考虑所有有界连续函数，这在函数空间理论中具有重要意义；条件 (iii) 和 (iv) 分别从开集的下极限和闭集的上极限角度提供了几何直观——弱收敛不允许概率质量"逃逸"到集合的边界之外，这一理解对于Lévy 连续性定理和Prokhorov 定理的掌握也很有帮助；条件 (v) 是在实际验证中最常用的等价形式，它将收敛性归结为对某个稠密集类（连续性集）上的测度收敛性进行检验；条件 (vi) 则是有界连续函数条件到几乎处处连续函数的自然推广，体现了测度论中"几乎处处"精神的深刻性。

证明概要

Portmanteau 定理的经典证明采用环状等价链策略，即证明 (i) $\Rightarrow$ (ii) $\Rightarrow$ (iii) $\Rightarrow$ (iv) $\Rightarrow$ (v) $\Rightarrow$ (i) 以及 (iii) $\Leftrightarrow$ (iv) 的对称关系，从而形成完整的逻辑闭环。这种证明策略在概率论中非常经典，其思路值得反复揣摩。

首先，(i) $\Rightarrow$ (ii) 是平凡的，因为 Lipschitz 连续函数必然连续。接着，(ii) $\Rightarrow$ (iii) 是证明中最具技巧性的一步，通过构造一族 Lipschitz 函数来逼近开集的指示函数，从而得到下极限不等式。具体地，对任意开集 $G$，可以构造 $f_m(x) = \max\{0, 1 - m \cdot d(x, G^c)\}$，其中 $d(x, G^c)$ 表示点 $x$ 到闭集 $G^c$ 的距离。这些函数 $f_m$ Lipschitz 连续且逐点单调递增收敛到 $\mathbf{1}_G$，再利用单调收敛定理和控制收敛定理可得下极限关系。

条件 (iii) $\Leftrightarrow$ (iv) 由集合的补集运算和上下极限的关系平凡得到，体现了开集和闭集之间的对偶性。进一步地，从 (iii) 和 (iv) 推导 (v) 利用了边界 $\partial A = \overline{A} \cap \overline{A^c}$ 的性质，通过开集和闭集的上下界夹逼原理可以完成证明。最后，(v) $\Rightarrow$ (i) 利用连续性集构成的代数生成 Borel $\sigma$-代数的性质，结合测度收敛的唯一性定理完成整个等价链的闭环。整个证明过程环环相扣，体现了概率论与点集拓扑学的深刻联系。

在 $\mathbb{R}^d$ 中的特例

当状态空间为 $\mathbb{R}^d$ 时，Portmanteau 定理可以进一步简化为用分布函数表述的经典条件：$X_n \xrightarrow{d} X$ 当且仅当对每个连续点 $x$，有 $F_{X_n}(x) \to F_X(x)$，其中 $F_X(x) = P(X \le x)$ 为累积分布函数。这一特例是概率论教科书中最常见的依分布收敛定义，也是中心极限定理等核心结论的标准表述方式。需要特別注意的是，收敛必须发生在分布函数的所有连续点处，而在跳跃点处可以不收敛，这是依分布收敛区别于逐点收敛的重要特征。

重要应用

Portmanteau 定理在概率论和数理统计中有广泛而深刻的应用。

1. 中心极限定理：经典林德伯格-莱维中心极限定理的结论正是依分布收敛到正态分布。Portmanteau 定理中的条件 (v) 可以用于验证标准化样本均值的分布函数在任意连续点处收敛到标准正态分布函数，从而大大简化证明过程。
2. 随机过程的弱收敛：在Donsker 定理（函数型中心极限定理）中，需要验证随机游走的部分和过程在连续函数空间 $C[0,1]$ 上弱收敛到布朗运动。Portmanteau 定理中的开集和闭集条件（(iii) 和 (iv)）在紧致度量空间的框架下尤为关键。
3. 极值理论：在极值分布的收敛性论证中，Portmanteau 定理被用于将逐点收敛转化为测度论意义上的弱收敛，从而建立Fisher–Tippett–Gnedenko 定理，该定理是极值统计的基石。
4. 统计渐近理论：在极大似然估计和贝叶斯推断的渐近性质分析中，Portmanteau 定理为证明估计量的渐近分布提供了灵活的验证工具。

历史注记

"Portmanteau 定理"这一名称最早由Billingsley（1968）在其经典著作 Convergence of Probability Measures 中系统化使用。该定理的各个等价条件在此前已由多位学者分别发现和使用：Aleksandr Khinchin（1933）和Paul Lévy较早使用了分布函数收敛的条件；Jean Ville（1936）和Harold Cramér（1937）在讨论特征函数收敛时也涉及了相关等价刻画。Billingsley 将这些分散的条件系统地组合在一起，并赋予了 "Portmanteau" 这一形象的名称。该名称因其形象贴切而迅速成为概率论的标准术语，沿用至今。

参考文献

• Billingsley, P. (1968). Convergence of Probability Measures. John Wiley \& Sons.
• Billingsley, P. (1995). Probability and Measure. 3rd ed. John Wiley \& Sons.
• Durrett, R. (2019). Probability: Theory and Examples. 5th ed. Cambridge University Press.
• van der Vaart, A. W. (1998). Asymptotic Statistics. Cambridge University Press.
• 严士健、王隽骧、刘秀芳 (2009). 概率论基础. 科学出版社.