几乎必然 · aiwiki.page

几乎必然是概率论中用于描述某个性质以概率一成立的术语。它允许存在例外结果，只要这些结果的总概率为零。因此，这一术语不同于“必然”；后者意味着对每一个可能的结果都成立。几乎必然是测度论中几乎处处这一概念在概率论中的形式，此时所用的测度为概率测度。缩写 a.s. 常用于等式、不等式及收敛陈述中。(statslab.cam.ac.uk)

定义与解释

设 $(\Omega,\mathcal F,\mathbb P)$ 为一个概率空间，其中 $\Omega$ 为样本空间， $\mathcal F$ 为由可测事件组成的σ代数， $\mathbb P$ 为概率测度。若可测事件 $A$ 满足

\mathbb P(A)=1,

则称 $A$ 几乎必然发生。等价地， $\mathbb P(\Omega\setminus A)=0$ ，即其补集是一个零测集。对于以结果 $\omega$ 表述的性质，称其几乎必然成立，意味着它在某个概率为零的可测集之外处处成立。(statslab.cam.ac.uk)

这里的“几乎”并不意味着“极有可能”：概率 $0.999999$ 并不等于概率一。概率为零也不一定意味着事件为空。这些区别自然地出现在连续概率模型中。几乎必然的陈述总是相对于指定的概率测度而言；改变测度，可能会改变哪些性质几乎必然成立。(terrytao.wordpress.com)

概率为一不代表对每个结果都成立

考虑区间 $[0,1]$ ，取其博雷尔集作为可测集，并赋予均匀分布。每个单点集的概率都为零，但每个点都属于样本空间。若 $U(\omega)=\omega$ ，则 $U\ne 1/2$ 几乎必然成立，但 $U=1/2$ 仍然对应样本空间中的一个可能结果。这说明，概率为零与不可能发生是两个不同的数学概念。(terrytao.wordpress.com)

另一个相关例子涉及有理数。由于 $[0,1]$ 中的有理数构成一个可数集，对应单点集的并集的概率为零。因此， $U$ 几乎必然是无理数。这一结论源于可数可加性，而不是将有理数点从样本空间中剔除。相比之下，在每个单独结果都具有正概率的有限样本空间中，概率为一的事件必须包含所有结果。(souravchatterjee.su.domains)

几乎必然相等

定义在同一概率空间上的两个随机变量 $X$ 和 $Y$ ，若满足

\mathbb P(X=Y)=1,

则称它们几乎必然相等。

它们作为函数不必完全相同：二者的取值可以在某个零测集上不同。几乎必然相等是一种等价关系，可据此将随机变量划分为等价类。几乎必然相等的随机变量具有相同的概率分布，且只要期望存在，它们就具有相同的期望值。反过来则不成立：分布相同并不要求它们在底层样本空间上相等。(terrytao.wordpress.com)

这一区别在Lp空间中十分重要，因为这些空间将几乎处处相等的函数视为同一个元素。它也解释了条件期望通常意义下的唯一性。对于一个可积随机变量和指定的条件σ代数，其条件期望的任意两个版本几乎必然相等，而不一定在每个结果上都相等。(tropp.caltech.edu)

几乎必然收敛

若序列 $X_1,X_2,\ldots$ 满足

\mathbb P\!\left( \left\{\omega: \lim_{n\to\infty}X_n(\omega)=X(\omega) \right\}\right)=1,

则称其几乎必然收敛于 $X$ 。

记作 $X_n\xrightarrow{\mathrm{a.s.}}X$ 。也就是说，在某个例外零测集之外，每个固定结果所对应的数值序列都收敛。这是在一个概率为一的集合上的逐点收敛，不一定是在该集合上的一致收敛。使误差保持足够小所需的起始下标可以因结果而异。(ocw.mit.edu)

几乎必然收敛蕴含依概率收敛，即对每个 $\varepsilon>0$ ，都有

\mathbb P(|X_n-X|>\varepsilon)\longrightarrow0.

反向蕴含一般不成立。不过，每个依概率收敛的序列都有一个子序列，几乎必然收敛于同一极限。此外，仅凭几乎必然收敛也不能保证期望收敛；还需要额外条件，例如控制收敛定理中的条件。(ocw.mit.edu)

可数性与极限定理

如果每个事件 $A_n$ 的概率都为一，那么它们的可数交集的概率也为一。等价地，可数个零概率事件的并集仍是零概率事件。限定事件族为可数是重要的：对于服从均匀分布的随机变量 $U$ ，每个固定的 $t\in[0,1]$ 所对应的陈述 $U\ne t$ 都几乎必然成立，但这些陈述不可能对所有 $t$ 同时成立，因为 $U$ 总会取该区间内的某个值。(souravchatterjee.su.domains)

博雷尔—坎泰利引理为几乎必然的陈述提供了有用的判据。若 $\sum_n\mathbb P(A_n)<\infty$ ，则几乎必然只有有限多个 $A_n$ 发生。若这些事件具有相互统计独立性，且上述级数发散，则几乎必然有无穷多个事件发生。(ocw.mit.edu)

一个核心应用是强大数定律。对于独立同分布的实值随机变量，若 $\mathbb E|X_1|<\infty$ ，则样本均值满足

\frac1n\sum_{k=1}^{n}X_k \xrightarrow{\mathrm{a.s.}} \mathbb E[X_1].

该定理描述的是整个无限观测序列的极限行为。它并不声称每个可能的序列都具有这一极限，也不声称任何有限样本的均值都恰好等于期望。(ocw.mit.edu)