Borel–Cantelli 引理

$\sum _n\mathbb{P}(A_n)$ 恰好是事件发生总次数的期望。第一引理把"期望有限则几乎必然只发生有限次"严格化：总质量有限时，事件没有本钱无限次卷土重来；这一步只用到可数可加性，所以对任意依赖结构都成立。第二引理处理反方向，而仅有级数发散是不够的——同一个小概率事件可以被原样"复制"无穷次，却始终不提供新的机会；独立性保证每次尝试都是真正新鲜的一注，于是无限的期望次数兑现为几乎必然的无限次命中。两条引理合起来，对独立事件列给出一个干净的零一律：$\mathbb{P}(A_n\text{i.o.})$ 只能取 $0$ 或 $1$，由级数敛散一刀切开。

Borel–Cantelli 引理研究一列事件是否会发生无穷多次。第一引理说若概率总和有限，则样本点几乎不可能落入无限多个事件；第二引理在独立性下说若概率总和发散，则无穷多次发生几乎必然。概率和像“总机会量”，但发散方向必须有足够独立性。

正例成对出现：若 $\mathbb{P}(A_n)=2^{-n}$，级数收敛，第一引理断言几乎必然只有有限个 $A_n$ 发生；若各 $A_n$ 独立且 $\mathbb{P}(A_n)=1/n$，级数发散，第二引理断言事件几乎必然发生无限多次——尽管单个概率趋于零。分界线恰好落在级数的敛散上。

独立性在第二引理中不可去：取所有 $A_n=A$ 为同一事件，$0<\mathbb{P}(A)<1$，级数发散，但 $\{A_n\text{i.o.}\}=A$，概率既非零也非一。第一引理的逆命题同样不成立：在 $[0,1]$ 上的均匀概率下取 $A_n=(0,1/n)$，则 $\sum \mathbb{P}(A_n)=\sum 1/n=\mathrm{\infty }$，然而 $\bigcup _{n\ge N}{A}_n=(0,1/N)$，故 $\underset{n}{lim sup}{A}_n=\varnothing$，i.o. 概率为零。

读结论时还要小心两点：其一，"i.o." 只说发生无限多次，不是"从某时刻起每次都发生"（后者是更强的 $lim inf$ 事件），也不含任何发生频率的信息。其二，第二引理的独立性可以放宽到两两独立（Erdős–Rényi 版本），但完全不加依赖限制时，发散的级数什么都保证不了。

令 $U_1,U_2,\dots$ 独立且都服从 $[0,1]$ 上的均匀分布。对

有 $\sum _n\mathbb{P}(A_n)=\sum _{n}1/n=\mathrm{\infty }$，独立性使第二引理适用，因此 $U_n\le 1/n$ 几乎必然发生无穷多次。若改成

则概率和收敛，第一引理立即推出它只发生有限多次，而且这一方向根本不需要独立性。两组事件只把阈值从 $1/n$ 改为 $1/n^2$，长期行为却从“无穷多次”跨到“有限多次”，临界点完全由概率级数的可求和性决定。

两条引理是把"概率的级数"转化为"样本路径的几乎必然性质"的标准桥梁。最常见的用法是证明几乎必然收敛公理库几乎必然收敛Almost sure convergence除去一个零概率事件后，随机变量序列逐样本收敛。：对 $A_n=\{|X_n-X|>\epsilon \}$ 验证 $\sum _n\mathbb{P}(A_n)<\mathrm{\infty }$，第一引理便给出 $X_n\to X$ a.s.；"依概率收敛公理库依概率收敛Convergence in probability随机变量偏离极限超过任意正阈值的概率趋于零。的序列必有几乎必然收敛的子列"的证明核心也是它。在强大数律公理库强大数定律Law of large numbers · Strong law of large numbers · SLLN独立同分布且可积时，样本均值沿几乎每条无限样本路径收敛到共同期望。的经典证明中，第一引理负责把大偏差事件压到只出现有限次；第二引理则支撑各种"无限重现"的下界结论，例如独立重复试验中任一固定有限模式几乎必然出现无限多次。

概率公理与可数次可加性证明第一引理，独立性和乘积估计证明第二引理。它们用于几乎处处收敛、随机级数、数论度量结果和强大数定律中的尾事件控制。