Prokhorov 定理

形式陈述 ​

设 $(S,d)$ 是 Polish 空间，即它是完备度量空间公理库完备度量空间Complete metric space每个 Cauchy 序列都在空间内部收敛的度量空间。，并存在一个可数公理库可数集Countable set · At most countable · Countably infinite能单射进自然数集的集合；等价地，它有限或能按自然数无重复枚举。的稠密子集公理库稠密子空间Dense subspace · Dense subset闭包等于整个环境空间的子集，等价地与每个非空开集相交。。令 $\mathcal{P}$ 是 $S$ 上的一族 Borel 概率测度。Prokhorov 定理断言，下列条件等价：

1. $\mathcal{P}$ 具有一致紧性公理库测度族的紧性Tight family of measures · Tightness of probability measures · 一致紧性要求一个概率测度族的全部成员都能把任意接近一的质量统一装进同一个紧集。：对每个 $\epsilon >0$，存在紧集 $K_{\epsilon }\subseteq S$，使 $\underset{\mu \in \mathcal{P}}{sup}\mu (S\setminus K_{\epsilon })<\epsilon$；
2. $\mathcal{P}$ 在弱拓扑公理库测度的弱收敛Weak convergence of measures · Weak convergence of probability measures以所有有界连续测试函数的积分收敛来定义有限 Borel 测度的拓扑收敛。中相对紧，即其弱闭包是紧的。

由于 Polish 空间上的概率测度弱拓扑可度量化，第二项可等价写成序列形式：从 $\mathcal{P}$ 中任取序列 $({\mu }_n)$，都能抽出子列 $({\mu }_{n_k})$ 和某个 $S$ 上的 Borel 概率测度 $\mu$，使

$${\mu }_{n_k}\Rightarrow \mu .$$

“相对”表示极限只需落在 $\mathcal{P}$ 的闭包中，不要求仍属于原族。若 $\mathcal{P}$ 本身弱闭，则紧性与弱紧致性等价。

证明机制 ​

从一致紧性出发，依次取紧集 $K_m$，使族中每个测度在 $K_m$ 外的质量至多 $2^{-m}$。利用 $S$ 的可分性，可选择可数的连续测试函数或可数基，并对它们的积分逐项作对角子列抽取；紧集上的有限覆盖把得到的极限数据升级为一个可数可加的概率测度。完备性确保由越来越细小的紧控制产生的候选点仍留在 $S$，而不是只存在于度量完备化中。总质量固定和尾部界排除了质量逃逸。

反向若 $\mathcal{P}$ 不紧，可为某个 ${\epsilon }_0>0$ 递归选择测度，使任何逐步扩大的紧集都漏掉至少 ${\epsilon }_0$ 质量。若该序列有弱收敛子列，极限概率测度在 Polish 空间上自身紧；为极限选择高质量紧集及其小开邻域，再用Portmanteau 定理公理库Portmanteau 定理Portmanteau theorem · Portmanteau lemma · 移植定理把概率测度的弱收敛等价改写为开闭集不等式、半连续函数不等式与连续集上的测度收敛。把质量信息传回子列，便与构造矛盾。完整证明会把邻域闭包和有限个初始项一并控制，以避免边界质量造成漏洞。

直觉

弱收敛只使用有界连续仪器，因此一列分布若在每个有限区域都逐渐消失，就可能找不到仍有总质量一的极限。紧性恰好堵住这个出口：无论取族中哪个分布，绝大部分质量都被同一个紧核心扣住。紧核心内部具有有限覆盖性质，于是可以不断抽取在更细观测尺度上稳定的子列。

Prokhorov 定理把“尾部不逃跑”与“总能抽出分布极限”变成同一件事。前者往往可由矩估计、模连续性或能量界直接验证，后者才是存在性证明真正需要的结论。这使它成为概率版的 Bolzano–Weierstrass 原理。

Polish 条件不是装饰。可分性把需要同时稳定的观测压缩到可数层次，完备性防止候选极限落到空间缺失的点；在更一般空间中，定理需要 Radon、Prokhorov space 等替代假设，不能只写“任意拓扑空间”。

例子与边界

设 $({\mu }_n)$ 是实线上高斯分布序列，均值满足 $|m_n|\le M$，方差满足 ${\sigma }_n^2\le V$。对 $R>M$，

$$\underset{n}{sup}{\mu }_n([-R,R{]}^c)\le \frac{V}{(R-M{)}^2}.$$

因此该序列紧，Prokhorov 定理保证存在弱收敛子列。事实上还可从有界数列 $(m_n,{\sigma }_n^2)$ 抽出参数收敛子列；若 ${\sigma }_n^2\to 0$，极限可以是点质量 ${\delta }_m$，所以闭包必须允许退化高斯分布。

相反，${\mu }_n={\delta }_n$ 在 $\mathbb{R}$ 上不紧，也没有弱收敛子列。若假设某子列弱收敛到概率 $\mu$，为 $\mu$ 选取质量大于 $1/2$ 的紧集 $K$，再取包含 $K$ 的有界开邻域 $G$；足够大的 $n_k$ 都在 $G$ 外，于是 ${\mu }_{n_k}(G)=0$，与 Portmanteau 的 $lim inf{\mu }_{n_k}(G)\ge \mu (G)>1/2$ 矛盾。

有界支撑不等于紧性，除非承载空间保证相应有界集相对紧。在无限维 Hilbert 空间中，点质量族 $\{{\delta }_{e_n}\}$ 支撑都在闭单位球内，但标准正交向量列没有收敛子列；该点质量族不紧。若误把“统一有界”当成“统一紧”，Prokhorov 的前提并未真正建立。

定理给弱子列，不给总变差子列，也不保证整列收敛。若所有可能的弱子列极限再由独立论证证明相同，才能把子列紧性升级为整列收敛。

推论与应用

在随机过程极限中，先把每个过程看成路径空间上的概率测度。有限维分布收敛识别候选极限，紧性估计则借 Prokhorov 抽出路径律的弱收敛子列。对连续路径空间，常用增量矩或模连续性构造紧集；仅控制每个固定时刻的分布通常不够。

最优传输与变分概率中，一列近似极小化概率测度若有统一矩界，往往先得到紧性，再抽取弱极限；下半连续性随后把目标函数的下界传给极限，从而证明极小值存在。贝叶斯后验、经验过程和随机偏微分方程的存在性证明也使用同一“先紧、再识别”的路线。

参考资料

• Yuri V. Prokhorov, “Convergence of Random Processes and Limit Theorems in Probability Theory,” Theory of Probability and Its Applications, Vol. 1, 1956, pp. 157–214.
• Patrick Billingsley, Convergence of Probability Measures, 2nd ed., Wiley, 1999, §§5–6, tightness and Prokhorov's theorem.