Skorokhod 表示定理

形式陈述 ​

设 $(S,d)$ 是 Polish 空间，${\mu }_n,\mu$ 是 $S$ 上的 Borel 概率测度，并且

$${\mu }_n\Rightarrow \mu$$

于测度的弱收敛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。意义。Skorokhod 表示定理断言，存在某个共同概率空间 $({\mathrm{\Omega }}^{\prime },{\mathcal{F}}^{\prime },P^{\prime })$ 及其上的 $S$-值随机变量公理库随机变量Random variable · Random element从概率空间到可测取值空间的可测映射；实值情形承载数值概率运算。 $Y_n,Y$，满足

$$\mathcal{L}(Y_n)={\mu }_n,\mathcal{L}(Y)=\mu ,$$

这里的律就是把 $P^{\prime }$ 沿随机变量映射得到的推前测度公理库推前测度Pushforward measure · Image measure · 像测度沿可测映射把源测度搬到目标空间，使目标集合的质量等于其原像的质量。。

并且

$$d(Y_n,Y)⟶0P^{\prime }\text{-a.s.}$$

结论构造的是给定边缘分布的一种新耦合公理库耦合法Coupling method · Probability coupling在共同概率空间中构造具有指定边缘的随机变量，并用它们相遇的概率比较分布。。它不声称原来承载这些分布的随机变量已经几乎必然收敛，也不保留原序列跨 $n$ 的联合依赖结构。

本页采用 Polish 空间这一安全的经典版本。定理还存在“极限测度集中在可分子空间”等更一般形式，也存在 Jakubowski 型非度量推广，但它们需要另外的可分离测试函数与紧性假设；不能把经典结论直接写成任意拓扑空间版本。

反向则容易得多：若同一概率空间上 $Y_n\to Y$ 几乎必然，则对任意 $f\in C_b(S)$ 有 $f(Y_n)\to f(Y)$ 几乎必然且统一有界，控制收敛定理给出 $E[f(Y_n)]\to E[f(Y)]$，所以 $\mathcal{L}(Y_n)\Rightarrow \mathcal{L}(Y)$。因此在允许重新选择耦合时，Polish 空间上的弱收敛可以由几乎必然收敛表示。

证明机制 ​

在实线上，可取同一个 $U\sim \mathrm{Unif}(0,1)$，令

$$Y_n=F_n^{-1}(U),Y=F^{-1}(U),$$

其中 $F^{-1}(u)=inf\{x:F(x)\ge u\}$。弱收敛使分位函数在 $F^{-1}$ 的 Lebesgue 几乎处处连续点收敛，因此得到 $Y_n\to Y$ 几乎必然。

一般 Polish 空间没有全序。标准证明改用直径逐层趋零、且边界为 $\mu$-零集的可数 Borel 分割。先在粗分割上把 ${\mu }_n$ 与 $\mu$ 的单元质量耦合，再逐层细化并把不匹配概率压到可求和；Borel–Cantelli 型论证保证几乎每条样本最终落在同一串嵌套小单元中，完备性让这些单元确定 $S$ 内的共同极限。可分性提供每层的可数分割，弱收敛通过连续集概率收敛控制单元质量。

直觉

弱收敛只说每个分布的连续观测结果趋近，没有给不同 $n$ 的样本配对方式。Skorokhod 定理表明，在良好状态空间里总能重新安排这些配对，使大多数样本路径上的点真正靠拢。它把分布层面的模糊接近，转成一个新概率空间里的逐样本几何接近。

自由度来自耦合：边缘分布固定了每一列各自出现什么，却没有规定第 $n$ 列的哪个样本要与极限列的哪个样本配对。精心选择配对可以把相近质量放在一起；若沿用原有的独立或其他依赖结构，这种靠拢可能完全失败。

因此该定理是证明工具，不是原模型路径性质的升级。用新耦合证明某个只依赖分布、并在几乎必然极限下稳定的结论通常合法；若结论依赖原序列的联合关系、滤过或独立性，就必须重新检查新构造是否保留这些结构。

例子与边界

令

$${\mu }_n=(1-\frac{1}{n}){\delta }_0+\frac{1}{n}{\delta }_1,\mu ={\delta }_0.$$

显然 ${\mu }_n\Rightarrow \mu$。在 $(0,1)$ 上取统一随机变量 $U$，定义

$$Y_n={\mathbf{1}}_{\{U\le 1/n\}},Y=0.$$

$Y_n$ 的律正是 ${\mu }_n$；对每个 $U>0$，当 $n>1/U$ 后恒有 $Y_n=0$，所以 $Y_n\to 0$ 几乎必然。这是定理构造的可直接追踪版本。

现在改在原概率空间上令 $X_n$ 相互独立且 $P(X_n=1)=1/n$。各 $X_n$ 仍有同样的边缘律 ${\mu }_n$，但

$$\sum _{n}P(X_n=1)=\mathrm{\infty }.$$

由第二 Borel–Cantelli 引理，$X_n=1$ 几乎必然发生无穷多次，故 $X_n$ 不几乎必然趋于 $0$。同一列边缘既允许收敛耦合，也允许不收敛耦合，准确说明 Skorokhod 结论不能倒灌到原变量。

定理也不给收敛速度。即使弱距离有定量界，构造出的 $d(Y_n,Y)$ 尾概率或矩未必自动满足对应速率；需要最优传输、最大耦合或特定随机表示才能获得定量控制。

推论与应用

若要证明弱极限保留某个路径泛函性质，可先用 Skorokhod 表示把问题搬到几乎必然收敛，再用逐点连续性或 Fatou 引理处理。例如若 $\mathrm{\Phi }:S\to [0,\mathrm{\infty }]$ 下半连续，则

$$\mathrm{\Phi }(Y)\le \underset{n}{lim inf}\mathrm{\Phi }(Y_n)$$

几乎必然，积分后得到弱下半连续性。这条路线与 Portmanteau 定理的函数版本相呼应。

随机过程、随机偏微分方程与数值随机算法中，常先用 Prokhorov 定理抽取弱收敛子列，再用 Skorokhod 表示获得同空间上的几乎必然收敛，以便传递非线性项。若路径空间不是 Polish，经典步骤可能失效，必须改用合适的广义表示定理，且不能忽略新空间上的可测性。

参考资料

• Patrick Billingsley, Convergence of Probability Measures, 2nd ed., Wiley, 1999, §6, the Skorokhod representation theorem.
• Olav Kallenberg, Foundations of Modern Probability, 3rd ed., Springer, 2021, Ch. 5, coupling and convergence in distribution.