1 基本概念
1.1 定义
1.1.1 随机变量序列的分布收敛
分布收敛是指随机变量序列 \(\{X_n\}\) 的分布在极限意义下趋向某个随机变量 \(X\) 的分布。通常记作 \(X_n \xrightarrow{d} X\) 或 \(X_n \Rightarrow X\)。这里所比较的不是随机变量取值本身是否逐点接近，而是它们所服从的概率分布是否在整体上趋于一致。
1.1.2 分布函数意义下的收敛
若 \(X_n\) 与 \(X\) 的分布函数分别为 \(F_n(x)\) 与 \(F(x)\)，则分布收敛可理解为 \(F_n(x)\) 在 \(F\) 的连续点处趋于 \(F(x)\)。这种表述强调的是累积分布函数的极限行为，因此也常被视为一种“分布函数收敛”的形式。
1.2 记号与表述
1.2.1 以弱收敛表示的写法
在测度论框架中，分布收敛也常写作概率测度的弱收敛，表示为 \(P_{X_n} \Rightarrow P_X\)。此处“弱收敛”突出的是测度在连续有界函数上的积分极限性质，是分布收敛的标准表达之一。
1.2.2 以“依分布收敛”表示的写法
中文文献中，分布收敛常写作“依分布收敛”或“服从分布收敛于”。这些说法在概率论中含义一致，均用于说明随机变量序列的概率分布趋向某一极限分布。
1.3 直观理解
1.3.1 分布形状的逼近
从直观上看，分布收敛描述的是随机变量“总体形状”的接近。例如，随着样本规模增大，某些统计量的分布会逐渐接近正态分布。此时每个样本点未必接近，但直方图或概率质量的整体轮廓会越来越相似。
1.3.2 与逐点收敛的区别
逐点收敛关注的是固定样本点上的数值变化，而分布收敛关注的是概率分布本身。前者要求随机变量在同一概率空间上有更强的对应关系，后者则允许序列定义在不同空间中，只要其分布趋于同一极限即可。
2 等价刻画
2.1 分布函数刻画
2.1.1 连续点处极限
若 \(X_n \xrightarrow{d} X\)，则对 \(X\) 的分布函数 \(F\) 的每个连续点 \(x\)，都有 \[ \lim_{n\to\infty} F_n(x)=F(x). \] 这是分布收敛最常用、也最直观的判定方式。
2.1.2 分布函数收敛条件
仅在全部实数点上逐点收敛并不足以确保分布收敛，通常还需极限函数确实对应某个合法分布。若极限函数在所有连续点处满足分布函数的基本性质，则可据此确认分布收敛成立。
2.2 特征函数刻画
2.2.1 特征函数逐点收敛
若随机变量序列的特征函数 \(\varphi_n(t)\) 在每个 \(t\) 处收敛到某个函数 \(\varphi(t)\)，并且 \(\varphi\) 是某个概率分布的特征函数，则常可推出对应的分布收敛。该方法在处理和、标准化变量及极限定理时尤为方便。
2.2.2 连续性定理
特征函数的连续性定理指出：若 \(\varphi_n(t)\to\varphi(t)\) 且 \(\varphi\) 在原点连续，则 \(\varphi\) 对应某个概率分布，且 \(X_n\) 依分布收敛到该分布。该定理是连接解析工具与分布极限的重要桥梁。
2.3 测度论刻画
2.3.1 概率测度的弱收敛
从测度角度看，分布收敛就是概率测度序列在弱拓扑下的收敛。它要求对所有有界连续函数 \(f\)，有 \[ \int f\,dP_{X_n}\to \int f\,dP_X. \] 这一表述抽象但统一，适合处理高维与随机过程问题。
2.3.2 Portmanteau 定理
Portmanteau 定理给出了弱收敛的多种等价形式，包括开集、闭集、连续集上的概率不等式与极限关系。它把分布收敛的判定转化为若干可操作的测度条件，在理论证明中非常常用。
3 与其他收敛方式的关系
3.1 与几乎处处收敛
3.1.1 蕴含关系
在适当条件下，若 \(X_n\) 几乎处处收敛于 \(X\)，则通常可推出 \(X_n\) 依分布收敛于 \(X\)。这是因为逐点极限会反映到分布层面，从而使整体分布趋于极限变量的分布。
3.1.2 反例与不可逆性
分布收敛并不反过来蕴含几乎处处收敛。不同随机变量即便分布相同，也未必在同一概率空间上逐点接近，因此两者强弱差异明显。分布收敛更灵活，但信息量也更少。
3.2 与依概率收敛
3.2.1 依概率收敛推出分布收敛
若 \(X_n\) 依概率收敛到 \(X\)，则必然有 \(X_n \xrightarrow{d} X\)。这是因为依概率收敛保证随机变量在大概率意义下贴近极限，从而其分布也会随之稳定下来。
3.2.2 条件与差异
分布收敛比依概率收敛弱。前者只要求分布形态相近，不要求样本点层面的接近；后者则要求随机变量在同一概率意义下“靠近”。因此，分布收敛可用于更广泛的极限描述。
3.3 与 Lp 收敛
3.3.1 L2 收敛与分布收敛
若 \(X_n\) 在 \(L^2\) 意义下收敛到 \(X\)，则通常可推出依概率收敛，进而得到分布收敛。\(L^2\) 收敛包含了更强的二阶矩控制，因此比单纯的分布收敛更严格。
3.3.2 更强收敛方式的比较
一般而言，\(L^p\) 收敛、依概率收敛、几乎处处收敛都比分布收敛更强，但它们适用的场景也更受限制。分布收敛的优势在于能够处理许多只在极限分布层面成立的结论。
4 判定方法
4.1 分布函数法
4.1.1 累积分布函数逐点收敛
当能够直接得到 \(F_n(x)\) 的表达式时，可检查其在目标分布函数连续点上的逐点收敛。对于离散分布、混合分布或由参数族构成的随机变量，这种方法常较为直接。
4.1.2 连续点检验
实际应用中通常只需验证极限函数在目标分布的连续点处相等即可。若极限分布具有少数不连续点，则只要避开这些点，便能完成大部分收敛判断。
4.2 特征函数法
4.2.1 Levy 连续性定理
Levy 连续性定理说明，特征函数的逐点收敛足以在适当条件下推出分布收敛。由于特征函数往往便于处理独立和、标准化与卷积，因此该定理是证明极限定理的重要工具。
4.2.2 常见分布族的识别
若某一极限特征函数与已知分布族对应，例如正态分布、泊松分布或柯西分布，就可直接识别极限分布。这种方式在构造极限结论时尤其高效。
4.3 紧性与相对紧性
4.3.1 概率测度紧性条件
若一族概率测度满足紧性条件，则可保证从中选取收敛子列。紧性反映了概率质量不会“逃向无穷远”，因而是研究分布极限存在性的基础概念之一。
4.3.2 子列极限定理
子列极限定理表明，相对紧的测度序列总能抽取出弱收敛子列。它在证明复杂随机对象的极限存在时非常重要，也常用于先证明局部有界性，再建立整体收敛。
5 基本性质
5.1 不变性
5.1.1 平移与缩放
若 \(X_n \xrightarrow{d} X\)，则对常数 \(a,b\)（其中 \(a\neq 0\)），有 \[ aX_n+b \xrightarrow{d} aX+b. \] 这说明分布收敛对线性变换具有良好的稳定性，便于进行标准化处理。
5.1.2 连续映射下的保持性
若函数 \(g\) 连续，则由 \(X_n \xrightarrow{d} X\) 可推出 \(g(X_n) \xrightarrow{d} g(X)\)。这一性质使分布极限可以在函数变换后继续保持，适用于各种统计量和变换变量。
5.2 算术运算下的性质
5.2.1 独立随机变量的和
若两组随机变量分别依分布收敛，并且在极限或构造中满足独立性条件，则它们的和也常可得到对应的分布极限。卷积结构使“求和”成为分布收敛中最重要的运算之一。
5.2.2 乘积与比值的情形
对于乘积与比值，通常需要额外条件，例如极限变量不为零或相关函数在定义域内连续。此类问题常借助连续映射定理或 Slutsky 定理来处理。
5.3 极限唯一性
5.3.1 分布极限的唯一性
若某序列存在分布极限，则该极限分布是唯一的。也就是说，若两个不同的候选分布都能作为极限，就会与极限点唯一性相矛盾。
5.3.2 子列与整体序列
若一个序列的任意收敛子列都具有同一分布极限，通常可进一步推出整个序列分布收敛。该思路常用于证明难以直接处理的随机变量序列的整体极限性质。
6 经典定理
6.1 中心极限定理
6.1.1 独立同分布情形
中心极限定理指出，独立同分布且满足适当矩条件的随机变量和，在标准化后其分布趋于正态分布。这是分布收敛最著名的结果之一，也是统计学近似的理论基础。
6.1.2 标准化后的分布极限
标准化通常指减去均值并除以标准差与样本规模的适当函数。经过这种处理后，原本分布可能复杂的和式会在极限中呈现出统一的正态形态。
6.2 大数相关极限定理
6.2.1 弱大数定律中的分布观点
弱大数定律通常表述为样本均值依概率收敛到总体均值，因此也自动蕴含分布收敛到常数分布。由此可见，大数定律不仅体现“平均稳定”，也体现分布逐渐退化的趋势。
6.2.2 与均值稳定性的联系
当随机样本数量增加时，均值的分布会逐步集中在期望附近。分布收敛从整体上描述了这种集中现象，因此可视为均值稳定性的分布层面表达。
6.3 连续映射定理
6.3.1 函数作用下的极限分布
若随机变量序列在分布上收敛，且所施加的函数连续，则函数值序列也保留同样的极限分布结构。该定理将复杂对象的极限问题转化为较简单变量的极限问题。
6.3.2 应用到统计量变换
很多统计量都可以看成原始样本的函数，例如最大值、样本方差或某些标准化比值。连续映射定理使这类统计量的渐近分布分析更为直接。
6.4 Slutsky 定理
6.4.1 与常数极限的组合
Slutsky 定理说明，当一个随机变量序列分布收敛到某个极限，而另一个序列依概率收敛到常数时，两者的和、积或比值在适当条件下也会继承相应的极限。它常用于组合多个渐近结果。
6.4.2 渐近替换原则
该定理体现了“渐近替换”的思想：在极限分析中，某些随机扰动可用其常数极限替代，而不改变最终分布。此性质在统计推断中尤其常见。
7 应用
7.1 数理统计
7.1.1 估计量的渐近分布
许多估计量在样本量增大后会满足分布收敛，从而可用极限分布近似其实际分布。这为估计精度、置信区间和误差分析提供了理论依据。
7.1.2 假设检验中的近似
检验统计量常在原假设下趋于某种标准分布，例如正态分布或卡方分布。借助分布收敛，可以构造大样本近似的临界值与 \(p\) 值计算方法。
7.2 随机过程
7.2.1 过程层面的弱收敛
在随机过程研究中，分布收敛可推广为过程在函数空间中的弱收敛。此时比较的不再是单个时刻的随机变量，而是整条随机路径的分布极限。
7.2.2 功能型极限定理
功能型极限定理把“点态极限”提升为“轨道极限”，常用于布朗运动逼近、随机游走极限以及经验过程分析。这类结果在现代概率论中占有重要地位。
7.3 近似计算
7.3.1 正态近似
当某些复杂分布可由中心极限定理近似为正态分布时，分布收敛为计算提供了简便工具。尤其在样本量较大时，正态近似往往具有较高实用价值。
7.3.2 离散分布的极限逼近
某些离散分布在特定参数极限下会逼近其他分布，例如二项分布逼近泊松分布。分布收敛为这些经典近似提供了统一语言。
8 典型例子
8.1 正态分布极限
8.1.1 二项分布的正态近似
当二项分布参数满足适当的大样本条件时，经过标准化后其分布可趋于正态分布。这一现象广泛用于概率计算与抽样理论。
8.1.2 泊松近似
在稀有事件模型中，适当参数极限下的二项分布可逼近泊松分布。该近似常用于事件计数问题，尤其在成功概率很小、试验次数很大时。
8.2 退化极限
8.2.1 收敛到常数分布
若随机变量序列逐渐集中于某一固定值，则其分布可能收敛到该常数对应的退化分布。此时极限分布的方差为零，表现为完全集中。
8.2.2 边界情形分析
在参数接近边界时，分布可能从非退化形态转为退化形态。例如某些随机模型在极端条件下失去随机波动，仅保留确定性极限。
8.3 不收敛的情形
8.3.1 分布振荡
若分布参数随 \(n\) 周期性变化，或分布形态在不同子列间不断切换，则整体序列可能出现振荡而无法收敛。这类情形说明分布收敛并非自动成立。
8.3.2 极限不存在的例子
当序列的分布没有统一的极限形态，或不同子列给出不同候选极限时，便不存在分布收敛。此类反例有助于说明收敛条件的必要性。