第 4 讲 · 独立性结构与示性函数代数：两两独立 vs 相互独立、Bernstein 反例与容斥原理

1.1 概率论专属的灵魂概念：独立（Independence）与条件（Conditioning）

在本讲开篇（▶ P20 01:00–06:41），张颢老师首先简要复盘了上一讲的核心脉络：随机变量 $X:\Omega\to\mathbb{R}$ 本质上是一个毫无随机性的确定性可测函数，它的作用是对样本空间进行“量化”，使我们能对其做加减乘除与微积分运算；而分布函数 $F(x)$ 与概率密度 $f(x)$ 则刻画了各结果在统计实验中出现的先验可能性大小。

紧接着在 ▶ P20 06:41–09:08，张颢老师提出了一个极具洞察力的学科定位问题：集合、函数、积分这些工具全都借自基础数学（微积分），那么概率论有没有特属于自身、其它数学分支里没有的特征性质？

“答案是肯定的！概率论有两个最核心的特征概念：一个叫【独立（Independence）】，一个叫【条件（Conditioning）】。今天我们先谈独立，下一堂课再来谈条件。”

1.2 事件独立性 $\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B)$ 的微妙几何意涵（▶ P20 09:08–11:48）

给定先验的概率空间三元组 $(\Omega, \mathcal{F}, \mathbb{P})$，任取两个事件 $A, B \in \mathcal{F}$。如果它们满足乘积公式（▶ P20 09:34）： $$\mathbb{P}(A \cap B) = \mathbb{P}(A)\,\mathbb{P}(B)$$ 我们就称事件 $A$ 与 $B$ 相互独立。张颢老师提醒大家注意这个公式在直觉上的两重微妙之处：

1. 加法习惯 vs 乘法定义（▶ P20 10:06）：我们在测度与概率公理中习惯的是可加性（可能性大小的叠加），而独立性偏偏定义为乘法；
2. Venn 图上的“量纲反直觉”（▶ P20 11:14）：如果像往常一样画 Venn 图把概率想象成集合的面积，左边 $\mathbb{P}(A\cap B)$ 是一块交集区域的面积，右边 $\mathbb{P}(A)\mathbb{P}(B)$ 却是“面积乘以面积”！为什么交集测度恰恰等于两个集合测度的乘积？

1.3 根本辨析：为什么“独立”与“互斥（不相交 $AB=\varnothing$）”处于极端对立面？（▶ P20 11:48–16:40）

初学者最容易犯的致命错误，就是在脑海里把“$A$ 与 $B$ 独立（毫无关联）”想象成 Venn 图上“$A$ 与 $B$ 不挨着（不相交 / 互斥 $A\cap B = \varnothing$）”。张颢老师在 ▶ P20 12:19–15:32 从代数与信息两个维度彻底击碎了这一误区：

对比维度	互斥 / 不相交（Mutually Exclusive, $A\cap B=\varnothing$）	相互独立（Independent, $\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B)$）
信息推断视角（▶ P20 12:52–14:23）	极度相关（100% 负相依）：一旦得知样本点 $\omega \in A$，立刻能 $100\%$ 推断出 $\omega \notin B$！$A$ 的发生彻底封死了 $B$ 发生的可能。	零信息传递：得知事件 $A$ 是否发生，对推断事件 $B$ 是否发生提供不了任何信息。
Venn 图几何关系（▶ P20 14:23–16:09）	两集合完全分离，没有任何公共样本点（$A\cap B = \varnothing$）。	必须相交（只要 $\mathbb{P}(A)>0, \mathbb{P}(B)>0$），且交集占比不偏不倚、多一点少一点都不行，恰好满足 $\frac{\mathbb{P}(AB)}{\mathbb{P}(B)} = \mathbb{P}(A)$！
何时能同时成立？（▶ P20 12:19）	若 $AB=\varnothing$ 且独立，则 $\mathbb{P}(A)\mathbb{P}(B) = \mathbb{P}(\varnothing) = 0$，必有 $\mathbb{P}(A)=0$ 或 $\mathbb{P}(B)=0$。	结论：对于两个正概率事件（$\mathbb{P}(A)>0, \mathbb{P}(B)>0$），互斥则必不独立，独立则必相交！

1.4 独立性的余集连带传递性：“亲属之间也毫无关系”（▶ P20 16:40–20:18）

如果 $A$ 与 $B$ 独立（“两个人没有关系”），那么它们的补集 $A^c, B^c$（“两个人的亲属之间”）是否也没有关系？张颢老师在黑板上利用差集分解给出了严格证明：

• 第一步：证明 $A^c$ 与 $B$ 独立（▶ P20 17:09）： 因为 $B = (A \cap B) \sqcup (A^c \cap B)$ 且两块互不相交，由可加性与 $A\perp B$ 立得： $$\mathbb{P}(A^c \cap B) = \mathbb{P}(B \setminus AB) = \mathbb{P}(B) - \mathbb{P}(A\cap B) = \mathbb{P}(B) - \mathbb{P}(A)\mathbb{P}(B) = \bigl(1 - \mathbb{P}(A)\bigr)\mathbb{P}(B) = \mathbb{P}(A^c)\,\mathbb{P}(B)$$
• 第二步：证明 $A^c$ 与 $B^c$ 独立（▶ P20 18:04–19:53）： 同样将 $A^c$ 拆分为 $(A^c \cap B) \sqcup (A^c \cap B^c)$，利用刚刚证出的 $A^c \perp B$： $$\mathbb{P}(A^c \cap B^c) = \mathbb{P}(A^c \setminus A^c B) = \mathbb{P}(A^c) - \mathbb{P}(A^c\cap B) = \mathbb{P}(A^c) - \mathbb{P}(A^c)\mathbb{P}(B) = \mathbb{P}(A^c)\bigl(1 - \mathbb{P}(B)\bigr) = \mathbb{P}(A^c)\,\mathbb{P}(B^c)$$

2.1 随机变量的独立性与“函数作用抹平相依性”反例（▶ P21 00:00–11:07）

在 ▶ P21 01:02–04:11，张颢老师将事件独立性推广到两个随机变量 $X, Y$：对任意实数 $x, y \in \mathbb{R}$（或任意 Borel 集），事件 $\{X \le x\}$ 与 $\{Y \le y\}$ 均独立，即联合分布函数等于边缘分布函数的乘积： $$F_{X,Y}(x,y) = \mathbb{P}(X \le x,\; Y \le y) = \mathbb{P}(X \le x)\,\mathbb{P}(Y \le y) = F_X(x)\,F_Y(y)$$ 这就好比数学物理方程中的分离变量法（Separation of Variables，▶ P21 03:11），将高维联合分布直接降维拆解为一维边缘分布的乘积。

紧接着在 ▶ P21 04:42–11:07，张颢老师提出了一个反直觉问题：如果 $X, Y$ 独立，那么经过同一函数作用后的 $g(X), g(Y)$ 必然独立；但反过来，如果 $X$ 与 $Y$ 原本不独立（同出一源、相互关联），经过同一个非退化函数 $g(\cdot)$ 作用后，有没有可能反而变成独立的？

• 黑板构造（▶ P21 06:35–10:00）： 设 $X_1, X_2$ 本身相互独立，另取一个只取 $\{-1, +1\}$ 两个值的随机变量 $Z$（无论 $\mathbb{P}(Z=1)=p$ 取何值）。定义： $$X = X_1 \cdot Z, \qquad Y = X_2 \cdot Z$$ 由于公共随机因子 $Z$ 的搅局，$X$ 与 $Y$ 被绑在了同一条船上，显然不独立！ 但现在取偶函数 $g(t) = t^2$，由于 $Z \in \{-1, +1\} \implies Z^2 \equiv 1$ 恒为常数，作用后： $$g(X) = X_1^2 Z^2 = X_1^2, \qquad g(Y) = X_2^2 Z^2 = X_2^2$$ 公共因子 $Z$ 的影响瞬间烟消云散！因为 $X_1 \perp X_2$，故 $g(X) = X_1^2$ 与 $g(Y) = X_2^2$ 重新变得完全独立！

---

2.2 多个事件的独立性：为什么需要 $2^n - n - 1$ 个方程？（▶ P21 11:07–13:40 & ▶ P22 12:19–15:10）

当考察 $n$ 个事件 $A_1, A_2, \dots, A_n$ 的相互独立性时，能不能只要求最高阶的 $\mathbb{P}(A_1 A_2 \cdots A_n) = \mathbb{P}(A_1)\cdots\mathbb{P}(A_n)$？或者只要求任意两个事件两两独立 $\mathbb{P}(A_i A_j) = \mathbb{P}(A_i)\mathbb{P}(A_j)$？ 张颢老师通过两个精妙的黑板反例证明：高阶条件推不出低阶条件，低阶（两两独立）也绝对推不出高阶条件！

黑板反例 ①：高阶等式 $\mathbb{P}(ABC)=\mathbb{P}(A)\mathbb{P}(B)\mathbb{P}(C)$ 成立，但两两全不独立（▶ P21 17:43–P22 04:28）

连续掷两次均匀骰子（$\#\Omega = 36$），定义三个事件： $$A = \{\text{第 1 次点数} \in \{1, 2, 5\}\},\quad B = \{\text{第 1 次点数} \in \{4, 5, 6\}\},\quad C = \{\text{两次点数之和} = 9\}$$

• 各自概率：$\mathbb{P}(A) = \frac{3}{6} = \frac{1}{2}$，$\mathbb{P}(B) = \frac{3}{6} = \frac{1}{2}$；和为 $9$ 的组合有 $\{(3,6),(4,5),(5,4),(6,3)\}$ 共 4 种，故 $\mathbb{P}(C) = \frac{4}{36} = \frac{1}{9}$。
• 检验两两低阶条件（全军覆没）：
  • $A\cap B = \{\text{第 1 次为 }5\}$：$\mathbb{P}(AB) = \frac{1}{6} \neq \mathbb{P}(A)\mathbb{P}(B) = \frac{1}{4}$；
  • $B\cap C = \{(4,5),(5,4),(6,3)\}$：$\mathbb{P}(BC) = \frac{3}{36} = \frac{1}{12} \neq \mathbb{P}(B)\mathbb{P}(C) = \frac{1}{18}$；
  • $A\cap C = \{(5,4)\}$：$\mathbb{P}(AC) = \frac{1}{36} \neq \mathbb{P}(A)\mathbb{P}(C) = \frac{1}{18}$。
• 检验三阶高阶条件（居然相等！）： $$A\cap B\cap C = \{(5,4)\} \implies \mathbb{P}(ABC) = \frac{1}{36} = \frac{1}{2}\times\frac{1}{2}\times\frac{1}{9} = \mathbb{P}(A)\mathbb{P}(B)\mathbb{P}(C)$$

黑板反例 ②：两两独立，但三者（整体）不相互独立——Bernstein 反例与抛硬币闭环（▶ P22 04:54–12:53）

反过来，如果一组事件满足所有二阶两两独立条件 $\mathbb{P}(A_i A_j) = \mathbb{P}(A_i)\mathbb{P}(A_j)$，能否推出它们整体相互独立？

1. Bernstein 四面体 / 四点样本空间反例： 设样本空间有 4 个等可能样本点 $\Omega = \{\omega_1, \omega_2, \omega_3, \omega_4\}$（例如将正四面体的三个侧面分别涂上红、黄、蓝，底面同时涂上红黄蓝三色；或抛两枚均匀硬币），定义： $$A = \{\omega_1, \omega_4\}, \qquad B = \{\omega_2, \omega_4\}, \qquad C = \{\omega_3, \omega_4\}$$
   • 各自概率均为 $\mathbb{P}(A) = \mathbb{P}(B) = \mathbb{P}(C) = \frac{2}{4} = \frac{1}{2}$；
   • 两两独立成立：$A\cap B = B\cap C = C\cap A = \{\omega_4\}$，故 $\mathbb{P}(AB) = \mathbb{P}(BC) = \mathbb{P}(CA) = \frac{1}{4} = \frac{1}{2}\times\frac{1}{2}$；
   • 三者相互独立破裂：三者交集依然是 $A\cap B\cap C = \{\omega_4\}$，从而 $$\mathbb{P}(ABC) = \frac{1}{4} \neq \mathbb{P}(A)\mathbb{P}(B)\mathbb{P}(C) = \frac{1}{8}\;\;!$$
2. 张颢课堂 $n$ 次抛硬币首尾闭环反例（▶ P22 05:20–12:19）： 连续独立抛一枚均匀硬币 $n$ 次，结果记为 $X_1, X_2, \dots, X_n \in \{0, 1\}$。定义 $n$ 个首尾相连的判等事件： $$A_1 = \{X_1 = X_2\},\quad A_2 = \{X_2 = X_3\},\quad \dots,\quad A_{n-1} = \{X_{n-1} = X_n\},\quad A_n = \{X_n = X_1\}$$
   • 每个 $\mathbb{P}(A_i) = \frac{1}{2}$；任取两个不同事件 $A_i, A_j$（无论下标相邻使三個硬币同面，还是不相邻使两对硬币各自同面），均有 $\mathbb{P}(A_i A_j) = \frac{1}{4} = \mathbb{P}(A_i)\mathbb{P}(A_j)$，即 $A_1,\dots,A_n$ 两两独立（甚至任意 $n-1$ 个都相互独立）！
   • 然而把全部 $n$ 个事件交在一起：$\bigcap_{i=1}^n A_i = \{X_1 = X_2 = \cdots = X_n\}$（全部全正或全部全反，共 2 种可能），其真实概率为： $$\mathbb{P}\!\left(\bigcap_{i=1}^n A_i\right) = \frac{2}{2^n} = \frac{1}{2^{n-1}} \neq \prod_{i=1}^n \mathbb{P}(A_i) = \frac{1}{2^n}\;\;!$$ 为什么在最后一步功亏一篑？张颢老师一语道破（▶ P22 11:13）：因为 $A_n = \{X_n = X_1\}$ “最后还了回去，闭合成了一个圆环”——当前面 $n-1$ 个相等关系确立后，第 $n$ 个事件 $A_n$ 已经被 $100\%$ 锁死，毫无自由度可言！

总结定理（▶ P22 12:53–14:47）：$n$ 个事件 $A_1,\dots,A_n$ 相互独立，必须同时满足全部二阶、三阶……直到 $n$ 阶子集乘积方程，方程总数为： $$\binom{n}{2} + \binom{n}{3} + \cdots + \binom{n}{n} = 2^n - n - 1$$

3.1 为什么要用示性函数 $\mathbf{1}_A(\omega)$？（▶ P22 15:10–18:58）

在 ▶ P22 16:26，张颢老师指出：虽然中学就学过集合的交（$\cap$）、并（$\cup$）、补（$A^c$），但传统的集合论证明（“任取 $x \in \text{左边} \implies x \in \text{右边}$”）一旦遇到三四个集合的复合运算就会陷入繁琐的分类迷宫。为此，我们引入集合 $A \subset \Omega$ 的示性函数（Indicator Function，又称指示函数 $\mathbf{1}_A$ 或 $I_A$，▶ P22 16:50）： $$\mathbf{1}_A(\omega) = \begin{cases} 1, & \omega \in A \\ 0, & \omega \notin A \end{cases}$$ 由于 $\mathbf{1}_A(\omega)$ 只取 $0$ 或 $1$，它天然具备幂等性 $(\mathbf{1}_A)^2 = \mathbf{1}_A$，且两个集合相等 $A = B \iff \mathbf{1}_A(\omega) \equiv \mathbf{1}_B(\omega)$！

3.2 集合布尔运算 $\leftrightarrow$ 实数多项式代数的完美同构字典（▶ P22 17:28–P23 01:38）

1. 交集变乘法（▶ P22 17:28）：只有当 $\omega$ 同时属于 $A$ 和 $B$ 时，$\mathbf{1}_A(\omega)$ 与 $\mathbf{1}_B(\omega)$ 才同时为 $1$，故： $$\mathbf{1}_{A \cap B} = \mathbf{1}_A \cdot \mathbf{1}_B$$
2. 补集变一减（▶ P22 18:30）：$\omega \in A^c \iff \omega \notin A$，$0$ 与 $1$ 翻转： $$\mathbf{1}_{A^c} = 1 - \mathbf{1}_A$$
3. 并集为什么不能直接相加？（▶ P22 19:35–P23 01:38）： 如果直接写 $\mathbf{1}_A + \mathbf{1}_B$，当 $\omega \in A \cap B$ 时会出现 $1 + 1 = 2 > 1$（重算了一次交集！）。因此必须减去交集的乘积，或者由 De Morgan 律 $A\cup B = (A^c \cap B^c)^c$ 展开： $$\mathbf{1}_{A \cup B} = \mathbf{1}_A + \mathbf{1}_B - \mathbf{1}_A \mathbf{1}_B = 1 - (1 - \mathbf{1}_A)(1 - \mathbf{1}_B)$$

3.3 黑板三大惊艳实战：用代数运算彻底替代集合逻辑讨论

实战 ①：一行因式分解证明 De Morgan 律 $(A\cup B)^c = A^c \cap B^c$（▶ P23 01:38–04:54）

不必取元素做逻辑推导，直接算左边集合的示性函数： $$\mathbf{1}_{(A\cup B)^c} = 1 - \mathbf{1}_{A\cup B} = 1 - (\mathbf{1}_A + \mathbf{1}_B - \mathbf{1}_A\mathbf{1}_B) = 1 - \mathbf{1}_A - \mathbf{1}_B + \mathbf{1}_A\mathbf{1}_B = (1 - \mathbf{1}_A)(1 - \mathbf{1}_B) = \mathbf{1}_{A^c}\cdot \mathbf{1}_{B^c} = \mathbf{1}_{A^c \cap B^c}$$ 两边示性函数恒等，故 $(A\cup B)^c = A^c \cap B^c$，证毕！

实战 ②：用模 2 加法（数字电路异或门 XOR）秒杀对称差结合律（▶ P23 05:19–10:16）

对称差定义为 $A \Delta B = (A \cap B^c) \cup (B \cap A^c)$（属于 $A$ 或属于 $B$，但不能属于交集 $A\cap B$）。如何证明 $(A \Delta B) \Delta C = A \Delta (B \Delta C)$？

• 若用传统集合论方法，需要把 $\omega$ 在 $A,B,C$ 中的 8 种归属情况逐一枚举，写满整块黑板；
• 张颢黑板秒杀法（▶ P23 07:26–09:25）：观察 $\mathbf{1}_{A\Delta B}$ 的真值表——外部 $(0,0)\to 0$，单侧 $(1,0)$ 或 $(0,1)\to 1$，交集内部 $(1,1)\to 0$。这在代数上恰恰是 $(\mathbf{1}_A - \mathbf{1}_B)^2 = \mathbf{1}_A + \mathbf{1}_B - 2\mathbf{1}_A\mathbf{1}_B$，而在数字电路中就是大家烂熟于心的模 2 加法（异或运算 XOR $\oplus$）： $$\mathbf{1}_{A \Delta B} \equiv (\mathbf{1}_A + \mathbf{1}_B) \pmod 2$$ 因为整数模 2 加法天然满足结合律 $(\mathbf{1}_A + \mathbf{1}_B) + \mathbf{1}_C \equiv \mathbf{1}_A + (\mathbf{1}_B + \mathbf{1}_C) \pmod 2$，对称差结合律瞬间得证！

实战 ③：展开 $1 - \prod_{i=1}^n (1 - \mathbf{1}_{A_i})$ 一步秒杀 $n$ 事件容斥原理

对于任意 $n$ 个事件 $A_1, \dots, A_n$，并集的补集是交集的补集 $(\bigcup_{i=1}^n A_i)^c = \bigcap_{i=1}^n A_i^c$，转化为示性函数多项式展开： $$\mathbf{1}_{\bigcup_{i=1}^n A_i} = 1 - \prod_{i=1}^n (1 - \mathbf{1}_{A_i}) = \sum_{i=1}^n \mathbf{1}_{A_i} - \sum_{1\le i<j\le n} \mathbf{1}_{A_i}\mathbf{1}_{A_j} + \sum_{1\le i<j<k\le n} \mathbf{1}_{A_i}\mathbf{1}_{A_j}\mathbf{1}_{A_k} - \cdots + (-1)^{n-1}\mathbf{1}_{A_1}\cdots\mathbf{1}_{A_n}$$ 两边同时取数学期望（或利用线性可加性 $\mathbb{E}[\mathbf{1}_E] = \mathbb{P}(E)$），无需任何数学归纳法，一行直接导出容斥原理（Inclusion-Exclusion Principle）！

4.1 既交又并的无穷事件序列：$\limsup A_n$ 与 $\liminf A_n$（▶ P23 13:51–19:40）

给定无穷多个事件构成的序列 $\{A_k\}_{k=1}^\infty$，张颢老师在黑板上写下了两个看似令人眼花缭乱的“既交又并”集合（▶ P23 14:26–15:24）： $$\limsup_{n\to\infty} A_n := \bigcap_{n=1}^{\infty} \bigcup_{k=n}^{\infty} A_k, \qquad \liminf_{n\to\infty} A_n := \bigcup_{n=1}^{\infty} \bigcap_{k=n}^{\infty} A_k$$ 这两个集合里的样本点 $\omega$ 究竟有什么特征？张颢老师手把手带领大家拆解（▶ P23 16:16–19:14）：

• 上极限 $\limsup A_n$（先并后交 = 无穷多次发生 i.o.）： $\omega \in \bigcap_{n=1}^\infty \bigcup_{k=n}^\infty A_k$ 意味着：无论把起点下标 $n$ 推到多远（对一切 $n \ge 1$），$\omega$ 都落在尾并集 $\bigcup_{k=n}^\infty A_k$ 中（即在 $n$ 之后总还能找到某个 $k \ge n$ 使得 $\omega \in A_k$）。因此，$\limsup A_n$ 就是被无穷多个 $A_k$ 所包含（发生无穷多次，infinitely often）的样本点集合！
• 下极限 $\liminf A_n$（先交后并 = 仅有限次不发生）： $\omega \in \bigcup_{n=1}^\infty \bigcap_{k=n}^\infty A_k$ 意味着：存在某个门槛下标 $n_0$，从第 $n_0$ 项起往后的所有集合全都包含 $\omega$（$\omega \in \bigcap_{k=n_0}^\infty A_k$）。也就是说，不包含 $\omega$ 的集合至多只有 $n_0-1$ 个——$\liminf A_n$ 就是“只有有限个 $A_k$ 不包含它（最终恒发生）”的样本点集合！
• 包含关系：既然“只有有限个不包含”必然蕴含“有无穷多个包含”（反之不然，例如奇偶交替出现），故必有 $\liminf A_n \subset \limsup A_n$（▶ P23 18:47）。

4.2 示性函数视角：集合上下极限 = $0$-$1$ 数列上下极限（▶ P23 19:40–P24 01:27）

为什么把它们叫做“上极限”和“下极限”？张颢老师指出，只要套上示性函数 $\mathbf{1}_{A_k}(\omega) \in \{0, 1\}$，集合运算瞬间化归为微积分里熟知的实数列上下极限： $$\mathbf{1}_{\limsup_{n\to\infty} A_n}(\omega) = \limsup_{n\to\infty} \mathbf{1}_{A_n}(\omega), \qquad \mathbf{1}_{\liminf_{n\to\infty} A_n}(\omega) = \liminf_{n\to\infty} \mathbf{1}_{A_n}(\omega)$$ 一个 $0$-$1$ 数列的上极限为 $1$，当且仅当数列中有无穷多个 $1$；下极限为 $1$，当且仅当从某项起全为 $1$！

---

4.3 压轴高潮：Borel–Cantelli 第一与第二引理（▶ P24 01:27–20:18）

为了深刻展示独立性的威力，张颢老师把事件序列 $\{A_k\}$ 形象地比作“往样本空间 $\Omega$ 上不断抛洒圆纸片进行覆盖”（▶ P24 03:36 & ▶ P24 11:24），考察被无穷多张纸片覆盖的点集 $\limsup A_k$ 的概率：

定理 4.1：Borel–Cantelli 第一引理（无需独立性，▶ P24 02:05–07:59）

命题：若事件序列的概率级数收敛 $\sum_{k=1}^{\infty} \mathbb{P}(A_k) < \infty$，则必有 $\mathbb{P}\bigl(\limsup_{k\to\infty} A_k\bigr) = 0$。

• 黑板证明（▶ P24 05:04–07:04）： 对任意固定的整数 $N \ge 1$，交集包含于其中任意一项，再由可列次可加性： $$\mathbb{P}\!\left(\bigcap_{n=1}^{\infty} \bigcup_{k=n}^{\infty} A_k\right) \le \mathbb{P}\!\left(\bigcup_{k=N}^{\infty} A_k\right) \le \sum_{k=N}^{\infty} \mathbb{P}(A_k)$$ 由于级数 $\sum_{k=1}^\infty \mathbb{P}(A_k) < \infty$ 收敛，当 $N \to \infty$ 时，收敛级数的余项（尾巴）必然趋于 $0$：$\lim_{N\to\infty} \sum_{k=N}^\infty \mathbb{P}(A_k) = 0$，故 $\mathbb{P}(\limsup A_k) = 0$！

定理 4.2：Borel–Cantelli 第二引理（独立性使概率从 0 跃迁至 1！▶ P24 07:59–20:18）

命题：若 $\sum_{k=1}^{\infty} \mathbb{P}(A_k) = \infty$（级数发散，纸片总面积无穷大），且事件序列 $\{A_k\}_{k=1}^\infty$ 相互独立，则必有： $$\mathbb{P}\bigl(\limsup_{k\to\infty} A_k\bigr) = 1$$

• 黑板完整证明（▶ P24 12:24–18:25）：
  1. 正难则反取补集：要证概率等于 $1$，等价于证其补集概率为 $0$。由 De Morgan 律： $$\left(\bigcap_{n=1}^{\infty} \bigcup_{k=n}^{\infty} A_k\right)^c = \bigcup_{n=1}^{\infty} \bigcap_{k=n}^{\infty} A_k^c$$
  2. 独立性传递到余集并化交为乘（▶ P24 13:48–14:52）：固定任意 $n \ge 1$，考察内层交集 $\bigcap_{k=n}^\infty A_k^c$。因为 $\{A_k\}$ 相互独立，由第 1 节证过的“亲属连带独立性”，余集序列 $\{A_k^c\}$ 也相互独立！故： $$\mathbb{P}\!\left(\bigcap_{k=n}^{\infty} A_k^c\right) = \prod_{k=n}^{\infty} \mathbb{P}(A_k^c) = \prod_{k=n}^{\infty} \bigl(1 - \mathbb{P}(A_k)\bigr)$$
  3. 指对数变换 + 凸函数不等式 $\ln(1-x) \le -x$（▶ P24 14:52–17:50）： 将无穷乘积放到指数上方化为对数求和，并利用对一切 $x \in [0, 1)$ 恒成立的不等式 $\ln(1-x) \le -x$： $$\prod_{k=n}^{\infty}\bigl(1 - \mathbb{P}(A_k)\bigr) = \exp\!\left(\sum_{k=n}^{\infty} \ln\bigl(1 - \mathbb{P}(A_k)\bigr)\right) \le \exp\!\left(-\sum_{k=n}^{\infty} \mathbb{P}(A_k)\right)$$ 由于级数 $\sum \mathbb{P}(A_k) = \infty$ 发散，发散级数的任意一个尾巴 $\sum_{k=n}^\infty \mathbb{P}(A_k)$ 依然等于 $+\infty$！因此： $$\mathbb{P}\!\left(\bigcap_{k=n}^{\infty} A_k^c\right) \le e^{-\infty} = 0 \quad (\forall n \ge 1)$$
  4. 可数个零测集之并仍为零（▶ P24 17:50）：既然对每个 $n$ 都有 $\mathbb{P}(\bigcap_{k=n}^\infty A_k^c) = 0$，它们的可数并集概率自然也是 $0$，从而 $\mathbb{P}(\limsup A_k) = 1 - 0 = 1$！