Ein Konvergenzmodus für Wahrscheinlichkeitsmaße auf einem metrischen (oder topologischen) Raum: Eine Folge von Wahrscheinlichkeitsmaßen μ_n konvergiert schwach gegen μ, wenn ∫ f dμ_n → ∫ f dμ für jede beschränkte stetige Testfunktion f (äquivalent über Verteilungsfunktionen an deren Stetigkeitspunkten oder die Bedingungen des Portmanteau-Lemmas).

Prinzip

Schwache Konvergenz ist die Konvergenz der Erwartungswerte gegenüber beschränkten stetigen Observablen; sie erfasst die Konvergenz makroskopischer Verteilungen und vernachlässigt feine Oszillationen, die für stetige Tests unsichtbar sind.

Demonstration

Sei μ_n die Gleichverteilung auf [0,1/n]. Für jede beschränkte stetige Funktion f auf R gilt ∫ f dμ_n → f(0), also konvergiert μ_n schwach gegen das Dirac-Maß in 0.

Fehlanwendung

Zu behaupten, schwache Konvergenz impliziere Konvergenz von Dichten in L^1 oder die Konvergenz der Wahrscheinlichkeiten von Randmengen; schwache Konvergenz kontrolliert nicht die totale Variation oder unbeschränkte Testfunktionen ohne zusätzliche Momentbedingungen.

Konsequenz

Schwache Konvergenz liefert Konvergenz von Integralen für beschränkte stetige Funktionen und genügt für viele Grenzwertsätze (z. B. Formulierungen des zentralen Grenzwertsatzes in Verteilung); sie erlaubt Kompaktheit via Prokhorovs Satz unter Tightness-Bedingungen.

Umkehrung

Starke Konvergenz (in Totalvariation) impliziert schwache Konvergenz, aber nicht umgekehrt; Folgen können schwach konvergieren und dennoch substanzielle Massenschwankungen auf kleinen Skalen behalten oder in einer Weise entweichen, die für beschränkte stetige Tests unsichtbar ist.

Abgrenzung

Typischerweise für borelsche Wahrscheinlichkeitsmaße auf metrischen Räumen definiert; unterscheidet sich von der vagen Konvergenz (Tests nur gegen kompakt getragenen stetige Funktionen) und benötigt Tightness für sequentielle Kompaktheit in nichtkompakten Räumen.

Semantische Spannung

Es besteht Spannung zwischen schwacher Konvergenz und Modi wie Totalvariationskonvergenz oder Momentenkonvergenz: Schwache Konvergenz ist schwächer und topologischer Natur, während stärkere Normen quantitative Kontrolle liefern, aber mehr Annahmen erfordern.

Synthese

Schwache Konvergenz von Wahrscheinlichkeitsmaßen bedeutet die Konvergenz der Erwartungswerte gegenüber beschränkten stetigen Observablen; es ist eine topologische Form der Verteilungskonvergenz, die das makroskopische Limitverhalten erfasst ohne starken Normkontrollbedarf.