有限样本空间下几乎处处收敛随机变量的期望与极限可交换吗？

你的结论完全正确，这个思路也非常靠谱！下面我们来拆解一下为什么这个结论成立，以及你的控制收敛定理思路为什么可行：

有限样本空间的特殊性 #

首先，样本空间$\Omega$是有限集，假设$\Omega = {\omega_1, \omega_2, ..., \omega_k}$，每个样本点$\omega_i$对应概率$p_i \geq 0$，且$\sum_{i=1}^k p_i = 1$。对于几乎必然收敛（$X_n \rightarrow X$ a.s.）的定义：存在一个概率为0的集合$N \subset \Omega$，当$\omega \notin N$时，$X_n(\omega) \rightarrow X(\omega)$。

但在有限样本空间里，概率为0的集合$N$要么是空集，要么是一些概率为0的样本点——而这些点对期望没有任何贡献（因为期望的计算是$\mathbb{E}[Z] = \sum_{\omega \in \Omega} Z(\omega)p(\omega)$，$p(\omega)=0$的项不会影响求和结果），所以实际上可以认为对所有$\omega \in \Omega$，$X_n(\omega)$都收敛到$X(\omega)$。

控制收敛定理的适用性验证 #

你提到用控制收敛定理的思路完全正确，原因在于有限样本空间下很容易构造满足条件的控制变量：

• 对每个样本点$\omega$，收敛序列$X_n(\omega)$作为实数序列，必然是有界的（收敛序列必有界），即存在常数$C_\omega$，使得$|X_n(\omega)| \leq C_\omega$对所有$n$成立；
• 因为$\Omega$是有限集，我们可以取所有$C_\omega$的最大值$M = \max{C_\omega \mid \omega \in \Omega}$，这个$M$是有限常数；
• 构造常数随机变量$Y(\omega) = M$对所有$\omega$，显然$\mathbb{E}[Y] = M \cdot \sum_{\omega \in \Omega} p(\omega) = M$，是有限值（满足可积性）；
• 同时对所有$n$和所有$\omega$，$|X_n(\omega)| \leq M = Y(\omega)$，完全满足控制收敛定理的条件。

因此控制收敛定理直接适用，就能得出等式：
$$\mathbb{E}\left[\lim_{n\rightarrow\infty} X_n\right] = \lim_{n\rightarrow\infty} \mathbb{E}[X_n]$$

更直观的验证方式 #

其实不用控制收敛定理，直接用期望的定义也能快速验证：
期望是有限项的求和，即$\mathbb{E}[X_n] = \sum_{\omega \in \Omega} X_n(\omega)p(\omega)$。对于有限求和，极限运算可以和求和运算交换顺序（因为有限个收敛序列的和的极限等于每个序列极限的和），所以：
$$\lim_{n\rightarrow\infty} \mathbb{E}[X_n] = \lim_{n\rightarrow\infty} \sum_{\omega \in \Omega} X_n(\omega)p(\omega) = \sum_{\omega \in \Omega} \lim_{n\rightarrow\infty} X_n(\omega)p(\omega) = \mathbb{E}\left[\lim_{n\rightarrow\infty} X_n\right]$$

内容的提问来源于stack exchange，提问作者Sammy