关于利用单调收敛定理推导级数相关概率结论的技术问询

让我一步步拆解这个推导逻辑，帮你把每个环节的关联理清楚：

1. 单调收敛定理（MCT）的核心应用 #

首先回忆一下单调收敛定理的核心内容：对于非负可测函数构成的递增序列，序列期望的极限等于极限函数的期望。

这里我们构造部分和序列 $S_m = \sum_{k=1}^m |X_{n_k}|$，这个序列有两个关键性质：

• 非负性：每一项 $|X_{n_k}|$ 都是非负的，所以部分和 $S_m$ 自然也是非负的；
• 递增性：$S_{m+1} = S_m + |X_{n_{m+1}}| \geq S_m$，每往后加一项，部分和只会变大或不变。

根据单调收敛定理，我们可以交换期望和极限的顺序：
$$E\left(\lim_{m\to\infty} S_m\right) = \lim_{m\to\infty} E(S_m)$$

左边的 $\lim_{m\to\infty} S_m$ 就是无穷级数 $\sum_{k=1}^\infty |X_{n_k}|$；右边的 $E(S_m)$ 可以用期望的线性性（对有限和成立）拆成 $\sum_{k=1}^m E(|X_{n_k}|)$，当 $m\to\infty$ 时，这个有限和的极限就是无穷级数 $\sum_{k=1}^\infty E(|X_{n_k}|)$。

题目中已经给出 $\sum_{k}E(|X_{n_{k}}|) < +\infty$，所以直接就能得到：
$$E\left(\sum_{k}|X_{n_{k}}|\right)=\sum_{k}E(|X_{n_{k}}|)<+\infty$$

2. 从期望有限推出级数几乎必然收敛 #

现在我们已经知道 $\sum_{k}|X_{n_{k}}|$ 这个非负随机变量的期望是有限的，那为什么能说它几乎必然有限呢？

用反证法想一下：如果存在一个正概率的事件集合，使得在这个集合上 $\sum_{k}|X_{n_{k}}| = +\infty$，那么这个随机变量的期望至少是 $+\infty \times P\left(\sum_{k}|X_{n_{k}}| = +\infty\right)$。如果这个概率大于0，期望就会是无穷大，这和我们刚才得到的“期望有限”矛盾。

所以必然有 $P\left(\sum_{k}|X_{n_{k}}| < +\infty\right) = 1$，也就是这个级数几乎必然收敛。

3. 从级数收敛推出通项几乎必然趋于0 #

这一步是级数收敛的基本性质：对于任何收敛的正项级数 $\sum_{k} a_k < +\infty$，它的通项必须满足 $\lim_{k\to\infty} a_k = 0$——这是级数收敛的必要条件。

现在我们已经知道 $\sum_{k}|X_{n_{k}}|$ 几乎必然收敛，那么在这个收敛的事件集合上，通项 $|X_{n_k}|$ 的极限一定是0，而 $|X_{n_k}| \to 0$ 等价于 $X_{n_k} \to 0$，所以自然能得到：
$$\lim_{k\to+\infty}X_{n_{k}}=0 \quad \text{几乎必然成立}$$

备注：内容来源于stack exchange，提问作者Ivan Gozard