控制收敛定理

交换极限与积分天然有两种失败方式：质量整体平移、逃向无穷远，或者在越来越窄的集合上堆成越来越高的尖峰——两种情形下每个 $f_n$ 的积分都不小，极限函数的积分却可能是零。控制函数 $g$ 同时封锁这两条退路：所有 $f_n$ 都被压在同一张可积的"帐篷"下面，质量既跑不远也堆不高。技术上，这层控制把只给单向不等式的 Fatou 引理公理库Fatou 引理Fatou's lemma非负可测函数列下极限的积分不超过积分的下极限。变成双向结论：对非负函数列 $2g-|f_n-f|$ 应用 Fatou 引理，再消去有限项 $\int 2gd\mu$，就得到 $\int |f_n-f|d\mu \to 0$。这也解释了结论为何强于"积分值收敛"——它给出的是 $L^1$ 距离趋于零。

正例：$f_n(x)=x^n$ 在 $[0,1]$ 上除 $x=1$ 外逐点趋于 $0$，且 $|f_n|\le 1$，常数函数 $1$ 在有限测度区间上可积，故 ${\int }_0^1{x}^{n}dx=\frac{1}{n+1}\to 0$，与定理一致。

反例：$f_n=n{1}_{(0,1/n)}$ 在 $[0,1]$ 上处处趋于 $0$，但 $\int f_{n}d\mu =1$ 对所有 $n$ 成立。这里不存在合格的控制函数：任何 $g$ 都必须满足 $g\ge \underset{n}{sup}{f}_n$，而 $\underset{n}{sup}{f}_n(x)\ge \frac{1}{x}-1$，在 $0$ 附近像 $1/x$ 一样增长，不可积。这个例子发生在有限测度空间 $[0,1]$ 上，说明测度有限本身不能替代共同控制。

若每个 $f_n$ 只被各自的 $g_n$ 控制而 $\underset{n}{sup}{g}_n$ 不可积，结论同样可能失效；真正更一般的替代条件是一致可积性——在有限测度空间上，Vitali 收敛定理断言"依测度收敛加一致可积"刻画 $L^1$ 收敛，控制收敛定理是其特例。另外，对计数测度应用本定理即得级数版本：若对每个 $k$ 都有 $a_{n,k}\to a_k$，且 $|a_{n,k}|\le b_k$ 对所有 $n,k$ 成立、$\sum _k{b}_k<\mathrm{\infty }$，则 $\underset{n}{lim}\sum _k{a}_{n,k}=\sum _k{a}_k$。

控制收敛定理是分析中“在积分号下取极限”的常用工具。证明含参积分 $F(t)=\int f(t,x)d\mu (x)$ 的连续性时，需要 $f(t,x)$ 对参数逐点收敛并有统一的可积控制；证明可微性时，则需差商逐点收敛到 ${\partial }_{t}f$，并由同一个可积函数控制。Fourier 变换公理库Fourier 变换Fourier transform · 傅里叶变换把非周期函数分解为连续频率成分，并将卷积和平移不变算子转为频域乘法。的连续性、函数级数的逐项积分都按这一模式进行，但 Fourier 反演还需其自身的可积或 $L^2$ 条件。

在概率论中它写作：若 $X_n\to X$ 几乎必然公理库几乎必然收敛Almost sure convergence除去一个零概率事件后，随机变量序列逐样本收敛。，且 $|X_n|\le Y$、$\mathbb{E}[Y]<\mathrm{\infty }$，则 $\mathbb{E}[X_n]\to \mathbb{E}[X]$，这是交换极限与期望公理库期望Expectation · Expected value实值或复值随机变量关于概率测度的 Lebesgue 积分，概括加权平均与总体质量平衡。的标准判据。分析Monte Carlo 估计量公理库Monte Carlo 积分Monte Carlo integration · Monte Carlo quadrature将积分改写为随机变量期望，以独立样本均值估计并用方差和概率假设量化随机误差。随模型近似、截断层级或参数变化的极限时，同样必须先找到统一可积控制，不能只把样本层面的逐点极限移进期望。

在本库的知识链中，它与单调收敛定理公理库单调收敛定理Monotone convergence theorem非负可测函数单调递增时，积分极限等于极限函数积分。、Fatou 引理构成 Lebesgue 积分的三类基本极限工具：单调收敛处理递增列，Fatou 给出单向下界，控制收敛在双侧控制下给出 $L^1$ 收敛与积分交换。