形式陈述
设 ( X , F , μ ) 为测度空间,f n 与 f 是 X 上的实值或复值可测函数 公理库 可测函数 Measurable function 使目标空间可测集的原像都属于定义域 σ-代数的函数。 ,且 f n → f 几乎处处 公理库 几乎处处 Almost everywhere · Almost surely 除去一个零测集后性质在其余所有点成立。 成立。若存在控制函数 g ∈ L 1 ( μ ) ,使得
对 所 有 几 乎 处 处 成 立 | f n ( x ) | ≤ g ( x ) 对所有 n 几乎处处成立 , 则 f ∈ L 1 ( μ ) ,并且
lim n → ∞ ∫ X | f n − f | d μ = 0 , lim n → ∞ ∫ X f n d μ = ∫ X f d μ . 也就是说,在同一个可积函数的控制下,几乎处处收敛可以升级为 L 1 收敛,Lebesgue 积分 公理库 Lebesgue 积分 Lebesgue integral 从简单函数积分出发,按单调逼近定义非负、扩展值与可积函数的积分。 与极限可以交换次序。
直觉
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 2 g − | f n − f | 应用 Fatou 引理,再消去有限项 ∫ 2 g d μ ,就得到 ∫ | f n − f | d μ → 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。
例子与边界
正例:f n ( x ) = x n 在 [ 0 , 1 ] 上除 x = 1 外逐点趋于 0 ,且 | f n | ≤ 1 ,常数函数 1 在有限测度区间上可积,故 ∫ 0 1 x n d x = 1 n + 1 → 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 ∫ f n d μ = 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 ≥ sup n f n ,而 sup n f n ( x ) ≥ 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 sup n g n 不可积,结论同样可能失效;在有限测度空间上,更一般的替代条件是一致可积性 公理库 一致可积性 Uniform integrability · Uniformly integrable family 一族可积随机变量在统一截断水平之外的绝对期望可以一致地趋于零。 ——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 → a k ,且 | a n , k | ≤ b k 对所有 n , k 成立、∑ k b k < ∞ ,则 lim n ∑ k a n , k = ∑ k a k 。
推论与应用
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 ) = ∫ f ( t , x ) d μ ( 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 ∂ 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 → 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 | ≤ Y 、E [ Y ] < ∞ ,则 E [ X n ] → 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。
Karamata 积分定理 公理库 Karamata 积分定理 Karamata theorem · Karamata integral theorem 非临界指数下,正则变化函数的积分主项等于端点函数值乘长度,再除以由幂指数决定的常数。 给出一个端部控制的具体应用:正则变化比值在每个固定倍率上收敛,Potter 界再提供可积的幂函数支配,才允许把缩放极限传进整个积分区间。
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。
更新卷积中的积分测度会随观察时刻平移,通常不能直接找到一个固定控制函数便交换极限。关键更新定理 公理库 关键更新定理 Key renewal theorem 以直接 Riemann 可积性控制尾部,把局部更新极限推广到更新卷积的长期极限。 通过局部更新窗口和直接 Riemann 可积性控制整个尾部,给出这类长期极限。
参考资料
Gerald B. Folland, Real Analysis, 2nd ed., Wiley, 1999,§2.3–2.4, dominated convergence and L1 convergence。
Walter Rudin, Real and Complex Analysis, 3rd ed., McGraw-Hill, 1987,Ch. 1, Lebesgue dominated convergence theorem。