收敛模式

"逐点收敛"最直观却最脆弱（极限可能丢失连续性、可积性），"一致收敛"最强却常常达不到。测度论提供了介于两者之间的多种收敛模式——几乎处处收敛、依测度收敛、近一致收敛、$L^p$ 收敛，分别服务于积分定理、概率论与赋范空间结构。它们之间有精确的蕴含关系与不可逆反例，是选择收敛定理、判断极限与积分能否交换的判据。需先掌握可测函数的定义、几乎处处与切比雪夫不等式（见可积性判别）。

定义

设 $(X,\mathcal{A},\mu)$ 为测度空间，$f_n,f$ 均为 a.e. 有限的可测函数。

• 逐点收敛：对每个 $x\in X$ 有 $f_n(x)\to f(x)$
• 一致收敛：$\displaystyle\sup_{x\in X}|f_n(x)-f(x)|\to 0$（微积分中的处理见一致收敛性）
• 几乎处处收敛：存在零测集 $N$ 使 $f_n\to f$ 在 $X\setminus N$ 上逐点成立（见几乎处处）
• 依测度收敛：对每个 $\varepsilon>0$，$\mu\{x:|f_n(x)-f(x)|\ge\varepsilon\}\to 0$
• 近一致收敛：对每个 $\delta>0$ 存在可测集 $E_\delta$（$\mu(E_\delta)<\delta$）使 $f_n\to f$ 在 $X\setminus E_\delta$ 上一致
• $L^p$ 收敛（$1\le p<\infty$）：$\lVert f_n-f\rVert_p\to 0$，其中 $\lVert g\rVert_p=\left(\int|g|^p\,d\mu\right)^{1/p}$（见Lp空间的定义）

蕴含关系

一致 $\Rightarrow$ 逐点 $\Rightarrow$ 几乎处处；一致 $\Rightarrow$ 依测度；$L^p$ 收敛 $\Rightarrow$ 依测度（由切比雪夫不等式 $\mu\{|f_n-f|\ge\varepsilon\}\le\lVert f_n-f\rVert_p^p/\varepsilon^p$）；近一致 $\Rightarrow$ 依测度。此外：

• 几乎处处 $\Rightarrow$ 依测度需 $\mu(X)<\infty$：由Egorov定理，对任意 $\delta>0$ 挖去小测度集 $E_\delta$ 后一致收敛，于是 $\mu\{|f_n-f|\ge\varepsilon\}\le\mu(E_\delta)<\delta$
• 依测度 $\Rightarrow$ 几乎处处（子列）：若 $f_n\to f$ 依测度，则存在子列 $f_{n_k}\to f$ a.e.——取 $n_k$ 使 $\mu\{|f_{n_k}-f|\ge 2^{-k}\}<2^{-k}$，由 Borel–Cantelli 引理（$\sum_k 2^{-k}<\infty$）得每个点 a.e. 只落入有限多个坏集
• 依测度收敛的极限 a.e. 唯一：$f_n\to f$ 且 $f_n\to g$（均依测度）蕴含 $f=g$ a.e.
• 若 $\mu(X)<\infty$，一致收敛蕴含 $L^p$ 收敛：$\int|f_n-f|^p\,d\mu\le\sup|f_n-f|^p\cdot\mu(X)\to 0$

反例（蕴含不可逆）

• 逐点 $\not\Rightarrow$ 一致：$[0,1]$ 上 $f_n(x)=x^n$ 逐点收敛于 $\mathbf{1}_{\{1\}}$，但 $\sup|f_n-f|=1$
• 几乎处处 $\not\Rightarrow$ 依测度（无限测度）：$\mathbb{R}$ 上 $f_n=\mathbf{1}_{[n,n+1]}$ 逐点收敛于 $0$，但 $\mu\{|f_n|\ge1\}=1\not\to 0$
• 依测度 $\not\Rightarrow$ 几乎处处："打字机序列"——把 $[0,1]$ 上的区间 $[j/2^k,(j+1)/2^k]$（$k=0,1,\dots$，$j=0,\dots,2^k-1$）的指示函数依次排列。每个 $x$ 属于无穷多个区间也属于无穷多个余集，故处处不收敛；但 $\int f_n=1/2^k\to 0$，故依测度且 $L^1$ 收敛于 $0$
• 几乎处处/依测度 $\not\Rightarrow L^p$：$(0,1)$ 上 $f_n=n\mathbf{1}_{(0,1/n)}$ 逐点且依测度收敛于 $0$，但 $\lVert f_n\rVert_p^p=n^{p-1}\not\to 0$（$p\ge1$）

与积分交换

• 单调收敛定理、Fatou引理、控制收敛定理只要求几乎处处收敛即可交换 $\lim$ 与 $\int$（控制收敛另需可积控制函数）
• Vitali 收敛定理（$L^p$ 版本）：$f_n\to f$ 于 $L^p$ 当且仅当 $f_n\to f$ 依测度且 $\{|f_n|^p\}$ 一致可积（等度可积）

概率论对应

• 几乎必然收敛 = 几乎处处收敛；依概率收敛 = 依测度收敛；$L^p$ 收敛 = $p$ 阶矩收敛
• 蕴含：几乎必然 $\Rightarrow$ 依概率 $\Rightarrow$ 依分布；依概率收敛蕴含几乎必然收敛的子列；$L^p$ 收敛 $\Rightarrow$ 依概率收敛
• 强大数定律给几乎必然收敛，弱大数定律只给依概率收敛——"强/弱"之分正来自收敛模式的强弱差别

后续

判断函数列以何种模式收敛，决定能否使用控制收敛定理交换极限与积分；$L^p$ 收敛是$L^p$ 空间的完备性与对偶理论中的距离概念；依测度收敛及其子列技巧是概率论（中心极限定理等）证明的常用工具。