依测度收敛

依测度收敛（convergence in measure）是测度论与概率论中描述可测函数列收敛行为的一种重要模式。它由匈牙利数学家弗里杰什·里斯（Frigyes Riesz）于20世纪初系统引入，在实分析、泛函分析及概率论中占据基石地位。与逐点收敛或一致收敛不同，依测度收敛关注的是"函数值偏离目标函数的集合的测度趋于零"，而非每个点上的收敛行为，因而在理论搭建中展现出更大的灵活性与包容性。

一、定义

设 $(X, \mathcal{F}, \mu)$ 是一个测度空间，$f, f_n \, (n=1,2,\dots)$ 是其上的可测函数。若对任意 $\varepsilon > 0$，恒有

则称函数列 $\{f_n\}$ 依测度 $\mu$ 收敛于 $f$，记作 $f_n \xrightarrow{\mu} f$ 或 $f_n \overset{\mu}{\to} f$。

当 $(X, \mathcal{F}, \mu)$ 换为概率空间 $(\Omega, \mathcal{F}, \mathbb{P})$ 时，依测度收敛即称为依概率收敛（convergence in probability），记作 $X_n \xrightarrow{\mathbb{P}} X$，这是概率论与数理统计中最基本的收敛概念之一。

二、基本性质

依测度收敛具有以下核心性质。

第一，极限的唯一性：若 $f_n \xrightarrow{\mu} f$ 且 $f_n \xrightarrow{\mu} g$，则 $f = g$ 几乎处处成立。换言之，依测度收敛的极限在几乎处处意义下是唯一的。

第二，线性性：若 $f_n \xrightarrow{\mu} f$，$g_n \xrightarrow{\mu} g$，且 $\alpha, \beta \in \mathbb{R}$，则 $\alpha f_n + \beta g_n \xrightarrow{\mu} \alpha f + \beta g$。这一性质表明依测度收敛在函数空间的线性结构中保持稳定。

第三，乘积性质：若 $f_n \xrightarrow{\mu} f$ 且 $g_n \xrightarrow{\mu} g$，则 $f_n g_n \xrightarrow{\mu} fg$，前提是极限函数 $f$ 与 $g$ 在某个正测度集上有界。该性质在应用中需注意附加条件的满足。

第四，子列性质：若 $f_n \xrightarrow{\mu} f$，则存在子列 $\{f_{n_k}\}$ 使得 $f_{n_k} \to f$ 几乎处处成立。这是依测度收敛与几乎处处收敛之间最重要的桥梁：依测度收敛虽弱于几乎处处收敛，但总能从中抽出一个几乎处处收敛的子列。

三、与其他收敛概念的关系

依测度收敛居于多种收敛概念之间，形成一个完整的收敛谱系。

与一致收敛的关系：一致收敛是最强的收敛模式，要求对所有 $x$ 和充分大的 $n$，$|f_n(x) - f(x)|$ 一致地小。显然，一致收敛蕴含依测度收敛，反之则不成立。例如，$f_n(x) = x^n$ 在 $[0,1]$ 上依勒贝格测度收敛于零函数，但并不一致收敛。

与几乎处处收敛的关系：在有限测度空间上，几乎处处收敛蕴含依测度收敛（叶戈罗夫定理的直接推论）。但反之不真，经典的"滑动峰"反例说明存在依测度收敛却不几乎处处收敛的函数列：定义在 $[0,1]$ 上的特征函数列 $\chi_{[0,1]}, \chi_{[0,1/2]}, \chi_{[1/2,1]}, \chi_{[0,1/3]}, \chi_{[1/3,2/3]}, \dots$ 依勒贝格测度收敛于零函数，但几乎处处收敛不成立，因为每个点被无穷多个区间覆盖。

与 $L^p$ 收敛的关系：当 $1 \leq p < \infty$ 时，$L^p$ 收敛（即 $\int |f_n - f|^p \, d\mu \to 0$）蕴含依测度收敛，这由切比雪夫-马尔可夫不等式直接推出。反之，依测度收敛一般不能推出 $L^p$ 收敛，除非附加一致可积条件。例如，$f_n(x) = n \cdot \chi_{(0, 1/n)}$ 在 $[0,1]$ 上依测度收敛于零（因为偏离非零的集合测度为 $1/n \to 0$），但 $\int_0^1 |f_n| \, dx = 1$ 不趋近于零，故 $L^1$ 收敛不成立。

四、里斯定理与完备性

里斯定理（Riesz's theorem）是依测度收敛理论中最深刻的结论之一：在测度空间 $(X, \mathcal{F}, \mu)$ 上，函数列 $\{f_n\}$ 依测度收敛于某个可测函数 $f$ 当且仅当 $\{f_n\}$ 是依测度的柯西列，即对任意 $\varepsilon > 0$，存在 $N$ 使得当 $m, n \geq N$ 时，

这一等价刻画表明，依测度收敛可以用空间的完备性来理解：所有可测函数（模几乎处处相等）构成的度量空间在依测度收敛意义下是完备的，其诱导的度量可定义为

或取为 $\min(1, |f-g|)$ 的积分。在有限测度空间上，这一度量使空间成为完备的度量空间。

除完备性之外，在有限测度空间上，依测度收敛与几乎处处收敛之间还有更深层的联系。弗拉基米尔·叶戈罗夫定理指出，在有限测度空间上，几乎处处收敛的函数列必在除去任意小测度集后一致收敛，这从侧面揭示了两种收敛模式的亲缘关系。此外，若函数列既依测度收敛又单调不减，则几乎处处收敛也成立。

五、在概率论中的应用

在概率论中，依概率收敛（依测度收敛的特例）扮演着核心角色。

大数定律：辛钦大数定律指出，独立同分布的随机变量序列 $\{X_n\}$ 的样本均值 $\bar{X}_n$ 依概率收敛于总体均值 $\mathbb{E}[X_1]$（假设期望存在）。这是依概率收敛最经典的应用之一。

斯卢茨基定理：若 $X_n \xrightarrow{\mathbb{P}} X$，$Y_n \xrightarrow{\mathbb{P}} c$（$c$ 为常数），则 $X_n + Y_n \xrightarrow{\mathbb{P}} X + c$，$X_n Y_n \xrightarrow{\mathbb{P}} cX$，且在 $c \neq 0$ 时 $X_n / Y_n \xrightarrow{\mathbb{P}} X / c$。这一定理是渐进统计推断的基石，广泛应用于构造置信区间和检验统计量。

连续映射定理：若 $g$ 是连续函数，则 $X_n \xrightarrow{\mathbb{P}} X$ 蕴含 $g(X_n) \xrightarrow{\mathbb{P}} g(X)$。这一性质使得依概率收敛在非线性变换下保持，极大便利了实际应用。

六、依测度收敛与点态收敛的对比

为加深理解，将依测度收敛与几乎处处收敛作系统对比。几乎处处收敛要求函数值在除零测集外的每个点上趋近极限值，是一种"点态"的收敛概念。依测度收敛则放宽了要求：允许存在一个逐渐缩小的"坏点集"，只要其测度趋于零即可，至于坏点集内部哪些点表现糟糕则无关紧要。这种差异使依测度收敛在积分理论中更具操作弹性，尤其当所讨论的函数空间需要某种度量结构时。

七、总结

依测度收敛是测度论与分析学中的核心概念，它架起了几乎处处收敛、$L^p$ 收敛与一致收敛之间的桥梁，提供了处理函数列收敛问题的灵活框架。从里斯提出的完备性定理，到概率论中大数定律与斯卢茨基定理的广泛应用，依测度收敛在理论与应用两端均展现出深厚价值。理解这一概念及其与其他收敛模式的关系，对深入学习实分析、泛函分析和概率论具有基石意义。

在实际使用中，判断函数列是否依测度收敛通常比判断几乎处处收敛更为简便，因为只需估计偏离超过某阈值的集合测度，而不必逐点分析。这一便利使得依测度收敛成为积分理论（如勒贝格控制收敛定理的推广形式）和概率统计理论中的首选收敛概念之一。