函数序列

函数序列（sequence of functions）是指一列定义在相同定义域上的函数按某种顺序排列而成的集合，通常记为 $\{f_n\}_{n=1}^{\infty}$ 或 $(f_n)_{n\in\mathbb{N}}$。函数序列是数学分析、泛函分析和逼近论中的核心概念，其研究的核心问题是序列的收敛性及其极限函数的性质。对函数序列收敛模式的深入理解，是掌握现代分析学的基础。

定义

设 $X$ 为非空集合，$Y$ 为赋范空间（或更一般的拓扑空间）。若对每个自然数 $n$，都有一个函数 $f_n: X \to Y$ 与之对应，则称 $\{f_n\}_{n=1}^{\infty}$ 为 $X$ 上的一个 函数序列。当 $Y = \mathbb{R}$ 时称为实值函数序列，当 $Y = \mathbb{C}$ 时称为复值函数序列。在更一般的情形中，$Y$ 可以是 Banach 空间或 Hilbert 空间。

函数序列的概念是数列的直接推广：数列可以看作定义域为单点集或可数集的函数序列。函数项级数 $\sum_{n=1}^{\infty} u_n(x)$ 则是通过部分和 $S_n(x) = \sum_{k=1}^n u_k(x)$ 与函数序列建立联系——函数项级数的收敛性等价于其部分和函数序列的收敛性。

逐点收敛

设 $\{f_n\}$ 是定义在集合 $X$ 上的函数序列，$f$ 是定义在 $X$ 上的函数。若对任意 $x \in X$ 和任意 $\varepsilon > 0$，存在 $N = N(x, \varepsilon) \in \mathbb{N}$，使得当 $n > N$ 时，有

则称 $\{f_n\}$ 逐点收敛 于 $f$，记为 $f_n \to f$（逐点）或 $\lim_{n\to\infty} f_n(x) = f(x)$（$\forall x \in X$）。

逐点收敛只要求在每一点处函数值序列收敛到该点的极限值，各点的收敛速度可以不同。换言之，$N$ 的选取依赖于点 $x$ 和精度 $\varepsilon$。

例 1：考虑函数序列 $f_n(x) = x^n$，定义域 $X = [0,1]$。当 $0 \le x < 1$ 时，$\lim_{n\to\infty} x^n = 0$；当 $x = 1$ 时，$\lim_{n\to\infty} 1^n = 1$。因此该序列逐点收敛于

0, \& 0 \le x < 1,\\

注意极限函数 $f$ 在 $x=1$ 处不连续，尽管每个 $f_n$ 都是连续函数。这说明逐点收敛一般不能保持函数的光滑性质（如连续性、可微性、可积性）。

例 2：$f_n(x) = \frac{\sin(nx)}{n}$ 在 $\mathbb{R}$ 上逐点收敛于 $f(x) = 0$。事实上，$|f_n(x)| \le \frac{1}{n} \to 0$，且收敛速度与 $x$ 无关，因此它实际上是一致收敛的。

一致收敛

若对任意 $\varepsilon > 0$，存在 $N = N(\varepsilon) \in \mathbb{N}$（与 $x$ 无关），使得当 $n > N$ 时，对所有 $x \in X$ 同时有

则称 $\{f_n\}$ 一致收敛 于 $f$，记为 $f_n \rightrightarrows f$。

一致收敛的核心在于 $N$ 仅依赖于 $\varepsilon$ 而不依赖于 $x$，即要求所有点上的收敛速度具有同步性。从几何上看，这等价于存在 $N$ 使得当 $n > N$ 时，函数 $f_n$ 的图像完全落在以 $f$ 的图像为中心、宽度为 $2\varepsilon$ 的带状区域内。

一致收敛的柯西准则：函数序列 $\{f_n\}$ 在 $X$ 上一致收敛当且仅当对任意 $\varepsilon > 0$，存在 $N \in \mathbb{N}$，使得当 $m, n > N$ 时，对所有 $x \in X$ 有

魏尔斯特拉斯 M 判别法：若存在收敛的正项级数 $\sum_{n=1}^{\infty} M_n$，使得对每个 $n$ 和所有 $x \in X$ 均有 $|f_n(x)| \le M_n$，则函数项级数 $\sum_{n=1}^{\infty} f_n(x)$ 在 $X$ 上一致收敛。

一致收敛与逐点收敛的关系

一致收敛必然蕴含逐点收敛，但反之不然。仍以 $f_n(x) = x^n$ 在 $[0,1]$ 上为例，它在 $[0,1]$ 上逐点收敛但不一致收敛，因为在 $x$ 接近 $1$ 时收敛速度任意慢。更精确地说，对任意 $n$ 和任意 $\varepsilon > 0$，总存在足够靠近 $1$ 的 $x$ 使得 $x^n > \varepsilon$，因此无法找到对全定义域一致的 $N$。

另一个经典反例是 $f_n(x) = n x (1-x)^n$ 在 $[0,1]$ 上，它逐点收敛于 $f(x) = 0$，但 $\sup_{x\in[0,1]} |f_n(x)| \to \infty$，因此不一致收敛。

Dini 定理

Dini 定理给出了单调函数序列一致收敛的一个充分条件：若 $\{f_n\}$ 是定义在紧集 $K$ 上的连续函数序列，逐点收敛于连续函数 $f$，且对每个 $x \in K$，序列 $\{f_n(x)\}$ 单调（即 $f_{n+1}(x) \le f_n(x)$ 或 $f_{n+1}(x) \ge f_n(x)$ 对所有 $n$ 成立），则 $f_n \rightrightarrows f$ 于 $K$ 上。

Dini 定理的重要性在于，它仅利用单调性就将逐点收敛提升为一致收敛，无需额外的分析条件。该定理在 Fourier 级数的一致收敛性证明和逼近论中有重要应用。

Arzelà–Ascoli 定理

Arzelà–Ascoli 定理是函数序列理论中里程碑式的结果，它刻画了连续函数空间中紧集的本质特征：定义在紧度量空间 $K$ 上的连续函数序列 $\{f_n\}$ 有一致收敛的子列，当且仅当该序列是一致有界且等度连续的。其中等度连续是指对任意 $\varepsilon > 0$，存在 $\delta > 0$，使得对任意 $n$ 和任意满足 $d(x,y) < \delta$ 的 $x,y \in K$，有 $|f_n(x) - f_n(y)| < \varepsilon$。

该定理是泛函分析中列紧性理论的基石，在微分方程解的存在性证明（Peano 存在定理）和复分析中 Normal 族理论中发挥着根本性作用。

一致收敛的性质

一致收敛的重要性主要体现在以下三个基本定理中：

1. 连续性保持：若每个 $f_n$ 在 $x_0$ 处连续，且 $f_n \rightrightarrows f$，则 $f$ 也在 $x_0$ 处连续。换言之，一致收敛的连续函数序列的极限函数必连续。

1. 与积分的交换：若 $f_n$ 在闭区间 $[a,b]$ 上黎曼可积且 $f_n \rightrightarrows f$，则 $f$ 在 $[a,b]$ 上黎曼可积，且极限与积分可交换顺序：

1. 与微分的交换：若 $f_n$ 在 $[a,b]$ 上可微，$f_n'$ 在 $[a,b]$ 上一致收敛，且 $\{f_n\}$ 在某点 $x_0 \in [a,b]$ 收敛，则 $f_n$ 一致收敛于某个可微函数 $f$，且

其他收敛模式

除逐点收敛与一致收敛外，在实分析和泛函分析中还有以下重要的收敛概念：

• 几乎处处收敛（almost everywhere convergence）：在测度空间上，除去一个零测集外逐点收敛。这是概率论中随机变量收敛的基本模式。
• 依测度收敛（convergence in measure）：对任意 $\varepsilon > 0$，有 $\mu(\{x: |f_n(x)-f(x)| \ge \varepsilon\}) \to 0$（当 $n \to \infty$）。
• $L^p$ 收敛（$L^p$ convergence）：$\|f_n - f\|_p = \left(\int_X |f_n - f|^p\,d\mu\right)^{1/p} \to 0$，其中 $1 \le p < \infty$。
• 内闭一致收敛（uniform convergence on compact sets）：在定义域的任意紧子集上一致收敛。这是复分析中解析函数序列常用的收敛模式。

这些收敛模式之间的关系（如 Riesz 定理指出依测度收敛的子列几乎处处收敛，Vitali 收敛定理建立了 $L^p$ 收敛与依测度收敛及一致可积性之间的联系）是实变函数论和泛函分析中的重要主题。

应用

函数序列的理论广泛应用于 Fourier 级数的收敛性分析、Weierstrass 逼近定理（用多项式一致逼近连续函数）、微分方程解的存在性与正则性分析，以及数值分析中有限元方法和谱方法的收敛性证明等众多领域。此外，在概率论中，经验分布函数的 Glivenko-Cantelli 定理本质上是一致收敛定理；在遍历论中，Birkhoff 逐点遍历定理是几乎处处收敛的深刻结果。理解不同收敛模式的强弱关系及其对函数性质的影响，是深入研究现代分析学及其应用的重要基础。