研究生数学 · 测度论基础：σ-代数、勒贝格积分与收敛定理

测度论基础：σ-代数、勒贝格积分与收敛定理

Measure Theory · 把"长度/概率"严格化

【章首引子】概率论里"概率"到底是什么？为什么能无穷多个事件取极限？答案都在测度论里：它把"长度、面积、体积、概率"统一成一个叫测度的东西，并给出"积分与极限交换"的合法条件。深度学习里的期望、收敛、KL 散度，严格地基都是这一章。

卡必背公式 / 记忆口诀

σ-代数：对补与可数并封闭

测度：μ(∪Aₙ)=Σμ(Aₙ) 可数可加

三大收敛：Levi / Fatou / DCT

Holder：‖fg‖₁≤‖f‖ₚ‖g‖q

口诀：先建 σ-代数，再给测度，积分从示性函数搭起来

① 是什么：从长度到测度

啥测度论在严格化什么

① σ-代数：样本空间 Ω 上的一簇子集 F，满足：Ω∈F；A∈F ⇒ Aᶜ∈F；A₁,A₂,…∈F ⇒ ∪Aₙ∈F。即对补和可数并封闭。Borel σ-代数：实数轴上由所有开区间生成的 σ-代数，是日常概率事件的容器。

② 测度：μ: F→[0,∞] 满足 μ(∅)=0 且可数可加：Aₙ 两两不交时 μ(∪Aₙ)=Σμ(Aₙ)。概率测度额外要求 μ(Ω)=1。

③ 可测函数与勒贝格积分：f: Ω→ℝ 可测，若 {f≤a}∈F 对所有 a。积分从示性函数 1_A 开始：∫1_A dμ=μ(A)；线性延拓到简单函数，再单调逼近到一般可测函数。

图 32.1：黎曼积分（竖条切 x）vs 勒贝格积分（横条切 y）

② 三大收敛定理

证交换积分与极限的三把钥匙

① 单调收敛（Levi）：0≤f₁↑f（逐点单调不减）⇒ ∫fₙ dμ ↑ ∫f dμ。② Fatou 引理：fₙ≥0 ⇒ ∫liminf fₙ dμ ≤ liminf ∫fₙ dμ（极限下积分不超积分的下极限）。③ 控制收敛（DCT）：fₙ→f 逐点（或 a.e.），且 |fₙ|≤g 可积 ⇒ lim ∫fₙ = ∫f。L^p 空间：L^p={f: ∫|f|ᵖdμ<∞}，范数 ‖f‖ₚ=(∫|f|ᵖ)^{1/p}。赫尔德：1/p+1/q=1 ⇒ ∫|fg|≤‖f‖ₚ‖g‖_q。闵可夫斯基：‖f+g‖ₚ≤‖f‖ₚ+‖g‖ₚ（三角不等式）。

直觉：黎曼积分只驯服"整齐"的函数；勒贝格积分通过横切 y 值，能积那些高度震荡、甚至反常的函数。经典例子： Dirichlet 函数（有理数上 1、无理数上 0）黎曼不可积，但勒贝格可积，积分=0（有理数集测度为 0）。

DCT 为什么需要控制函数 g：没有 g 压住，fₙ 的质量可能"逃逸到无穷远处"（如 fₙ=n·1_{[n,n+1/n]}，逐点→0 但积分恒为 1），极限交换失败。DCT 说"只要所有 fₙ 被一个可积 g 罩住"，交换就合法。

③ 例题

例1：用 DCT 求 lim ∫₀ⁿ (1+x/n)ⁿ e^{−2x} dx

【审题】(1+x/n)ⁿ→eˣ。

思路：找控制函数。

逐步：x≥0 时 (1+x/n)ⁿ≤eˣ，故被积函数 ≤ eˣ·e^{−2x}=e^{−x}，可积。DCT ⇒ 极限=∫₀^∞ eˣe^{−2x}dx=∫₀^∞e^{−x}dx=1。

例2：赫尔德不等式的应用

【审题】1/p+1/q=1，估计 ∫|fg|。

思路：直接套。

逐步：取 p=q=2（柯西–施瓦茨）：∫|fg|≤√(∫f²)√(∫g²)。这是向量内积不等式在函数空间的版本，也是深度学习里"正交化、余弦相似度"的严格来源。

例3：Fatou 引理的"损失"方向

【审题】fₙ=1_{[n,n+1]}。

思路：逐点→0 但积分恒 1。

逐步：∫liminf fₙ=∫0=0 ≤ liminf∫fₙ=1。Fatou 给出严格不等号——这正是"质量逃逸"，DCT 在此失效（无统一可积控制函数）。

测度论核心公式 σ-代数：对补、可数并封闭；Borel 由开区间生成
测度可数可加：μ(∪Aₙ)=Σμ(Aₙ)；概率测度 μ(Ω)=1
Levi（单调↑）/ Fatou（liminf）/ DCT（有控制 g 可交换极限）
Holder：∫|fg|≤‖f‖ₚ‖g‖_q（1/p+1/q=1）；Minkowski：‖f+g‖ₚ≤‖f‖ₚ+‖g‖ₚ

④ AI 落点

稳定性

AI 落点 1：期望与 KL 散度

期望 E[f]=∫f dP 是勒贝格积分；KL(p‖q)=∫p log(p/q)dμ 定义了概率分布间的"距离"，是 VAE、InfoNCE 的损失根基。

算法

AI 落点 2：大数定律

蒙特卡洛采样、SGD 的收敛性靠 LLN（测度论版本）：样本均值依概率/几乎必然收敛到期望。

稳定性

AI 落点 3：L^p 与归一化

权重的 L2 范数、激活的 LayerNorm、谱归一化都是 L^p 范数；Holder/Minkowski 给出范数运算的代数。

算法

AI 落点 4：几乎必然收敛

"几乎必然"(a.s.)=除一个零测集外成立；随机梯度的收敛保证常写成 a.s. 或依分布。

⑤ 延展

展知识衔接地图

往本科走：数学分析的黎曼积分、概率论的古典概率是直观来源。

往算法走：测度 → 严格概率论与随机过程；L^p → 泛函分析与 RKHS；DCT → 统计估计的渐近理论。

思维陷阱

以为任何集合都能测。存在不可测集（Vitali 集），所以测度必须定义在 σ-代数上，不是全体幂集。

交换极限不验证条件。逐点收敛不足以交换积分（例3 的质量逃逸），必须有单调性（Levi）或控制函数（DCT）。

混淆几乎处处与处处。"a.e."允许在零测集上失败；概率论里"a.s."允许在概率 0 的事件上失败——工程上可忽略，但证明里要写清。

练习

【基础】μ 是测度，A⊂B，比较 μ(A) 与 μ(B)。

查看解答

B=A∪(B∖A) 不交，μ(B)=μ(A)+μ(B∖A)≥μ(A)，测度单调。

【自评反馈】对 → 下一题。

【进阶】fₙ=n·1_{[0,1/n]}，逐点极限是什么？∫fₙ 是多少？DCT 适用吗？

查看解答

x>0 eventually fₙ(x)=0，fₙ(0)=n；逐点极限=0（除 0 点）。∫fₙ=1。无统一可积控制（g≥fₙ 需 ∫g≥1 但 g(0)=∞），DCT 不适用。

【自评反馈】对 → 下一题。

【挑战】用 Holder 证明 ‖f‖₁≤‖f‖₂（在概率空间 μ(Ω)=1）。

查看解答

取 g=1：∫|f·1|≤‖f‖₂‖1‖₂=‖f‖₂·√μ(Ω)=‖f‖₂，因 μ(Ω)=1。

记

小结卡

① σ-代数是事件的容器，测度是可数可加的"长度/概率"。

② 勒贝格积分从示性函数单调逼近建立；Levi/Fatou/DCT 给出交换极限的三把钥匙。

③ L^p 空间 + Holder/Minkowski 是函数的"向量空间"，深度学习的范数、KL、收敛都建立其上。