均值函数的可积性验证及高维推广问题

你好呀！你的思路完全没问题，咱们把这个问题理得更清楚一点：

一、一维情况的可积性验证 #

你的积分估计方向是对的，还可以把推导的严谨性再补全一点点：

要证明 ( u_\epsilon \in L^1(I) )，核心是估计 ( \int_I |u_\epsilon(t)| dt ) 的上界。你写出的第一步不等式：
[
\int_{I}|u_{\epsilon}(t)|dt\leq\frac{1}{\epsilon}\int_{I}\int_{t-\epsilon}^{t}|u(s)|dsdt
]
这是直接利用积分的三角不等式，完全成立。

接下来的关键是交换积分顺序——因为被积函数 ( |u(s)| ) 是非负可测的，根据富比尼定理，我们可以调换积分顺序：
[
\frac{1}{\epsilon}\int_{I}\int_{t-\epsilon}^{t}|u(s)|dsdt = \frac{1}{\epsilon}\int_{\mathbb{R}} |u(s)| \cdot \left( \text{满足 } t \in I \text{ 且 } t \in [s, s+\epsilon] \text{ 的 } t \text{ 的测度} \right) ds
]
由于 ( u ) 在 ( I ) 外为0，所以只需要考虑 ( s ) 落在 ( I ) 向左延伸ε的邻域内。对于每个这样的 ( s )，满足条件的 ( t ) 的集合是 ( [s, s+\epsilon] \cap I )，它的测度显然不超过 ( \epsilon )。结合 ( u ) 的可积性，就能得到：
[
\frac{1}{\epsilon}\int_{\mathbb{R}} |u(s)| \cdot \min(\epsilon, |[s, s+\epsilon] \cap I|) ds \leq \frac{1}{\epsilon} \cdot \epsilon \cdot |u|{L^1(\mathbb{R})} = |u|{L^1(I)} < \infty
]
你原来的推导里用 ( \int_I |u(s)|ds ) 估计，得到的上界 ( \frac{|I|}{\epsilon}|u|1 ) 虽然偏宽松，但同样能说明积分有限，所以结论完全成立：( u\epsilon \in L^1(I) )。

二、高维推广的可行性 #

当然可以推广到高维！咱们以 ( n ) 维欧氏空间为例：

假设 ( I \subset \mathbb{R}^n ) 是有界开集，先把 ( u \in L^1(I) ) 延拓到 ( I ) 外为0，定义滑动平均（也叫Steklov平均）：
[
u_\epsilon(x) = \frac{1}{\epsilon^n} \int_{x_1-\epsilon}^{x_1} \int_{x_2-\epsilon}^{x_2} \dots \int_{x_n-\epsilon}^{x_n} u(y_1, y_2, \dots, y_n) dy_1 dy_2 \dots dy_n
]
（换成以 ( x ) 为中心、半径ε的球型平均，结论也是一样的）

同样用富比尼定理估计积分：
[
\int_I |u_\epsilon(x)| dx \leq \frac{1}{\epsilon^n} \int_I \int_{Q_\epsilon(x)} |u(y)| dy dx
]
这里 ( Q_\epsilon(x) ) 是 ( x ) 对应的“左ε立方体”。交换积分顺序后，式子变成：
[
\frac{1}{\epsilon^n} \int_{\mathbb{R}^n} |u(y)| \cdot \left| { x \in I \mid y \in Q_\epsilon(x) } \right| dy
]
其中 ( |\cdot| ) 表示集合的测度。注意到 ( y \in Q_\epsilon(x) ) 等价于 ( x \in y + [0, \epsilon]^n )，所以 ( { x \in I \mid y \in Q_\epsilon(x) } = I \cap (y + [0, \epsilon]^n) )，它的测度不超过 ( \epsilon^n )。结合 ( u ) 的可积性，就能得到：
[
\frac{1}{\epsilon^n} \int_{\mathbb{R}^n} |u(y)| \cdot \epsilon^n dy = |u|{L^1(I)} < \infty
]
这就说明高维情况下的 ( u\epsilon ) 同样属于 ( L^1(I) )。

简单总结一下：不管是一维还是高维，这种滑动平均操作都能保持函数的 ( L^1 ) 可积性，你的初始推导完全正确，补全交换积分顺序的细节后会更严谨哦～

备注：内容来源于stack exchange，提问作者Emiya