函数序列几乎一致收敛与一致收敛的区别及示例请求

Hey，我来帮你把函数序列的**几乎一致收敛（almost uniform convergence）和一致收敛（uniform convergence）**的区别讲明白，再用具体例子帮你直观理解～

一致收敛（Uniform Convergence） #

简单说就是：对任意给定的小正数$\varepsilon>0$，总能找到一个只和$\varepsilon$有关的正整数$N$，当$n>N$时，**定义域里的每一个点$x$**都满足$|f_n(x) - f(x)| < \varepsilon$。

人话翻译：整个定义域上的函数值是“同步”逼近极限函数的，没有任何一个点拖后腿，所有点的收敛速度是统一可控的。

几乎一致收敛（Almost Uniform Convergence） #

它的要求宽松一些：对任意给定的$\varepsilon>0$，总能找到一个测度（比如长度、面积）小于$\varepsilon$的子集$E$，在定义域去掉$E$后的剩余区域上，$f_n$一致收敛到$f$。

人话翻译：允许存在一个“任意小”的例外区域，在剩下的绝大多数区域里，函数序列是一致收敛的——这个“小”是用测度来衡量的，不是点的数量。

• 收敛覆盖范围：一致收敛要求覆盖整个定义域；几乎一致收敛只需要覆盖“去掉一个测度可任意小的子集”后的区域，允许有小范围的“收敛盲区”。
• 逻辑强度：一致收敛是更强的条件——如果一个序列一致收敛，那它必然几乎一致收敛（直接取例外子集为空集就行，测度为0，肯定小于任意$\varepsilon$）；但反过来，几乎一致收敛的序列不一定能做到整个定义域的一致收敛。
• 适用场景：一致收敛更多出现在基础分析里（比如连续函数序列一致收敛到连续函数，保证极限函数的连续性）；几乎一致收敛是测度论里的概念，和勒贝格积分的收敛定理（比如控制收敛定理）关联更紧密。

例1：几乎一致收敛，但不一致收敛 #

取定义域为$[0,1)$，函数序列$f_n(x) = x^n$，逐点收敛到$f(x)=0$。

• 为什么不一致收敛？
  假设要一致收敛，取$\varepsilon=1/2$，我们需要找到一个$N$，当$n>N$时，所有$x\in[0,1)$都满足$x^n < 1/2$。但你会发现，只要$x$足够接近1（比如$x=(1/2)^{{1/(n+1)}$），$x}n=(1/2)^{n/(n+1)} > 1/2$——不管$N$取多大，总能找到这样的$x$，所以做不到整个定义域的一致收敛。
• 为什么几乎一致收敛？
  对任意$\varepsilon>0$，我们取例外子集$E=[1-\varepsilon,1)$，这个区间的长度（测度）是$\varepsilon$。在剩下的区域$[0,1-\varepsilon]$上，$f_n(x)=x^n \leq (1-\varepsilon)^{n$，当$n$足够大时，$(1-\varepsilon)}n$会小于任意给定的小正数，也就是说在$[0,1-\varepsilon]$上$f_n$一致收敛到0。我们可以让$E$的测度任意小，所以这个序列是几乎一致收敛的。

例2：一致收敛（自然也是几乎一致收敛） #

取定义域为$[0,1]$，函数序列$f_n(x) = \frac{x}{n}$，逐点收敛到$f(x)=0$。
对任意$\varepsilon>0$，取$N=\lceil \frac{1}{\varepsilon} \rceil$，当$n>N$时，对所有$x\in[0,1]$，都有$|\frac{x}{n} - 0| \leq \frac{1}{n} < \varepsilon$——整个定义域上都满足一致收敛的条件，自然也满足几乎一致收敛。

内容的提问来源于stack exchange，提问作者Violeta