测度论三大定理避坑指南：托内利、富比尼与维塔利覆盖-北京尧图网络

1. 从一次积分换序的翻车说起测度论里有一类定理初学的时候觉得“这不废话吗”真到用的时候才发现处处是坑。富比尼定理、托内利定理、维塔利覆盖定理就是典型代表。我第一次在实分析课上接触这三个定理时觉得它们不过是“积分可以交换顺序”“覆盖可以选出不相交子覆盖”这种直觉上显然的结论。直到后来做概率论里的期望计算、做调和分析里的极大算子估计才发现如果搞混了适用条件算出来的结果能离谱到让人怀疑人生。这篇文章面向的是正在学实分析、测度论或者在做概率、分析方向研究时需要频繁处理重积分和覆盖问题的读者。我会把这三个定理拆开揉碎讲清楚它们各自解决什么问题、成立的条件到底是什么、条件不满足时会出什么乱子以及在实际操作中怎么用才不容易翻车。全文基于标准的测度论框架展开涉及的定义和定理陈述以常见教材的约定为准具体的证明细节我会给出思路和关键步骤但不会逐字复现教材。先说结论性的东西托内利定理管的是非负可测函数的累次积分与重积分相等不需要函数可积富比尼定理管的是可积函数的累次积分与重积分相等可积性是前提维塔利覆盖定理则是从一族覆盖中选出“几乎不相交”的子覆盖用来控制极大算子或证明微分定理。三者看似独立但在很多证明里会联合出现比如用维塔利覆盖定理证明富比尼定理的某些变体或者在调和分析中同时用到覆盖引理和积分换序。下面我按“为什么需要这些定理—定理到底说了什么—条件不满足会怎样—实际怎么用”这条线来展开中间会穿插一些我踩过的坑和总结出来的操作要点。2. 托内利定理非负函数为什么可以随便换序2.1 从“面积等于两次积分”的直觉说起给定两个测度空间 $(X, \mathcal{A}, \mu)$ 和 $(Y, \mathcal{B}, \nu)$考虑乘积空间上的非负可测函数 $f(x,y)$。直觉上$f$ 下方区域的“体积”应该等于先对 $y$ 积分再对 $x$ 积分也等于先对 $x$ 积分再对 $y$ 积分。托内利定理说的就是这件事只要 $f \geq 0$ 且可测那么$$\int_{X \times Y} f , d(\mu \times \nu) \int_X \left( \int_Y f(x,y) , d\nu(y) \right) d\mu(x) \int_Y \left( \int_X f(x,y) , d\mu(x) \right) d\nu(y)$$三个量都允许取 $\infty$等式在扩充实数范围内成立。这个定理的美妙之处在于它不需要任何可积性假设。非负性就是它的全部要求。为什么非负性这么关键因为非负函数的积分总是有定义的可以取 $\infty$不存在“$\infty - \infty$”这种未定义的情况。一旦函数变号累次积分可能一个存在一个不存在或者两个都存在但不相等这时候就需要富比尼定理来救场。2.2 单调类论证托内利定理的证明骨架托内利定理的标准证明走的是“从简单到复杂”的路线这也是测度论里证明积分等式最常用的套路。具体分三步第一步对特征函数验证。如果 $f \chi_{A \times B}$其中 $A \in \mathcal{A}$$B \in \mathcal{B}$那么直接计算两边都等于 $\mu(A)\nu(B)$等式成立。对于一般的可测集 $E \in \mathcal{A} \otimes \mathcal{B}$需要用截口和单调类定理来过渡这一步是技术核心。第二步对非负简单函数验证。简单函数是有限个特征函数的非负线性组合利用积分的线性性等式从特征函数推广到简单函数。第三步对非负可测函数验证。取一列单调递增的非负简单函数 $s_n \uparrow f$对每个 $s_n$ 等式成立然后两边取极限。左边用单调收敛定理右边需要先对内层积分用单调收敛定理再对外层积分用一次。这里有个细节内层积分 $\int_Y s_n(x,y) d\nu(y)$ 作为 $x$ 的函数也是可测的且随 $n$ 单调递增所以可以再对外层用单调收敛定理。整个证明的关键技术点在于“截口的可测性”和“单调类定理的应用”。截口可测性说的是如果 $E$ 是乘积可测集那么对几乎所有的 $x$$E_x {y : (x,y) \in E}$ 是 $\mathcal{B}$ 可测的且 $\nu(E_x)$ 作为 $x$ 的函数是 $\mathcal{A}$ 可测的。这个结论本身就需要用单调类定理来证是托内利定理证明中最容易卡住的地方。注意很多教材在证明托内利定理时会先证一个“截口可测性”的引理再证定理本身。如果你在自学时发现证明突然跳步了大概率是跳过了这个引理。2.3 非负性去掉之后托内利定理的边界在哪里托内利定理要求 $f \geq 0$这个条件不能随便去掉。举个经典的反例在 $[0,1] \times [0,1]$ 上定义 $f(x,y)$使得它在某些区域取正值、某些区域取负值并且正部和负部的积分都是无穷大。这时候重积分可能没有定义$\infty - \infty$但两个累次积分可能都有定义且不相等。更具体的例子需要用到条件收敛的级数。考虑在 $\mathbb{N} \times \mathbb{N}$ 上定义 $f(m,n)$使得 $\sum_m \sum_n f(m,n)$ 和 $\sum_n \sum_m f(m,n)$ 收敛到不同的值。这种例子在数分里常见本质上是因为正部和负部的和都是无穷换序改变了“抵消”的方式。实际操作中如果你面对的是一个变号函数想用托内利定理正确的做法是先取绝对值 $|f|$对 $|f|$ 用托内利定理。如果 $\int |f| \infty$那么 $f$ 可积可以进一步用富比尼定理。如果 $\int |f| \infty$那托内利定理帮不了你富比尼定理也用不了这时候累次积分是否相等需要具体问题具体分析。3. 富比尼定理可积性才是换序的通行证3.1 富比尼定理的精确陈述与前提富比尼定理说的是如果 $f$ 在乘积空间上可积即$$\int_{X \times Y} |f| , d(\mu \times \nu) \infty$$那么第一对几乎所有的 $x$$f(x, \cdot)$ 在 $Y$ 上可积对几乎所有的 $y$$f(\cdot, y)$ 在 $X$ 上可积。第二函数 $x \mapsto \int_Y f(x,y) d\nu(y)$ 和 $y \mapsto \int_X f(x,y) d\mu(x)$ 分别在 $X$ 和 $Y$ 上可积。第三重积分等于两个累次积分$$\int_{X \times Y} f , d(\mu \times \nu) \int_X \left( \int_Y f(x,y) , d\nu(y) \right) d\mu(x) \int_Y \left( \int_X f(x,y) , d\mu(x) \right) d\nu(y)$$注意这里的逻辑顺序先有 $|f|$ 的可积性才有后面的一切。$|f|$ 可积保证了 $f$ 的正部和负部分别可积从而 $f$ 的积分有定义且有限。然后对正部和负部分别用托内利定理再相减得到富比尼定理。3.2 验证可积性的实操技巧在实际问题中验证 $\int |f| \infty$ 往往比直接计算累次积分还麻烦。我总结了几种常用的策略策略一用控制函数。如果存在可积函数 $g$ 使得 $|f| \leq g$那么 $f$ 可积。这是最直接的方法在概率论里经常用比如用某个可积的随机变量控制另一个。策略二先算一个累次积分。如果 $\int_X (\int_Y |f(x,y)| d\nu(y)) d\mu(x) \infty$那么由托内利定理$\int |f| \infty$。这个策略的妙处在于你只需要算一个累次积分而且算的是 $|f|$ 的累次积分不涉及符号抵消通常比直接算 $f$ 的积分容易。策略三分区域处理。把乘积空间分成若干区域在每个区域上用不同的控制函数。比如在 $|x| \leq 1$ 的区域用一个控制函数在 $|x| 1$ 的区域用另一个分别验证可积性。策略四用概率论中的独立性。如果 $f(x,y) g(x)h(y)$且 $g$ 和 $h$ 分别可积那么 $f$ 可积且重积分等于两个积分的乘积。这是富比尼定理最简单的应用场景。提示在概率论中富比尼定理常用来交换期望和积分、期望和求和。比如 $E[\sum_n X_n] \sum_n E[X_n]$当 $X_n \geq 0$ 时用托内利单调收敛定理的推论当 $\sum_n E[|X_n|] \infty$ 时用富比尼。3.3 可积性不满足时的经典反例富比尼定理的可积性条件不能减弱。经典的例子是在 $(0,1) \times (0,1)$ 上定义$$f(x,y) \frac{x^2 - y^2}{(x^2 y^2)^2}$$这个函数在原点附近有奇性。直接计算两个累次积分会得到 $\int_0^1 (\int_0^1 f(x,y) dy) dx -\pi/4$ 和 $\int_0^1 (\int_0^1 f(x,y) dx) dy \pi/4$两个值不相等。问题出在哪里出在 $|f|$ 在 $(0,1) \times (0,1)$ 上的积分是无穷大所以富比尼定理不适用。这个例子我印象很深因为第一次看到时觉得“函数明明在原点以外都光滑怎么会不可积”。后来算了一下 $|f|$ 的积分发现原点附近的奇性太强用极坐标变换后径向积分是 $\int_0^1 (1/r) dr \infty$确实不可积。这个例子提醒我函数光滑不代表可积奇性可能藏在某个低维集合附近。另一个常见反例是级数形式的。在 $\mathbb{N} \times \mathbb{N}$ 上定义 $f(m,n)$ 使得 $\sum_m \sum_n f(m,n) \neq \sum_n \sum_m f(m,n)$本质上也是因为 $|f|$ 的双重和发散。这类例子在数分里用来区分“累次极限”和“二重极限”在测度论里用来区分“累次积分”和“重积分”。4. 维塔利覆盖定理从覆盖中选出“几乎不相交”的子覆盖4.1 覆盖引理要解决的核心问题维塔利覆盖定理属于一类叫“覆盖引理”的工具。这类引理的核心思想是给定一族覆盖某个集合的球或区间能否从中选出一族互不相交或几乎不相交的子族使得这些子族“几乎覆盖”原来的集合为什么需要这种引理因为在调和分析中我们经常需要控制极大算子。比如 Hardy-Littlewood 极大函数 $Mf(x) \sup_{r0} \frac{1}{|B(x,r)|} \int_{B(x,r)} |f|$要证明它的弱型估计就需要从覆盖 $E_\alpha {x : Mf(x) \alpha}$ 的一族球中选出不相交的子族然后估计这些球的体积和。维塔利覆盖定理就是干这个的。维塔利覆盖定理有几种版本最常用的是“维塔利覆盖引理”设 $E \subset \mathbb{R}^n$ 被一族球覆盖且这些球的半径有界那么存在可数个互不相交的球 $B_1, B_2, \ldots$使得 $E \subset \bigcup_i 5B_i$其中 $5B_i$ 表示与 $B_i$ 同心、半径为 $5$ 倍的球。这里的“5”不是最优常数但足够用。4.2 维塔利覆盖的证明思路贪心选择加放大维塔利覆盖引理的证明用的是“贪心算法”的思路具体分几步第一步把覆盖球的半径取上确界 $R \sup{r(B) : B \in \mathcal{B}}$。如果 $R \infty$需要先做截断因为定理要求半径有界。截断的方法是只保留半径不超过某个大数的球然后对剩下的部分单独处理。第二步贪心选择。先选一个半径接近 $R$ 的球 $B_1$。然后在与 $B_1$ 不相交的球中选一个半径尽可能大的球 $B_2$。继续这个过程每次在与前面所有球不相交的球中选半径最大的。这样选出来的球列 ${B_i}$ 是互不相交的且半径递减。第三步证明“几乎覆盖”。对任意 $x \in E$存在覆盖球 $B$ 包含 $x$。如果 $B$ 与某个选中的 $B_i$ 相交那么由于 $B_i$ 的半径不小于 $B$ 的半径贪心选择的性质可以证明 $B \subset 5B_i$从而 $x \in 5B_i$。如果 $B$ 与所有选中的 $B_i$ 都不相交那么 $B$ 应该在贪心过程中被选中矛盾。这里需要用到半径递减和贪心选择的性质。第四步处理“可数”的问题。选出来的球列可能是有限的也可能是可数的。如果是可数的需要证明这些球的体积和有限这样才能做估计。体积和有限是因为这些球互不相交且都包含在某个有界区域内半径有界加上覆盖集合有界。注意维塔利覆盖引理中的“5”可以换成“3”在某些条件下但“5”是最通用的。不同的教材可能用不同的常数比如有的用“3”有的用“2”但证明思路类似只是技术细节不同。4.3 维塔利覆盖定理的变体与适用场景维塔利覆盖定理有几个常见的变体适用于不同的场景变体一无界半径版本。如果覆盖球的半径无界需要先做“截断”把半径分成若干层每层用一次维塔利覆盖引理然后把结果合并。这个版本在证明极大算子的强型估计时用到。变体二维塔利型覆盖。如果覆盖球满足“维塔利型条件”即对每个球 $B$存在一个“中心”点 $x_B$使得 $x_B \in B$ 且对任意包含 $x_B$ 的球 $B$如果 $B$ 与 $B$ 相交则 $B$ 的半径不小于 $B$ 的某个倍数。这个条件比“球”的条件更一般适用于非欧空间或度量空间。变体三Besicovitch 覆盖定理。这是维塔利覆盖定理的“加强版”它不要求球互不相交而是要求每个点被有限个球覆盖。Besicovitch 覆盖定理在证明微分定理和极大算子估计时更灵活但证明也更复杂。在实际操作中选择哪个变体取决于你要证明的结论。如果只需要“几乎不相交”的子覆盖维塔利覆盖引理就够了。如果需要更精细的控制比如每个点被覆盖的次数有界那就需要 Besicovitch 覆盖定理。5. 三个定理的联合应用从理论到实操5.1 用维塔利覆盖定理证明富比尼定理的变体富比尼定理的标准证明不需要维塔利覆盖定理但在某些变体中比如“局部富比尼定理”或“带权富比尼定理”维塔利覆盖定理会派上用场。比如考虑一个带权测度 $w(x) dx$要证明重积分等于累次积分可能需要用维塔利覆盖定理来控制权函数在球上的平均行为。更常见的联合应用是在调和分析中。比如证明某个算子的 $L^p$ 有界性时先用维塔利覆盖定理得到弱型估计再用富比尼定理交换积分顺序最后用托内利定理处理非负部分。这个流程在 Calderón-Zygmund 理论中反复出现。5.2 概率论中的积分换序从期望到条件期望在概率论中富比尼定理和托内利定理是处理期望和条件期望的基本工具。比如要证明 $E[E[X|\mathcal{G}]] E[X]$本质上就是用富比尼定理交换积分顺序。如果 $X \geq 0$用托内利定理就够了如果 $X$ 变号需要 $E[|X|] \infty$。条件期望的另一个常见操作是“塔性质”$E[E[X|\mathcal{G}]|\mathcal{H}] E[X|\mathcal{H}]$当 $\mathcal{H} \subset \mathcal{G}$ 时。这个性质的证明也需要用富比尼定理把条件期望写成积分形式然后交换积分顺序。提示在概率论中验证 $E[|X|] \infty$ 往往比在测度论中容易因为概率测度是有限的总质量为1。所以富比尼定理在概率论中的应用比在一般测度论中更广泛。5.3 调和分析中的极大算子估计维塔利覆盖的主战场Hardy-Littlewood 极大算子的弱型 $(1,1)$ 估计是维塔利覆盖定理最经典的应用。证明思路是对 $E_\alpha {x : Mf(x) \alpha}$每个 $x \in E_\alpha$ 对应一个球 $B_x$ 使得 $\int_{B_x} |f| \alpha |B_x|$。用维塔利覆盖定理从 ${B_x}$ 中选出互不相交的子族 ${B_i}$使得 $E_\alpha \subset \bigcup_i 5B_i$。然后估计$$|E_\alpha| \leq \sum_i |5B_i| 5^n \sum_i |B_i| \leq \frac{5^n}{\alpha} \sum_i \int_{B_i} |f| \leq \frac{5^n}{\alpha} \int |f|$$这里用到了 $B_i$ 互不相交所以 $\sum_i \int_{B_i} |f| \leq \int |f|$。这个估计给出了 $M$ 的弱型 $(1,1)$ 界常数是 $5^n$。虽然这个常数不是最优的但足够用。这个证明我反复看过很多遍每次都有新的体会。最关键的一步是“$E_\alpha \subset \bigcup_i 5B_i$”这一步用到了维塔利覆盖引理的“几乎覆盖”性质。如果没有这个性质后面的估计就做不下去。5.4 三个定理的适用边界对比为了更清楚地看出三个定理的适用边界我整理了一个对比表格定理核心结论关键条件不满足条件时的后果典型应用场景托内利定理非负可测函数的重积分等于累次积分$f \geq 0$ 且可测变号函数可能累次积分不相等非负函数的积分换序、单调收敛定理的推论富比尼定理可积函数的重积分等于累次积分$\intf \infty$维塔利覆盖定理从覆盖中选出几乎不相交的子覆盖覆盖球半径有界半径无界时需要截断处理极大算子估计、微分定理、覆盖引理这个表格我放在笔记里经常翻看每次遇到积分换序或覆盖问题先对照表格确认适用条件能避免很多低级错误。6. 踩坑实录那些年我搞混的条件6.1 把托内利定理用在变号函数上这是我最早踩的坑。当时在算一个概率密度函数的期望函数在某些区域取负值我直接用托内利定理交换了积分顺序算出来的结果和模拟结果对不上。后来检查发现函数不满足非负性托内利定理不适用。正确的做法是先取绝对值验证 $E[|X|] \infty$然后用富比尼定理。这个坑的教训是托内利定理的“非负”条件不是装饰是核心。看到变号函数第一反应应该是“能不能用富比尼”而不是“能不能用托内利”。6.2 忘记验证可积性直接换序富比尼定理要求 $\int |f| \infty$这个条件我有时候会忘记验证。特别是在概率论中因为概率测度有限我有时候会想当然地认为“期望总是有限的”。但实际上即使概率测度有限随机变量的期望也可能无穷。比如柯西分布的期望就不存在这时候用富比尼定理交换期望和积分就会出问题。正确的做法是每次用富比尼定理之前先花一分钟验证 $E[|X|] \infty$。如果验证不了就退回到托内利定理如果函数非负或者用截断函数逼近。6.3 维塔利覆盖定理中的“5”被忽略维塔利覆盖引理中的“5”是一个放大常数意思是选出的不相交球放大5倍后能覆盖原集合。我一开始以为这个“5”可以随便换成“1”后来发现不行。如果换成“1”选出的不相交球可能无法覆盖原集合因为原集合中的点可能落在两个不相交球的“缝隙”里。这个“5”的来源是如果 $B$ 与 $B_i$ 相交且 $r(B) \leq r(B_i)$那么 $B \subset 5B_i$。这个包含关系需要 $5$ 倍放大才能保证。如果只放大 $2$ 倍或 $3$ 倍在某些几何构型下可能不成立。注意不同的教材可能用不同的常数比如有的用“3”有的用“2”但证明思路类似只是技术细节不同。关键是理解“放大”的必要性而不是纠结于具体常数。6.4 维塔利覆盖定理的“可数”条件维塔利覆盖引理选出的球列是可数的这个“可数”条件有时候会被忽略。如果覆盖球族是不可数的贪心选择的过程可能选出一个不可数的子族这时候体积和的估计就做不下去了。证明中需要用到“可数”性质来保证体积和有限。这个坑我在做调和分析习题时踩过。当时用维塔利覆盖定理选出了一个不可数的子族然后试图估计体积和发现根本估不下去。后来重新检查证明发现贪心选择的过程需要保证每一步选出的球是“可数”的这需要用到覆盖球族的“可数”性质或者“分离”性质。7. 实操建议怎么用才不容易翻车7.1 积分换序的检查清单每次遇到积分换序的问题我建议按以下清单检查函数是否非负如果是用托内利定理不需要验证可积性。函数是否变号如果是先验证 $\int |f| \infty$。验证方法可以是找控制函数、算一个累次积分、或者分区域处理。如果 $\int |f| \infty$ 验证不了考虑用截断函数逼近。定义 $f_N f \cdot \chi_{{|f| \leq N}}$对 $f_N$ 用富比尼定理然后令 $N \to \infty$用单调收敛定理或控制收敛定理过渡。如果函数在某个低维集合上有奇性考虑用极坐标变换或分层处理。这个清单我贴在书桌前每次做积分换序的题都会对照检查能避免大部分低级错误。7.2 维塔利覆盖定理的使用要点使用维塔利覆盖定理时注意以下几点第一确认覆盖球的半径有界。如果无界先做截断把半径分成若干层每层用一次维塔利覆盖引理。第二确认覆盖球族是可数的或者有分离性质。如果不可数需要先做可数化处理。第三记住放大常数“5”的作用。在估计体积和时不要忘记乘以 $5^n$。第四如果覆盖球不是标准的欧氏球而是更一般的集合需要验证“维塔利型条件”是否满足。7.3 三个定理的联合使用流程在实际问题中三个定理经常联合使用。我总结了一个典型的流程第一步用维塔利覆盖定理从覆盖中选出几乎不相交的子覆盖得到某个集合的覆盖估计。第二步用托内利定理处理非负部分的积分换序得到初步的积分估计。第三步用富比尼定理处理变号部分的积分换序得到最终的积分等式或不等式。这个流程在调和分析和概率论中反复出现熟练掌握后能大大提高证明效率。7.4 常见误区与纠正最后列几个我见过的常见误区误区一认为托内利定理对变号函数也成立。纠正托内利定理只对非负函数成立变号函数需要用富比尼定理。误区二认为富比尼定理不需要验证可积性。纠正富比尼定理的核心条件就是 $\int |f| \infty$不验证可积性直接用会出问题。误区三认为维塔利覆盖定理选出的球是互不相交的。纠正选出的球是互不相交的但覆盖原集合时需要放大放大后的球可能相交。误区四认为维塔利覆盖定理中的“5”可以随便换成“1”。纠正“5”是保证覆盖性质的最小放大常数之一换成“1”可能不成立。这些误区我在学习和教学过程中都遇到过写出来希望能帮到正在学这部分内容的读者。实分析里的定理往往条件多、细节繁琐但一旦理解了每个条件的作用用起来就会得心应手。

测度论三大定理避坑指南：托内利、富比尼与维塔利覆盖

相关推荐

AMD OpenClaw 本地部署：用万元工作站跑 AI 智能体，值不值？

缓冲池、B+树、锁与日志恢复：数据库内核实验代码包实战

用Python绘制二维图：从选型到避坑的完整指南

更多资讯

机器人大赛工业测量源码拆解：OpenCV标定与亚像素圆拟合实战

JavaScript公式编辑器实现指南：从MathLive选型到LaTeX双向绑定与踩坑

DH2URDF：用JavaScript将DH参数表自动生成MoveIt可用URDF

Kotlin客户端+Java服务端外卖App实战：从课程设计到可运行项目

动态组件与异步组件加载优化：从原理到实战

电商全类目属性SQL建模与递归CTE查询实战

今日更新

PHP htmlentities()函数用法讲解

AI Agent工程实战：从七要素到七个决策点的系统设计指南

AI入局芯片设计验证：验证收敛50倍加速的真相与应对

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？