函数列的一致收敛（uniform convergence）与点态收敛（pointwise convergence）

为什么要区分这两种收敛

对于普通数列（sequence），我们说

$$1,\ \frac12,\ \frac13,\ \cdots \to 0$$

是因为每一项都是实数，极限也是实数。

而函数列（sequence of functions）的情形是，每一项都是一个函数。例如

$$1,\ 1+x,\ 1+x+\frac{x^2}{2!},\ 1+x+\frac{x^2}{2!}+\frac{x^3}{3!},\ \cdots$$

在每个固定的 $x$ 上都趋向于 $e^x$。但函数列的收敛并不只有一种理解方式，这就引出了点态收敛（pointwise convergence）与一致收敛（uniform convergence）。

精确定义

设 $I$ 是一个定义域（domain），$\{f_n\}$ 是定义在 $I$ 上的函数列，$f$ 是定义在 $I$ 上的极限函数（limit function）。

点态收敛（pointwise convergence）

如果对每个固定的 $x\in I$，都有

$$\lim_{n\to\infty} f_n(x)=f(x),$$

则称 $f_n$ 在 $I$ 上点态收敛到 $f$。点态收敛也常被口语地叫作“点点收敛”。

等价地，它可以写成

$$\forall x\in I,\ \forall \varepsilon>0,\ \exists N=N(\varepsilon,x)\in\mathbb N, \quad n\ge N \Longrightarrow |f_n(x)-f(x)|<\varepsilon.$$

这里最关键的是：$N$ 可以依赖于 $x$。

一致收敛（uniform convergence）

如果对任意 $\varepsilon>0$，存在一个只依赖于 $\varepsilon$ 的整数 $N$，使得对所有 $x\in I$ 同时都有

$$|f_n(x)-f(x)|<\varepsilon \qquad (n\ge N),$$

则称 $f_n$ 在 $I$ 上一致收敛到 $f$。等价地，

$$\forall \varepsilon>0,\ \exists N=N(\varepsilon)\in\mathbb N,\ \forall x\in I, \quad n\ge N \Longrightarrow |f_n(x)-f(x)|<\varepsilon.$$

这里最关键的是：$N$ 不能依赖于 $x$，它必须同时控制整个定义域上的误差（error）。

最核心的区别

点态收敛里，$N$ 可以随着点 $x$ 改变；一致收敛里，$N$ 只能依赖于 $\varepsilon$，不能依赖于 $x$。

所以可以把它们记成一句很直观的话：

• 点态收敛（pointwise convergence）：一个点一个点地收敛。
• 一致收敛（uniform convergence）：整条曲线一起收敛。

图像理解：epsilon 带（epsilon band）

把极限函数 $f$ 的图像上下各平移 $\varepsilon$，就得到一个宽度为 $2\varepsilon$ 的条带：

$$f(x)-\varepsilon < f_n(x) < f(x)+\varepsilon.$$

如果当 $n$ 足够大时，整条曲线 $f_n$ 都能完全落入这个条带，并且对所有 $x\in I$ 同时成立，那么这就是一致收敛。

例子 1：一个一致收敛的函数列

考虑

$$f_n(x)=x^2+\frac{1}{x+n}, \qquad x\in[0,2].$$

对每个固定的 $x$，显然有

$$f_n(x)\to x^2=:f(x).$$

更重要的是

$$|f_n(x)-f(x)|=\frac{1}{x+n}\le \frac{1}{n},$$

于是

$$\sup_{x\in[0,2]} |f_n(x)-f(x)|=\frac{1}{n}\to 0.$$

所以 $f_n$ 在 $[0,2]$ 上一致收敛到 $f(x)=x^2$。这个例子的关键在于：不仅每个点上的误差会变小，而且整段区间上的最大误差（maximum error）也被同一个上界 $\frac1n$ 控住了。

例子 2：点态收敛但不一致收敛的经典反例

考虑经典函数列

$$f_n(x)=x^n,\qquad x\in[0,1].$$

对每个固定的 $x\in[0,1)$，有 $x^n\to 0$；但在 $x=1$ 处，始终有 $f_n(1)=1$。因此点态极限函数是

$$f(x)= \begin{cases} 0, & 0\le x<1,\\ 1, & x=1. \end{cases}$$

也就是说，$f_n$ 在 $[0,1]$ 上点态收敛到 $f$。但是它不是一致收敛，因为

$$\sup_{x\in[0,1]} |f_n(x)-f(x)|=1$$

对所有 $n$ 都成立，根本不会趋于 $0$。直观地说，在远离 $1$ 的地方，曲线确实越来越靠近 $0$；但只要靠近 $x=1$，就总还能找到一些点，使得函数值明显偏离极限函数。

这个反例还顺带说明：连续函数列（continuous functions）的点态极限，不一定仍然连续。

等价刻画：上确界（supremum）

在很多场合，我们把两个函数之间的距离定义为最大偏差，也就是上确界范数（supremum norm）

$$d(f_n,f):=\sup_{x\in I}|f_n(x)-f(x)|.$$

那么一致收敛就等价于

$$d(f_n,f)\to 0,$$

也就是

$$\sup_{x\in I}|f_n(x)-f(x)|\to 0.$$

这给出了一个非常实用的判别方法：只要你能证明整段定义域上的最大误差趋于 $0$，就已经证明了一致收敛。

为什么一致收敛更重要

点态收敛太弱，很多“好性质”在取极限时会丢失；一致收敛则强得多。

• 若每个 $f_n$ 都连续（continuous），且 $f_n\to f$ 一致收敛，那么极限函数 $f$ 仍然连续。
• 一致收敛常常允许我们交换极限（limit）与积分（integral）。
• 对求导（differentiation）而言，仅有一致收敛通常还不够，往往还需要导函数列的一致收敛等更强条件。

一个补充提醒

函数列 $x^n$ 在 $[0,1]$ 上不一致收敛，但在任意更小的区间 $[0,a]$（其中 $0\le a<1$）上却是一致收敛到 $0$ 的，因为

$$\sup_{x\in[0,a]} x^n = a^n \to 0.$$

这说明“一致收敛是否成立”与定义域本身密切相关。很多时候，问题并不在函数列本身，而在于你把它放在哪个区间上来看。

一句话总结

点态收敛（pointwise convergence）关心的是“每个点最终会不会收敛”，一致收敛（uniform convergence）关心的是“能不能用同一个误差界同时控制整个定义域”。

如果你希望保住连续性、交换极限与积分，或者得到更稳定的极限性质，那么一致收敛通常才是更值得优先检查的条件。

一个练习（exercise）

Find a sequence of fixed (nonrandom) functions $M_n:\mathbb R\to\mathbb R$ that converges pointwise to a limit $M_0$ and such that each $M_n$ has a unique maximum at a point $\theta_n$, but the sequence $\theta_n$ does not converge to $\theta_0$. Can you also find a sequence $M_n$ that converges uniformly?

极简解答

• 点态收敛（pointwise convergence）：取

  $$M_n(x)= \begin{cases} -x^2, & x\neq n,\\ 1, & x=n. \end{cases}$$

  则 $M_n(x)\to M_0(x):=-x^2$ 点态收敛，$M_0$ 的唯一极大点（unique maximizer）是 $\theta_0=0$，而每个 $M_n$ 的唯一极大点是 $\theta_n=n$，所以 $\theta_n\nrightarrow \theta_0$。

• 一致收敛（uniform convergence）：取

  $$M_0(x)=-\frac{x^2}{1+x^4}, \qquad M_n(x)=-\frac{x^2}{1+x^4}+\frac{2}{n}e^{-(x-n)^2}.$$

  则

  $$\sup_{x\in\mathbb R}|M_n(x)-M_0(x)| = \sup_{x\in\mathbb R}\frac{2}{n}e^{-(x-n)^2} = \frac{2}{n}\to 0,$$

  所以是一致收敛。又因为 $M_0(x)\le 0$ 且只在 $x=0$ 取到最大值，而

  $$M_n(0)=\frac{2}{n}e^{-n^2}, \qquad M_n(n)=-\frac{n^2}{1+n^4}+\frac{2}{n}\approx \frac{2}{n},$$

  所以对充分大的 $n$，极大点会落在靠近 $n$ 的某个 $\theta_n$ 上，而不可能收敛到 $\theta_0=0$。