最后更新: 2025-11-29 15:57 查看: 143 次纠错评论(0) 课件开VIP

Lebesgue 单调函数微分定理

## Lebesgue 单调函数微分定理
**定理 5．2（Lebesgue 单调函数微分定理）**  若 $f(x)$ 是 $[a, b]$ 的单调上升函数，则 $f^{\prime}(x)$ 在 $[a, b]$ 几乎处处存在，且

$$
\int_a^b f^{\prime}(x) d x \leqslant f(b)-f(a) ...(5)
$$

在定理证明之前，先作两点说明．
$1^{\circ}$ 结论（5）实际上已包含了 $f^{\prime} \in L(a, b)$ ，这是因为单调上升的函数在微商存在的点总有 $f^{\prime}(x) \geqslant 0$ ，并且 $f^{\prime}$ 在 $[a, b]$ 是可测的（第三章习题8），
$2^{\circ}$ 对 $[a, b]$ 的单调下降函数，有类似的结论．请读者把结论写出来并利用上升的结果加以证明．

为了证明定理 5.2 ，我们引人下面的定义。
定义 5.2 设 $f(x)$ 定义在 $x_0 \in R$ 的某邻域内，令

$$
\begin{aligned}
& D^{+} f\left(x_0\right)=\varlimsup_{h \rightarrow 0+} \frac{f\left(x_0+h\right)-f\left(x_0\right)}{h}, \\
& D_{+} f\left(x_0\right)=\varlimsup_{h \rightarrow 0^{+}} \frac{f\left(x_0+h\right)-f\left(x_0\right)}{h}, \\
& D^{-} f\left(x_0\right)=\varlimsup_{h \rightarrow 0-} \frac{f\left(x_0+h\right)-f\left(x_0\right)}{h} \\
& D_{-} f\left(x_0\right)=\lim _{h \rightarrow 0-} \frac{f\left(x_0+h\right)-f\left(x_0\right)}{h}
\end{aligned}
$$

分别称为 $f$ 在 $x_0$ 的右上微商，右下微商，左上微商，左下微商，总称为 **Dini 微商**．

显然

$$
\begin{aligned}
& D^{+} f\left(x_0\right) \geqslant D_{+} f\left(x_0\right), D^{-} f\left(x_0\right) \geqslant D_{-} f\left(x_0\right) \\
& D^{+}(-f)=-D_{+}(f), D^{-}(-f)=-D_{-}(f)
\end{aligned}
$$

$f$ 在 $x_0$ 有右微商，当且仅当 $D^{+} f\left(x_0\right)=D_{+} f\left(x_0\right)$ 为有限值；$f$ 在 $x_0$ 有左微商，当且仅当 $D^{-} f\left(x_0\right)=D_{-} f\left(x_0\right)$ 为有限值；$f$ 在 $x_0$ 可微，当且仅当这四个 Dini 导数等于同一个有限值．

定理5．2 的证明 要证明的是，除 $(a, b)$ 的一个零测集外，有

$$
D^{+} f(x)=D_{+} f(x)=D^{-} f(x)=D_{-} f(x)
$$

这只需要证明 $m\left(E_1\right)=m\left(E_2\right)=0$ ，其中

$$
E_1=\left\{x \mid D^{+} f(x)>D_{-} f(x)\right\}, E_2=\left\{x \mid D^{-} f(x)>D_{+} f(x)\right\}
$$

这是因为，若 $x \in(a, b) \backslash\left(E_1 \cup E_2\right)$ ，则

$$
D^{+} f(x) \leqslant D_{-} f(x) \leqslant D^{-} f(x) \leqslant D_{+} f(x) \leqslant D^{+} f(x)
$$

从而（7）式成立．
为了证明（8），只需要证明 $m\left(E_1\right)=0$ 即可，因为对 $-f$ 应用已证的相应结果，并注意到（6），便可证得 $m\left(E_2\right)=0$ ．

由于 $f$ 单调上升，知所有 Dini 微商非负，作分解

$$
E_1=\bigcup_{r, s \in Q ^{+}}\left\{x \mid x \in(a, b), D^{+} f(x)>+>s>D_{-} f(x)\right\},
$$

其中 $Q ^{+}$为全体正有理数．记

$$
A=A_n=\left\{x \mid x \in(a, b), D^{+} f(x)>r>s>D_{-} f(x)\right\},
$$

则只要证明 $\forall r, s \in Q ^{+}$，有 $m(A)=m\left(A_r\right)=0$ ，便可由 $Q ^{+}$可列，得 $m\left(E_1\right)=0$ ．用反证法，如果不然，设 $m^*(A)>0$ ，作开集 $G \supset A$ ，使 $m(G)<(1+\varepsilon) m^*(A)$ ．
$\forall x \in A$ ，由 $D_{-} f(x)<s$ ，知可取正数 $h$ 充分小，使得

$$
\frac{f(x-h)-f(x)}{-h}<s
$$

不妨设 $[x-h, x] \subset G$ ．这样，全体 $[x-h, x]$ 构成 $A$ 的 Vitali 覆盖．因此，根据定理 5.1 ，存在 $\left[x_1-h_1, x_1\right], \cdots,\left[x_p-h_p, x_p\right]$ 互不相交，使得

$$
m^*\left(A \backslash \bigcup_{i=1}^p\left[x_i-h_i, x_i\right]\right)< \varepsilon,
$$

从而

$$
m^*\left(A \cap \bigcup_{i=1}^p\left[x_i-h_i, x_i\right]\right)>m^*(A)-\varepsilon,
$$

并且

$$
\sum_{i=1}^p h_i \leqslant m(G)<(1+\varepsilon) m^*(A)
$$

由（9）知

$$
f\left(x_i\right)-f\left(x_i-h_i\right)<s h_i, i=1,2, \cdots, p,
$$

故

$$
\begin{gathered}
\sum_{i=1}^p\left[f\left(x_i\right)-f\left(x_i-h_i\right)\right]<s \sum_{i=1}^p h_i<s(1+\varepsilon) m^*(A) . \\
B=A \cap \bigcup_{i=1}^p\left(x_i-h_i, x_i\right),
\end{gathered}
$$

令

类似于前面所做的，对任意 $y \in B$ ，有 $D^{+} f(y)>r$ ．
因此，可取正数 $k$ 充分小，便有 $[y, y+k]$ 包含在某个 $\left(x_i-h_i, x_i\right)$ 内，且

$$
\frac{f(y+k)-f(y)}{k}>r
$$

全体这样的 $[y, y+k]$ 构成 $B$ 的 Vitali 覆盖．
再用定理 5．1，存在 $\left[y_1, y_1+k_1\right], \cdots,\left[y_q, y_q+k_q\right]$ ，它们互不相交，使得

$$
\sum_{j=1}^q k_j>m^*(B)-\varepsilon
$$

并且由（13）知 $f\left(y_j+k_j\right)-f\left(y_j\right)>r k_j$ ，
从而（根据（14）与（11））

$$
\begin{aligned}
& \sum_{j=1}^q\left[f\left(y_j+k_j\right)-f\left(y_j\right)\right]>r \sum_{j=1}^q k_j \\
> & r\left(m^*(B)-\varepsilon\right)>r\left(m^*(A)-2 \varepsilon\right) .
\end{aligned}
$$

注意到 $f(x)$ 在 $[a, b]$ 单调上升，而 $\left[y_j, y_j+k_j\right]$ 包含于某个 $\left(x_i-h_i, x_i\right)$ 之内，因此

$$
\sum_{j=1}^q\left[f\left(y_j+k_j\right)-f\left(y_j\right)\right] \leqslant \sum_{i=1}^p\left[f\left(x_i\right)-f\left(x_i-h_i\right)\right]
$$

综合（12）与（15）得

$$
r\left(m^*(A)-2 \varepsilon\right)<s(1+\varepsilon) m^*(A)
$$

由 $\varepsilon$ 的任意性，得 $r m^*(A) \leqslant s m^*(A)$ ，故 $m^*(A)=0$ ，矛盾．这就证明了 $f$ 在 $[a$ ， $b]$ 几乎处处有非负的微商 $f^{\prime}(x)$（可能取 $+\infty$ ）．

下面我们来证明结论（5）。令

$$
f_n(x)=n\left[f\left(x+\frac{1}{n}\right)-f(x)\right] \quad, x \in[a, b]
$$

并且规定当 $x>b$ 时，$f(x)=b$ ．显然

$$
f_n(x) \geqslant 0, \lim _{n \rightarrow \infty} f_n(x)=f^{\prime}(x), \text { a. e. } x \in[a, b]
$$

根据 Fatou 引理，有
$$
\begin{aligned}
\int_a^b f^{\prime}(x) d x & \leqslant \lim _{n \rightarrow \infty} \int_a^b f_n(x) d x \\
& =\lim _{n \rightarrow \infty} n \int_a^b\left[f\left(x+\frac{1}{n}\right)-f(x)\right] d x \\
& =\lim _{n \rightarrow \infty}\left(n \int_b^{b+\frac{1}{n}} f(x) d x-n \int_a^{a+\frac{1}{n}} f(x) d x\right) \\
& =\lim _{n \rightarrow \infty}\left(f(b)-n \int_a^{a+\frac{1}{n}} f(x) d x\right) \\
& \leqslant f(b)-f(a)
\end{aligned}
$$

这就是（5）．由此可知，$f^{\prime}(x)$ 几乎处处有限，即 $f(x)$ 几乎处处可微．
注意到当 $f \in L(a, b)$ 时，$F(x)=\int_a^x f(t) d t$ 是两个单调上升函数之差，因此在 $[a, b]$ 几乎处处有微商 $F^{\prime}(x)$ ．下面我们来证明

$$
F^{\prime}(x)=f(x), \quad \text { a. e. } x \in[a, b]
$$

## 理解：勒贝格单调函数微分定理

这个定理是实分析中的一个基石，它给出了一个非常强且实用的结论。

---

### 一、一句话概括

**只要一个函数是单调的（全程只增不减或只减不增），那么它“几乎处处”都是可导的（光滑的）。**

这里的“几乎处处”是数学术语，意思是“除了一个可以忽略不计的点集之外的所有点”。这个可以忽略不计的点集，叫做“零测集”，比如有限个点、甚至可数无穷个点（如所有有理数）都是零测集。

---

### 二、一个直观的理解：爬山比喻

想象一下，你正在爬一座山，你的高度随时间变化的函数 `f(t)` 就是一个**单调递增**函数（高度只增不减）。

1.  **“不可导”意味着什么？**
    在函数图像上，不可导的点通常对应着“尖点”或“悬崖”。比如，你正平稳爬山，突然遇到一个垂直的峭壁，你需要直接攀岩上去。在那一刻，你的高度瞬间有了一个极其陡峭甚至垂直的变化，这就类似于一个不可导的点。

2.  **定理的结论是什么？**
    勒贝格定理告诉我们，在你整个爬山的过程中，这种“垂直峭壁”或者“剧烈的尖角”**可能会出现，但一定是极其罕见的**。
    *   你绝大部分的爬山路径都应该是**平滑的斜坡**，或者至少是连续的缓坡。在这些平滑的路径上，你都可以定义一个“坡度”（也就是导数），来描述你爬升的速率。
    *   那些“悬崖峭壁”可能散落在山路各处，但把它们所有的“宽度”或“长度”加起来，总影响是 **零**。也就是说，从整个路程来看，你的路径**几乎完全**是由可求导的平滑段组成的。

**所以，单调性这个看似简单的条件，实际上对函数施加了极强的规则性，保证了它的“良好行为”几乎遍布整个定义域。**

---

### 三、为什么这个定理很了不起？

在定理出现之前，人们可能会认为一个单调函数可以长得“非常奇怪”：

*   它会不会有数不清的跳跃点（像无穷多的台阶）？
*   它会不会在绝大部分点都像锯齿一样不可导？

勒贝格定理彻底回答了这些问题：
*   **可以有跳跃点**：单调函数确实允许有跳跃（间断点）。但定理指出，这样的间断点最多只有**可数无穷个**。虽然可能有很多，但仍然是“稀疏”的，不影响大局。
*   **不能到处是锯齿**：尽管可能有很多间断点，但在这些间断点之间的连续区间内部，函数必须是可导的。更重要的是，即使把所有的间断点和不可导点都算上，它们在整个定义域上所占的“份量”（勒贝格测度）仍然是 **零**。

**这就好比说：一个单调函数可以有很多瑕疵，但这些瑕疵的总和是微不足道的，它的主体仍然是光滑的。**

---

### 四、与维尔斯特拉斯函数对比

为了更好地理解它的重要性，可以对比一个著名的反例：**维尔斯特拉斯函数**。
*   这个函数的特点是“处处连续，但处处不可导”。它的图像在任意小的尺度下都像锯齿一样崎岖不平，你永远找不到任何一小段平滑的、可以画切线的部分。
*   勒贝格定理告诉我们，这种“病态”的函数**绝对不可能**是单调的。因为一旦单调，就注定了它必须“几乎处处”光滑。

### 总结

**勒贝格单调函数微分定理**的通俗核心是：

> **单调性是可导性的强力保证。一个函数只要承诺了“不回头”（单调），它就几乎必须遵守“平滑前进”（可导）的规则。任何违背这一规则的“坏点”都是局部的、零散的，其总体影响可以忽略不计。**

这个定理是连接函数整体性质（单调性）和局部性质（可导性）的一座关键桥梁，在现代分析学和概率论中都有极其重要的应用。

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇： Vitali 覆盖定理

下一篇：可积函数用连续函数平均逼近

本文对您是否有用？有用 (0) 无用 (0)