最后更新: 2026-04-11 22:13 查看: 50 次纠错评论(0) 课件开VIP

Urysohn 可度量化定理

## 2.3 Урысон 度量化定理（Urysohn 度量化定理）

一个拓扑空间 $(X, \tau)$ 称为**可度量**化的，如果可以在集合 $X$ 上规定一个度量 $d$ ，使得 $\tau_d=\tau$ 。

**命题2.8** 拓扑空间 $X$ 可度量化 $\Longleftrightarrow$ 存在从 $X$ 到一个度量空间的嵌入映射．

证明 $\Longrightarrow$ ．取 $X$ 上度量 $d$ ，使 $\tau_d$ 是 $X$ 原有的拓扑，则 id ：$X \rightarrow(X, d)$ 是同胚映射．

$\Longleftarrow$  设 $f: X \rightarrow(Y, d)$ 是嵌入映射。记 $B=f(X), d_B$ 是 $d$在 $B$ 上诱导的度量，则 $f: X \rightarrow\left(B, d_B\right)$ 是同胚。规定 $X$ 上的度量 $\rho$为：$\rho\left(x, x^{\prime}\right)=d_B\left(f(x), f\left(x^{\prime}\right)\right)$ ，则 $f^{-1}:\left(B, d_B\right) \rightarrow(X, \rho)$ 是保持度量的一一对应，从而是同胚。于是 $\mathrm{id}=f^{-1} \circ f: X \rightarrow(X, \rho)$ 是同胚，即 $\tau_\rho$ 是 $X$ 原有拓扑。

> **定理2.4** （Урысон 度量化定理）拓扑空间 $X$ 如果满足 $T_1, T_4$和 $C_2$ 公理，则 $X$ 可以嵌入到 Hilbert 空间 $E^\omega$ 中。

证明 取 $X$ 的可数拓扑基 $\mathscr{B} . \mathscr{B}$ 中两个成员 $B$ 与 $\widetilde{B}$ 若满足 $\bar{B} \subset \widetilde{B}$ ，就称为一个**典型对**．把所有的典型对（是可数的）排列好，并记以 $\pi_1, \pi_2, \pi_3, \cdots, \pi_n, \cdots, \forall n, \pi_n$ 由 $B_n$ 和 $\widetilde{B}_n$ 构成 $\left(\bar{B}_n \subset \widetilde{B}_n\right)$ 。

由于 $X$ 满足 $T_4$ 公理，用 Урысон 引理可构造连续函数 $f_n: X \rightarrow \boldsymbol{E}^1$ ，使得 $f_n$ 在 $\bar{B}_n$ 上取值为 0 ，在 $\widetilde{B}_n^c$ 上取值为 $1, \forall n$ 。（如果典型对只有 $M$ 对，则 $n>M$ 时让 $f_n=0$ ．）规定 $f: X \rightarrow E^\omega$ 为

$$
f(x)=\left(f_1(x), \frac{1}{2} f_2(x), \cdots, \frac{1}{n} f_n(x), \cdots\right), \quad \forall x \in X .
$$

$f$ 是单的．事实上，根据 $T_1$ 公理，当 $x \neq y$ 时，必有 $\widetilde{B} \in \mathscr{B}$ ，使得 $x \in \widetilde{B}, y \bar{\in} \widetilde{B}$ 。再由 $T_4$ 公理（ $\{x\}$ 是闭集）存在 $B \in \mathscr{B}$ ，使得 $x \in B, \bar{B} \subset \widetilde{B}$ 。设 $B$ 与 $\widetilde{B}$ 是典型对 $\pi_n$ ，则 $f_n(x)=0, f_n(y)=1$ ，从而 $f(x) \neq f(y)$ ．

由于 $X$ 与 $E^\omega$ 都是 $C_1$ 空间，连续性可用序列语言描述．因此要证 $f$ 是嵌入只要验证：对任一序列 $\left\{x_k\right\}$ ，

$$
x_k \rightarrow x \Longleftrightarrow f\left(x_k\right) \rightarrow f(x) .
$$

$\Longrightarrow \cdot \forall \varepsilon>0$ ，取 $N$ 充分大，使得

$$
\sum_{n=N+1}^{\infty} \frac{1}{n^2}<\frac{\varepsilon^2}{2}
$$

根据 $f_1, f_2, \cdots, f_N$ 的连续性和 $x_k \rightarrow x$ ，取 $K$ 充分大，使得 $k>K, i \leqslant N$ 时 $\left|f_i\left(x_k\right)-f_i(x)\right|<\frac{\varepsilon}{\sqrt{2 N}}$ ．于是当 $k>K$ 时，

$$
\rho\left(f\left(x_k\right), f(x)\right)<\sqrt{\frac{\varepsilon^2}{2 N} \cdot N+\frac{\varepsilon^2}{2}}=\varepsilon
$$

因此 $f\left(x_k\right) \rightarrow f(x)$ ．

$\Longleftarrow$ ．只须证明 $x_k \nrightarrow x$ 时 $f\left(x_k\right) \nrightarrow f(x)$ ．取 $x$ 的开邻域 $\widetilde{B} \in \mathscr{B}$ ，使得对无穷多个 $k, x_k \in \widetilde{B}$ ．取 $B \in \mathscr{B}$ ，使得 $x \in B, B$ 与 $\widetilde{B}$ 构成典型对 $\pi_n$ ．于是对无穷多个 $k, f_n\left(x_k\right)-f_n(x)=1$ ，从而 $\rho\left(f\left(x_k\right), f(x)\right) \geqslant 1 / n$ ．因此 $f\left(x_k\right) \nrightarrow f(x)$ ．

定理的条件就是要求 $X$ 满足 § 1 中所定义的所有分离公理和可数公理．作为推论，得到：当 $X$ 满足 $T_1-T_4$ 和 $C_1 、 C_2$ 所有这 6个公理时，它一定可度量化．容易看出满足这 6 个公理并不是可度量化的必要条件（度量空间未必是 $C_2$ 空间）．然而，由于 $E^\omega$ 是 $C_2$空间，满足 6 个公理对于嵌入 $E^\omega$ 来说则是充分必要的．

## 疑难解答

>Q Urysohn 度量化定理通俗解释?

Urysohn度量化定理（乌雷松度量化定理）的核心结论是：**若一个拓扑空间满足“正则”且“有可数基”两个条件，它就是可度量化的**。这意味着该空间的拓扑结构，完全可以用一个具体的“距离函数”（度量）来精准刻画，且这个距离生成的拓扑与原拓扑完全一致。

### 一句话核心
把拓扑空间“翻译”成我们熟悉的、能算距离的几何空间（如欧氏平面），关键看它是否**结构规整**且**不“过于庞大”**。

### 两个关键条件（通俗解读）
1.  **正则（Regular）**：点与不相交的闭集能被开集“温柔分开”。比如，任意一点P和不包含P的闭集F，能找到两个不相交的开集，一个包住P，一个包住F，保证空间中“点与集合”的分离性足够好。
2.  **可数基（Countable Base）**：空间的所有开集，都能由**可数个**（有限或可列无限个）“基本开集”生成。就像用有限种基础积木，能拼出所有形状，保证空间“不过于庞大”，结构足够清晰。

### 为什么重要
- 度量空间有很多好性质：极限、连续性、收敛性都能通过距离来描述，分析学的常用工具（如极限、连续性、一致连续）在里面能顺畅使用。
- 定理搭起了**抽象拓扑**与**具体度量**的桥梁：满足条件的拓扑空间，本质上就是一个“可算距离”的空间，能嵌入到欧氏空间中研究。

### 常见等价表述
- 若空间是**Hausdorff（豪斯多夫）**、**正则**且**第二可数**，则它可度量化。
- 历史上Urysohn最初证明的是：**第二可数的正规Hausdorff空间**可度量化（后来Tikhonov将条件弱化为正则）。

### 反例帮助理解
- 不是所有拓扑空间都可度量化：比如**不可数集的离散度量空间**，虽可度量化但不满足“第二可数”；**平凡拓扑空间**（只有空集和全集是开集），连基本的分离性都不满足，自然不可度量化。

### 小结论
只要一个拓扑空间“结构规整”（正则）且“不臃肿”（可数基），就能给它定义一个距离，让它变成我们熟悉的“距离空间”，方便用分析学的方法研究。
 
## 点集拓扑里最核心的三个度量化定理比较

这三个是点集拓扑里**最核心的三个度量化定理**：
**Urysohn 定理**、**Nagata–Smirnov 定理**、**Bing 定理**。

我用**最通俗、不绕弯**的方式对比，让你一眼分清它们。

---

一句话总对比
- **Urysohn：只适用于“小而整齐”的空间（第二可数 + 正则）**
- **Nagata–Smirnov：适用于“任意大小”的空间，但要求基是σ-局部有限**
- **Bing：和上面等价，只是把条件换成σ-离散基**

它们的共同结论都是：
**这个拓扑空间可以定义距离 ↔ 满足某条结构条件**

---

### 1. Urysohn 度量化定理
> 一个拓扑空间可度量化
⇔ 它是 **正则 + 第二可数** 的 Hausdorff 空间

#### 通俗理解
- **第二可数**：空间“不大”，开集能用**可数个基本块**拼出来。
- **正则**：点和闭集能被开集分开，结构很“干净”。

#### 特点
- **最简单、最好用**
- 但**限制强**，只对“比较小、结构好”的空间生效
- 现实中遇到的绝大多数空间（欧氏空间、流形）都满足它

#### 适用场景
微积分、几何、常见拓扑空间，基本靠它就够了。

---

### 2. Nagata–Smirnov 度量化定理
> 拓扑空间可度量化
⇔ 它是 **正则 + 有 σ-局部有限基**

#### 通俗理解
- **σ-局部有限基**：
  基可以拆成**可数族**，每一族里的开集**在局部不重叠太多**。
- 不再要求“第二可数”，空间可以**非常大、不可数大**，依然能判断能不能度量化。

#### 特点
- **比 Urysohn 强得多，适用范围极大**
- 条件稍微抽象一点
- 真正**完整刻画**了“什么样的空间能度量化”

---

### 3. Bing 度量化定理
> 拓扑空间可度量化
⇔ 它是 **正则 + 有 σ-离散基**

#### 通俗理解
- **σ-离散基**：
  基可以拆成可数族，每一族里的开集**彼此完全不沾边（离散）**。

#### 特点
- 和 Nagata–Smirnov **完全等价**
- 只是换了一个更直观、更强的基条件
- 也是**充要条件**，完整刻画可度量化空间

---

### 三者关系（最重要）
1. **Urysohn 是充分条件，不是必要条件**
   满足它 ⇒ 一定可度量化
   可度量化 ⇏ 一定满足它（比如很大的度量空间）

2. **Nagata–Smirnov & Bing 是充要条件**
   可度量化 ⇔ 满足它们
   它们是**完整刻画**，Urysohn 只是一个好用的特例。

3. 条件强度：
   **第二可数  ⇒  σ-局部有限基  ⇔  σ-离散基**

---

### 超简记忆版
- **Urysohn：小而整齐 ⇒ 可度量化**
- **Nagata–Smirnov：整齐 + 基局部不太挤 ⇔ 可度量化**
- **Bing：整齐 + 基很分散 ⇔ 可度量化**

## 直观理解

### 先给你一个万能类比
把**拓扑空间**想象成一座**城市**：
- **开集** = 街区
- **基** = 最小的街道单元
- **可度量化** = 城市里**能正常量距离、画地图**
- **正则** = 城市规划很规整，不会乱成一团
- **第二可数** = 城市不大，街道数量**可数**
- **σ-局部有限** = 街道可以分批规划，每批里**局部不扎堆**
- **σ-离散** = 每批街道**彼此完全不相邻**

---

### 一、三个定理直观对比表

| 定理 | 条件（通俗版） | 地位 | 适合场景 |
|------|----------------|------|----------|
| **Urysohn** | 城市规整 + **城市不大（街道可数）** | **充分不必要** | 常见空间、欧氏空间、流形 |
| **Nagata–Smirnov** | 城市规整 + **街道分批，每批局部不挤** | **充要条件** | 所有可度量化空间 |
| **Bing** | 城市规整 + **街道分批，每批互不相邻** | **充要条件** | 同上，只是换个说法 |

一句话：
**Urysohn 管“小城市”，Nagata–Smirnov & Bing 管“所有城市”。**

---

### 二、直观例子

#### 1. Urysohn 适用：正常的“小城市”
**例子：实数轴 ℝ、平面 ℝ²、光滑流形**

- 街道（开集）能用可数个基础区间/圆盘拼出来
- 规划整齐（正则）
→ 完全满足 Urysohn
→ 当然可以量距离、画地图

#### 2. Urysohn 不适用，但 Nagata–Smirnov 适用：“超级大城市”
**例子：不可数多个实数轴的乘积、很大的度量空间**

- 城市巨大，街道**不可数**
→ 不满足第二可数，Urysohn 用不了
- 但依然可以分批规划街道，每批局部不挤
→ 满足 Nagata–Smirnov
→ 依然可以量距离

#### 3. 完全不可度量化：规划混乱的“混乱城区”
**例子：不可分的拓扑、某些粗糙拓扑**

- 连“点和集合分开”都做不到
→ 不规整
→ 三个定理都不满足
→ 无法正常定义距离

---

### 三、三者逻辑关系（最简版）

满足 **第二可数**
⇓
一定满足 **σ-局部有限基** ⇔ 一定满足 **σ-离散基**
⇕
空间 **可度量化**

所以：
- **Urysohn 条件最强 → 范围最小**
- **Nagata–Smirnov / Bing 条件最弱 → 范围最大，刚好等于可度量化空间**

---

### 四、终极记忆口诀
- **Urysohn：小而整齐 → 可度量**
- **Nagata–Smirnov：整齐不扎堆 ⇔ 可度量**
- **Bing：整齐不相邻 ⇔ 可度量**
- **前一个是后一个的特例**

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： Tietze 扩张定理

下一篇：紧致性

本文对您是否有用？有用 (0) 无用 (0)