{
  "id": "measurable-function",
  "title": "可测函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "可测函数是将可测集的原像保持为可测集的映射，是积分理论与概率论的基础。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "可测映射"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/measurable-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/measurable-function/",
      "json": "https://aiwiki.page/en/measurable-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "可测函数是定义在两个各自配有指定可测集族的空间之间的函数，其值域空间中每个可测集的原像都是定义域中的可测集。它是测度论的核心概念，将可测集的结构与积分及概率联系起来。可测性并不要求函数连续、可微，也不要求其积分有限；它表示两个空间的可测结构之间具有相容性。(math.ucdavis.edu)"
    },
    {
      "heading": "定义与可测结构",
      "text": "可测空间是一个二元组 \\((X,\\Sigma)\\)，其中 \\(X\\) 是集合，\\(\\Sigma\\) 是由 \\(X\\) 的子集组成的σ代数：它包含 \\(X\\)，并且对取补集和可数并运算封闭。给定可测空间 \\((X,\\Sigma)\\) 和 \\((Y,\\mathcal T)\\)，映射\n\n\\[f:X\\longrightarrow Y\\]\n\n称为可测映射，如果\n\n\\[f^{-1}(B)=\\{x\\in X:f(x)\\in B\\}\\in\\Sigma \\qquad\\text{对每个 }B\\in\\mathcal T\\text{ 都成立。}\\]\n\n这里，\\(f^{-1}(B)\\) 表示原像，而不是反函数。这个定义不需要引入为集合赋予数值大小的测度。(math.ucdavis.edu)\n\n可测性取决于两个空间的σ代数，而不只是定义 \\(f\\) 的规则。扩大定义域上的σ代数会保持可测性，而扩大值域空间上的σ代数则可能破坏可测性。例如，如果定义域配备的σ代数是其幂集，那么从该定义域出发的任何映射都是可测的；而在配备σ代数 \\(\\{\\varnothing,X\\}\\) 的非空定义域上，任何实值可测函数都必须是常值函数。这些结论都可以直接由原像条件推出。(math.ucdavis.edu)"
    },
    {
      "heading": "实值函数与实用判据",
      "text": "对于取值于实数的函数，值域通常配备由实数轴上的开集生成的博雷尔σ代数。函数 \\(f:X\\to\\mathbb R\\) 可测，当且仅当\n\n\\[\\{x:f(x)>a\\}\\in\\Sigma \\qquad\\text{对每个 }a\\in\\mathbb R\\text{ 都成立。}\\]\n\n也可以用 \\(f<a\\)、\\(f\\leq a\\) 或 \\(f\\geq a\\) 给出等价判据。只检验有理数阈值就足够了，因为相应的射线通过可数集合运算生成同一个博雷尔σ代数。这样，涉及所有博雷尔集的条件就简化为一组便于检验的不等式条件。(math.ucdavis.edu)\n\n采用相应的博雷尔结构，这一定义也适用于可以取 \\(+\\infty\\) 和 \\(-\\infty\\) 的扩展实值函数。取值于复数的函数可测，当且仅当其实部和虚部均可测。同样，取值于有限维欧几里得空间的映射可测，当且仅当它的每个坐标函数都可测。(math.ucdavis.edu)"
    },
    {
      "heading": "示例及与连续性的关系",
      "text": "当两个拓扑空间都配备各自的博雷尔σ代数时，它们之间的每个连续函数都是可测的：开集的原像是开集，而这一条件可以推广到由开集生成的σ代数。可测性比连续性弱。在有理数上取值为 \\(1\\)、在其余各点取值为 \\(0\\) 的函数是博雷尔可测的，却在每个实数点都不连续。它的水平集是可测集，因为有理数集是单点集的可数并。(math.ucdavis.edu)\n\n更一般地，在 \\(A\\) 上取值为 \\(1\\)、在 \\(A\\) 外取值为 \\(0\\) 的示性函数 \\(\\mathbf1_A\\) 可测，当且仅当 \\(A\\in\\Sigma\\)。因此，不可测集对应的示性函数也不可测。在欧几里得空间中，博雷尔可测性与关于勒贝格测度的可测性并不相同：每个博雷尔可测实函数都是勒贝格可测的，但反之未必成立。勒贝格σ代数还包含每个测度为零的博雷尔集的所有子集。(math.ucdavis.edu)"
    },
    {
      "heading": "封闭性质与逼近",
      "text": "可测函数在许多常见运算下仍保持可测性。对于取值有限的实值可测函数 \\(f\\) 和 \\(g\\)，它们的和、积、绝对值、最大值和最小值都是可测的；在 \\(g\\neq0\\) 的集合上，它们的商也是可测的。当中间空间的可测结构一致时，函数复合也保持可测性。对于扩展实值函数，必须另行处理 \\(+\\infty-\\infty\\) 等没有定义的表达式。(math.ucdavis.edu)\n\n可数个实值可测函数的上确界和下确界都是扩展实值可测函数。特别地，实值可测函数序列的逐点极限只要存在，就是可测的。这与连续性不同：仅有逐点收敛并不一定能保持连续性。(math.ucdavis.edu)\n\n简单函数是只取有限多个值的可测函数，可以表示为\n\n\\[s=\\sum_{k=1}^{m}a_k\\mathbf1_{A_k},\\]\n\n其中 \\(A_k\\) 均为可测集。每个非负可测函数都是某个递增的非负简单函数序列的逐点极限。这类逼近将函数值离散化，并对其取值范围进行截断；对于有界函数，还可以选取一致收敛的逼近序列。(ocw.mit.edu)"
    },
    {
      "heading": "积分与几乎处处相等",
      "text": "简单函数逼近是勒贝格积分的基础。在测度空间 \\((X,\\Sigma,\\mu)\\) 上，非负可测函数的积分定义为\n\n\\[\\int_X f\\,d\\mu = \\sup\\left\\{\\int_X s\\,d\\mu: s\\text{ 为简单函数},\\ 0\\leq s\\leq f\\right\\}.\\]\n\n仅有可测性并不能保证可积性：上述积分可能是无穷大，而一个可取正负值的函数，其正部和负部的积分也可能同时为无穷大。(ocw.mit.edu)\n\n如果两个函数仅在某个零测集上取值不同，就称它们几乎处处相等。在完备测度空间上，任意改变实值可测函数在这样的集合上的取值，都不会破坏可测性。完备性在此至关重要，因为它保证零测集的所有子集都是可测的。Lp空间等空间将几乎处处相等的可测函数视为同一个元素，而不区分各个逐点定义的代表元。(ocw.mit.edu)"
    },
    {
      "heading": "概率论解释",
      "text": "实值随机变量是从概率空间 \\((\\Omega,\\mathcal F,P)\\) 到配备博雷尔σ代数的 \\(\\mathbb R\\) 的可测映射。可测性保证 \\(X\\leq a\\) 这样的条件定义了可以赋予概率的事件。它的概率分布是测度\n\n\\[P_X(B)=P(X^{-1}(B)).\\]\n\n更一般地，可测映射也能在其他可测值域空间上诱导出分布。当相应积分存在时，\\(X\\) 的期望值就是它关于 \\(P\\) 的积分；可积随机变量的条件期望则关于表示所给定信息的σ代数可测。(arxiv.org)"
    }
  ],
  "links": [
    "mathematical-function",
    "measure-theory",
    "measurable-space",
    "sigma-algebra",
    "power-set",
    "real-number",
    "open-set",
    "borel-sigma-algebra",
    "complex-number",
    "topological-space",
    "continuous-function",
    "indicator-function",
    "lebesgue-measure",
    "function-composition",
    "pointwise-convergence",
    "lebesgue-integral",
    "null-set",
    "almost-everywhere",
    "lp-space",
    "random-variable",
    "probability-space",
    "probability-distribution",
    "expected-value",
    "conditional-expectation"
  ],
  "sources": [
    {
      "title": "math.ucdavis.edu/~hunter/book/ch12.pdf",
      "url": "https://www.math.ucdavis.edu/~hunter/book/ch12.pdf"
    },
    {
      "title": "math.ucdavis.edu/~hunter/measure_theory/measure_notes.pdf",
      "url": "https://www.math.ucdavis.edu/~hunter/measure_theory/measure_notes.pdf"
    },
    {
      "title": "math.ucdavis.edu/~hunter/m206/ch3_measure_notes.pdf",
      "url": "https://www.math.ucdavis.edu/~hunter/m206/ch3_measure_notes.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/8fb8…",
      "url": "https://ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/8fb8d5c170f1613151aca71de21027bc_MIT18_102s21_full_lec.pdf"
    },
    {
      "title": "arxiv.org/abs/2604.01685",
      "url": "https://arxiv.org/abs/2604.01685"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}