构造级数：主动证明一个更强的结论

一、原题

题目来源信息仅依据所附截图记录，未提供教材名称，故不补写无法核实的书目信息。

二、思路溯源

1. 为什么不直接研究 $f(nx)$？

$f\in L^1(\mathbb R)$ 只表示

$$\int_{\mathbb R}|f(x)|\,dx<\infty.$$

它控制的是函数的总积分质量，并不直接控制每个点的函数值。可积函数仍可能在越来越远的位置出现越来越窄的尖峰，因此不能直接写

$$nx\to\infty \Longrightarrow f(nx)\to0.$$

2. 为什么想到构造级数？

目标是证明

$$g_n(x):=n^{-p}f(nx)\to0.$$

对数列而言，证明 $g_n(x)\to0$ 的一个强而稳定的充分条件是

$$\sum_{n=1}^{\infty}|g_n(x)|<\infty.$$

所以自然考虑非负函数级数

$$\sum_{n=1}^{\infty}n^{-p}|f(nx)|.$$

这一步体现了本题最值得迁移的思想：原目标难以直接处理时，主动寻找一个更强、但更适合使用已知工具的目标。

3. 为什么伸缩 $nx$ 是关键提示？

对固定的 $n$，换元 $u=nx$ 会产生 Jacobian 因子 $1/n$：

$$\int_{\mathbb R}|f(nx)|\,dx =\frac1n\int_{\mathbb R}|f(u)|\,du =\frac1n\lVert f\rVert_{L^1}.$$

它与题目给出的 $n^{-p}$ 结合，恰好得到可求和的 $n^{-(p+1)}$。

三、抽象母引理

严格证明

因为 $|g_n|\geq0$，由 Tonelli 定理（等价地，由 Levi 单调收敛定理应用于部分和）可得

$$\begin{aligned} \int_X\sum_{n=1}^{\infty}|g_n(x)|\,d\mu(x) &=\sum_{n=1}^{\infty}\int_X|g_n(x)|\,d\mu(x)\\ &=\sum_{n=1}^{\infty}\lVert g_n\rVert_{L^1} <\infty. \end{aligned}$$

记

$$G(x):=\sum_{n=1}^{\infty}|g_n(x)|\in[0,+\infty].$$

由 $G\geq0$ 且 $\int_XG\,d\mu<\infty$，必有 $G(x)<\infty$ a.e.；否则集合

$$E:=\{x\in X:G(x)=+\infty\}$$

若具有正测度，就会迫使 $\int_XG\,d\mu=+\infty$，产生矛盾。因此

$$\sum_{n=1}^{\infty}|g_n(x)|<\infty \qquad\text{a.e.}$$

对这些 $x$，数项级数收敛的必要条件给出 $|g_n(x)|\to0$，所以 $g_n(x)\to0$。证毕。

四、原题的逐步证明

令

$$g_n(x):=n^{-p}f(nx).$$

第一步：计算每一项的 $L^1$ 范数

由换元 $u=nx$、$dx=du/n$，

$$\begin{aligned} \lVert g_n\rVert_{L^1} &=\int_{\mathbb R}n^{-p}|f(nx)|\,dx\\ &=n^{-p}\frac1n\int_{\mathbb R}|f(u)|\,du\\ &=n^{-(p+1)}\lVert f\rVert_{L^1}. \end{aligned}$$

第二步：对 $L^1$ 范数求和

因为 $p>0$，所以 $p+1>1$。由 $p$-级数判别法，

$$\sum_{n=1}^{\infty}\lVert g_n\rVert_{L^1} =\lVert f\rVert_{L^1} \sum_{n=1}^{\infty}\frac1{n^{p+1}} <\infty.$$

第三步：使用母引理

由上一节的母引理，

$$\sum_{n=1}^{\infty}n^{-p}|f(nx)|<\infty \qquad\text{a.e. }x\in\mathbb R.$$

因此其通项趋于 $0$：

$$n^{-p}|f(nx)|\to0 \qquad\text{a.e. }x\in\mathbb R.$$

最终得到

$$\boxed{ \lim_{n\to\infty}n^{-p}f(nx)=0 \qquad\text{a.e. }x\in\mathbb R }.$$

五、直观理解：为所有坏行为计算总预算

可以把 $|g_n(x)|$ 看成第 $n$ 次在点 $x$ 产生的“代价”。我们无法逐点追踪 $f$ 的所有尖峰，但可以计算全部代价的平均总量：

$$\int_{\mathbb R}\sum_{n=1}^{\infty}|g_n(x)|\,dx =\sum_{n=1}^{\infty}\lVert g_n\rVert_{L^1}<\infty.$$

如果在一个正测度集合上总代价都是无穷大，那么平均总量也必为无穷大。因此，除了一个零测集外，每个点的总预算都有限。既然总和有限，单次代价必然趋于 $0$。

这就是本题从“整体积分控制”返回“几乎处处逐点结论”的桥梁。

六、技术细节与常见误区

关于 $L^1$ 等价类

取 $f$ 的任一可测代表即可。若两个代表只在零测集 $N$ 上不同，那么 $f(nx)$ 可能受影响的点属于

$$\bigcup_{n=1}^{\infty}\frac1nN,$$

这是可数个零测集之并，仍为零测集。因此结论在几乎处处意义下与代表元的选择无关。

七、一般化：伸缩函数列的统一模板

事实上，

$$\begin{aligned} \int_{\mathbb R}|c_nf(\lambda_nx)|\,dx &=\frac{|c_n|}{\lambda_n} \int_{\mathbb R}|f(u)|\,du\\ &=\frac{|c_n|}{\lambda_n}\lVert f\rVert_{L^1}. \end{aligned}$$

所以条件正好保证这些 $L^1$ 范数可求和。原题对应

$$c_n=n^{-p}, \qquad \lambda_n=n.$$

八、方法提炼

九、变式练习

十、前置知识与延伸阅读