两份出行记录只在不可能发生的情况里不同，要分开算吗？#

设出门时刻 $U$ 在一天的归一化区间 $[0,1]$ 均匀分布。两套预测器对所有时刻都给相同通勤时间，唯独 $U=1/2$ 时，一个报 30 分钟，另一个报 100 分钟。

精确命中一个指定实数时刻的概率为零，因此它们期望差和均方差都为零。这不表示两个逐点函数完全一样，而是说随机抽取时间时，它们几乎必然给同样答案。

$L^p$ 把这种差别忽略，直接把它们看作同一个对象。这样积分误差为零就真的意味着对象相同。代价是：你不能再随意询问等价类在某个指定点的值，因为那个值已经被模型主动忽略了。

先用五种天气算期望，再推广到积分#

如果出行延迟只可能是 0、5、10 分钟，概率分别为 0.5、0.3、0.2，平均延迟是 $0\times0.5+5\times0.3+10\times0.2=3.5$ 分钟。

这里每个取值乘的是概率权重。连续情形没有“某一个确切延迟的正概率”可逐项加，却可以按取值分成小档，做相同的加权累积，再让分档越来越细。Lebesgue 积分系统化了这一过程，也能处理离散、连续与混合分布。

不必把它理解成比 Riemann 更神秘的面积。它首先是一套能在更一般事件与函数上正确处理累积、极限和零概率差异的工具。

零概率不等于逻辑不可能#

连续均匀抽取 $U\in[0,1]$ 时，每个指定点的概率都为零，但抽取结果仍一定是某个点。概率零表示在这个测度下不占质量，不表示该集合在逻辑上不存在。

所以“几乎处处相等”不是逐点相等的同义词。我们主动忽略零测差别，只因为正在研究的积分型量无法分辨它们。若问题必须知道某个指定点的值，就应换空间或引入更强正则性，而不是强迫 $L^p$ 回答已经被它忽略的信息。

控制收敛的预算为什么必须通用#

每天都说“今天花的钱有限”，并不能保证一个月或一年有统一预算。对函数列，每个 $f_n$ 单独可积同样不够；控制收敛要求一个固定的可积函数 $g$ 把所有 $|f_n|$ 一起盖住。

这份共同预算阻止质量在越来越窄的区域无限抬高。比如 $n\mathbf1_{(0,1/n)}$ 若真被某个 $g\in L^1$ 控制，控制收敛就会强迫积分趋零，但它积分恒为 1，因此不存在这样的统一可积控制。

二阶矩为什么能帮助一阶误差#

在概率空间上，Cauchy–Schwarz 给 $\mathbb E|X|\le\sqrt{\mathbb EX^2}$。所以若预测误差的均方根趋零，平均绝对误差也趋零。

反方向不成立。偶尔出现很高的异常值，可能让平均绝对误差很小，平方误差却不小。不同阶矩不仅是公式幂次不同，它们对尾部风险的敏感程度也不同。下面的 $L^p$ 包含关系把这个事实写成统一不等式。

带你做：概率趋近于零，平方误差却不消失#

在 $[0,1]$ 均匀概率空间，令误差 $X_n=\sqrt n\,\mathbf1_{(0,1/n)}$。它只有概率 $1/n$ 非零，所以 $X_n$ 依概率趋零。

但 $\mathbb EX_n^2=n\times1/n=1$，均方误差不趋零；平均绝对误差为 $\sqrt n/n=1/\sqrt n$，却趋零。异常出现得越来越少，幅度也越来越大，两个效果在平方预算里恰好抵消。

这个模型解释了为什么“绝大多数样本都很好”不能单独保证均方损失改善。要控制尾部，还需要相应矩预算、统一可积性或支配条件。

同一例子在每个固定 $t>0$ 上最终也为零，因此几乎处处收敛同样不能直接推出 $L^2$ 收敛。把收敛方式写出来，是防止把一个正确观察升级成一个错误结论。

回头整理：定义、工具与练习#