新工科数学分析

# 第十三章 无穷级数

提示

本章的内容主要包括 常数项级数的收敛性函数的级数展开。 对 常数项级数 的研究可以追溯到古人对极限过程的早期理解(如芝诺悖论、割圆术)。而 函数项级数 则是分析学中一项极其重要的工具,它蕴含了深层次的数学思想——即用简单的无穷多项式(或三角函数)的和,来逼近并表示一个复杂的对象。这也是现代计算数学和人工智能中逼近理论的基石。

13.1 常数项级数的概念和性质

🟢例1级数收敛几何级数部分和

“一尺之棰,日取其半”:设每天取走一半的长度,写出前 n 天的取走量之和 S_n,并求极限 \displaystyle\lim_{n\to\infty} S_n

🟢例2级数收敛几何直观圆面积

割圆法与圆面积:用圆内接正 n 边形的面积逼近半径为 r 的圆面积,每次将边数加倍时面积增量形成一个级数,说明该级数收敛。

级数的定义

无穷多个数的和称为 无穷级数 (Infinite Series),简称 级数。 给定数列 a_n, n = 1, 2, \cdots, \infty,其前 n 项和 S_n= \displaystyle \sum_{i=1}^{n} a_i 称为该级数的 部分和 (Partial sum)。 如果 \displaystyle \lim _{n \rightarrow \infty} S_n = S 存在(即极限为一个有限常数),则称级数 收敛 (Convergent),并称 S 为级数的和;否则称级数 发散 (Divergent)

几个经典的常数项级数

1. 几何级数 (等比级数) \displaystyle S_n = \sum_{i=1}^{n} a q^{i-1} \quad (a \neq 0) * 当 |q| < 1 时,级数收敛,和为 \displaystyle\frac{a}{1-q}; * 当 |q| \ge 1 时,级数发散。

2. 调和级数 (发散的经典例子) \displaystyle \sum_{n=1}^{\infty} \frac{1}{n} = 1 + \frac{1}{2} + \frac{1}{3} + \cdots 虽然通项 \frac{1}{n} \to 0,但该级数是 发散 的。

3. 裂项相消级数 \displaystyle \sum_{n=1}^{\infty} \frac{1}{n(n+1)} 计算其部分和: \begin{aligned} S_n &= \frac{1}{1 \cdot 2}+\frac{1}{2 \cdot 3}+\cdots+\frac{1}{n(n+1)} \\ &= \left(1-\frac{1}{2}\right)+\left(\frac{1}{2}-\frac{1}{3}\right)+\cdots+\left(\frac{1}{n}-\frac{1}{n+1}\right) \\ &= 1-\frac{1}{n+1} \end{aligned} 显然 \lim_{n \rightarrow \infty} S_n = 1,故该级数 收敛

收敛级数的基本性质

性质1:若 \sum u_n = s,则 \sum k u_n = k sk 为常数)。 性质2:若 \sum u_n = s, \sum v_n = \sigma,则 \sum(u_n \pm v_n) = s \pm \sigma性质3:在级数中去掉、增加或改变有限项,不会改变级数的收敛性。 性质4 (必要条件):如果级数 \sum u_n 收敛,那么必然有 \displaystyle \lim_{n \rightarrow \infty} u_n = 0

警告

注意:通项趋于零只是级数收敛的 必要条件,绝非充分条件! 例如调和级数 \sum \frac{1}{n},其通项 \frac{1}{n} \to 0,但级数发散。所以,如果在判断时发现 \lim_{n \to \infty} u_n \neq 0,则级数必定发散。

13.2 常数项级数的审敛法

提示

直接计算部分和 S_n 的极限在多数情况下是不可能的。如果我们只关心级数“是否收敛”(而不求具体的和),可以使用一系列的判别法则,这些法则称为 审敛法

13.2.1 正项级数及其审敛法

正项级数是指所有项 u_n \ge 0 的级数。对于正项级数,其部分和 S_n 必定是单调递增的。

定理1:单调有界原理

正项级数 \displaystyle \sum_{n=1}^{\infty} u_n 收敛的充分必要条件是:其部分和数列 S_n 有界(注: 本质上这个定理就是上册学过的“单调有界必有极限”)

定理2:比较审敛法

\sum u_n\sum v_n 都是正项级数,且对所有 nu_n \leqslant v_n: * 如果“大级数” \sum v_n 收敛 \Rightarrow “小级数” \sum u_n 必收敛。 * 如果“小级数” \sum u_n 发散 \Rightarrow “大级数” \sum v_n 必发散。

🟢例3: 比较判别法(发散)级数比较判别法收敛性

判断级数 \displaystyle\sum_{n=1}^{\infty} \frac{1}{\sqrt{n(n+1)}} 的收敛性。

定理3:极限比较审敛法

\sum u_n\sum v_n 为正项级数,若 \displaystyle \lim_{n \rightarrow \infty} \frac{u_n}{v_n} = l \ (0 < l < \infty),则这两个级数 同收敛或同发散

🟢例4: 极限比较判别法级数极限比较判别法收敛性

判断级数 \displaystyle\sum_{n=1}^{\infty} \sin\frac{1}{n} 的收敛性。

定理4:比值审敛法 (达朗贝尔判别法)——非常重要!

\sum u_n 为正项级数,若 \displaystyle \lim_{n \rightarrow \infty} \frac{u_{n+1}}{u_n} = \rho,则: * 当 \rho < 1 时,级数 收敛; * 当 \rho > 1\rho = \infty 时,级数 发散; * 当 \rho = 1 时,方法失效(不确定,需用其他方法)。

🟢例5: 阶乘级数的收敛性级数比值判别法收敛性

判断级数 \displaystyle\sum_{n=1}^{\infty} \frac{1}{n!} 的收敛性。

13.2.2 交错级数与任意项级数

定理5:莱布尼茨定理 (交错级数审敛法)

对于交错级数 \displaystyle \sum_{n=1}^{\infty}(-1)^{n-1} u_n \ (u_n > 0),若满足: 1. u_n \geqslant u_{n+1} (各项的绝对值单调递减) 2. \displaystyle \lim_{n \rightarrow \infty} u_n = 0 则该交错级数 收敛

🟢例6: 交错调和级数交错级数Leibniz判别法收敛性

判断交错调和级数 \displaystyle 1 - \frac{1}{2} + \frac{1}{3} - \frac{1}{4} + \cdots + (-1)^{n-1}\frac{1}{n} + \cdots 的收敛性。

绝对收敛与条件收敛

对于包含正负项的任意级数 \sum u_n: * 绝对收敛:如果加上绝对值后的正项级数 \sum |u_n| 收敛,则原级数必然收敛,且称为绝对收敛。 * 条件收敛:如果原级数 \sum u_n 收敛,但加了绝对值后的级数 \sum |u_n| 发散,则称原级数为条件收敛(如交错调和级数)。

13.3 幂级数及其展开

提示

由常数构成的级数称为 常数项级数。如果我们把常数换成函数,就得到了 函数项级数。其中最简单、最优美的一类,就是形如多项式无限延伸的 幂级数。用幂级数来逼近函数,是微积分泰勒展开的终极形态。

幂级数的形式

\sum_{n=0}^{\infty} a_n x^n = a_0 + a_1x + a_2x^2 + \cdots + a_nx^n + \cdots 其中,常数 a_0, a_1, \cdots 称为幂级数的系数。

定理6:阿贝尔(Abel)定理

如果幂级数 \sum a_n x^nx=x_0 \ (x_0 \neq 0) 处收敛,那么对于所有满足 |x| < |x_0|x,幂级数必绝对收敛。 反之,如果在 x=x_1 处发散,则对于所有满足 |x| > |x_1|x,幂级数必发散

收敛半径与收敛区间

由阿贝尔定理可知,幂级数的收敛域必然是一个以原点为中心的区间 (-R, R)。这个正数 R 就称为 收敛半径。在 x=Rx=-R 的端点处,收敛性需要单独判定。

收敛半径的求法:\displaystyle \lim_{n \to \infty} \left| \frac{a_{n+1}}{a_n} \right| = \rho,则收敛半径 R = \frac{1}{\rho}。(若 \rho=0R=\infty;若 \rho=\inftyR=0)。

🟡例7: 幂级数的收敛半径幂级数收敛半径收敛域

求幂级数 \displaystyle\sum_{n=1}^{\infty} \frac{(x-1)^n}{2^n \cdot n} 的收敛域。

常见函数的麦克劳林(幂级数)展开

这些公式在数值计算和计算机算法中极其基础: 1. 指数函数\displaystyle e^x = \sum_{n=0}^{\infty}\frac{x^n}{n!} = 1 + x + \frac{x^2}{2!} + \cdots \quad (x \in \mathbb{R}) 2. 正弦函数\displaystyle \sin x = \sum_{n=0}^\infty (-1)^n \frac{x^{2n+1}}{(2n+1)!} \quad (x \in \mathbb{R}) 3. 余弦函数\displaystyle \cos x = \sum_{n=0}^\infty (-1)^n \frac{x^{2n}}{(2n)!} \quad (x \in \mathbb{R}) 4. 几何级数\displaystyle \frac{1}{1-x} = \sum_{n=0}^\infty x^n \quad (-1 < x < 1) 5. 对数函数\displaystyle \ln(1+x) = \sum_{n=1}^\infty (-1)^{n-1}\frac{x^n}{n} \quad (-1 < x \leq 1)

13.4 傅里叶级数与傅里叶变换

提示

WHY:我们为什么需要傅里叶级数?

幂级数(泰勒展开)是用 x^n 这样的代数多项式来逼近函数,它非常适合在某一个点附近做局部逼近。但是在现实世界中,我们经常遇到周期性的信号(比如声波、脑电波、图像纹理)。对于周期信号,用 x^n 去逼近是极其困难且低效的。 19世纪,法国数学家傅里叶提出了一项颠覆性的见解:任何周期函数,都可以展开为一系列不同频率的正弦波和余弦波的叠加! 这就是傅里叶级数。它是现代信号处理、通信工程以及 AI 图像/音频处理的绝对基石。

13.4.1 三角级数与傅里叶展开

傅里叶级数 (Fourier Series)

f(x) 是以 2\pi 为周期的周期函数,它可以被展开为如下的 三角级数 f(x) = \frac{a_0}{2} + \sum_{n=1}^{\infty} \left( a_n \cos(nx) + b_n \sin(nx) \right) 其中,常数项和三角函数的系数(称为傅里叶系数)通过积分计算得出: * a_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) dx (代表信号的直流/平均分量) * a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \cos(nx) dx * b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \sin(nx) dx

注:上述公式的基础在于三角函数族 \{1, \cos x, \sin x, \cos 2x, \sin 2x, \cdots \} 在区间 [-\pi, \pi] 上构成了正交基(即任意两个不同基函数的乘积积分为0)。

13.4.2 引入欧拉公式与复数形式

提示

使用 \cos\sin 两个函数写起来又长又繁琐。伟大的数学家欧拉(Leonhard Euler)为我们提供了一把连通三角函数和指数函数的钥匙,让傅里叶级数发生了质的飞跃。

欧拉公式 (Euler’s Formula)

被誉为数学中最美的公式,它将复数、指数与三角函数完美统一: e^{ix} = \cos x + i \sin x > 推论:当 x=\pi 时,得到 e^{i\pi} + 1 = 0,这个等式将数学中最重要的五个常数 0, 1, i, \pi, e 融为一体。

利用欧拉公式,我们可以反向表示正弦和余弦: \cos(nx) = \frac{e^{inx} + e^{-inx}}{2}, \quad \sin(nx) = \frac{e^{inx} - e^{-inx}}{2i}

将这两个式子代入传统的傅里叶级数中,经过简单的代数合并整理,原本分为三项(常数项、a_n项、b_n项)的冗长公式,可以被压缩成一个极其优雅的复数形式!

傅里叶级数的复数形式

f(x) = \sum_{n=-\infty}^{\infty} c_n e^{inx} 此时,统一的傅里叶系数 c_n 为: c_n = \frac{1}{2\pi} \int_{-\pi}^{\pi} f(x) e^{-inx} dx

在这里,n 包含了负整数、0 和正整数,它代表了信号中离散的频率成分。c_n 是一个复数,它的代表了该频率成分的振幅(能量大小),它的幅角代表了该频率成分的相位

13.4.3 从傅里叶级数走向傅里叶变换

傅里叶变换 (Fourier Transform)

傅里叶级数非常完美,但它有一个致命的限制:它只能处理周期函数。如果我们在现实中录制了一段只有几秒钟的离散语音,或者一张有限尺寸的图像(它们并非无限循环的周期信号),还能用傅里叶分析吗?

微积分的极限思想在这里再次闪耀! 我们可以把一个非周期信号,看作是一个周期无限大(即 T \to \infty)的周期信号

  • 当周期 T 是有限的时候,频率的取值是离散的(即 n=1,2,3,\cdots),频谱是一根根分立的柱子。
  • 当我们让 T \to \infty(极限过程)时,相邻频率之间的间隔 \Delta \omega \to 0。于是,离散的求和 \sum 就蜕变成了连续的积分 \int

由此,我们得出了工程界最伟大的公式之一——连续傅里叶变换

1. 傅里叶变换(从时域到频域): F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} dt 这里,f(t) 是我们在时间上观察到的信号波形,F(\omega) 就是提取出来的包含连续频率 \omega 成分的频谱图!

2. 逆傅里叶变换(从频域还原回时域): f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega) e^{i\omega t} d\omega

在人工智能中的应用: 无论是计算机视觉中的图像滤波(比如提取图像的边缘特征),还是语音识别系统(如让 AI 听懂人话,往往需要先用傅里叶变换将语音转化为声谱图 Spectrogram),傅里叶变换及其离散形式(DFT / FFT)都是不可或缺的基石工具。