微积分46. 无穷级数四大核心性质：从理论到实践的全方位解析

文章目录

当你把有限项的加法延伸到无穷，数学世界便展开了一幅奇妙的画卷。今天，让我们一起探索无穷级数的奥秘，掌握判断它们是否"有尽头"的四大法宝。

在数学分析中，无穷级数是一个既基础又深刻的概念。简单来说，它研究的是无穷多个数相加的问题：给定一个数列 { u n } \{u_n\} {un}，表达式 u 1 + u 2 + ⋯ + u n + ⋯ u_1+u_2+\cdots+u_n+\cdots u1+u2+⋯+un+⋯ 称为数项级数，记作 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty} u_n ∑n=1∞un。

判断这个无穷求和是否有确定的结果（即是否收敛），本质上是考察其部分和数列 S n = u 1 + u 2 + ⋯ + u n S_n = u_1 + u_2 + \cdots + u_n Sn=u1+u2+⋯+un 是否存在有限的极限。如果 lim ⁡ n → ∞ S n = S \lim \limits_{n \to \infty} S_n = S n→∞limSn=S，则级数收敛于和 S S S；否则级数发散。

今天，我们就聚焦于收敛级数的四大核心性质，通过理论分析、手动计算和Python可视化，让你彻底掌握这些判断级数行为的"利器"。

一、级数收敛的必要条件：通项必须趋于零

定理：如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty} u_n ∑n=1∞un 收敛，则必有 lim ⁡ n → ∞ u n = 0 \lim \limits_{n \to \infty} u_n = 0 n→∞limun=0。

这是判断级数发散的最快捷工具。逻辑很简单：如果通项不趋于0，累加无穷多项就不可能稳定在一个有限值上。但千万记住：这是必要条件而非充分条件！通项趋于0的级数不一定收敛。

案例1：快速判断发散级数

手动计算步骤 ：考虑级数 ∑ n = 1 ∞ n 2 n + 1 \sum_{n=1}^{\infty} \frac{n}{2n+1} ∑n=1∞2n+1n

计算通项极限： lim ⁡ n → ∞ u n = lim ⁡ n → ∞ n 2 n + 1 \lim \limits_{n \to \infty} u_n = \lim \limits_{n \to \infty} \frac{n}{2n+1} n→∞limun=n→∞lim2n+1n
分子分母同除以n： lim ⁡ n → ∞ 1 2 + 1 n = 1 2 ≠ 0 \lim \limits_{n \to \infty} \frac{1}{2+\frac{1}{n}} = \frac{1}{2} \neq 0 n→∞lim2+n11=21=0
结论：根据必要条件，该级数发散

Python代码验证：

见calculus/chapter08/note46_test01.py

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 案例1：通项不趋于0的级数
n_terms = 50
series_terms = [n/(2*n+1) for n in range(1, n_terms+1)]
partial_sums = []
current_sum = 0

for term in series_terms:
    current_sum += term
    partial_sums.append(current_sum)

# 可视化
plt.figure(figsize=(10, 4))

plt.subplot(1, 2, 1)
plt.plot(range(1, n_terms+1), series_terms, 'ro-', markersize=4, linewidth=1)
plt.axhline(y=0.5, color='r', linestyle='--', label='极限值 0.5')
plt.xlabel('n')
plt.ylabel('通项 u_n')
plt.title('通项变化：趋于0.5而不趋于0')
plt.grid(True, alpha=0.3)
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(range(1, n_terms+1), partial_sums, 'b-', linewidth=2)
plt.xlabel('项数 n')
plt.ylabel('部分和 S_n')
plt.title('部分和持续增长，级数发散')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

print(f"前{n_terms}项部分和: {partial_sums[-1]:.2f}")
print("结论：通项极限为0.5 ≠ 0，级数发散")

运行结果说明：

左图显示通项迅速趋近于0.5，而不是0
右图显示部分和持续线性增长，没有趋于有限值的迹象
这直观验证了通项不趋于0必然导致级数发散

案例2：必要条件不充分的反例------调和级数

调和级数 ∑ n = 1 ∞ 1 n \sum_{n=1}^{\infty} \frac{1}{n} ∑n=1∞n1 满足 lim ⁡ n → ∞ 1 n = 0 \lim \limits_{n \to \infty} \frac{1}{n} = 0 n→∞limn1=0，但它是发散的。

手动证明思路（分组比较法）：

1 + 1 2 + ( 1 3 + 1 4 ) + ( 1 5 + 1 6 + 1 7 + 1 8 ) + ⋯ 1 + \frac{1}{2} + (\frac{1}{3}+\frac{1}{4}) + (\frac{1}{5}+\frac{1}{6}+\frac{1}{7}+\frac{1}{8}) + \cdots 1+21+(31+41)+(51+61+71+81)+⋯
注意： 1 3 + 1 4 > 1 4 + 1 4 = 1 2 \frac{1}{3}+\frac{1}{4} > \frac{1}{4}+\frac{1}{4} = \frac{1}{2} 31+41>41+41=21
1 5 + 1 6 + 1 7 + 1 8 > 1 8 + 1 8 + 1 8 + 1 8 = 1 2 \frac{1}{5}+\frac{1}{6}+\frac{1}{7}+\frac{1}{8} > \frac{1}{8}+\frac{1}{8}+\frac{1}{8}+\frac{1}{8} = \frac{1}{2} 51+61+71+81>81+81+81+81=21
因此部分和可以超过任意多个1/2相加，即 S n > 1 + k 2 S_n>1+\frac{k}{2} Sn>1+2k（其中k随n增大而增大），故 S n → ∞ S_n \to \infty Sn→∞

启示：通项趋于0只是收敛的"入场券"，不能保证"获奖"。

二、收敛级数的线性运算：可加可乘的封闭性

定理：如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty} u_n ∑n=1∞un 和 ∑ n = 1 ∞ v n \sum_{n=1}^{\infty} v_n ∑n=1∞vn 分别收敛于和 S S S 与 σ \sigma σ，那么对于任意常数 k k k, l l l，级数 ∑ n = 1 ∞ ( k u n ± l v n ) \sum_{n=1}^{\infty} (k u_n \pm l v_n) ∑n=1∞(kun±lvn) 也收敛，且其和为 k S ± l σ kS \pm l\sigma kS±lσ。

这意味着收敛级数在加、减和数乘运算下是封闭的。特别注意：此性质要求参与运算的级数都收敛。

案例：线性组合的计算与验证

已知：

A = ∑ n = 1 ∞ 1 2 n = 1 A = \sum_{n=1}^{\infty} \frac{1}{2^n} = 1 A=∑n=1∞2n1=1（几何级数， r = 1 / 2 r=1/2 r=1/2，从n=1开始）
B = ∑ n = 1 ∞ 1 4 n = 1 3 B = \sum_{n=1}^{\infty} \frac{1}{4^n} = \frac{1}{3} B=∑n=1∞4n1=31（几何级数， r = 1 / 4 r=1/4 r=1/4，从n=1开始）

注意：对于公比 ∣ r ∣ < 1 |r| < 1 ∣r∣<1 的几何级数：

从 n = 0 n=0 n=0 开始： ∑ n = 0 ∞ r n = 1 1 − r \sum_{n=0}^{\infty} r^n = \frac{1}{1-r} ∑n=0∞rn=1−r1
从 n = 1 n=1 n=1 开始： ∑ n = 1 ∞ r n = r 1 − r \sum_{n=1}^{\infty} r^n = \frac{r}{1-r} ∑n=1∞rn=1−rr（本文采用）

构造新级数 ： C = 2 A − 3 B = ∑ n = 1 ∞ ( 2 2 n − 3 4 n ) C = 2A - 3B = \sum_{n=1}^{\infty} \left( \frac{2}{2^n} - \frac{3}{4^n} \right) C=2A−3B=∑n=1∞(2n2−4n3)

手动计算 ：根据线性性质： C C C 的和应为 2 × 1 − 3 × 1 3 = 2 − 1 = 1 2 \times 1 - 3 \times \frac{1}{3} = 2 - 1 = 1 2×1−3×31=2−1=1

Python代码验证：

见calculus/chapter08/note46_test02.py

python 复制代码

# 案例：收敛级数的线性组合
n_terms = 30

# 定义两个收敛级数
A_series = [1/(2**n) for n in range(1, n_terms+1)]
B_series = [1/(4**n) for n in range(1, n_terms+1)]

# 计算线性组合 C = 2A - 3B
C_series = [2*A_series[i] - 3*B_series[i] for i in range(n_terms)]

# 计算各部分和
A_sums, B_sums, C_sums = [], [], []
sA, sB, sC = 0, 0, 0

for i in range(n_terms):
    sA += A_series[i]
    sB += B_series[i]
    sC += C_series[i]
    
    A_sums.append(sA)
    B_sums.append(sB)
    C_sums.append(sC)

# 可视化
plt.figure(figsize=(12, 8))

# 原级数收敛情况
plt.subplot(2, 2, 1)
plt.plot(range(1, n_terms+1), A_sums, 'b-', linewidth=2)
plt.axhline(y=1, color='b', linestyle='--', alpha=0.5, label='极限值 1')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('级数 A: ∑1/2ⁿ')
plt.grid(True, alpha=0.3)
plt.legend()

plt.subplot(2, 2, 2)
plt.plot(range(1, n_terms+1), B_sums, 'g-', linewidth=2)
plt.axhline(y=1/3, color='g', linestyle='--', alpha=0.5, label='极限值 1/3')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('级数 B: ∑1/4ⁿ')
plt.grid(True, alpha=0.3)
plt.legend()

# 线性组合的收敛
plt.subplot(2, 2, 3)
plt.plot(range(1, n_terms+1), C_sums, 'r-', linewidth=2)
plt.axhline(y=1, color='r', linestyle='--', alpha=0.5, label='理论极限值 1')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('线性组合 C = 2A - 3B')
plt.grid(True, alpha=0.3)
plt.legend()

# 验证线性性质
plt.subplot(2, 2, 4)
linear_comb = [2*A_sums[i] - 3*B_sums[i] for i in range(n_terms)]
plt.plot(range(1, n_terms+1), linear_comb, 'm--', linewidth=2, label='2×A - 3×B')
plt.plot(range(1, n_terms+1), C_sums, 'r-', linewidth=1, alpha=0.5, label='直接计算的C')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('验证：C = 2A - 3B')
plt.grid(True, alpha=0.3)
plt.legend()

plt.tight_layout()
plt.show()

print("=== 线性性质验证结果 ===")
print(f"级数A前{n_terms}项部分和: {A_sums[-1]:.6f} (理论极限: 1.000000)")
print(f"级数B前{n_terms}项部分和: {B_sums[-1]:.6f} (理论极限: 0.333333)")
print(f"线性组合C前{n_terms}项部分和: {C_sums[-1]:.6f} (理论极限: 1.000000)")
print(f"验证: 2×{A_sums[-1]:.6f} - 3×{B_sums[-1]:.6f} = {2*A_sums[-1] - 3*B_sums[-1]:.6f}")
print(f"两者差值: {abs(C_sums[-1] - (2*A_sums[-1] - 3*B_sums[-1])):.10f} (几乎为0)")

运行结果说明：

前两个子图显示级数A和B都收敛到理论值
第三个子图显示线性组合C也收敛，且趋近于理论值1
第四个子图验证了直接计算C的部分和与通过2A-3B计算的结果完全一致
这完美验证了收敛级数的线性运算性质

三、有限项不影响敛散性：尾部行为决定一切

定理：在一个级数中去掉、加上或者改变有限项，不会改变级数的收敛性。

这个性质揭示了级数敛散性的本质：由级数"尾部"（ n n n很大时的项）的行为决定。前有限项无论多大，都无法改变级数整体的趋势。

案例：修改收敛级数的有限项

考虑收敛级数： ∑ n = 1 ∞ 1 n ( n + 1 ) = ∑ n = 1 ∞ ( 1 n − 1 n + 1 ) = 1 \sum_{n=1}^{\infty} \frac{1}{n(n+1)} = \sum_{n=1}^{\infty} \left(\frac{1}{n} - \frac{1}{n+1}\right) = 1 ∑n=1∞n(n+1)1=∑n=1∞(n1−n+11)=1

手动分析：

原级数：通过伸缩和易得和为1
去掉前5项 ：新级数 ∑ n = 6 ∞ 1 n ( n + 1 ) \sum_{n=6}^{\infty} \frac{1}{n(n+1)} ∑n=6∞n(n+1)1 仍然收敛，和为 1 − S 5 1 - S_5 1−S5（ S 5 S_5 S5为前5项和）
前3项改为100 ：新级数 100 + 100 + 100 + 1 4 ⋅ 5 + 1 5 ⋅ 6 + ⋯ 100 + 100 + 100 + \frac{1}{4·5} + \frac{1}{5·6} + \cdots 100+100+100+4⋅51+5⋅61+⋯ 仍然收敛，和为 300 + ( 1 − S 3 ) 300 + (1 - S_3) 300+(1−S3)

Python代码验证：

见calculus/chapter08/note46_test03.py

python 复制代码

# 案例：有限项不影响敛散性
n_terms = 40

# 原收敛级数：∑1/[n(n+1)]
original_series = [1/(n*(n+1)) for n in range(1, n_terms+1)]

# 情况1：去掉前5项
modified_series1 = original_series[5:]  # 从第6项开始

# 情况2：前3项改为100
modified_series2 = [100, 100, 100] + original_series[3:]

# 计算各部分和
original_sums, mod1_sums, mod2_sums = [], [], []
s1, s2, s3 = 0, 0, 0

for i in range(len(original_series)):
    s1 += original_series[i]
    original_sums.append(s1)
    
    if i < len(modified_series1):
        s2 += modified_series1[i]
        mod1_sums.append(s2)
    
    if i < len(modified_series2):
        s3 += modified_series2[i]
        mod2_sums.append(s3)

# 计算理论极限
S5 = sum(original_series[:5])  # 前5项和
S3 = sum(original_series[:3])  # 前3项和
limit1 = 1 - S5  # 去掉前5项后的极限
limit2 = 300 + (1 - S3)  # 前3项改为100后的极限

# 可视化
plt.figure(figsize=(12, 4))

plt.subplot(1, 3, 1)
plt.plot(range(1, len(original_sums)+1), original_sums, 'b-')
plt.axhline(y=1, color='r', linestyle='--', label='极限值 1')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('原级数：∑1/[n(n+1)]')
plt.grid(True, alpha=0.3)
plt.legend()

plt.subplot(1, 3, 2)
plt.plot(range(1, len(mod1_sums)+1), mod1_sums, 'g-')
plt.axhline(y=limit1, color='r', linestyle='--', label=f'极限值 {limit1:.4f}')
plt.xlabel('项数（从第6项开始）')
plt.ylabel('部分和')
plt.title('去掉前5项后')
plt.grid(True, alpha=0.3)
plt.legend()

plt.subplot(1, 3, 3)
plt.plot(range(1, len(mod2_sums)+1), mod2_sums, 'm-')
plt.axhline(y=limit2, color='r', linestyle='--', label=f'极限值 {limit2:.2f}')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('前3项改为100后')
plt.grid(True, alpha=0.3)
plt.legend()

plt.tight_layout()
plt.show()

print("=== 有限项不影响敛散性验证 ===")
print(f"原级数前{len(original_sums)}项部分和: {original_sums[-1]:.6f} (极限: 1.000000)")
print(f"去掉前5项后部分和: {mod1_sums[-1]:.6f} (理论极限: {limit1:.6f})")
print(f"前3项改为100后部分和: {mod2_sums[-1]:.6f} (理论极限: {limit2:.6f})")
print("\n结论：所有修改后的级数仍然收敛，只是极限值发生了变化")

运行结果说明：

三个级数都表现出明显的收敛趋势
修改有限项后，级数收敛到新的极限值
修改后的极限值完全符合理论计算
这验证了有限项修改不影响级数的敛散性，只影响其和的大小

四、收敛级数的重要性质：安全加括号

定理：如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty} u_n ∑n=1∞un 收敛，那么对此级数的项任意加括号后所成的级数仍然收敛，且其和不变。

这个性质保证了对于收敛级数，我们可以安全地对其求和项进行分组。但逆命题不成立：一个发散级数加括号后可能"看似"收敛。

案例1：收敛级数安全加括号

考虑收敛的交错几何级数： S = 1 2 − 1 4 + 1 8 − 1 16 + ⋯ S = \frac{1}{2} - \frac{1}{4} + \frac{1}{8} - \frac{1}{16} + \cdots S=21−41+81−161+⋯

手动计算：

原级数和： 1 / 2 1 − ( − 1 / 2 ) = 1 / 2 3 / 2 = 1 3 \frac{1/2}{1 - (-1/2)} = \frac{1/2}{3/2} = \frac{1}{3} 1−(−1/2)1/2=3/21/2=31
每两项加括号： ( 1 2 − 1 4 ) + ( 1 8 − 1 16 ) + ⋯ = 1 4 + 1 16 + ⋯ (\frac{1}{2}-\frac{1}{4}) + (\frac{1}{8}-\frac{1}{16}) + \cdots = \frac{1}{4} + \frac{1}{16} + \cdots (21−41)+(81−161)+⋯=41+161+⋯
新级数是首项 1 4 \frac{1}{4} 41、公比 1 4 \frac{1}{4} 41的几何级数，和 = 1 / 4 1 − 1 / 4 = 1 3 = \frac{1/4}{1-1/4} = \frac{1}{3} =1−1/41/4=31

案例2：加括号不能使发散级数变收敛

考虑发散级数： 1 − 1 + 1 − 1 + 1 − 1 + ⋯ 1 - 1 + 1 - 1 + 1 - 1 + \cdots 1−1+1−1+1−1+⋯

手动分析：

原级数部分和在0和1之间振荡，没有极限（发散）
按每两项加括号： ( 1 − 1 ) + ( 1 − 1 ) + ( 1 − 1 ) + ⋯ = 0 + 0 + 0 + ⋯ (1-1) + (1-1) + (1-1) + \cdots = 0 + 0 + 0 + \cdots (1−1)+(1−1)+(1−1)+⋯=0+0+0+⋯（收敛于0）
关键结论：不能因为加括号后的级数收敛，就断定原级数收敛

Python代码验证：

见calculus/chapter08/note46_test04.py

python 复制代码

# 案例：加括号性质验证
n_terms = 40

# 案例1：收敛的交错几何级数
conv_series = [((-1)**(n-1))/(2**n) for n in range(1, n_terms+1)]

# 加括号方式1：每两项一组
bracketed1 = []
for i in range(0, len(conv_series), 2):
    if i+1 < len(conv_series):
        bracketed1.append(conv_series[i] + conv_series[i+1])

# 案例2：发散的交错级数
div_series = [(-1)**(n-1) for n in range(1, n_terms+1)]  # 1, -1, 1, -1, ...

# 加括号方式2：每两项一组（使发散级数"看似"收敛）
bracketed2 = []
for i in range(0, len(div_series), 2):
    if i+1 < len(div_series):
        bracketed2.append(div_series[i] + div_series[i+1])

# 计算各部分和
conv_sums, bracket1_sums, div_sums, bracket2_sums = [], [], [], []
s1, s2, s3, s4 = 0, 0, 0, 0

for i in range(len(conv_series)):
    s1 += conv_series[i]
    conv_sums.append(s1)
    
    if i < len(div_series):
        s3 += div_series[i]
        div_sums.append(s3)

for i in range(len(bracketed1)):
    s2 += bracketed1[i]
    bracket1_sums.append(s2)

for i in range(len(bracketed2)):
    s4 += bracketed2[i]
    bracket2_sums.append(s4)

# 可视化
plt.figure(figsize=(12, 8))

# 收敛级数及其加括号
plt.subplot(2, 2, 1)
plt.plot(range(1, len(conv_sums)+1), conv_sums, 'b-')
plt.axhline(y=1/3, color='r', linestyle='--', label='极限值 1/3')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('收敛级数：∑(-1)^(n-1)/2ⁿ')
plt.grid(True, alpha=0.3)
plt.legend()

plt.subplot(2, 2, 2)
plt.plot(range(1, len(bracket1_sums)+1), bracket1_sums, 'g-')
plt.axhline(y=1/3, color='r', linestyle='--', label='极限值 1/3')
plt.xlabel('括号组数')
plt.ylabel('部分和')
plt.title('每两项加括号后')
plt.grid(True, alpha=0.3)
plt.legend()

# 发散级数及其加括号
plt.subplot(2, 2, 3)
plt.plot(range(1, len(div_sums)+1), div_sums, 'r-')
plt.xlabel('项数 n')
plt.ylabel('部分和')
plt.title('发散级数：1 - 1 + 1 - 1 + ...')
plt.grid(True, alpha=0.3)

plt.subplot(2, 2, 4)
plt.plot(range(1, len(bracket2_sums)+1), bracket2_sums, 'm-')
plt.axhline(y=0, color='k', linestyle='--', label='极限值 0')
plt.xlabel('括号组数')
plt.ylabel('部分和')
plt.title('加括号后"看似"收敛')
plt.grid(True, alpha=0.3)
plt.legend()

plt.tight_layout()
plt.show()

print("=== 加括号性质验证 ===")
print("【收敛级数案例】")
print(f"原级数前{len(conv_sums)}项部分和: {conv_sums[-1]:.6f} (极限: 0.333333)")
print(f"加括号后前{len(bracket1_sums)}组部分和: {bracket1_sums[-1]:.6f} (极限: 0.333333)")
print("→ 收敛级数加括号后仍收敛到同一极限")

print("\n【发散级数案例】")
print(f"原级数前{len(div_sums)}项部分和: {div_sums[-1]} (在0和1间振荡)")
print(f"加括号后前{len(bracket2_sums)}组部分和: {bracket2_sums[-1]} (收敛到0)")
print("→ 发散级数加括号后可能'看似'收敛，但原级数仍发散")
print("→ 逆命题不成立！")

运行结果说明：

左上图：收敛级数的部分和趋近于1/3
右上图：加括号后仍收敛到同一极限1/3
左下图：发散级数的部分和在0和1之间振荡，没有极限
右下图：加括号后"看似"收敛到0
这验证了：收敛级数加括号后仍收敛，但发散级数加括号后收敛不能推出原级数收敛

总结与思考

通过今天的探讨，我们掌握了无穷级数的四大核心性质：

必要条件（通项→0）是判断发散的快筛工具
线性性质允许我们对收敛级数进行安全组合
有限项不影响提醒我们关注级数的尾部行为
加括号性质确保了收敛级数求和的灵活性（但逆命题不成立）

互动环节：你遇到过哪些有趣的级数问题？或者对无穷积分有什么疑问？欢迎在评论区留言讨论！

下期预告：下一篇文章我们将深入探讨正项级数，敬请期待！

本文是《程序员AI之路：从Python起步》系列笔记之一，完整目录、可运行代码与补充图示会同步整理在个人站点（https://www.xuexilab.cn/），方便按学习路径连续阅读, 在线代码练习。

文中代码环境：Python 3.8+、SymPy 1.9+、Matplotlib 3.5+。欢迎在评论区交流应用例子。