从‘三巨头’到‘莱布尼茨’：用Python可视化理解常数项级数的敛散性

从‘三巨头’到‘莱布尼茨’：用Python可视化理解常数项级数的敛散性

数学分析中，级数敛散性的判定一直是让学习者头疼的难点。那些抽象的数学定理和复杂的推导过程，往往让人望而生畏。但如果我们换一种方式，用Python代码将这些概念可视化，一切就会变得直观而有趣。本文将带你用NumPy和Matplotlib，从代码的角度重新理解级数敛散性的核心思想。

1. 级数基础与Python实现

级数，简而言之就是无穷多项相加的和。判断这个和是否收敛（趋近于某个有限值）是数学分析中的重要课题。我们先从最基础的部分和数列开始。

import numpy as np import matplotlib.pyplot as plt def partial_sums(series_terms, n_terms): """计算级数的部分和""" return np.cumsum(series_terms[:n_terms]) # 示例：调和级数 n = 100 harmonic_terms = 1 / np.arange(1, n+1) harmonic_sums = partial_sums(harmonic_terms, n) plt.figure(figsize=(10,6)) plt.plot(harmonic_sums, label='Harmonic Series') plt.title('Partial Sums of Harmonic Series') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.grid(True) plt.legend() plt.show()

运行这段代码，你会清晰地看到调和级数的部分和随着项数增加而缓慢增长，但增长趋势似乎没有止境——这正是发散级数的典型特征。

级数收敛的直观理解：

• 收敛级数：部分和数列趋近于某个有限值
• 发散级数：部分和数列无限增大或振荡不定

2. 正项级数审敛法的可视化实现

正项级数的审敛有几种经典方法，我们可以用Python将它们一一实现并可视化。

2.1 比较法与极限比较法

比较法的核心思想是将待判断的级数与已知敛散性的级数（如p级数）进行比较。

def compare_test(series_func, benchmark_func, n=100): """ 比较法可视化 series_func: 待判断级数的通项函数 benchmark_func: 比较基准级数的通项函数 """ terms = series_func(np.arange(1, n+1)) bench_terms = benchmark_func(np.arange(1, n+1)) ratio = terms / bench_terms fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14,5)) # 部分和比较 ax1.plot(partial_sums(terms, n), label='Test Series') ax1.plot(partial_sums(bench_terms, n), label='Benchmark') ax1.set_title('Partial Sums Comparison') ax1.legend() # 通项比值 ax2.plot(ratio) ax2.set_title('Term Ratio (a_n / b_n)') ax2.axhline(1, color='red', linestyle='--') plt.tight_layout() plt.show() # 示例：比较 1/(n^2+1) 和 p级数 1/n^2 compare_test(lambda n: 1/(n**2 + 1), lambda n: 1/n**2)

2.2 比值法与根值法

对于含有阶乘、指数等"三巨头"项的正项级数，比值法和根值法更为适用。

def ratio_test(series_terms): """比值法可视化""" ratios = series_terms[1:] / series_terms[:-1] plt.figure(figsize=(10,5)) plt.plot(ratios, label='a_{n+1}/a_n') plt.axhline(1, color='red', linestyle='--', label='Critical line') plt.title('Ratio Test Visualization') plt.xlabel('n') plt.legend() plt.grid(True) plt.show() # 示例：级数 1/n! n = 20 factorial_terms = 1 / np.array([np.math.factorial(i) for i in range(1, n+1)]) ratio_test(factorial_terms)

正项级数审敛法选择指南：

3. 交错级数与莱布尼茨准则

交错级数的敛散性判定有其独特的方法，最著名的当属莱布尼茨准则。

def leibniz_test(absolute_terms): """ 莱布尼茨准则可视化 absolute_terms: 交错级数绝对值项组成的数列 """ # 检查单调递减 diffs = absolute_terms[:-1] - absolute_terms[1:] decreasing = np.all(diffs >= 0) # 检查极限为零 limit_zero = np.isclose(absolute_terms[-1], 0, atol=1e-6) # 绘制数列行为 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14,5)) ax1.plot(absolute_terms, 'o-', label='|a_n|') ax1.set_title('Absolute Terms Behavior') ax1.legend() ax2.plot(diffs, 'o-', label='|a_n| - |a_{n+1}|') ax2.axhline(0, color='red', linestyle='--') ax2.set_title('Monotonicity Check') ax2.legend() plt.tight_layout() plt.show() print(f"Monotonically decreasing: {decreasing}") print(f"Limit to zero: {limit_zero}") # 示例：交错调和级数 n = 30 harmonic_abs = 1 / np.arange(1, n+1) leibniz_test(harmonic_abs)

莱布尼茨准则的两个条件在图中清晰可见：蓝色曲线显示绝对值项单调递减，而差值图（右）保持在零线以上，证实了单调性。

4. 绝对收敛与条件收敛的数值实验

理解绝对收敛和条件收敛的区别对掌握级数理论至关重要。让我们用Python做个有趣的实验。

def absolute_vs_conditional(original_terms, n_terms=100): """比较原级数和绝对值级数的收敛行为""" abs_terms = np.abs(original_terms) original_sums = partial_sums(original_terms, n_terms) abs_sums = partial_sums(abs_terms, n_terms) plt.figure(figsize=(10,6)) plt.plot(original_sums, label='Original Series') plt.plot(abs_sums, label='Absolute Series') plt.title('Absolute vs Conditional Convergence') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.legend() plt.grid(True) plt.show() # 示例：交错调和级数 n = 1000 alternating_harmonic = (-1)**(np.arange(1, n+1)+1) / np.arange(1, n+1) absolute_vs_conditional(alternating_harmonic)

这个实验清晰地展示了条件收敛的有趣现象：原级数收敛（趋近于ln(2)），而其绝对值级数（调和级数）却发散。

收敛类型判断流程：

1. 先计算绝对值级数的部分和
   • 如果收敛，则为绝对收敛
2. 若绝对值级数发散，再检查原级数
   • 如果原级数收敛，则为条件收敛
3. 否则级数发散

def convergence_type(terms_func, n=1000): """判断级数收敛类型""" terms = terms_func(np.arange(1, n+1)) abs_terms = np.abs(terms) # 简单判断：观察最后100项的变化 abs_tail = abs_terms[-100:] original_tail = terms[-100:] abs_diff = np.max(abs_tail) - np.min(abs_tail) original_diff = np.max(original_tail) - np.min(original_tail) if abs_diff < 0.1: # 绝对值级数收敛 return "Absolutely Convergent" elif original_diff < 0.1: # 原级数收敛但绝对值级数发散 return "Conditionally Convergent" else: return "Divergent" # 示例测试 print("Alternating Harmonic:", convergence_type(lambda n: (-1)**(n+1)/n)) print("Harmonic Series:", convergence_type(lambda n: 1/n)) print("1/n^2 Series:", convergence_type(lambda n: 1/n**2))

通过这些Python实现，我们不仅验证了数学理论，更重要的是获得了对级数行为的直观感受。当看到那些抽象的定理在代码中"活"起来时，你会发现数学分析其实可以很生动。