当前位置：首页 > news >正文

从调和级数到p级数：用Python可视化帮你彻底搞懂级数敛散性（附代码）

news 2026/6/6 8:33:08

用Python可视化破解级数敛散性：从调和级数到p级数的数学实验

数学分析中最令人着迷又困惑的概念之一莫过于无穷级数的收敛与发散。当我在大学第一次接触调和级数时，那个看似简单却发散的数列让我百思不得其解——为什么每一项都在趋近于零，总和却可以无限增大？直到我用Python绘制出它的部分和曲线，一切才变得直观起来。本文将带你用代码和图表重新认识级数，把抽象的数学定义转化为可交互的实验。

1. 级数基础与Python环境搭建

级数本质上是无穷数列的和，理解它的关键在于部分和数列的行为。设有一个数列{aₙ}，它的部分和Sₙ = a₁ + a₂ + ... + aₙ。当n趋近于无穷时，如果Sₙ趋近于某个有限值，我们称级数收敛；否则称其发散。

准备工作：我们需要以下Python库：

import numpy as np import matplotlib.pyplot as plt from ipywidgets import interact # 用于创建交互式可视化

先定义一个通用函数来计算级数的部分和：

def partial_sums(term_func, n_max): """计算级数的部分和 term_func: 通项公式的函数 n_max: 计算的最大项数 """ n_values = np.arange(1, n_max+1) terms = term_func(n_values) return np.cumsum(terms) # 累积和得到部分和数列

2. 经典级数可视化实验

2.1 调和级数：缓慢的发散

调和级数是最著名的发散级数： [ \sum_{n=1}^{\infty} \frac{1}{n} = 1 + \frac{1}{2} + \frac{1}{3} + \cdots ]

用Python绘制其部分和：

def harmonic(n): return 1/n n_max = 1000 sums = partial_sums(harmonic, n_max) plt.figure(figsize=(10,6)) plt.plot(sums, label='Harmonic series partial sums') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.title('Divergence of the Harmonic Series') plt.grid(True) plt.legend() plt.show()

观察现象：

曲线增长缓慢但持续上升，没有趋于平稳的迹象
前1000项和约为7.485，看似不大，但数学证明其发散

2.2 p级数：收敛与发散的临界点

p级数的一般形式： [ \sum_{n=1}^{\infty} \frac{1}{n^p} ]

其敛散性取决于p值：

p > 1：收敛
p ≤ 1：发散

让我们比较几个不同的p值：

def p_series(n, p): return 1 / (n ** p) n_max = 500 p_values = [0.5, 1, 1.5, 2] plt.figure(figsize=(10,6)) for p in p_values: sums = partial_sums(lambda n: p_series(n, p), n_max) plt.plot(sums, label=f'p={p}') plt.axhline(y=np.pi**2/6, color='gray', linestyle='--', label='π²/6 (p=2 limit)') plt.legend() plt.title('Comparison of p-series for different p values') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.grid(True) plt.show()

关键发现：

p=1（调和级数）明显发散
p=0.5发散得更快
p=1.5和p=2收敛，后者趋近于著名的π²/6

3. 判别法的可视化实现

3.1 比较判别法的动态演示

比较判别法告诉我们：如果aₙ ≤ bₙ且∑bₙ收敛，则∑aₙ也收敛。让我们用代码验证：

def compare_test(series1, series2, n_max=500): """可视化比较两个级数的部分和""" sums1 = partial_sums(series1, n_max) sums2 = partial_sums(series2, n_max) plt.figure(figsize=(10,6)) plt.plot(sums1, label='Series 1') plt.plot(sums2, label='Series 2') plt.title('Comparison Test Visualization') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.legend() plt.grid(True) plt.show() # 示例：比较1/(n²+1)和1/n² compare_test(lambda n: 1/(n**2 + 1), lambda n: 1/n**2)

3.2 比值判别法的交互实验

比值判别法通过极限ρ=lim|aₙ₊₁/aₙ|判断敛散性：

ρ < 1：绝对收敛
ρ > 1：发散
ρ = 1：不确定

创建交互式可视化：

def ratio_test_visual(a_n, n_max=200): """计算并绘制比值判别法的相关曲线""" n_values = np.arange(1, n_max+1) terms = a_n(n_values) ratios = terms[1:] / terms[:-1] # a_{n+1}/a_n plt.figure(figsize=(12,5)) plt.subplot(1,2,1) plt.plot(partial_sums(a_n, n_max)) plt.title('Partial sums') plt.grid(True) plt.subplot(1,2,2) plt.plot(ratios, label='a_{n+1}/a_n') plt.axhline(y=1, color='r', linestyle='--') plt.title('Ratio test') plt.legend() plt.grid(True) plt.tight_layout() plt.show() # 交互界面 @interact(p=(0.5, 3, 0.1), q=(0.5, 3, 0.1)) def interactive_ratio(p=1, q=1): ratio_test_visual(lambda n: 1/(n**p + np.log(n)**q))

实验建议：

尝试p>1和p<1的情况观察比值行为
固定p=1，调整q观察临界情况

4. 高级可视化技巧

4.1 对数尺度下的观察

有些级数的变化在常规坐标下难以观察，对数尺度能揭示更多细节：

n_max = 10000 p_convergent = 1.1 p_divergent = 0.9 plt.figure(figsize=(12,6)) # 线性坐标 plt.subplot(1,2,1) plt.plot(partial_sums(lambda n: 1/n**p_convergent, n_max), label=f'p={p_convergent}') plt.plot(partial_sums(lambda n: 1/n**p_divergent, n_max), label=f'p={p_divergent}') plt.title('Linear scale') plt.legend() # 对数坐标 plt.subplot(1,2,2) plt.loglog(partial_sums(lambda n: 1/n**p_convergent, n_max), label=f'p={p_convergent}') plt.loglog(partial_sums(lambda n: 1/n**p_divergent, n_max), label=f'p={p_divergent}') plt.title('Log-log scale') plt.legend() plt.tight_layout() plt.show()

4.2 3D可视化：参数空间探索

对于依赖多个参数的级数，3D可视化非常有用：

from mpl_toolkits.mplot3d import Axes3D def p_series_3d(p_min=0.5, p_max=2, n_max=100): p_values = np.linspace(p_min, p_max, 50) n_values = np.arange(1, n_max+1) P, N = np.meshgrid(p_values, n_values) S = np.cumsum(1/N**P, axis=0) # 沿n轴累积 fig = plt.figure(figsize=(12,8)) ax = fig.add_subplot(111, projection='3d') surf = ax.plot_surface(P, N, S, cmap='viridis') ax.set_xlabel('p value') ax.set_ylabel('Number of terms') ax.set_zlabel('Partial sum') ax.set_title('3D Visualization of p-series Convergence') fig.colorbar(surf) plt.show() p_series_3d()

5. 常见误区与验证实验

5.1 项趋零不一定保证收敛

通过对比三个级数说明这一点：

调和级数 ∑1/n （发散）
∑1/n² （收敛）
∑1/(n ln n) （发散）

n_max = 10000 series = { '1/n': lambda n: 1/n, '1/n²': lambda n: 1/n**2, '1/(n ln n)': lambda n: 1/(n * np.log(n)) } plt.figure(figsize=(10,6)) for name, func in series.items(): sums = partial_sums(func, n_max) plt.plot(sums, label=name) plt.legend() plt.title('Comparison: Terms →0 but Different Convergence') plt.xlabel('Number of terms') plt.ylabel('Partial sum') plt.grid(True) plt.yscale('log') # 对数y轴更好展示 plt.show()

5.2 交错级数的有趣行为

交错调和级数： [ \sum_{n=1}^{\infty} \frac{(-1)^{n+1}}{n} = \ln 2 ]

def alternating_harmonic(n): return (-1)**(n+1) / n n_max = 1000 sums = partial_sums(alternating_harmonic, n_max) plt.figure(figsize=(10,6)) plt.plot(sums, label='Alternating harmonic') plt.axhline(y=np.log(2), color='r', linestyle='--', label='ln(2)') plt.title('Conditional Convergence Example') plt.legend() plt.grid(True) plt.show()

教学建议：可以让学生尝试修改代码，探索不同交错级数的行为，比如：