函数序列与函数项级数
文章目录
- 函数序列与函数项级数
- 函数序列
- 函数项级数
- Weierstrass M 判别法
函数序列与函数项级数
函数序列
点态收敛:设 f n ( x ) : [ a , b ] → R f_n(x):\,[a,\,b]\to\bold{R} fn(x):[a,b]→R 是定义在区间 [ a , b ] [a,\,b] [a,b] 上的函数序列:
f 1 ( x ) , f 2 ( x ) , ⋯ , f n ( x ) , ⋯ f_1(x),\,f_2(x),\,\cdots,\,f_n(x),\,\cdots f1(x),f2(x),⋯,fn(x),⋯
若对于 ∀ α ∈ [ a , b ] \forall\,\alpha\in[a,\,b] ∀α∈[a,b] ,都有:
lim n → ∞ f n ( α ) = f ( α ) \lim\limits_{n\to\infty}f_n(\alpha)=f(\alpha) n→∞limfn(α)=f(α)
则这个函数列 { f n ( x ) } \{f_n(x)\} {fn(x)} 将点态收敛于函数:
f ( x ) : [ a , b ] → R f(x):\,[a,\,b]\to \bold{R} f(x):[a,b]→R
一致收敛:如果给定 ∀ ε \forall \varepsilon ∀ε , ∃ N ∈ N + \exists N\in N^+ ∃N∈N+ ,使得对于 ∀ n ≥ N \forall n\geq N ∀n≥N ,对于 ∀ x ∈ [ a , b ] \forall x\in [a,\,b] ∀x∈[a,b] ,都有:
∣ f ( x ) − f n ( x ) ∣ < ε \left| f(x)-f_n(x) \right|< \varepsilon ∣f(x)−fn(x)∣<ε
则称函数序列 f n ( x ) : [ a , b ] → R f_n(x):\,[a,\,b]\to\bold{R} fn(x):[a,b]→R 一致收敛于函数 f ( x ) : [ a , b ] → R f(x):\,[a,\,b]\to \bold{R} f(x):[a,b]→R ;
点态收敛和一致收敛的区别在于 ∀ x \forall x ∀x 和 ∃ N \exists N ∃N 的顺序问题:
点态收敛: ∀ x ∈ [ a , b ] , ∀ ε , ∃ N 一致收敛: ∀ ε , ∃ N , ∀ x ∈ [ a , b ] \begin{array}{l} \text{点态收敛:}\forall x\in[a,\,b],\,\forall \varepsilon,\,\exists N \\ \text{一致收敛:}\forall \varepsilon,\,\exists N,\,\forall x\in[a,\,b] \end{array} 点态收敛:∀x∈[a,b],∀ε,∃N一致收敛:∀ε,∃N,∀x∈[a,b]
因此在一致收敛的情况下,所有 [ a , b ] [a,\,b] [a,b] 中的点都有一个共同的 N N N 可以 bound,就像是 f ( x ) f(x) f(x) 周围放一个半径为 ε \varepsilon ε 的管状区域的话,那么函数 y = f n ( x ) y=f_n(x) y=fn(x) 最终都会进入这个区域里;而点态收敛的 N N N 的选择依赖于 x x x ;
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uoxLAenH-1684155322871)(figures/series_1.jpg)]
Th:设列 f n ( x ) : [ a , b ] → R f_n(x):\,[a,\,b]\to\bold{R} fn(x):[a,b]→R 是一个一致收敛于函数 f ( x ) : [ a , b ] → R f(x):\,[a,\,b]\to \bold{R} f(x):[a,b]→R 的连续函数序列,则 f ( x ) f(x) f(x) 是连续的。
证明:要证明 f ( x ) f(x) f(x) 是连续的,只需要证明 ∀ α ∈ [ a , b ] , ∀ ε > 0 \forall \alpha\in[a,\,b],\,\,\forall \varepsilon > 0 ∀α∈[a,b],∀ε>0 ,我们能够找到某个 δ > 0 \delta>0 δ>0 ,对于 0 < ∣ x − α ∣ < δ 0<|x-\alpha|<\delta 0<∣x−α∣<δ ,有:
∣ f ( x ) − f ( α ) ∣ < ε |f(x)-f(\alpha)|<\varepsilon ∣f(x)−f(α)∣<ε
对于上述 α \alpha α 、 x x x 和 ε \varepsilon ε ,由于 { f n ( x ) } \{f_n(x)\} {fn(x)} 一致收敛于 f ( x ) f(x) f(x) ,因此存在 N ∈ N + N\in N^+ N∈N+ ,使得当 n ≥ N n\geq N n≥N 时,有:
∣ f ( α ) − f n ( α ) ∣ < ε 3 ∣ f ( x ) − f n ( x ) ∣ < ε 3 \begin{align} |f(\alpha)-f_n(\alpha)| <&\, \frac{\varepsilon}{3} \\ |f(x)-f_n(x)| <&\, \frac{\varepsilon}{3} \end{align} ∣f(α)−fn(α)∣<∣f(x)−fn(x)∣<3ε3ε
而 f n ( x ) f_n(x) fn(x) 是连续的,因此对于上述 ε \varepsilon ε、 α \alpha α 和 n ≥ N n\geq N n≥N ,存在 δ > 0 \delta>0 δ>0 ,使得对于 0 < ∣ x − α ∣ < δ 0<|x-\alpha|<\delta 0<∣x−α∣<δ ,有:
∣ f n ( x ) − f n ( α ) ∣ < ε 3 |f_n(x)-f_n(\alpha)|<\frac{\varepsilon}{3} ∣fn(x)−fn(α)∣<3ε
对于上述的 δ \delta δ ,有:
∣ f ( x ) − f ( α ) ∣ = ∣ f ( x ) − f n ( x ) + f n ( x ) − f n ( α ) + f n ( α ) − f ( α ) ∣ ≤ ∣ f ( x ) − f n ( x ) ∣ + ∣ f n ( x ) − f n ( α ) ∣ + ∣ f n ( α ) − f ( α ) ∣ < ε \begin{align} |f(x)-f(\alpha)|=&\,|f(x)-f_n(x)+f_n(x)-f_n(\alpha)+f_n(\alpha)-f(\alpha)| \\ \leq &\, |f(x)-f_n(x)|+|f_n(x)-f_n(\alpha)|+|f_n(\alpha)-f(\alpha)| \\ \lt &\, \varepsilon \end{align} ∣f(x)−f(α)∣=≤<∣f(x)−fn(x)+fn(x)−fn(α)+fn(α)−f(α)∣∣f(x)−fn(x)∣+∣fn(x)−fn(α)∣+∣fn(α)−f(α)∣ε
得证。
(这个证明好经典啊,让我想到大一时复习数分的样子,当时是在二教,现在再来复习也是在二教。。。)
函数项级数
一致收敛:设 { f n ( x ) } \{f_n(x)\} {fn(x)} 是一个函数列,函数项级数:
f 1 ( x ) + f 2 ( x ) + ⋯ = ∑ k = 1 ∞ f k ( x ) f_1(x)+f_2(x)+\cdots=\sum\limits_{k=1}^{\infty}f_k(x) f1(x)+f2(x)+⋯=k=1∑∞fk(x)
一致收敛于函数 f ( x ) f(x) f(x) ,如果部分和 f 1 ( x ) f_1(x) f1(x) , f 1 ( x ) + f 2 ( x ) f_1(x)+f_2(x) f1(x)+f2(x) , f 1 ( x ) + f 2 ( x ) + f 3 ( x ) f_1(x)+f_2(x)+f_3(x) f1(x)+f2(x)+f3(x), ⋯ \cdots ⋯ 一致收敛于 f ( x ) f(x) f(x) 。用 ε \varepsilon ε 和 δ \delta δ 语言表示为对于 ∀ ε > 1 \forall \varepsilon >1 ∀ε>1, ∃ N ∈ N + \exists N\in N^+ ∃N∈N+ ,对于 ∀ n ≥ N \forall n\geq N ∀n≥N ,对于 ∀ x ∈ D \forall x\in \bold{D} ∀x∈D ,都有:
∣ f ( x ) − ∑ k = 1 n f k ( x ) ∣ < ε \left|f(x)-\sum\limits_{k=1}^nf_k(x) \right|< \varepsilon f(x)−k=1∑nfk(x) <ε
Th:如果每个函数 f k ( x ) f_k(x) fk(x) 都连续,且若 ∑ k = 1 ∞ f k ( x ) \sum\limits_{k=1}^{\infty}f_k(x) k=1∑∞fk(x) 一致收敛于 f ( x ) f(x) f(x) ,则 f ( x ) f(x) f(x) 必定连续。
证明:因为每个函数 f k ( x ) f_k(x) fk(x) 都连续,因此部分和函数 ∑ k = 1 n f k ( x ) \sum\limits_{k=1}^{n}f_k(x) k=1∑nfk(x) 都连续,由上面的定理得, f ( x ) f(x) f(x) 必定连续。
Weierstrass M 判别法
Th:设 ∑ k = 1 ∞ f k ( x ) \sum\limits_{k=1}^{\infty}f_k(x) k=1∑∞fk(x) 为函数项级数,其中没和函数 f k ( x ) f_k(x) fk(x) 都定义在实数集的子集 D \bold{D} D 上。假设 ∑ k = 1 ∞ M k \sum\limits_{k=1}^{\infty}M_k k=1∑∞Mk 是数项级数,满足:
- 0 ≤ ∣ f k ( x ) ∣ ≤ M k 0\leq |f_k(x)|\leq M_k 0≤∣fk(x)∣≤Mk 对于 ∀ x ∈ D \forall x\in \bold{D} ∀x∈D ;
- 级数 ∑ k = 1 ∞ M k \sum\limits_{k=1}^{\infty}M_k k=1∑∞Mk 收敛;
则 ∑ k = 1 ∞ f k ( x ) \sum\limits_{k=1}^{\infty}f_k(x) k=1∑∞fk(x) 绝对一致收敛。
证明:为了证明一致收敛,我们要证明对于 ∀ ε > 0 \forall \varepsilon > 0 ∀ε>0 ,我们可以找到某个 N ∈ N + N\in N^+ N∈N+ ,对于 ∀ n ≥ N \forall n\geq N ∀n≥N ,对于 ∀ x ∈ D \forall x\in \bold{D} ∀x∈D ,有:
∣ ∑ k = n ∞ f ( x ) ∣ < ε \left|\sum\limits_{k=n}^{\infty}f(x)\right| < \varepsilon k=n∑∞f(x) <ε
无论 ∑ k = 1 ∞ f k ( x ) \sum\limits_{k=1}^{\infty}f_k(x) k=1∑∞fk(x) 是否收敛,都有:
∣ ∑ k = n ∞ f ( x ) ∣ ≤ ∑ k = n ∞ ∣ f ( x ) ∣ \left|\sum\limits_{k=n}^{\infty}f(x)\right| \leq \sum\limits_{k=n}^{\infty}\left|f(x)\right| k=n∑∞f(x) ≤k=n∑∞∣f(x)∣
因为级数 ∑ k = 1 ∞ M k \sum\limits_{k=1}^{\infty}M_k k=1∑∞Mk 收敛,因此对于上述 ε \varepsilon ε ,我们可以找到某个 N ∈ N + N\in N^+ N∈N+ ,使得对于 ∀ n ≥ N \forall n\geq N ∀n≥N ,有:
∑ k = n ∞ M k < ε \sum\limits_{k=n}^{\infty}M_k < \varepsilon k=n∑∞Mk<ε
又对于 ∀ x ∈ D \forall x\in \bold{D} ∀x∈D ,有 0 ≤ ∣ f k ( x ) ∣ ≤ M k 0\leq |f_k(x)|\leq M_k 0≤∣fk(x)∣≤Mk ,故:
∣ ∑ k = n ∞ f ( x ) ∣ ≤ ∑ k = n ∞ ∣ f ( x ) ∣ ≤ ∑ k = n ∞ M k < ε \left|\sum\limits_{k=n}^{\infty}f(x)\right| \leq \sum\limits_{k=n}^{\infty}\left|f(x)\right| \leq \sum\limits_{k=n}^{\infty}M_k < \varepsilon k=n∑∞f(x) ≤k=n∑∞∣f(x)∣≤k=n∑∞Mk<ε
得证。
例:考虑级数 ∑ k = 1 ∞ x k k ! \sum\limits_{k=1}^{\infty}\frac{x^k}{k!} k=1∑∞k!xk ,我们知道它收敛于函数 e x \mathrm{e}^{x} ex ,我们使用 Weierstrass 判别法来证明这个级数在任意区间 [ − a , a ] [-a,\,a] [−a,a] 上都一致收敛。我们设 f k ( x ) = x k k ! f_k(x)=\frac{x^k}{k!} fk(x)=k!xk , M k = a k k ! M_k=\frac{a^k}{k!} Mk=k!ak ,显然对于 ∀ x ∈ [ − a , a ] \forall x\in[-a,\,a] ∀x∈[−a,a] ,有:
0 ≤ ∣ x n n ! ∣ ≤ a n n ! 0\leq \left| \frac{x^n}{n!} \right| \leq \frac{a^n}{n!} 0≤ n!xn ≤n!an
而:
lim k → ∞ M k + 1 M k = lim k → ∞ a k + 1 ( k + 1 ) ! a k k ! = lim k → ∞ a k + 1 < 1 \lim_{k\to\infty} \frac{M_{k+1}}{M_k}=\lim_{k\to\infty}\frac{\frac{a^{k+1}}{(k+1)!}}{\frac{a^k}{k!}}=\lim_{k\to\infty}\frac{a}{k+1}<1 k→∞limMkMk+1=k→∞limk!ak(k+1)!ak+1=k→∞limk+1a<1
因此级数 ∑ k = 1 ∞ M k \sum\limits_{k=1}^{\infty}M_k k=1∑∞Mk 收敛,由 Weierstrass 判别法可知 e x \mathrm{e}^x ex 的 Taylor 级数 ∑ k = 1 ∞ x k k ! \sum\limits_{k=1}^{\infty}\frac{x^k}{k!} k=1∑∞k!xk 在任意区间 [ − a , a ] [-a,\,a] [−a,a] 上都一致收敛。
相关文章:
函数序列与函数项级数
文章目录 函数序列与函数项级数函数序列函数项级数Weierstrass M 判别法 函数序列与函数项级数 函数序列 点态收敛:设 f n ( x ) : [ a , b ] → R f_n(x):\,[a,\,b]\to\bold{R} fn(x):[a,b]→R 是定义在区间 [ a , b ] [a,\,b] [a,b] 上的函数序列࿱…...
UML时序图详解
上篇文章,介绍了UML状态图,并通过visio绘制一个全自动洗衣机的UML状态图实例进行讲解。 本篇,来继续介绍UML中的另一种图——时序图。 1 时序图简介 时序图(Sequence Diagram),也叫顺序图,或序列图,是一…...
Centos7.6部署postgresql15主从
目录 安装pg15(master和standby)主数据库配置(master)初始化数据库创建归档日志目录设置数据库访问权限修改数据库配置文件开启数据库 从数据库配置(standby)同步主库的数据文件创建文件standby.signal启动从数据库 主从状态验证master上验证standby上验…...
【ThinkPHP6系列学习-2】多应用模式配置
这里写一写TP6下配置多应用。因为TP6和TP5有所差异,TP6默认是单应用模式(单模块),而我们实际项目中往往是多应用的(多个模块),所以在利用TP6是就需要进行配置,开启多应用模式。 目录…...
Linux内核oops panic简析
源码基于:Linux 5.4 0. 前言 内核异常的级别大致分为三个:BUG、oops、panic。 BUG 是指那些不符合内核的正常设计,但内核能够检测出来并且对系统运行不会产生影响的问题,比如在原子上下文中休眠,在内核中用 BUG 标识。…...
Spark大数据处理讲课笔记4.8 Spark SQL典型案例
文章目录 零、本讲学习目标一、使用Spark SQL实现词频统计(一)数据源 - words.txt(二)创建Maven项目(三)添加依赖和构建插件(四)修改源目录名称(五)创建日志属…...
WhatsApp Business 多人使用终极指南
今时今日,几乎每个人的手机上都安装了 WhatsApp,不少电商更会依赖 WhatsApp作为和客户沟通的主要渠道。但对有一定规模的店铺来说,WhatsApp绑定一个号码和设备的设定实在很不方便。如何才能用WhatsApp Business批量处理客户查询呢?…...
布局和视图的常用属性
0、用户界面由布局和GUI组件组成 之前的项目中都是使用线性布局LinearLayout,LinearLayout将视图显示在一行或一列中。其使用方法如下所示: <LinearLayoutxmlns:android"http://schemas.android.com/apk/res/android"android:layout_width…...
解说天下之操作系统
解说天下之操作系统 本文由桌案drawon (https://www.drawon.cn),云晶(https://www.yunjingxz.com)创始人根据多年从业经验, 从操作系统的起源,应用分类, 设计分类,以及资源使用角度对操作系统进…...
Pruning 系列 (八)layer常用简枝(torch)方法
环境 python 3.9numpy 1.24.1pytorch 2.0.0+cu117一、prune.random_unstructured pytorch:文档地址 用法: torch.nn.utils.prune.random_unstructured(module, name, amount) 参数: module(torch.nn.Module) -包含要修剪的张量的模块 name(str) -module 中的参数名称,将…...
Gigabyte Z490 Vision D i9-10900k电脑 Hackintosh 黑苹果efi引导文件
原文来源于黑果魏叔官网,转载需注明出处。(下载请直接百度黑果魏叔) 硬件型号驱动情况 主板Gigabyte Z490 Vision D 处理器Intel i9-10900k已驱动 内存64GB G.Skill Trident Z 3600Mhz CL18已驱动 硬盘西数 WDS250G3X0C-00SJG0 ( SN750) …...
UWB智慧工厂人员定位系统源码,人员在岗监控、车辆实时轨迹监控源码
近年来人员定位系统在工业领域的发展势头迅猛,工业识别与定位成为促进制造业数字化的关键技术。通过实时定位可以判断所有的人、物、车的位置。实时定位系统要适用于复杂工业环境,单一技术是很难实现的,需要融合多种不同的定位技术࿰…...
从认识元注解到使用元注解
前言:注解是Java语言中的一种特殊语法,它可以为代码提供更加灵活的元数据信息,方便代码的处理和使用。而元注解则是用于定义注解的注解,它可以为注解提供更多的元数据信息和特性。本文将介绍如何自定义元注解,包括认识…...
【C++从0到王者】第六站:类和对象(下)
文章目录 一、再谈构造函数1.构造函数体赋值2.初始化列表1>初始化列表的使用2>初始化列表的注意事项 3.explicit关键词 二、static成员1.如何统计当前程序中变量的个数2.static的特性3.从1加到n4.设计一个类,只能在栈或者堆上开辟空间 三、友元1.友元函数2.友…...
AJax和Axios的讲解
目录 Ajax Ajax基本介绍 同步异步 原生Ajax 原生的Ajax使用方式 Axios 基本介绍 Axios的基本使用 发送 get 请求 发送 post 请求 Axios快速入门 请求方法的别名 练习 Ajax Ajax基本介绍 Ajax: 全称Asynchronous JavaScript And XML,异步的JavaScript和XML…...
企业落地数字化转型,如何部署战略规划
当前环境下,各领域企业通过数字化相关的一切技术,以数据为基础、以用户为核心,创建一种新的,或对现有商业模式进行重塑就是数字化转型。这种数字化转型给企业带来的效果就像是一次重构,会对企业的业务流程、思维文化、…...
新的网络钓鱼即服务平台让网络犯罪分子生成令人信服的网络钓鱼页面
至少从2022年中期开始,网络犯罪分子就利用一个名为“伟大”的新型网络钓鱼即服务(PhaaS或PaaS)平台来攻击微软365云服务的企业用户,有效地降低了网络钓鱼攻击的门槛。 思科Talos研究员蒂亚戈佩雷拉表示:“目前,Greatness只专注于微软365钓鱼…...
MySQL的隐式转换
隐式转换 若字符串是以数字开头,并且全部都是数字,则转换的数字结果是整个字符串;部分是数字,则转换的数字结果是截止到第一个不是数字的字符为止 若字符串不是以数字开头,则转换的数字结果是 0 varchar str "…...
LeetCode:23. 合并 K 个升序链表
23. 合并 K 个升序链表 1)题目2)过程3)代码1. 最开始2.初步优化 4)结果1. 最开始2. 初步优化 1)题目 给你一个链表数组,每个链表都已经按升序排列。 请你将所有链表合并到一个升序链表中,返回合…...
js:正则表达式常用方法总结test、exec、match、matchAll、replace、replaceAll、search
文章目录 正则使用testmatch/matchAll不加g加ggroup 的使用 matchAll不加g加g exec不加g加g searchreplace 正则使用 常用的几种方法有:test、exec、match、matchAll、replace、replaceAll、search test // 匹配返回true,不匹配false /e/.test("…...
使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式
一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明:假设每台服务器已…...
19c补丁后oracle属主变化,导致不能识别磁盘组
补丁后服务器重启,数据库再次无法启动 ORA01017: invalid username/password; logon denied Oracle 19c 在打上 19.23 或以上补丁版本后,存在与用户组权限相关的问题。具体表现为,Oracle 实例的运行用户(oracle)和集…...
【kafka】Golang实现分布式Masscan任务调度系统
要求: 输出两个程序,一个命令行程序(命令行参数用flag)和一个服务端程序。 命令行程序支持通过命令行参数配置下发IP或IP段、端口、扫描带宽,然后将消息推送到kafka里面。 服务端程序: 从kafka消费者接收…...
Rust 异步编程
Rust 异步编程 引言 Rust 是一种系统编程语言,以其高性能、安全性以及零成本抽象而著称。在多核处理器成为主流的今天,异步编程成为了一种提高应用性能、优化资源利用的有效手段。本文将深入探讨 Rust 异步编程的核心概念、常用库以及最佳实践。 异步编程基础 什么是异步…...
【Java_EE】Spring MVC
目录 Spring Web MVC 编辑注解 RestController RequestMapping RequestParam RequestParam RequestBody PathVariable RequestPart 参数传递 注意事项 编辑参数重命名 RequestParam 编辑编辑传递集合 RequestParam 传递JSON数据 编辑RequestBody …...
打手机检测算法AI智能分析网关V4守护公共/工业/医疗等多场景安全应用
一、方案背景 在现代生产与生活场景中,如工厂高危作业区、医院手术室、公共场景等,人员违规打手机的行为潜藏着巨大风险。传统依靠人工巡查的监管方式,存在效率低、覆盖面不足、判断主观性强等问题,难以满足对人员打手机行为精…...
探索Selenium:自动化测试的神奇钥匙
目录 一、Selenium 是什么1.1 定义与概念1.2 发展历程1.3 功能概述 二、Selenium 工作原理剖析2.1 架构组成2.2 工作流程2.3 通信机制 三、Selenium 的优势3.1 跨浏览器与平台支持3.2 丰富的语言支持3.3 强大的社区支持 四、Selenium 的应用场景4.1 Web 应用自动化测试4.2 数据…...
什么是VR全景技术
VR全景技术,全称为虚拟现实全景技术,是通过计算机图像模拟生成三维空间中的虚拟世界,使用户能够在该虚拟世界中进行全方位、无死角的观察和交互的技术。VR全景技术模拟人在真实空间中的视觉体验,结合图文、3D、音视频等多媒体元素…...
HTML前端开发:JavaScript 获取元素方法详解
作为前端开发者,高效获取 DOM 元素是必备技能。以下是 JS 中核心的获取元素方法,分为两大系列: 一、getElementBy... 系列 传统方法,直接通过 DOM 接口访问,返回动态集合(元素变化会实时更新)。…...
HybridVLA——让单一LLM同时具备扩散和自回归动作预测能力:训练时既扩散也回归,但推理时则扩散
前言 如上一篇文章《dexcap升级版之DexWild》中的前言部分所说,在叠衣服的过程中,我会带着团队对比各种模型、方法、策略,毕竟针对各个场景始终寻找更优的解决方案,是我个人和我司「七月在线」的职责之一 且个人认为,…...
