【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)
目录
- 前言
- 往期文章
- 常数项级数的概念和性质
- 一、常数项级数的概念
- 常数项无穷级数
- 定义:收敛与发散
- 例题
- 二、收敛级数的基本性质
- 性质1
- 性质2
- 性质3
- 性质4
- 性质5(级数收敛的必要条件)
- 三、柯西审敛定理
- 结语
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
往期文章
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(2):线性空间定义及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(3):线性空间的基与坐标
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(4):基变换与坐标变换
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(5):线性子空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(7):欧氏空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(9):正交补与投影定理
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(10):线性变换定义
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(12):相似形理论
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(15):矩阵的范数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(16):向量和矩阵的极限
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(18):方阵的幂级数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(19):不定积分(补充知识)
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(20):方阵函数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(21):常用方阵函数的一些性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(22):方阵函数在微分方程组中的应用
常数项级数的概念和性质
一、常数项级数的概念
常数项无穷级数
一般地,如果给定一个数列
u 1 , u 2 , u 3 , . . . , u n , . . . , u_1,u_2,u_3,...,u_n,..., u1,u2,u3,...,un,...,
那么由这数列构成的表达式
u 1 + u 2 + u 3 + . . . + u n + . . . . u_1+u_2+u_3+...+u_n+.... u1+u2+u3+...+un+....
叫做(常数项)无穷级数,简称(常数项)级数,记为
∑ i = 1 ∞ u i \sum_{i=1}^{\infty} u_i i=1∑∞ui
即
∑ i = 1 ∞ u i = u 1 + u 2 + u 3 + . . . + u n + . . . . \sum_{i=1}^{\infty} u_i=u_1+u_2+u_3+...+u_n+.... i=1∑∞ui=u1+u2+u3+...+un+....
其中第 n n n项 u n u_n un叫做级数的一般项
作上述常数项级数的前 n n n项和
s n = u 1 + u 2 + . . . + u n = ∑ i = 1 n u i s_n=u_1+u_2+...+u_n=\sum_{i=1}^{n}u_i sn=u1+u2+...+un=i=1∑nui
s n s_n sn称为级数 u 1 + u 2 + u 3 + . . . + u n + . . . . u_1+u_2+u_3+...+u_n+.... u1+u2+u3+...+un+....的部分和
当 n n n依次取 1 , 2 , 3 , . . . 1,2,3,... 1,2,3,...时,它们又构成了一个新的数列
s 1 = u 1 s_1=u_1 s1=u1
s 2 = u 1 + u 2 s_2=u_1+u_2 s2=u1+u2
s 3 = u 1 + u 2 + u 3 s_3=u_1+u_2+u_3 s3=u1+u2+u3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................... ....................................
s n = u 1 + u 2 + . . . + u n s_n=u_1 + u_2 + ... + u_n sn=u1+u2+...+un
然后依据这个数列有没有极限,引入无穷级数 u 1 + u 2 + u 3 + . . . + u n + . . . . u_1+u_2+u_3+...+u_n+.... u1+u2+u3+...+un+....的收敛与发散的概念
定义:收敛与发散
如果级数 ∑ i = 1 ∞ u i \sum_{i=1}^{\infty}u_i ∑i=1∞ui的部分和数列 s n {s_n} sn有极限 s s s,即
lim n → ∞ s n = s \lim_{n\rightarrow\infty}s_n=s n→∞limsn=s
那么称无穷级数 ∑ i = 1 ∞ u i \sum_{i=1}^{\infty}u_i ∑i=1∞ui收敛
这时极限 s s s叫做这个级数的和,并写为
s = u 1 + u 2 + . . . . + u i + . . . . s=u_1 + u_2 + .... + u_i + .... s=u1+u2+....+ui+....
如果 s n {s_n} sn没有极限,那么称无穷级数 ∑ i = 1 ∞ u i \sum_{i=1}^{\infty}u_i ∑i=1∞ui发散
当级数收敛时,其部分和 s n s_n sn是级数的和 s s s的近似值,它们之间的差值
r n = s − s n = u n + 1 + u n + 2 + . . . . r_n = s - s_n= u_{n+1} + u_{n+2} + .... rn=s−sn=un+1+un+2+....
叫做级数的余项
用近似值 s n s_n sn代替和 s s s所产生的误差是这个余项的绝对值,即误差是 ∣ r n ∣ |r_n| ∣rn∣
例题
例题1
例题2
例题3
二、收敛级数的基本性质
性质1
如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty}u_n ∑n=1∞un收敛余和 s s s,那么级数 ∑ n = 1 ∞ k u n \sum_{n=1}^{\infty}ku_n ∑n=1∞kun也收敛,且其和为 k s ks ks
性质2
如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty}u_n ∑n=1∞un与 ∑ 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
那么级数 ∑ n = 1 ∞ ( u n + / − v n ) \sum_{n=1}^{\infty}(u_n +/- v_n) ∑n=1∞(un+/−vn)也收敛,且其和为 s + / − σ s+/- \sigma s+/−σ
性质3
在级数中去掉、加上或改变有限项,不会改变级数的收敛性
性质4
如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty}u_n ∑n=1∞un收敛,那么对这级数的项任意加括号后所成的级数
( u 1 + . . . + u n 1 ) + ( u n 1 + 1 + . . . + u n 2 ) + . . . + ( u n k − 1 + 1 + . . . . + u n k ) + . . . . (u_1+...+u_{n_1}) + (u_{n_1+1+...+u_{n_2}})+...+(u_{n_{k-1}+1}+....+u_{n_k})+.... (u1+...+un1)+(un1+1+...+un2)+...+(unk−1+1+....+unk)+....
仍收敛,且其和不变
性质5(级数收敛的必要条件)
如果级数 ∑ n = 1 ∞ u n \sum_{n=1}^{\infty}u_n ∑n=1∞un收敛,那么它的一般项 u n u_n un趋近于0,即
lim n → ∞ u n = 0 \lim_{n\rightarrow\infty} u_n = 0 n→∞limun=0
注意:有些级数虽然一般项是趋近于0,但仍然是发散的!
三、柯西审敛定理
结语
说明:
- 参考于 课本《高等数学》
- 配合书中概念讲解 结合了自己的一些理解及思考
文章仅作为学习笔记,记录从0到1的一个过程
希望对您有一点点帮助,如有错误欢迎小伙伴指正
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
目录 前言 往期文章 4.1 向量范数及其性质 4.1.1 向量范数的概念及P-范数 定义4.1 例1 向量的几种范数 4.1.2 n n n维线性空间 V V V上的向量范数等价性 定理4.1.1 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
目录 前言 往期文章 幂级数 一.函数项级数的概念 定义:(函数项)无穷级数 幂级数及其收敛性 幂级数 定理1(阿贝尔定理) 推论 定理2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
目录 前言 往期文章 5.2 函数矩阵的微分和积分 5.2.1 函数矩阵对自变量的微分和积分 定义5.3:函数矩阵 定义5.4:函数矩阵的微分 单元函数矩阵的一些性质 例1 定义5.5 函数矩阵的积分 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(24):常数项级数的审敛法(补充知识)
目录 前言 往期文章 常数项级数的审敛法 一.正项级数及其审敛法 定义:正项级数 定理1 定理2(比较审敛法) 推论 定理3 (比较审敛法的极限形式) 定理4(比值审敛法,达朗贝尔判别法) 定理5(比 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
目录 前言 往期文章 2.2 标准正交基与Gram-Schmidt过程 2.2.1 标准正交基 定义2.4 定理2.2.1 定义2.5 2.2.2 求标准正交基的Schmide方法 定理2.2.2 举 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
目录 前言 往期文章 3.4 Hamliton-Cayley定理.最小多项式 定义3.19 Hamliton-Cayley定理 定义3.20 定理3.4.1 定理3.4.2 定理3.4.3 定理3.4 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
目录 前言 往期文章 1.6 子空间的交与和 1.6.1 子空间的交 定理1.6.1 1.6.2 子空间的和 定义1.8 定理1.6 .2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
目录 前言 往期文章 3.2 线性变换的矩阵表示 定义3.7 命题 定理3.2.1 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ଘ(੭ ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(3):行列式的性质
文章目录 前言 1.5 行列式的性质 转置行列式 性质1 内容 证明 性质2 内容 证明 性质3 内容 证明 性质4 内容 证明 性质5 内容 证明 性质6 内容 证明 结语 前言 Hello!小伙伴 ...
最新文章
- CIO如何做到卓有成效?
- 拿下两个世界第一,阿里人机对话模型成人工智能国际通用标准
- POJ1190 生日蛋糕
- css你所不知道技巧
- Python之sklearn-pmml:sklearn-pmml的简介、安装、使用方法之详细攻略
- 打趴系统的不一定是技术
- 如何启用nodejs request模块的调试模式
- codeforces 939C Convenient For Everybody 简直羞耻
- Delphi的TdxDBGrid自带的一些有用的导出文件的函数(EXCEL、HTML、XML、TXT、INI、Registry等)
- Vim-latex 插件 的安装
- Python-Matplotlib可视化(5)——添加自定义形状绘制复杂图形
- linux查看内存条pn,查看电脑内存条型号的两种方法【图文】
- 【扫盲】------Zipf分布
- 美版苹果6突然有4g显示无服务器,苹果6通病——插卡无服务维修思路和教程
- 一个程序员分享8年的开发经验
- 前端Html的全新认识
- mybatis中的动态sql
- 内存耗用:VSS/RSS/PSS/USS 介绍
- XCode9的新变化
- OpenSSL之调用EVP框架实现AES多种加密模式
热门文章
- 智能手机是如何干掉功能手机的?
- 怎样计算机连网打印,惠普打印机怎么联网打印?(以436型号为例)
- Java面向对象程序设计(OOP)
- 烟雾报警器语音提示芯片方案?
- 【Linux】【基础IO】
- java string 返回方法_java的String常见的操作方法
- 欢迎进入Hensen_的博客目录(全站式导航)
- 基于WFP等网络驱动实现局域网内所有设备通过代理上网
- 策略研究品价差套策(源码)
- BING: Binarized Normed Gradients for Objectness Estimation at 300fps