企业官网建设流程全解析

整理旧笔记的时候翻到一页，上面密密麻麻挤着几个词：级数、p 级数、q 级数、调和级数、等比数列求和、等差数列求和、斜率。当时是为了给一个刚接触极限的同学讲清楚"为什么 1+1/2+1/3+… 会跑到无穷大"，结果越讲越发散，从数列求和讲到收敛判别，最后连斜率和导数都扯了进来。后来我把这一页重新整理了一遍，发现它们根本不是七个孤立的知识点，而是同一条链上的七个扣：数列负责"列出数"，求和负责"把数加起来"，级数负责"加到无穷"，收敛判别负责"判断加到无穷有没有意义"，斜率负责"看增长速度"。

这篇就按我实际的整理顺序写，从等差等比求和一路推到调和级数的发散证明，再把斜率这条线接上去。适合三类人看：正在学高等数学但被级数绕晕的；准备考试需要把判别法一次性理清的；以及写代码做数值计算、结果发现"怎么算都不收敛"想搞清楚原因的。全程给推导、给数字、给能直接跑的代码，遇到容易错的地方我会明确标出来。

1. 先把地图画出来：这七个概念是怎么串起来的

1.1 一条主线：从"数列"到"级数"再到"收敛性"

数列是一列按顺序排好的数，记作 a_1, a_2, a_3, …，本质是一个定义在正整数上的函数。这里最关键的一点是：数列是一个"函数"，所以它能画图、能求斜率、能谈增长快慢。很多人学数列只记公式，把它当成一堆需要套的模板，结果一遇到级数就完全接不上——因为级数恰恰是在数列的"函数属性"上做文章的。

级数是把数列的项一项一项加起来：S_n = a_1 + a_2 + … + a_n 叫部分和，部分和本身又构成一个新数列 {S_n}。如果这个新数列有极限 S，就说级数收敛，记作 Σa_n = S；如果没有极限，就说发散。注意这里有个思维跳跃：我们从"加有限多项"跳到了"加无限多项"，而"无限多项相加"在数学上是没有天然定义的，只能通过"部分和的极限"来定义。这一步是整个级数理论的根，绕不过去。

搞清这条主线之后，等差求和、等比求和就不再是两套独立的公式，而是"求部分和"这件事的两个最基础样例。等差的部分和是一个二次函数，等比的部分和是一个指数型表达式，这两类表达式的行为完全不同，直接决定了对应级数收不收敛。

1.2 为什么"斜率"会出现在这份清单里

初看斜率像是几何的内容，跟级数没关系。但只要把数列当成函数看，斜率立刻就有了意义：等差数列的点 (n, a_n) 全部落在一条直线上，这条直线的斜率就是公差 d；等比数列取对数之后，点 (n, ln a_n) 也落在一条直线上，斜率是 ln q。这一步转换非常实用——它把"数列增长有多快"这件模糊的事，变成了一个可计算的具体数字。

而级数收敛与否，本质上就是在问"通项衰减得够不够快"。衰减速度用什么衡量？用斜率，或者更准确地说，用导数的量级。p 级数的通项 n^(-p) 在对数坐标下的斜率是 -p，这个 -p 和 1 的大小关系，直接决定了收敛还是发散。所以斜率和级数不是两件事，斜率是判断级数收敛性的一把直观尺子。

1.3 学习顺序与取舍：先算什么、后想什么

我的建议顺序是：先把等差、等比两个求和公式推到能自己默写出来（不是背，是推），然后建立"部分和"的概念，接着用等比级数 |q|<1 作为第一个收敛的例子，再用调和级数作为第一个发散的例子。有了这一正一反两个锚点，再去学 p 级数、比较判别法、积分判别法，就不会觉得判别法是天上掉下来的规则。

反过来，如果一上来就背"p>1 收敛，p≤1 发散"，会遇到一个很典型的问题：做题时会用，但一被问"为什么 p=1 是分界线"就答不上来。这条分界线其实来自一个非常朴素的比较——求和和积分比大小，而 ∫dx/x 恰好是对数，对数在无穷远处发散，所以卡在 p=1 这个位置。下面第 4 节会把这段推完。

2. 等差数列与等比数列：两个求和公式的推导与取舍

2.1 等差数列求和：倒序相加为什么必然成立

等差数列的通项是 a_n = a_1 + (n-1)d，前 n 项和记作 S_n。求和的经典手法是"倒序相加"：把 S_n 正着写一遍，再倒着写一遍，两式相加，每一对的和都等于 a_1 + a_n。因为第 k 项 a_k 和第 n+1-k 项的和恒为 a_1 + a_n，这是等差结构带来的对称性，不是巧合。

于是 2S_n = n(a_1 + a_n)，得到 S_n = n(a_1 + a_n)/2。把 a_n 展开还能得到第二个形式：S_n = n·a_1 + n(n-1)d/2。

这两个形式各有用途，别混用。已知首项和末项时用第一个最省事；已知首项和公差、且 n 比较大时用第二个更直接。我见过不少人在只知道 a_1 和 d 的情况下去硬求 a_n，多算一步还容易错。

从函数角度看，S_n = (d/2)n² + (a_1 - d/2)n，是一个关于 n 的二次函数且常数项为 0。这一点很重要：等差数列的部分和是二次增长。二次增长意味着 S_n/n → ∞，所以任何公差不为零的等差数列，其对应级数一定发散（通项都不趋于 0，连必要条件都不满足）。

2.2 等比数列求和：错位相减法与 q=1 这个必踩的坑

等比数列通项 a_n = a_1·q^(n-1)。求和用"错位相减"：写出 S_n，两边乘 q 得到 qS_n，两式相减，中间项全部抵消，剩下 S_n - qS_n = a_1 - a_1·q^n。于是

• 当 q ≠ 1 时，S_n = a_1(1 - q^n)/(1 - q)
• 当 q = 1 时，S_n = n·a_1

q = 1 必须单独讨论，这是最高频的低级错误。因为推导过程中除以了 (1-q)，q=1 时这个除法没有意义。写代码的时候同理，函数里必须有一个 if 分支处理 q == 1，否则会出现除零或者返回 NaN。

还有一个变体形式 S_n = a_1(q^n - 1)/(q - 1)，和上面那个是等价的，只是分子分母同乘了 -1。两种写法都行，但同一道题里不要来回换，容易符号出错。

2.3 无穷等比级数的收敛条件：|q|<1 到底怎么来的

把 S_n 的表达式取极限，关键在于 q^n 的行为：

这张表值得背下来，因为它是后面所有判别法的"标准对照物"。做比较判别法的时候，我们经常就是拿待判级数去和某个等比级数比，比的依据就是这张表。

再补一句容易被忽略的：|q|<1 时虽然收敛，但收敛的"质量"差别很大。q=0.9 时和是 a_1/0.1 = 10a_1，q=0.1 时和约等于 1.11a_1。同样是收敛，前者需要几千项才能看出稳定，后者三五项就够了。这个"收敛速度"的问题在第 8 节的代码里会看得很清楚。

2.4 一张表把等差、等比彻底对比清楚

这张表我建议自己手抄一遍。抄的过程会发现一个问题：等比的"比恒定"和等差的"差恒定"，在对数变换下是可以互换的——等比取对数就变等差。这个对称性是理解后面"对数坐标下等比是直线"的关键。

3. 级数的基本规矩：收敛、发散与"通项趋于零"的误解

3.1 级数与部分和：把无穷多项压成一个数列

再强调一次定义，因为它是后面所有判断的依据：Σa_n 收敛，当且仅当部分和数列 {S_n} 有有限极限。这个定义的好处是把"无穷"这件玄乎的事，转化成了"数列极限"这件已经有完整工具的事。

由此立刻能得到一条性质：级数收敛，则通项 a_n → 0。因为 a_n = S_n - S_(n-1)，两个收敛数列相减，极限是 S - S = 0。这条性质是"必要条件"，也就是说它只能用来否定，不能用来肯定。

很多人的思维惯性是反过来的：看到 a_n → 0 就认为级数收敛。这是级数这一章最典型的误判。反面例子就是调和级数——通项 1/n 确实趋于 0，但级数发散。这个反例的存在，使得"判断收敛"必须依赖更强的工具，而不是看一眼通项。

3.2 收敛的必要条件与常见误判

把上面这条整理成可操作的话：

• 如果 a_n 不趋于 0，级数一定发散，可以直接下结论，不用再算。这个判别法叫"通项判别法"或"第 n 项判别法"，是性价比最高的第一步。
• 如果 a_n 趋于 0，什么也不能说，必须换工具。可能是收敛（如 1/n²），也可能是发散（如 1/n）。

我在实际做题和讲题时形成的一个习惯是：拿到一个级数，先用 30 秒看通项。通项里如果含有 (-1)^n 之外还在增长的东西，比如 n/(n+1) 这种极限为 1 的，直接判发散；通项是 n 的有理式，就去比最高次幂（本质上就是 p 级数比较）；通项含阶乘或 n 的 n 次方，优先试比值判别法。

3.3 判别法工具箱：什么时候用哪一把

这张表里最需要心理准备的是：比值法和根值法在 L=1 时完全失效。而 p 级数恰好全都落在 L=1 上，这就是为什么 p 级数必须用积分判别法或比较判别法来处理，用比值法会得到 L=1，白算一场。这个"失效"不是方法不好，是因为 p 级数正处在收敛与发散的临界带上，临界带上的问题本来就需要更精细的工具。

4. p 级数：一个参数决定生死的样本

4.1 p 级数的定义与结论

p 级数指形如 Σ 1/n^p（n 从 1 到无穷）的级数，其中 p 是实参数。结论很干脆：

• p > 1 时收敛
• p ≤ 1 时发散
• p = 1 时就是调和级数，发散（虽然是最慢的发散之一）

这个结论值得反复咀嚼，因为它给出了"衰减速度"的精确门槛。n^(-p) 的衰减要"足够快"，快到什么程度？快到 p 严格大于 1。p = 1.0001 都收敛，p = 1 就发散。这个临界性在数学上很常见，但直觉上很难接受——毕竟 1/n^1.0001 和 1/n 只差了一点点。

4.2 用积分判别法把结论推一遍

设 f(x) = 1/x^p，在 [1, ∞) 上为正、连续、单调递减（p>0 时）。积分判别法说的是：Σf(n) 与 ∫_1^∞ f(x)dx 同敛散。原因是矩形面积夹逼——左矩形面积和 ≤ 积分 ≤ 右矩形面积和，两边只差一个首项。

具体算积分：

• p ≠ 1 时，∫_1^N x^(-p)dx = [x^(1-p)/(1-p)]_1^N = (N^(1-p) - 1)/(1-p)
• p = 1 时，∫_1^N dx/x = ln N

于是：p > 1 时，1-p < 0，N^(1-p) → 0，积分收敛到 1/(p-1)；p < 1 时，1-p > 0，N^(1-p) → ∞，积分发散；p = 1 时，ln N → ∞，积分发散。

这段推导是整个级数章节里最值得亲自动手写一遍的，因为写完就再也不会忘"为什么分界线是 1"了。分界线的来源就是 x^(1-p) 这个指数：指数为负就收敛，指数非负就发散，而指数恰好是 1-p。

4.3 p 值变化时收敛速度差得有多离谱

光知道收敛不够，实际计算时必须知道收敛有多快。我用部分和做了一组对照（n 取到 10 万）：

p=2 时前 1000 项就已经精确到小数点后三位（真值是 π²/6 ≈ 1.644934），p=1.1 时算到 10 万项还在缓慢爬升。这组数字说明一件事："收敛"和"能算出来"是两个概念。做数值计算时如果遇到 p 略大于 1 的情况，别指望几百万项就得到答案，要么换加速求和方法，要么接受较大的误差，要么用解析的方法换个表达式。

5. 调和级数：名字的由来与它为什么发散

5.1 "调和"这个名字的三重来源

这是最多人问的一个问题，也是教科书通常不解释的一个。我的理解是这个名字至少有三重来源，而且这三重来源互相咬合。

第一重是与"调和平均数"的关系。两个正数 a、b 的调和平均数是 2ab/(a+b)，它的倒数是 (1/a + 1/b)/2，也就是"倒数的算术平均"。而调和级数的项 1, 1/2, 1/3, 1/4, … 恰好是等差数列 1, 2, 3, 4, … 的逐项倒数。也就是说，调和级数是"取倒数之后的等差结构"。这种"倒数的平均"在数学里就叫调和平均，级数因此得名。

第二重是与音乐泛音（harmonics）的对应。一根弦或一根空气柱振动时，除了基频 f，还会产生频率为 2f、3f、4f… 的泛音，这些泛音的音高关系听起来是和谐的（八度、五度、四度等等），古人把这些叫"谐音"或"泛音"。与频率成反比的波长（可以理解为弦长或管长）就呈现 1, 1/2, 1/3, 1/4… 的比例。直白点说，你在弦上找出 1/2、1/3、1/4 处按住，得到的音正好构成和谐的泛音列。级数 Σ1/n 的项，就是这一串长度比。所以"调和"这个词同时指向"和声上的和谐"和"数值上的调和平均"，两者在词源上本来就是同一个词。

第三重是与"对比"的对应：这类级数处在收敛与发散的分界线上，是所有正项级数里最有代表性的"临界样本"。学级数的人几乎都是从它开始建立"发散可以很慢"这个直觉的。我个人觉得，前两重是名字的来源，第三重是它在教学中的地位来源，三者叠加，才让这个名字一直留着。

5.2 两种经典证法：分组法与积分估计

分组法（也叫奥雷斯姆证明）。把项按 2 的幂分组：

• 第 1 组：1，和 ≥ 1/2
• 第 2 组：1/2 + 1/3，注意 1/3 ≥ 1/4，所以和 ≥ 1/2
• 第 3 组：1/4 + 1/5 + 1/6 + 1/7，每一项 ≥ 1/8，四项之和 ≥ 4 × 1/8 = 1/2
• 一般地，第 k 组有 2^(k-1) 项，每项 ≥ 2^(-k)，组和 ≥ 1/2

于是部分和每翻一倍就至少增加 1/2，加无穷多次 1/2，必然跑到无穷。这个证明的漂亮之处在于完全没有用微积分，纯粹是算术估计，而且顺带给出了增长速度的粗略下界。

积分法。由第 4 节的推导，p=1 时积分是 ln N → ∞，所以发散。更进一步，积分判别法还能给出更精确的估计：S_n 与 ln n 只差一个有界量，这就是下一小节的主题。

5.3 部分和 ≈ ln n + γ：慢得让人怀疑人生

精确的渐近式是 H_n = ln n + γ + 1/(2n) - 1/(12n²) + …，其中 γ ≈ 0.5772156649 是欧拉-马歇罗尼常数。这个常数到底是不是有理数至今没有定论，但它的数值在计算里非常有用。

几组实测数字：

差值大约是 1/(2n)，和渐近式里的第二项对得上。这组数字最能说明"发散有多慢"：要让调和级数的和超过 20，需要 n 大约为 e^(20-0.577) ≈ 3.4 亿项。很多人写程序验证调和级数发散，跑到千万项发现和才 16 上下，以为程序写错了或者结论不对，其实完全正常。

提示：如果你要做"验证调和级数发散"的演示，别用"部分和很大"作为标准，改用"每增加 10 倍项数，和大约增加 ln10 ≈ 2.3026"。这个规律在任何量级都成立，是可预期的、可验证的。

6. q 级数：教材之外的民间叫法，用之前得说清楚

6.1 q 级数通常指什么

需要先打个预防针："q 级数"不是一个有统一定义的教科书术语。我在实际接触到它时，主要出现在两种语境里。

第一种，是把 p 级数的参数换个字母写，直接叫 q 级数，内容完全一样，就是 Σ1/n^q，结论还是 q>1 收敛。这种情况纯粹是记号差异，换个字母而已，遇到了不用紧张，对照 p 级数处理即可。

第二种，是指在 p 级数基础上再加一层对数的"加强版"，形如 Σ 1/(n·(ln n)^q)，或者更一般的 Σ 1/(n^p·(ln n)^q)。这一类在讨论"p 级数临界带上更精细的分层"时经常出现，因为 p=1 那条线上，普通 p 级数已经无法区分了，必须引入对数因子才能继续分层。我遇到的多数"q 级数"都是指这第二种。

6.2 积分判别法给出 q>1 收敛、q≤1 发散

以 Σ 1/(n·(ln n)^q) 为例，从 n=2 开始求和（n=1 时 ln1=0 会炸，必须跳过首项）。取 f(x) = 1/(x·(ln x)^q)，在 x ≥ 2 上为正、连续、单调递减，满足积分判别法条件。

做换元 u = ln x，du = dx/x，积分变成 ∫ du/u^q。这就回到了标准 p 级数的形式，只不过变量是 u 而不是 x。于是：

• q > 1 时收敛，积分值约为 1/((q-1)(ln 2)^(q-1))
• q ≤ 1 时发散，q=1 时积分为 ln(ln x)，仍然趋于无穷

这个推导非常值得自己动手做一遍，因为它揭示了一个通用套路：遇到带 ln 的结构，先换元 u = ln x，把它打回 p 级数的形状。学会这一招，Σ1/(n ln n)、Σ1/(n ln n ln ln n) 这类"套娃级数"全都能处理。顺带说个结论：Σ 1/(n ln n) 发散，但发散速度慢到离谱，部分和大约是 ln(ln n) 加常数，到 n=10^6 时和只有 3 上下，到 10^100 才勉强到 5 左右，实际计算中基本无法通过数值方法"看出来"。

6.3 符号冲突：同一个字母 q 在等差等比和级数里身份不同

这是我在给别人讲题时最常纠正的一处混乱：等比数列求和公式里的 q 是公比，q 级数里的 q 是幂次参数，两者毫无关系。同一张卷子上同时出现这两者的时候，一定要在草稿纸上分开写，比如把公比写成 r，或者把级数参数写成 α，避免自己把自己绕晕。

同样的道理，p 级数里的 p、q 级数里的 q、等比公式里的 q，三个符号各自独立。数学教材里符号重复使用是常态，但做笔记的时候最好在符号旁边标注一下"这个是公比""这个是幂次"，省得回头看笔记时完全对不上。

7. 斜率：把数列、级数和增长速度接到一张图上

7.1 斜率的定义与三个高频出错点

斜率的基本定义是 k = (y_2 - y_1)/(x_2 - x_1)，也写作 Δy/Δx，描述"横坐标每增加一个单位，纵坐标变化多少"。它是直线的"陡峭程度"，也是变化率的离散版本。

三个高频错误：

1. 分子分母顺序反了。有人写成 (x_2-x_1)/(y_2-y_1)，那是斜率的倒数，几何意义完全不同。记法是"先算纵向变化，再除以横向变化"，因为斜率要回答的是"横着走一步，竖着走几步"。
2. 竖直直线没有斜率。Δx = 0 时分母为零，数学上说不存在（不是"无穷大"，是"不存在"）。写代码时这里会直接抛除零异常，必须提前判断。
3. 忽略单位。如果 x 轴是秒、y 轴是米，斜率单位是米/秒，是有量纲的。同一组数据换成分钟做单位，斜率的数值会差 60 倍。做数据分析时这一点非常容易出错，尤其是比较不同来源的数据时。

7.2 等差数列的斜率就是公差

等差数列 a_n = a_1 + (n-1)d，把点 (n, a_n) 画出来，相邻两点的纵坐标差恒为 d，横坐标差恒为 1，所以斜率恒为 d。换句话说，公差 d 就是这条离散直线的斜率。

这个观察的价值在于：很多关于等差数列的问题可以转化为直线问题。比如"三个数成等差"等价于"三点共线"；"等差数列前 n 项和的最小值"可以转化为二次函数的顶点问题。我在做题时如果卡住了，会习惯性地画一下点，往往一眼就能看出结构。

反过来，等差数列部分和 S_n 是 n 的二次函数，它的"平均增长率"S_n/n 是 n 的一次函数，斜率是 d/2。这就是为什么等差数列的部分和图像是一条抛物线。

7.3 等比数列取对数之后，斜率是 ln q

等比数列 a_n = a_1·q^(n-1)，两边取自然对数：ln a_n = ln a_1 + (n-1)·ln q。这正是一个首项为 ln a_1、公差为 ln q 的等差数列。所以在半对数坐标（纵轴取对数）下，等比数列的点共线，斜率是 ln q。

这个结论在实际工作里用得极多。看到"某指标每年增长 8%"，本质上就是一个公比为 1.08 的等比数列，取对数后斜率是 ln1.08 ≈ 0.077。要比较两个不同增长率的序列快多少，直接比 ln q 的大小，比直接比 q 更接近直觉（因为对数把乘性差异变成了加性差异）。

顺带提一句近似的技巧：当 q 很接近 1 时，ln q ≈ q - 1。增长率 8% 对应 ln1.08 ≈ 0.0770，和 0.08 只差 0.003，做心算时直接用 q-1 完全可以。

7.4 从斜率到导数：连续化的那一步

把离散的 n 换成连续的 x，斜率就变成了导数，Δy/Δx 变成 dy/dx。这一步"连续化"在级数理论里不是装饰，而是工具：积分判别法之所以能成立，靠的就是"求和可以看成曲线下面积的近似"。矩形面积和与积分值只差首项，而收敛性只关心"有没有界"，所以可以互相替代。

回到第 4 节：p 级数通项 f(x) = x^(-p)，它的导数是 -p·x^(-p-1)，量级是 x^(-p-1)。积分判别法要求讨论 ∫x^(-p)dx，本质上是在比较"原函数的增长速度"。当 p>1 时原函数是 x^(1-p)，负指数，趋于常数；当 p≤1 时原函数是正指数或对数，趋于无穷。所以斜率这条线到最后指向的是一个很朴素的判断：看原函数在无穷远处有没有界。

8. 动手实现：用 Python 把上面这些结论全验一遍

8.1 环境与工具选型

这一节我用的都是标准库加常见的科学计算库，不需要额外安装什么奇怪的东西。工具选择的理由说清楚：

• math.fsum用来做高精度累加。普通sum或循环累加在项数上千万时会出现明显的浮点累积误差，fsum内部做了补偿，误差小得多。
• fractions.Fraction用来做精确有理数运算，验证等比求和公式时最可靠，不会出现 0.30000000000000004 那种尴尬。
• sympy用来做符号推导，验证公式的代数形式。
• numpy.polyfit用来拟合斜率，验证"等差数列斜率等于公差"。

这里的原则是：公式用符号算，行为用数值验，两边互相校验。只看数值容易误判（比如把缓慢发散当成收敛），只看符号容易漏掉定义域和特殊情况（比如 q=1）。

8.2 调和级数部分和与 ln n + γ 的对照

这段代码要做的事：算 H_n，和 ln n + γ 比，看差值是不是接近 1/(2n)。

import math GAMMA = 0.5772156649015329 def harmonic(n): return math.fsum(1.0 / k for k in range(1, n + 1)) for n in (10, 100, 1_000, 10_000, 100_000, 1_000_000): h = harmonic(n) approx = math.log(n) + GAMMA print(f"n={n:>8} H_n={h:.10f} ln n + gamma={approx:.10f} diff={h - approx:.3e}")

跑出来会看到 diff 从 5e-2 一路降到 5e-7 量级，和 1/(2n) 同阶。这个实验做完，对"调和级数发散但极慢"这件事就有手感了。想看增长规律，可以改成每隔 10 倍打一行，观察每次增量是不是接近 2.3026。

8.3 p 级数扫描：摸清收敛与发散的数值边界

def p_series(p, n): return math.fsum(k ** (-p) for k in range(1, n + 1)) for p in (0.9, 1.0, 1.1, 1.5, 2.0): row = [round(p_series(p, n), 4) for n in (10**2, 10**3, 10**4, 10**5, 10**6)] print(f"p={p:<4} {row}")

看输出的时候有个技巧：不要只看数值大小，要看每加 10 倍项数，增量怎么变。p=0.9 时增量基本不衰减，p=1.0 时增量按对数衰减（每次加约 2.3），p=1.1 时增量在衰减但极慢，p=2.0 时增量几乎看不见。这个"增量衰减规律"比绝对值更能判断收敛性。

注意：这种数值扫描只能作为"辅助观察"，不能作为"证明"。p=1.1 在 10^6 项时看起来增量很小，但理论上它确实收敛；反过来 p=1.0 在 10^6 项时看起来也快稳定了，但它是发散的。这一点必须心里有数。

8.4 等比求和：符号计算与数值计算互相校验

import sympy as sp from fractions import Fraction n = sp.symbols('n', positive=True, integer=True) a1, q = sp.symbols('a1 q', positive=True) # 符号验证有限项和公式 finite = sp.summation(a1 * q**(n - 1), (n, 1, 10)) print(sp.simplify(finite)) # a1*(q**9 + ... + 1) # 精确有理数验证 |q|<1 的无穷和 print(sum(Fraction(1, 2)**k for k in range(200))) print(float(sum(Fraction(1, 2)**k for k in range(200)))) # 接近 2

用 Fraction 累加 200 项，结果是个分母极长的分数，但转成浮点就是 2.0（严格说是 2 - 2^(-199)，浮点下显示为 2.0）。这正好验证了 Σ(1/2)^k = 1/(1-1/2) = 2 这个结论。

q=1 的特判也可以顺手验一下：写一个函数，q=1 时返回 a1*n，q≠1 时用公式，然后和逐项累加的结果对比，看是否一致。

8.5 精度控制：为什么这里必须用 fsum

普通累加的问题是误差会累积。加 10^7 个 1/k 这种在量级上逐渐变小的数，大数加小数会有截断误差，逐项累积下来可以偏离真实值好几个有效数字。math.fsum用的是补偿求和（内部维护部分和的高低位），精度接近精确舍入，代价是内存开销略大。

另一个选择是用mpmath做高精度计算：

import mpmath as mp mp.mp.dps = 30 h = mp.nsum(lambda k: 1/mp.mpf(k), [1, mp.inf])

不过这里要提醒：对发散级数，这种求和在数学上是没有意义的，会返回错误结果或者极慢。用之前一定先确认收敛性。

9. 常见问题与排查速查表

9.1 数值计算类问题

问题一：算出来和预期完全不符，差了几个数量级。先检查是不是漏了首项，或者 n 的起始值写错了（从 0 开始时 1/0 会炸，从 1 还是从 2 开始对某些级数影响很大，比如带 ln n 的那些）。再检查是不是把整数除法当成了浮点除法。

问题二：级数明明收敛，程序跑到几千万项还没稳定。大概率是遇到了 p 略大于 1 或者带 ln 的慢收敛级数。前面表格里 p=1.1 到 10 万项才到 7.5，收敛极慢是正常的，不是程序错。解决办法是改用解析近似或者级数加速。

问题三：判断收敛时结论反了。最常见的原因是把"通项趋于 0"当成了"收敛"。再检查一下是不是在比较判别法里比错了方向——和收敛级数比、结果自己更大，那只能说明"比收敛的大"，不能得出任何结论，必须换一个发散的级数去比。

9.2 判断与推导类问题

问题：等比求和公式为什么在 q=1 时不能直接用？因为推导过程中两边乘了 (1-q) 并做了除法，q=1 时这个操作不合法。正确做法是分情况，q=1 时部分和是 n·a_1，这在代码里也必须体现为一个 if 分支。

问题：p 级数的临界点为什么是 1 而不是别的数？因为积分判别法把问题转化成了 ∫x^(-p)dx，而 x^(-p) 的原函数是 x^(1-p)/(1-p)，指数 1-p 决定有没有界。指数 < 0 有界（收敛），指数 ≥ 0 无界（发散），分界点自然落在 p=1 上。

问题：交错级数收敛了，能不能随便交换项的顺序？不能。条件收敛的级数重排之后和会变，这是级数理论里一个反直觉的结论。绝对收敛的才能随意重排。做计算的时候，如果级数是条件收敛的，累加顺序会影响最终结果，这一点在数值上也要注意。

9.3 一张可以直接对照的排查表

10. 我自己的练习路线和几点不太好听的经验

10.1 一份两周能跑完的练习清单

第一天到第三天，只做一件事：把等差和等比的两个求和公式各自独立推导五遍，不用看笔记。推到能闭着眼睛写出来，并且能说出每一步为什么成立。这一步不过关，后面全是白搭。

第四天到第六天，手推积分判别法，把 p 级数、调和级数、Σ1/(n ln n) 三个结论全部推一遍。推完立刻写代码验证，数值和理论对不上就回去找错。

第七天到第九天，把常见判别法的作用范围整理成一张自己的表，然后找二十道混合的题目做，做完给每道题标注"用了哪个判别法、为什么选它"。这一步的价值远大于刷题量。

第十天到第十四天，做一次完整的小项目：用代码算一批级数的部分和，画出"部分和 vs n"的曲线，观察收敛和发散在图上怎么区分。做完这个，对"慢发散"的直觉基本就建立起来了。

10.2 几个我确实踩过的坑

坑一：用数值结果代替证明。我最早学级数的时候，习惯算几项看看"稳不稳定"，然后下结论。这个习惯延续到后来做数据分析时出过一次大事——某个指标序列看起来收敛，实际是发散的，只是增长极慢。教训是：数值只能提供线索，结论必须由判别法给出。

坑二：把符号当成固定含义。有次看别人的笔记，把等比公式里的 q 当成了 p 级数的参数，怎么算都对不上。后来养成习惯，所有推导前先在纸角写一行"符号约定"，把每个字母代表什么标清楚。这个习惯看起来啰嗦，实际省了大量时间。

坑三：忽略收敛速度。知道 p>1 收敛就以为万事大吉，实际写程序时 p=1.05 的级数算到内存爆掉也得不到满意精度。现在我动手前会先估一下误差量级：p 级数的截断误差大约是 N^(1-p)/(p-1)，代入 N 和 p 就知道要算多少项，避免白跑。

坑四：斜率算反。做数据拟合时把横纵坐标搞反过一次，斜率变成了倒数，结论完全颠倒。现在的做法是固定写k = (y2-y1)/(x2-x1)，并且在变量命名里带上 x 和 y 的前缀，从命名上防止自己搞错。

最后分享一个我觉得挺有用的小技巧：遇到一个不认识的级数，先做三步——看通项极限、看能不能找到对应的 p 级数或等比级数做比较、看通项有没有单调性。这三步走完，八成的情况已经能定性了，剩下两成再上比值法、根值法或者更精细的估计。这套流程我用了很久，比一上来就翻判别法目录要快得多。