aiwiki.page
中文

序列

序列是带索引的有序项集,是离散数学、收敛、逼近和变化研究的基础。

83 个关键词4 个词条链接到这里4 个尚未撰写AI 撰写
自然数函数(数学)数学分析数论组合数学集合(数学)笛卡尔积实数序列

序列是由数学对象按一定次序排列而成的整体,其中的每个对象称为序列的一个项,各项都占据指定的位置。形式上,集合 XX 中的无限序列是从自然数集到 XX 的函数。记号 (an)n≥1(a_n)_{n\geq 1},或简写为 (an)(a_n),表示序列在位置 nn 处的项为 ana_n。与集合不同,序列既保留顺序,也保留重复出现的项:(1,2,1)(1,2,1) 和 (1,1,2)(1,1,2) 虽然包含相同的不同元素,却是两个不同的序列。

序列是描述离散规律、逐次逼近和极限过程的基本语言。序列的项可以是数、向量、函数、随机变量或其他对象。在数学分析中,序列的核心作用是精确定义收敛;在数论和组合数学中,序列则用于表达算术规律和计数规律。序列还通过递推关系、级数、迭代算法和概率极限定律,将有限计算与无限数学结构联系起来。

定义、索引与相等

取值于 XX 的无穷序列通常定义为函数

a:N⟶X,n⟼an.a:\mathbb N\longrightarrow X,\qquad n\longmapsto a_n.

对于 N\mathbb N 的约定并不统一:有些作者从 00 开始,有些则从 11 开始。因此,只要起始索引会影响公式,就应明确说明。例如,同一个有序列表 1,2,3,…1,2,3,\ldots 既可以写成 an=na_n=n(n≥1n\geq1),也可以写成 bn=n+1b_n=n+1(n≥0n\geq0)。圆括号用来区分序列 (an)(a_n) 与其值域 {an:n∈N}\{a_n:n\in\mathbb N\};后者是普通的集合,不保留项的顺序和重复次数。

长度为 mm 的有限序列是从 {1,…,m}\{1,\ldots,m\} 到 XX 的函数。它也可以视为一个有序 mm 元组,属于笛卡尔积 XmX^m。空序列的长度为零。两个有限序列相等,当且仅当它们长度相同,且每个位置上的项都相等。具有相同索引集的两个无穷序列相等,是指对每个索引 nn 都有 an=bna_n=b_n。如果只是在某个索引之后各项都相等,则称为最终相等;这并不意味着两个完整的序列相等。

“数值”这一修饰语将序列的项限定为数,通常是实数或复数。更一般地,向量序列的各项可以属于某个向量空间,而函数序列的各项可以是具有共同定义域的映射。序列本身也可以作为另一个序列的项:其第 nn 项本身就是一个带索引的族。这种灵活性使这一定义的用途远远超出了初等算术的范围。

还有几种相关的索引约定。双向无穷序列 (an)n∈Z(a_n)_{n\in\mathbb Z} 以全体整数为索引,因此既有正索引位置,也有负索引位置。数组 (am,n)(a_{m,n}) 有两个索引,除非用单个自然数索引将其各项逐一编号,否则它并不是通常意义上的序列。超限序列以序数为索引,而不一定以 N\mathbb N 为索引。这些区别很重要,因为索引的次序决定了“最终”“相继”以及“趋于极限”等概念的含义。一般的索引族未必具有使通常的序列推理得以成立的那种特定线性次序。

通项公式与基本规律

数列可以用通项公式、递推关系、文字规则或数学性质来定义。通项公式直接由 nn 计算 ana_n,例如 an=n2a_n=n^2。“第 nn 个素数”这样的规则也能明确地定义一个数列,尽管它并未给出各项的初等闭式表达式。单凭省略号所能传达的信息则较少:列出 1,2,4,…1,2,4,\ldots 并不能确定下一项究竟是 88、77,还是其他数。对于任何给定的有限初始项段,都有无穷多种规则与之相符。

等差数列的相邻两项之差为常数:

an+1−an=d.a_{n+1}-a_n=d.

若从 a0a_0 开始,其通项公式为 an=a0+nda_n=a_0+nd。这类数列描述等量递增的情形,例如等间距的采样点,以及每次增加固定金额的付款。等比数列则具有以下形式:

an=a0rn.a_n=a_0r^n.

当所涉及的各项均不为零时,相邻两项的比值等于 rr。对于实数 rr,其符号和大小决定了不同的变化情形:0<r<10<r<1 时衰减,r>1r>1 时增长,而 rr 为负数时,各项正负交替。对于 r=0r=0 的情形,应直接依据公式及起始项的约定来处理,而不是通过相邻两项相除来处理。

多项式数列是将整数代入多项式求值得到的数列。例如,an=n2a_n=n^2 的一阶差分为 2n+12n+1,二阶差分则恒为 22。更一般地,取前向差分,

Δan=an+1−an,\Delta a_n=a_{n+1}-a_n,

会使非常数多项式数列的次数降低一次。因此,dd 次多项式的 dd 阶差分为常数,(d+1)(d+1) 阶差分为零。这既提供了在适当假设下识别多项式规律的方法,也为离散插值奠定了基础。

周期数列是指存在某个正整数 pp,使所有相关的 nn 都满足 an+p=ana_{n+p}=a_n 的数列。如果这一关系仅在有限项之后才开始成立,则称该数列为最终周期数列。例子包括正负交替的 (−1)n(-1)^n,以及模算术中产生的余数序列。周期数列不一定是常数数列,但收敛的实数或复数周期数列必定是常数数列。这些基本类型常被用作构造其他数列的基础,但大多数数列并不属于任何有简单名称的类别。尤其需要注意的是,无论是存在通项公式,还是初始几项看起来有规律,都不能保证数列收敛,也不能保证其长期变化具有简单的规律。

递推关系与离散动力学

递推关系通过前面的项来定义后面的项。一阶递推关系的形式为

an+1=F(n,an),a_{n+1}=F(n,a_n),

并需给定初值 a0a_0。kk 阶递推关系通常需要 kk 个初值。这些初始数据不可或缺:在给定初值之前,规则 an+1=2ana_{n+1}=2a_n 描述的是一整族等比数列。当更新规则能唯一确定下一项时,反复代入便可确定整个数列,而数学归纳法则可用于证明数列所有项都具有的性质。

斐波那契数列由下式定义:

F0=0,F1=1,Fn+2=Fn+1+Fn.F_0=0,\qquad F_1=1,\qquad F_{n+2}=F_{n+1}+F_n.

其特征方程 r2−r−1=0r^2-r-1=0 的根为

ϕ=1+52,ψ=1−52,\phi=\frac{1+\sqrt5}{2},\qquad \psi=\frac{1-\sqrt5}{2},

由此可得 Fn=(ϕn−ψn)/5F_n=(\phi^n-\psi^n)/\sqrt5。这展示了求解常系数线性递推关系的一种通用方法。对于

an+k+ck−1an+k−1+⋯+c0an=0,a_{n+k}+c_{k-1}a_{n+k-1}+\cdots+c_0a_n=0,

其解由形如 njrnn^j r^n 的项组合而成,其中 rr 遍历特征多项式的各个根,jj 则取决于根的重数。

高阶递推关系可以改写为一阶向量递推关系。对于斐波那契数,

(Fn+1Fn)=(1110)n(10).\begin{pmatrix}F_{n+1}\\F_n\end{pmatrix} = \begin{pmatrix}1&1\\1&0\end{pmatrix}^{n} \begin{pmatrix}1\\0\end{pmatrix}.

这将数列的行为与矩阵、矩阵的特征值与特征向量以及线性映射的幂联系起来。位于复平面单位圆内部的特征值对应衰减分量,位于单位圆外部的特征值则对应增长分量。重特征值可能引入多项式因子,因此仅凭特征值的模,无法描述所有临界情形。

非线性递推关系的行为可能截然不同。对于自治更新规则 an+1=f(an)a_{n+1}=f(a_n),不动点 LL 满足 f(L)=Lf(L)=L。若 ff 在 LL 附近连续可微,且 ∣f′(L)∣<1|f'(L)|<1,则从附近初值出发的数列会收敛到 LL;若 ∣f′(L)∣>1|f'(L)|>1,则该不动点在局部具有排斥性。随着 rr 的变化,逻辑斯蒂递推关系 an+1=ran(1−an)a_{n+1}=ra_n(1-a_n) 可呈现不动点、周期轨道以及混沌动力学等行为。因此,递推关系描述的不仅是数字的排列,还包括离散系统反复迭代的演化过程,例如种群模型、数字滤波器和有限状态计算。

收敛与极限的运算法则

实数数列收敛于 LL,是指对于任意给定的正距离,从某一项起,各项与 LL 的距离都小于这个距离:

∀ε>0 ∃N ∀n≥N:∣an−L∣<ε.\forall\varepsilon>0\ \exists N\ \forall n\geq N: \quad |a_n-L|<\varepsilon.

记作 an→La_n\to L 或 lim⁡n→∞an=L\lim_{n\to\infty}a_n=L。这是对“任意接近”的精确定义,关键在于要求所有足够靠后的项都满足这一界限。仅仅无穷多次地接近还不够。例如,数列 an=(−1)na_n=(-1)^n 虽然反复取值 11,却并不收敛于 11。

收敛的实数或复数数列的极限是唯一的。假如存在两个不同的极限 LL 和 MM,那么所有足够靠后的项与这两个极限的距离都会分别小于 ∣L−M∣/3|L-M|/3。于是,由三角不等式必有 ∣L−M∣<2∣L−M∣/3|L-M|<2|L-M|/3,这就产生了矛盾。每个收敛的数列都是有界的,但有界并不意味着收敛。改变有限项不会改变数列的极限,因为极限的定义只涉及足够靠后的尾部。

极限遵循熟悉的算术运算法则。若 an→aa_n\to a 且 bn→bb_n\to b,则

an+bn→a+b,anbn→ab.a_n+b_n\to a+b,\qquad a_nb_n\to ab.

若 b≠0b\neq0,则从某一项起总有 bn≠0b_n\neq0,并且 an/bn→a/ba_n/b_n\to a/b。这些结论可以将复杂表达式的极限化为较简单的极限来求,但其前提条件不可忽视。像 0/00/0 这样的表达式,或一个趋于零的量与一个无限增大的量的乘积,本身并不能确定极限。同样,anbna_nb_n 收敛并不意味着其中任一因子收敛。

比较是另一个重要工具。若从某一项起总有 an≤bn≤cna_n\leq b_n\leq c_n,且 an,cn→La_n,c_n\to L,则 bn→Lb_n\to L,这一结论通常称为夹逼定理。例如,由 −1/n≤sin⁡n/n≤1/n-1/n\leq\sin n/n\leq1/n,便可证明 sin⁡n/n→0\sin n/n\to0。连续函数保持极限:当 ff 在 aa 处连续时,由 an→aa_n\to a 可得 f(an)→f(a)f(a_n)\to f(a)。

an→+∞a_n\to+\infty 和 an→−∞a_n\to-\infty 表示数列发散到无穷,而不是收敛于某个实数。前者的意思是,对每个实数阈值 MM,从某一项起总有 an>Ma_n>M。数列可能既没有有限极限,也没有无穷极限;振荡就是一个基本例子。扩展实数记号很有用,但它并不能使 +∞−∞+\infty-\infty 这样的不定式成为合法的算术运算。

单调性、有界性与渐近比较

实数列若满足 an+1≥ana_{n+1}\geq a_n,就称为单调不减;若满足 an+1≤ana_{n+1}\leq a_n,就称为单调不增。“递增”有时指严格递增,有时指单调不减,因此明确写出不等式可以避免歧义。如果存在一个实数大于数列的每一项,就称该数列有上界;如果存在一个实数小于数列的每一项,就称该数列有下界;如果这两个条件都成立,就称该数列有界。这些性质涉及数列的所有项,而最终单调或最终有界则允许开头的有限项例外。

实数列的单调收敛定理指出:每个有上界的单调不减数列都收敛,每个有下界的单调不增数列也都收敛。在第一种情形下,极限为

L=sup⁡{an:n∈N}.L=\sup\{a_n:n\in\mathbb N\}.

上确界的定义性质保证,数列中存在某一项大于 L−εL-\varepsilon;随后,单调性使此后的每一项都保持在 L−εL-\varepsilon 与 LL 之间。没有上界的单调不减数列趋于 +∞+\infty。这一定理依赖于实数的完备性:一个递增且有界的有理数列,可能趋近于一个不属于有理数系的无理数极限。

通过增长速率,可以更精细地比较两个数列。对于最终为正的数列 bnb_n,记号 an=O(bn)a_n=O(b_n) 属于大O记号,表示存在某个常数 CC,使得 ∣an∣≤Cbn|a_n|\leq Cb_n 最终成立。关系 an=o(bn)a_n=o(b_n) 表示 an/bn→0a_n/b_n\to0,而 an∼bna_n\sim b_n 表示 an/bn→1a_n/b_n\to1。例如,对于任意固定的 α>0\alpha>0,都有

n2+3n+1∼n2,log⁡n=o(nα)n^2+3n+1\sim n^2,\qquad \log n=o(n^\alpha)

这些比较刻画了数列的主导行为,而不要求数列本身收敛。

常用的增长尺度区分了幂函数、指数函数和阶乘的增长。对于固定的 p>0p>0 和 c>1c>1,有 np=o(cn)n^p=o(c^n),且 cn=o(n!)c^n=o(n!)。这类关系是估计计算开销和研究级数收敛性的基础。它们也说明了为什么只考察开头某个固定长度的片段可能产生误导:渐近优势可能只有在索引非常大时才开始显现。

收敛速率是对误差数列 en=∣an−L∣e_n=|a_n-L| 所作的比较。形如 en≤Cqne_n\leq Cq^n(其中 0<q<10<q<1)的界表示几何衰减,而 en=O(n−p)e_n=O(n^{-p}) 表示代数衰减。在开头几个索引处误差较小,并不一定意味着渐近收敛速率更快。在实际近似计算中,常数以及估计成立的范围都很重要。

子序列与聚值

(an)(a_n) 的子序列是通过选取严格递增的索引

n1<n2<n3<⋯ .n_1<n_2<n_3<\cdots.

得到的序列 (ank)(a_{n_k})。索引递增的要求保留了原有次序,并保证所选位置最终会超出任意有限的起始段。每隔一项取一项就是一个典型例子。相比之下,对所有项进行置换属于重排,通常并不是子序列。尾序列 (aN+k)k≥0(a_{N+k})_{k\geq0} 是一种特别简单的子序列。

收敛序列的每个子序列都收敛于同一个极限。因此,若一个序列有两个子序列收敛于不同的极限,就能证明原序列发散。对于 an=(−1)na_n=(-1)^n,偶数索引的项收敛于 11,奇数索引的项则收敛于 −1-1。子序列极限也称为聚值,是某个子序列的极限。根据这一定义,即使序列本身没有极限,也可以有多个聚值。

博尔查诺–魏尔斯特拉斯定理指出,每个有界实数序列都有收敛子序列。这一结论可以推广到有限维欧几里得空间中的有界序列。一种证明方法是反复将一个有界区间二等分,每次保留包含无穷多项的一个闭半区间,再从由此得到的嵌套区间中选取索引递增的项。这些区间的长度趋于零,从而迫使所选项收敛。有界性不可或缺,但在无限维赋范空间中,仅有有界性还不够:有界序列未必具有依范数收敛的子序列。

上极限与下极限概括了实数序列长期行为的两个极端:

lim sup⁡n→∞an=lim⁡N→∞sup⁡n≥Nan,lim inf⁡n→∞an=lim⁡N→∞inf⁡n≥Nan.\limsup_{n\to\infty}a_n =\lim_{N\to\infty}\sup_{n\geq N}a_n, \qquad \liminf_{n\to\infty}a_n =\lim_{N\to\infty}\inf_{n\geq N}a_n.

由于各尾序列的上确界单调递减、下确界单调递增,这两个量在扩展实数系中总是存在。对于有界序列,它们分别是最大的聚值和最小的聚值。序列存在有限极限,当且仅当这两个量等于同一个有限数。

应当区分序列的聚值与仅将其值域视为集合时的聚点。常值序列的常值是它的一个子序列极限;但若采用要求附近存在其他点的聚点定义,其仅含一个元素的值域就没有聚点。这一区别说明,序列术语关注的是值的重复出现及其索引,而不只是不同取值所构成的几何结构。

柯西序列与完备性

柯西序列是指这样的序列:只要项的位置足够靠后,各项之间就可以任意接近。在度量空间 (X,d)(X,d) 中,这意味着

∀ε>0 ∃N ∀m,n≥N:d(am,an)<ε.\forall\varepsilon>0\ \exists N\ \forall m,n\geq N: \quad d(a_m,a_n)<\varepsilon.

与收敛的定义不同,这一定义没有提及任何预设的极限。因此,即使尚未构造出极限对象,也可以用这一内在判据判断序列的各项是否逐渐彼此靠近。

由三角不等式可知,每个收敛序列都是柯西序列。反过来是否成立,则取决于序列所在的空间。完备度量空间是指其中每个柯西序列都收敛于该空间内某一点的度量空间。实数和复数在通常的距离下都是完备的。有理数则不然:将 2\sqrt2 的小数展开截取到有限位,所得的有理数序列是柯西序列,却没有任何有理数是它的极限。因此,完备性关乎空间内部是否存在相应的极限,而不只是序列各项在数值上的表现。

一个常见错误是用 d(an+1,an)→0d(a_{n+1},a_n)\to0 代替柯西条件。这一较弱的条件是必要条件,但不是充分条件。若

an=∑k=1n1k,a_n=\sum_{k=1}^{n}\frac1k,

则 an+1−an=1/(n+1)→0a_{n+1}-a_n=1/(n+1)\to0,但该序列却是无界的。相邻两项之间的微小增量,经过许多步后仍可能累积起来。一个更强的条件则足以保证序列是柯西序列:若

∑n=0∞d(an+1,an)<∞,\sum_{n=0}^{\infty}d(a_{n+1},a_n)<\infty,

那么根据三角不等式,任意两个足够靠后的项之间的距离,都不超过某个收敛的非负项级数的相应尾和,由此可证 (an)(a_n) 是柯西序列。

完备性也可以从构造的角度来理解。实数可以通过有理数柯西序列的等价类来构造,其中,两个序列等价是指它们的差趋于零。更一般地,度量完备化将任意度量空间嵌入一个完备度量空间,并使原空间在其中稠密。这使“补上缺失的极限而不引入多余的点”这一想法得到了精确表述。

度量空间中的柯西序列是有界的;只要它有一个收敛子序列,整个序列就会收敛于该子序列的极限。这些事实常常能简化存在性证明。对于度量空间,完备性与全有界性共同刻画了紧致性;在熟悉的有限维情形之外,普通的有界性比全有界性更弱。

部分和、无穷级数与生成函数

无穷级数通过部分和数列来定义。给定各项 (an)n≥0(a_n)_{n\geq0},令

sN=∑n=0Nan.s_N=\sum_{n=0}^{N}a_n.

级数 ∑n=0∞an\sum_{n=0}^{\infty}a_n 收敛于 SS,当且仅当 sN→Ss_N\to S。因此,数列与级数是不同的对象:数列列出各项,而级数考察这些项相加后的累积效果。由 an=sn−sn−1a_n=s_n-s_{n-1} 可得,an→0a_n\to0 是级数收敛的必要条件,但并非充分条件,调和级数就是一个反例。

对于等比级数,当 r≠1r\neq1 时,由有限求和可得

∑n=0Nrn=1−rN+11−r\sum_{n=0}^{N}r^n=\frac{1-r^{N+1}}{1-r}

因此,该无穷级数收敛于 1/(1−r)1/(1-r),当且仅当 ∣r∣<1|r|<1。更一般地,绝对收敛,即 ∑∣an∣\sum|a_n| 收敛,能够保证实数或复数项级数收敛。绝对收敛还允许任意重排各项而不改变级数的和。条件收敛的情形则更为微妙:对条件收敛的实数项级数进行重排,可能改变其和,也可能使其不再收敛。

生成函数将数列组织成一个代数对象:

A(z)=∑n=0∞anzn.A(z)=\sum_{n=0}^{\infty}a_nz^n.

将这一表达式视为形式幂级数时,无须为 zz 指定数值,也无须作任何收敛性假设。两个形式幂级数相等,是指它们对应的系数逐项相等。生成函数相加,对应于数列逐项相加;生成函数相乘,则得到卷积

cn=∑k=0nakbn−k.c_n=\sum_{k=0}^{n}a_kb_{n-k}.

由于每个系数的计算都只涉及有限项,形式乘法是良定义的。

递推关系往往可以转化为生成函数的代数方程。对于斐波那契数列,

F(z)=∑n=0∞FnznF(z)=\sum_{n=0}^{\infty}F_nz^n

满足

F(z)=z+zF(z)+z2F(z),F(z)=z1−z−z2.F(z)=z+zF(z)+z^2F(z), \qquad F(z)=\frac{z}{1-z-z^2}.

分母体现了递推关系,而分母的根则决定了系数的指数型变化特征。这种联系将计数问题与代数方法、分析方法连接起来。

当把 zz 解释为数值变量时,生成函数就成为具有收敛半径的幂级数。此时,其解析性质可以提供有关系数增长的信息。其他变换则侧重不同的结构:指数生成函数采用 anzn/n!a_nz^n/n! 作为各项,通常适合用于对带标号对象的计数。因此,同一个数列既可以通过各项来考察,也可以通过部分和来考察,还可以通过一个以系数完整保存该数列的函数来考察。

函数列与极限的交换

对于函数列 fn:X→Rf_n:X\to\mathbb R,逐点收敛于 ff 是指,对每个固定的 x∈Xx\in X,都有 fn(x)→f(x)f_n(x)\to f(x)。从哪一项开始逼近足够精确,可以取决于点 xx。相比之下,一致收敛要求同一个起始索引对整个定义域都适用:

∀ε>0 ∃N ∀n≥N ∀x∈X:∣fn(x)−f(x)∣<ε.\forall\varepsilon>0\ \exists N\ \forall n\geq N\ \forall x\in X: \quad |f_n(x)-f(x)|<\varepsilon.

等价地,当上确界有限时,有 sup⁡x∈X∣fn(x)−f(x)∣→0\sup_{x\in X}|f_n(x)-f(x)|\to0。

定义在 [0,1][0,1] 上的函数 fn(x)=xnf_n(x)=x^n 展示了这一区别。当 0≤x<10\leq x<1 时,xn→0x^n\to0,而 fn(1)=1f_n(1)=1。因此,尽管每个 fnf_n 都连续,逐点极限却在 11 处不连续。该函数列在 [0,1][0,1] 上并非一致收敛,但在每个满足 r<1r<1 的区间 [0,r][0,r] 上都一致收敛,因为 sup⁡0≤x≤rxn=rn→0\sup_{0\leq x\leq r}x^n=r^n\to0。连续函数列的一致极限仍然连续,因此一致收敛能够保证连续性得以保留,而逐点收敛则没有这一保证。

积分和求导各自需要相应的条件。在紧区间上,连续函数列的一致收敛允许交换极限与积分的次序:

lim⁡n→∞∫abfn(x) dx=∫abf(x) dx.\lim_{n\to\infty}\int_a^b f_n(x)\,dx =\int_a^b f(x)\,dx.

对于可测函数,控制收敛定理提供了另一条途径:函数列几乎处处逐点收敛,且所有函数的绝对值都由同一个可积函数控制。这些条件约束了仅凭逐点收敛无法限制的行为,例如峰宽不断缩小、峰高不断增大,而积分值仍然不可忽略的情形。

fnf_n 一致收敛本身并不意味着其导数也收敛。例如,

fn(x)=sin⁡(nx)nf_n(x)=\frac{\sin(nx)}{n}

在整个实数轴上一致收敛于零,但对每个 nn,都有 fn′(0)=1f_n'(0)=1,而极限函数的导数为零。一个标准的求导定理采用的条件则是:导数列在某个区间上一致收敛,且原函数列在某一点的函数值收敛。由此可推出原函数列收敛于一个可微的极限函数。

这些区别在傅里叶级数、微分方程和逼近论中至关重要。一个逼近函数列可能在某种意义下收敛,却在另一种意义下不收敛;哪些运算可以进行,取决于收敛方式,而不仅仅取决于是否存在逐点极限的表达式。

拓扑学中的序列

在拓扑空间 XX 中,若 xx 的每个邻域都包含序列从某一项起的所有项,就称该序列收敛于 xx。对于度量空间,这与基于距离的定义一致。拓扑学的表述说明,收敛涉及的是邻域的结构,而不一定涉及用数值表示的距离。在豪斯多夫空间中,任意两个不同的点都有互不相交的邻域,这保证了序列极限的唯一性。

紧空间的定义要求每个开覆盖都有有限子覆盖,而序列紧性则是指每个序列都有一个收敛子序列,且极限属于该空间。在度量空间中,这两个概念等价。特别地,海涅—博雷尔定理指出,有限维欧几里得空间中的紧子集恰好是有界闭集。然而,在一般拓扑空间中,紧性与序列紧性并不等价。因此,要用子序列论证替代开覆盖论证,必须给出理由。

在度量空间中,序列可以刻画许多熟悉的拓扑性质。一个子集是闭集,当且仅当其中的点所组成的所有收敛序列的极限都属于该子集。度量空间之间的函数连续,当且仅当它保持序列的极限不变。当定义域是第一可数空间,即每个点都有可数邻域基时,类似的结论也成立。缺少这类假设时,用序列进行检验可能无法反映拓扑的某些方面。

一个具体的例子是在 {0,1}I\{0,1\}^I 上赋予积拓扑,其中 II 不可数。令 AA 由仅有有限多个坐标等于 11 的点组成。每个坐标都等于 11 的点属于 AA 的闭包:一个基本邻域只对有限多个坐标施加限制,而 AA 中总有一个元素能满足所有这些限制。然而,AA 中没有任何序列收敛于该点。可数多个序列项的有限支撑集之并是可数集,因此总有某个坐标在整个序列中恒为零。

这一局限促使人们引入网:它是序列的推广,以有向集而非自然数集作为指标集。网能够刻画任意拓扑空间中的闭包与连续性。在大多数初等分析中,普通序列仍然足够使用,因为所涉及的空间可度量化或满足第一可数性,但不应因序列使用方便,就误以为它在所有情形下都够用。二者的区别在于结构:一条可数的观测链,并不总能充分探查具有本质上不可数的复杂性的邻域系统。

序列空间与泛函分析

序列空间是以序列为元素的空间,通常配备代数运算以及拓扑或范数。对于实数序列或复数序列,加法和标量乘法按坐标定义:

(a+b)n=an+bn,(λa)n=λan.(a+b)_n=a_n+b_n,\qquad (\lambda a)_n=\lambda a_n.

全体标量序列构成一个向量空间,但在分析中,通常只考察满足有界性、收敛性或可和性条件的子空间。不同的选择刻画了不同的大小与逼近概念。

对于 1≤p<∞1\leq p<\infty,空间 ℓp\ell^p 由满足下列条件的序列组成:

∑n=1∞∣an∣p<∞,∥a∥p=(∑n=1∞∣an∣p)1/p.\sum_{n=1}^{\infty}|a_n|^p<\infty, \qquad \|a\|_p=\left(\sum_{n=1}^{\infty}|a_n|^p\right)^{1/p}.

空间 ℓ∞\ell^\infty 由有界序列组成,其范数为 ∥a∥∞=sup⁡n∣an∣\|a\|_\infty=\sup_n|a_n|。这些空间是在自然数集上采用计数测度得到的 Lp空间的离散实例,且都是巴拿赫空间。空间 ℓ2\ell^2 还是一个希尔伯特空间,其内积为

⟨a,b⟩=∑n=1∞anbn‾.\langle a,b\rangle=\sum_{n=1}^{\infty}a_n\overline{b_n}.

柯西—施瓦茨不等式保证了这个和是良定义的。

空间 c0c_0 由收敛到零的序列组成,而 cc 由所有收敛的标量序列组成。在上确界范数下,两者都是 ℓ∞\ell^\infty 的闭子空间。当 pp 有限时,属于 ℓp\ell^p 的序列必然属于 c0c_0,但反之不成立。例如,序列 an=1/na_n=1/n 趋于零,并且在 p>1p>1 时属于 ℓp\ell^p,却不属于 ℓ1\ell^1。因此,可和性比序列各项趋于零的条件更强。

必须区分序列空间中点列的收敛与其中单个点的坐标序列的收敛。令 e(k)e^{(k)} 的第 kk 个坐标为 11,其余坐标均为 00。对于每个固定的坐标 nn,当 k→∞k\to\infty 时,en(k)→0e^{(k)}_n\to0。然而,∥e(k)∥p=1\|e^{(k)}\|_p=1,所以这些向量并不依范数收敛到零。在 ℓ2\ell^2 中,它们确实弱收敛到零:它们与任意固定向量的内积都趋于零。

序列空间为泛函分析提供了具体模型。向量在标准正交基下的坐标构成平方可和的系数序列,而线性算子往往可以通过其对这些系数的作用来研究。这将抽象的无限维几何与傅里叶系数、信号表示以及无限方程组联系起来。

随机序列与概率收敛

随机变量序列 (Xn)(X_n) 为每个索引赋予一个随机值。如果这些随机变量定义在同一个概率空间上,该序列就是一个离散时间随机过程。对于固定的样本结果 ω\omega,各个取值 (Xn(ω))(X_n(\omega)) 构成一个普通数列,称为样本路径。概率意义下的收敛可以涉及这些路径、出现较大误差的概率、平均误差的大小,也可以仅涉及各项的分布。这些是不同的问题。

几乎必然收敛是指,除去一个概率为零的集合后,都有 Xn(ω)→X(ω)X_n(\omega)\to X(\omega)。依概率收敛是指,对每个 ε>0\varepsilon>0,都有

Pr⁡(∣Xn−X∣>ε)⟶0\Pr(|X_n-X|>\varepsilon)\longrightarrow0

几乎必然收敛蕴含依概率收敛,但反过来一般不成立。不过,每个依概率收敛的序列都有一个子序列,几乎必然收敛到同一极限。当逐条路径进行论证比直接估计概率更容易时,这一子序列原理十分有用。

对于 p≥1p\geq1,LpL^p 收敛是指

E∣Xn−X∣p⟶0.\mathbb E|X_n-X|^p\longrightarrow0.

由马尔可夫不等式可知,它蕴含依概率收敛。但几乎必然收敛未必蕴含 LpL^p 收敛:在赋予均匀概率的 (0,1)(0,1) 上,Xn(ω)=n1(0,1/n)(ω)X_n(\omega)=n\mathbf1_{(0,1/n)}(\omega) 对每个固定的 ω>0\omega>0 都趋于零,但 E∣Xn∣=1\mathbb E|X_n|=1。越来越罕见的事件所对应的数值可能足够大,从而阻碍均值收敛。因此,要从逐路径的极限推导期望的极限,就需要可积性条件。

依分布收敛则更弱。对于实随机变量,它是指各自的累积分布函数在极限分布函数的每个连续点处都收敛于该函数的值。这些随机变量甚至不必定义在同一个概率空间上。依概率收敛蕴含依分布收敛,但仅有依分布收敛,并不能说明各条路径上的取值与某个特定随机变量有多接近。

大数定律和中心极限定理展示了随机序列的不同用途。对于独立同分布、绝对期望有限且均值为 μ\mu 的随机变量,样本均值几乎必然收敛于 μ\mu。当方差 σ2\sigma^2 有限且为正时,标准化偏差

n(X‾n−μ)σ\frac{\sqrt n(\overline X_n-\mu)}{\sigma}

依分布收敛于标准正态分布。前一个定理描述均值如何趋于稳定;后一个定理描述均值在不断缩小的尺度上波动时的分布。对于更一般的随机序列,相依性、尾部特征以及标准化方式决定了哪些类似结论仍然成立。

数值迭代与可计算性

许多数值方法会生成一个旨在逼近解的序列。求解 f(x)=0f(x)=0 时,牛顿法在分母非零的情况下采用如下迭代公式:

xn+1=xn−f(xn)f′(xn),x_{n+1}=x_n-\frac{f(x_n)}{f'(x_n)},

在单根 rr 附近,若函数满足适当的光滑性条件,且初始点足够接近该根,就可得到二次收敛:

∣xn+1−r∣≤C∣xn−r∣2|x_{n+1}-r|\leq C|x_n-r|^2

其中不等式对所有充分大的 nn 成立。这是一个局部结论,并不保证对每个初始值都成立。迭代过程中可能遇到导数为零的点、陷入循环,或者偏离所求的根。

巴拿赫不动点定理提供了一种适用范围很广的收敛机制。若非空完备度量空间上的映射 TT 满足

d(Tx,Ty)≤q d(x,y),0≤q<1,d(Tx,Ty)\leq q\,d(x,y),\qquad 0\leq q<1,

则 xn+1=T(xn)x_{n+1}=T(x_n) 收敛到唯一的不动点 x∗x^\ast。该定理还给出了可计算的估计:

d(xn,x∗)≤qn1−q d(x1,x0).d(x_n,x^\ast)\leq \frac{q^n}{1-q}\,d(x_1,x_0).

这一估计将定性的收敛结论转化为明确的步数界,说明迭代多少步足以达到所需精度。

停止准则也需要类似的论证。仅凭差值 ∣xn+1−xn∣|x_{n+1}-x_n| 很小,并不能证明迭代值已接近答案。如果方程的条件性很差,较小的残差 ∣f(xn)∣|f(x_n)| 也可能产生误导。误差界取决于问题的结构,而不能仅凭最近几项的表现来判断。因此,在数值分析中,理想数学序列的收敛性与其在浮点运算下实现时的数值稳定性是两个不同的概念。

定义明确的序列与可计算序列之间还存在逻辑上的区别。如果存在一种算法,能够对每个输入 nn 返回某个整数序列的第 nn 项,就称该序列是可计算的。一个由有理数近似值组成的序列可能每一项都可计算,却没有可计算的收敛速度。收敛模是一个函数 N(k)N(k),它保证在索引达到 N(k)N(k) 之后,误差低于某个阈值,例如 2−k2^{-k}。这样的收敛模提供了将收敛性转化为近似计算过程所需的有效控制。

并非每个实数或无限二进制序列都是可计算的:算法具有有限的描述,构成一个可数集合,而无限二进制序列则构成一个不可数集合。因此,序列在数学上的存在性并不意味着存在能够生成其各项的有限过程。这一界限将序列理论与计算、构造性分析以及有效逼近的基础联系起来。

历史发展

早在将序列定义为自然数集上的函数这一现代定义出现之前,类似序列的推理就已存在。古代对形数的研究考察了与正方形数、三角形数及其他数值模式相对应的排列。在希腊数学中,比例关系和反复进行的作图,为研究无限延续的过程提供了工具,而无须使用现代带索引项的符号体系。《几何原本》包含有关连比例数的结论,而阿基米德则通过逐次进行几何近似来确定面积,并估算圆周长与直径之比。

中世纪及近代早期的算术在实际应用和理论研究中发展出了递推的数值模式。斐波那契,即比萨的莱昂纳多,在1202年的《算盘书》中提出了与斐波那契数有关的兔子问题;该书的修订版于1228年问世。在此之前,印度关于诗歌格律的研究中就已出现相关的递推关系。这个例子的重要性不在于兔子模型是否符合生物学实际,而在于它清楚地展示了如何由前两项生成每一项;这一结构后来与代数公式和计数问题联系起来。

在十七和十八世纪,序列与无穷级数成为微积分发展的核心。无穷展开为三角函数、对数函数和指数函数的计算提供了支持。十八世纪,莱昂哈德·欧拉广泛使用级数和生成函数方法,包括将其用于数论和整数分拆研究。形式运算取得了极为丰硕的成果,但无穷运算在什么条件下仍能保持等式成立,日益成为需要系统处理的问题。

十九世纪的分析学将收敛性确立为明确的基础,而不再将其视为一种非形式化的预期。奥古斯丁-路易·柯西在1821年的《分析教程》中,系统论述了极限、无穷小、连续性和级数,其中包括如今与柯西序列相联系的判别准则。卡尔·魏尔斯特拉斯及其他分析学家推动了以不等式为基础、对极限过程进行精确处理的方法。实数的构造和对完备性的研究,阐明了为什么某些柯西序列在一个数系内存在极限,而另一些则没有。

十九世纪末和二十世纪,序列所包含的对象范围不断扩大。格奥尔格·康托尔在研究可数性和实数时使用了无穷列举和对角线论证。度量空间、拓扑学和泛函分析的发展,使收敛概念摆脱了对特定数值公式的依赖,也揭示了在一般空间中仅用序列进行描述的局限。概率论引入了几种互不等价的收敛方式,而计算技术的发展则使迭代和有效误差界成为实践中的核心问题。由此形成的理论既保留了各项依次排列的直观形象,又为无穷维空间、随机行为和算法近似等理论提供了支撑。