Lecture 24: Uniform Convergence, the Weierstrass M-Test, and Interchanging Limits（一致收敛、Weierstrass M-判别法与极限交换）

目录 · ← l23 · l25 →

Lecture 24: Uniform Convergence, the Weierstrass M-Test, and Interchanging Limits（一致收敛、Weierstrass M-判别法与极限交换）

概述

本讲回答一个极其实际的问题：什么时候可以把两个极限的次序交换 (interchange of limits)？ 具体说，就是三个问题（源文件 Question 271 原文）：

1. 若 $f_n:S\to\mathbb{R}$ 都连续、$f_n\to f$（逐点或一致），则 $f$ 连续吗？
2. 若 $f_n:[a,b]\to\mathbb{R}$ 可导、$f_n\to f$ 且 $f_n^{\prime}\to g$，则 $f$ 可导且 $g=f^{\prime}$ 吗？（即 $\frac{d}{dx}$ 与 $\lim$ 能否交换）
3. 若 $f_n:[a,b]\to\mathbb{R}$、$f_n$ 与 $f$ 连续、$f_n\to f$，则 $\int_a^b f_n\to\int_a^b f$ 吗？（即 $\int_a^b$ 与 $\lim$ 能否交换）

源文件给出的答案是斩钉截铁的一句话（Question 271 末句）：如果收敛是一致收敛 (uniform convergence)，三个问题的答案全是 “yes”；如果只有逐点收敛 (pointwise convergence)，答案全是 “no”（Question 272 说后一半”next time”展示，即 Lecture 25 开头的那三个反例）。本讲的另一半是 Weierstrass M-判别法 (Weierstrass M-test, Theorem 268)——它把”函数级数的一致收敛”这件看起来很难验证的事，归约成”一个与 $x$ 无关的数值级数 $\sum M_j$ 的收敛”这件我们已经会做的事。这是全课程中”用已知结论控制新对象”的最漂亮的一次示范。

在课程结构上，本讲是 Lecture 23（逐点/一致收敛的定义） 的直接延续，同时把 Lecture 10（Cauchy 判别法）、Lecture 11（比较判别法）、Lecture 22（微积分基本定理 FTC） 三条旧线索汇合到一处；而它给出的工具将在 Lecture 25 被用来证明幂级数的逐项求导与逐项积分（Theorem 279），并最终支撑 Weierstrass 逼近定理。

核心定义与直观解释

（动机回顾，Lecture 23 的 Remark 257 / Definition 258 / Definition 260：幂级数）

注：这只是本讲的”动机回顾”，源文件 Lecture 24 并未重述幂级数。Lecture 23 的 Remark 257 说明”幂级数激发了函数列的一般讨论”，本讲则把 Lecture 23 末尾提出的三个问题（连续性、可导性、可积性）一次性解决。

• 严格定义：设 $\{a_m\}$ 是实数列，$x_0\in\mathbb{R}$。称形如 \(\sum_{m=0}^\infty a_m(x-x_0)^m\) 的级数为幂级数 (power series)。若 $R=\lim_{m\to\infty}\vert a_m\vert ^{1/m}$ 存在，令 \(p=\begin{cases}\dfrac{1}{R}, & R>0,\\[4pt] \infty, & R=0,\end{cases}\) 则 $\sum a_m(x-x_0)^m$ 在 $\vert x-x_0\vert <p$ 时绝对收敛、在 $\vert x-x_0\vert >p$ 时发散；$p$ 称为收敛半径 (radius of convergence)。（依据：根值判别法；源文件 Lecture 23 Theorem 259。）
• 直观解释（”它到底在说什么？”）：幂级数是”无穷次多项式”。一个幂级数天然就是一列函数的极限： \(f(x)=\lim_{n\to\infty}f_n(x),\qquad f_n(x)=\sum_{m=0}^n a_m(x-x_0)^m .\) $f_n$ 是多项式（要多好有多好：连续、可导、可积），$f$ 却是”无穷多个多项式堆出来的东西”。于是 Lecture 23 末尾（Question 262）提出的三个问题在幂级数上自动变成实际问题：$\frac{1}{1-x}=\sum_{m\ge0}x^m$ 连续吗？可以逐项求导吗（$f^{\prime}=\lim f_n^{\prime}$？）？可以逐项积分吗（$\int f=\lim\int f_n$？）？
• 为什么需要这个条件？ 逐项求导/积分并非自动成立——Lecture 25 的例子 $f_n(x)=\frac{x^{n+1}}{n+1}$ 说明，即使 $f_n\to0$ 是逐点的（甚至是一致的），$f_n^{\prime}(x)=x^n$ 也不收敛到 $(\lim f_n)’=0$（在 $x=1$ 处 $f_n^{\prime}(1)=1$）。所以必须先建立一致收敛这个正确条件，才能安全地”逐项操作”。
• 具体示例：$\sum_{m\ge0}x^m=\frac{1}{1-x}$，$a_m=1$，$\vert a_m\vert ^{1/m}=1$ 故 $R=1$、$p=1$。在 $\vert x\vert <1$ 绝对收敛，在 $\vert x\vert >1$ 发散。
• 反例（如果适用）：$\sum_{m\ge0}m!\,x^m$：$\vert a_m\vert ^{1/m}=(m!)^{1/m}\to\infty$，故 $R=\infty$、$p=0$，只在 $x=0$ 收敛——收敛半径可以是 $0$。

（Definition 263：逐点收敛 Pointwise Convergence）

• 严格定义：对 $n\in\mathbb{N}$，设 $f_n:S\to\mathbb{R}$、$f:S\to\mathbb{R}$。称 $\{f_n\}$ 逐点收敛 (converges pointwise) 到 $f$，若 \(\forall x\in S,\qquad \lim_{n\to\infty}f_n(x)=f(x),\) 即把定义展开： \(\forall x\in S,\ \forall\epsilon>0,\ \exists N\in\mathbb{N},\ \forall n\ge N,\quad \vert f_n(x)-f(x)\vert <\epsilon .\)
• 直观解释（”它到底在说什么？”）：想象有一支无穷长的队伍，每一个点 $x$ 配一个独立的”裁判”。裁判 $x$ 只盯着自己那一个点上的数列 $f_1(x),f_2(x),f_3(x),\dots$，看它是否收敛到 $f(x)$。每个裁判可以自己决定”从第几项起算合格”。“逐点”这个词的全部含义就是：判决是逐点分开作出的，裁判之间不许商量。
• 为什么需要这个条件？ 它是”函数列收敛”最弱的合理定义，是我们讨论的起点。但它太弱：你要检验它，必须对每一个 $x$ 单独做一次 $\epsilon$-$N$ 论证；而 $S$ 可以有不可数无穷多个点，逐个检验在操作上是不可能的。更致命的是：逐点收敛不能保持连续性、可积性、可导性（本讲的核心教训）。
• 具体示例：$f_n(x)=x^n$ 在 $S=[0,1]$ 上。取 $x=1/2$：$f_n(1/2)=2^{-n}\to0$，故 $\epsilon=0.01$ 时，$2^{-n}<0.01\iff n>\log_2 100\approx6.64$，取 $N=7$：验证 $2^{-7}=0.0078125<0.01$ ✓。再取 $x=0.9$：$0.9^n<0.01\iff n>\frac{\ln 0.01}{\ln 0.9}\approx43.71$，取 $N=44$：验证 $0.9^{44}=0.0096977<0.01$ ✓（脚本验算：$0.9^{43}=0.010775$，确实 $43$ 不够、$44$ 够）。注意这两个 $N$ 不同，而且 $x$ 越靠近 $1$，所需的 $N$ 越大，且当 $x\to1^-$ 时 $N\to\infty$。 这就是逐点收敛的真面目。
• 反例（如果适用）：$f_n(x)=(-1)^n x$ 在 $\mathbb{R}$ 上：固定任何 $x\ne0$ 时 $f_n(x)$ 在 $\pm x$ 之间跳，不收敛。故 $\{f_n\}$ 在 $\mathbb{R}$ 上不逐点收敛（在 $x=0$ 处收敛到 $0$，但逐点收敛要求每个 $x\in S$ 都收敛）。

（Definition 264：一致收敛 Uniform Convergence）——本讲的总钥匙

• 严格定义：对 $n\in\mathbb{N}$，设 $f_n:S\to\mathbb{R}$、$f:S\to\mathbb{R}$。称 $f_n$ 一致收敛 (converges uniformly) 到 $f$，若 \(\forall\epsilon>0,\ \exists M\in\mathbb{N},\ \forall n\ge M,\ \forall x\in S,\quad \vert f_n(x)-f(x)\vert <\epsilon .\) 源文件把量词写成 $\forall\epsilon>0\ \exists M\in\mathbb{N}$ 使得 $\forall n\ge M\ \forall x\in S$：$\vert f_n(x)-f(x)\vert <\epsilon$。

• 直观解释（”它到底在说什么？”）：这次没有各自的裁判了，只有一位总教练。教练说：”从第 $M$ 项起，我的整支队伍在 $S$ 的每一点上都已经与目标 $f$ 相差不到 $\epsilon$。” 关键在于“$M$ 与 $x$ 无关”：$M$ 只依赖 $\epsilon$，一旦选定，它对 整个 $S$ 同时生效。 几何图像：给 $f$ 做一个”$\epsilon$-管子 (tube)” $\{(x,y):\vert y-f(x)\vert <\epsilon\}$。一致收敛说的是：从第 $M$ 项起，每一整条曲线 $y=f_n(x)$ 都完全躺在这根管子里；而逐点收敛只保证：对每个固定的 $x$，那条竖直线上的点最终落进管子，但曲线可以在别处高高翘起。

    一致收敛：整条曲线最终钻进 ε-管子        逐点收敛：每条竖线最终进管子，但曲线可以竖着窜出去
      f(x)+ε ┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈                f(x)+ε ┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈
             ╭──────────────╮                                │        ▲
      f(x)   │   f_n 的图    │                        f(x)     │   ▲    │ ← 尖峰窜出管子
             ╰──────────────╯                                │  │ │   │
      f(x)-ε ┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈                f(x)-ε ┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈
       整个区间上同时成立：n ≥ M                  每个 x 有各自的 N_x：n ≥ N_x
  

• 为什么需要这个条件？ 因为本讲三个”极限交换”定理的真正假设都是它。一致收敛是”$N$ 不依赖 $x$”这句话的技术化，而”不依赖 $x$”正是让”取 sup / 取积分 / 取极限”这些整体性操作能够穿过极限的原因。少了它，一切崩溃（$x^n$ 反例见 Theorem 266）。
• 具体示例：$f_n(x)=\frac{\sin(nx)}{n^2}$ 在 $S=\mathbb{R}$ 上，$f=0$。因为对每个 $x$ 都有 $\vert f_n(x)-0\vert =\frac{\vert \sin(nx)\vert }{n^2}\le\frac{1}{n^2}$，所以给定 $\epsilon=0.01$，只要 $n\ge M=10$（因为 $1/10^2=0.01\not<0.01$，取 $M=11$：$1/121=0.008264<0.01$ ✓；脚本本讲取 $M=11$），就对所有 $x\in\mathbb{R}$ 同时成立。这个 $M=11$ 与 $x$ 完全无关——这就是一致收敛的标志。作为对比，$f_n(x)=\frac{\sin(nx)}{n}$ 也一致收敛到 $0$（$\vert f_n\vert \le 1/n$，$\epsilon=0.01$ 取 $M=101$），但它的导数 $f_n^{\prime}(x)=\cos(nx)$ 根本不收敛（见后面 Theorem 277 的反例）。
• 反例（如果适用）：$f_n(x)=x^n$ 在 $S=[0,1]$ 上（Theorem 266 第 2 部分）。它的逐点极限是 $f(x)=0$（$x<1$）、$f(1)=1$。取 $\epsilon_0=1/4$，则对任意 $M\in\mathbb{N}$，选 $x_M=(1/2)^{1/M}\in(0,1)$，得 $\vert f_M(x_M)-f(x_M)\vert =x_M^M=1/2>1/4=\epsilon_0$。脚本验算：$M=1,2,5,10,100$ 时 $x_M=0.5,\ 0.70710678,\ 0.87055056,\ 0.93303299,\ 0.99309250$，而 $x_M^M$ 恒等于 $0.5$，全部 $>0.25$ ✓。一致性被 $x\to1^-$ 附近”永远迟到”的那一点彻底破坏。

（Negation 267：不一致收敛的否定形式）

• 严格定义：$f_n:S\to\mathbb{R}$ 不一致收敛到 $f:S\to\mathbb{R}$，当且仅当 \(\exists\epsilon_0>0,\ \forall M\in\mathbb{N},\ \exists n\ge M\ \text{和}\ \exists x\in S,\quad \vert f_n(x)-f(x)\vert \ge\epsilon_0 .\)
• 直观解释（”它到底在说什么？”）：否定形式是”$\epsilon_0$-钉子户”。存在某个固定的容忍度 $\epsilon_0>0$，使得无论你把指标推到多后面（$\forall M$），总能在更后面（$\exists n\ge M$）找到某个点 $x$，那里误差仍有 $\epsilon_0$ 那么大。误差不衰减到零，它总在某个角落重新冒头。
• 为什么需要这个条件？ 这是证”不一致”的唯一武器。想证明一致收敛，你要给出 $M(\epsilon)$；想证明不一致收敛，你不能只是说”我找不到 $M$”——你必须构造出那个 $\epsilon_0$、以及那一串”钉子户”点 $x$。Negation 267 就是把这件事写成可执行的配方。

• 具体示例（量词逐字对照）：

  	一致收敛	不一致收敛
  语句	$\forall\epsilon>0\ \exists M\ \forall n\ge M\ \forall x$	$\exists\epsilon_0\ \forall M\ \exists n\ge M\ \exists x$
  交换后	$\forall\epsilon\,\exists M$	$\exists\epsilon_0\,\forall M$
  $\epsilon$ 的角色	任给，越小 $M$ 越大	一个固定的坏 $\epsilon_0$
  谁在挑战	你（对每个 $\epsilon$ 找 $M$）	对手（对每个 $M$ 找 $(n,x)$）

• 具体示例（把 Negation 267 用在 $x^n$ 上）：取 $\epsilon_0=1/4$。对手给 $M=100$，我们回应 $n=100$（满足 $n\ge M$）与 $x=(1/2)^{1/100}=0.99309250$：误差 $=x^{100}=0.5\ge0.25$ ✓。对手给 $M=1000$，我们回应 $x=(1/2)^{1/1000}$，误差 $=0.5$ 仍 $\ge0.25$ ✓。$M$ 怎么加码都没用
• 反例（如果适用）：注意”不一致”是相对于给定的 $f$ 说的（Definition 264 里的 $f$ 出现了）。$x^n$ 在 $[0,1]$ 上不一致收敛到那个跳跃函数 $f$；但在 $[0,b]$（$b<1$）上，它一致收敛到 $0$ 函数（Theorem 266 第 1 部分）。同一个函数列，在不同定义域上、对不同极限函数，一致/不一致可以不同——这是最容易记混的一点。

（Remark 269 + Example 270：一般地，极限不能交换）

• 严格定义 / 陈述：一般地，极限不能交换次序 (in general, limits cannot be interchanged)。 源文件给的例子： \(a(n,k):=\frac{n/k}{n/k+1}=\frac{n}{n+k}.\) 则 \(\lim_{n\to\infty}\lim_{k\to\infty}\frac{n}{n+k}=\lim_{n\to\infty}0=0,\qquad \lim_{k\to\infty}\lim_{n\to\infty}\frac{n}{n+k}=\lim_{k\to\infty}1=1 .\)
• 直观解释（”它到底在说什么？”）：令 $t=n/k$，则 $a=t/(t+1)$。先 $k\to\infty$ 再 $n\to\infty$ 就是逼 $t\to0$；先 $n\to\infty$ 再 $k\to\infty$ 就是逼 $t\to\infty$。 同一条曲线 $t\mapsto t/(t+1)$，在 $t\to0$ 处趋于 $0$、在 $t\to\infty$ 处趋于 $1$。两次极限分别沿着双变量定义域的两条不同的”逃跑路径”逼近无穷远，走到了两个不同的地方。 这就是”极限不可交换”的最原始机制。
• 为什么需要这个条件？ 它告诉我们：“交换次序”是一个需要被证明的特权，不是天赋的权利。 因此后面每一个交换定理，我们都要问清楚”究竟是哪一个假设买来了这份特权”。
• 具体示例（数值验证）：$t=10^{-6}$ 时 $a=0.0000010000$；$t=10^{-3}$ 时 $a=0.0009990010$；$t=1$ 时 $a=0.5$；$t=10^3$ 时 $a=0.9990009990$；$t=10^6$ 时 $a=0.9999990000$（脚本验算）。看到两个极端分别逼近 $0$ 与 $1$ 了。
• 反例（如果适用）：也有能交换的情形。若 $a(n,k)$ 的两次极限都存在且在 $k$ 上一致收敛（即”$\lim_k$ 对 $n$ 一致”），则交换成立——这正是本讲”双重极限交换定理”（见后文）要说的。

（Question 271 / Question 272：本讲的三个问题，以及答案的分水岭）

• 严格陈述（源文件原文）：
  1. 若 $f_n:S\to\mathbb{R}$ 都连续、$f_n\to f$（逐点或一致），则 $f$ 连续吗？
  2. 若 $f_n:[a,b]\to\mathbb{R}$ 可导、$f_n\to f$ 且 $f_n^{\prime}\to g$，则 $f$ 可导且 $g=f^{\prime}$ 吗？
  3. 若 $f_n:[a,b]\to\mathbb{R}$、$f_n$ 与 $f$ 连续、$f_n\to f$，则 $\int_a^b f_n\to\int_a^b f$ 吗？ 源文件的回答（Question 271 末句）：”The answer to the above questions are all yes, if the convergence is uniform.“（如果收敛是一致收敛，三个问题的答案全是”是”。） 源文件的追问（Question 272）：”What if the convergence is only pointwise? If convergence is only pointwise, the answer to the above questions are all no, which we will show next time.”（如果只是逐点收敛呢？答案全是”否”，下次课展示。）
• 直观解释（”它到底在说什么？”）：“一致收敛”就是三个交换定理的统一开关。 这一句判词是全讲的地图：本讲的定理 274、275、277 分别就是问题 1、3、2 的”yes 版本”；而 Lecture 25 开头（Question 273 之后）给出三个 “no” 的逐点反例，其中第 1 个是 $f_n(x)=x^n$（极限不连续）、第 3 个是 Lecture 23 的帐篷函数（积分恒为 $1$ 不趋于 $0$）、第 2 个是 $f_n(x)=\frac{x^{n+1}}{n+1}$（导数在 $x=1$ 处失真）。
• 为什么需要这个条件？ 因为”一致收敛”恰好是“误差上确界 $\to0$”：$\sup_{x\in S}\vert f_n(x)-f(x)\vert \to0$。而连续性、积分、可导性都是关于 $x$ 的整体性质（要 $\forall x$，或要 $\int$，或要 $\sup$）；只有”整体性的误差估计”才能控制”整体性的性质”。这是贯穿本讲的唯一物理直觉。

• 具体示例（三问题的”条件对照”预览，后文详证）：

  ┌──────────────────────────────────────────────────────────────────────────────┐
  │  交换定理                 │ 需要"一致收敛"的量      │ 不需要一致收敛的量        │
  ├──────────────────────────────────────────────────────────────────────────────┤
  │  lim 与 连续 (Thm 274)   │ f_n → f  一致            │ —                        │
  │  lim 与 ∫   (Thm 275)    │ f_n → f  一致            │ f_n 连续（连续性只保证可积）│
  │  lim 与 d/dx (Thm 277)   │ f_n' → g 一致  ← 注意！  │ f_n → f  只需一点逐点收敛  │
  │  lim 与 lim (双重极限)   │ f_n → f  一致            │ 各 a_n = lim_x f_n(x) 存在 │
  │  Weierstrass M-test      │ ΣM_n 收敛（与 x 无关！） │ 各项 f_n 本身无需一致      │
  └──────────────────────────────────────────────────────────────────────────────┘
  

• 反例（如果适用）：见后文 Theorem 275 与 Theorem 277 之后各自的完整反例（$x^n$、帐篷函数、$x^{n+1}/(n+1)$、$n^2x(1-x)^n$、$\sin(n^2x)/n$）。Question 272 所说的”三个 no”，本讲全部给出：不连续反例 = Theorem 266（$x^n$）；积分交换失败反例 = 帐篷函数与矩形尖峰（Theorem 275 之后）；求导交换失败反例 = $f_n(x)=\frac{x^{n+1}}{n+1}$（Theorem 277 之后）。

定理与完整证明（核心）

关于编号的说明：源文件 Lecture 24 的编号只有 Theorem 266、Negation 267、Theorem 268（M-判别法）、Remark 269、Example 270、Question 271、Question 272。三个交换定理（保连续 / 换积分 / 换导数）在本讲的 Question 271 中被宣告（”答案全为 yes，若一致收敛”），其完整证明出现在源文件的 Lecture 25：Theorem 274、Theorem 275、Theorem 277。为了完整回答本讲提出的问题，下文把这些定理完整写出，并明确标注原始编号与出处；凡源文件没有的内容（如双重极限交换定理、一致有界性）一律标注为”补充“。

一、回顾：一致收敛蕴涵逐点收敛，反之不真

定理（源文件 Theorem 265，Lecture 23；本讲回顾）

• 定理陈述：设 $f_n:S\to\mathbb{R}$、$f:S\to\mathbb{R}$。若 $f_n\to f$ 一致，则 $f_n\to f$ 逐点。
• 证明策略：直接证明。唯一要做的就是把一致收敛定义中的”$\forall x\in S$”限制到一个固定的 $c$。这是一个”用弱结论替换强结论”的证明，难点为零，但必须写清量词。
• 逐步推导：
  1. 任取 $c\in S$，任取 $\epsilon>0$。（依据：证明”逐点”要 $\forall x\in S$，所以先固定一个任意点 $c$；$\epsilon$ 任取，因为下面要 $\forall\epsilon$。）
  2. 由 $f_n\to f$ 一致，存在 $M_0\in\mathbb{N}$，使得 $\forall n\ge M_0,\ \forall x\in S$：$\vert f_n(x)-f(x)\vert <\epsilon$。（依据：Definition 264 一致收敛的 $\epsilon$-$M$ 定义。）
  3. 取 $M=M_0$。则 $\forall n\ge M$，把第 2 步的”$\forall x\in S$”用到 $x:=c$ 上，得 $\vert f_n(c)-f(c)\vert <\epsilon$。（依据：全称实例化 (universal instantiation)，这是整段证明唯一实质的一步。）
  4. 故 $\lim_{n\to\infty}f_n(c)=f(c)$。（依据：收敛的 $\epsilon$-$N$ 定义。）
  5. 由于 $c\in S$ 任意，$\forall c\in S:\lim_n f_n(c)=f(c)$，即 $f_n\to f$ 逐点。（依据：Definition 263。）
• 【证明机制解说】：这个定理的证明只有一行是”数学”，那就是把 $\forall x$ 换成 $x=c$。它告诉我们：一致收敛是一个”更强”的收敛——它同时控制整个 $S$。反过来的逻辑错误（从逐点推一致）正是本讲所有反例的来源：逐点收敛只给了你”对每个 $x$ 存在一个 $N_x$”，你没有任何办法把这些散落各处的 $N_x$ 合并成一个统一的 $M$。
• 【证明技巧总结】：“强条件 $\Rightarrow$ 弱条件：把 $\forall$ 的范围缩小（或把 $\exists$ 的对象替换为特例）”。这是整个分析课程中反复出现的模式（一致连续 $\Rightarrow$ 连续、绝对收敛 $\Rightarrow$ 收敛、可导 $\Rightarrow$ 连续，全是同一个套路）。

定理（源文件 Theorem 266，本讲）：$x^n$ —— 逐点收敛但不一致收敛

• 定理陈述：设 $f_n(x)=x^n$，$f(x)=\begin{cases}0,& x\in[0,1),\\ 1,& x=1.\end{cases}$ 则
  1. $\forall\,0<b<1$，$f_n\to f$ 在 $[0,b]$ 上一致；
  2. $f_n$ 不在 $[0,1]$ 上一致收敛到 $f$。
• 证明策略：第 1 部分用几何数列的衰减 $b^n\to0$ 制造统一的 $M$（这是”一致”的样板证明）。第 2 部分用 Negation 267：先挑定 $\epsilon_0$，再对每个 $M$ 构造一个坏点 $x_M$。核心技巧是让 $x_M$ 依赖 $M$——这正是”不一致”的解剖学特征。
• 逐步推导（第 1 部分）：
  1. 设 $\epsilon>0$。由于 $b\in(0,1)$，几何数列 $b^n\to0$。（依据：Lecture 6/7 的几何数列结论：$\vert b\vert <1\Rightarrow b^n\to0$。）
  2. 故存在 $M_0\in\mathbb{N}$，使得 $\forall n\ge M_0$：$b^n<\epsilon$。（依据：收敛的 $\epsilon$-$N$ 定义。）
  3. 取 $M=M_0$。则 $\forall n\ge M$、$\forall x\in[0,b]$： \(\vert f_n(x)-f(x)\vert =\vert f_n(x)\vert =x^n\le b^n<\epsilon .\) （依据：第 2 步的 $b^n<\epsilon$；以及 $0\le x\le b$ 时幂函数单调 $\Rightarrow x^n\le b^n$；再以及 $x\in[0,b]\subset[0,1)$ 故 $f(x)=0$，所以 $\vert f_n-f\vert =\vert f_n\vert $。）
  4. 故 $f_n\to f$ 在 $[0,b]$ 上一致。（依据：Definition 264。注意第 3 步中的 $M$ 只依赖 $\epsilon$ 和 $b$，与 $x$ 无关——这就是一致性的证书。）

  具体数值走一遍：取 $b=0.9$、$\epsilon=0.01$。需要 $0.9^n<0.01$，即 $n>\frac{\ln 0.01}{\ln 0.9}=\frac{-4.60517}{-0.10536}=43.71$，取 $M=44$。脚本验算：$0.9^{43}=0.010775>0.01$，$0.9^{44}=0.0096977<0.01$ ✓。

• 逐步推导（第 2 部分）：
  1. 取 $\epsilon_0=\frac{1}{4}>0$。（依据：Negation 267 要求我们出示一个固定的坏 $\epsilon_0$。）
  2. 设 $M\in\mathbb{N}$ 任意，取 $x=\left(\frac{1}{2}\right)^{1/M}\in(0,1)$。（依据：构造。因为 $M\ge1$，$0<\frac12<1\Rightarrow 0<(1/2)^{1/M}<1$，所以 $x$ 真的落在 $[0,1]$ 内，且 $x\ne1$ 故 $f(x)=0$。）
  3. 则 \(\vert f_M(x)-f(x)\vert =f_M(x)=x^M=\left(\left(\tfrac12\right)^{1/M}\right)^{M}=\frac12>\frac14=\epsilon_0 .\) （依据：$x\in(0,1)$ 使 $f(x)=0$ 故左端 $=f_M(x)$；紧接着指数律 $((1/2)^{1/M})^M=(1/2)^{M/M}=1/2$——这一步是关键：我们特意挑了 $x$，让 $x^M$ 恰好等于常数 $1/2$，从而无论 $M$ 多大都不衰减。）
  4. 于是 $\exists\epsilon_0>0$ 使 $\forall M\in\mathbb{N}$，$\exists n=M\ge M$ 与 $\exists x\in[0,1]$ 满足 $\vert f_M(x)-f(x)\vert \ge\epsilon_0$。（依据：Negation 267。）
  5. 故 $f_n$ 不在 $[0,1]$ 上一致收敛到 $f$。（依据：Negation 267。）

  脚本验算：$M=1,2,5,10,100$ 给出 $x_M=0.50000000,\ 0.70710678,\ 0.87055056,\ 0.93303299,\ 0.99309250$，而 $x_M^{M}=0.50000000$ 恒成立，全都 $>0.25$ ✓。注意 $x_M\to1$：坏点被逼到右端点附近，”永远迟到”的区域越来越扁、越来越靠边，但从不消失。

• 【证明机制解说】：“一致”要求 $\sup_{x\in S}\vert f_n(x)-f(x)\vert \to0$。 这里 \(\sup_{x\in[0,1]}\vert f_n(x)-f(x)\vert =\sup_{x\in[0,1)}x^n=1\qquad(\text{取上确界在 }x\to1^-\text{ 处，且在 }x=1\text{ 处差为 }0),\) 所以 $\sup$ 恒为 $1$，绝不趋于 $0$：不一致是”上确界的失败”，不是”每一点的失败”。逐点收敛时我们看到的是 $\lim_n x^n=0$（$x<1$ 固定）、$\lim_n 1^n=1$——“极限函数 $f$ 不连续”正是”一致收敛失败”的影子。这两件事在本讲里其实是同一件事的两种说法（对照 Theorem 274 的逆否命题：若 $f_n$ 都连续而极限不连续，则收敛必不一致）。 如果让你自己发明这个反例：你想要”逐点趋 $0$ 但 $\sup$ 不趋 $0$”，就必须让”平台”随 $n$ 移动而不降低高度。$x^n$ 的做法是让平台滑向右端点 $1$；帐篷函数（Lecture 23 例 3）的做法是让尖峰滑向 $0$ 且越滑越高。两种”移动的坏点”是同一个思想。
• 【证明技巧总结】：
  1. 证一致收敛：找一个与 $x$ 无关的上界（如 $x^n\le b^n$），把它当作新的数列去跑 $\epsilon$-$N$。
  2. 证不一致收敛：固定 $\epsilon_0$，构造一列依赖 $M$ 的坏点 $x_M$，使误差有一个与 $M$ 无关的正常数下界。“坏点依赖指标”是识别不一致的指纹。

二、一致收敛保持连续性（源文件 Theorem 274，Lecture 25；本讲 Question 271 问题 1 的 yes 版本）

定理 274（一致极限保持连续）

• 定理陈述：设 $f_n:S\to\mathbb{R}$ 对每个 $n$ 都在 $c\in S$ 连续，$f:S\to\mathbb{R}$，且 $f_n\to f$ 在 $S$ 上一致。则 $f$ 在 $c$ 连续。（若每个 $f_n$ 在 $S$ 上处处连续，则 $f$ 在 $S$ 上处处连续。）
• 证明策略：$\epsilon/3$ 技巧 + 加一项减一项。 目标是估计 $\vert f(x)-f(c)\vert $，但我们对 $f$ 一无所知（$f$ 是我们想认识的对象），所以必须把 $f$ 换成两条已被控制住的腿：一条腿是”$f$ 与 $f_N$ 的差”（由一致收敛控制），另一条腿是”$f_N$ 与 $f_N(c)$ 的差”（由 $f_N$ 的连续性控制）。计划：选一个固定的 $N$，然后一次性地把三项各压到 $\epsilon/3$。
• 逐步推导：
  1. 设 $c\in S$，$\epsilon>0$。（依据：连续定义的 $\forall\epsilon$；$c$ 任意，因为要证”在 $c$ 连续”对每个 $c$ 成立。）
  2. 由 $f_n\to f$ 一致，取 $M\in\mathbb{N}$，使得 $\forall n\ge M$、$\forall y\in S$：$\vert f_n(y)-f(y)\vert <\dfrac{\epsilon}{3}$。（依据：Definition 264，把定义里的 $\epsilon$ 换成 $\epsilon/3$。注意这里的 $M$ 与 $y$ 无关，所以下面能同时用在 $y=x$ 和 $y=c$ 上——这是一致性唯一但致命的用处。）
  3. 固定 $N:=M$。（依据：一旦选定就不再变动；这一点很重要，因为下一步要用到同一个 $f_N$ 在 $c$ 的连续性。）
  4. 由 $f_N$ 在 $c$ 连续，存在 $\delta>0$，使得 $\forall x\in S$ 满足 $\vert x-c\vert <\delta$：$\vert f_N(x)-f_N(c)\vert <\dfrac{\epsilon}{3}$。（依据：连续性的 $\epsilon$-$\delta$ 定义，$\epsilon$ 取 $\epsilon/3$。）
  5. 取该 $\delta$。设 $x\in S$ 满足 $\vert x-c\vert <\delta$。加一项、减一项： \(f(x)-f(c)=\big[f(x)-f_N(x)\big]+\big[f_N(x)-f_N(c)\big]+\big[f_N(c)-f(c)\big].\) （依据：代数恒等式；$\big(-f_N(x)+f_N(x)\big)$ 与 $\big(-f_N(c)+f_N(c)\big)$ 相消。）
  6. 对上式取绝对值并用三角不等式（两次）： \(\vert f(x)-f(c)\vert \le\underbrace{\vert f(x)-f_N(x)\vert }_{(a)}+\underbrace{\vert f_N(x)-f_N(c)\vert }_{(b)}+\underbrace{\vert f_N(c)-f(c)\vert }_{(c)} .\) （依据：$\vert A+B+C\vert \le\vert A\vert +\vert B\vert +\vert C\vert $。）
  7. 逐项估计：
     • $(a)$：$N=M\ge M$ 且 $x\in S$，由第 2 步得 $\vert f_N(x)-f(x)\vert <\epsilon/3$。（依据：第 2 步，代 $n=N$、$y=x$。）
     • $(b)$：$\vert x-c\vert <\delta$，由第 4 步得 $\vert f_N(x)-f_N(c)\vert <\epsilon/3$。（依据：第 4 步。）
     • $(c)$：$N=M\ge M$ 且 $c\in S$，由第 2 步得 $\vert f_N(c)-f(c)\vert <\epsilon/3$。（依据：第 2 步，代 $n=N$、$y=c$。这就是”一致”的价值：同一个 $N$ 同时管住了 $x$ 和 $c$。）
  8. 因此 \(\vert f(x)-f(c)\vert <\frac{\epsilon}{3}+\frac{\epsilon}{3}+\frac{\epsilon}{3}=\epsilon .\) （依据：第 6、7 步。）
  9. 于是 $\forall\epsilon>0\ \exists\delta>0\ \forall x\in S:\vert x-c\vert <\delta\Rightarrow\vert f(x)-f(c)\vert <\epsilon$，即 $f$ 在 $c$ 连续。（依据：连续的定义。注意 $\delta$ 只依赖 $\epsilon$ 和 $c$（通过 $N=N(\epsilon)$ 和 $f_N$ 的连续性），与 $x$ 无关，量词顺序完全正确。）
• 【证明机制解说】
  • 为什么是 $\epsilon/3$ 而不是 $\epsilon/2$？ 因为第 6 步的三角不等式把 $\vert f(x)-f(c)\vert $ 拆成三项 $\vert A\vert +\vert B\vert +\vert C\vert $。要让”和 $<\epsilon$”，最省事的做法是让每一项 $<\epsilon/3$，于是 $3\cdot\frac{\epsilon}{3}=\epsilon$ 刚好。这纯粹是”分几块就除以几”的记账规则，不是深奥数学。 （补充说明：如果某一项能被更强的结果压得更小，也可以不均匀地分配，例如把 $(a),(c)$ 压到 $\epsilon/4$、$(b)$ 压到 $\epsilon/2$，总和仍是 $\epsilon$。$\epsilon/3$ 只是最整齐、最不容易算错的分法。 特别地，不能用 $\epsilon/2$：$\vert A\vert <\epsilon/2$、$\vert B\vert <\epsilon/2$、$\vert C\vert <\epsilon/2$ 只能推出和 $<3\epsilon/2$，不够。）
  • 为什么一致收敛是必需的？ 因为 $(a)$ 与 $(c)$ 这两项要同时被压住：$(a)$ 需要 $\vert f_N(x)-f(x)\vert $ 在点 $x$ 处小，$(c)$ 需要 $\vert f_N(c)-f(c)\vert $ 在点 $c$ 处小。逐点收敛只给”对每个点存在一个 $N$”，于是 $x$ 配一个 $N_x$、$c$ 配一个 $N_c$；选 $N=\max\{N_x,N_c\}$ 看似可以，但下一步（第 4 步）需要 $f_N$ 在 $c$ 连续，而 $\delta$ 又依赖这个 $N$，而 $N$ 依赖 $x$——于是最后得到的 $\delta$ 依赖 $x$，而连续的 $\delta$ **不许依赖 $x$！** 这个”$\delta$ 依赖 $x$”的循环就是逐点收敛失败的技术根源。
  • 逐点收敛为什么不够？ 铁证就是 Theorem 266：$f_n(x)=x^n$ 每个都连续，逐点收敛到 $f$（$f(x)=0$ 当 $x<1$，$f(1)=1$），但 \(\lim_{x\to1^-}f(x)=0\ne1=f(1),\) 故 $f$ 在 $1$ 处不连续。若逐点收敛也能保连续，这个例子就不可能存在——所以逐点收敛保不了连续。（对照它的逆否：Theorem 266 第 2 部分证了 $x^n$ 不一致收敛，与本定理一致。）
  • 如果让你自己发明这个证明：你会想”我要证 $f$ 在 $c$ 连续，但 $f$ 是别人给的，我不认识它。我手上只有两样东西：一列我认识的 $f_n$，以及它们与 $f$ 的误差估计。于是必须把 $f$ 换成 $f_n$、再用 $f_n$ 的已知性质。换成 $f_N$ 后自然出现三项：’$f$ 与 $f_N$ 在 $x$’、’$f_N$ 在 $x$ 与 $c$’、’$f_N$ 与 $f$ 在 $c$’。第一、三项归一致收敛管，中间项归连续性管。**——这就是”$\epsilon/3$ 分解”的由来。
• 【证明技巧总结】：”$\epsilon/3$ 分解 + 一致收敛管两项 + 连续性管中间项。” 更一般地：目标量离”已知控制”太远时，插入一个中间对象，把一次估计拆成多次估计，每段的误差预算先是 $\epsilon/k$，再三角不等式求和。 这是本课程最常用的五六个技巧之一，与 $\epsilon/2$ 技巧同源。

三、一致收敛保持有界性（补充：源文件未列此定理，但它是”保连续”的姊妹命题，且为后面反例服务）

定理（补充：一致极限保持有界性 / 最终一致有界）

• 定理陈述：设 $f_n:S\to\mathbb{R}$ 每个都有界（即 $\sup_{x\in S}\vert f_n(x)\vert <\infty$），$f:S\to\mathbb{R}$，且 $f_n\to f$ 在 $S$ 上一致。则
  1. $f$ 在 $S$ 上有界；
  2. $\{f_n\}$ 最终一致有界 (eventually uniformly bounded)：存在 $N_0\in\mathbb{N}$ 与 $B<\infty$，使得 $\forall n\ge N_0$、$\forall x\in S$：$\vert f_n(x)\vert \le B$。
• 证明策略：先把一致收敛的定义跑一遍取 $n=N_0$、$\epsilon=1$，得到一把”统一的尺子” $B$，再用三角不等式把 $f_n$ 和 $f$ 都量住。
• 逐步推导：
  1. 由 $f_n\to f$ 一致，取 $\epsilon=1$，得 $N_0\in\mathbb{N}$ 使 $\forall n\ge N_0$、$\forall x\in S$：$\vert f_n(x)-f(x)\vert <1$。（依据：Definition 264。）
  2. 固定一个 $n_0\ge N_0$（例如 $n_0=N_0$）。则由 $f_{n_0}$ 有界，令 $C:=\sup_{x\in S}\vert f_{n_0}(x)\vert <\infty$。（依据：有界性的定义；注意这里是 $\sup$ 不是 $\max$，$\sup$ 可能取不到，但这不影响 $C<\infty$。）
  3. 断言 $B:=C+1<\infty$ 是所需的一致界。任取 $n\ge N_0$、任取 $x\in S$： \(\vert f_n(x)\vert \le\vert f_n(x)-f(x)\vert +\vert f(x)\vert .\) 这条还不够，因为右端含未知的 $\vert f(x)\vert $；改为对固定的 $n$ 与 $n_0$ 比较： \(\vert f_n(x)\vert \le\vert f_n(x)-f_{n_0}(x)\vert +\vert f_{n_0}(x)\vert \le\underbrace{\vert f_n(x)-f(x)\vert }_{<1}+\underbrace{\vert f(x)-f_{n_0}(x)\vert }_{<1}+C<C+2 .\) （依据：加一项减一项 + 三角不等式（两次）；$n\ge N_0$ 与 $n_0\ge N_0$ 都允许使用第 1 步的估计。）
  4. 取 $B_0:=C+2$。则 $\forall n\ge N_0\ \forall x\in S:\vert f_n(x)\vert <B_0$，第 2 条得证。（依据：第 3 步。）
  5. 对 $f$：任取 $x\in S$，$\vert f(x)\vert \le\vert f(x)-f_{N_0}(x)\vert +\vert f_{N_0}(x)\vert <1+C$。（依据：第 1 步（取 $n=N_0$）与第 2 步。）
  6. 故 $\sup_{x\in S}\vert f(x)\vert \le C+1<\infty$，第 1 条得证。（依据：上确界是上界的最小者；用 $\le$ 而非 $<$ 是为了兼容”$\sup$ 取不到”的情形。）
• 【证明机制解说】：“最终”两个字不可去掉。 有限多个 $n<N_0$ 的 $f_n$ 各自有界，但界可以任意大——把前 $N_0-1$ 个界取最大，也能得到全体一致有界，但这需要真的把前有限个”看一遍”。定理只保证”从某项以后”一致有界，这与”一致收敛把误差全局压小”是完全对应的。 为什么这件事值得单独记住？ 因为它是判别不一致收敛的快捷武器：$f_n(x)=x^n$ 在 $[0,1]$ 上每个 $f_n$ 都满足 $\sup\vert f_n\vert =1$，看似一致有界，但极限 $f$ 有界（$\sup\vert f\vert =1$），所以这条判据在这里不直接给出一致性失败——真正失败的证据是”极限不连续”（用 Theorem 274 的逆否）。有界性判据的典型用途是排除”函数列越跑越高”的情形（如 Lecture 23 例 3 的帐篷：$\sup_{[0,1]}f_n=2n\to\infty$，而极限是 $0$，故不一致收敛——见下面数值验算）。
• 【证明技巧总结】：“先取 $\epsilon=1$ 换一把统一的尺子，再用三角不等式把未知对象夹在两条已知的腿之间。” 与”收敛数列必有界”的证明完全同构（那里用 $\vert x_n\vert \le\vert x_n-x\vert +\vert x\vert <1+\vert x\vert $）。

数值验算（帐篷函数，Lecture 23 例 3）：$f_n$ 在 $[0,\frac1{2n}]$ 上升 $4n^2x$、在 $[\frac1{2n},\frac1n]$ 下降 $4n-4n^2x$、在 $[\frac1n,1]$ 上为 $0$。$\sup_{[0,1]}f_n=f_n(\frac1{2n})=4n^2\cdot\frac1{2n}=2n$。脚本验算（$n=1,10,1000$）：$\sup=2,\ 20,\ 2000$，确实 $\to\infty$，而极限函数是 $0$，故不一致收敛 ✓。

四、$\lim$ 与 $\int$ 的交换（源文件 Theorem 275，Lecture 25；本讲 Question 271 问题 3 的 yes 版本）

定理 275（一致收敛下积分与极限可交换）

• 定理陈述：设 $f_n:[a,b]\to\mathbb{R}$ 对每个 $n$ 连续，$f:[a,b]\to\mathbb{R}$，且 $f_n\to f$ 在 $[a,b]$ 上一致。则 \(\lim_{n\to\infty}\int_a^b f_n=\int_a^b f,\qquad\text{即}\qquad \lim_{n\to\infty}\int_a^b f_n=\int_a^b\Big(\lim_{n\to\infty}f_n\Big).\)
• 证明策略：用积分的基本估计把”积分的误差”换成”函数误差的积分”，再用一致收敛把后者压成 $(b-a)\cdot\frac{\epsilon}{b-a}=\epsilon$。 关键在于误差预算里那个 $b-a$：因为积分是”沿长度 $b-a$ 累加”，所以想让积分误差 $<\epsilon$，只需让被积的一致误差 $<\frac{\epsilon}{b-a}$。 注意本定理的证明路线比”先证 $f$ 可积”更省事：我们直接用”$\vert \int g\vert \le\int\vert g\vert $”这条估计，而 $f_n,f$ 连续故都可积（Lecture 21/22 的结论），所以只需比较两个积分值。
• 逐步推导：
  1. 设 $\epsilon>0$。（依据：$\forall\epsilon$。）
  2. 由 $f_n\to f$ 一致，取 $M_0\in\mathbb{N}$，使得 \(\forall n\ge M_0,\ \forall x\in[a,b],\qquad \vert f_n(x)-f(x)\vert <\frac{\epsilon}{b-a}.\) （依据：Definition 264，把 $\epsilon$ 换成 $\frac{\epsilon}{b-a}$。这里要求 $b>a$；若 $a=b$ 则两端积分都是 $0$，定理自动成立。）
  3. 取 $M=M_0$。则 $\forall n\ge M$： \(\left\vert \int_a^b f_n-\int_a^b f\right\vert =\left\vert \int_a^b(f_n-f)\right\vert \le\int_a^b\vert f_n-f\vert .\) （依据：积分的线性性（源文件 Theorem 247/248 的 Riemann 积分性质）与绝对值不等式 $\vert \int g\vert \le\int\vert g\vert $——后者本质上就是”三角形不等式 + 积分保序”。）
  4. 由第 2 步，$\forall x\in[a,b]:\vert f_n(x)-f(x)\vert <\frac{\epsilon}{b-a}$，故由积分保序性（被积函数逐点更小则积分更小）： \(\int_a^b\vert f_n-f\vert \le\int_a^b\frac{\epsilon}{b-a}=\frac{\epsilon}{b-a}\cdot(b-a)=\epsilon .\) （依据：积分保序（Theorem 248 类型的性质）与常数函数的积分 $\int_a^b c=c(b-a)$。）
  5. 合并第 3、4 步：$\forall n\ge M:\left\vert \int_a^b f_n-\int_a^b f\right\vert <\epsilon$。（依据：第 3、4 步；严格的 $<$ 来自第 4 步第二式的 $\le$ 与第一式的 $<\epsilon$ 的组合。若想完全无瑕，可在第 2 步取 $\frac{\epsilon}{2(b-a)}$，则第 4 步给出 $\le\epsilon/2<\epsilon$。）
  6. 故 $\lim_{n\to\infty}\int_a^b f_n=\int_a^b f$。（依据：数列极限的 $\epsilon$-$N$ 定义。）
• 【证明机制解说】
  • 为什么必须一致收敛？ 因为 $\left\vert \int f_n-\int f\right\vert \le\int\vert f_n-f\vert $，而积分是一个”整体的、均匀的”量：它把 $[a,b]$ 上每一处的误差不分轻重地全部加进账本。逐点收敛只保证”每一点最终小“，但”小的程度依赖 $x$”，于是可能出现”很多点都很小但都不够小”，这些小误差积少成多，凑出一个 $O(1)$ 的积分误差。“均匀的误差”才能控制”均匀累加”的积分——这是本定理的一句话灵魂。
  • 正确 vs 错误的推理链：逐点收敛下，$\forall x\ \lim_n\vert f_n(x)-f(x)\vert =0$，但这不允许你把 $\lim$ 搬到积分号里面，因为积分号里的 $\lim$ 是”对 $x$ 的某种平均意义下的极限”，而逐点信息是”逐点的”——两类极限的”作用域”不同，不能无条件交换（Remark 269 就是这个道理的最简单版本）。
  • 如果让你自己发明这个证明：你会想”$\int$ 是线性的，所以 $\int f_n-\int f=\int(f_n-f)$；要让它小，就要让 $f_n-f$ 的积分小；我手上唯一的工具是一致收敛，它给的是逐点的界 $\vert f_n-f\vert <\eta$；于是我自然会问：’逐点界 $\eta$ 能推出积分界多少？’ 答案是 $\eta(b-a)$。于是反向设计：要让积分误差 $<\epsilon$，就把 $\eta$ 取成 $\epsilon/(b-a)$。“——这就是”误差预算”思想的教科书示范。
• 【证明技巧总结】：“把待估的整体量 $\vert \int f_n-\int f\vert $ 用积分不等式换成可控量的积分，再按定义域长度分配 $\epsilon$ 预算（$\epsilon/(b-a)$）。” 必备的三件工具：积分线性、$\vert \int g\vert \le\int\vert g\vert $、积分保序 + $\int_a^b c=c(b-a)$。

数值验算（定理的正面例子）：取 $f_n(x)=\dfrac{\sin(nx)}{n^2}$ 在 $[0,1]$ 上，$f_n\to0$ 一致（$\sup\vert f_n\vert =1/n^2$）。理论值 \(\int_0^1\frac{\sin(nx)}{n^2}\,dx=\frac{1-\cos n}{n^2}\xrightarrow[n\to\infty]{}0 .\) 脚本验算（$n=1,10,100,1000$）：$(1-\cos n)/n^2=4.5969769413\times10^{-1},\ 1.8390715291\times10^{-2},\ 1.3768112771\times10^{-5},\ 4.3762092371\times10^{-7}$，确实 $\to0$ ✓（数值梯形积分也分别给出 $4.5969769413\times10^{-1},\ 1.8390715287\times10^{-3}$ …，与理论一致到梯形法精度）。

反例（逐点收敛时交换失败）——高尖峰 / 矩形尖峰

反例 A（最简单的、最暴力：矩形尖峰 $g_n$）

• 定义：在 $[0,1]$ 上令 \(g_n(x)=\begin{cases}n,& x\in\left(0,\frac1n\right),\\[2pt] 0,&\text{其他 }x\in[0,1].\end{cases}\)
• 逐点极限：固定 $x\in(0,1]$，取 $N$ 使 $\frac1N<x$（即 $N>\frac1x$）。则 $\forall n\ge N$：$\frac1n\le\frac1N<x$，故 $x\notin(0,1/n)$，于是 $g_n(x)=0$。所以 $\lim_n g_n(x)=0$。对 $x=0$ 也有 $g_n(0)=0\to0$。故 $g_n\to0$ 逐点（甚至 $f\equiv0$ 连续）。
• 积分却恒为 $1$：$\int_0^1 g_n=n\cdot\frac1n=1$（矩形的底 $\frac1n$ 乘高 $n$）。
• 结论： \(\lim_{n\to\infty}\int_0^1 g_n=\lim_{n\to\infty}1=1\ne0=\int_0^1 0=\int_0^1\lim_{n\to\infty}g_n .\) 交换失败。
• 脚本验算：数值梯形积分给出 $n=1,2,10,100,1000$ 时 $\int_0^1 g_n=0.99999900,\ 0.99999800,\ 1.00000000,\ 0.99990000,\ 0.99900000$——误差纯粹来自网格没有精确落在 $\frac1n$ 上（$n=10,100,1000$ 时网格含 $\frac1n$），理论值精确为 $1$ ✓。

   g_n(x)
     n ┤        ┌────────┐                     ← 高度 n，随 n 无限升高
       │        │        │
       │        │        │
     1 ┤   ┌────┘        └────┐  n=1
       │   │                 │
       │   │                 │
     0 ┼───┴─────────────────┴───────────────→ x
       0   1/n              1
            ← 宽度 1/n，随 n 无限变窄 →

   面积 = 高 × 宽 = n · (1/n) = 1  对每个 n 都恒定！
   每一点最终被"跳过去"（逐点 → 0），但整块面积永不消失（∫ ≡ 1）
   ← 这就是"逐点收敛不够"的解剖图：误差向一个点"塌缩"，总质量守恒

反例 B（源文件的版本：帐篷尖峰，Lecture 23 例 3 / Lecture 25 反例 3）

• 定义：在 $[0,1]$ 上 \(f_n(x)=\begin{cases} 4n^2x, & x\in\left[0,\dfrac1{2n}\right],\\[6pt] 4n-4n^2x, & x\in\left[\dfrac1{2n},\dfrac1n\right],\\[6pt] 0, & x\in\left[\dfrac1n,1\right].\end{cases}\)
• 逐点极限：$f_n(0)=0$。固定 $x\in(0,1]$，取 $N$ 使 $\frac1N<x$；则 $\forall n\ge N$：$f_n(x)=0$。故 $\{f_n(x)\}$ 形如 $f_1(x),\dots,f_{N-1}(x),0,0,0,\dots$，所以 $\lim_n f_n(x)=0$。逐点 $f_n\to f\equiv0$。
• 积分恒为 $1$（源文件原文用三角形面积算出）： \(\int_0^1 f_n=\frac12\cdot(\text{底})\cdot(\text{高})=\frac12\cdot\frac1n\cdot 2n=1\ \not\to\ 0=\int_0^1 0 .\) 交换失败。
• 脚本验算：$n=1,2,5,10,100,1000,10000$ 时梯形积分全部给出 $1.0000000000$ ✓（理论上精确为 $1$，因为 $f_n$ 是分段线性的折线，梯形法在每个折线段上精确）。

   f_n(x)          (n = 4, 高 8, 底 1/4)
     2n=8 ┤           ╱╲
          │          ╱  ╲
          │         ╱    ╲
          │        ╱      ╲
        0 ┼───────╱────────╲─────────────────────→ x
          0      1/(2n)   1/n                 1
                  ← 底 1/n →
                    高 2n
       面积 = ½ · (1/n) · 2n = 1   对所有 n 恒定
   n → ∞ 时尖峰整体"滑向 0 并越滑越高"：每点最终为 0，但面积不灭

反例 C（移动的楔形：把”质量守恒”做成光滑函数，$h_n(x)=n^2x(1-x)^n$）

• 定义：在 $[0,1]$ 上 $h_n(x)=n^2x(1-x)^n$。（提示中给的 $n x(1-x)^n$ 不是反例，见下方”陷阱提醒”。）
• 逐点极限：固定 $x\in[0,1)$。因为 $\dfrac{h_{n+1}(x)}{h_n(x)}=\left(\frac{n+1}{n}\right)^2(1-x)\to 1-x<1$，所以 $\sum h_n(x)$ 收敛（比值判别法），从而级数收敛的必要条件给出 $h_n(x)\to0$（依据：Lecture 10 Theorem 123：若 $\sum x_n$ 收敛则 $x_n\to0$）。$x=1$ 时 $h_n(1)=0$。故 $h_n\to0$ 逐点。
• 积分趋于 $1$ 而非 $0$：由 Beta 积分（或两次分部积分） \(\int_0^1 n^2x(1-x)^n\,dx=n^2\cdot B(2,n+1)=n^2\cdot\frac{1!\,n!}{(n+2)!}=\frac{n^2}{(n+1)(n+2)}\xrightarrow[n\to\infty]{}1 .\) （依据：$\int_0^1 x^{a-1}(1-x)^{b-1}dx=\frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}$，这里 $a=2,b=n+1$。）
• 结论：$\lim_n\int_0^1 h_n=1\ne0=\int_0^1 0$。交换失败，而且这次失败的是光滑（甚至是实解析）函数列——说明”光滑”救不了你，只有一致收敛能。

• 脚本验算：$n=1,2,5,10,100,1000$ 时梯形积分 $=0.1666666667,\ 0.3333333333,\ 0.5952380952,\ 0.7575757575,\ 0.9706852986,\ 0.9970064642$，与解析值 $\frac{n^2}{(n+1)(n+2)}=0.1666666667,\ 0.3333333333,\ 0.5952380952,\ 0.7575757576,\ 0.9706853038,\ 0.9970069850$ 完全吻合，且确实 $\to1$ ✓。逐点信息也验证了：$x=0.5$ 时 $h_n$ 在 $n=1,10,100,1000$ 处取 $2.500\times10^{-1},4.883\times10^{-2},3.944\times10^{-27},4.666\times10^{-296}\to0$ ✓。

• ⚠ 陷阱提醒（为什么 $n x(1-x)^n$ 不构成反例）：$\int_0^1 nx(1-x)^n dx=\frac{n}{(n+1)(n+2)}\to0$，积分和逐点极限的积分都是 $0$，交换”碰巧”成立。做反例时绝不能只看”函数有尖峰”，必须真的把两边算出来。 脚本验算：$n=1,2,5,10,50,100,500$ 时该积分 $=0.1666666667,\ 0.1666666667,\ 0.1190476190,\ 0.0757575758,\ 0.0188536953,\ 0.0097068530,\ 0.0019880558\to0$ ✓（解析值 $\frac{n}{(n+1)(n+2)}$）。增加一个因子 $n$（即用 $n^2$ 而不是 $n$）才把面积抬到 $1$。

• 【反例的机制解说】：三个反例的共同解剖图： \(\underbrace{\text{逐点收敛}}_{\text{每点最终为 }0}\quad+\quad\underbrace{\text{误差向一个点塌缩}}_{\text{尖峰越跑越窄、越跑越高}}\quad\Longrightarrow\quad\underbrace{\text{积分不衰减}}_{\text{总质量守恒}} .\) 一致收敛禁止的正是”误差向一个点塌缩”：一致收敛说”$n\ge M$ 后整条曲线都在 $\epsilon$-管子里”，那么 $\int\vert f_n-f\vert \le\epsilon(b-a)$ 就没有任何”塌缩点”可以藏污纳垢。逐点收敛允许”偷藏的误差”——藏在某个测度越来越小但高度越来越大的集合上——积分恰恰会被这种藏法骗到。
• 【技巧总结】：构造”$\lim\int\ne\int\lim$ 反例”的配方：
  1. 让 $f_n\to0$ 逐点（把”坏集合”的宽度压到 $0$：$1/n$ 型宽度最省事）；
  2. 让”坏集合”上的高度以 $n$ 型速度增长，使 $\text{高}\times\text{宽}$ 趋于正常数 $c\ne0$；
  3. 用解析计算核对 $\int f_n$（不要凭图像猜）；必要时用 $n^2$ 或 $2n$ 微调速度把面积钉在想要的常数值上。

五、$\lim$ 与 $\frac{d}{dx}$ 的交换（源文件 Theorem 277，Lecture 25；本讲 Question 271 问题 2 的 yes 版本）

定理 277（一致收敛的导数下可交换求导）

• 定理陈述：设 $f_n:[a,b]\to\mathbb{R}$ 对每个 $n$ 连续可导 (continuously differentiable)，$f:[a,b]\to\mathbb{R}$，$g:[a,b]\to\mathbb{R}$，且 \(f_n\to f\ \text{逐点},\qquad f_n^{\prime}\to g\ \text{一致},\) 则 $f$ 连续可导且 $g=f^{\prime}$，即 \(\frac{d}{dx}\Big(\lim_{n\to\infty}f_n\Big)=\lim_{n\to\infty}f_n^{\prime}.\)
• 证明策略：用 FTC 把”导数的信息”翻译成”函数值的信息”，再用积分交换定理搬极限，最后用 FTC 反向翻译回来。 三步流水线： \(\underbrace{f_n^{\prime}\rightrightarrows g}_{\text{导数层面}}\ \xrightarrow{\text{FTC 第二部分的积分}}\ \underbrace{f_n(x)-f_n(a)=\int_a^x f_n^{\prime}}_{\text{函数值层面}}\ \xrightarrow{\ \lim_n\ \text{可换}\ }\ \underbrace{f(x)-f(a)=\int_a^x g}_{\text{再用 FTC 求导}}\ \longrightarrow\ f^{\prime}=g .\) 注意证明的”不寻常”：一致性的条件落在导数上，而函数本身只需在一点收敛（因为 $f(x)-f(a)$ 通过积分被 $f_n^{\prime}-g$ 的一致收敛完全控制住了，$f$ 在其他点必须自动被”定义”出来）。
• 逐步推导：
  1. 由 $f_n^{\prime}\rightrightarrows g$ 在 $[a,b]$ 上、且每个 $f_n^{\prime}$ 连续，得 $g$ 连续。（依据：Theorem 274（一致极限保连续），把那里的 $f_n$ 换成这里的 $f_n^{\prime}$。这一步很重要：它保证 $\int_a^x g$ 存在，从而 FTC 第一部分可用。）
  2. 对每个 $n$ 与每个 $x\in[a,b]$，由 Lecture 22 的 FTC 第二部分（源文件 Theorem 250 之 2）： \(f_n(x)-f_n(a)=\int_a^x f_n^{\prime} .\) （依据：$f_n^{\prime}$ 连续 $\Rightarrow$ $f_n^{\prime}\in C([a,b])$，适用 Theorem 250（FTC）；其中”$G(x):=\int_a^x f$ 可导且 $G^{\prime}=f$”正是这里的用法：$\big(\int_a^x f_n^{\prime}\big)’=f_n^{\prime}$ 且 $G(a)=0$，或等价地用 FTC 第 1 部分 $F(b)-F(a)=\int_a^b f^{\prime}$，取 $F=f_n$、$b=x$。两种写法等价，源文件用的是第 1 部分那一支。）
  3. 令 $n\to\infty$：左端 $f_n(x)-f_n(a)\to f(x)-f(a)$。（依据：逐点收敛假设——注意这里只需要两个点 $x$ 与 $a$ 上的逐点收敛，所以”$f_n\to f$ 逐点”这个弱条件就够用了。）
  4. 右端 $\int_a^x f_n^{\prime}\to\int_a^x g$。（依据：Theorem 275（积分与极限交换），用在区间 $[a,x]$ 上的函数列 $\{f_n^{\prime}\}$：$f_n^{\prime}\rightrightarrows g$ 在 $[a,x]\subseteq[a,b]$ 上一致。注意：这里必须把一致性用在导数上——这是本定理的唯一”吃劲”处。）
  5. 由极限唯一性合并第 3、4 步： \(f(x)-f(a)=\int_a^x g\qquad\forall x\in[a,b].\) （依据：第 3、4 步与数列极限的唯一性。）
  6. 因此 $f(x)=f(a)+\int_a^x g$。（依据：代数整理。）
  7. 由 Lecture 22 的 FTC 第一部分（Theorem 250 之 1）：$\int_a^x g$ 关于 $x$ 可导，且 \(\frac{d}{dx}\int_a^x g=g(x).\) （依据：$g$ 连续（第 1 步），适用 FTC。）
  8. 于是 $f$ 可导（常数 $f(a)$ 的导数为 $0$，和的导数等于导数之和）且 \(f^{\prime}(x)=0+g(x)=g(x)\qquad\forall x\in[a,b].\) （依据：第 6、7 步。）
  9. 最后 $f^{\prime}=g$ 且 $g$ 连续，故 $f$ 连续可导。（依据：第 1、8 步。）
• 【证明机制解说】
  • 注意条件的”不寻常”：只需要 $f_n$ 在一点收敛，但需要 $f_n^{\prime}$ 一致收敛。 为什么？因为证明的关键是把”导数的信息“通过积分转成”函数值的信息“，而积分与极限的交换需要一致收敛——一致收敛的条件落在导数上，而不是函数本身。一旦 $f_n^{\prime}\rightrightarrows g$，第 4 步就把 $\int_a^x f_n^{\prime}$ 控制住了，于是 $f(x)-f(a)$ 对所有 $x$ 同时被确定；$f_n$ 自身的收敛性只在一个点（比如 $a$）需要，用来确定积分常数 $f(a)$。这是本定理最容易被误记的地方：把”$f_n^{\prime}$ 一致收敛”记成”$f_n$ 一致收敛”就完全错了——$f_n\rightrightarrows f$ 推不出 $f^{\prime}=g$（见下面的 $\sin(nx)/n$ 反例）。
  • 与 Theorem 275 的关系：Theorem 275 是”$f_n$ 一致收敛 $\Rightarrow$ 积分可交换”；Theorem 277 是”$f_n^{\prime}$ 一致收敛 $\Rightarrow$ 求导可交换”。同一个定理，作用在不同的函数列上（一个是 $\{f_n\}$，一个是 $\{f_n^{\prime}\}$）。所以 Theorem 277 的证明就是 Theorem 275 的一次借用——这也是为什么源文件把它放在 Theorem 274、275 之后。
  • 为什么”逐点”就够（对 $f_n$）？ 因为 $f$ 的角色只是”$f(x)=f(a)+\int_a^x g$ 这个积分定义出来的函数”。$f_n\to f$ 逐点这个条件甚至显得多余：其实只要 $f_n$ 在一点 $a$ 收敛，第 5 步就能把 $f$ 定义为 $f(a)+\int_a^x g$，于是 $f^{\prime}=g$ 自动成立。“在一点收敛”是一致收敛力量强大的最直接证据。
  • 如果让你自己发明这个证明：你会想”我想知道 $f^{\prime}$，但导数是个局部量，我手上的一致收敛是全局量，两者怎么对接？——用 FTC 做桥梁：导数的全局积分等于函数值的差。于是 $f_n^{\prime}$ 的一致收敛通过 $\int_a^x$ 变成 $f_n(x)-f_n(a)$ 的收敛，得到 $f(x)-f(a)=\int_a^x g$；再对 $x$ 求导就得到 $f^{\prime}=g$。注意最后一步 ‘ 对 $x$ 求导 ‘ 之所以合法，是因为 $g$ 连续（一致极限保连续）。“——整条推理链一气呵成，是本讲最漂亮的一段。
• 【证明技巧总结】：“要交换 $\lim$ 与 $\frac{d}{dx}$，就把 $\frac{d}{dx}$ 换成 $\int_a^x$（FTC），在积分层面用一致收敛做交换，再换回来（FTC）。” 一句话：“FTC 是导数的积分装箱机；一致收敛只能作用于积分。” 附带记住两次 FTC 各自的作用：先 FTC（第二部分，$f_n(x)-f_n(a)=\int_a^x f_n^{\prime}$）把 $n$ 放进积分；后 FTC（第一部分，$(\int_a^x g)’=g$）把 $\frac{d}{dx}$ 取出来。

反例（逐点收敛时 $\lim$ 与 $\frac{d}{dx}$ 交换失败）——源文件 Lecture 25 反例 2

本讲的 Question 272 断言”逐点收敛时三个答案全为 no”，为此必须给出求导交换失败的完整反例。源文件 Lecture 25 开头给出的正是下面这个：

• 定义：在 $[0,1]$ 上令 $f_n(x)=\dfrac{x^{n+1}}{n+1}$。
• $f_n\to0$ 逐点（甚至一致）：$\forall x\in[0,1]$：$\vert f_n(x)-0\vert =\dfrac{x^{n+1}}{n+1}\le\dfrac{1}{n+1}$，而 $\dfrac{1}{n+1}\to0$。（依据：$0\le x^{n+1}\le1$ 与 $\frac{1}{n+1}\to0$。）这个界与 $x$ 无关，所以 $\sup_{[0,1]}\vert f_n\vert =f_n(1)=\frac{1}{n+1}\to0$——这里的收敛其实是一致（比源文件所要求的”逐点”更强）。设 $f(x)=0$，则 $f\equiv0$ 连续，故 $f^{\prime}\equiv0$。
• $f_n^{\prime}\to g$ 但 $g\ne f^{\prime}$：$f_n^{\prime}(x)=x^n$，其逐点极限为 \(g(x)=\lim_{n\to\infty}x^n=\begin{cases}0,&x\in[0,1),\\ 1,&x=1.\end{cases}\) （依据：$0\le x<1\Rightarrow x^n\to0$；$x=1\Rightarrow1^n=1$。）于是 \(g(1)=1\ \ne\ 0=(\lim_n f_n)'(1)=f^{\prime}(1).\) 交换失败：$\lim_n f_n^{\prime}=g\ \ne\ f^{\prime}=(\lim_n f_n)’$。
• 失败的技术根源：$f_n^{\prime}\to g$ 不一致。 理由与 Theorem 266 第 2 部分逐字相同：$\sup_{x\in[0,1)}\vert f_n^{\prime}(x)-0\vert =\sup_{x\in[0,1)}x^n=1\not\to0$；用 Negation 267，取 $\epsilon_0=\frac14$、$x=(1/2)^{n}$…更准确地说取 $x=(1/2)^{1/n}$，得 $\vert f_n^{\prime}(x)-g(x)\vert =x^n=\frac12>\frac14=\epsilon_0$。Theorem 277 恰恰要求 $f_n^{\prime}\rightrightarrows g$，正好把这个反例排除在外——这就是”条件落在导数上”的意义。
• 脚本验算：$n=1,10,1000$ 时 $\sup\vert f_n\vert =\frac{1}{n+1}=0.5,\ 0.09090909,\ 0.000999$（一致趋于 $0$ ✓），而 $f_n^{\prime}(1)=1^n=1$ 对每个 $n$ 恒成立，故 $g(1)=1\ne0=f^{\prime}(1)$ ✓。

反例与正例对照（全部脚本验算）

脚本验算细节：

• $f_n=\frac{\sin(nx)}{n}$：$n=1,10,100,1000$ 时 $\sup\vert f_n\vert =1,\ 0.1,\ 0.01,\ 0.001$，而 $f_n^{\prime}(0)=\cos 0=1$ 对所有 $n$ 成立（所以 $\{f_n^{\prime}(0)\}$ 恒为 $1$，不收敛到 $0$，更不可能一致收敛到 $0$）✓。
• $f_n=\frac{\sin(nx)}{n^2}$：$\sup\vert f_n\vert =1,\ 0.01,\ 10^{-4},\ 10^{-6}$；$\sup\vert f_n^{\prime}\vert =1,\ 0.1,\ 0.01,\ 0.001$，两者都 $\to0$ ✓。
• $f_n=\frac{\sin(n^2x)}{n}$：$\sup\vert f_n\vert =1,\ 0.1,\ 0.01,\ 0.001$，而 $\sup\vert f_n^{\prime}\vert =1,\ 10,\ 100,\ 1000$ 指数爆炸 ✓。
• 源文件反例：$n=1,10,1000$ 时 $\sup\vert f_n\vert =\frac{1}{n+1}=0.5,\ 0.09090909,\ 0.000999$，而 $f_n^{\prime}(1)=1^n=1$ 恒成立，而 $(\lim f_n)’=0$ ✓。

六、$\lim$ 与 $\lim$ 的交换（双重极限交换；补充：本讲 Question 271 问题 1 的自然强化）

定理（补充：双重极限交换 / interchange of iterated limits）

• 定理陈述：设 $S\subseteq\mathbb{R}$、$c$ 是 $S$ 的聚点，$f_n:S\to\mathbb{R}$，$f:S\to\mathbb{R}$。若
  1. $f_n\to f$ 在 $S$ 上一致；
  2. $\forall n$，极限 $a_n:=\lim_{x\to c}f_n(x)$ 存在（有限）， 则 $\lim_{n\to\infty}a_n$ 存在且 $\lim_{x\to c}f(x)$ 存在，并且 \(\lim_{n\to\infty}\lim_{x\to c}f_n(x)=\lim_{x\to c}\lim_{n\to\infty}f_n(x),\qquad\text{即}\qquad \lim_{n\to\infty}a_n=\lim_{x\to c}f(x).\)
• 证明策略：两遍 $\epsilon/3$。 第一遍证 $\{a_n\}$ 是 Cauchy（用 $\vert a_n-a_m\vert \le\vert a_n-f_n(x)\vert +\vert f_n(x)-f_m(x)\vert +\vert f_m(x)-a_m\vert $，其中中项用一致收敛拆分）；第二遍证 $\lim_{x\to c}f(x)$ 存在且等于该极限（用 $\vert f(x)-a\vert \le\vert f(x)-f_n(x)\vert +\vert f_n(x)-a_n\vert +\vert a_n-a\vert $）。这个定理其实是 Theorem 274 的”聚点版本”——把 $f_n$ 在 $c$ 的连续性换成”$f_n$ 在 $c$ 有极限”，结论换成”$f$ 在 $c$ 有极限”。
• 逐步推导：
  1. 第一步：$\{a_n\}$ 是 Cauchy。 设 $\epsilon>0$。由 $f_n\to f$ 一致，取 $M_0$ 使 $\forall n\ge M_0,\forall y\in S:\vert f_n(y)-f(y)\vert <\frac{\epsilon}{3}$。（依据：Definition 264。）
  2. 于是 $\forall n,m\ge M_0$、$\forall y\in S$： \(\vert f_n(y)-f_m(y)\vert \le\vert f_n(y)-f(y)\vert +\vert f(y)-f_m(y)\vert <\frac{\epsilon}{3}+\frac{\epsilon}{3}=\frac{2\epsilon}{3}.\) （依据：加一项减一项 + 三角不等式 + 第 1 步（用 $y$ 两次）。注意这里对 $y$ 一致成立——一致性第二次发挥作用。）
  3. 对每个 $n$，由 $a_n=\lim_{y\to c}f_n(y)$，取 $\delta_n>0$ 使 $0<\vert y-c\vert <\delta_n\Rightarrow\vert f_n(y)-a_n\vert <\frac{\epsilon}{6}$。同理对 $m$：$0<\vert y-c\vert <\delta_m\Rightarrow\vert f_m(y)-a_m\vert <\frac{\epsilon}{6}$。（依据：极限的 $\epsilon$-$\delta$ 定义，$\epsilon$ 取 $\epsilon/6$。注意 $\delta_n,\delta_m$ 允许依赖 $n,m$——这没关系，因为下一步只需要 $y$ 存在，不需要 $y$ 一致。）
  4. 取 $\delta:=\min\{\delta_n,\delta_m\}>0$，并取定一个 $y\in S$ 满足 $0<\vert y-c\vert <\delta$（存在，因 $c$ 是聚点）。（依据：有限多个正数的最小值仍为正；聚点定义保证这样的 $y$ 存在。）
  5. 拆三项： \(\vert a_n-a_m\vert \le\underbrace{\vert a_n-f_n(y)\vert }_{<\epsilon/6}+\underbrace{\vert f_n(y)-f_m(y)\vert }_{<2\epsilon/3}+\underbrace{\vert f_m(y)-a_m\vert }_{<\epsilon/6}<\frac{\epsilon}{6}+\frac{2\epsilon}{3}+\frac{\epsilon}{6}=\epsilon .\) （依据：加一项减两项（$f_n(y)$ 与 $f_m(y)$）+ 三角不等式 + 第 2、3 步。）
  6. 故 $\{a_n\}$ 是 Cauchy，从而收敛。记 $a:=\lim_n a_n$。（依据：Lecture 10 的 Cauchy 判别法：$\mathbb{R}$ 中 Cauchy 列必收敛。）
  7. 第二步：$\lim_{x\to c}f(x)=a$。 由第 6 步取 $N\ge M_0$ 使 $\forall n\ge N:\vert a_n-a\vert <\frac{\epsilon}{3}$。（依据：数列收敛的 $\epsilon$-$N$ 定义。）
  8. 固定这个 $N$。由 $a_N=\lim_{y\to c}f_N(y)$，取 $\delta>0$ 使 $0<\vert y-c\vert <\delta\Rightarrow\vert f_N(y)-a_N\vert <\frac{\epsilon}{3}$。（依据：极限的 $\epsilon$-$\delta$ 定义。）
  9. 设 $0<\vert x-c\vert <\delta$。则 \(\vert f(x)-a\vert \le\underbrace{\vert f(x)-f_N(x)\vert }_{<\epsilon/3}+\underbrace{\vert f_N(x)-a_N\vert }_{<\epsilon/3}+\underbrace{\vert a_N-a\vert }_{<\epsilon/3}<\epsilon .\) （依据：加一项减一项 + 三角不等式；第一项来自第 1 步（$N\ge M_0$、$y=x$），第二项来自第 8 步，第三项来自第 7 步。）
  10. 故 $\lim_{x\to c}f(x)=a=\lim_n a_n$。（依据：函数极限的 $\epsilon$-$\delta$ 定义。）
• 【证明机制解说】：这个定理是”极限的极限 = 极限”这句话的严格化。它解释了 Theorem 274 为什么成立：连续性本来就是”$\lim_{x\to c}f(x)=f(c)$”，而双重极限交换定理告诉你”先对 $n$ 后对 $x$”和”先对 $x$ 后对 $n$”一样——连续性是”保持一致”的副产品。 反例（不一致时失败）：$f_n(x)=x^n$ 在 $[0,1]$ 上，$c=1$。$\forall n$，$a_n=\lim_{x\to1}x^n=1$（在 $[0,1]$ 内取值），故 $\lim_n a_n=1$。但 $f(x)=0$ 当 $x<1$、$f(1)=1$，故 $\lim_{x\to1}f(x)=0\ne1$。这正是”一致性缺失”的代价（脚本验算：$a_n=0.9^n$ 型在 $[0,0.9]$ 上一致收敛时，$\lim_n a_n=0=\lim_{x\to0.9}f(x)$，交换成立；而在 $[0,1]$ 上不一致，交换崩溃）。
• 【证明技巧总结】：“双重极限交换 = 两次 $\epsilon/3$ + Cauchy 判别法。” 具体地：先用一致收敛证”内层极限值”是 Cauchy；再用”内层极限存在 + 外层一致收敛”证外层极限存在且相等。 需要注意 $\delta$ 可以依赖 $n$（内层极限不是一致的），但误差估计必须对 $x$ 一致（这就是一致收敛的作用）。

七、逐项积分与逐项求导的级数形式（补充；源文件在 Lecture 25 Theorem 279 中正式使用）

推论（逐项积分 / term-by-term integration）

• 陈述：设 $f_n:[a,b]\to\mathbb{R}$ 连续、$\sum_{n=1}^\infty f_n$ 在 $[a,b]$ 上一致收敛（记和函数 $f=\sum f_n$，由 Theorem 274 得 $f$ 连续）。则 \(\int_a^b\sum_{n=1}^\infty f_n=\int_a^b f=\sum_{n=1}^\infty\int_a^b f_n .\)
• 证明梗概：
  1. 记部分和 $S_N:=\sum_{n=1}^N f_n$。由假设 $S_N\rightrightarrows f$。
  2. 每个 $S_N$ 是有限个连续函数之和，故连续，且 $\int_a^b S_N=\sum_{n=1}^N\int_a^b f_n$（积分的线性性，有限和不需任何收敛条件）。
  3. 由 Theorem 275：$\lim_N\int_a^b S_N=\int_a^b f$。
  4. 左端 $\lim_N\int_a^b S_N=\lim_N\sum_{n=1}^N\int_a^b f_n=\sum_{n=1}^\infty\int_a^b f_n$（级数收敛的定义：部分和的极限）。
  5. 合并即得。（依据：第 3、4 步。）
• 为什么要一致收敛？ 若只有逐点收敛，第 3 步失效（反例 A/B/C 就是反例）。注意”级数一致收敛”并不等于”每项一致收敛到 $0$”这么简单——它必须由 M-判别法或别的工具来验证。

推论（逐项求导 / term-by-term differentiation）

• 陈述：设 $f_n:[a,b]\to\mathbb{R}$ 连续可导，$\sum f_n$ 在 $[a,b]$ 上至少逐点收敛到 $f$，且 $\sum f_n^{\prime}$ 在 $[a,b]$ 上一致收敛到 $g$。则 $f$ 连续可导且 \(f^{\prime}=\sum_{n=1}^\infty f_n^{\prime}=g,\qquad\text{即}\qquad \frac{d}{dx}\sum_{n=1}^\infty f_n=\sum_{n=1}^\infty\frac{d}{dx}f_n .\)
• 证明梗概：把 Theorem 277 用在部分和序列 $S_N=\sum_{n=1}^N f_n$ 上：$S_N\to f$ 逐点，$S_N^{\prime}=\sum_{n=1}^N f_n^{\prime}\to g$ 一致（“级数一致收敛”按定义就是”部分和一致收敛”），于是 $f^{\prime}=g$。（依据：Theorem 277。）
• 【技巧总结】：级数版本的两条——”$\sum f_n$ 一致 $\Rightarrow$ $\int$ 与 $\sum$ 可换”；”$\sum f_n^{\prime}$ 一致 $\Rightarrow$ $\frac{d}{dx}$ 与 $\sum$ 可换”。注意谁在一致收敛：积分看 $f_n$，求导看 $f_n^{\prime}$。 源文件 Lecture 25 的 Theorem 279（幂级数逐项求导/逐项积分）正是靠 Lecture 25 的 Theorem 278（幂级数在 $[x_0-r,x_0+r]$ 上一致收敛，它由 M-判别法 证明）来实现的——这就是本讲 M-判别法的终极用途。 数值示例：$\sum_{n\ge1}\frac{\sin(nx)}{n^2}$ 在 $\mathbb{R}$ 一致收敛（M-判别法，$M_n=1/n^2$）；它的逐项积分 $\int_0^\pi\sum\frac{\sin(nx)}{n^2}dx=\sum\frac{1}{n^2}\int_0^\pi\sin(nx)dx=\sum_{n\ \text{odd}}\frac{2}{n^3}$。脚本验算：部分和与极限的差被 $\sum_{j>N}1/j^2$ 控制，$N=1,5,20,100$ 时实测 $\sup\vert L-S_N\vert =0.377988,\ 0.104729,\ 0.027049,\ 0.001891$，均小于控制界 $0.644934,\ 0.181322,\ 0.048770,\ 0.009950$ ✓（这就是”一致收敛”的定量证书）。

八、Weierstrass M-判别法（源文件 Theorem 268，本讲的核心工具）

定理 268（Weierstrass M-判别法 / Weierstrass M-test）

• 定理陈述：设 $f_j:S\to\mathbb{R}$（$j\in\mathbb{N}$），且存在常数 $M_j>0$ 使得 (a) $\forall x\in S,\ \vert f_j(x)\vert \le M_j$（关键：$M_j$ 与 $x$ 无关，$x$ 上是一致控制的）； (b) $\sum_{j=1}^\infty M_j$ 收敛（这就是所谓的控制级数 / 优级数 (majorant)）。 则
  1. $\forall x\in S$，$\sum_{j=1}^\infty f_j(x)$ 绝对收敛；
  2. 令 $f(x)=\sum_{j=1}^\infty f_j(x)$（$x\in S$），则部分和 $S_n(x):=\sum_{j=1}^n f_j(x)$ 一致收敛到 $f$，即 $S_n\rightrightarrows f$ 在 $S$ 上。
• 证明策略：两步走，两步都是”抄”已有的定理。
  • 第 1 步：对每个固定的 $x$，条件 (a)(b) 恰好就是 Lecture 11 比较判别法 (Comparison Test, Theorem 135) 的假设，直接得到绝对收敛。
  • 第 2 步：把 Cauchy 判别法搬到函数级数上。源文件的写法是尾项估计法：由 $\sum M_j$ 收敛，尾和 $\sum_{j=n+1}^\infty M_j\to0$；再用三角不等式把 $\vert f(x)-S_n(x)\vert $ 夹在同一个尾和之间。因为尾和与 $x$ 无关，所以这个 $N$ 对全 $S$ 同时有效——”一致”就是这么来的。
• 逐步推导：
  1. 第 1 部分（绝对收敛）：固定 $x\in S$。由 (a)，$\vert f_j(x)\vert \le M_j$ 对每个 $j$ 成立；由 (b)，$\sum M_j$ 收敛。故由比较判别法（非负项 $\sum\vert f_j(x)\vert $ 被收敛级数 $\sum M_j$ 逐项控制）得 $\sum\vert f_j(x)\vert $ 收敛，即 $\sum f_j(x)$ 绝对收敛。（依据：Lecture 11 Theorem 135。注意这里 $x$ 只起”参数”作用，为每个 $x$ 单独使用一次比较判别法。）
  2. 第 2 部分（一致收敛）：设 $\epsilon>0$。由 $\sum_{j=1}^\infty M_j$ 收敛（记部分和 $T_n=\sum_{j=1}^n M_j\to T:=\sum_{j=1}^\infty M_j$），存在 $N_0\in\mathbb{N}$ 使得 $\forall n\ge N_0$： \(\sum_{j=n+1}^\infty M_j=\left\vert \sum_{j=1}^\infty M_j-\sum_{j=1}^n M_j\right\vert =\vert T-T_n\vert <\epsilon .\) （依据：级数收敛的定义即部分和收敛；$\vert T-T_n\vert $ 就是尾和——源文件采用的正是这种”尾和”写法，等价于 Lecture 10 Theorem 122 的 Cauchy 形式。所有 $M_j>0$ 保证可以去掉绝对值。）
  3. 取 $N=N_0$。则 $\forall n\ge N$ 与 $\forall x\in S$： \(\left\vert f(x)-\sum_{j=1}^n f_j(x)\right\vert =\left\vert \sum_{j=n+1}^\infty f_j(x)\right\vert \le\sum_{j=n+1}^\infty\vert f_j(x)\vert \le\sum_{j=n+1}^\infty M_j<\epsilon .\) （依据：第一步等号是因为 $f=\sum_{j\ge1}f_j$ 且级数在 $x$ 处收敛故可”砍掉前 $n$ 项”；第一个 $\le$ 是三角不等式对无穷级数的推广（即 $\vert \sum g_j\vert \le\sum\vert g_j\vert $，由有限部分和取极限得到）；第二个 $\le$ 是对每一项用 (a)（并且这里对 $j$ 求和时 $x$ 是固定的，所以是逐项比较后求和，合法）；第三个 $<$ 是第 2 步。）
  4. 故 $\forall\epsilon>0\ \exists N\ \forall n\ge N\ \forall x\in S:\vert S_n(x)-f(x)\vert <\epsilon$，即 $S_n\rightrightarrows f$。（依据：Definition 264。关键检查：第 2 步选出的 $N$ 只依赖 $\epsilon$（因为 $\sum M_j$ 与 $x$ 无关），完全不依赖 $x$——这正是”一致”的来源。）
• 【证明机制解说】
  • M-判别法是把”函数级数的一致收敛”归约为”数值级数的收敛”。 它的关键词是”用一个与 $x$ 无关的控制级数 (majorant)“：你放弃了对每个 $x$ 精确刻画 $\vert f_j(x)\vert $ 的权利，只保留一个最坏情况的上界 $M_j$；作为交换，你赢得了“所有 $x$ 同时成立”这个一致结论。这是一笔极划算的买卖：用一点点精确性，换来了整个 $S$ 上的统一控制。
  • 与 Lecture 11 比较判别法的血缘关系：比较判别法说的是”若 $0\le\vert x_j\vert \le M_j$ 且 $\sum M_j<\infty$，则 $\sum x_j$ 收敛”——它控制的是”收敛性”（对每个固定的数列）。M-判别法说的本质上是一模一样的话，只是把数列换成了函数族的每一根纤维，并且要求那个控制对所有 $x$ 同时有效——它控制的是”一致收敛性”。把 M-判别法的 (a) 中对每个 $x$ 的要求”$\vert f_j(x)\vert \le M_j$”读成”这一族函数被同一个数值级数罩住了”，你就理解了它的全部。
  • M-判别法的”魔法”在哪一步？ 就在第 3 步的第二个 $\le$：$\sum_{j>n}\vert f_j(x)\vert \le\sum_{j>n}M_j$。这一步把”对 $x$ 的依赖”彻底扔掉了，于是右边的 $\sum_{j>n}M_j$ 与 $x$ 无关，第 2 步的 $N$ 就能一劳永逸地服务全 $S$。如果 $M_j$ 依赖 $x$（比如写成 $M_j(x)$），这个证明立刻崩掉——那就是逐点收敛，不是一致收敛。
  • 如果让你自己发明 M-判别法：你会想”我想证函数级数一致收敛，可我不知道它的和函数是什么（大多数级数根本算不出和）。怎么办？——我不需要知道和函数！我只需要控制”尾和”的绝对值，因为一致收敛的定义里 $\vert f(x)-S_n(x)\vert $ 恰好就是尾和。 那我怎么控制尾和？用三角不等式把它换成 $\sum_{j>n}\vert f_j(x)\vert $；再想办法把这个和弄成与 $x$ 无关——于是自然要求每一项有一个与 $x$ 无关的上界 $M_j$。“——这就是 M-判别法的完整发明过程：目标（尾和）$\to$ 工具（三角不等式）$\to$ 障碍（$x$ 依赖）$\to$ 解法（找一个 majorant）。
• 【证明技巧总结】：“M-判别法 = 找一个与 $x$ 无关的收敛 majorant $\sum M_n$ + 用 Cauchy/尾和判别法把数值控制升级为一致控制。” 三步口诀：① 逐项估上界（与 $x$ 无关）② 验证 $\sum M_n<\infty$ ③ 三角不等式 + 尾和 $\Rightarrow$ 一致 Cauchy $\Rightarrow$ 一致收敛。 附带的红利：同时得到绝对收敛（因为 $\sum\vert f_j(x)\vert \le\sum M_j<\infty$）。

M-判别法的”包络”图像（为什么叫 majorant / 优级数）

        |f_j(x)|
           ▲
     M_j ┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈┈  ← 水平直线：与 x 无关的天花板
           │      ╱╲        ╱╲
           │     ╱  ╲  ╱╲  ╱  ╲   ╱╲
           │   ╱╲╱    ╲╱  ╲╱    ╲╱   ╲╱╲      ← 曲线 |f_j(x)| 到处乱窜
           │ ╱                            ╲___
         0 ┼──────────────────────────────────────→ x
           整个 S 上：|f_j(x)| ≤ M_j  永远成立

   然后：Σ_j M_j < ∞  ⟹  Σ_j |f_j(x)| ≤ Σ_j M_j < ∞ 对**每个** x
   ⟹ 尾和 Σ_{j>n} M_j → 0，这个 N 与 x 无关
   ⟹ 一致 Cauchy ⟹ 一致收敛
   ★ 一旦"天花板"M_j 依赖 x，直线就变成曲线，一致性立刻丧失（退化为逐点收敛）

应用（全部脚本验算）

应用 1：$\displaystyle\sum_{n=1}^\infty\frac{\sin(nx)}{n^2}$ 在 $\mathbb{R}$ 上一致收敛，且和函数连续。

• 取 $f_n(x)=\frac{\sin(nx)}{n^2}$，$M_n=\frac{1}{n^2}$。(a) 因为 $\vert \sin(nx)\vert \le1$ 对所有 $x\in\mathbb{R}$ 成立，故 $\vert f_n(x)\vert \le\frac{1}{n^2}=M_n$，且 $M_n$ 与 $x$ 无关 ✓。(b) $\sum\frac{1}{n^2}$ 收敛（$p$-级数 $p=2>1$，Lecture 11）✓。
• 由 M-判别法：$\sum f_n$ 一致收敛（并在每点绝对收敛）。
• 推出连续性：每个 $f_n(x)=\frac{\sin(nx)}{n^2}$ 连续（正弦连续、除以常数、复合），部分和连续；由 Theorem 274（一致极限保连续），和函数 $f(x)=\sum_{n\ge1}\frac{\sin(nx)}{n^2}$ 在 $\mathbb{R}$ 上连续。这个结论靠逐点收敛是得不到的——逐点收敛保不了连续。
• 脚本验算：控制界 $\sum_{j>N}\frac{1}{j^2}$：$N=1,5,20,100$ 时为 $0.644934,\ 0.181322,\ 0.048770,\ 0.009950$；实测一致误差 $\sup_{x\in[-4,4]}\vert L(x)-S_N(x)\vert =0.377988,\ 0.104729,\ 0.027049,\ 0.001891$，全部小于控制界 ✓。特别地 $\sup_x\vert L-S_{100}\vert <0.01$。在 $x=\pi/3$ 处部分和：$N=1,2,5,10,50,100,1000,10000$ 给 $0.8660254038,\ 1.0825317547,\ 0.9937641508,\ 1.0163095316,\ 1.0152738023,\ 1.0149433108,\ 1.0149416081,\ 1.0149416064$，收敛到 $\approx1.0149416064$ ✓。

应用 2：$\displaystyle\sum_{n=0}^\infty\frac{x^n}{n!}$ 在 $[-R,R]$ 上一致收敛（任意 $R>0$）。

• 取 $f_n(x)=\frac{x^n}{n!}$，$M_n=\frac{R^n}{n!}$。(a) $\vert x\vert \le R\Rightarrow\vert f_n(x)\vert =\frac{\vert x\vert ^n}{n!}\le\frac{R^n}{n!}=M_n$，与 $x$ 无关 ✓。(b) 由比值判别法：$\frac{M_{n+1}}{M_n}=\frac{R}{n+1}\to0<1$，故 $\sum M_n$ 收敛（事实上 $\sum_{n\ge0}\frac{R^n}{n!}=e^R<\infty$）✓。
• 由 M-判别法：$\sum\frac{x^n}{n!}$ 在 $[-R,R]$ 上一致收敛。再由 Theorem 274，$x\mapsto\sum x^n/n!$ 在 $\mathbb{R}$ 上连续（$R$ 任意，故处处连续）——这与我们熟知的 $e^x$ 的连续性是相符的，但这里的证明没有预先使用 $e^x$ 的任何性质。
• 脚本验算（$R=2$）：$N=1,2,5,10,20$ 时 $\sup_{[-2,2]}\vert e^x-S_N(x)\vert =4.389\times10^{0},\ 2.389\times10^{0},\ 1.224\times10^{-1},\ 6.139\times10^{-5},\ 4.619\times10^{-14}$；而控制尾和 $\sum_{j>N}M_j=4.389,\ 2.389,\ 0.1224,\ 6.139\times10^{-5},\ 4.513\times10^{-14}$，实测误差 $\le$ 控制界，逐项吻合 ✓（$n=2,5,10,20$ 时两者几乎相等，因为 $x=2$ 处误差恰由尾和取到）。
• 补充（回扣 Final 第 5(a) 题）：Final 第 5(a) 要求证明 $\left\vert e^x-\sum_{j=0}^{n}\frac{x^j}{j!}\right\vert \le\frac{R^{n+1}}{(n+1)!}e^R$ 对 $x\in[-R,R]$ 成立。这正是本题的”带余项版本”，即 M-判别法的尾和控制在这里的具体化：尾和 $\sum_{j>n}\frac{R^j}{j!}=\frac{R^{n+1}}{(n+1)!}\left(1+\frac{R}{n+2}+\cdots\right)\le\frac{R^{n+1}}{(n+1)!}e^R$。

应用 3：$\displaystyle\sum_{n=1}^\infty\frac{\cos(nx)}{n^2}$ 在 $\mathbb{R}$ 上一致收敛 + 逐项积分。

• 同样 $M_n=\frac{1}{n^2}$（因 $\vert \cos(nx)\vert \le1$），M-判别法给一致收敛，从而和函数连续。
• 逐项积分（用上面的推论）：$\int_0^\pi\sum_{n\ge1}\frac{\cos(nx)}{n^2}\,dx=\sum_{n\ge1}\frac{1}{n^2}\int_0^\pi\cos(nx)dx=\sum_{n\ge1}\frac{\sin(n\pi)}{n^3}=0$（因为 $\sin(n\pi)=0$）。所以 $\int_0^\pi f=0$，虽然 $f\not\equiv0$（$f(0)=\sum1/n^2=\pi^2/6\approx1.6449$）。这个例子提醒我们：逐项积分给出的是数值事实，不要误读成 $f\equiv0$。
• 脚本验算：$N=10,100,1000,10000$ 时控制界 $\sum_{j>N}1/j^2=0.09516600,\ 0.00994983,\ 0.00099917,\ 0.00009966$，实测 $\sup_x\vert L(x)-S_N(x)\vert =0.09516134,\ 0.00994517,\ 0.00099450,\ 0.00009500$，全部略小于控制界 ✓。

应用 4（回扣 Lecture 18 的 Weierstrass 函数）：$\displaystyle W(x)=\sum_{k=0}^\infty\frac{\cos(160^kx)}{4^k}$ 在 $\mathbb{R}$ 上一致收敛，从而连续。

• 取 $f_k(x)=\frac{\cos(160^kx)}{4^k}$，$M_k=\frac{1}{4^k}$。(a) $\vert f_k(x)\vert \le\frac{1}{4^k}$ 对所有 $x$，与 $x$ 无关 ✓。(b) $\sum_{k\ge0}\frac{1}{4^k}=\frac{1}{1-1/4}=\frac43<\infty$ ✓。
• 由 M-判别法：$W$ 的级数在 $\mathbb{R}$ 上一致收敛；每项连续，故由 Theorem 274，$W$ 在 $\mathbb{R}$ 上连续。
• 这个呼应极其重要：Lecture 18（源文件 Theorem 210）证明了 $W$ 处不可导，而它的证明中把 $f(c)-f(x_n)$ 拆成 $a_n+b_n+c_n$（前 $n$ 项 / 第 $n$ 项 / 后 $n$ 项），并对 $\vert c_n\vert $ 用了估计 $\sum_{k>n}4^{-k}=\frac{2}{3}4^{-n}$——那正是 M-判别法的尾和控制！ 但 Lecture 18 的通篇证明默认了”$W$ 是收敛级数的和”这件事，却没有单独论证 $W$ 在每一点收敛、更没论证一致收敛。本讲的 M-判别法正是把那块空缺补齐：它一次性给出了”$W$ 处处连续”所需的全部解析基础。换句话说，Lecture 18 证的是”$W$ 不可导”，Lecture 24 的 M-判别法补上的是”$W$ 存在且连续”——两者合起来才完整地给出 Weierstrass 的”处处连续、处处不可导”函数。（源文件 Lecture 25 的 Theorem 278 把这一手法系统化为”幂级数在 $[x_0-r,x_0+r]$ 上一致收敛”，是同一技术的推广。）
• 脚本验算：控制尾和 $\sum_{k>K}4^{-k}$：$K=0,1,2,3,4$ 时 $3.333\times10^{-1},\ 8.333\times10^{-2},\ 2.083\times10^{-2},\ 5.208\times10^{-3},\ 1.302\times10^{-3}$ ✓——只需 $K=4$ 项，尾和的界就小于 $1.4\times10^{-3}$；乘以 $2$（$\vert \cos\vert \le1$ 的两次使用）仍远小于任何合理 $\epsilon$。这正是 Lecture 18 里 $\vert c_n\vert \le\frac23 4^{-n}$ 那条估计的同一套算术。
• 注意（重要提醒）：M-判别法给的是连续性，不给可导性。$W$ 恰恰就是”一致收敛 + 各项光滑，但和函数处处不可导”的著名例子——这提醒我们：$\sum f_n^{\prime}\rightrightarrows g$ 是逐项求导的不可省条件，而 $W$ 的导数项 $\frac{d}{dx}\left(\frac{\cos(160^kx)}{4^k}\right)=-\frac{160^k\sin(160^kx)}{4^k}=-40^k\sin(160^kx)$ 根本无界（$\sup\vert f_k^{\prime}\vert =40^k\to\infty$），所以 $\sum f_k^{\prime}$ 绝对发散，逐项求导彻底失效。

M-判别法的局限性：它是充分不必要条件

• 为什么是充分不必要？ M-判别法要求”存在一个与 $x$ 无关的收敛 majorant”。很多一致收敛的级数找不到这样的 majorant，因为它们的每一项在某些点上很小，而你要用一个对所有 $x$ 都有效的常数把这些”小”都吃进去，代价太大。
• 经过验证的正确例子：$\displaystyle\sum_{n=1}^\infty(-1)^n\frac{x^n}{n}$ 在 $[0,1]$ 上一致收敛，但 M-判别法失效。
  • M-判别法失效的原因：$\sup_{x\in[0,1]}\left\vert \frac{x^n}{n}\right\vert =\frac{1}{n}$（在 $x=1$ 处取到），故最好的 majorant 是 $M_n=\frac1n$，而 $\sum\frac1n$ 调和级数发散（脚本验算：$H_{10}=2.9290,\ H_{100}=5.1874,\ H_{1000}=7.4855,\ H_{10^6}=14.392727\approx\ln 10^6+\gamma$，其中 $\gamma=0.5772156649$ 是 Euler 常数——以对数速度发散，无界）✓。所以任何合法的 $M_n$ 都必须 $\ge\frac1n$（在 $x=1$ 处），任何这样的级数都发散。M-判别法在这里不是”我们没找到”，而是”根本不存在”。
  • 它确实一致收敛：和函数是 $S(x)=-\ln(1+x)$（因为 $\sum_{n\ge1}(-1)^n\frac{x^n}{n}=-\sum_{n\ge1}\frac{(-x)^n}{n}=-\big(-\ln(1-(-x))\big)=-\ln(1+x)$，依据 Lecture 15/16 的 $\ln(1+t)$ 级数）。余项有交错级数的 Leibniz 界： \(\vert S(x)-S_N(x)\vert =\left\vert \sum_{n>N}(-1)^n\frac{x^n}{n}\right\vert \le\frac{x^{N+1}}{N+1}\le\frac{1}{N+1}\xrightarrow[N\to\infty]{}0,\) 且右端的界与 $x$ 无关，故一致收敛 ✓（依据：交错级数判别法/Lecture 12 的余项估计）。
  • 脚本验算：$N=10,100,1000,10000$ 时实测 $\sup_{x\in[0,1]}\vert \!-\!\ln(1+x)-S_N(x)\vert =4.751\times10^{-2},\ 4.975\times10^{-3},\ 4.998\times10^{-4},\ 5.000\times10^{-5}$，全部小于界 $\frac{1}{N+1}=9.091\times10^{-2},\ 9.901\times10^{-3},\ 9.990\times10^{-4},\ 9.999\times10^{-5}$ ✓。实测误差恰约为界的一半——理论界是紧的。 $x=1$ 处 $-S_\infty(1)=\ln2=0.6931471805599453$ ✓。
• 结论：M-判别法只是一个”足够的、方便的工具”，不是一致收敛的必要条件。 想证一致收敛而不满足 M-判别法，可以用：交错级数的 Leibniz 余项估计、Abel/Dirichlet 判别法、直接估计尾和、或者利用被积/被和函数的特殊结构（如 Lambert 级数）。

• 【反向提醒】：M-判别法失效不等于级数不一致收敛，也不等于级数发散。“工具失败”与”命题为假”必须分清——这是初学者最常见的逻辑混淆。

与教材的对应

• 对应 [JL] §6.1（Pointwise and uniform convergence，逐点收敛与一致收敛）。该节的核心命题是：
  • 逐点收敛与一致收敛的定义（[JL] Definition 6.1.1 / 6.1.2，对应源文件 Definition 263 / 264）；
  • 一致收敛 $\Rightarrow$ 逐点收敛（[JL] 命题，对应源文件 Theorem 265，Lecture 23）；
  • “一致收敛 $\iff$ $\vert f_n-f\vert _S\to0$”的 sup-范数刻画（[JL] §6.1.3 “Convergence in uniform norm”，即本讲通篇使用的”求 $\sup$ 再取极限”技术）；
  • 一致 Cauchy 判据（[JL] Proposition 6.1.13）：一致 Cauchy $\iff$ 一致收敛——这正是 M-判别法证明（源文件 Theorem 268 第 2 部分）背后的机制（源文件用的是等价的”尾和”形式）。
• 对应 [JL] §6.2（Interchange of limits，极限的交换）。该节的核心命题是：
  • 一般地极限不可交换（[JL] 开篇例子 $\lim_n\lim_k\frac{n}{n+k}\ne\lim_k\lim_n\frac{n}{n+k}$，正是源文件 Example 270）；
  • $\lim$ 与连续交换（[JL] Theorem 6.2.2，对应源文件 Theorem 274）；
  • $\lim$ 与 $\int$ 交换（[JL] Theorem 6.2.6，对应源文件 Theorem 275）；
  • $\lim$ 与 $\frac{d}{dx}$ 交换（[JL] Theorem 6.2.11，对应源文件 Theorem 277）；
  • 幂级数的逐项求导与逐项积分（[JL] §6.2.5，对应源文件 Lecture 25 的 Theorem 279，其前提 Theorem 278 由 M-判别法证明）。 注意 [JL] 的 §6.2 也包含”极限与积分交换时只需 $\int_a^b f=\lim\int_a^b f_n$ 而不必 $f$ 连续”的推广版本；本讲按源文件走，用”$f_n$ 连续 $\Rightarrow$ 可积”的简化路线。
• 对应 OCW Assignment 12（Reading: The Riemann Integral lecture notes, Section 6.1；源文件 hw_all.txt 第 266–285 行）：
  • 第 1(a) 题：设 $f\in C([a,b])$、$f\ge0$，证明若 $\int_a^b f=0$ 则 $f\equiv0$。这道题在练什么：连续性与积分保序的配合（反证 + “连续函数在正点附近有正面积”）——它是 Lecture 21/22 的内容，但它使用的”函数列/函数级数的一致收敛”背景与本讲直接相邻。
  • 第 1(b) 题（Sturm–Liouville 型唯一性）：$u$ 二次连续可微、$-u^{\prime\prime}+Vu=0$、$u(a)=u(b)=0$，$V\ge0$，证明 $u\equiv0$。这道题在练什么：分部积分（Lecture 22）与第 1(a) 题结论的联合使用。
  • 第 2 题 = Exercise 5.3.1、第 3 题 = Exercise 5.3.9：属 [JL] §5.3 的 FTC / 积分中值型练习，是 Lecture 22 的内容，但也是本讲 Theorem 277 的证明工具（FTC）的演练。
  • 第 4 题 = Exercise 6.1.2：[JL] §6.1 原题——（a）求 $\left\{\dfrac{e^{x/n}}{n}\right\}_{n=1}^\infty$ 在 $\mathbb{R}$ 上的逐点极限；（b）它在 $\mathbb{R}$ 上一致吗？（c）它在 $[0,1]$ 上一致吗？这道题在练什么：把”一致收敛”化归为”求 $\sup\vert f_n-f\vert $ 再取极限”——也就是本讲通篇使用的 sup-范数判据。（完整解答见下面「思考题 Q2」——注意此题的编号取自 [JL] 教材，不是源文件 Lecture 24 的编号。）
  • 第 5 题 = Exercise 6.1.5：[JL] §6.1 原题——若 $f_n,g_n:S\to\mathbb{R}$ 分别在 $A$ 上一致收敛到 $f,g$，证明 $f_n+g_n$ 在 $A$ 上一致收敛到 $f+g$。这道题在练什么：$\epsilon/2$ 技巧在”函数列加法”上的直接应用——两条一致误差预算各出一半。（完整解答见下面「思考题 Q3」。）
  • 第 6–7 题（多项式根、Taylor 多项式）属 Lecture 19–20 的 Taylor 定理内容，与本讲无直接关系。
• 对应 Final 第 1(iii) 题（hw_all.txt 第 35–36 行）：“Let $S\subset\mathbb{R}$. A sequence of functions $f_n:S\to\mathbb{R}$ does not converge uniformly to $f:S\to\mathbb{R}$ if ______.” 这道题（5 分）要求补全”不一致收敛”的否定式。答案就是源文件的 Negation 267： \(\exists\epsilon_0>0,\ \forall M\in\mathbb{N},\ \exists n\ge M\ \text{与}\ \exists x\in S,\quad \vert f_n(x)-f(x)\vert \ge\epsilon_0 .\) 这道题在练什么：量词否定的机械操作，以及”$M$ 与 $x$ 都必须存在地依赖对手给的 $M$”这一层结构。Final 第 1 题的 (i)(ii)(iii) 三小问是同一套量词否定：(i) 不连续、(ii) 非一致连续、(iii) 不一致收敛——三者的否定式结构完全平行（$\forall\epsilon\exists\delta$ 变成 $\exists\epsilon_0\forall\delta$；$\forall\epsilon\exists M\forall x$ 变成 $\exists\epsilon_0\forall M\exists x$）。 （完整解答见下面「思考题 Q1」。）
• 对应 Final 第 7(a) 题（hw_all.txt 第 120–122 行）：”在 $(0,1)$ 上给出一个连续函数列，逐点收敛到连续函数但收敛不一致。” 这道题在练什么：$f_n(x)=x^n$ 型”坏点滑向端点”的构造（本讲 Theorem 266 的变体；注意在 $(0,1)$ 上极限函数 $f\equiv0$ 是连续的，所以这个反例说明”极限连续”也不能保证一致收敛——一致性是比”保连续”更强的要求）。（完整解答见下面「思考题 Q3」的补充。）
• 补充对照（非本课程作业）：源文件 Lecture 25 的 Theorem 278（幂级数在 $[x_0-r,x_0+r]$ 一致收敛）与 Theorem 279（逐项求导/积分）是 [JL] §6.2.5 的内容；Lecture 25 的 Theorem 282（Weierstrass 逼近定理）是 [JL] §6.3 的内容。本讲（Lecture 24）到 M-判别法为止，正是这两者的全部前提。

与其他讲次的关联

• 依赖 Lecture 23（逐点/一致收敛的定义）：本讲的 Definition 263/264 直接沿用 Lecture 23 的编号；本讲的 Theorem 266 与 Negation 267 是 Lecture 23 中”$x^n$ 在 $[0,1]$ 上逐点收敛但不一致收敛”这一观察的定量化（把”看起来不一致”变成 $\epsilon_0=1/4$、$x=(1/2)^{1/M}$ 的可验证论断）。
• 依赖 Lecture 10（Cauchy 序列与级数的 Cauchy 判据）：M-判别法的证明（Theorem 268 第 2 部分）在本质上是把 Lecture 10 Theorem 122（$\sum x_n$ 收敛 $\iff\forall\epsilon\exists M\forall \ell>m\ge M:\vert \sum_{n=m+1}^{\ell}x_n\vert <\epsilon$）从”数列”升级为”函数族的一致版本”；源文件采用的”尾和”形式等价于这条判据。没有 Cauchy 判据，就无法把”收敛”翻译成”尾和可以任意小”，也就无法做 M-判别法。
• 依赖 Lecture 11（比较判别法与 $p$-级数）：M-判别法第 1 部分（绝对收敛）就是 Lecture 11 Theorem 135 比较判别法（逐点使用）；第 2 部分则把比较判别法的”逐项控制”从”每点各管一次”提升为”一次管住所有点”。本讲中 $\sum 1/n^2$（$p=2>1$）、$\sum R^n/n!$（比值判别法，Lecture 12）、$\sum4^{-k}$（几何级数，Lecture 8）这些具体的收敛级数都来自前面几讲。
• 依赖 Lecture 12（比值、根值、交错级数判别法）：应用 2（$\sum x^n/n!$）用比值判别法验证 $\sum M_n$ 收敛；”M-判别法局限性”一节用交错级数判别法 Theorem 144 的 Leibniz 余项估计来证明 $\sum(-1)^nx^n/n$ 一致收敛。
• 依赖 Lecture 22（FTC、分部积分）：Theorem 277 的证明是 FTC 的两半（Theorem 250 之 1 与之 2）一次完整的联合使用：”先积分再求导回到原处”正是 FTC 的内容。这解释了为什么 Theorem 277 在源文件中的证明只有两行——重活都由 FTC 干完了。
• 被 Lecture 25 依赖：
  • Lecture 25 的 Theorem 278（幂级数在 $[x_0-r,x_0+r]$ 一致收敛）靠 M-判别法证明：取 $M_j=\vert a_j\vert r^j$，用根值判别法（Lecture 23 Theorem 259）验证 $\sum M_j$ 收敛；
  • Lecture 25 的 Theorem 279（幂级数逐项求导与逐项积分）靠本讲的 Theorem 275 与 Theorem 277（用在部分和序列上）实现；
  • Lecture 25 的 Theorem 282（Weierstrass 逼近定理）靠 Theorem 275 与 Theorem 274（$P_n(x)=\int_0^1f(t)Q_n(t-x)dt$ 的连续性、以及最后一步 $\lim\int=\int\lim$）；
  • ⇒ 本讲是整门课程的”最后一段地基”：M-判别法 + 三个交换定理，构成了 Lecture 25 全部内容的技术骨架。
• 回扣 Lecture 18（Weierstrass 处处连续处处不可导函数）：源文件 Lecture 18 Theorem 210 的证明中，$\vert c_n\vert \le\sum_{k>n}4^{-k}=\frac23 4^{-n}$ 这条估计就是 M-判别法的尾和控制；本讲应用 4 用 M-判别法补上”该级数一致收敛因而连续”这一步，使 Lecture 18 的结论完整化。

关键要点

1. 一致收敛的定义与唯一关键点： \(\forall\epsilon>0\ \exists M\in\mathbb{N}\ \forall n\ge M\ \forall x\in S,\quad \vert f_n(x)-f(x)\vert <\epsilon .\) $M$ 不许依赖 $x$（只依赖 $\epsilon$）。等价刻画：$\vert f_n-f\vert S=\sup{x\in S}\vert f_n(x)-f(x)\vert \to0$。“一致收敛 = 最坏误差趋于 $0$”。
2. 一致收敛 $\Rightarrow$ 逐点收敛，反之不真。 反例：$f_n(x)=x^n$ 在 $[0,1]$ 上（Theorem 266）：$\sup_{[0,1)}\vert x^n-0\vert =1\not\to0$，虽然在每个固定 $x<1$ 处 $x^n\to0$。识别不一致的指纹：存在 $\epsilon_0>0$ 和依赖 $M$ 的坏点 $x_M$ 使误差 $\ge\epsilon_0$（Negation 267）。
3. 三个交换定理，条件各不相同（黄金表格）： \(\text{保连续：}f_n\rightrightarrows f\ \Longrightarrow\ \lim_{x\to c}\lim_n f_n(x)=\lim_n\lim_{x\to c}f_n(x);\) \(\text{保积分：}f_n\rightrightarrows f\ \Longrightarrow\ \lim_n\int_a^b f_n=\int_a^b\lim_n f_n;\) \(\text{保导数：}f_n\to f\ \text{（逐点/一点）},\ f_n^{\prime}\rightrightarrows g\ \Longrightarrow\ \Big(\lim_n f_n\Big)'=\lim_n f_n^{\prime}.\) 记忆口诀：积分看 $f_n$（要一致），求导看 $f_n^{\prime}$（要一致），函数本身只需逐点。
4. 三个交换定理的证明骨架：
   • 保连续 = $\epsilon/3$ 分解 + 一致收敛管两项 + 连续性管中间项；
   • 保积分 = $\vert \int f_n-\int f\vert \le\int\vert f_n-f\vert \le(b-a)\sup\vert f_n-f\vert $ + 把 $\epsilon$ 预算按 $b-a$ 分配；
   • 保导数 = FTC 把 $\frac{d}{dx}$ 换成 $\int_a^x$ → 用积分交换 → 再用 FTC 换回来。
5. Weierstrass M-判别法（Theorem 268）：若 $\vert f_j(x)\vert \le M_j$ 对所有 $x\in S$ 成立且 $\sum M_j<\infty$，则 $\sum f_j(x)$ 逐点绝对收敛，并且部分和一致收敛到和函数。证明只用三件工具：比较判别法（第 1 部分）、尾和 $\sum_{j>n}M_j\to0$（级数收敛的定义）、三角不等式（把 $x$ 消掉）。 核心一句话：“M-判别法 = 找一个与 $x$ 无关的收敛 majorant，把函数级数的一致收敛归约为数值级数的收敛。”
6. M-判别法是充分不必要条件。 反例：$\sum(-1)^nx^n/n$ 在 $[0,1]$ 上一致收敛（Leibniz 余项 $\le\frac{1}{N+1}$），但特有的最佳 majorant $M_n=1/n$ 使 $\sum M_n$ 发散。“工具失败”不等于”命题为假”。
7. M-判别法 + Theorem 274 = 连续性：这是本讲最有用的合成结论。$\sum\frac{\sin(nx)}{n^2}$、$\sum\frac{x^n}{n!}$、$\sum\frac{\cos(160^kx)}{4^k}$（Weierstrass 函数）的连续性全都靠这一组合。
8. 一般地极限不可交换（Remark 269 / Example 270）：$\lim_n\lim_k\frac{n/k}{n/k+1}=0\ne1=\lim_k\lim_n\frac{n/k}{n/k+1}$。交换次序是需要被证明的特权。

常见误区与注意事项

1. 错误做法：证一致收敛时写”对每个 $x$，取 $N_x$ 使……，再取 $M=\sup_x N_x$”。 为什么错：$\sup_{x\in S}N_x$ 可能是 $+\infty$（$S$ 不可数时更是完全没有意义——$N_x$ 是整数，不可数多个整数取 $\sup$ 会跑到 $\infty$）。正确做法：找一个与 $x$ 无关的上界（如 $x^n\le b^n$、$\vert \sin(nx)\vert \le1$），把它当作新的数列跑 $\epsilon$-$N$。这是”一致”的全部技术内容。

2. 错误做法：把 Theorem 277 的条件记成”$f_n$ 一致收敛”，然后写”由 $f_n\rightrightarrows f$ 得 $f^{\prime}=g$”。为什么错：反例 $f_n(x)=\frac{x^{n+1}}{n+1}$ 在 $[0,1]$ 上一致收敛到 $0$，但 $f_n^{\prime}(x)=x^n$ 在 $x=1$ 处给出 $g(1)=1\ne0=f^{\prime}(1)$。正确做法：条件是 $f_n^{\prime}\rightrightarrows g$（一致收敛落在导数上），而 $f_n\to f$ 只需逐点（严格说只需一点收敛）。“求导交换”看的是导数的一致收敛，”积分交换”看的是函数的一致收敛——不可互换记忆。

3. 错误做法：证明”不一致收敛”时写”我找不到不依赖 $x$ 的 $M$”或”$N_x\to\infty$ 所以不一致”。为什么错：这是存在性陈述的缺失，不是否命题的证明。正确做法：使用 Negation 267 —— 出示一个固定的 $\epsilon_0>0$，然后对任意 $M$ 构造一个点 $x_M$（通常依赖 $M$，如 $x_M=(1/2)^{1/M}$），验证 $\vert f_M(x_M)-f(x_M)\vert \ge\epsilon_0$。“坏点依赖指标”是不一致的解剖学特征。

4. 错误做法：看到函数有尖峰、面积不趋于 $0$ 就直接宣布”这是 $\lim\int\ne\int\lim$ 的反例”。为什么错：$f_n(x)=nx(1-x)^n$ 有尖峰，但 $\int_0^1 nx(1-x)^ndx=\frac{n}{(n+1)(n+2)}\to0$，交换其实成立（脚本验算：$n=1,2,5,10,50,100,500$ 时 $0.1667,0.1667,0.1190,0.0758,0.0189,0.0097,0.0020\to0$）。正确做法：必须真的把 $\int f_n$ 算出来（用解析计算，如 Beta 积分；数值只用于核对）。要制造反例，需把高度调到 $n^2$ 量级（$h_n=n^2x(1-x)^n$，$\int\to1$）或直接用矩形尖峰 $g_n=n\cdot\mathbf{1}_{(0,1/n)}$（$\int\equiv1$）。

5. 错误做法：把 M-判别法当成”一致收敛的判别法（充要条件）”，一旦 $M_n$ 不存在就断定”级数不一致收敛”。为什么错：M-判别法是充分条件。$\sum(-1)^nx^n/n$ 在 $[0,1]$ 上一致收敛但 M-判别法失效（因 $x=1$ 处迫使 $M_n\ge1/n$，而 $\sum1/n$ 发散）。正确做法：“工具失效”$\ne$”命题为假”；此时应改用 Leibniz 余项估计、Abel/Dirichlet 判别法或直接估计尾和。

6. 边界与退化情形的疏漏：
   • 在 Theorem 275 中把 $\epsilon$ 预算写成 $\epsilon$ 而不是 $\frac{\epsilon}{b-a}$（忘了乘长度因子）；并且要注意 $a=b$ 时两端都是 $0$，定理平凡成立（不能除以 $b-a=0$）。
   • 在 Theorem 266 第 1 部分必须要求 $b<1$：$b=1$ 时 $x^n\le1^n=1$ 得到的界不趋于 $0$，一致性丧失。同一个函数列在不同定义域上可以一致或不一致。
   • 在 Theorem 277 中写”$f$ 连续可导”时要记得 $g$ 的连续性来自 Theorem 274（一致极限保连续）——不能只写”由 $f^{\prime}=g$ 得 $f^{\prime}$ 连续”，那正是要证的结论中的一部分。
   • 在 Negation 267 中把 $\exists n\ge M$ 误写成 $\forall n\ge M$：否定式里 $n$ 是存在性的（对手只需要找到一个坏指标就够了）。
7. 把”一致收敛”与”一致连续”混为一谈。 一致连续（Lecture 15/16）说的是单个函数在一个集合上的性质（$\forall\epsilon\exists\delta\forall x,y$）；一致收敛（本讲）说的是函数列的性质（$\forall\epsilon\exists M\forall n\ge M\forall x$）。两者共同的灵魂是”某个量不依赖 $x$”，但对象完全不同。 联系：$f_n\to f$ 一致时，若每个 $f_n$ 一致连续，则 $f$ 一致连续（由 $\epsilon/3$ 技巧可证，与 Theorem 274 同构）。

思考题（带答案）

Q1.（量词否定 —— 对应 Final 第 1(iii) 题）设 $S\subseteq\mathbb{R}$，$\{f_n\}$ 是 $S$ 上的函数列，$f:S\to\mathbb{R}$。补全并证明：”$f_n$ 在 $S$ 上不一致收敛到 $f$”的等价陈述。再用这个否定式证明：$f_n(x)=x^n$ 在 $[0,1]$ 上不一致收敛到 $f$（其中 $f(x)=0$ 当 $x<1$、$f(1)=1$）。最后，对照 Final 第 1(i)(ii)，写出”$f$ 在 $c$ 不连续”与”$f$ 在 $S$ 上非一致连续”的否定式，指出三者的量词结构有何共同点。

Q2.（M-判别法 + 连续性 —— [JL] Exercise 6.1.2 的完整解答，外加一个 M-判别法的应用）（a） 求 $\left\{\dfrac{e^{x/n}}{n}\right\}{n=1}^{\infty}$ 在 $\mathbb{R}$ 上的逐点极限；（b） 它在 $\mathbb{R}$ 上一致收敛吗？（c） 它在 $[0,1]$ 上一致收敛吗？（d） 另证：$\displaystyle\sum{n=1}^{\infty}\frac{\sin(nx)}{n^{3/2}}$ 在 $\mathbb{R}$ 上一致收敛，并推出其和函数连续、且可逐项积分。

Q3.（[JL] Exercise 6.1.5 的完整解答 + 交换条件的辨析）（a） 设 $\{f_n\}$、$\{g_n\}$ 在 $A$ 上分别一致收敛到 $f$、$g$。证明 $f_n+g_n$ 在 $A$ 上一致收敛到 $f+g$。（b） 举反例说明：把”一致”换成”逐点”，结论仍然成立（即逐点情形下加法也保收敛），但乘法即使一致收敛也不保一致收敛。（c） 辨析：为什么”$\lim$ 与 $\int$”需要 $f_n$ 一致收敛，而”$\lim$ 与 $\frac{d}{dx}$”需要 $f_n^{\prime}$ 一致收敛？给出两个反例各自说明。