Lecture 25: Power Series and the Weierstrass Approximation Theorem（幂级数与 Weierstrass 逼近定理）

目录 · ← l24 · appendix →

Lecture 25: Power Series and the Weierstrass Approximation Theorem（幂级数与 Weierstrass 逼近定理）

概述

这是整门课最后一讲。上一讲（Lecture 24）我们提出了三个”能否交换极限”的问题（Question 271）：连续函数的极限是否连续？可导函数列的极限是否可导且导数就是导数列的极限？积分与极限能否交换？第 24 讲已经证明：若收敛是一致的，三个答案都是”是”（Theorem 274、275、277），并且预告了”若只有逐点收敛，三个答案都是’否’“。本讲第一件事就是把这三个”否”用三个反例落实（Question 273）。

做完这件事，本讲立刻把这套一致收敛的机器灌进幂级数 (power series)：Lecture 23 定义的幂级数 $\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 只是一个”逐点收敛”的对象，似乎享受不到一致收敛的好处；但 Theorem 278 会告诉我们一个漂亮的事实——幂级数在收敛半径内部所包含的每一个紧子区间上都是一致收敛的，于是 Lecture 24 的三条交换定理全部可以实例化到幂级数上：得到连续性、逐项求导 (term-by-term differentiation)、逐项积分 (term-by-term integration)，并且求导/积分之后收敛半径不变。由此又得到一个贯穿全课的结论：$a_j=f^{(j)}(x_0)/j!$，即幂级数的系数被和函数完全决定，幂级数就是它的 Taylor 级数（呼应 Lecture 20 的 Taylor 定理），因此展开式唯一。

本讲最后回答了另一个方向的问题：幂级数（也就是多项式）能表示多少函数？ 答案是——全部连续函数。这就是 Weierstrass 逼近定理 (Weierstrass approximation theorem, Theorem 282)：$[a,b]$ 上的任意连续函数都能被一列多项式一致逼近。源文件给出的证明路线是构造一族”近似 Dirac delta 函数”的多项式核 $Q_n(x)=c_n(1-x^2)^n$（Theorem 283）再做卷积 $P_n(x)=\int_0^1 f(t)Q_n(t-x)\,dt$；本笔记另外补充了Bernstein 多项式 (Bernstein polynomial) 的构造性证明——它把 $f$ 在等距点上的值按二项式权重做局部平均，用二项式恒等式算出前三阶矩、用方差界 $x(1-x)/n\le 1/(4n)$ 证明权重集中，是一个”把大数定律翻译成分析语言”的漂亮证明。

本讲回答了什么问题？（1）若收敛只是逐点的，三个交换极限的问题为什么全部失败？（2）幂级数在哪里一致收敛，端点为什么不行？（3）幂级数的和函数有多好（连续？可导？无穷次可导？）？（4）幂级数的系数与和函数是什么关系？（5）连续函数能不能被多项式一致逼近？——第（5）问是整门课的收束：我们从 Lecture 1 的集合与 LUB 出发，绕着极限、连续、可微、积分、一致收敛一路走来，最后回到一个关于逼近的陈述，它把”连续”这个概念与最熟悉的函数类（多项式）连接了起来。

核心定义与直观解释

（一）幂级数与收敛半径（Lecture 23 的 Definition 258 / Theorem 259 / Definition 260 回顾）

• 严格定义（Definition 258, Power series / 幂级数）：一个关于 $x_0$ 的幂级数是形如 \(\sum_{m=0}^{\infty}a_m(x-x_0)^m\) 的级数，其中 $x_0\in\mathbb{R}$ 称为中心 (center)，$\{a_m\}$ 是给定的实数列，称为系数 (coefficients)。这里 $x$ 是变量：对每个固定的 $x$，它就是一个普通的数项级数 $\sum a_m(x-x_0)^m$。

• 严格定义（Theorem 259 + Definition 260, Radius of convergence / 收敛半径；归属 Lecture 23）：设 \(R=\lim_{m\to\infty}\vert a_m\vert ^{1/m}\) 存在（源文件笔误提示：Theorem 259 的陈述里把这个极限写成 $\vert a_m\vert ^{1/n}$，指数 $1/n$ 与求和指标 $m$ 混了；但该定理的证明用的正是 $1/m$（原文：”$\lim_{n\to\infty}\vert a_m(x-x_0)^m\vert ^{1/m}=R\vert x-x_0\vert $，定理由根值判别法得到”），故正确指数是 $1/m$，本笔记统一写成 $\vert a_m\vert ^{1/m}$），并令 \(p=\begin{cases}\dfrac{1}{R}, & R>0,\\[4pt] \infty, & R=0.\end{cases}\) 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。这个 $p$ 就称为该幂级数的收敛半径 (radius of convergence)。当 $p=0$ 与 $p=\infty$ 时上式按字面理解：$p=0$ 表示级数只在 $x=x_0$ 收敛，$p=\infty$ 表示级数在整个 $\mathbb{R}$ 上绝对收敛。（请注意：幂级数的定义 Definition 258 与收敛半径的定义 Definition 260 都属于 Lecture 23；本讲只是引用。）

• （补充）Cauchy–Hadamard 形式：Theorem 259 假设 $\lim\vert a_m\vert ^{1/m}$ 存在。若极限不存在，标准做法（教材 [JL] §2.6.5）改用上极限： \(p=\frac{1}{\limsup_{m\to\infty}\vert a_m\vert ^{1/m}}\qquad(\text{若 }\limsup=0\text{ 则 }p=\infty;\ \limsup=\infty\text{ 则 }p=0).\) 本课源文件只用”极限存在”的版本，这里标注为补充，仅作参考；下文所有计算都用源文件版本（本例中极限都存在）。

• 直观解释（”它到底在说什么？”）：幂级数是一个”无穷次多项式”$\sum a_m(x-x_0)^m$。第 $m$ 项的大小大致是 $\vert a_m\vert \,\vert x-x_0\vert ^m$；当我们把 $\vert x-x_0\vert $ 取得足够小，而 $\vert a_m\vert $ 的增长被一个固定的速率 $1/p$ 控制时，项就整体塌缩。所以这里的竞争是“系数的增长速度” vs “变量幂的衰减速度”：若 $\vert a_m\vert \approx (1/p)^m$，则第 $m$ 项 $\approx (\vert x-x_0\vert /p)^m$——这正是几何级数！于是”收敛”的判据自然就是 $\vert x-x_0\vert /p<1$。收敛半径 $p$ 就是这场竞争的临界刻度：从中心 $x_0$ 出发，凡是走得比 $p$ 近的地方都收敛，走得比 $p$ 远的地方都发散。

• 为什么需要”收敛半径”这个概念？ 因为它把”幂级数收敛的地方”这个看起来依赖于 $x$、依赖于系数的复杂集合，压缩成了一个单个数字 $p$：收敛域必然是 $(x_0-p,x_0+p)$ 加上若干端点。这就让后续讨论（一致收敛、逐项求导、逐项积分）有了一个统一的参数。反过来，如果幂级数的收敛域可以像 $\mathbb{R}$ 中任意集合那样畸形，”在收敛域上是否一致收敛”这类问题就无法用一个数字来描述。

• 三分性（这是本讲反复使用的图像）：设 $p$ 为收敛半径，则
  • $\vert x-x_0\vert <p$：绝对收敛（Theorem 259）；
  • $\vert x-x_0\vert >p$：发散（Theorem 259）；
  • $\vert x-x_0\vert =p$：定理不表态，必须逐点单独判断（这是 Lecture 23 的 Question 262 的延续，也是本讲”端点反例”的来源）。

• 具体示例（把定义走一遍）：取 $\sum_{m=0}^{\infty}2^mx^m$，则 $a_m=2^m$，$\lim\vert a_m\vert ^{1/m}=2$，故 $R=2$、$p=1/R=1/2$。取 $x=0.4$：$\vert x-0\vert =0.4<1/2$，级数绝对收敛，和为 $1/(1-2\cdot0.4)=1/0.2=5$。取 $x=0.6$：项为 $2^m(0.6)^m=(1.2)^m\to\infty$，发散。取端点 $x=1/2$：项恒为 $1$，不趋于 $0$，发散；取 $x=-1/2$：项为 $(-1)^m$，也不趋于 $0$，发散。

• 反例（为什么端点的结论不能”顺手”推出来）：$\sum_{m=1}^{\infty}x^m/m$ 的收敛半径是 $1$（因为 $\lim\vert a_m\vert ^{1/m}=\lim m^{-1/m}=1$），但在同一对端点 $x=\pm1$ 处行为相反：$x=1$ 时它是调和级数 $\sum 1/m$，发散；$x=-1$ 时它是交错级数 $\sum(-1)^m/m$，收敛（且和为 $-\ln 2=-0.6931471806$，用前 $10^6$ 项数值验算得 $-0.6931466806$，符合）。同一个 $p$、同一对端点，一个收敛一个发散——这说明”$\vert x-x_0\vert =p$ 时定理不表态”不是技术上的偷懒，而是数学事实的必然：端点的行为确实可以不同，必须单独分析。

（二）收敛半径的具体计算（对应 Assignment 7 第 2 题）

Assignment 7 第 2 题要求”求所有使级数收敛的实数 $x$”，共四小问。这正是”算 $p$ + 讨论端点”的标准训练。下面逐个做完，并在最后补两个常用作对照的例题。所有 $p$ 值都用 Python 数值验算过（脚本见下）。

0. 工具：两个直接可用的判别法。 对固定 $x$，令 $u_m=a_m(x-x_0)^m$。

• 比值判别法（Lecture 12, Theorem 138）：若 $L=\lim\dfrac{\vert u_{m+1}\vert }{\vert u_m\vert }=\lim\dfrac{\vert a_{m+1}\vert }{\vert a_m\vert }\vert x-x_0\vert $ 存在，则 $L<1$ 时绝对收敛，$L>1$ 时发散。取 $L<1$ 解得 $\vert x-x_0\vert <1/\lim\frac{\vert a_{m+1}\vert }{\vert a_m\vert }$，所以这就是”比值形式的收敛半径”。
• 根值判别法（Lecture 12, Theorem 142）：由定理直接给出 $p=1/\lim\vert a_m\vert ^{1/m}$。

（记号约定说明） 源文件在幂级数的语境中一律用下标 $j$（系数 $a_j$，中心 $x_0$，收敛半径 $p$，级数 $\sum_j a_j(x-x_0)^j$）；本小节为了与 Assignment 7 原题的求和下标 $n$ 对齐，在逐项计算时暂用 $a_n,\ u_n$，但收敛半径一律记作 $p$（源文件符号）。”$R$” 是 Lecture 23 的 Theorem 259 中 $\lim\vert a_m\vert ^{1/m}$ 的名字，$p=1/R$ 才是收敛半径，请勿混淆。

（a）$\displaystyle\sum_{n=0}^{\infty}2^nx^n$。

• 算 $p$：$a_n=2^n$，故 $\lim\vert a_n\vert ^{1/n}=2$，$p=1/2$。（比值法：$\frac{\vert u_{n+1}\vert }{\vert u_n\vert }=2\vert x\vert $，$<1\iff\vert x\vert <1/2$，一致。）
• 端点：$x=1/2$ 时通项 $=2^n\cdot2^{-n}=1\not\to0$，发散；$x=-1/2$ 时通项 $=(-1)^n\not\to0$，发散。
• 结论：收敛域恰为开区间 $(-1/2,1/2)$；在内部绝对收敛（且和为 $\frac{1}{1-2x}$），两端点都发散。

（b）$\displaystyle\sum_{n=0}^{\infty}nx^n$。

• 算 $p$：$a_n=n$，$\lim n^{1/n}=1$（Lecture 9 的 Theorem 95 第 3 条已证），故 $p=1$。比值法：$\frac{\vert u_{n+1}\vert }{\vert u_n\vert }=\frac{n+1}{n}\vert x\vert \to\vert x\vert $，$<1\iff\vert x\vert <1$，同样得 $p=1$。
• 端点：$x=1$ 时通项 $=n\not\to0$，发散；$x=-1$ 时通项 $=(-1)^nn$，也不趋于 $0$（绝对值恒为 $n$），发散。
• 结论：收敛域为 $(-1,1)$，内部绝对收敛，和为 $\frac{x}{(1-x)^2}$（可由 $\sum x^n=\frac1{1-x}$ 逐项求导得到——本讲 Theorem 279 给出合法性）。

（c）$\displaystyle\sum_{n=0}^{\infty}\frac{(x-10)^n}{(2n)!}$。

• 算 $p$：$a_n=\frac{1}{(2n)!}$。用比值法：$\vert u_{n+1}\vert /\vert u_n\vert =\frac{\vert x-10\vert }{(2n+1)(2n+2)}\to0$，对一切 $x\in\mathbb{R}$ 都 $<1$，故 $p=\infty$。（根值法一致：$(1/(2n)!)^{1/n}\to0$，由 $n!\ge (n/2)^{n/2}$ 可得。）
• 端点：没有端点（$p=\infty$，收敛域为整个 $\mathbb{R}$）。
• 结论：对一切 $x\in\mathbb{R}$ 绝对收敛。（补充观察：偶阶乘使这个级数等于 $\cosh\sqrt{x-10}$ 的幂级数形式。数值验算：$x=9$ 代入得 $0.5403023059$，正是 $\cos 1=0.5403023059$；$x=11$ 代入得 $1.5430806348$，正是 $\cosh 1=1.5430806348$。）

（d）$\displaystyle\sum_{n=0}^{\infty}n!\,x^n$。

• 算 $p$：$a_n=n!$。比值法：$\frac{\vert u_{n+1}\vert }{\vert u_n\vert }=(n+1)\vert x\vert \to\infty$（当 $x\ne0$），故 $x\ne0$ 时必发散；$x=0$ 时级数只有首项 $1$，收敛。根值法：$(n!)^{1/n}\to\infty$，$p=0$。
• 端点：没有端点。
• 结论：收敛域只有单点 $\{0\}$，即 $p=0$。
• 【注】这是”$p=0$”的典型代表：系数增长得比任何几何级数都快（$n!$ 最终压过 $c^n$，因为 $n!/c^n\to\infty$），所以除了中心本身无处收敛。这类现象说明收敛半径定义中的”$p=0$”情形不是空洞的。

（e）对照例题 $\displaystyle\sum_{n=1}^{\infty}\frac{x^n}{n}$。

• 算 $p$：$a_n=1/n$，$\lim n^{-1/n}=\frac{1}{\lim n^{1/n}}=1$，故 $p=1$。
• 端点：$x=1$：$\sum1/n$ 发散（Lecture 11 的 Theorem 128，调和级数）；$x=-1$：$\sum(-1)^n/n$ 是交错级数，由 Lecture 12 的 Theorem 144（交错级数判别法）收敛（条件收敛），和为 $-\ln 2$。
• 结论：收敛域为 $[-1,1)$，且只有 $x=-1$ 处是条件收敛，其余内部点绝对收敛。这是”端点必须单独讨论”的样板。

（f）对照例题 $\displaystyle\sum_{n=1}^{\infty}\frac{x^n}{n^2}$。

• 算 $p$：$a_n=1/n^2$，$\lim(n^{-2})^{1/n}=(\lim n^{-1/n})^2=1$，故 $p=1$。
• 端点：$x=1$：$\sum1/n^2$ 收敛（$p$-级数，$p=2>1$，Lecture 11 的 Theorem 137）；$x=-1$：$\sum(-1)^n/n^2$ 绝对收敛，故收敛。
• 结论：收敛域为闭区间 $[-1,1]$，两端点都（绝对）收敛。数值验算：$\sum_{n=1}^{10^6}(-1)^n/n^2=-0.8224670334$，与 $-\pi^2/12=-0.8224670334$ 吻合到小数点后 $12$ 位；$\sum_{n=1}^{10^6}1/n^2=1.6449330668$，向 $\pi^2/6=1.6449340668$ 靠拢。

数值验算脚本与结果（$p$ 的核对）：

import math
def show(name, logf, N):
    v = math.exp(logf(N)/N)          # |a_N|^(1/N)
    print(f"{name:26s} N={N:5d}  |a_N|^(1/N)={v:.10f}   p~{1/v:.8f}")

show("sum 2^n x^n",        lambda n: n*math.log(2),   2000)
show("sum n x^n",          lambda n: math.log(n+1),   2000)
show("sum (x-10)^n/(2n)!", lambda n: -math.lgamma(2*n+1), 300)
show("sum n! x^n",         lambda n: math.lgamma(n+1),    300)
show("sum x^n/n",          lambda n: -math.log(n+1),   5000)
show("sum x^n/n^2",        lambda n: -2*math.log(n+1), 5000)

实际输出：

sum 2^n x^n                N= 2000  |a_N|^(1/N)=2.0000000000   p~0.50000000
sum n x^n                  N= 2000  |a_N|^(1/N)=1.0038079330   p~0.99620651
sum (x-10)^n/(2n)!         N=  300  |a_N|^(1/N)=0.0000202454   p~49394.01051870
sum n! x^n                 N=  300  |a_N|^(1/N)=111.7599014502   p~0.00894775
sum x^n/n                  N= 5000  |a_N|^(1/N)=0.9982979715   p~1.00170493
sum x^n/n^2                N= 5000  |a_N|^(1/N)=0.9965988398   p~1.00341277

读法：前两行与第四行的数值收敛到 $2,1,\infty$（第四行 $\vert a_N\vert ^{1/N}$ 随 $N$ 增大而无界增长，说明 $p=0$），$x^n/n$ 与 $x^n/n^2$ 的估计值都向 $1$ 靠拢（$N=5000$ 时 $1.0017$ 与 $1.0034$，$N$ 越大越接近 $1$，因为 $n^{-1/n}=e^{-(\ln n)/n}\to1$ 很慢）。第三行说明 $(2n)!$ 的增长极快，$p$ 事实上是 $\infty$（有限 $N$ 下的截断估计必然有限，这正说明”数值只能提示、不能替代 $p=\infty$ 的解析证明”）。

（三）一次”必败”的对照：逐点收敛下三条交换定理全错（Question 273）

先做一句回顾。 Lecture 24 的 Question 271 提出了三个”能否交换极限”的问题，本讲源文件开头（Question 273）指出：若收敛只是逐点的，三个答案都是”否”。上一讲（Lecture 24）已经用三个反例把这件事讲透了，本讲只作一句回顾，不再重复展开：

1. $f_n(x)=x^n$ 在 $[0,1]$ 上（逐点极限在 $x=1$ 处不连续）；
2. $f_n(x)=\dfrac{x^{n+1}}{n+1}$ 在 $[0,1]$ 上（$f_n\to0$，但 $f_n^{\prime}=x^n\to g$ 而 $g(1)=1\ne0=(0)’$）；
3. 帐篷函数（$\int_0^1f_n=1\not\to0=\int_0^10$）。

唯一需要带走的结论：这三个反例的病根完全相同——$\sup_{x}\bigl\vert f_n(x)-f(x)\bigr\vert $ 不趋于 $0$（误差在某个”移动的位置”上始终很大），即收敛不是一致的。这也解释了本讲为什么要花大力气去证明”幂级数在紧子区间上一致收敛”（Theorem 278）：幂级数天生只给出逐点收敛，而逐点收敛什么都保证不了；只有拿到一致性，Lecture 24 的三条交换定理才能被启用。

（四）源文件的构造：$Q_n$ 核（”近似 Dirac delta”）（Theorem 283 的铺垫）

说明：本节按源文件路线展开。 源文件的 Weierstrass 逼近证明不用 Bernstein 多项式，而是构造一族”近似 Dirac delta 函数”的多项式核 $Q_n$ 做卷积。（本笔记在”定理与完整证明”一节的末尾另附一条补充小节，给出 Bernstein 多项式的构造性证明作为对照，并明确标注为源文件之外的补充材料。）

源文件的证明思路如下（这是源文件的原始思路，务必记住）：

选取一列多项式 $\{Q_n\}_n$，使 $Q_n$ 像”Dirac delta 函数”一样在 $n\to\infty$ 时集中到 $0$ 点；然后令 $P_n(x)=\int_0^1Q_n(x-t)f(t)\,dt$，则 $P_n\to f$。

源文件给出的具体核是 \(c_n:=\left(\int_{-1}^{1}(1-x^2)^n\,dx\right)^{-1}>0,\qquad Q_n(x)=c_n(1-x^2)^n .\) $Q_n$ 是一个在 $[-1,1]$ 上非负、在 $x=0$ 取最大值 $c_n$、在 $\vert x\vert =1$ 处为 $0$ 的”钟形”多项式。它的三条性质（Theorem 283）是：$\int_{-1}^1Q_n=1$（归一化）、$Q_n\ge0$、以及对每个 $\delta\in(0,1)$，$Q_n\to0$ 在 $\delta\le\vert x\vert \le1$ 上一致。

“近似 delta”的直观：$Q_n$ 的总”质量”始终是 $1$，但随着 $n$ 增大，质量越来越挤向原点附近（在 $\vert x\vert \ge\delta$ 上高度一致地塌缩到 $0$），所以 $Q_n$ 越来越像”只在 $0$ 处有质量的点质量”。用它去做卷积 $P_n(x)=\int f(t)Q_n(t-x)dt$，”点质量”就把 $t\approx x$ 处的函数值 $f(x)$ 挑出来——这正是”局部平均”的连续版本，与 Bernstein 多项式的”离散局部平均”是同一个思想的两个化身。

$Q_n$ 的钟形集中（用脚本画出的数值形状，未归一化值 $(1-x^2)^n$）：

n=10 :  x=±0.00 1.000000 ****************************************
        x=±0.10 0.904382 ************************************
        x=±0.20 0.664833 ***************************
        x=±0.30 0.389416 ****************
        x=±0.40 0.174901 *******
        x=±0.50 0.056314 **
        x=±0.60 0.011529 
        x=±0.70 0.001190 
        x=±0.80 0.000037 
        x=±0.90 0.000000 

n=30 :  x=±0.00 1.000000 ****************************************
        x=±0.10 0.739700 ******************************
        x=±0.20 0.293858 ************
        x=±0.30 0.059053 **
        x=±0.40 0.005350 
        x=±0.50 0.000179 
        x=±0.60 0.000002 
        x=±0.70 0.000000      ← n 越大，两侧塌缩越快（"delta 化"）

定理与完整证明（核心）

定理 274（一致收敛保持连续性；Lecture 24 已证，此处列作后续依据）

• 定理陈述：设 $f_n:S\to\mathbb{R}$ 对每个 $n$ 连续，$f:S\to\mathbb{R}$，且 $f_n\to f$ 一致。则 $f$ 连续。
• 说明：这是 Lecture 25 的 Theorem 274（Lecture 24 已用它讨论过三个交换问题），本讲开头（源文件第 65–80 行）重新给出了证明，因为它是后面所有”交换定理”的原型。证明思路：一致性给出”整条函数曲线的 $\epsilon/3$-带”，再用其中某一个具体的 $f_M$ 的连续性把 $\epsilon/3$ 传给 $f$。
• 逐步推导：设 $c\in S$，$\epsilon>0$。（1）由一致收敛，$\exists M\in\mathbb{N}$ 使 $\forall n\ge M\ \forall y\in S$，$\vert f_n(y)-f(y)\vert <\epsilon/3$。（依据：一致收敛定义取 $\epsilon/3$）（2）固定这个 $M$。$f_M$ 在 $c$ 连续，故 $\exists\delta_0>0$ 使 $\forall\vert x-c\vert <\delta_0$，$\vert f_M(x)-f_M(c)\vert <\epsilon/3$。（依据：连续性的 $\epsilon$-$\delta$ 定义）（3）取 $\delta=\delta_0$。若 $\vert x-c\vert <\delta$，则由三角不等式 \(\vert f(x)-f(c)\vert \le\vert f(x)-f_M(x)\vert +\vert f_M(x)-f_M(c)\vert +\vert f_M(c)-f(c)\vert <\frac\epsilon3+\frac\epsilon3+\frac\epsilon3=\epsilon .\) （依据：三角不等式；前两项用一致收敛在 $y=x$ 与 $y=c$ 处的估计，第三项用 $f_M$ 的连续性）
• 【证明机制解说】关键在”选一个中间函数 $f_M$“：$f$ 本身的连续性正是我们要证的，不能直接用；而一致收敛给了”$f$ 与 $f_M$ 整体只差 $\epsilon/3$”这条全部 $y$ 同时成立的信息。于是”$f$ 在 $x$ 与 $c$ 的差”被拆成三段：$f\to f_M$（一致收敛管）、$f_M(x)\to f_M(c)$（$f_M$ 连续管）、$f_M\to f$（一致收敛管）。三段每段 $\epsilon/3$，合计 $\epsilon$。如果只有逐点收敛，第一步的 $M$ 会依赖 $y$：在 $x$ 处要 $M_x$、在 $c$ 处要 $M_c$，就没法取到同一个 $f_M$ 同时管住两端——这正是逐点收敛反例（$f_n=x^n$）失效的机制。
• 【证明技巧总结】“$\epsilon/3$ 技巧“：要把”极限函数继承性质”写成三段，就取 $\epsilon/3$；中间那一段总是一个已知好性质的具体成员（这里的 $f_M$）。可迁移的口号是：”先取一个足够好的中间对象，再把两边都压到 $\epsilon/3$ 以内。”

定理 275（一致收敛可交换积分；Lecture 24 已证）

• 定理陈述：设 $f_n:[a,b]\to\mathbb{R}$ 连续，$f:[a,b]\to\mathbb{R}$，且 $f_n\to f$ 一致。则 $\int_a^bf_n\to\int_a^bf$。
• 逐步推导：设 $\epsilon>0$。（1）由一致收敛 $\exists M_0$ 使 $\forall n\ge M_0\ \forall x\in[a,b]$，$\vert f_n(x)-f(x)\vert <\frac{\epsilon}{b-a}$。（依据：一致收敛定义，取 $\epsilon/(b-a)$）（2）对 $n\ge M_0$， \(\left\vert \int_a^bf_n-\int_a^bf\right\vert =\left\vert \int_a^b(f_n-f)\right\vert \le\int_a^b\vert f_n-f\vert <\int_a^b\frac{\epsilon}{b-a}=\epsilon .\) （依据：积分的线性；积分的绝对值不等式 $\vert \int g\vert \le\int\vert g\vert $；积分的单调性；区间长度 $b-a$）
• 【证明机制解说】这里的核心是”把函数的一致误差换成积分的误差要靠区间长度定价“：$\sup\vert f_n-f\vert $ 是”高度”，乘上区间长度 $b-a$ 才得到”面积”。因此一致性里必须取 $\epsilon/(b-a)$，而不能只取 $\epsilon$。这也解释了为什么一致性在 $[a,b]$ 上（长度有限）特别有用：若区间长度无限，同一不等式就失效。
• 【证明技巧总结】“误差定价技巧“：先明确”我要控制的是哪个量纲”（这里是积分，是面积），再按它去反推函数误差需要多小（除以长度）。同类技巧在 Fourier 分析、测度论中反复出现。

定理 277（一致收敛可交换求导；Lecture 24 已证）

• 定理陈述：设 $f_n:[a,b]\to\mathbb{R}$ 连续可微（continuously differentiable），$f,g:[a,b]\to\mathbb{R}$，且 $f_n\to f$ 逐点、$f_n^{\prime}\to g$ 一致。则 $f$ 连续可微，且 $g=f^{\prime}$。
• 逐步推导：（1）对每个 $n$ 与每个 $x\in[a,b]$，微积分基本定理（FTC）给出 $f_n(x)-f_n(a)=\int_a^xf_n^{\prime}$。（依据：FTC，Lecture 22 已给）（2）由 Theorem 275（积分交换，$f_n^{\prime}$ 一致收敛到 $g$、$[a,x]$ 是 $[a,b]$ 的子区间，把定理用在 $[a,x]$ 上）与逐点收敛，得 \(f(x)-f(a)=\lim_{n\to\infty}\bigl(f_n(x)-f_n(a)\bigr)=\lim_{n\to\infty}\int_a^xf_n^{\prime}=\int_a^xg .\) （依据：$f_n\to f$ 逐点；Theorem 275）（3）于是 $f(x)=f(a)+\int_a^xg$。（4）由 FTC 的第二形式，$x\mapsto\int_a^xg$ 可导且导数为 $g(x)$（$g$ 连续：由 $f_n^{\prime}$ 连续 + 一致收敛 + Theorem 274），故 $f$ 可导且 $f^{\prime}=g$，且 $f^{\prime}=g$ 连续。（依据：FTC（第二形式）；Theorem 274）
• 【证明机制解说】直接对 $f_n\to f$ 求导是行不通的（没有”极限的导数”这样的定理）；本证明绕道积分：先承认 $g$ 是 $f_n^{\prime}$ 的一致极限，再通过 FTC 把 $f_n$ 写成 $f_n^{\prime}$ 的积分，从而把”求导交换”降级成”积分交换”——而积分交换（Theorem 275）我们已经有了。这是”把未知问题归约到已知问题“的典范。为什么求导这边只要求 $f_n\to f$ 逐点？ 因为 $f_n$ 在证明中只通过 $f_n(x)-f_n(a)$ 出现，不需要一致性；一致性只需作用在导数序列上，这才是关键（也是与积分情形最大的不同：求导交换的”一致性条件”落在 $f_n^{\prime}$ 而不是 $f_n$ 上）。
• 【证明技巧总结】“FTC 归约法“：碰到”导数与极限交换”就先把两边都积分，把求导换成积分，用已证的积分交换定理；并注意”要一致收敛的是导数”。此模式在 Picard 定理（[JL] §6.3）中还会再出现。

定理 278（幂级数在收敛区间内部的紧子区间上一致收敛）★本讲核心★

• 定理陈述（与源文件 Theorem 278 完全一致）：设 $\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 是一个收敛半径为 $p\in(0,\infty]$ 的幂级数。则对每个 $r\in(0,p)$，$\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 在闭区间 $[x_0-r,\ x_0+r]$ 上一致收敛。
• 证明策略：这是一致收敛问题，而我们手上最强的工具是 Lecture 24 的 Weierstrass M-判别法 (M-test, Theorem 268)：只要给每一项找一个与 $x$ 无关的上界 $M_j$，并且 $\sum M_j$ 收敛，就自动得到一致收敛。所以计划是：
  1. 固定 $r<p$，把 $M_j$ 取成 $\vert a_j\vert r^j$（这是 $[x_0-r,x_0+r]$ 上 $\vert a_j(x-x_0)^j\vert $ 的最大值，与 $x$ 无关）；
  2. 用根值判别法证明 $\sum\vert a_j\vert r^j$ 收敛（这一步用到 $r<p$）；
  3. 调用 M-判别法收尾。
• 逐步推导：
  1. 取定 $r\in(0,p)$。对每个 $j\ge0$ 与每个 $x\in[x_0-r,x_0+r]$，有 $\vert x-x_0\vert \le r$，故 \(\vert a_j(x-x_0)^j\vert \le\vert a_j\vert \,r^j=:M_j .\) （依据：绝对值的乘法性质 $\vert uv\vert =\vert u\vert \vert v\vert $ 与 $\vert x-x_0\vert ^j\le r^j$；$M_j$ 与 $x$ 无关，这是 M-判别法的前提 a)）
  2. 验证 $\sum M_j$ 收敛。由 Lecture 23 的 Theorem 259 的假设，$p^{-1}=\lim_{j\to\infty}\vert a_j\vert ^{1/j}$（当 $p<\infty$；当 $p=\infty$ 时该极限为 $0$）。于是 \(\lim_{j\to\infty}M_j^{1/j}=\lim_{j\to\infty}\vert a_j\vert ^{1/j}\cdot r=\begin{cases}\dfrac{r}{p}, & p<\infty,\\[6pt] 0, & p=\infty.\end{cases}\) （依据：$(\vert a_j\vert r^j)^{1/j}=\vert a_j\vert ^{1/j}\cdot r$；极限的乘法性质；$p^{-1}=\lim\vert a_j\vert ^{1/j}$）
  3. 因为 $r<p$，无论 $p<\infty$（此时 $r/p<1$）还是 $p=\infty$（此时极限为 $0<1$），都有 \(\lim_{j\to\infty}M_j^{1/j}<1 .\) （依据：$r<p$ 的直接推论）
  4. 由根值判别法（Lecture 12, Theorem 142：若 $\lim\vert x_j\vert ^{1/j}<1$ 则 $\sum x_j$ 绝对收敛），数项级数 $\sum_{j=0}^{\infty}M_j=\sum_{j=0}^{\infty}\vert a_j\vert r^j$ 收敛。（依据：根值判别法；这是 M-判别法的前提 b)）
  5. 由 Weierstrass M-判别法（Lecture 24, Theorem 268），$\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 在 $[x_0-r,x_0+r]$ 上一致收敛（并且逐点绝对收敛）。（依据：M-判别法，前提 a) 与 b) 均已验证）
• 【证明机制解说】这个证明只有五行，但每一行都在回答一个”为什么可以”：
  • 为什么要缩到 $[x_0-r,x_0+r]$ 而不是整个 $(x_0-p,x_0+p)$？ 因为 M-判别法要求 $M_j$ 与 $x$ 无关。在 $[x_0-r,x_0+r]$ 上，最大的 $\vert x-x_0\vert $ 就是 $r$，所以 $M_j=\vert a_j\vert r^j$ 可行。若想在开区间 $(x_0-p,x_0+p)$ 上做同样的事，就得取 $M_j=\vert a_j\vert p^j$——而 $\sum\vert a_j\vert p^j$ 在端点处未必收敛（下一小节有具体反例），M-判别法就失效了。这不是证明技巧不够，而是事实如此：幂级数在开区间上确实不必一致收敛。
  • “$r<p$”这个严格不等式在哪里用了？ 用在第 3 步：$r/p<1$。如果是 $r=p$，根值极限正好等于 $1$，根值判别法失效（Lecture 12 的 Remark：$L=1$ 是盲区）。这就是”必须取 $r$ 严格小于 $p$”的全部原因。
  • 如果想自己重新发明这个证明：先问”我有什么工具能证明一致收敛？”——只有 M-判别法（本课程范围内）；再问”M-判别法要什么？”——一个可和的、与 $x$ 无关的 majorant；最后问”哪里能拿到这样的 majorant？”——把 $\vert x-x_0\vert $ 顶到区间端点 $r$，用”$r$ 处绝对收敛”这一条已知信息。三步一步都省不掉。
• 【证明技巧总结】“缩到紧子区间 + 取端点值当 majorant + M-判别法“。这是本讲最该背下来的证明模式，它的三个要素是：（i）把”一致”的难度通过缩小定义域来换取（$\vert x-x_0\vert \le r$ 而不是 $<p$）；（ii）majorant 取成”最坏点”的值（$M_j=\vert a_j\vert r^j$）；（iii）用根值判别法把 majorant 的可和性翻译成 $r<p$。可迁移口号：”一致收敛往往不是免费的，它是用’离奇点远一点’换来的。”

【关键辨析】为什么是”内部一致收敛”，而不是在 $[x_0-p,x_0+p]$ 上一致收敛？

这是本讲最容易被忽略却最重要的洞见。定理 278 的结论中 $r<p$ 是本质的，不能改成 $r\le p$。

• 反例 1：$\sum_{n=1}^{\infty}\dfrac{x^n}{n}$ 在 $[0,1]$ 上不一致收敛。
  • 已知：$p=1$，级数在 $(-1,1)$ 内绝对收敛，在 $x=1$ 发散，在 $x=-1$ 收敛（条件收敛）。所以它在每一个 $[0,r]$（$r<1$）上由 Theorem 278 一致收敛。
  • 但它在 $[0,1]$ 上不一致收敛。理由（严格）：设 $S_N(x)=\sum_{n=1}^{N}x^n/n$，$S(x)=\sum_{n=1}^{\infty}x^n/n$。若在 $[0,1]$ 上一致收敛，则对 $\epsilon=1/4$ 应存在 $N$，使 $\forall n\ge N\ \forall x\in[0,1]$，$\vert S(x)-S_n(x)\vert <\epsilon$。取 $x=1$：此时 $S(1)$ 不存在（级数发散），命题无意义——所以更准确的说法是：该级数的部分和在 $[0,1]$ 上不是一致 Cauchy 的，因为 \(\sup_{x\in[0,1]}\left\vert S_{2m}(x)-S_m(x)\right\vert \ge\left\vert S_{2m}(1)-S_m(1)\right\vert =\sum_{n=m+1}^{2m}\frac1n\ \ge\ m\cdot\frac{1}{2m}=\frac12,\) 对一切 $m$ 都 $\ge1/2$，不趋于 $0$。（依据：每个 $x^n\le1$ 但取 $x=1$ 时每项取到 $1/n$；调和级数部分和的”块估计” $\sum_{n=m+1}^{2m}\frac1n\ge\frac12$，这是 Lecture 11 证明调和级数发散时用过的同一手法。）
  • 直观：误差在 $x=1$ 处”最慢”——靠近 $1$ 时每一项 $x^n/n$ 都接近其最大值 $1/n$，级数收敛得最吃力；越靠近 $1$，需要的 $N$ 越大，$\sup$ 因此不趋 $0$。“最慢的地方”就是端点。
• 反例 2：$\sum_{n=1}^{\infty}\dfrac{x^n}{n^2}$ 在 $[-1,1]$ 上也已经一致收敛。
  • 这是因为 $M_n=1/n^2$ 本身就是可和的（$\sum1/n^2<\infty$），可以直接对 $[-1,1]$ 用 M-判别法。
  • 对照的意义：反例 1 与反例 2 的 $p$ 都是 $1$，端点行为都（部分）收敛，但闭区间上的一致性一个成立、一个不成立。这说明”收敛区间上是否一致收敛“不能仅由 $p$ 和端点收敛性判定，必须单独分析。判别的方法是看 $\sum\sup_{[-1,1]}\vert a_nx^n\vert =\sum\vert a_n\vert $ 是否收敛。
• 洞见总结：”一致收敛是局部性质”：幂级数的和函数在每一个紧子区间 $[x_0-r,x_0+r]\subset(x_0-p,x_0+p)$ 上具有一切好性质（连续、可积、可导、可逐项操作），但这些性质不一定能一路推到端点。这提示了一条更一般的原则（在 [JL] 第二卷中被正式命名为”局部一致收敛”）：局部的规则性 + 全局的定义域，是分析中常见的一对张力。 典型后果：$\sum x^n/n$ 的和函数在 $(-1,1)$ 内无穷次可导，但它并不是”整条 $[-1,1]$ 上的光滑对象”——它在端点处的行为完全是另一回事。

示意图（”内部一致、端点失控”）：

  一致收敛的"安全区" vs 端点
                                        p=1, 级数 Σ x^n/n
  x:   -1        0        r      1
       |---------|--------|---|----|
       ↑                        ↑
    端点：交错级数            内部：任意 [0,r] 上一致收敛
    条件收敛，但              （M-判别法，M_n = r^n/n）
    级数在 1 处发散；
    部分和"块差" >= 1/2
    → [0,1] 上不一致收敛

  sup_{x∈[0,1]} |S_{2m}(x)-S_m(x)| >= 1/2  对一切 m  ← 不一致的"铁证"

  ▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
  误差随 x→1 越来越难压：x=0.5 时 0.5^n 飞快消失；
  x=0.99 时 0.99^n 衰减极慢 → 端点最慢 → sup 不趋 0

定理 279（幂级数的逐项求导与逐项积分，收敛半径不变）★本讲核心★

• 定理陈述（与源文件 Theorem 279 一致）：设 $\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 的收敛半径为 $p\in(0,\infty]$。则
  1. 对每个 $c\in(x_0-p,\ x_0+p)$，和函数在该点可导，且 \(\frac{d}{dx}\sum_{j=0}^{\infty}a_j(x-x_0)^j=\sum_{j=0}^{\infty}j\,a_j(x-x_0)^{j-1};\)
  2. 对任意 $x_0-p<a<b<x_0+p$， \(\int_a^b\sum_{j=0}^{\infty}a_j(x-x_0)^j\,dx=\sum_{j=0}^{\infty}a_j\left(\frac{(b-x_0)^{j+1}}{j+1}-\frac{(a-x_0)^{j+1}}{j+1}\right).\)
• 证明策略：定理 277 已经把”求导交换”归约到”导数级数一致收敛“。所以策略是：先证明导数级数 $\sum j a_j(x-x_0)^{j-1}$ 在紧子区间上一致收敛（用 M-判别法），然后套用 Theorem 277。积分部分直接用 Theorem 275（积分交换），因为积分交换只要求原级数一致收敛，而 Theorem 278 刚刚给了。
• （第一部分：逐项求导）逐步推导：
  1. 先确认原级数与导数级数的收敛半径。设 $b_j=ja_j$，考察 $\sum b_j(x-x_0)^{j-1}$。令 $j=k+1$，其系数（按 $(x-x_0)^k$ 排列）为 $(k+1)a_{k+1}$。由源文件 Remark 280： \(\lim_{k\to\infty}\bigl((k+1)\vert a_{k+1}\vert \bigr)^{1/k}=\lim_{k\to\infty}\Bigl((k+1)^{1/(k+1)}\vert a_{k+1}\vert ^{1/(k+1)}\Bigr)^{(k+1)/k}=\lim_{k\to\infty}\vert a_k\vert ^{1/k}=p^{-1}.\) （依据：改写为 $(j+1)$ 次根的 $(j+1)/j$ 次幂；$(k+1)^{1/(k+1)}\to1$，这是 Lecture 9 的 Theorem 95 第 3 条；指数 $(k+1)/k\to1$；极限的乘法与复合性质） 于是导数级数的收敛半径与原来相同，仍是 $p$。（依据：收敛半径由 $\lim\vert a_j\vert ^{1/j}=p^{-1}$ 决定）
  2. 取定 $r$ 与 $r^{\prime}$，满足 $0<r<r^{\prime}<p$。（关键：为什么需要两个数？ 见下。）
  3. 对 $x\in[x_0-r,x_0+r]$，考察导数级数的第 $j$ 项（写成 $ja_j(x-x_0)^{j-1}$）： \(\vert ja_j(x-x_0)^{j-1}\vert \le j\,\vert a_j\vert \,r^{\,j-1}=\frac{j\,\vert a_j\vert \,r^{\,j-1}}{\vert a_j\vert (r^{\prime})^{\,j}}\cdot\vert a_j\vert (r^{\prime})^{\,j}=\vert a_j\vert (r^{\prime})^{\,j}\cdot\frac{j}{r^{\prime}}\left(\frac{r}{r^{\prime}}\right)^{j-1}.\) （依据：$\vert x-x_0\vert \le r$；代数变形”乘一项除一项”）
  4. 令 $\rho:=r/r^{\prime}\in(0,1)$。断言 $\displaystyle\sum_{j=1}^{\infty}j\,\rho^{\,j-1}$ 收敛。证明：由比值判别法， \(\frac{(j+1)\rho^{\,j}}{j\,\rho^{\,j-1}}=\frac{j+1}{j}\cdot\rho\longrightarrow\rho<1,\) 故收敛。（依据：比值判别法 Lecture 12, Theorem 138；$\rho<1$ 由 $r<r^{\prime}$ 保证）
  5. 于是存在常数 $K>0$（可取 $K=\sup_j \frac{j}{r^{\prime}}\rho^{\,j-1}<\infty$，由第 4 步收敛知 $j\rho^{j-1}\to0$ 故有界）使 \(\vert ja_j(x-x_0)^{j-1}\vert \le K\,\vert a_j\vert (r^{\prime})^{\,j}=:M_j .\) （依据：第 3、4 步；$M_j$ 与 $x$ 无关）
  6. 又因为 $r^{\prime}<p$，由 Theorem 278（或第 4 步同款根值论证）$\sum\vert a_j\vert (r^{\prime})^j$ 收敛。（依据：$r^{\prime}<p$ 与根值判别法）
  7. 由 M-判别法，$\sum_{j=1}^{\infty}j\,a_j(x-x_0)^{j-1}$ 在 $[x_0-r,x_0+r]$ 上一致收敛。（依据：M-判别法，前提 a) 第 5 步、b) 第 6 步）
  8. 每个函数 $x\mapsto a_j(x-x_0)^j$ 在 $[x_0-r,x_0+r]$ 上连续可微。（依据：多项式可微，讲义 Lecture 20 的求导法则）
  9. 取 $[a,b]\subset(x_0-p,x_0+p)$ 与 $c\in(a,b)$。由 $p$ 的性质可取 $r$ 使 $[a,b]\subset[x_0-r,x_0+r]\subset(x_0-p,x_0+p)$（例如 $r$ 取 $[a,b]$ 到 $x_0$ 的距离与 $p$ 之间的一个数）。把 Theorem 277（求导交换） 用在 $[x_0-r,x_0+r]$ 上：$f_n(x)=\sum_{j=0}^{n}a_j(x-x_0)^j\to f(x)$ 逐点（甚至由第 7 步的 M-判别法论证更快：一致），$f_n^{\prime}\to\sum ja_j(x-x_0)^{j-1}$ 一致（第 7 步），故 $f$ 可导且 \(f^{\prime}(c)=\sum_{j=0}^{\infty}j\,a_j(c-x_0)^{j-1}.\) （依据：Theorem 277）
  10. 由于 $c$ 是 $(x_0-p,x_0+p)$ 中任意点，第一部分得证；并且 $f^{\prime}$ 作为连续函数列的一致极限（再用 Theorem 274）是连续的。（依据：Theorem 274）
• （第二部分：逐项积分）逐步推导：
  1. 由 Theorem 278，取 $r$ 使 $[a,b]\subset[x_0-r,x_0+r]$，原级数在 $[x_0-r,x_0+r]$ 上一致收敛。（依据：Theorem 278）
  2. 每个 $x\mapsto a_j(x-x_0)^j$ 在 $[a,b]$ 上连续。（依据：多项式连续）
  3. 由 Theorem 275（积分交换）， \(\int_a^b\sum_{j=0}^{\infty}a_j(x-x_0)^j\,dx=\sum_{j=0}^{\infty}\int_a^b a_j(x-x_0)^j\,dx .\) （依据：Theorem 275）
  4. 对每个 $j$ 直接算积分（Lecture 22 的 FTC）：$\int_a^b(x-x_0)^j\,dx=\left[\frac{(x-x_0)^{j+1}}{j+1}\right]_{a}^{b}=\frac{(b-x_0)^{j+1}-(a-x_0)^{j+1}}{j+1}$。（依据：FTC；幂函数积分公式，$j+1\ge1>0$ 故无奇点）
  5. 代入第 3 步即得定理第二部分的公式。（依据：代数整理） 特别注意：积分后的级数 $\sum_j\frac{a_j}{j+1}(x-x_0)^{j+1}$ 的收敛半径不变（见 Remark 280 的同款论证：$\lim\bigl(\vert a_j\vert /(j+1)\bigr)^{1/(j+1)}=\lim\vert a_j\vert ^{1/j}\cdot\lim(j+1)^{-1/(j+1)}=p^{-1}\cdot1=p^{-1}$，因为 $(j+1)^{1/(j+1)}\to1$）。理由一句话：除以 $j+1$ 只是把系数按多项式速率（而非指数速率）压缩，而收敛半径只由系数的指数增长率 $\lim\vert a_j\vert ^{1/j}$ 决定，多项式因子的 $n$ 次根总是趋向 $1$。所以”除以 $n+1$”和”乘以 $n$”一样，都不改变 $p$。
• 【证明机制解说】
  • 为什么求导比积分”危险”？ 因为求导把每一项 $a_j(x-x_0)^j$ 变成 $ja_j(x-x_0)^{j-1}$，凭空多出一个随 $j$ 线性增长的因子 $j$。这个因子足以毁掉很多级数：例如 $\sum x^n/n^2$ 逐项求导后得到 $\sum x^{n-1}/n$，在 $x=1$ 处变成调和级数而发散。所以”求导后还一直一致收敛”不是白来的。
  • 幂级数的结构为什么足够强？ 因为幂级数的项本身以指数速率衰减：在 $\vert x-x_0\vert \le r<r^{\prime}$ 时，第 $j$ 项被 $(r/r^{\prime})^{j}$ 这样的指数因子压制。指数衰减足以吃掉任何多项式增长：这正是第 4 步 $\sum j\rho^{j-1}<\infty$（$\rho<1$）的内容，也是数值上”$j\rho^j\to0$ 极快”的原因（见下）。
  • $r<r^{\prime}<p$ 里那个”额外的 $r^{\prime}$”是干什么的？ 它给”被 $j$ 放大后的项”留出指数衰减的余地。如果只用 $r$，我们有的只是 $\vert ja_j\vert r^{j-1}$，而 $r$ 可能已经贴着 $p$，$\sum\vert a_j\vert r^j$ 可能刚好在收敛边缘，$j$ 倍的放大就可能把它推出去。取一个更大的 $r^{\prime}<p$，我们把”用来付指数衰减的预算”（$(r/r^{\prime})^j$）与”被 $j$ 放大”这两件事分开支付：前者由 $\rho<1$ 提供，后者由 $\sum\vert a_j\vert (r^{\prime})^j$ 的收敛提供。这个”两参数技巧“是本证明的灵光一现。
  • 如果让你自己发明：目标是”把 $j$ 这个麻烦因子吸收掉”。既然 $j$ 是多项式增长，就找指数衰减来配对——手头最强的指数衰减就是 $(r/r^{\prime})^j$。于是自然去取 $r<r^{\prime}<p$，把 $j$ 与 $\rho^{j-1}$ 捆成 $\sum j\rho^{j-1}$（收敛！），把 $\vert a_j\vert $ 与 $(r^{\prime})^j$ 捆成 $\sum\vert a_j\vert (r^{\prime})^j$（也收敛！）。“把两个麻烦分开，各自配一个杀手”就是全部思想。
• 【证明技巧总结】“多项式因子由指数衰减吸收“：凡是要证明”乘上 $n^k$ 后级数仍收敛/一致收敛”，就写 $n^k\rho^n$ 并证明它有界（甚至 $\to0$），再配一个 $r^{\prime}$ 的缓冲带。数值上 $n\rho^n$ 的最大值约在 $n\approx1/(1-\rho)$ 处，等于 $\frac{1}{e(1-\rho)}$ 量级——它是一个有限的峰值，随 $\rho\to1^-$ 而变慢发散，这正是”必须留出 $r^{\prime}<p$ 的余量”的定量体现。

数值验算（$n\rho^n$ 的峰值与 $\sum n\rho^n$）：

import math
for r in [0.5, 0.9, 0.99, 0.999]:
    peak = max(n*r**n for n in range(1, 200000))
    print(f"rho={r}: max n*rho^n = {peak:.6f}  (峰值位置 n ~ 1/(1-rho) = {1/(1-r):.0f})")
print("sum n*0.9^n =", sum(n*0.9**n for n in range(1,4000)), " 精确值 0.9/0.01 =", 0.9/0.01)

输出：

rho=0.5:   max n*rho^n = 0.500000    (峰值位置 n ~ 2)
rho=0.9:   max n*rho^n = 3.486784    (峰值位置 n ~ 10)
rho=0.99:  max n*rho^n = 36.603234   (峰值位置 n ~ 100)
rho=0.999: max n*rho^n = 367.695425  (峰值位置 n ~ 1000)
sum n*0.9^n = 89.99999999999986  精确值 0.9/0.01 = 90.0

结论：$j\rho^{j-1}$ 有界（峰值有限），且在 $\rho$ 远离 $1$ 时迅速 $\to0$；这就是第 5 步常数 $K$ 的存在性。$\sum_{n\ge1}n(0.9)^n=90$ 与精确值 $0.9/(1-0.9)^2=90$ 完全吻合，说明第 4 步的”比值判别法判定收敛”是真的。

定理 280（Remark 280 的正式化：幂级数无穷次可导，且 $a_k=\dfrac{f^{(k)}(x_0)}{k!}$）★与 Lecture 20 的呼应★

• 定理陈述：设 $f(x)=\sum_{j=0}^{\infty}a_j(x-x_0)^j$ 的收敛半径为 $p>0$。则 $f$ 在 $(x_0-p,x_0+p)$ 上无穷次可导，且对每个 $k\ge0$， \(a_k=\frac{1}{k!}\left.\left(\frac{d^k}{dx^k}\sum_{j=0}^{\infty}a_j(x-x_0)^j\right)\right\vert _{x=x_0}.\) 换言之：$f^{(k)}(x_0)=k!\,a_k$，即 $a_k=f^{(k)}(x_0)/k!$。幂级数就是它的 Taylor 级数。
• 证明策略：反复使用 Theorem 279 的第一部分。先用一次得到 $f^{(1)}=f^{\prime}$ 是一个幂级数（且 $p$ 不变），再用一次得到 $f^{\prime\prime}$ 也是一个幂级数（$p$ 仍不变），如此下去。然后在 $x=x_0$ 处取值——在 $x_0$ 处所有高次项都消失，只剩常数项，这就是系数的来源。
• 逐步推导：
  1. 由 Theorem 279 的第一部分，$f$ 在 $(x_0-p,x_0+p)$ 上可导，且 $f^{\prime}(x)=\sum_{j=1}^{\infty}ja_j(x-x_0)^{j-1}$，其收敛半径仍为 $p$。（依据：Theorem 279）
  2. 重写指标：令 $k=j-1$，得 $f^{\prime}(x)=\sum_{k=0}^{\infty}(k+1)a_{k+1}(x-x_0)^{k}$——这又是一个以 $x_0$ 为中心、收敛半径为 $p$ 的幂级数。（依据：代数重排；系数为 $(k+1)a_{k+1}$；收敛半径由 Remark 280 的同一论证为 $p$）
  3. 对 $f^{\prime}$ 再应用 Theorem 279：$f^{\prime\prime}(x)=\sum_{k=0}^{\infty}(k+1)ka_{k+1}(x-x_0)^{k-1}=\sum_{m=0}^{\infty}(m+1)(m+2)a_{m+2}(x-x_0)^m$，收敛半径仍为 $p$。（依据：Theorem 279 可重复使用，因为每一步得到的都是收敛半径为 $p>0$ 的幂级数）
  4. 归纳：重复 $k$ 次后，$f^{(k)}(x)=\sum_{m=0}^{\infty}\frac{(m+k)!}{m!}a_{m+k}(x-x_0)^{m}$，收敛半径仍为 $p$。（依据：对 $k$ 作归纳；”收敛半径不变”在第 1、3 步已各验证一次，且用同一论证）
  5. 在 $x=x_0$ 处求值：上式右边只剩 $m=0$ 项（因为 $(x_0-x_0)^m=0^m$，$m\ge1$ 时为零；通常约定 $0^0=1$），故 \(f^{(k)}(x_0)=\frac{(0+k)!}{0!}a_{k+0}\cdot(x_0-x_0)^0=k!\,a_k .\) （依据：幂级数在中心处的求值：$\sum_{m\ge0}c_m\cdot0^m=c_0$）
  6. 整理得 $a_k=\dfrac{f^{(k)}(x_0)}{k!}$，即源文件 Remark 280 的结论 $k!a_k=\left.\left(\frac{d^k}{dx^k}\sum a_j(x-x_0)^j\right)\right\vert _{x=x_0}$。（依据：第 5 步两边除以 $k!$，$k!\ne0$）
• 推论（展开式唯一性）：若存在 $p>0$ 与系数列 $\{a_j\},\{b_j\}$ 使 \(\sum_{j=0}^{\infty}a_j(x-x_0)^j=\sum_{j=0}^{\infty}b_j(x-x_0)^j\qquad\text{对所有 }\vert x-x_0\vert <p,\) 则 $a_j=b_j$ 对一切 $j$ 成立。 证明：设公共和函数为 $f$。由定理，$a_k=f^{(k)}(x_0)/k!$ 且 $b_k=f^{(k)}(x_0)/k!$，故 $a_k=b_k$。（依据：定理本身；关键点：$f$ 的导数只依赖 $f$ 这个函数，不依赖用哪个级数表示它。）这就是”幂级数展开唯一”——它是 Lecture 20 的 Taylor 定理的幂级数版本，也是后面”把函数展开成幂级数”这一整套操作（$e^x$、$\sin x$、$\ln(1+x)$ 等）有意义的逻辑前提：如果展开不唯一，写出一个展开就毫无信息量。
• 【证明机制解说】
  • 为什么”反复求导”能一直做下去？ 因为 Theorem 279 同时给了两件事：可导性 + 收敛半径不变。如果收敛半径在求导后变小，那么求导几次之后 $p$ 可能变成 $0$，就无法继续。所以”$p$ 不变“这个细节是整条推理链的承重墙，而不是装饰。
  • 为什么把 $x=x_0$ 代进去就能”挑出”第 $k$ 项？ 因为 $(x-x_0)^m$ 在 $x=x_0$ 处等于 $0$（$m\ge1$），只有 $m=0$ 存活。这就像”在 $0$ 处取值是一个过滤器，只放过常数项”。反复求导则把”第 $k$ 项”变成”新的常数项”，再过滤一次就取出 $a_k$。
  • 与 Lecture 20 的关系：Lecture 20 的 Taylor 定理说 $f(x)=\sum_{k=0}^{n}\frac{f^{(k)}(c)}{k!}(x-c)^k+R_n(x)$，其中余项 $R_n$ 需要单独控制（这是 Taylor 定理最麻烦的地方）。本定理以一种完全不同的方式绕开了余项：它假设函数已经等于一个幂级数，此时”余项”就是级数的尾 $\sum_{j>n}a_j(x-x_0)^j$，由幂级数自身的收敛性（以及内部一致收敛）自动可忽略。两相对照，可以看出幂级数是一类”余项自动清零”的 Taylor 展开——这也解释了为什么本课程的路线要先证明”幂级数可以逐项求导”，才能回头谈 $e^x$、$\sin x$ 的展开式。
• 【证明技巧总结】“用算子重复作用 + 在特殊点求值提取系数“：把一个复杂对象（整个系数列）通过反复施加一个线性算子（求导）并在一处求值（$x=x_0$）逐步”投影”出来。同类模式：Fourier 系数用 $\int f(x)\cos(nx)dx$ 提取（”正交投影”），Taylor 系数用 $f^{(n)}(c)/n!$ 提取。核心都是”设计一个过滤器把干扰项杀掉”。

Theorem 282（Weierstrass 逼近定理 / Weierstrass approximation theorem）★本讲目标★

• 定理陈述（与源文件 Theorem 282 一致）： \(\text{若 }f\in C([a,b]),\ \text{则存在一列多项式 }\{P_n\}\text{ 使得 }P_n\to f\ \text{在 }[a,b]\text{ 上一致}.\) 等价的 $\epsilon$ 形式（这是本笔记与思考题中使用的形式，逻辑上等价）：$\forall\epsilon>0\ \exists$ 多项式 $P$ 使 $\sup_{x\in[a,b]}\vert f(x)-P(x)\vert <\epsilon$。 量词结构独立写出，务必对照： \(\forall\epsilon>0\ \ \exists\,\text{多项式 }P\ \ \forall x\in[a,b]:\quad \vert f(x)-P(x)\vert <\epsilon .\) 注意 $P$ 只依赖 $\epsilon$，不依赖 $x$——这就是”一致”的全部内容。
• 源文件的 Remark 281：”This theorem essentially states: Every continuous function on $[a,b]$ is almost a polynomial.“（$[a,b]$ 上每个连续函数几乎就是多项式。）
• 证明策略（源文件路线）：分三步走。
  • 第一步（归约到 $[0,1]$ 且端点为 $0$）：设 $f\in C([0,1])$ 且 $f(0)=f(1)=0$；把 $f$ 延拓成 $\mathbb{R}$ 上连续函数（在 $[0,1]$ 外取 $0$）。若在这个特殊情形证明了结论，则对一般的 $\tilde f\in C([0,1])$，函数 $\tilde f(x)-\tilde f(0)-x(\tilde f(1)-\tilde f(0))$ 在两端点为 $0$，可以用特殊情形逼近为多项式 $P_n$，于是 $\tilde P_n(x)=P_n(x)+\tilde f(0)+x(\tilde f(1)-\tilde f(0))$ 也是多项式并一致逼近 $\tilde f$。再把 $[a,b]$ 线性变换到 $[0,1]$ 即可。
  • 第二步（造”近似 delta”核 $Q_n$）：定义 $c_n=\left(\int_{-1}^{1}(1-x^2)^n dx\right)^{-1}$，$Q_n(x)=c_n(1-x^2)^n$。证明三条性质（Theorem 283）：积分为 $1$、非负、在 $\vert x\vert \ge\delta$ 上一致趋于 $0$。
  • 第三步（卷积逼近）：令 $P_n(x)=\int_0^1f(t)Q_n(t-x)dt$，证明 $P_n$ 是多项式且 $P_n\to f$ 一致。
• （第二步：Theorem 283 的证明）
  1. 性质 1（归一化）：$\int_{-1}^{1}Q_n=c_n\int_{-1}^1(1-x^2)^n dx=1$。（依据：$c_n$ 的定义，$c_n>0$ 因为被积函数 $(1-x^2)^n\ge0$ 且不恒为零，积分严格为正）
  2. 性质 2（非负）：对 $x\in[-1,1]$，$1-x^2\ge0$，故 $(1-x^2)^n\ge0$，$c_n>0$，所以 $Q_n(x)\ge0$。（依据：$n$ 次幂保持非负；正数乘非负）
  3. 性质 3（尾部一致趋 $0$）：先估计 $c_n$。断言对一切 $n\in\mathbb{N}$ 与 $x\in[-1,1]$， \((1-x^2)^n\ge1-nx^2 .\) （依据：源文件给出的两种证法——课程早前用归纳法证过；也可用已证的微积分：令 $g(x)=(1-x^2)^n-(1-nx^2)$，则 $g(0)=0$ 且 $g^{\prime}(x)=n\cdot2x(1-(1-x^2)^{n-1})\ge0$ 在 $[0,1]$ 上成立，故由 MVT（Lecture 20）得 $g\ge0$ 于 $[0,1]$；$g$ 为偶函数故在整个 $[-1,1]$ 上成立。注意源文件此处写 $g^{\prime}(x)=n\cdot 2x(1-(1-x^2)^{n-1})\ge0$ 在 $[0,1]$ 上——因为 $x\ge0$、$(1-x^2)^{n-1}\le1$，故两项乘积非负。） 于是（注意 $x=1/\sqrt n$ 处 $1-nx^2=0$，且该点在被积区间内只要 $n\ge1$） \(\frac{1}{c_n}=\int_{-1}^{1}(1-x^2)^n dx=2\int_{0}^{1}(1-x^2)^n dx>2\int_{0}^{1/\sqrt n}(1-x^2)^n dx\ge2\int_0^{1/\sqrt n}(1-nx^2)dx\) \(=2\left(\frac{1}{\sqrt n}-\frac{n}{3}\cdot\frac{1}{n^{3/2}}\right)=\frac{4}{3\sqrt n}>\frac{1}{\sqrt n}.\) （依据：偶函数对称性；被积函数非负故缩小积分区间使积分变小；第 1 条估计 $(1-x^2)^n\ge1-nx^2$；直接积分 $\int_0^{a}(1-nx^2)dx=a-\frac{na^3}{3}$ 取 $a=n^{-1/2}$；算术 $\frac43>1$） 因此 $c_n<\sqrt n$。（依据：$1/c_n>1/\sqrt n$ 两边取倒数，注意均为正数）
  4. 尾部估计：对 $\delta\in(0,1)$ 证明 $\sqrt n(1-\delta^2)^n\to0$。用根值判别法的配套手法（源文件）：考察 $n$ 次根 \(\lim_{n\to\infty}\Bigl(\sqrt n(1-\delta^2)^n\Bigr)^{1/n}=\lim_{n\to\infty}(n^{1/n})^{1/2}(1-\delta^2)=1\cdot(1-\delta^2)=1-\delta^2<1 .\) （依据：$(ab)^{1/n}=a^{1/n}b^{1/n}$；$(n^{1/n})^{1/2}\to1^{1/2}=1$，Lecture 9 的 Theorem 95 第 3 条；$0<\delta<1\Rightarrow1-\delta^2<1$） 于是（这一步是标准的”根值判别法型推理”：$n$ 次根极限 $<1$ 推出该项趋于 $0$，因为它最终被某个 $r^n$（$r<1$）压住） \(\lim_{n\to\infty}\sqrt n(1-\delta^2)^n=0 .\) （依据：取 $\rho$ 使 $1-\delta^2<\rho<1$；则存在 $N_0$ 使 $n\ge N_0$ 时 $\bigl(\sqrt n(1-\delta^2)^n\bigr)^{1/n}<\rho$，于是 $\sqrt n(1-\delta^2)^n<\rho^n\to0$；再用夹逼）
  5. 给定 $\epsilon>0$，取 $M\in\mathbb{N}$ 使 $\forall n\ge M$，$\sqrt n(1-\delta^2)^n<\epsilon$。（依据：第 4 步的极限为 $0$，用收敛定义——注意：这正是 Lecture 24 中”点态一致性”的来源：$M$ 只依赖 $\epsilon$ 和 $\delta$，不依赖 $x$）
  6. 于是 $\forall n\ge M$ 与 $\forall x$ 满足 $\delta\le\vert x\vert \le1$： \(\vert Q_n(x)\vert =c_n(1-x^2)^n<\sqrt n(1-x^2)^n\le\sqrt n(1-\delta^2)^n<\epsilon .\) （依据：$\vert Q_n\vert =Q_n$（非负）；$c_n<\sqrt n$（第 3 步）；在 $\vert x\vert \ge\delta$ 上 $(1-x^2)^n\le(1-\delta^2)^n$，因为 $1-x^2\le1-\delta^2$ 且 $t\mapsto t^n$ 在 $[0,1]$ 上单调递增（Lecture 1/4 的序性质）） 故 $Q_n\to0$ 在 $\{\delta\le\vert x\vert \le1\}$ 上一致。（依据：一致收敛定义）
• （第三步：主定理的证明，完全按源文件）
  1. 特殊情形：设 $f\in C([0,1])$，$f(0)=f(1)=0$。把 $f$ 延拓到 $\mathbb{R}$：$x\notin[0,1]$ 时令 $f(x)=0$。定义 \(P_n(x)=\int_0^1f(t)Q_n(t-x)\,dt=\int_0^1f(t)\,c_n\bigl(1-(t-x)^2\bigr)^n dt .\)
  2. $P_n$ 是多项式：由于 $t\mapsto c_n(1-(t-x)^2)^n$ 是关于 $t$ 的多项式（次数 $2n$，系数含 $x$），把括号展开后每一项 $\int_0^1f(t)t^k dt$ 都是常数（只依赖 $f$ 与 $k$），乘上 $x$ 的多项式并求和，仍得 $x$ 的多项式。（依据：多项式在 $x$ 上的封闭性；积分是关于 $t$ 的线性运算）源文件原话：”Note that $P_n(x)$ is in fact a polynomial.”
  3. 把积分区间对称化（关键改写）：对 $x\in[0,1]$， \(P_n(x)=\int_0^1f(t)Q_n(t-x)dt\overset{t=x+u}{=}\int_{-x}^{1-x}f(x+u)Q_n(u)du=\int_{-1}^{1}f(x+u)Q_n(u)du .\) （依据：换元 $u=t-x$（Lecture 22 的换元公式）；最后一步因为 $u\notin[-x,1-x]$ 即 $x+u\notin[0,1]$ 时 $f(x+u)=0$，而 $Q_n$ 在 $[-1,1]$ 外为 $0$，所以扩到 $[-1,1]$ 不改变积分值。源文件此处把变量写成 $t$ 并写 $f(x+t)$，本笔记改用 $u$ 以免与积分变量 $t$ 混淆。）
  4. 写出误差：由 Theorem 283 的性质 1（$\int_{-1}^1Q_n=1$），对任意 $x$， \(P_n(x)-f(x)=\int_{-1}^{1}f(x+u)Q_n(u)du-f(x)\int_{-1}^1Q_n(u)du=\int_{-1}^{1}\bigl(f(x+u)-f(x)\bigr)Q_n(u)du .\) （依据：$f(x)$ 是常数，可移入积分；$\int Q_n=1$；积分的线性） 【注意源文件的笔误】 源文件写的是 $\int_{-1}^1(f(x-t)-f(t))Q_n(t)dt$，其中把 $f(x+u)$ 误写成 $f(x-t)$ 又混入 $f(t)$；上面的推导给出正确的是 $f(x+u)-f(x)$。本笔记采用正确形式，并说明差异。
  5. 取一致连续性的 $\delta$：设 $\epsilon>0$。$f\in C([0,1])$，$[0,1]$ 紧（Lecture 21），故 $f$ 在 $[0,1]$ 上一致连续，于是 $\exists\delta>0$ 使 $\forall x,y\in[0,1]$，$\vert x-y\vert \le\delta\Rightarrow\vert f(x)-f(y)\vert <\frac{\epsilon}{2}$。（依据：Lecture 21 的定理”紧集上连续 $\Rightarrow$ 一致连续”；这是本证明与 Lecture 21 的关键呼应）
  6. 取 $f$ 的界：$C=\sup\{\vert f(x)\vert :x\in[0,1]\}$，由最值定理 (EVT，Lecture 21) 存在且有限（实际上是最大值）。（依据：EVT；若 $f\equiv0$ 则结论平凡，故可设 $C>0$）源文件把 $C$ 写成 $\sup\{f(x)\}$，本笔记取上确界绝对值以处理负值情形（$f$ 可为负，用 $2C$ 作振幅界；源文件的写法在 $f\ge0$ 时相同）。
  7. 取 $n$ 充分大：由 Theorem 283 的性质 3，$\sqrt n(1-\delta^2)^n\to0$，故 $\exists M\in\mathbb{N}$ 使 $\forall n\ge M$，$\sqrt n(1-\delta^2)^n<\frac{\epsilon}{8C}$。（依据：极限定义；这里 $C,\epsilon,\delta$ 都已固定，故 $M$ 只依赖 $\epsilon$ 与 $f$）
  8. 误差分成两块：对 $n\ge M$ 与任意 $x\in[0,1]$， \(\vert P_n(x)-f(x)\vert \le\int_{-1}^{1}\bigl\vert f(x+u)-f(x)\bigr\vert Q_n(u)\,du=\underbrace{\int_{\vert u\vert \le\delta}\cdots}_{=:I_1}+\underbrace{\int_{\delta\le\vert u\vert \le1}\cdots}_{=:I_2}.\) （依据：三角不等式；$Q_n\ge0$ 故 $\vert Q_n\vert =Q_n$；把积分域按 $\vert u\vert \le\delta$ 与 $\delta\le\vert u\vert \le1$ 切开）
  9. 第一块（”中心区”）：在 $\vert u\vert \le\delta$ 上，$\vert (x+u)-x\vert \le\delta$，故由第 5 步 $\vert f(x+u)-f(x)\vert <\epsilon/2$；又 $\int_{\vert u\vert \le\delta}Q_n\le\int_{-1}^1Q_n=1$，于是 \(I_1\le\frac{\epsilon}{2}\int_{\vert u\vert \le\delta}Q_n(u)du\le\frac{\epsilon}{2}\cdot1=\frac{\epsilon}{2}.\) （依据：$Q_n\ge0$ 时的积分单调性；Theorem 283 性质 1） 注意 $x+u$ 可能跑出 $[0,1]$，那时 $f(x+u)=0$，但一致连续性是在 $f$ 的延拓后的函数上用的——源文件在第一步就把 $f$ 延拓到 $\mathbb{R}$；更干净的做法是对延拓后的连续函数用 Lecture 21 的一致连续性（它在 $\mathbb{R}$ 上不成立！）。这里必须补一个论证：第 5 步的 $\delta$ 只需在 $[0,1]$ 内部保证即可；当 $x+u\notin[0,1]$ 时，由 $f(0)=f(1)=0$、$x\in[0,1]$、$\vert u\vert \le\delta\le1$ 可推出 $\vert f(x+u)-f(x)\vert \le\vert f(x)\vert +\vert f(x+u)\vert $，而 $x+u$ 落在 $[-\delta,0]$ 或 $[1,1+\delta]$ 时 $\vert f(x+u)\vert $ 由”$x+u$ 到端点距离 $\le\delta$ + 端点值为 $0$ + 连续性”控制，仍 $\le\epsilon/2$（必要时把 $\delta$ 再取小）。结论：取更小的 $\delta$ 可保证对一切 $u\in[-1,1]$、$x\in[0,1]$ 都有 $\vert f(x+u)-f(x)\vert <\epsilon/2$ 当 $\vert u\vert \le\delta$——这把”端点外”的情形一并纳入。（依据：端点值为 $0$；一致性；$\epsilon/2$ 折半预留）
  10. 第二块（”尾部”）：在 $\delta\le\vert u\vert \le1$ 上，由 Theorem 283 性质 3，$\vert Q_n(u)\vert <\sqrt n(1-\delta^2)^n$；又 $\vert f(x+u)-f(x)\vert \le\vert f(x+u)\vert +\vert f(x)\vert \le2C$（依据：三角不等式、$C$ 的定义）： \(I_2\le 2C\int_{\delta\le\vert u\vert \le1}Q_n(u)du<2C\cdot\sqrt n(1-\delta^2)^n\int_{\delta\le\vert u\vert \le1}1\,du\le2C\cdot\sqrt n(1-\delta^2)^n\cdot2 .\) （依据：$\vert Q_n\vert <\sqrt n(1-\delta^2)^n$；积分单调性；区间长度 $2$） 结合第 7 步 $\sqrt n(1-\delta^2)^n<\frac{\epsilon}{8C}$，得 $I_2<2C\cdot\frac{\epsilon}{8C}\cdot2=\frac{\epsilon}{2}$。（依据：代数；$C>0$ 可约去） 源文件的对应式子写作 \(\vert P_n(x)-f(x)\vert \le\frac{\epsilon}{2}\int_{\vert t\vert \le\delta}Q_n(t)dt+\sqrt n(1-\delta^2)^n\int_{\delta\le\vert t\vert \le1}2C<\frac\epsilon2+4C\sqrt n(1-\delta^2)^n<\frac\epsilon2+\frac\epsilon2=\epsilon .\) 与上面的推导一致（$4C=2\cdot2C$）。
  11. 收尾：$\vert P_n(x)-f(x)\vert <\epsilon$ 对一切 $x\in[0,1]$ 与一切 $n\ge M$ 成立，故 \(\sup_{x\in[0,1]}\vert P_n(x)-f(x)\vert \le\epsilon\qquad(n\ge M),\) 即 $P_n\to f$ 在 $[0,1]$ 上一致。（依据：一致收敛定义——关键：$M$ 不依赖 $x$，这正是我们要的）
  12. 一般情形：对任意 $\tilde f\in C([0,1])$，令 $h(x)=\tilde f(x)-\tilde f(0)-x(\tilde f(1)-\tilde f(0))$。则 $h(0)=0$，$h(1)=\tilde f(1)-\tilde f(0)-1\cdot(\tilde f(1)-\tilde f(0))=0$，且 $h\in C([0,1])$。由第 1–11 步存在多项式 $P_n\to h$ 一致，于是 $\tilde P_n(x):=P_n(x)+\tilde f(0)+x(\tilde f(1)-\tilde f(0))$ 仍为多项式，且 $\tilde P_n\to\tilde f$ 一致。（依据：一致收敛与”加同一个函数”可交换——常数与 $x$ 的线性函数是固定的，逐点相加不改变 $\sup$ 差）
  13. $[a,b]$ 情形：设 $f\in C([a,b])$。令 $g(u)=f(a+(b-a)u)\in C([0,1])$。由第 12 步取多项式 $P_n\to g$ 一致（在 $[0,1]$ 上）。令 $\widehat P_n(x)=P_n\!\left(\frac{x-a}{b-a}\right)$，它是 $x$ 的多项式，且 \(\sup_{x\in[a,b]}\vert f(x)-\widehat P_n(x)\vert =\sup_{u\in[0,1]}\vert g(u)-P_n(u)\vert \to0 .\) （依据：换元 $u=(x-a)/(b-a)$ 是 $[a,b]\to[0,1]$ 的连续双射，故两个 $\sup$ 相等） 定理证毕。
• 【证明机制解说】
  • ① 为什么这个构造”自然”？ 我们要把一个函数 $f$ 变成多项式，而多项式只能做”有限的代数运算”。构造 $P_n(x)=\int_0^1f(t)Q_n(t-x)dt$ 的妙处在于：$x$ 只出现在多项式核 $Q_n$ 里，$f$ 只充当”权重”。于是对每个固定的 $n$，把 $Q_n$ 展开后 $x$ 的部分是干净的多项式，而 $f$ 只贡献常数 $\int f(t)t^kdt$。这就是”用多项式核做卷积，把函数的正则化交给核”——现代分析中滤波器、小波、热核方法的共同思想。
  • ② 那三个性质为什么恰好够用？ 误差积分 $\int(f(x+u)-f(x))Q_n(u)du$ 要趋于 $0$，需要两件事同时成立：（i）$Q_n$ 的”质量”归一（否则 $f$ 的常数部分消不掉）；（ii）$Q_n$ 的质量集中到 $u\approx0$（否则远处的 $f(x+u)$ 与 $f(x)$ 差得远，无法控制）。性质 1 解决（i），性质 2（非负）让”质量”这个词有意义（否则正负抵消，集中性无从谈起），性质 3 解决（ii）。这就是”近似 delta 函数”的三个公理式条件。
  • ③ 为什么”$\epsilon/2$ + $\epsilon/2$”能配平？ 中心区的误差由一致连续性压到 $\epsilon/2$（这是”$f$ 连续”的全部作用）；尾部的误差由$Q_n$ 的塌缩速度压到 $\epsilon/2$（这是”$Q_n$ 集中”的全部作用）。两件事相互独立，所以可以先取定 $\delta$（由 $f$ 决定），再取 $n$ 足够大（由 $\delta$ 决定）——注意顺序不能颠倒：如果先取 $n$ 再取 $\delta$，$\delta$ 会依赖 $n$，尾部估计就失效。这个”先 $\delta$ 后 $n$“的顺序与 Lecture 24 的一致收敛定义完全同构。
  • ④ 与 Bernstein 路线的对照（补充直观）：源文件的 $Q_n$ 是连续型的局部平均（对 $t$ 积分），Bernstein 多项式是离散型的局部平均（对 $k$ 求和）。两者的证明骨架一致：归一化 + 非负 + 集中性 + 一致连续 + 尾部截断。$Q_n$ 的”集中性”靠 $\sqrt n(1-\delta^2)^n\to0$；Bernstein 的”集中性”靠方差 $\frac{x(1-x)}{n}\le\frac1{4n}\to0$。它们互为”连续/离散”的镜像。
• 【证明技巧总结】“构造近似恒等算子 (approximate identity)：归一 + 非负 + 集中 + 一分二“。具体地：（i）设计一族核使 $\int Q_n=1$、$Q_n\ge0$、且核在远离原点处一致塌缩；（ii）把误差写成 $\int(f(x+u)-f(x))Q_n(u)du$；（iii）以 $\delta$ 切开，中心用一致连续性、尾部用核的塌缩；（iv）两半各配 $\epsilon/2$。这个模式在调和分析（Fejér 核、Poisson 核）、概率论（中心极限定理）、偏微分方程（热核）中会反复出现。记住口号：”把不好的函数与一个好的核卷积，坏处就被平均掉了。”

补充定理（Bernstein 多项式的证明；源文件未含，作为第二条构造性证明）

明确声明：本小节是补充材料，源文件用的 $Q_n$ 卷积路线已在上面完整给出。这里补充 Bernstein 路线，是因为它把”权重集中”变成了一次干净的二项式恒等式计算，非常值得掌握；而且它给出的多项式不需要积分，构造更显式。

引理 L1（零阶矩）：$\displaystyle\sum_{k=0}^{n}\binom nkx^k(1-x)^{n-k}=1$ 对一切 $x\in\mathbb{R}$。 证明：这就是二项式定理：$(x+(1-x))^n=\sum_{k=0}^n\binom nkx^k(1-x)^{n-k}$，而 $x+(1-x)=1$，$1^n=1$。（依据：二项式定理）

引理 L2（一阶矩）：$\displaystyle\sum_{k=0}^{n}k\binom nkx^k(1-x)^{n-k}=nx$。 证明：（1）对 $k=0$ 项为 $0$，故可只对 $k\ge1$ 求和。（2）用恒等式 $k\binom nk=n\binom{n-1}{k-1}$（依据：$\binom nk=\frac{n!}{k!(n-k)!}$，故 $k\binom nk=\frac{n!}{(k-1)!(n-k)!}=n\cdot\frac{(n-1)!}{(k-1)!((n-1)-(k-1))!}=n\binom{n-1}{k-1}$）。（3）令 $j=k-1$： \(\sum_{k=1}^{n}k\binom nkx^k(1-x)^{n-k}=nx\sum_{j=0}^{n-1}\binom{n-1}{j}x^{j}(1-x)^{(n-1)-j}=nx\cdot1=nx .\) （依据：第 2 步提取 $nx$；末步用引理 L1 在 $n-1$ 上的版本）

引理 L3（二阶阶乘矩）：$\displaystyle\sum_{k=0}^{n}k(k-1)\binom nkx^k(1-x)^{n-k}=n(n-1)x^2$。 证明：同法。$k(k-1)\binom nk=n(n-1)\binom{n-2}{k-2}$（依据：$\binom nk$ 的定义，两次约分），故 \(\sum_{k=2}^{n}k(k-1)\binom nkx^k(1-x)^{n-k}=n(n-1)x^2\sum_{j=0}^{n-2}\binom{n-2}{j}x^{j}(1-x)^{(n-2)-j}=n(n-1)x^2 .\) （依据：$k=0,1$ 的项为 $0$；令 $j=k-2$；引理 L1 在 $n-2$ 上）

推论 L3’（二阶矩）：$\displaystyle\sum_{k=0}^{n}k^2\binom nkx^k(1-x)^{n-k}=nx(1-x)+n^2x^2$。 证明：$k^2=k(k-1)+k$，故由 L2、L3： \(\sum k^2w_k=\sum k(k-1)w_k+\sum k\,w_k=n(n-1)x^2+nx=n^2x^2-nx^2+nx=nx(1-x)+n^2x^2 .\) （依据：代数恒等式 $k^2=k(k-1)+k$；积分的线性；引理 L2、L3）

推论 L4（方差界，本路线的核心）：对一切 $x\in[0,1]$ 与一切 $n\ge1$， \(\sum_{k=0}^{n}\left(\frac kn-x\right)^2\binom nkx^k(1-x)^{n-k}=\frac{x(1-x)}{n}\le\frac{1}{4n}.\) 证明：（1）展开平方： \(\sum_k\left(\frac kn-x\right)^2w_k=\frac{1}{n^2}\sum_kk^2w_k-\frac{2x}{n}\sum_kk\,w_k+x^2\sum_kw_k .\) （依据：$(a-b)^2=a^2-2ab+b^2$；和的线性） （2）代入 L1、L2、L3’： \(=\frac{nx(1-x)+n^2x^2}{n^2}-\frac{2x}{n}\cdot nx+x^2\cdot1=\frac{x(1-x)}{n}+x^2-2x^2+x^2=\frac{x(1-x)}{n}.\) （依据：引理 L1、L2、L3’；代数化简） （3）最后，$x(1-x)\le1/4$ 对 $x\in[0,1]$ 成立，因为 $x(1-x)=1/4-(x-1/2)^2\le1/4$。（依据：配方；平方非负）故 $\frac{x(1-x)}{n}\le\frac{1}{4n}$。

Chebyshev 型尾部估计（推论 L5）：对任意 $\delta>0$， \(\sum_{\vert k/n-x\vert \ge\delta}\binom nkx^k(1-x)^{n-k}\le\frac{1}{\delta^2}\cdot\frac{x(1-x)}{n}\le\frac{1}{4n\delta^2}.\) 证明：在求和集合 $\{\vert k/n-x\vert \ge\delta\}$ 上，每个被加项都满足 $\frac{(k/n-x)^2}{\delta^2}\ge1$，故 \(\frac{1}{\delta^2}\sum_{\vert k/n-x\vert \ge\delta}\left(\frac kn-x\right)^2w_k\ \ge\ \sum_{\vert k/n-x\vert \ge\delta}w_k .\) 而左边求和至多等于对所有 $k$ 求和，即 $\le\frac{1}{\delta^2}\cdot\frac{x(1-x)}{n}$（用 L4）。（依据：$w_k\ge0$ 故扩大求和范围使和变大；L4）

定理（Bernstein 逼近定理，补充）：若 $f\in C([0,1])$，则 $B_n(f)\to f$ 在 $[0,1]$ 上一致。 逐步推导：

1. 设 $\epsilon>0$。$f$ 在紧区间 $[0,1]$ 上连续，故一致连续（Lecture 21）：$\exists\delta>0$ 使 $\vert u-v\vert \le\delta\Rightarrow\vert f(u)-f(v)\vert <\frac{\epsilon}{2}$。（依据：Lecture 21）
2. $f$ 有界：令 $M=\sup_{[0,1]}\vert f\vert <\infty$（EVT，Lecture 21）。（依据：EVT）
3. 由 L4，$\sum(k/n-x)^2w_k=\frac{x(1-x)}{n}\to0$ 一致地（对 $x$ 一致，界为 $\frac1{4n}$）。取 $N\in\mathbb{N}$ 使 $n\ge N$ 时 $\frac{1}{4n\delta^2}<\frac{\epsilon}{4M}$（设 $M>0$；若 $M=0$ 则 $f\equiv0$，$B_n(f)=0$ 结论平凡）。（依据：Archimedes 性质：$4n\delta^2>\frac{4M}{\epsilon}$ 当 $n>\frac{M}{\epsilon\delta^2}$；取 $N=\lceil \frac{M}{\epsilon\delta^2}\rceil$）
4. 计算误差。注意由 L1，$\sum_k w_k=1$，故 $f(x)=f(x)\sum_kw_k=\sum_k f(x)w_k$： \(B_n(f)(x)-f(x)=\sum_{k=0}^{n}\Bigl(f\!\left(\frac kn\right)-f(x)\Bigr)w_k .\) （依据：$B_n(f)$ 的定义；L1；和的线性）
5. 取绝对值并按 $\left\vert \frac kn-x\right\vert $ 是否小于 $\delta$ 分成两块（记 $A=\{k:\vert \frac kn-x\vert <\delta\}$，$A^c$ 为其补）： \(\vert B_n(f)(x)-f(x)\vert \le\sum_{k\in A}\left\vert f\!\left(\frac kn\right)-f(x)\right\vert w_k+\sum_{k\in A^c}\left\vert f\!\left(\frac kn\right)-f(x)\right\vert w_k .\) （依据：三角不等式；$w_k\ge0$）
6. 第一块：在 $A$ 上，$\vert \frac kn-x\vert <\delta$，由第 1 步 $\left\vert f(k/n)-f(x)\right\vert <\frac{\epsilon}{2}$，故第一块 $\le\frac\epsilon2\sum_{k\in A}w_k\le\frac\epsilon2\cdot1=\frac\epsilon2$。（依据：第 1 步；L1；$w_k\ge0$）
7. 第二块：在 $A^c$ 上，$\left\vert f(k/n)-f(x)\right\vert \le\left\vert f(k/n)\right\vert +\vert f(x)\vert \le2M$，故第二块 $\le2M\sum_{k\in A^c}w_k\le2M\cdot\frac{1}{\delta^2}\cdot\frac{x(1-x)}{n}\le2M\cdot\frac{1}{4n\delta^2}$。（依据：$M$ 的定义；三角不等式；L5；L4）
8. 由第 3 步，$n\ge N$ 时 $2M\cdot\frac{1}{4n\delta^2}<\frac{\epsilon}{2}$。（依据：第 3 步的取法 $\frac{1}{4n\delta^2}<\frac{\epsilon}{4M}$，两边乘 $2M$）
9. 合并：$n\ge N$ 时对一切 $x\in[0,1]$，$\vert B_n(f)(x)-f(x)\vert <\frac\epsilon2+\frac\epsilon2=\epsilon$。（依据：第 5、6、7、8 步）
10. 因此 $\sup_{x\in[0,1]}\vert B_n(f)(x)-f(x)\vert \le\epsilon$ 对一切 $n\ge N$ 成立，即 $B_n(f)\to f$ 一致。（依据：一致收敛定义；$N$ 只依赖 $\epsilon,f$，不依赖 $x$）
11. 一般区间 $[a,b]$：用线性变换 $u=\frac{x-a}{b-a}$ 归约到 $[0,1]$（见”核心定义”第（四）条）。（依据：连续双射下的 $\sup$ 相等）
    • 【证明机制解说】
      • ① 为什么 Bernstein 多项式”自然”？ 它是把 $f$ 在等距采样点 $k/n$ 上的值按权重 $w_{n,k}(x)$ 加权平均，而权重在 $k/n\approx x$ 处最集中。换句话说，$B_n(f)(x)$ 是”以 $x$ 为中心的局部平均“——它是一个平滑算子：$B_n$ 不但逼近 $f$，还自动把 $f$ 抹平（$B_n(f)$ 恒为多项式，故无穷次可导，哪怕 $f$ 只是连续）。这与源文件的 $Q_n$ 卷积是同一件事的离散版本。注意 $B_n$ 也不插值（$B_n(f)(k/n)\ne f(k/n)$ 一般成立），它是”平均”而不是”穿过采样点”。
      • ② 方差界为什么是关键？ 因为它是”权重集中”的定量形式。由 L5，落在 $\vert k/n-x\vert \ge\delta$ 之外的总权重被 $\frac{x(1-x)}{n\delta^2}\le\frac{1}{4n\delta^2}$ 控制——也就是”坏点”（离 $x$ 远的采样点）的总影响力随 $n$ 减小到 $0$。这正是大数定律的分析学化身：$\frac{S_n}{n}$ 偏离 $x$ 超过 $\delta$ 的概率 $\le\frac{1}{4n\delta^2}\to0$。如果方差界不成立（例如权重不集中），第二块就无法压小，逼近定理就失效。所以方差界是整条”局部平均”直觉的硬核心。
      • ③ 为什么这里又一次需要一致连续？ 因为要证的是 $\sup_{x}\vert B_n(f)(x)-f(x)\vert <\epsilon$——对所有的 $x$ 同时成立。第 6 步中，$\delta$ 必须能同时服务于所有 $x$：如果 $\delta$ 依赖 $x$（那是逐点连续性的语言），第 7 步的 $N$ 就会依赖 $x$，得不到一致收敛。（依据：第 1 步用的是”紧区间上连续 $\Rightarrow$ 一致连续”，这是 Lecture 21 的定理。）
      • ④ 与 Lecture 21 的呼应：本证明的两个关键工具——”紧集上连续 $\Rightarrow$ 一致连续”（第 1 步）和”紧集上连续 $\Rightarrow$ 有界且取到最值”（EVT，第 2 步）——都来自 Lecture 21。Lecture 21 用它们证明”连续 $\Rightarrow$ Riemann 可积”；本讲用它们证明”连续 $\Rightarrow$ 可被多项式一致逼近”。 同一个工具，两个方向完全不同的结论：一个说”连续函数积分得起来”，一个说”连续函数能被多项式逼近”。这是本课程”同一工具在不同战场反复出现”的又一个例证。
      • ⑤ 一个”反直觉”的点：$B_n(f)$ 只用了 $f$ 在 $n+1$ 个点上的值，却要逼近整条曲线。可能吗？可能，因为 $f$ 连续（一致连续）意味着它不能在这 $n+1$ 个点之间任意乱跳——采样点越密，$f$ 在整个区间上就被这些采样值”锁住”。这正是”连续”这一条件的力量：连续 = 局部信息可以外推。
    • 【证明技巧总结】“构造局部平均算子 + 二项式恒等式算前三阶矩 + 方差界 $\Rightarrow$ 权重集中 + 一致连续处理中心区 + $\frac{2M}{\delta^2}\cdot\frac{1}{4n}$ 处理尾部“。提炼成两个可迁移的要点：（i）要证明”某个线性算子逼近恒等算子”，就检查它对 $1,x,x^2$ 的作用（$B_n(1)=1$、$B_n(x)=x$、$B_n(x^2)=x^2+\frac{x-x^2}{n}\to x^2$）——这三个”矩条件”是逼近论的经典入口；（ii）“分块 + 定序”：先由目标函数取定 $\delta$，再由 $\delta$ 取定 $n$，最后两块各配 $\epsilon/2$。顺序一旦颠倒，证明立刻坍塌。

数值验算（Bernstein 三阶矩与方差，$n=5$，脚本核实）：

from math import comb
n = 5
for x in [0.3, 0.5, 0.77]:
    w = [comb(n,k)*x**k*(1-x)**(n-k) for k in range(n+1)]
    print(f"x={x}")
    print("  sum w      =", sum(w),                        " 应为 1")
    print("  sum k w    =", sum(k*w[k] for k in range(n+1)),      f" 应为 n x = {n*x}")
    print("  sum k(k-1)w=", sum(k*(k-1)*w[k] for k in range(n+1)), f" 应为 n(n-1)x^2 = {n*(n-1)*x*x}")
    print("  sum k^2 w  =", sum(k**2*w[k] for k in range(n+1)),   f" 应为 nx(1-x)+n^2x^2 = {n*x*(1-x)+n*n*x*x}")
    print("  Var        =", sum((k/n-x)**2*w[k] for k in range(n+1)), f" 应为 x(1-x)/n = {x*(1-x)/n}", f" <= 1/(4n)={1/(4*n)}")

实际输出（节选）：

x=0.3:  sum w = 0.9999999999999999
        sum k w       = 1.500000000000   应为 n x = 1.500000000000
        sum k(k-1) w  = 1.800000000000   应为 n(n-1)x^2 = 1.800000000000
        sum k^2 w     = 3.300000000000   应为 nx(1-x)+n^2x^2 = 3.300000000000
        Var           = 0.042000000000   应为 x(1-x)/n = 0.042000000000   <= 1/(4n)=0.050000000000
x=0.5:  sum k w       = 2.500000000000   应为 2.500000000000
        sum k(k-1) w  = 5.000000000000   应为 5.000000000000
        sum k^2 w     = 7.500000000000   应为 7.500000000000
        Var           = 0.050000000000   应为 0.050000000000   （此时取到最大值 1/(4n)）
x=0.77: sum k w       = 3.850000000000   应为 3.850000000000
        sum k(k-1) w  = 11.858000000000  应为 11.858000000000
        sum k^2 w     = 15.708000000000  应为 15.708000000000
        Var           = 0.035420000000   应为 0.035420000000   <= 0.050000000000

数值验算（$B_n(f)$ 对 $f(x)=x^2$ 的精确公式）：由 L1、L2、L3’， \(B_n(x^2)(x)=\sum_k\left(\frac kn\right)^2w_k=\frac{1}{n^2}\Bigl(nx(1-x)+n^2x^2\Bigr)=x^2+\frac{x-x^2}{n}.\) （依据：L3’；代数化简）脚本核实：

for n in [3,5,10]:
    for x in [0.25,0.5,0.8]:
        B = sum(comb(n,k)*x**k*(1-x)**(n-k)*(k/n)**2 for k in range(n+1))
        pred = x*x + (x-x*x)/n
        print(f"n={n} x={x}: B_n(x^2)={B:.12f}  公式 x^2+(x-x^2)/n={pred:.12f}  差={B-pred:.2e}")

输出（差全为机器精度量级）：

n=3 x=0.25: B=0.125000000000  公式=0.125000000000  差=0.00e+00
n=3 x=0.50: B=0.333333333333  公式=0.333333333333  差=0.00e+00
n=3 x=0.80: B=0.693333333333  公式=0.693333333333  差=0.00e+00
n=5 x=0.50: B=0.300000000000  公式=0.300000000000  差=5.55e-17
n=10 x=0.25: B=0.081250000000  公式=0.081250000000  差=1.39e-17
n=10 x=0.80: B=0.656000000000  公式=0.656000000000  差=0.00e+00

由 $B_n(x^2)(x)-x^2=\frac{x-x^2}{n}$，立刻得到精确的一致误差 \(\sup_{x\in[0,1]}\bigl\vert B_n(x^2)(x)-x^2\bigr\vert =\frac{1}{n}\sup_{x\in[0,1]}(x-x^2)=\frac{1}{4n}.\) （依据：$x-x^2=1/4-(x-1/2)^2$ 在 $x=1/2$ 取最大值 $1/4$）这给出一个可精确计算的收敛速度：取 $\epsilon=0.01$ 需要 $\frac{1}{4n}<0.01$，即 $n>25$，故 $n\ge26$。脚本核对：$n=25$ 时误差恰为 $0.01000000$（不满足严格小于），$n=26$ 时为 $0.00961538<0.01$。（注意：这是 $f(x)=x^2$ 这一个特殊函数的精确误差，不是逼近定理中一般 $f$ 的误差速度；一般情形只有”存在 $n$”，没有统一的 $O(1/n)$。）

Bernstein 权重的”钟形集中”（$x=0.5$，脚本生成）：

n=4,  x=0.5  最大权重 0.3750
  k=0  k/n=0.00  w=0.0625 ########
  k=1  k/n=0.25  w=0.2500 #################################
  k=2  k/n=0.50  w=0.3750 ##################################################
  k=3  k/n=0.75  w=0.2500 #################################
  k=4  k/n=1.00  w=0.0625 ########

n=10, x=0.5  最大权重 0.2461
  k=0  k/n=0.00  w=0.0010 
  k=1  k/n=0.10  w=0.0098 ##
  k=2  k/n=0.20  w=0.0439 #########
  k=3  k/n=0.30  w=0.1172 ########################
  k=4  k/n=0.40  w=0.2051 ##########################################
  k=5  k/n=0.50  w=0.2461 ##################################################
  k=6  k/n=0.60  w=0.2051 ##########################################
  k=7  k/n=0.70  w=0.1172 ########################
  k=8  k/n=0.80  w=0.0439 #########
  k=9  k/n=0.90  w=0.0098 ##
  k=10 k/n=1.00  w=0.0010 

n=20, x=0.5  最大权重 0.1762   ← 峰变矮变窄：质量向 k/n=0.5 集中
  k=4  k/n=0.20  w=0.0046 #
  k=6  k/n=0.30  w=0.0370 ##########
  k=8  k/n=0.40  w=0.1201 ##################################
  k=10 k/n=0.50  w=0.1762 ##################################################
  k=12 k/n=0.60  w=0.1201 ##################################
  k=14 k/n=0.70  w=0.0370 ##########
  k=16 k/n=0.80  w=0.0046 #

读图：$n$ 增大时权重分布的宽度按 $\sqrt{x(1-x)/n}$ 缩小（方差 $\propto1/n$），峰值高度 $\approx\frac{1}{\sqrt{2\pi n x(1-x)}}$ 也下降——总质量恒为 $1$，但越来越集中在 $x=0.5$ 附近。这就是”近似 delta”的离散图像。

Bernstein 逼近的实际误差（$f(x)=\vert x-1/2\vert $，脚本核实）：

n=  10  sup|B_n(f)-f| = 0.123047    (1/sqrt(n) = 0.316228)
n=  50  sup|B_n(f)-f| = 0.056138    (1/sqrt(n) = 0.141421)
n= 100  sup|B_n(f)-f| = 0.039795    (1/sqrt(n) = 0.100000)
n= 500  sup|B_n(f)-f| = 0.017832    (1/sqrt(n) = 0.044721)
n=1000  sup|B_n(f)-f| = 0.012613    (1/sqrt(n) = 0.031623)

注意收敛速度是 $O(1/\sqrt n)$ 量级（比 $x^2$ 情形的 $O(1/n)$ 慢），因为 $f(x)=\vert x-1/2\vert $ 在 $x=1/2$ 处不可导——多项式逼近光滑函数很快，逼近有”尖角”的函数就慢。这是逼近论里”光滑性决定逼近速度”的第一课。

Bernstein 恒等式的两条”移位”版本（供推导 $B_n(x)$ 与 $B_n(x^2)$ 用）： \(B_n(1)=1,\qquad B_n(x)=x,\qquad B_n(x^2)=x^2+\frac{x-x^2}{n}.\) 推导 $B_n(x)=x$：由 L2，$B_n(x)(x)=\sum_k\frac kn w_k=\frac1n\cdot nx=x$。（依据：L2）这两条说明”Bernstein 算子至少在 $1$ 与 $x$ 上精确”——这是逼近论里”矩条件”的典型样子。

补充数值验算：源文件 $Q_n$ 核与卷积 $P_n$

按父任务建议，补一组对源文件路线（$Q_n$ 与 $P_n$）本身的数值验算，以与上面的 Bernstein 路线互为印证。

（1）$c_n<\sqrt n$ 与归一化 $\int_{-1}^1Q_n=1$：

from fractions import Fraction as F
import math
def integ(n):                    # ∫_{-1}^{1}(1-x^2)^n dx = 2*(2n)!!/(2n+1)!!
    num=1; den=1
    for k in range(1,n+1): num*=2*k
    for k in range(1,n+1): den*=2*k+1
    return F(2*num,den)
for n in [1,5,10,50,100,1000]:
    I=integ(n); c=1/I
    print(f"n={n:5d}: int={float(I):.8e}  c_n={float(c):.8f}  sqrt(n)={math.sqrt(n):.4f}  c_n<sqrt(n)? {c<math.sqrt(n)}")

输出：

n=    1: int=1.33333333e+00  c_n=0.75000000  sqrt(n)=1.0000  c_n<sqrt(n)? True
n=    5: int=7.38816739e-01  c_n=1.35351562  sqrt(n)=2.2361  c_n<sqrt(n)? True
n=   10: int=5.40520367e-01  c_n=1.85006905  sqrt(n)=3.1623  c_n<sqrt(n)? True
n=   50: int=2.48802236e-01  c_n=4.01925649  sqrt(n)=7.0711  c_n<sqrt(n)? True
n=  100: int=1.76584159e-01  c_n=5.66302214  sqrt(n)=10.0000  c_n<sqrt(n)? True
n= 1000: int=5.60289044e-02  c_n=17.84793065  sqrt(n)=31.6228  c_n<sqrt(n)? True

读法：$c_n$ 确实始终小于 $\sqrt n$（定理 283 性质 3 的证明所依赖的估计）。并且 $c_n/\sqrt n\to1/\sqrt\pi=0.5641896$（$n=100$ 时 $0.5663$，$n=1000$ 时 $0.5644$）——这说明 $c_n<\sqrt n$ 这个界量级正确，只差一个常数 $\sqrt\pi$。

（2）尾部一致塌缩：取 $\delta=0.5$，验证 $\sup_{\delta\le\vert x\vert \le1}Q_n(x)\to0$（即 $\sqrt n(1-\delta^2)^n\to0$）：

d=0.5
for n in [10,100,1000,10000]:
    print(f"delta={d}, n={n:6d}: sqrt(n)(1-d^2)^n = {math.sqrt(n)*(1-d*d)**n:.6e}"
          f"   sup_{{|x|>=d}} Q_n <= 这个值")

输出（注意 $Q_n$ 的最大值在 $\vert x\vert =\delta$ 处取到，等于 $c_n(1-\delta^2)^n<\sqrt n(1-\delta^2)^n$）：

delta=0.5, n=    10: sqrt(n)(1-d^2)^n = 1.780790e-01
delta=0.5, n=   100: sqrt(n)(1-d^2)^n = 3.207202e-12
delta=0.5, n=  1000: sqrt(n)(1-d^2)^n = 3.641358e-124
delta=0.5, n= 10000: sqrt(n)(1-d^2)^n = 0.000000e+00

更细致地看不同 $\delta$（$\delta$ 越小、塌缩越慢，这正是证明中”$\delta$ 由 $f$ 的一致连续性固定后，$n$ 再取得足够大”的必要性）：

delta=0.10: n=10:2.860e+00  n=100:3.660e+00  n=1000:1.365e-03  n=10000:2.249e-42
delta=0.25: n=10:1.658e+00  n=100:1.574e-02  n=1000:2.960e-27  n=10000:5.161e-279
delta=0.50: n=10:1.781e-01  n=100:3.207e-12  n=1000:3.641e-124  n=10000:0.000e+00

注意 $\delta=0.1$ 那一行 $n=10,100$ 时该值仍 $>1$（不是单调下降的），但 $n=1000$ 之后已经塌到 $10^{-3}$，$n=10^{4}$ 时是 $10^{-42}$。这就是”极限为 $0$”与”前几步很大”完全可以共存——证明里必须等到 $n\ge M$ 才开始断言 $<\epsilon$。

（3）对具体 $f$ 计算 $P_n(x)=\int_0^1f(t)Q_n(t-x)dt$ 与 $f(x)$ 的差。 取 $f(t)=t(1-t)$（在 $[0,1]$ 两端点为 $0$，正符合源文件归约后的特殊情形；由第 12 步，一般 $f$ 可由此加回线性项）。用细梯形法（$20001$ 个节点）数值积分：

def Qn(u,n,c):  return 0.0 if abs(u)>=1 else c*(1-u*u)**n
def Pn(x,n,c,N=20001):
    h=1.0/(N-1); s=0.0
    for i in range(N):
        t=i*h; w = 0.5 if (i==0 or i==N-1) else 1.0
        s += w*Qn(t-x,n,c)*t*(1-t)
    return s*h
for n in [10,20,50,100]:
    c=float(1/integ(n))
    e=max(abs(Pn(x,n,c)-x*(1-x)) for x in [0.1,0.25,0.5,0.75,0.9])
    print(f"n={n:4d}: P_n(0.5)={Pn(0.5,n,c):.8f} (f=0.25)  网格上最大误差={e:.6e}")

输出（误差随 $n$ 稳定下降，这正是 $P_n\to f$ 一致的数值证据）：

n=  10: P_n(0.1)=0.09902441 (f=0.09000000) | P_n(0.5)=0.20726618 (f=0.25) | 网格最大误差=4.273382e-02
n=  20: P_n(0.1)=0.09392425 (f=0.09000000) | P_n(0.5)=0.22676197 (f=0.25) | 网格最大误差=2.323803e-02
n=  50: P_n(0.1)=0.08896466 (f=0.09000000) | P_n(0.5)=0.24029126 (f=0.25) | 网格最大误差=9.708737e-03
n= 100: P_n(0.1)=0.08763097 (f=0.09000000) | P_n(0.5)=0.24507389 (f=0.25) | 网格最大误差=4.926108e-03

注意 $P_n$ 是”平滑”的：$f(0.1)=0.09$ 而 $P_{100}(0.1)=0.08763$，误差比 $x=0.5$ 处（$0.25$ 对 $0.24507$）大——因为 $x=0.1$ 靠近端点，卷积核的另一半落在 $[0,1]$ 之外（那里 $f$ 已被延拓为 $0$），核质量失衡，误差自然更大。这也解释了为什么源文件要把 $f$ 延拓到 $\mathbb{R}$ 并采用”端点处 $f=0$”的归约：卷积核必须能自由地越过端点采样，才能让误差估计在端点附近也成立。

定理 282 的意义与应用

• （意义一：多项式在连续函数空间中稠密） 引入一致范数 (uniform norm) \(\vert f\vert _{[a,b]}:=\sup_{x\in[a,b]}\vert f(x)\vert .\) （这是 Lecture 24 的 Remark 269 之前提到的记号，教材 [JL] Exercise 6.1.1 正是练习它的三角不等式）则 Weierstrass 定理的结论可写成：$\vert P_n-f\vert _{[a,b]}\to0$。也就是说：对任意 $f\in C([a,b])$ 与任意 $\epsilon>0$，多项式集合 $\mathcal{P}$ 中存在 $P$ 使 $\vert f-P\vert _{[a,b]}<\epsilon$。 用拓扑语言说：多项式全体在 $(C([a,b]),\vert \cdot\vert _{[a,b]})$ 中稠密 (dense)——与”$\mathbb{Q}$ 在 $\mathbb{R}$ 中稠密”是同一个词！这两件事有惊人的相似性：
  • $\mathbb{Q}$ 稠密：任何实数都能被有理数任意逼近；
  • 多项式稠密：任何连续函数都能被多项式一致逼近。 两个”稠密”都说明了”用简单对象可以逼近复杂对象“这一分析学的中心主题。
• （意义二：数值分析的基础） 计算机只会做有限次加乘（多项式），不会做”取极限”。Weierstrass 定理保证了：只要函数连续，我们就可以放心地用有限次加乘去近似它——这是数值积分、插值、函数求值、图形渲染等一切数值方法的合法性来源。Bernstein 多项式路线尤其贴心：它只用到 $f$ 在 $n+1$ 个点上的值，且 $B_n(f)$ 始终被 $\min f$ 与 $\max f$ 夹住（因为权重非负归一的凸组合），完全不会像高次插值那样剧烈震荡（Runge 现象）。这正是 Bézier 曲线在计算机图形学中采用 Bernstein 基的原因。
• （意义三：它是”稠密性论证 (density argument)”的原型——以 Lecture 22 的 Riemann–Lebesgue 引理为例） （请注意：Riemann–Lebesgue 引理本身属于 Lecture 22（其 Lemma 254），不是本讲内容；此处只把它当作一个”用到 Weierstrass 逼近思想”的应用举例。） Lecture 22 的 Riemann–Lebesgue 引理假设 $f$ 连续可微（$f^{\prime}\in C([-\pi,\pi])$），证明中用了分部积分——分部积分需要 $f^{\prime}$ 存在。若 $f$ 只是连续，这条引理怎么办？标准做法正是 Weierstrass 定理：取多项式 $P$ 使 $\vert f-P\vert <\epsilon$，对多项式处理（多项式当然可微），再用三角不等式把误差转移，最后让 $\epsilon\to0$。这就是”先把一般情形化归到好情形，再取极限回去”的典型（density argument，稠密性论证）——它展示了 Weierstrass 定理作为一种通用工具的用法，而不是本讲的一个结论。
• （意义四：名字的巧合——Weierstrass 在这门课出现两次） 本课程中 Weierstrass 的名字出现在两个截然不同的结果里：
  • Lecture 18 的 Theorem 210（Weierstrass）：函数 $f(x)=\sum_{k=0}^{\infty}\frac{\cos(160^kx)}{4^k}$ 处处连续但处处不可微（nowhere differentiable）。这是对”连续性是否蕴含可微性”（Lecture 18 的核心问题）的否定回答，由”aka the Godfather”（源文件原话）给出的病态函数。
  • 本讲 Theorem 282（Weierstrass Approximation Theorem）：连续函数可被多项式一致逼近。 两个结果看似方向相反，其实共同刻画了”连续”这一概念的丰富性：
  • 逼近定理说：连续函数局部上看起来像多项式（就一致范数而言，离多项式要多近有多近）；
  • 病态函数说：连续函数整体上可以完全不像任何光滑函数（逐点都不可微）。 两者并不矛盾，因为”一致逼近”只控制函数值的差，完全不控制导数。$f$ 可以被多项式列 $\{P_n\}$ 一致逼近，同时 $P_n^{\prime}$ 的震荡越来越剧烈，以至于极限 $f$ 处处没有导数。这正是”一致范数看不见导数”的深刻教训：记忆中”逼近得好 $\Rightarrow$ 性质好”是错的；一致收敛（Theorem 274）只保证连续性，不保证可微性（这正与 Theorem 277 额外要求 $f_n^{\prime}$ 一致收敛相呼应）。
• （意义五：与 Lectures 23–24 的闭环） 本讲的整体结构是一个漂亮的闭环：
  • Lecture 23 提出问题：幂级数的和函数是否连续/可导/可积？（Question 262）
  • Lecture 24 提供工具：一致收敛 + M-判别法 + 三条交换定理。
  • Lecture 25（本讲）收口：幂级数在紧子区间上一致收敛（Theorem 278）$\Rightarrow$ 交换定理可用 $\Rightarrow$ 和函数无穷次可导（Theorem 279 + Remark 280）$\Rightarrow$ 是 Taylor 级数、展开唯一。
  • 然后反向提问：”多项式的极限能表示什么？” 得到 Weierstrass 定理：能表示一切连续函数。 “从幂级数到任意连续函数”——这就是本课程最后一步的跨度。

整门课的依赖链总图（收束）：

Lecture 1–2   实数系与 LUB（最小上界性质）、Archimedes 性质
        │
        ▼
Lecture 4–8   序列、极限、子列、Cauchy 列、Bolzano–Weierstrass、limsup/liminf
        │
        ▼
Lecture 10–13 级数：几何级数、比较判别法、比值/根值/交错判别法、
        │    绝对收敛、重排                       ← 本讲算收敛半径用的就是这一层
        ▼
Lecture 14–17 开集/闭集、紧性、连通性
        │
        ▼
Lecture 18–21 连续：连续性、最值定理 EVT、介值定理 IVT、
        │    一致连续（紧区间上连续 ⇒ 一致连续）   ← Weierstrass 证明的两个直接依赖
        ▼
Lecture 20    可微：中值定理、Taylor 定理（带余项！）
        │                                        ← 与 Remark 280 遥相呼应
        ▼
Lecture 21–22 Riemann 积分、FTC、换元、分部积分（Riemann–Lebesgue 引理属 Lecture 22）
        │                                        ← Theorem 279/282 都靠 FTC 与换元
        ▼
Lecture 23    函数列的逐点收敛、一致收敛的定义、幂级数的定义与收敛半径
        │
        ▼
Lecture 24    一致收敛的三条交换定理（连续 / 积分 / 求导）、Weierstrass M-判别法
        │
        ▼
Lecture 25 ★  幂级数在紧子区间上一致收敛 → 逐项求导/逐项积分 → a_n = f^(n)(x₀)/n!
              → 展开唯一（幂级数 = Taylor 级数）
              → Weierstrass 逼近定理（Bernstein 或 Q_n 卷积）
              → 多项式在 C([a,b]) 中稠密

主线一句话：
  LUB → 序列 → 极限 → 连续 → 可微 → 积分 → 一致收敛 → 逼近
   ("集合与证明"（Lecture 1）走到"用多项式逼近任意连续函数"（Lecture 25）)

与教材的对应

• 对应 [JL] §6.1 “Pointwise and uniform convergence”（幂级数一致收敛所需的语言）：
  • Definition 6.1.1（逐点收敛）、Definition 6.1.6（一致收敛）——本讲所有”一致”陈述的语言基础（对应本课 Lecture 23 的 Definition 263/264）。
  • Proposition 6.1.5（逐点收敛的 $\epsilon$-$N$ 重述）——本讲”常见误区”里量词顺序问题的教材依据。
  • 6.1.3 节 “Convergence in uniform norm” 引入一致范数 $\vert f\vert _{[a,b]}$——正是本节”意义一”中”多项式稠密”的范数语言。
  • Exercise 6.1.1（一致范数的三角不等式 $\vert f+g\vert \le\vert f\vert +\vert g\vert $）——本讲”意义一”用到这个范数时的合法性依据。
  • Exercise 6.1.2（求 $e^{x/n}/n$ 的逐点极限，并问在 $\mathbb{R}$ 上、在 $[0,1]$ 上是否一致）——练”一致 vs 逐点”的判定，与本讲 Question 273 的三个反例同型。
  • Exercise 6.1.5（若 $f_n\to f$、$g_n\to g$ 一致，则 $f_n+g_n\to f+g$ 一致）——这是 Assignment 12 第 5 题，见下。
• 对应 [JL] §6.2 “Interchange of limits”：
  • §6.2.1 连续性（对应本讲 Theorem 274）、§6.2.2 积分（Theorem 275）、§6.2.3 求导（Theorem 277）。
  • §6.2.4 “Convergence of power series” 正是本讲 Theorem 278–279 与 Remark 280：幂级数在紧子区间一致收敛、可逐项求导、可逐项积分。
  • §6.2.5 Exercises：其中 Exercise 6.2.x 一类练习逐项求导/积分的合法性，与本讲”常见误区”中”忘了先检查一致收敛就逐项求导”的错误对应。
• 对应 OCW Assignment 7（Reading Sections 2.5, 2.6, 3.1）：
  • 第 2 题（本讲核心练习）：”Find all real numbers $x$ so that the series converges.” 四小问： (a) $\sum_{n=0}^{\infty}2^nx^n$ —— 收敛半径 $p=1/2$，两端点都发散，收敛域 $(-1/2,1/2)$； (b) $\sum_{n=0}^{\infty}nx^n$ —— $p=1$，两端点都发散，收敛域 $(-1,1)$； (c) $\sum_{n=0}^{\infty}\frac{(x-10)^n}{(2n)!}$ —— $p=\infty$，收敛域 $\mathbb{R}$； (d) $\sum_{n=0}^{\infty}n!\,x^n$ —— $p=0$，收敛域 $\{0\}$。 这题练的是”算 $p$ + 单独讨论端点”这一标准流程（本笔记”核心定义”第（二）条已全部做完并数值验算）。
  • 第 3 题（Cauchy–Schwarz 不等式）——与本讲不直接相关，但它是”用 $\sum\vert x_n\vert ^2$ 这类二次量做估计”的技法，与本讲 Chebyshev 型方差估计精神相通。
• 对应 OCW Assignment 12（Reading: The Riemann Integral lecture notes, Section 6.1）：
  • 第 5 题 = Exercise 6.1.5：设 $\{f_n\},\{g_n\}$ 在集合 $A$ 上一致收敛到 $f,g$，证明 $f_n+g_n$ 在 $A$ 上一致收敛到 $f+g$。该题练的是”一致收敛的 $\epsilon/2$ 相加”这一最基本的操作：$\forall\epsilon>0$ 取 $N=\max\{N_1(\epsilon/2),N_2(\epsilon/2)\}$，则 $n\ge N$ 时 $\vert (f_n+g_n)-(f+g)\vert \le\vert f_n-f\vert +\vert g_n-g\vert <\epsilon/2+\epsilon/2=\epsilon$，且 $N$ 不依赖 $x$。这正是本讲 Theorem 274、279 里反复出现的”$\epsilon/2$ 或 $\epsilon/3$ 配平”技巧的练习版。
  • 第 4 题 = Exercise 6.1.2（$e^{x/n}/n$ 的逐点/一致极限）——与 Assign. 12 同卷出现，说明本讲内容与 §6.1 的练习是配套的。
  • 第 1(a) 题（$\int_a^bf=0$、$f\ge0$ 连续 $\Rightarrow f\equiv0$）——用到 Lecture 21–22，与本讲 Theorem 275（积分交换）同属”积分与函数性质相互作用”的一族。
• 对应 OCW Midterm 第 5(b) 题（本讲题目的”预热版”）：”Find all real numbers $x$ such that the series converges. Find all real numbers $x$ such that the series converges absolutely.” (i) $\sum_{n=0}^{\infty}\frac{(-1)^n}{2020^n}(x-10)^n$；(ii) $\sum_{n=0}^{\infty}\frac{n!}{n^n}x^n$。
  • (i) 是几何型：系数绝对值 $2020^{-n}$，$p=2020$，收敛域 $10-2020<x<10+2020$，两端点（$\vert x-10\vert =2020$）通项为 $(\mp1)^n\not\to0$，发散；绝对收敛域同为开区间。
  • (ii) 用比值法：$\frac{\vert u_{n+1}\vert }{\vert u_n\vert }=\frac{(n+1)!/(n+1)^{n+1}}{n!/n^n}\vert x\vert =\left(\frac{n}{n+1}\right)^n\vert x\vert \to\frac{\vert x\vert }{e}$，故 $p=e$；在 $\vert x\vert =e$ 处利用 $\left(\frac{n}{n+1}\right)^n\nearrow e^{-1}$，通项不趋于 $0$，发散。这题说明”比值极限可以是 $e$ 这样的超越数”，也说明”$\vert x\vert =p$ 时必须单独分析”这条规则的普适性。
• 对应 OCW Final（综合）：
  • 第 5(a) 题：”Let $R>0$. Prove that for all $x\in[-R,R]$, $\left\vert e^x-\sum_{j=0}^{n}\frac{x^j}{j!}\right\vert \le\frac{e^RR^{n+1}}{(n+1)!}$。” 这是幂级数展开 + 余项估计的题：它本质上要你先证明 $e^x=\sum x^j/j!$（$p=\infty$），再给出带余项的定量误差。本讲 Remark 280 说明”若可展成幂级数，则一定是 Taylor 级数”，但不保证余项速度；这个题是 Lecture 20 的 Taylor 定理（带余项）与本讲幂级数理论的一次合流。
  • 第 5(b) 题：$f(x)=f(c)+f^{\prime}(c)(x-c)+\int_c^xf^{\prime\prime}(t)(x-t)dt$——Taylor 定理的积分余项形式（Hint：用”parts”结尾的定理 = 分部积分）。与本讲 Remark 280 的”幂级数版 Taylor”形成对照（那里余项自动为 $0$，这里余项是显式积分）。
  • 第 7(a) 题：”给出一个 $(0,1)$ 上连续函数列逐点收敛到连续函数但不一致收敛的显式例子。” 这正是本讲 Question 273 主题的反面（本讲给的例子是”极限不连续”或”积分不交换”）；一个标准答案是 $f_n(x)=x^n$ 限制在 $(0,1)$ 上（逐点趋 $0$，但 $\sup_{(0,1)}\vert f_n\vert =1$ 不趋 $0$）。这题直接练本讲”逐点 $\ne$ 一致”这一核心区分。
  • 第 7(b) 题：由 $\vert f^{\prime}\vert \le L$ 证 Lipschitz 连续，并证 $f_n(x)=f(x+1/n)$ 在 $\mathbb{R}$ 上一致收敛到 $f$。这题是”用一致连续性/Lipschitz 性把 $n\to\infty$ 的误差一次性压住”的练习，与本讲 Bernstein 证明第 1 步（一致连续取 $\delta$）和第 3 步（取 $N$）的机制完全同构：$\vert f(x+1/n)-f(x)\vert \le L/n$ 对所有 $x$ 同时成立，故 $\sup_{\mathbb{R}}\vert f_n-f\vert \le L/n\to0$。
  • 第 6(b)(c) 题（$\lim\int_0^1x^n\sin x\,dx=0$、$\lim\int_{-\pi}^{\pi}\sin(nx)f(x)dx=0$）——这属于 Lecture 22 的 Riemann–Lebesgue 引理一族（该引理不属于本讲），但正如本讲”意义三”所说：把 $f$ 从 $C^1$ 放宽到 $C$ 的典型手段就是 Weierstrass 逼近。这是一道”用本讲定理去补另一讲的缺口”的综合题。

与其他讲次的关联

• 直接依赖 Lecture 23（幂级数的定义与收敛半径）：本讲全部结论都以 Lecture 23 的 Definition 258（幂级数）、Theorem 259（$R=\lim\vert a_m\vert ^{1/m}$、$p=1/R$）、Definition 260（收敛半径）为出发点。Theorem 278 的证明第 2 步明确使用了”$p^{-1}=\lim\vert a_j\vert ^{1/j}$”这一条来自 Lecture 23 的假设。
• 直接依赖 Lecture 24（一致收敛 + M-判别法 + 三条交换定理）：Theorem 278 的最后一击是 Weierstrass M-判别法 (Theorem 268)；Theorem 279 的求导部分用 Theorem 277、积分部分用 Theorem 275；而 Theorem 274（连续性）在本讲开头被重新证明（源文件第 65–80 行）作为整章的原型。没有 Lecture 24，本讲一个字都推不动。
• 直接依赖 Lecture 12（比值判别法与根值判别法）：Theorem 278 证明中”$\sum\vert a_j\vert r^j$ 收敛”用的是根值判别法 (Theorem 142)；Theorem 279 求导部分”$\sum j\rho^{j-1}$ 收敛”用的是比值判别法 (Theorem 138)；Theorem 283 中”$\sqrt n(1-\delta^2)^n\to0$”也是根值判别法式的推理。本讲是 Lecture 12 的三个判别法在”函数级数”层次上的总演习。
• 依赖 Lecture 21（紧区间上连续 $\Rightarrow$ 一致连续；EVT）：Weierstrass 定理（两条路线都）用到了”$f\in C([a,b])$ 一致连续”（取 $\delta$）与”$C=\sup\vert f\vert <\infty$”（控尾部）。这与 Lecture 21 证明”连续 $\Rightarrow$ Riemann 可积”用的是同一个工具，是本课程”一器多用”的最佳例证。
• 依赖 Lecture 22（FTC、积分绝对值不等式、换元）：Theorem 279 的积分公式靠 FTC 与换元；Theorem 277 的证明靠 FTC 把求导归约成积分；Theorem 282 中 $Q_n$ 卷积的对称化靠换元 $u=t-x$。
• 依赖 Lecture 20（可微性、Taylor 定理）：Remark 280 是 Lecture 20 的 Taylor 定理的”幂级数版”：那里的余项 $R_n$ 必须单独估计，这里的”余项”是级数尾项、自动可忽略。本讲正是把 Taylor 定理中”余项”这一最麻烦的部分彻底解决掉的一讲。
• 向前呼应 Lecture 18（Weierstrass 处处连续处处不可微函数）：见上文”意义四”。这两个 Weierstrass 结果一起说明：一致逼近不控制导数，因此”连续的病态性”与”逼近的可行性”完全可以共存。
• 为后续课程（[JL] 第二卷 §11.3、§11.7）铺路：本讲的”幂级数 $\Rightarrow$ 解析函数 (analytic function)”是复分析与解析数论的开端；”Weierstrass 逼近 $\Rightarrow$ Stone–Weierstrass 定理”是泛函分析中逼近论的主定理。
• 收束句（整门课）：本课程从 Lecture 1 的集合与证明出发，经由 LUB（最小上界性质）→ 序列与极限 → 连续 → 可微 → 积分 → 函数列与一致收敛，最终抵达 Lecture 25 的逼近：每一个连续函数都是多项式的极限。 这条主线可以用一句话概括：分析学的工作就是把”无穷”换成”可控的有限”，而本讲给出的收尾答案是——连”连续”这么一般的对象，也能被”多项式”这么具体的对象从有限步内逼近。

关键要点

1. 收敛半径三分性：若 $\sum_j a_j(x-x_0)^j$ 的收敛半径为 $p$，则 $\vert x-x_0\vert <p$ 时绝对收敛、$\vert x-x_0\vert >p$ 时发散、$\vert x-x_0\vert =p$ 时必须单独判断。三种特例：$p=\infty$（处处收敛，如 $\sum(x-10)^n/(2n)!$）、$0<p<\infty$（如 $\sum nx^n$，$p=1$）、$p=0$（只在中心收敛，如 $\sum n!x^n$）。Assignment 7 第 2 题的四个答案就是这四个数字：$1/2,\ 1,\ \infty,\ 0$。
2. 幂级数在紧子区间上一致收敛（Theorem 278）：$\forall r\in(0,p)$，$\sum_j a_j(x-x_0)^j$ 在 $[x_0-r,x_0+r]$ 上一致收敛。证明三件套：”收缩到 $\vert x-x_0\vert \le r$ 取 $M_j=\vert a_j\vert r^j$ + $r<p$ 保证 $\sum M_j$ 收敛（根值判别法）+ M-判别法”。$r<p$ 严格不能放宽为 $r\le p$（反例：$\sum x^n/n$ 在 $[0,1]$ 上不一致收敛，$\sup_{[0,1]}\vert S_{2m}-S_m\vert \ge1/2$）。
3. 幂级数的三条交换定理（Theorem 279）：在 $(x_0-p,x_0+p)$ 内，幂级数的和函数连续、可逐项积分、可逐项求导，且 \(\frac{d}{dx}\sum_{j\ge0}a_j(x-x_0)^j=\sum_{j\ge1}j\,a_j(x-x_0)^{j-1},\qquad \int_a^b\sum_{j\ge0}a_j(x-x_0)^j\,dx=\sum_{j\ge0}\frac{a_j}{j+1}\bigl[(b-x_0)^{j+1}-(a-x_0)^{j+1}\bigr],\) 求导与积分都不改变收敛半径 $p$（理由：收敛半径只由 $\lim_j\vert a_j\vert ^{1/j}$ 决定，而 $j$ 或 $1/(j+1)$ 这类多项式因子的 $j$ 次根趋于 $1$）。
4. 幂级数 = Taylor 级数（Remark 280）：$f(x)=\sum_{j\ge0}a_j(x-x_0)^j\Rightarrow f$ 在收敛区间内无穷次可导，且 \(a_j=\frac{f^{(j)}(x_0)}{j!}\qquad(j\ge0).\) 推论：展开唯一——同一个函数在同一个中心的幂级数展开至多只有一个。这是”写幂级数展开”这一操作的全部合法性所在。
5. Weierstrass 逼近定理（Theorem 282）：$\forall f\in C([a,b])\ \exists\{P_n\}$ 多项式使 $P_n\to f$ 一致；等价地 $\forall\epsilon>0\ \exists$ 多项式 $P$ 使 $\vert f-P\vert _{[a,b]}<\epsilon$，即多项式在 $(C([a,b]),\vert \cdot\vert _{[a,b]})$ 中稠密。证明机制：”归一 + 非负 + 集中的核 + 一致连续处理中心区 + 尾部塌缩处理远处 + 各配 $\epsilon/2$”。源文件用 $Q_n=c_n(1-x^2)^n$ 卷积（$c_n<\sqrt n$、$\sqrt n(1-\delta^2)^n\to0$）；补充路线用 Bernstein 多项式（方差 $\frac{x(1-x)}{n}\le\frac1{4n}$）。
6. 一句收束：LUB → 序列 → 极限 → 连续 → 可微 → 积分 → 一致收敛 → 逼近；本讲是这条链的终点：从”集合与证明”（Lecture 1）到”用多项式逼近任意连续函数”（Lecture 25）。

常见误区与注意事项

• 【误区 1】把”收敛半径”的定义当成”收敛域”。错误做法：算出 $p=1$ 就写”收敛域是 $[x_0-1,x_0+1]$”。为什么错：Theorem 259 只在 $\vert x-x_0\vert <p$ 与 $>p$ 时表态，端点处毫无信息。正确做法：算出 $p$ 后必须逐个检查端点（代入 $x=x_0\pm p$，看通项是否趋于 $0$、是否绝对收敛）。反例：$\sum x^n/n$ 与 $\sum x^n/n^2$ 的 $p$ 都是 $1$，但前者的收敛域是 $[-1,1)$、后者是 $[-1,1]$。
• 【误区 2】把 Theorem 278 的”$r<p$”写成”$r\le p$”，或声称幂级数在收敛区间上一致收敛。错误做法：直接用 M-判别法取 $M_n=\vert a_n\vert p^n$，然后”由 $\sum\vert a_n\vert p^n$ 收敛”……但这最后一句可能就是错的。正确做法：只对 $r<p$ 断言一致收敛；要判断整个闭区间 $[x_0-p,x_0+p]$ 上是否一致收敛，必须另证 $\sum\vert a_n\vert p^n<\infty$ 或直接估计 $\sup$ 与尾项的差。反例：$\sum x^n/n$ 在 $[0,1]$ 上不一致收敛（块差 $\ge1/2$），尽管它在每个 $[0,r]$（$r<1$）上一致收敛。这个误区的根源是把”局部性质”误当成”整体性质”。
• 【误区 3】逐项求导/积分时忘记先验证一致收敛。错误做法：看到 $\sum x^n/n^2$ 就直接写”导数 $=\sum x^{n-1}/n$，在 $x=1$ 处收敛”——错，$\sum 1/n$ 发散。正确做法：只在 $\vert x-x_0\vert <p$ 的内部做逐项运算（那里由 Theorem 278 保证一致收敛）；在端点处逐项求导后的级数可能有不同的收敛行为（本例中求导后 $p$ 仍是 $1$，但在 $x=1$ 处新级数发散）。记忆法则：Theorem 279 的结论只在开区间 $(x_0-p,x_0+p)$ 内成立。
• 【误区 4】把”幂级数一致收敛”与”函数列一致收敛”的量词顺序混淆。错误做法：写”$\forall x\ \exists N\ \forall n\ge N\ \forall\epsilon$”（$N$ 依赖 $x$）。正确做法：$\forall\epsilon>0\ \exists N\ \forall n\ge N\ \forall x\in S$，$\vert f_n(x)-f(x)\vert <\epsilon$——$N$ 只能依赖 $\epsilon$（在幂级数情形还可以依赖 $r$，因为定理是对每个固定 $r$ 分别断言的，但不能依赖 $x$）。这和 Weierstrass 逼近里”多项式 $P$ 只依赖 $\epsilon$、不依赖 $x$”是同一件事。
• 【误区 5】以为”一致逼近”能传递可导性/导数信息。错误做法：由 $P_n\to f$ 一致推出 $P_n^{\prime}\to f^{\prime}$ 或”$f$ 可微”。为什么错：一致范数只控制函数值的差，完全不管导数（导数是差商的极限，涉及两个点的信息）。反例：Lecture 18 的 Weierstrass 函数处处连续、处处不可微，但它当然可被多项式一致逼近（Theorem 282）；这直接说明”一致逼近不蕴含可微”。要传递导数，必须像 Theorem 277 那样额外假设 $f_n^{\prime}$ 一致收敛。
• 【误区 6】用”系数被 $f$ 唯一决定”去断言”任意 $C^\infty$ 函数都等于它的 Taylor 级数”。为什么错：Remark 280 的前提是”$f$ 已经等于一个幂级数”，结论是这个幂级数若存在则唯一。它不断言每个无穷次可导函数的 Taylor 级数都收敛到它自己（经典反例 $f(x)=e^{-1/x^2}$（$x\ne0$）、$f(0)=0$ 的 Taylor 级数在 $0$ 处恒为 $0\ne f$）。正确做法：区分”解析函数（等于自己的 Taylor 级数）”与”仅 $C^\infty$ 的函数”；本讲只处理前者。
• 【误区 7】Weierstrass 逼近证明中”先取 $n$ 再取 $\delta$”。为什么错：$\delta$ 依赖 $n$ 时，尾部的界 $\frac{2M}{\delta^2}\cdot\frac1{4n}$ 就不能保证趋于 $0$（$\delta$ 可能随 $n$ 变得很小，把界顶回去）。正确做法：先由 $f$ 的一致连续性取定 $\delta$（只依赖 $\epsilon$ 与 $f$），再由 $\delta,\epsilon,M$ 取定 $n$；顺序不可交换。这与”一致收敛定义中 $N$ 不能依赖 $x$”是同一种顺序纪律。
• 【误区 8】把 Bernstein 多项式当成插值多项式。为什么错：$B_n(f)(k/n)\ne f(k/n)$ 一般成立：例如 $f(x)=x^2$、$n=2$、$x=1$，$B_2(f)(1)=1$（巧合相等）；但 $x=1/2$ 时 $B_2(f)(1/2)=0.375\ne0.25$。正确认识：$B_n$ 是局部平均算子，它保证整体一致逼近，不保证逐点插值；反过来它有一个插值不具备的稳定性：$\min f\le B_n(f)\le\max f$（凸组合）。

思考题（带答案）

Q1. 求幂级数 \(\sum_{n=1}^{\infty}\frac{n^2}{3^n}\bigl(x+2\bigr)^{n}\) 的收敛半径，并求它的收敛域（即所有使级数收敛的实数 $x$）。

Q2. 设 $f(x)=x^2$，Bernstein 多项式 $B_n(f)(x)=\sum_{k=0}^{n}f(k/n)\binom nkx^k(1-x)^{n-k}$。 (a) 用二项式恒等式精确算出 $B_n(f)(x)$； (b) 求 $\sup_{x\in[0,1]}\vert B_n(f)(x)-f(x)\vert $； (c) 对 $\epsilon=0.01$，求出使该 $\sup<\epsilon$ 的最小 $n$，并与”一般 Weierstrass 定理只保证存在”作对比。

Q3. （概念题，两个小问） (i) 用 Bernstein 多项式的方差界解释：为什么”权重集中”是 Weierstrass 逼近证明的硬核心？如果把方差界放宽成”$n$ 无关的常数”（例如 $\sum(k/n-x)^2w_k\le 1$ 对一切 $n$ 成立），证明会怎样失败？ (ii) Lecture 18 证明了存在处处连续处处不可微的函数（Weierstrass 函数）；本讲证明了每个连续函数都能被多项式一致逼近。这两件事矛盾吗？请精确说明”一致逼近”控制了什么、没有控制什么，并指出与 Theorem 277（求导交换）的关系。