绝对收敛

绝对收敛 (Absolute Convergence)

绝对收敛 (Absolute Convergence) 是级数理论和广义积分中的核心概念。若一个无穷级数 $\sum_{n=1}^{\infty} a_n$ 的各项绝对值构成的级数 $\sum_{n=1}^{\infty} |a_n|$ 收敛，则称原级数绝对收敛。绝对收敛是比普通（条件）收敛更强的一种收敛性，它保证级数的和与项的求和顺序无关，这一性质在处理含正负交错的复杂级数时至关重要。

定义与基本性质

设 $\{a_n\}$ 为实数或复数序列。若级数 $\sum_{n=1}^{\infty} |a_n|$ 收敛，则称 $\sum_{n=1}^{\infty} a_n$ 绝对收敛。绝对收敛的一个重要定理是：绝对收敛必收敛。这是因为对任意 $m > n$，有三角不等式：

因此若加绝对值后的级数满足柯西准则，原级数也自动满足。

绝对收敛与条件收敛

级数 $\sum a_n$ 收敛但 $\sum |a_n|$ 发散的情形称为条件收敛 (Conditional Convergence)。经典的例子是交错调和级数：

而调和级数 $\sum 1/n$ 发散，故该级数为条件收敛。

黎曼重排定理 (Riemann Rearrangement Theorem) 揭示了条件收敛与绝对收敛的本质区别：若级数条件收敛，适当重排其项序，可使新级数收敛于任意指定实数，甚至发散；而绝对收敛级数的和则与项的顺序无关。这一深刻结论说明，绝对收敛是级数具有"良好行为"的充分条件，也使绝对收敛成为泛函分析中巴拿赫空间（完备赋范空间）理论的重要基础。

绝对收敛的判别法

比较判别法

若存在常数 $C > 0$ 和正整数 $N$，使得对一切 $n \ge N$，有 $|a_n| \le C b_n$，且 $\sum b_n$ 收敛，则 $\sum |a_n|$ 收敛。比较判别法的核心是将待判级数与已知收敛性的级数进行对比。

比值判别法（达朗贝尔判别法）

若 $\lim_{n \to \infty} \left|\frac{a_{n+1}}{a_n}\right| < 1$，则级数绝对收敛；若大于 1，则发散。比值判别法尤其适合含阶乘或指数函数的级数。例如对 $\sum \frac{x^n}{n!}$，比值极限为 0，故对任意 $x$ 均绝对收敛，这正是指数函数幂级数展开全域收敛的依据。

根值判别法（柯西判别法）

若 $\limsup_{n \to \infty} \sqrt[n]{|a_n|} < 1$，则级数绝对收敛。根值判别法在含 $n$ 次幂的级数中尤为有效，其适用范围略广于比值判别法。

广义积分的绝对收敛

绝对收敛概念也适用于广义积分。若 $\int_a^{\infty} |f(x)|\,dx$ 收敛，则称广义积分 $\int_a^{\infty} f(x)\,dx$ 绝对收敛。与级数类似，绝对收敛蕴含积分收敛，且允许积分顺序的交换。在概率论中，期望值的定义即要求积分绝对收敛：

否则期望不存在。柯西分布之所以期望不存在，正是因其密度函数尾部衰减过慢，导致 $|x| f(x)$ 的积分发散。

经济学与统计学中的应用

在计量经济学中，大数定律和中心极限定理的证明通常要求随机变量序列满足适当的绝对收敛条件。自回归滑动平均模型 (ARMA) 的平稳性条件本质上要求无穷级数 $\sum |\psi_j|$ 收敛，其中 $\psi_j$ 是脉冲响应函数的系数。在金融经济学中，永续年金的现值公式 $\sum_{t=1}^{\infty} \frac{C}{(1+r)^t}$ 当 $|1/(1+r)| < 1$ 时绝对收敛，从而保证现值计算的有效性。此外，谱分析中各种谱密度的良好定义也依赖于绝对收敛性。