---
title: 3-6-微分与线性逼近
aliases:
- 微分
- 线性逼近
- Differential
- Linear Approximation
- 可微
tags:
- 类型/教程
- 微积分/导数
created: 2026-10-12
updated: 2026-10-12
level: 入门
chapter: "3.6"
prerequisites:
- "3-1-导数的定义与几何意义"
sources:
- https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
- https://mathworld.wolfram.com/Derivative.html
- https://ocw.mit.edu/courses/18-01sc-single-variable-calculus-fall-2010/pages/1.-differentiation/part-b-concepts-of-the-derivative/
3-6-微分与线性逼近
一句话概括
导数的定义告诉我们 ,也就是说
增量之比趋于一个定数。把这句话「翻译」成等式,就得到
——函数的增量可以用一个线性式逼近,
误差比 更高阶地小。这个线性部分 就叫微分 。
于是微积分有了一个极其实用的工具:以直代曲。
、、
误差估计、经济学中的边际分析——都出自这一个思想。
本篇覆盖:微分的定义与可微性、几何意义(切线的纵坐标增量)、
微分公式与四则运算法则、一阶微分形式不变性、线性逼近与误差估计、
11 道例题、7 条易错点、8 道练习。
一、定义
1.1 从「导数是差商的极限」到「增量等于什么」
先回顾一句话。 由导数的定义,
这句话等价于什么? 用极限的语言说: 与 的差趋于零:
把它换个写法。 记
则 ( 时),于是
两边乘 :
这就是微分的全部秘密
函数的增量 = 一个线性项 + 一个「比 更高阶的无穷小」项。
因为 ,所以第二项 是比
更高阶的无穷小,记作 。于是
线性项 就是微分 。
为什么这个观察重要? 因为线性函数(正比例函数)是最简单的函数——
意味着「输入变化多少,输出就按固定倍数变化」,
不需要计算任何函数值就能算出来。
微分把「算函数增量」这个困难的事,换成了「乘一个数」这个容易的事。
1.2 微分的定义
定义 3.7(微分)
设函数 在点 的某邻域内有定义。若存在与 无关的常数 ,
使得函数增量可以写成
则称 在 处可微(differentiable),并称 为
在 处的微分(differential),记作
关于这个定义的三点说明:
(1) 必须与 无关。 定义里强调这一点,
是为了防止「用 自己表示自己」这种空洞的写法
(例如 ,这里系数依赖 ,不是微分)。
(2) 的含义。 它是「比 高阶的无穷小」,
即 。
特别地:,
因为 。
(3)自变量自身的微分。 对 (恒等函数),,
所以 。
即自变量的微分等于自变量的增量。 这个约定极其方便——有了它就得到
这是全库统一使用的微分形式。(也解释了为什么写 :
它现在真的可以看成两个微分之商。)
1.3 可微与可导等价
定理 3.21(可微 可导)
函数 在点 处可微的充要条件是 在 处可导,
且此时必有 ,即
证明
(必要性:可微 可导) 设 ,两边除以 :
令 ,第二项趋于 (这是 的定义),所以
所以 在 可导,且 。
(充分性:可导 可微) 设 在 可导。记
由导数的定义,。
于是对一切 (包括 ):
而 ,
所以 。因此
即 在 可微,且 。
一元函数:可导 = 可微
上面这条定理说明:在一元函数的情形,「可导」与「可微」是同一个概念,
只是着眼点不同:
| 说法 | 着眼点 | 核心式子 |
|---|---|---|
| 可导 | 差商有极限 | 存在 |
| 可微 | 增量可线性化 | |
但保留两个词是必要的,因为在多元函数中二者不再等价:
偏导数都存在也推不出可微(见 8-2-偏导数与全微分)。
所以现在多花点力气理解「可微」这个说法,是为了以后不吃亏。
1.4 微分与导数的记号对照
| 概念 | 拉格朗日记号 | 莱布尼茨记号 | 说明 |
|---|---|---|---|
| 导数(函数) | 变化率 | ||
| 导数(一点) | 一个数 | ||
| 微分 | 一个线性函数(关于 ) | ||
| 自变量的微分 | — | 约定 |
微分到底是什么类型的对象
里的 是自由变量,
所以 是 的函数(而且是一次函数)。
换句话说:在固定的 处,微分是一个正比例函数。
这也解释了为什么 与 是两个不同的量:
是真实的函数增量, 是它的线性主部(近似值)。
当 很小时,两者的差是高阶无穷小。这是下一节的核心。
1.5 微分的几何定义(等价说法)
由 ,微分可以这样理解:
微分的几何意义
在点 处作切线。当 从 变到 时:
- 是曲线上的真实纵向增量(从 到曲线上的 );
- 是切线上的纵向增量
(从 到切线上的点 );
- 两者之差 是「曲线与切线之间的缝隙」在纵向上的投影。
一句话:微分是「切线上的增量」, 是「曲线上的增量」。
这就是「以直代曲」的精确含义:
在 附近,用切线(直线)代替曲线,误差是高阶无穷小。
下一节的几何直观会把这件事讲透。
二、几何直观
2.1 一幅必须建立的图像:曲线、切线、两个增量
请在心里(或在纸上)画下面这幅图:
第 1 步:画一条曲线 ,在它上面标出一个点 。
第 2 步:过 作切线,斜率是 。
第 3 步:在 轴上从 向右量出一段 ,到达 。
从 处向上画一条竖直虚线。
第 4 步:这条竖直线与曲线相交于点 ,与切线相交于点 。
于是图上有两个纵向长度:
而 就是「用切线代替曲线」的误差。
这幅图要记住的三件事
1. 是切线的纵向增量, 是曲线的纵向增量。
2. (除非 是线性函数),但 时
——误差比 小一个量级。
3. 当 很小时, 与 几乎重合,所以**用 近似
是非常好的近似**; 越大, 与 分得越开,近似越差。
2.2 「以直代曲」:微积分最重要的思想之一
一个具体例子感受一下。 取 ,。
误差 = 。
| 误差 | 相对误差 | |||
|---|---|---|---|---|
读这张表: 缩小 倍,误差缩小 倍(因为误差是 ),
相对误差缩小 倍。这就是「高阶无穷小」的实际含义。
一个夸张但有用的说法
当 时,用 代替 ,
相对误差只有 ——这就是为什么微分可以做近似计算。
工程上大量使用的「小量近似」公式
(如 、、)
全部是微分思想的产物。这些公式在 4-3-泰勒公式与麦克劳林展开 中
会被升级为带误差估计的严格版本。
图像的读法: 越小,曲线在 附近越「像」直线。
「局部看,光滑曲线就是直线」——这句话是整个微分学的出发点,
也是微分几何、数值分析、机器学习中「局部线性化」思想的源头。
2.3 微分的几何应用:切线纵坐标的增量
微分有一个直接的几何用途:估算曲线的纵向变化。
例:一个半径 的圆,半径增加 时,面积增加多少?
几何解读:面积增量约等于「一个长为周长 、宽为 的细长条的面积」。
把圆环剪开拉直,就是一个长 、宽 的矩形。
至于环的「拐角」部分(面积是 ),是高阶无穷小,被微分丢掉了。
这是微分几何直观最漂亮的一个例子:
就是「拉直的圆环」。
再看球:,。
解读:体积增量约等于「表面积 乘上厚度 」——
就是一层薄球壳的体积。
这套直观为什么有效
因为球的体积对半径的变化率恰好等于表面积:
。
这不是巧合,而是「球壳体积 ≈ 表面积 × 厚度」这个几何事实的微积分表达。
同理 (周长)。
「导数是『增长一层』的效率」这个直觉,在几何里到处都能用。
2.4 微分与「局部线性化」:一般图景
把上面的观察抽象出来:
局部线性化(linearization)
在 附近,
右边的函数 就是切线,
它是 在 附近最好的一次逼近。
「最好」是什么意思? 在所有形如 的一次函数中,
是唯一的满足
的那个。也就是说, 与 在 处「值相同、斜率相同」——
它精确复制了 在该点的零阶与一阶信息。
图像的读法:把曲线在 点附近放大再放大,
曲线会越来越像那条切线。这个「不断放大」的过程在数值上就是
「 时误差是 」的几何版本。
与后面章节的接口
一次逼近(切线)→ 二次逼近(抛物线,用 )→ …… → 次逼近(泰勒多项式),
这是 4-3-泰勒公式与麦克劳林展开 的主线。
本篇是一次逼近的全部内容;高阶逼近只是在「复制更多阶的信息」。
在多元函数里,同一件事叫「全微分与切平面」(8-2-偏导数与全微分)。
三、性质与定理
3.1 定理 3.22(微分公式与基本微分表)
定理 3.22(基本微分公式)
由 ,把基本导数表逐条「乘上 」,
就得到基本微分表:
| | |
|---|---|
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
所以记忆微分表不需要额外工作:导数表乘 即可。
但要把「」明确写上——微分与导数的唯一记号差别就在这里。
3.2 定理 3.23(微分的四则运算法则)
定理 3.23(微分法则)
设 、 都可微, 为常数,则
证明(以乘积为例) 由乘积求导法则 ,
其余同理。
与导数法则的对照:微分法则更好记
| 运算 | 导数法则 | 微分法则 |
|---|---|---|
| 和 | | |
| 积 | | |
| 商 | | |
微分法则看起来更「对称」:没有撇号,形式上就像普通的代数运算。
这提示我们:微分比导数更接近「线性代数」的语言(它是线性映射)。
在多元函数里这一点会非常明显
(全微分是一个线性映射,见 8-2-偏导数与全微分)。
3.3 定理 3.24(一阶微分形式不变性)
定理 3.24(一阶微分形式不变性)
无论 是自变量还是中间变量(即 是某个变量的函数),
都有
也就是说:微分公式的形式不依赖于 的身份。
这是微分相对导数的一个巨大优势。 对比一下链式法则:
- 若 、,则
——
不能写成 ,多了一个因子。
- 但微分永远是 ——
不管是「 关于 」,还是「 关于 」,形式上完全一样。
证明 设 ,则 。由链式法则,
两边乘 :
(最后一步用了 。)
这条性质为什么重要
它是「换元积分法」(5-2-换元积分法)的理论依据。
在积分里我们写 ,
其中把 换成了 ——
这个操作合法的原因就是一阶微分形式不变性。
它也是「凑微分法」的名称来源:
把 凑成 。
一个具体的例子感受一下。
设 。
- 写法一(把 看成中间变量 ):
。
- 写法二(展开 ):
。
两种写法都合法,结果一致。写法一在换元积分中极其常用。
3.4 定理 3.25(线性逼近与误差估计)
定理 3.25(线性逼近公式)
若 在 处可微,则当 充分小时
且误差满足
更进一步,若 在 附近二阶可导且 有界
(),则有定量误差估计
第一条的证明就是微分的定义()。
第二条的证明需要中值定理或泰勒公式(见 4-3-泰勒公式与麦克劳林展开):
其中 介于 与 之间。
取绝对值并用 即得。
两条估计的区别
- 第一条是定性的:误差是 ,即「比 小得多」。
- 第二条是定量的:误差不超过 ,
可以直接算出具体数值上界。
实际估算时,若知道 的上界,用第二条;否则用第一条做量级判断。
第二条是 4-3-泰勒公式与麦克劳林展开 中拉格朗日余项的特例,
这里先当工具用。
3.5 定理 3.26(微分在误差传播中的应用)
定理 3.26(绝对误差与相对误差)
设量 由测量量 通过 得到。
若 的测量有绝对误差
(即 ),
则 的绝对误差近似为
的相对误差近似为
最后一个等式值得注意:
所以相对误差就是「对数导数乘上 」——
这是一个非常实用的记忆法(见本篇例题 8)。
多个量的情形(乘除结构):若 或 ,则
相对误差相加:
为什么? 因为 ,
两边微分得
,
取绝对值时两项的符号都变成正的。
这就是「对数把乘除变成加减」的又一应用。
四、计算方法与步骤
4.1 求微分的标准流程
两步法
第 1 步:求导数 。
第 2 步:乘上 ,得 。
若要算在某点的微分,把 代入;若要算具体数值,
再把 换成具体的 值。
例 1:求 的微分。
例 2:求 的微分。
例 3:求 在 处、 时的微分。
对比真实增量:
。
两者相差约 (是 量级)。
4.2 用微分做近似计算的流程
三步法
第 1 步:选函数与基点。 把要算的数写成 ,
其中 容易算,而 很小。
第 2 步:代公式 。
第 3 步:估误差。 用定理 3.25 的第二条(若能求出 的上界)
或至少做量级判断。
例 1:估算 。
第 1 步:选基点。 取 ,
(因为 好算),。
第 2 步:算导数。 ,
。
第 3 步:代公式。
第 4 步:估误差。 ,
在 上
。
所以
与真值对比(用计算器):。
我们估的是 ,误差约 ——
与估计上界吻合。
例 2:估算 (弧度)。
第 1 步:,,。
第 2 步:,。
第 3 步:
第 4 步:误差
。
真值 ,误差约 。
(这就是「小角度近似」 的来源。)
例 3:估算 。
,,,:
真值 ,误差约 ( 量级)。
四个必背的小量近似(全部来自微分)
当 很小时:
这些不是「凑出来的公式」,而是「在 处取切线」的结果。
它们的严格版本(带余项)在 4-3-泰勒公式与麦克劳林展开 中给出。
注意 不在上面——因为 而
,一次项消失,必须保留二次项:
。
4.3 凑微分的技巧(为积分做准备)
一阶微分形式不变性允许我们把 前面「吸收」一个因子,
写成某个函数的微分:
| 原式 | 凑成 | 依据 |
|---|---|---|
| 由基本微分表 | ||
| 由基本微分表 | ||
例:把 凑成微分。
(因为 ,所以
。)
更一般的公式:,
所以 。
这类凑微分在 5-2-换元积分法 中会大量使用。
凑微分的自检方法
凑完之后把它求导验证一遍:
例如认为 ,
求导验证 。
这个习惯能在积分中省下大量时间。
4.4 误差估计的流程
四步流程
第 1 步:写出函数关系 。
第 2 步:求微分 。
第 3 步:代入已知的误差(把 换成 的上界),
得到绝对误差上界。
第 4 步:除以 得相对误差。
(若 是乘除结构,直接用 的微分算相对误差更快。)
例:测得一球体的半径 cm,测量误差不超过 cm。
求体积的最大绝对误差与相对误差。
第 1 步:。
第 2 步:。
第 3 步:,:
第 4 步:相对误差。
结论:体积的绝对误差不超过约 cm,相对误差不超过 。
「 倍」这个系数的来源
——
半径的相对误差被放大 倍。
一般地,若 ,则 :
相对误差被放大 倍。
验证:,两边微分得
。
这就是为什么要用对数:它把幂变成倍数,一眼就看出放大系数。
4.5 用 numpy 数值验证微分的近似效果
只用 numpy,对比 与 :
import numpy as np
f = lambda x: np.log(1 + x**2)
df = lambda x: 2*x / (1 + x**2)
x0 = 1.0
print(f"{'dx':>8} {'dy':>14} {'Dy':>14} {'|Dy-dy|':>12} {'err/dx^2':>12}")
for dx in [0.1, 0.01, 0.001, 0.0001]:
dy = df(x0) * dx
Dy = f(x0 + dx) - f(x0)
err = abs(Dy - dy)
print(f"{dx:8.1e} {dy:14.10f} {Dy:14.10f} {err:12.3e} {err/dx**2:12.6f}")
输出形如:
dx dy Dy |Dy-dy| err/dx^2
1.0e-01 0.1000000000 0.0948223987 5.18e-03 0.517714
1.0e-02 0.0100000000 0.0099502334 4.98e-05 0.497663
1.0e-03 0.0010000000 0.0009995002 4.98e-07 0.497977
1.0e-04 0.0001000000 0.0000999950 4.98e-09 0.497998
读这张表能确认三件事:
- 与 非常接近,且 越小越接近。
- 误差 每次缩小约 倍——
确实是 量级,即 ,
而且比 更强(是 )。
- 最后一列「误差 ÷ 」趋于约 ——
这说明误差的首项确实是 的常数倍
(常数 由 在 处的三阶导数决定,
因为这里恰好 ,所以二次项不出现)。
这不影响「误差是 」的结论,
反而说明定理 3.25 的估计是一个保守的上界。
(上表为按标准双精度浮点行为的形如输出,具体数字随运行环境变化。)
五、例题
例题 1(概念辨析: 与 的区别)
判断下列说法的真假并说明理由。
(1) 对一切函数成立;
(2) 与 都是 与 的函数;
(3) 是比 高阶的无穷小;
(4) 与 是同一个东西。
思路 四问全部围绕「微分与增量」「微分与导数」的区别。
用 在 处检验最方便。
解
(1)假。 取 ,,:
两者不等。只有在 是线性函数时(),
才有 恒成立。
(2)真。 显然依赖 与 ;
也依赖这两个量。
但依赖方式不同: 对 是线性依赖,
对 一般是非线性依赖(如上面的 项)。
(3)真。 由微分的定义 ,
所以 ,即
验证: 时 ,
。
(4)假。 两者的类型不同:
- 是一个数(导数值);
- 是一个关于 的线性函数。
量纲上也不同: 的量纲是「 量纲 / 量纲」,
的量纲是「 量纲」(因为它等于导数乘 )。
一个具体的错误写法:「 在 处的微分是 」——
漏了 或 。
结论 (1)假(只有线性函数才成立);(2)真;(3)真;
(4)假(一个是数,一个是线性函数)。
核心记忆点:
例题 2(定理理解:可微与可导的等价性)
(1)叙述「 在 可微」的定义;
(2)证明「可微 可导」,并说明常数 必为 ;
(3)这个等价性在多元函数中还成立吗?
思路 (1)照定义写;(2)两个方向分别证,
必要性的关键是「除以 后取极限」,
充分性的关键是「构造 」;
(3)需要知道多元函数的结论,本篇只需说明「不成立」并指出原因。
解
(1)定义。 若存在与 无关的常数 ,使
则称 在 处可微,并称 为 在 处的微分 。
(2)证明。
必要性(可微 可导,且 ):
由 ,对 两边除以 :
由 的定义,,所以
即 存在且等于 。
这一步同时证明了「常数唯一」——可微定义中的 只能是导数。
充分性(可导 可微):设 存在。定义
由导数的定义,,
所以 在 处连续。对一切 (包括 ),
而 ,
所以 。因此
即 在 可微。
(3)不成立。 对多元函数 :
| 概念 | 一元 | 多元 |
|---|---|---|
| 可导(偏导数存在) | 与可微等价 | 推不出可微 |
| 可微 | — | 要求 , |
| 可微 偏导存在 | 成立 | 成立 |
| 偏导存在 连续 | 成立(可导必连续) | 不成立 |
经典反例:(),。
它的两个偏导数在原点都存在(且都等于 ),
但 在原点不连续,因此更不可能可微。
(详见 8-2-偏导数与全微分。)
结论 (1)见上;(2)两个方向都已证明,且 唯一;
(3)多元情形不再等价——这正是「可微」这个概念值得单独学习的原因。
例题 3(计算题:求微分)
求下列函数的微分:
(1);
(2)();
(3)。
思路 先求导数,再乘 。
(3)的导数有一个漂亮的性质,值得留意。
解
(1) 用乘积法则:
(2) 用链式法则:设 ,
一个有意思的对照
,
与 只差一个负号。
几何解释: 时
,
由和差法则求导得 ,符号自然出现。
( 时恒等式变成
,
导数仍是 ,所以结论对 一致成立。)
(3) 用链式法则,逐层求导:
把括号里通分:
代入:
这个结果的用途
——
这正说明 是 的一个原函数。
这个函数叫反双曲正弦
(,见 1-4-双曲函数与反双曲函数),
它在积分 中是标准答案
(见 5-2-换元积分法、5-5-三角代换与三角有理式积分)。
结论 (1);
(2);
(3)。
例题 4(计算题:用微分做近似计算)
用微分近似计算下列各值,并估计误差:
(1);
(2);
(3);
(4)。
思路 统一套路:选 与基点 (使 好算),
用 。
解
(1) 取 ,,。
,,。
误差估计:,
在 上最大值为
,所以
(2) 取 ,,。
,,。
误差估计:,
在 上 ,所以
(3) 取 ,,。
,。
误差估计:,
在 上 ,所以
(4) 取 ,,。
,
,。
误差估计:
,
在 上 ,所以
结论
| 题 | 近似值 | 误差上界 |
|---|---|---|
| (1) | ||
| (2) | ||
| (3) | ||
| (4) |
本题的模板:五个近似公式
前三个都是第四个的特例(取 、,
以及用 )。
**记住 这一条,
就等于记住了大半个小量近似表。**
例题 5(反例构造: 不能替代 )
(1)举一个例子说明当 较大时, 与 相差很大;
(2)数值上找出「用 近似 、相对误差不超过 」
所需的 范围(以 , 为例);
(3)这说明使用微分近似时必须注意什么?
思路 以 在 处为例,
,,
所以相对误差 。
解
(1)取 (即 从 变到 ):
误差 ,相对误差 。 这个近似毫无用处。
更极端:取 ( 从 变到 ):
误差 ,相对误差 。 完全失效。
(2) 相对误差为
要求 :
所以要让相对误差不超过 ,需要 。
(3)结论与注意事项
| 要点 | 说明 |
|---|---|
| 微分近似是局部的 | 必须足够小,否则误差不可接受 |
| 「足够小」是相对的 | 取决于 在 附近的弯曲程度与相对精度要求 |
| 必须估误差 | 只用 而不知道误差量级,结果不可信 |
| 误差是二阶的 | , 缩小 倍误差缩小 倍 |
「相对」两个字的含义
上面算出 ,是针对 这个具体点、 这个具体函数。
换个函数或换个点,阈值就变了。
例如同样是 ,在 处,
相对误差
要求 时 ——
容许的 大得多。
原因: 大时 本身也大,所以相对误差更小。
例题 6(计算题:误差估计)
(1)测量一个立方体的棱长 ,得 cm,误差不超过 cm。
求体积的最大绝对误差与相对误差。
(2)若要求体积的相对误差不超过 ,棱长的测量误差应控制在多少?
(3)用微分近似计算 ,并估计误差。
思路 (1)(2)用 与 ,
相对误差用 。
(3)用 。
解
(1)
第 1 步:函数关系。 。
第 2 步:微分。 。
第 3 步:绝对误差。 ,:
第 4 步:相对误差。
(2) 要求 ,即
所以棱长的测量误差应控制在约 cm 以内。
(3)
第 1 步:选函数与基点。 取 ,,。
,,。
第 2 步:线性逼近。
第 3 步:误差估计。 ,在 上
。所以
所以 。
第 4 步:与真值对比。 用计算器:。
我们的估计 ,误差约 ——在上界 之内。
结论
(1)绝对误差不超过 cm,相对误差不超过 ;
(2)棱长误差应控制在约 cm 以内;
(3),误差不超过约 。
误差估计的两条实用经验
① 幂函数的相对误差被放大 倍
( 时 )。
② 乘除结构的相对误差相加
( 时
)。
这两条都来自「对 取微分」,是最快的算法。
例题 7(概念辨析:微分形式不变性)
(1)说明 对「 是自变量」
与「 是中间变量」两种情形都成立;
(2)判断说法:「若 ,,则 」;
(3)举一个具体例子,说明微分形式不变性在换元中的作用。
思路 (1)分别验证两种情形;(2)注意 与 的区别;
(3)用 之类的简单换元说明。
解
(1)
情形 A( 是自变量):这就是微分的定义本身,
(用约定 )。
情形 B( 是中间变量,):
设 。由链式法则
两边乘 :
(最后一步用了 。)
两种情形下 形式完全一样。
(2)错。 正确应是
原式把 写成了 ,漏掉了内层微分。
量纲检验: 的量纲是「/」,
要得到「」量纲必须乘「」量纲,即 ,而不是 。
验证:取 ,。则 。
- 正确的:,
而 。
- 原式的:——错了 倍。
(3)例子:。
用微分形式不变性做:令 ,则 ,
即 。于是
验证:。
关键之处:把 换成 这一步,
依据的就是 (即一阶微分形式不变性中
「 可换成 」)。
这就是「凑微分」 的含义。
结论 (1)两种情形都成立,这就是一阶微分形式不变性;
(2)错( 才是对的,);
(3)微分形式不变性是换元积分法的理论依据。
例题 8(计算题:相对误差与对数微分)
用对数微分推导相对误差的传播公式:
(1)( 为常数);
(2) 与 ;
(3)——
设 、、 的相对误差分别为 、、,
求 的相对误差上界。
思路 统一做法:两边取对数,再微分。
就是相对误差(的一阶近似),
而对数把乘除变成加减、把幂变成倍数。
解
(1) 取对数:。两边微分:
所以相对误差被放大 倍。 特别地,
时(体积关于棱长)放大 倍;
时()系数为 ,绝对值仍是 。
(2)
- 乘积:,微分得
- 商:,微分得
取绝对值(用误差上界时符号无关):
所以乘除结构的相对误差是「相加」的。
(3)
第 1 步:取对数展开。
第 2 步:微分。
第 3 步:取绝对值并代入数据。
结论 (1)(放大 倍);
(2)乘除时相对误差相加;
(3) 的相对误差不超过 。
这张「误差传播速查表」值得记住
| 的形式 | 相对误差上界 |
|---|---|
| | (不能简单相加相对误差) |
| | |
| | |
| | |
| | |
其中
是各量的相对误差。
**注意第一行(加减法):两个接近的数相减时,
分母 可能很小,导致相对误差急剧放大——
这就是数值计算中的「相消误差」(catastrophic cancellation)。**
例题 9(概念辨析:微分与导数的关系)
判断下列说法的真假并说明理由。
(1) 说明「微分等于导数乘自变量的微分」;
(2)因为 ,
所以 与 可以像普通数一样约分;
(3) 对一切函数成立;
(4) 在 处可微与 在 处可导是同一件事。
思路 (1)是定义;(2)要区分「记号」与「运算」;
(3)要看 里的 是什么身份;(4)是一元情形的等价性定理。
解
(1)真。 这正是微分的计算方式:
先求导数,再乘 。
这也是为什么微分表可以由导数表「乘 」得到。
(2)需要辨析。 分三个层面:
- 作为记号: 是一个整体记号,
它的定义是「差商的极限」,不是「两个微分相除」。
- 作为运算:在计算中可以形式地「约分」,
例如链式法则
看起来像约掉 。
这个操作合法的依据是链式法则(一个定理),而不是「分数约分」(一个代数事实)。
- 在有一阶微分形式不变性之后,
确实是一个「线性函数等式」,
此时把 、 当符号处理有了合法的解释。
所以准确的说法是:「约分」是有效的计算技巧,
但它的合法性来自定理(链式法则、反函数法则、一阶微分形式不变性),
不是来自「、 是普通数」。
(详见 3-5-隐函数与参数方程求导 FAQ 的 Q7。)
一个重要的例外
高阶微分没有形式不变性!
只在 是自变量时成立。
若 是中间变量,则
多了一项 。
**这就是为什么 不能简单看成
「 除以 」**
(与 3-5-隐函数与参数方程求导 中参数方程二阶导的坑是同一件事)。
一阶微分形式不变,二阶不变——这是必须记住的分界线。
(3)真,但要看清含义。 是约定,
它的意思是「当 作为自变量时,其微分等于其增量」。
这个约定的合理性来自 时 ,
所以 。
但要注意:如果 是中间变量(),
那么「 的微分」,
此时 与「 的增量 」之间的关系是
,而 。
一般地 ——它们只相差 。
换句话说:「」只在 是自变量(恒等函数)时严格成立。
(4)真。 这是定理 3.21,本篇 1.3 节已给完整证明。但仅限一元函数;
多元情形二者不等价(见 8-2-偏导数与全微分)。
结论 (1)真;(2)需辨析(技巧有效,但依据是定理);
(3)真(仅在 为自变量时;否则 );
(4)真(一元情形)。
总结:把「微分」当符号操作时要记住两条——
① 一阶微分形式不变(可以放心换变量);
② 高阶微分不满足形式不变性(换变量会多出一项)。
例题 10(计算题:凑微分与线性逼近的综合)
(1)把下列式子写成某个函数的微分:
;;
;。
(2)用(1)中最后一个结果,估算 的值。
思路 (1)找被积式的「原函数」(即找 使 等于原式)。
(2)用 在 处的线性逼近。
解
(1)
① :
因为 ,所以
② :
因为 ,所以
③ :
因为 ,所以
(也可以写成 或
,
多个答案都对——因为原函数可以相差常数,而常数的微分为零。)
④ :
因为 ,所以
(2) 取 ,,。
;由(1)④,,。
线性逼近给出:
这个答案虽然「不错」(真值约 ),但精度显然不够——
因为 ,线性项消失了,主要贡献来自二次项。
提高精度的办法:用二阶逼近(见 4-3-泰勒公式与麦克劳林展开):
,,所以
真值 ——二阶逼近精确到 。
这道题的教训
当 时,一次逼近失效(给出 ),必须用更高阶的逼近。
这不是微分的缺陷,而是「一阶信息在这一刻不携带变化」的表现——
几何上就是「切线与曲线在 附近贴得特别紧」。
这类「驻点附近的逼近」正是泰勒公式要解决的问题
(也与 4-4-单调性与极值 中「 时用 判断」的思路一致)。
结论 (1)四个凑微分结果见上
(③④ 的答案不唯一,可相差常数);
(2)一次逼近给出 (有效但粗糙),二阶逼近给出 (很精确)。
例题 11(综合:微分的物理应用)
(1)一个金属圆盘的半径 cm。受热后半径增加 cm,
用微分估算面积增加了多少,并给出误差估计。
(2)单摆的周期
( 为摆长, 为重力加速度)。
若摆长 有 的相对误差,求周期 的相对误差。
(3)从(2)中能得出什么一般性结论?
思路 (1),;
(2)取对数再微分,幂函数的相对误差放大 倍
(这里 )。
解
(1)
第 1 步:微分。
第 2 步:代入。 ,:
第 3 步:误差估计。 (常数),所以
误差相对于 只有约 ,可以忽略。
第 4 步:几何解读。
——
就是「把圆环剪开拉直」得到的矩形面积。
真实的环面积是
,
多出的 正是误差项。
(2)
第 1 步:取对数。
第 2 步:微分。
第 3 步:取绝对值并代入。 只考虑 的误差( 视为精确):
(3)一般性结论
| 关系 | 相对误差的放大系数 |
|---|---|
| (缩小 倍) | |
| (放大 倍) | |
| (放大 倍) | |
| 与 的系数分别为 与 (取绝对值后相加) |
统一规律:**若 ,则
。**
指数 的绝对值就是相对误差的放大系数。
时误差被放大(要更小心),
时误差被缩小(这是好事)。
结论 (1)面积增加约 cm,误差不超过约 cm;
(2)周期的相对误差为 (是摆长相对误差的一半);
(3)一般规律: 时相对误差放大 倍。
六、应用
6.1 近似计算
这是微分最直接的应用。
凡是「算一个稍微偏离已知值的量」的问题,都可以用微分。
必背的近似公式族( 很小时):
注意 的展开要从二次项开始——
因为 而 ,
一阶项为零,所以要保留二阶项(这与例题 10 的教训相同)。
严格版本见 4-3-泰勒公式与麦克劳林展开。
实际算例(工程常用):
| 要算的量 | 取 与 | 近似值 |
|---|---|---|
| , | ||
| , | ||
| , | ||
| , | ||
| , | ||
| , | ||
| , |
6.2 误差估计与误差传播
工程与实验科学的核心问题之一:测量误差如何影响最终结果?
三条实用法则(本库推荐的记忆方式):
| 运算 | 绝对误差 | 相对误差 |
|---|---|---|
| 加减 | 一般不简单相加(见例题 8 的表) | |
| 乘除 或 | — | 相对误差相加 |
| 幂 | 相对误差乘 |
推导全部靠「取对数 + 微分」:
取绝对值后各项相加(因为各项的符号无法预知,最坏情况是全部同号)。
数值计算中的「相消误差」:两个接近的数相减时,
分母可能极小,导致相对误差爆炸。
例如 、,两者各有 的绝对误差,
则 ,而 ——
相对误差可达 !
这是数值计算中必须避免的运算模式(应该改用等价变形,
如 )。
6.3 物理:各种「小量展开」
物理学里到处是「小量近似」,它们全部是微分(或泰勒展开)的应用:
- 单摆:(小角度),把非线性方程简化为线性的简谐振动。
- 相对论:
(),用 得到动能项。
- 透镜成像:近轴近似()得到高斯光学公式。
- 热膨胀: 就是线性近似。
这些近似的合法性都由微分保证(误差是高阶小量)。
6.4 经济学:边际分析
经济学中的「边际量」就是导数,而「边际」这个词的原始含义正是微分:
- 边际成本 :多生产一个单位的成本增量,
实际上是 的微分近似 。
- 边际收益、边际效用同理。
弹性(elasticity)是一个纯相对误差概念:
「弹性」就是「相对变化的比值」——它天然用对数微分定义,
这也解释了为什么经济学如此偏爱对数(见例题 8)。
6.5 机器学习:局部线性化
在数值优化中,我们不断用局部线性化来近似复杂函数:
- 牛顿法:用切线代替曲线求根,
,
这正是「解 」。
- 梯度下降:用一阶(线性)信息决定下降方向
(多元版本见 8-4-方向导数与梯度)。
- 自动微分:用一阶微分形式不变性(链式法则)反向传播误差。
这些方法之所以有效,全部因为 ——
在足够小的邻域内,函数确实「看起来是线性的」。
6.6 用 numpy 验证牛顿法的收敛速度
只用 numpy,观察牛顿法的收敛(每步大约把误差平方,即「二阶收敛」):
import numpy as np
# 用牛顿法解 x^3 - 2 = 0(即求 2 的立方根)
f = lambda x: x**3 - 2
df = lambda x: 3*x**2
x = 1.5 # 初始猜测
root = 2 ** (1/3) # 真值
print(f"{'n':>2} {'x_n':>18} {'err':>12} {'err/prev^2':>14}")
prev = None
for n in range(6):
err = abs(x - root)
ratio = "" if prev is None else f"{err/prev**2:.4f}"
print(f"{n:>2} {x:18.14f} {err:12.2e} {ratio:>14}")
prev = err
x = x - f(x)/df(x)
输出形如:
n x_n err err/prev^2
0 1.50000000000000 2.10e-01
1 1.29629629629630 3.63e-03 0.0823
2 1.26093222474175 1.05e-06 0.0797
3 1.25992186056593 8.58e-14 0.0778
4 1.25992104989487 0.00e+00
读这张表:误差从 变到 再到 、——
每步误差大约被平方,这就是牛顿法的二阶收敛。
而「误差 ÷ 前误差」趋于一个常数(约 ),
正是二阶收敛的标志。
这一切的数学基础就是本篇的线性逼近:
牛顿法每一步都用切线代替曲线,把「解非线性方程」化成「解线性方程」。
(上表为按标准双精度浮点行为的形如输出,具体数字随运行环境变化。)
七、易错点
易错点 1:把 与 当成同一个东西
错在哪:写「」,
或认为「微分就是增量」。
正确是什么:,
即 。
两者只在 为线性函数时相等;一般情况下 是 的近似。
为什么: 是曲线上的纵向增量,
是切线上的纵向增量,两者相差「曲线与切线之间的缝隙」。
验证:,, 时
而 。
正确的写法:,或
。
一旦写成等号,就丢掉了误差信息。
易错点 2:忘记写 (把微分当成导数)
错在哪:回答「求 的微分」时写 。
正确是什么:。
为什么:微分是关于 的线性函数,
它是一个量(有量纲),不是变化率。
量纲检验: 的量纲与 的量纲一般不同,
的量纲是「 量纲」,而 的量纲必须是「 量纲」。
只有乘上 ( 量纲)才能对上。
一个实用提醒:微分与积分是一对,
——
如果 丢了,积分里的「」也就无从谈起。
写好 是良好的形式习惯,不是形式主义。
易错点 3:用一次近似处理 的情形
错在哪:算 时写
,
然后认为「 精确成立」。
正确是什么: 使一次项消失,一阶近似只给出 ,
误差由二次项决定,需要保留二次项:
真值 ,二次近似的误差约 。
为什么: 意味着一阶信息「不携带变化」,
曲线的切线与曲线在该点贴得特别紧(这就是「驻点」)。
此时必须看二阶导数(即曲率)。
这正是 4-3-泰勒公式与麦克劳林展开 存在的理由,
也与 4-4-单调性与极值 中「 时用 判断极值」的思路一致。
易错点 4:把「可微」与「可导」在多元情形中混同
错在哪:学完一元后,看到多元函数 的两个偏导数都存在,
就认为它是可微的。
正确是什么:多元函数偏导数存在推不出可微,甚至推不出连续。
可微要求
(),
这是比「两个方向上的偏导数存在」强得多的条件。
为什么:一元的「可导」只有左右两个方向要检查,
而多元的「可微」要求所有方向的线性逼近一致,
两个坐标方向的偏导数完全无法涵盖这一点。
经典反例:(),
:两个偏导数在原点都为 ,但 在原点不连续。
(详见 8-2-偏导数与全微分。)
教训:一元里「可导 = 可微」是特例而非常态,
不要把这个等号带到后面章节。
易错点 5:认为高阶微分也有形式不变性
错在哪:写 时,
不检查 是自变量还是中间变量。
正确是什么:
- 是自变量时:;
- 是中间变量()时:
多了一项 。
为什么:一阶微分形式不变性的证明只用了一次链式法则,
所以形式保持;二阶要再求一次微分,这一次 也在变化,
于是产生了额外的项。
**这就是「 不是
除以 」的根本原因**
(与 3-5-隐函数与参数方程求导 中参数方程二阶导的陷阱是同一件事)。
实用结论:一阶微分可以放心换变量,二阶及以上不能。
易错点 6:近似计算不估误差
错在哪:算出 就交卷,
不说明这个近似有多可靠;或者用 这样大的增量还觉得没问题。
正确是什么:每次用微分做近似,都要估计误差量级(最好给出上界)。
做法:若 二阶可导且 ,
则误差 。
为什么:微分近似的精度完全取决于 相对于什么算「小」。
同样的 ,在 处与 处的
相对误差可以差几十倍(见本篇例题 5 的警告)。
没有误差估计的近似值在工程上没有意义。
易错点 7:凑微分时忘记配常数(或多配常数)
错在哪:写 (漏了 ),
或者写 (多配了 )。
正确是什么:
为什么:凑微分的依据是 。
所以 ,
反解得到 ——
系数要「反着除」。
自检办法(最有效):凑完后求导验证一遍:
,所以
。
这个习惯能在 5-2-换元积分法 中省下大量时间,
也是检查积分结果的标准手段(求导验算)。
八、练习题
A 组(基础计算)
1. 求下列函数的微分 :
(1)();
(2)();
(3);
(4)。
2. 把下列式子写成某个函数的微分(答案不唯一):
(1);
(2)();
(3);
(4)。
3. 求 在 处、 时的微分,
并与真实增量 比较,计算误差。
B 组(近似计算与误差)
4. 用微分近似计算下列各值,并估计误差:
(1);
(2);
(3);
(4)。
5. 测量一个球的直径 ,得 cm,误差不超过 cm。
(1)求球体积的最大绝对误差与相对误差;
(2)若要求体积的相对误差不超过 ,直径的测量误差应控制在多少?
6. 设 ,
其中 、、 的相对误差分别为
、、。求 的相对误差上界。
C 组(概念辨析)
7. 判断并说明理由(真的请证明,假的请举反例):
(1)若 在 可微,则 在 连续;
(2)若 在 连续,则 在 可微;
(3) 对一切可微的 、 成立;
(4)对任意可微函数 与任意 ,都有 。
8. (1)说明为什么「 是自变量时 」
这是一个约定而不是定理;
(2)举一个例子说明当 是中间变量时 ;
(3)用一阶微分形式不变性验证:
,
并指出「把 看成整体」的写法。
答案在哪
本篇练习的详细解答(出处 / 考点 / 思路 / 分步解 / 答案 / 易错点)见 10-微积分-03-导数与微分;分章导航见 00-总索引。
九、常见问题 FAQ
Q1: 和 到底差在哪里?为什么要有两个记号?
一句话: 是「真实的」, 是「线性的」。
- :函数实际的增量。
要算它,必须真的把 算出来(可能很难)。
- :用切线代替曲线得到的增量。
只要知道 (一个数),乘一下就有,不需要算任何函数值。
两者的关系:。
为什么要有两个记号?
因为「用 近似 」这件事的正确性,
恰恰需要「 是高阶无穷小」这个精确的陈述来保证。
如果把两者混为一个符号,就失去了说明误差的依据。
一个类比: 像是「实际走了多少路」,
像是「按平均速度估算该走多少路」。
路很直(函数接近线性)时两者几乎一样;路很弯时差得远。
Q2:为什么一元函数里「可导」和「可微」是一回事,还要学两个词?
因为它们在多元函数里不是一回事。
| 一元 | 多元 | |
|---|---|---|
| 可导(偏导存在) | 等价于可微 | 推不出可微,也推不出连续 |
| 可微 | 等价于可导 | 是更强的条件 |
一元的「可导」只有左右两个方向,所以「两个方向的差商有极限」
就足以刻画函数在这一点附近的行为。
多元的「可微」要求所有方向上的行为都能被同一个线性映射刻画,
这是强得多的要求。
所以现在多花点力气理解「可微」的定义
(),
到 8-2-偏导数与全微分 时会省下很大的力气。
而且「可微」这个说法本身也是后续所有「线性化」思想的源头:
全微分、切平面、雅可比矩阵、梯度、方向导数,都是它的推广。
Q3:用微分做近似, 到底要小到什么程度?
没有统一的阈值,取决于三件事:
① 函数在该点的弯曲程度( 的大小)。
误差约等于 。
越大, 要越小。
② 要求的精度。 要求相对误差 与要求 ,
容许的 差好几个数量级。
③ 基点 的位置(相对误差还依赖 的大小)。
同一个函数、同一个 ,在不同的 处相对误差可以差很多
(见本篇例题 5 的警告: 时,
处要求 ,
而 处容许 )。
实用做法:
① 先算 在区间上的上界 ,
② 用 容许误差反解出 。
这就是本篇 4.4 节的流程。
若 不好求,至少做一次「缩小 十倍、看结果变化多少」的数值试验——
如果结果稳定在要求精度内,就可以接受。
Q4:为什么 而 ?这个差别和微分有关吗?
有关,而且从这个角度看得最清楚。
用微分写:,
。
为什么多一个 ? 因为 ,
由一阶微分形式不变性:
那个 来自内层 的微分:
。
当 时 ,内层就是 ,,
所以 ——
没有多余的常数因子,这就是 被称为「自然底数」的原因。
同理 ,
当 时化简为 。
**所以「为什么用 」这个问题,用微分的语言回答最干脆:
只有以 为底,指数函数的微分才与函数本身成正比且系数为 。**
Q5:微分形式不变性听起来很抽象,它到底有什么用?
两个最实用的用途:换元积分与物理中的变量替换。
用途一:换元积分法(最重要)。
这个等式的合法性完全来自 ,
而后者正是微分形式不变性。
具体操作:例如算 :
所以
注意第二步:把 当成一个整体变量 ,
用 。
这个「当成整体」的动作就是微分形式不变性允许的。
(详见 5-2-换元积分法。)
用途二:物理中的变量替换。
热力学里经常要在 、、 等不同变量组之间切换,
差分的换元全靠一阶微分形式不变性
(多元版本叫「全微分的形式不变性」)。
一句话总结:微分形式不变性让「换变量」变得合法且简单——
这是它在整个微积分(以及微分几何、理论物理)中地位如此之高的原因。
Q6:误差估计里为什么要用绝对值?为什么「相对误差相加」?
因为误差的符号是未知的。
第 1 步:为什么要绝对值。
我们不知道 是正还是负(测量误差可正可负),
所以只能给出最坏情况的估计,即取绝对值后相加:
(这就是误差传播的线性化公式,
一元的版本是 。)
第 2 步:为什么相对误差「相加」。
对乘除结构取对数:
微分:
**取绝对值后,各项的 取绝对值、
各个 相加**:
「相加」是「取最坏情况」的结果:
如果各项误差恰好同号,总误差就是各项绝对值之和。
第 3 步:一个重要的例外——加减法。
对 ,,
所以
(绝对误差相加),但相对误差是
当 时分母很小,相对误差可能爆炸——
这就是「相消误差」,数值计算中必须避免。
Q7:微分和积分有什么关系?为什么 ?
它们互为逆运算,而连接它们的正是「微分」。
之所以成立,是因为 ,
而积分 是原函数的定义
(见 5-1-原函数与不定积分)。
这个简单的等式是「凑微分法」的全部依据。
例如:
第一步就是把 凑成 ,
第二步用了 。
更深的联系在 6-2-微积分基本定理:
定积分与微分的关系是「积分是微分的逆运算」这一事实的整体版本。
那里会看到
。
**所以在第 3 章学会「熟练地凑微分」,
本质上就是在为第 5 章的积分技巧做准备。**
这也是为什么本篇专门用 4.3 节列了一张凑微分表。
Q8: 到底是不是一个「无穷小量」?
这要看你在什么框架下说。
在标准分析(本库采用的框架)里:
是一个独立的符号,它的含义是「自变量的微分」。
按约定,当 是自变量时 (一个普通的实数增量,
不是无穷小量)。
所以 不是无穷小,它可以是 、、甚至更大。
的含义是:
「在固定的 处, 是 的一个线性函数」——
这就是微分的严格定义(一个线性映射)。
在非标准分析(Robinson 的框架)里:
可以引入真正的无穷小量(infinitesimal),
就是一个无穷小,而
(取标准部分)。这套框架在逻辑上严格,但本库不使用它。
在物理与工程的用法里:
常被当作「很小的量」,
被当作「两个小量之比」。
这种用法在计算中非常有效(尤其配合微分形式不变性),
但要注意它在严格数学里是「待解释的记号」。
本库的建议:
- 计算时:放心把 当符号用(有微分形式不变性作保证)。
- 说理时:说「 是自变量的微分(一个线性函数的自变量)」,
不要说「 是无穷小量」。
- 遇到「约分」这种操作:记得它背后的依据是链式法则或微分形式不变性,
而不是「两个无穷小相除」。
十、国内教材对照(浙大《微积分》/ 考研大纲)
10.1 术语与记号对照
| 内容 | 国内(浙大《微积分》苏德矿等编 / 同济版) | 国外(Banner、MIT 18.01) |
|---|---|---|
| 概念名 | 微分、可微 | differential、differentiable |
| 记号 | ;国内教材的 多为正体(本库统一用正体) | ;国外教材多为斜体 |
| 自变量微分 | 明确约定 | 同样约定 ,但通常一带而过 |
| 一阶微分形式不变性 | 明确列为一条性质并给出证明 | 讲,但多用「 对 是自变量或中间变量都成立」的说法 |
| 线性逼近 | 通常表述为「用微分作近似计算」,作为独立小节 | linear approximation / linearization,是独立且重要的概念 |
| 误差估计 | 明确给出绝对误差、相对误差的定义与估计方法 | 有 error analysis 的讨论,但不如国内系统 |
| 「可导」与「可微」 | 明确写「一元函数可导 可微」并证明 | 直接用 differentiable,不谈「可导/可微」的区分 |
| 微分符号的正体/斜体 | 国内教材与数学规范多用正体 | 国外教材与 ISO 规范多用斜体 |
术语基本一致,最明显的差别是微分号的正斜体:
国内数学排版规范建议微分号用正体,
国外(尤其美国教材)习惯用斜体。
本库统一用正体 ,这不是对错问题,而是约定问题。
10.2 国内更强调的内容
(1)可微与可导等价的完整证明。 国内教材(浙大《微积分》、同济版)
都给出「可微 可导」的双向证明,
特别是「可导 可微」中构造 的技巧。
这个证明在数学分析课程中是标准内容。
**国外教材(MIT 18.01、Banner)通常只陈述「可导就是可微」,
不区分两个概念**,直接跳到 的使用。
(2)一阶微分形式不变性作为独立性质。 国内教材明确列出并证明这一条,
并作为后续换元积分法的理论基础。
国外教材通常在讲 -substitution 时才隐含地用到它。
(3)误差估计的系统训练。 国内教材有大量
「测量 的误差为 ,求 的误差」的计算题,
并明确区分绝对误差与相对误差。
这是国内考试(尤其考研)的固定题型。
国外教材涉及误差但训练量小得多。
(4)近似计算的固定题型。 「用微分近似计算 」
这类题目在国内习题中极为常见,且要求写出误差估计。
国外教材(如 Banner 第 13 章)也讲 linear approximation,
但更多用于「解释为什么小量近似成立」,较少作为计算题型训练。
(5)凑微分的专项训练。 国内教材在微分这一节就给出
「把 凑成 」这类练习,
为第 5 章的换元积分法铺路。
国外教材通常把这部分内容全部放在积分章节。
10.3 考研大纲的定位
考研数学大纲对本节的要求(「一元函数微分学」部分):
- 理解微分的概念,理解导数与微分的关系;
- 理解微分的几何意义;
- 会求函数的微分;
- 会用微分进行近似计算;
- 了解一阶微分形式的不变性(数学一、二、三均要求)。
常考题型:
- 求函数的微分:直接给一个函数要求写出 。
最经典的陷阱是「忘记写 」(或写成 )。
- 用微分做近似计算并估计误差:如估算 、、
等,并说明误差量级。
- 误差传播问题:给出某个量(半径、棱长、直径)的测量误差,
求由它算出的量(体积、面积、周期)的绝对误差与相对误差。
- 概念辨析题: 与 的关系、
可导与可微的等价性、微分形式不变性的适用范围
(尤其高阶微分不满足形式不变性)。
- 与差分结合的题:如「已知 与 的差是
的同阶量,求某极限」。
国外教材不强调而国内常考的点:
① 一阶微分形式不变性的显式陈述与证明(国外多为隐含使用);
② 绝对误差与相对误差的系统计算(国外较少作为独立题型);
③ 「用微分近似计算 + 写出误差估计」的完整解答格式;
④ 微分的几何意义作为独立考点(国外多把它并入 tangent line 的内容)。
10.4 学习建议
- 以考研为目标:本篇 1.2(微分定义)、1.3(可微 可导的证明)、
3.2(微分法则)、3.3(一阶微分形式不变性)、
4.2(近似计算三步法)、4.4(误差估计四步流程)必须全部掌握;
例题 4(四道近似计算)、例题 6(误差估计)、例题 8(误差传播)
是高频题型的标准范例;第七节的易错点 1、2、3 是最常见的失分点。
- 以理解概念为目标:Banner《普林斯顿微积分读本》第 13 章
「微分与近似」对 linear approximation 的讲解很直观
(用切线代替曲线的图像非常清楚);
MIT 18.01SC 的 Session 22–23「Linear Approximation」
与 Session 24–25(含 differentials 的讨论)配有视频与习题。
MIT 特别强调「用一次函数逼近」的视角,
与国内「求微分 + 估误差」的流程互补。
- 共同的建议:
① 一定要建立「曲线增量 vs 切线增量」的图像(本篇 2.1 节)——
这是理解微分的唯一可靠入口。
② 把「小量近似公式表」背下来
(、、
等),
它们在后续章节(尤其积分与泰勒展开)中反复出现。
③ 养成「每次近似都估误差」的习惯——
这是工程与科研的基本素养,也是考试的要求。
④ 记住「一阶微分形式不变,高阶不变」这条分界线,
它能帮你避开参数方程二阶导、高阶微分等一大类陷阱。
本篇小结
本篇小结
① 一句话概括
可导的核心含义是「增量可以被线性化」:
。
其中的线性部分 就是微分,
它在几何上是切线上的纵向增量(而 是曲线上的增量),
两者相差一个比 更高阶的无穷小。
由此得到微积分最实用的工具之一:以直代曲的近似计算与误差估计。
② 必须记住的结论
1. 微分定义:,其中 与 无关;
此时 。
2. 可微 可导(一元情形),且 唯一。
3. 微分公式:;
约定 ( 为自变量时)。
4. 几何意义: 是切线上的纵向增量,
是曲线上的纵向增量,。
5. 微分法则:,
,
。
6. 一阶微分形式不变性: 对 是自变量
或中间变量都成立。这是换元积分法的依据。
7. 高阶微分没有形式不变性:
为中间变量时
。
8. 线性逼近:;
若 ,则误差 。
9. 必背小量近似:、、
、、、
、、
、、
(注意 从二次项开始)。
10. 误差传播两条法则:
① 乘除结构:相对误差相加;
② 幂结构 :相对误差放大 倍
(都由「取对数 + 微分」推出)。
③ 最容易混淆的几组概念
| 概念 A | 概念 B | 关键区别 |
|---|---|---|
| (曲线增量) | (切线增量) | 相差 ;只有线性函数时相等 |
| 导数 (一个数) | 微分 (一个线性函数) | 差一个因子 |
| 可导(一元) | 可微(一元) | 等价;多元情形不等价 |
| 可微(一元) | 可微(多元) | 一元 = 可导;多元需所有方向一致线性化 |
| 一阶微分形式不变 | 高阶微分形式不变 | 一阶成立;二阶及以上不成立 |
| | | 为自变量时相等; 为中间变量时不等 |
| 绝对误差 | 相对误差 | 前者有量纲;后者无量纲,用于比较精度 |
| 加减法的误差 | 乘除法的误差 | 前者绝对误差相加;后者相对误差相加 |
| 一次逼近(切线) | 二次逼近(抛物线) | 时一次逼近失效,必须用二次 |
| | | 后者错(应为 ) |
④ 通往后面章节的接口
| 本篇概念 | 在哪里被升级 | 升级成什么 |
|---|---|---|
| 一次逼近(切线) | 4-3-泰勒公式与麦克劳林展开 | 次逼近、拉格朗日余项、泰勒级数 |
| 误差估计 | 4-3-泰勒公式与麦克劳林展开 | 拉格朗日余项 |
| 一阶微分形式不变性 | 5-2-换元积分法 | |
| 凑微分技巧 | 5-1-原函数与不定积分 | 基本积分表与凑微分法 |
| 微分的逆运算 | 6-2-微积分基本定理 | |
| 可微与可导的等价 | 8-2-偏导数与全微分 | 多元情形不再等价;全微分是线性映射 |
| 局部线性化 | 8-4-方向导数与梯度 | 梯度、方向导数、切平面 |
| 相消误差与数值稳定 | 6-3-定积分的性质与计算 | 数值积分中的误差分析 |
| 小量近似与摄动 | 10-2-一阶微分方程 | 近似解法与稳定性分析 |
| 线性化与迭代 | 10-6-微分方程的应用与数值解法 | 牛顿法、欧拉法的收敛性分析 |
相关笔记
- 3-1-导数的定义与几何意义 — 前置篇章。微分的定义直接从导数定义改写而来,
「曲线增量 vs 切线增量」的图像也建立在那篇的切线概念上。
- 3-2-求导法则与基本公式 — 前置篇章。微分表就是导数表乘 ,
微分法则也由求导法则乘 得到。
- 3-3-链式法则与复合函数求导 — 前置篇章。一阶微分形式不变性的证明
用的就是链式法则;「凑微分」本质上是链式法则的逆用。
- 3-4-高阶导数与莱布尼茨公式 — 同章兄弟。二阶微分与高阶微分
是那篇「二阶导数」概念的微分语言版本,
也是「高阶微分无形式不变性」的出处。
- 3-5-隐函数与参数方程求导 — 同章兄弟。那篇的参数方程二阶导陷阱
与本篇「高阶微分无形式不变性」是同一件事的两种表现。
- 3-7-相关变化率 — 同章兄弟。相关变化率问题的标准解法
就是「两边取微分」,与本篇的微分运算直接相连。
- 4-3-泰勒公式与麦克劳林展开 — 后续章节。本篇是「一次逼近」,
那篇是「 次逼近」;本篇的误差估计在那篇升级为拉格朗日余项。
- 5-2-换元积分法 — 后续章节。一阶微分形式不变性是换元积分法的理论基础,
本篇 4.3 节的凑微分表在那篇被大量使用。
- 8-2-偏导数与全微分 — 后续章节。一元「可导 = 可微」的图景在那里被打破,
全微分成为线性映射,可微性成为比偏导存在更强的条件。
参考来源
- Banner, The Calculus Lifesaver: The Complete Guide to Calculus and Its Applications,
第 13 章「微分与近似」(linear approximation、用切线代替曲线、
differentials 的记号与用法)。
教材本身,无 URL;frontmatter 记录的出版社页面为
https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
- MIT OpenCourseWare, 18.01SC Single Variable Calculus, Fall 2010,
Unit 2「Applications of Differentiation」中的 Session 22–23
「Linear Approximation」与 Session 24–25(含 differentials 与相关应用)。
https://ocw.mit.edu/courses/18-01sc-single-variable-calculus-fall-2010/pages/1.-differentiation/part-b-concepts-of-the-derivative/
- Eric W. Weisstein, 「Derivative」, MathWorld——微分的定义、
微分与导数的关系、一阶微分形式不变性的标准表述。
https://mathworld.wolfram.com/Derivative.html
- 苏德矿、金蒙伟等编《微积分》(高等教育出版社,浙江大学数学系教材),
「微分」一节(含可微与可导等价的证明、一阶微分形式不变性、
近似计算与误差估计);同济大学数学系《高等数学》上册
「函数的微分」一节。教材本身,无 URL。
- 教育部考试中心《全国硕士研究生招生考试数学考试大纲》,
「一元函数微分学」中「理解微分的概念,理解导数与微分的关系,
理解微分的几何意义,会求函数的微分,会用微分进行近似计算,
了解一阶微分形式的不变性」的要求。教材本身,无 URL。