w wyl123ly 的博客
MD

3-6-微分与线性逼近

100 KB 2026.10.17 原文件

---

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:

  1. 与 非常接近,且 越小越接近。
  2. 误差 每次缩小约 倍——

确实是 量级,即 ,

而且比 更强(是 )。

  1. 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:

  1. 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 )。

  1. 用微分做近似计算并估计误差:如估算 、、

等,并说明误差量级。

  1. 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。

  1. 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)。

  1. 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。