等价无穷小替换,本质上是一个选择估计值精确度的问题。我下面通过一个非常通俗易懂的例子来说明.
我问
\(
\LARGE \frac{\pi-3}{0.1}\approx ?
\)
答:约等于1.
什么, \(\pi = 3.1_{\cdots}\) 代入上式,
\(
\LARGE \frac{\pi-3}{0.1}=\frac{3.1-3}{0.1}=\frac{0.1_{\cdots}}{0.1}\approx 1
\)
这个时候,我们只需要用到 π 的估计值 3.1就够了.
但是,若问
\(
\LARGE \frac{\pi-3.1}{0.0415}\approx ?
\)
这个时候,如果我们仍然选择 π 的估计值 3.1代入上式,就会出现灾难性后果:
\(
\LARGE \frac{0}{0.0415}\approx 0
\)
这个约等于就跟玩一样,明明约等于 1 才更准确啊!
\(
\LARGE \frac{\pi-3.1}{0.0415}=1.002232616621519_{\cdots}
\)
导致这个后果的原因是什么呢?
你看,如果我使用 π 稍精确一点估计值3.14(而不是3.1),代入结果
\(
\LARGE \frac{\pi-3.1}{0.041}\approx\frac{0.040}{0.041}\approx 1
\)
问题又来了(这是一个关键性问题),
前后两个例子的区别在于——对误差项估计的精确程度要求不同,前一道题对 π 的估计只精确到了十分位(0.1),而后者对 π 的估计精确到了百分位(0.01).
我们会发现分母是一个对精确度要求的明显指标——分母数量级越小,对分子的变化越敏感(想想反比例函数在0点的性态),于是对估值的精度要求变高.
其实等价无穷小的替换,无非也是这种情况,下面仅说明一例.
我们知道
\(
\LARGE ln (1+x) \sim x , \vert x \vert < 1
\)
是一对很经典的等价无穷小.
学习了 Taylor公式后,我们知道关于 ln(1+x) 更精确的逼近式:
\(
\LARGE ln (1+x) \sim x - \frac{x^{2}}{2}+\frac{x^{3}}{3}-_\cdots
\)
对于极限
\(
\LARGE \lim\limits_{x\to 0} \frac{ln (1+x)}{x} = \lim\limits_{x\to 0}\frac{x}{x} = 1
\)
这个时候,用 x 当作 ln(1+x) 的“估计值”,已经够用了(注意分母),而若求极限
\(
\LARGE \lim\limits_{x\to 0}\frac{ln (1+x)-x}{x^{2}} = \lim\limits_{x\to 0}\frac{x-\frac{x^{2}}{2} - x }{x^{2}} = -\frac{1}{2}
\)
这是时候用 x - x2 / 2 作为 ln(1+x) 的“估计值”,显然比用 x 显得更为适宜(注意分母).
注意到了什么规律了吗???
分母是几阶,泰勒就得展到几阶,这就是所谓的上下同阶原理.
原文:https://www.cnblogs.com/sillycuckoo/p/12703172.html