zoukankan      html  css  js  c++  java
  • 关于等价无穷小使用条件的问题

    version: 1.2

    本文转载自:传送门 知乎作者:三川啦啦啦


    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{0.1ldots}{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}approxfrac{0.040}{0.041}approx 1)

    问题又来了(这是一个关键性问题),

    • 为什么在第二种情况,我们选择了π 更精确的估计值3.14,而没有选用3.1?

    • 前后两道例题的区别在哪里?

    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}-ldots)

    对于极限
    (LARGE limlimits_{x o 0} frac{ln(1+x)}{x} = limlimits_{x o 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 limlimits_{x o 0}frac{ln(1+x)-x}{x^{2}} = limlimits_{x o 0}frac{x-frac{x^{2}}{2} - x }{x^{2}} = -frac{1}{2})

    这是时候用(frac{x-x^{2}}{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.

  • 相关阅读:
    erlang使用gen_server实现质数服务器(手打代码,还debug了几个错误)
    Java
    某个数组,通过交换使所有奇数都在前半所有偶数都在后半,复杂度O(N)。
    Mybatis映射文件完整模板参照
    Spring集成MyBatis
    jdbc hibernate myBatis比较
    MySQL的简单使用-(一)
    jQuery框架Ajax常用选项
    POI操作Excel的API注意点总结
    Java反射机制练习
  • 原文地址:https://www.cnblogs.com/sillycuckoo/p/12703172.html
Copyright © 2011-2022 走看看