5.7.4 Error Estimation in Linear Approximation (线性近似的误差估计)

分析线性近似的误差大小，理解误差与距离 |x-a| 和二阶导数的关系，评估近似的精度

定义

线性近似的误差估计是指在使用线性近似 \(L(x) = f(a) + f'(a)(x-a)\) 来估计函数值 \(f(x)\) 时，实际值与近似值之间的偏差。设误差为 \(E(x) = f(x) - L(x)\)，则误差的大小取决于：(1) 点 \(x\) 与基点 \(a\) 的距离 \(|x-a|\)；(2) 函数的二阶导数 \(f''(x)\) 的大小。根据泰勒定理，当 \(f\) 在 \(a\) 附近二阶可导时，误差可以用二阶导数的界来估计。具体地，如果 \(|f''(x)| \leq M\) 在 \(x\) 与 \(a\) 之间成立，则误差满足 \(|E(x)| \leq \frac{M}{2}|x-a|^2\)。这个估计表明误差随着 \(|x-a|\) 的平方增长，因此线性近似在离基点较近的地方精度更高。

核心公式

• \(E(x) = f(x) - L(x) = f(x) - [f(a) + f'(a)(x-a)]\)
• \(|E(x)| \leq \frac{M}{2}|x-a|^2\)，其中 \(M = \max|f''(x)|\) 在 \(x\) 与 \(a\) 之间
• \(f(x) = f(a) + f'(a)(x-a) + \frac{f''(c)}{2}(x-a)^2\)，其中 \(c\) 在 \(x\) 与 \(a\) 之间（泰勒定理）
• \(\text{相对误差} = \frac{|E(x)|}{|f(x)|} \leq \frac{M|x-a|^2}{2|f(x)|}\)
• \(|x-a| < \delta \Rightarrow |E(x)| < \epsilon\)，其中 \(\delta = \sqrt{\frac{2\epsilon}{M}}\)

易错点

• ⚠️ 混淆误差公式中的 \(|x-a|\) 和 \(|x-a|^2\)：学生常误认为误差与 \(|x-a|\) 成正比，而实际上误差与 \(|x-a|^2\) 成正比，这导致对误差大小的严重低估
• ⚠️ 忽视二阶导数界 \(M\) 的重要性：在估计误差时，学生可能只关注 \(|x-a|\) 的大小，而忽略了函数的曲率（二阶导数）对误差的影响，导致误差估计不完整
• ⚠️ 在应用误差界时使用错误的导数：学生可能混淆一阶导数和二阶导数，或者在求导时出错，导致得到错误的 \(M\) 值和误差估计
• ⚠️ 不理解误差估计的含义：学生可能认为误差估计给出的是精确的误差值，而实际上它只是一个上界，真实误差可能远小于估计值