{
  "id": "linear-approximation",
  "title": "线性近似",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性近似用函数在某点的值与位移的线性函数之和，近似该点附近的可微函数，为计算和分析提供局部模型。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "一阶近似",
    "切线近似",
    "局部线性近似"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-approximation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-approximation/",
      "json": "https://aiwiki.page/en/linear-approximation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性近似是一种近似方法，通过保留函数在选定点的值及其一阶变化，来近似该点附近的函数。对于在 \\(a\\) 处可微的实值函数 \\(f\\)，近似式为\n\n\\[f(x)\\approx f(a)+f'(a)(x-a).\\]\n\n从几何上看，这相当于用切线代替 \\(a\\) 附近的函数图像。对于多元函数，导数给出一个线性变换，用来描述输出的微小变化。线性近似是微积分、数值计算、不确定度传播以及非线性系统局部分析的基础。"
    },
    {
      "heading": "定义与数学含义",
      "text": "对于在 \\(a\\) 处存在导数的函数 \\(f:\\mathbb{R}\\to\\mathbb{R}\\)，其在 \\(a\\) 处的线性近似为\n\n\\[L_a(x)=f(a)+f'(a)(x-a).\\]\n\n令 \\(h=x-a\\)，可得等价形式\n\n\\[f(a+h)\\approx f(a)+f'(a)h.\\]\n\n这一近似的依据是可微性的定义性质：\n\n\\[f(a+h)=f(a)+f'(a)h+r(h), \\qquad \\lim_{h\\to0}\\frac{|r(h)|}{|h|}=0.\\]\n\n因此，相对于位移 \\(h\\) 的大小，近似误差趋于可忽略。这一条件比仅要求绝对误差趋于零更强。\n\n函数 \\(L_a\\) 通常是仿射映射，而非严格代数意义上的线性映射，因为它不一定将零映射为零。“线性近似”这一说法，是指它对变量的依赖关系为一次式，或是指输出的变化\n\n\\[L_a(a+h)-L_a(a)=f'(a)h\\]\n\n是输入变化的线性映射。\n\n导数是具有这种一阶近似性质的唯一系数。如果数 \\(m\\) 满足\n\n\\[f(a+h)=f(a)+mh+o(|h|),\\]\n\n那么 \\(m=f'(a)\\)。"
    },
    {
      "heading": "几何解释与示例",
      "text": "\\(L_a\\) 的函数图像经过 \\((a,f(a))\\)，斜率为 \\(f'(a)\\)。因此，它就是 \\(f\\) 的图像在该点处的切线。可微性意味着，在该点附近进行足够大倍数的放大时，曲线与这条直线之间的差异相对于水平位移很小。\n\n例如，令 \\(f(x)=\\sqrt{x}\\)，并取 \\(a=4\\)。由于\n\n\\[f(4)=2,\\qquad f'(4)=\\frac14,\\]\n\n近似式为\n\n\\[\\sqrt{x}\\approx 2+\\frac{x-4}{4}.\\]\n\n于是，\n\n\\[\\sqrt{4.1}\\approx 2.025,\\]\n\n而实际值约为 \\(2.024846\\)。\n\n几个常见的小量近似公式都是在零点处的线性近似：\n\n\\[\\sin h\\approx h,\\qquad e^h\\approx 1+h,\\qquad \\ln(1+h)\\approx h.\\]\n\n其中的三角函数公式要求角度以弧度计量。每个近似都只在局部适用；其实用性取决于 \\(h\\) 的大小以及所要求的精度。\n\n当 \\(f'(a)=0\\) 时，线性近似是常数。对于 \\(f(x)=x^2\\)，在 \\(a=0\\) 处得到 \\(L_0(x)=0\\)。由于 \\(x^2/|x|\\to0\\)，这仍然是有效的一阶近似，尽管它没有描述函数最低阶的非零变化。"
    },
    {
      "heading": "误差估计与泰勒展开",
      "text": "线性近似是泰勒级数展开保留至一次项的截断形式，但其成立只要求函数可微，并不要求无穷泰勒级数存在或收敛。\n\n仅由可微性可得\n\n\\[f(a+h)-L_a(a+h)=o(|h|).\\]\n\n这一条件本身并不能推出误差与 \\(h^2\\) 成正比。\n\n如果 \\(f\\) 在包含 \\(a\\) 和 \\(x\\) 的区间上具有连续的二阶导数，那么根据泰勒定理，\n\n\\[f(x)-L_a(x)=\\frac12 f''(\\xi)(x-a)^2\\]\n\n其中 \\(\\xi\\) 位于 \\(a\\) 与 \\(x\\) 之间。因此，如果在整个区间内都有 \\(|f''(t)|\\le M\\)，则\n\n\\[|f(x)-L_a(x)|\\le \\frac{M}{2}|x-a|^2.\\]\n\n用大O记号表示，此时误差为 \\(O(|x-a|^2)\\)。\n\n二阶导数衡量斜率变化的快慢。位移较大或斜率变化显著时，切线模型可能不再准确。对于区间上的可微凸函数，每条切线在整个区间内都位于函数图像上或其下方；对于凹函数，切线则位于函数图像上或其上方。\n\n还必须区分绝对精度与相对精度。如果 \\(f(a)=0\\)，近似的绝对误差可能很小，但相对误差却很大。例如，用常数 \\(L_0(x)=0\\) 近似 \\(x^2\\) 时，在每个非零 \\(x\\) 处的相对误差均为 \\(1\\)。"
    },
    {
      "heading": "多元情形",
      "text": "对于可微函数 \\(f:\\mathbb{R}^n\\to\\mathbb{R}\\)，在点 \\(a\\) 处的近似为\n\n\\[f(a+h)\\approx f(a)+\\nabla f(a)\\cdot h,\\]\n\n其中 \\(\\nabla f(a)\\) 是梯度，圆点表示点积。用坐标表示即为\n\n\\[f(a+h)\\approx f(a)+ \\sum_{i=1}^{n}\\frac{\\partial f}{\\partial x_i}(a)h_i.\\]\n\n例如，若 \\(f(x,y)=xy\\)，则在 \\((a,b)\\) 附近，\n\n\\[f(a+h,b+k)=ab+bh+ak+hk.\\]\n\n线性近似保留 \\(ab+bh+ak\\)，舍去二阶乘积项 \\(hk\\)。\n\n从几何上看，对于具有 \\(n\\) 个变量的标量值函数，这一仿射近似描述了其图像的一个相切超平面。\n\n更一般地，设 \\(F:\\mathbb{R}^n\\to\\mathbb{R}^m\\)。它在 \\(a\\) 处的导数由雅可比矩阵 \\(J_F(a)\\) 表示，从而有\n\n\\[F(a+h)=F(a)+J_F(a)h+r(h), \\qquad \\frac{\\|r(h)\\|}{\\|h\\|}\\to0.\\]\n\n因此，导数通过一个矩阵描述可能为非线性的函数在局部的作用。\n\n函数在某点的所有偏导数均存在，并不足以保证这一近似成立。可微性要求存在同一个线性映射，使得当位移沿任意方向趋于零时，其误差相对于位移都可忽略。一个常用的充分条件是：各偏导数在该点的某个邻域内连续。\n\n如果标量值函数在 \\(a\\) 附近具有连续的二阶导数，其海森矩阵就描述了误差的主项：\n\n\\[f(a+h)=f(a)+\\nabla f(a)\\cdot h +\\frac12 h^{\\mathsf T}H_f(a)h+o(\\|h\\|^2).\\]"
    },
    {
      "heading": "应用",
      "text": "数值求根\n\n牛顿法先在局部近似函数，再求出该近似函数的零点。令\n\n\\[0=f(x_k)+f'(x_k)(x_{k+1}-x_k)\\]\n\n可得\n\n\\[x_{k+1}=x_k-\\frac{f(x_k)}{f'(x_k)}.\\]\n\n对于方程组，相应的迭代步通过求解一个涉及雅可比矩阵的线性方程组得到。这是一种局部方法：能否收敛取决于函数、初始点以及导数的性质。\n\n敏感性与不确定度传播\n\n在敏感性分析中，微小的输入扰动 \\(\\delta x\\) 引起的输出变化近似为\n\n\\[\\delta y\\approx J_F(a)\\delta x.\\]\n\n导数可以揭示，在工作点附近，哪些输入变化对输出的影响最大。\n\n如果随机输入 \\(X\\) 集中分布在其均值 \\(\\mu\\) 附近，且协方差矩阵为 \\(\\Sigma\\)，则一阶测量不确定度传播公式给出\n\n\\[\\operatorname{Cov}(F(X)) \\approx J_F(\\mu)\\Sigma J_F(\\mu)^{\\mathsf T}.\\]\n\n对于标量输出，该式变为\n\n\\[\\operatorname{Var}(f(X)) \\approx \\nabla f(\\mu)^{\\mathsf T}\\Sigma\\nabla f(\\mu).\\]\n\n这些公式忽略了非线性项的贡献；当不确定度较大或导数为零时，这些贡献可能十分重要。\n\n微分方程与局部动力学\n\n对于动力系统\n\n\\[\\dot{x}=F(x),\\]\n\n设 \\(a\\) 是平衡点，即 \\(F(a)=0\\)。令 \\(x=a+h\\)，得到线性化系统\n\n\\[\\dot{h}=J_F(a)h.\\]\n\n雅可比矩阵的特征值有助于判断局部稳定性。对于连续可微的系统，若所有特征值的实部均严格为负，则系统在该平衡点局部渐近稳定；若存在实部为正的特征值，则该平衡点不稳定。当存在实部为零的特征值，且没有实部为正的特征值时，仅凭线性化通常无法判定稳定性。\n\n优化\n\n在数学优化中，局部模型\n\n\\[f(x+h)\\approx f(x)+\\nabla f(x)\\cdot h\\]\n\n可以确定函数在一阶意义下增大和减小的方向。它是基于梯度的算法和约束线性化的基础。在梯度为零的点处，通常需要二阶或更高阶的信息，才能区分极小值点、极大值点或鞍点。"
    },
    {
      "heading": "区别与局限",
      "text": "线性近似不同于线性回归。切线近似由函数在某一点的值和导数确定。回归直线则按照统计准则对观测数据进行拟合，不必与背后的函数相切。\n\n它也不同于线性插值。插值直线经过两个指定点，而切线近似则与函数在某一点的值和斜率相匹配。分段线性近似使用多个仿射片段，以覆盖更大的定义域。\n\n局部模型在远离展开点时不一定仍然准确。它可能无法反映曲率、转折点、约束以及定性行为的变化。在不可微点处，例如 \\(f(x)=|x|\\) 的零点处，不存在一个能同时适用于左右两侧的一阶近似线性映射。即使近似存在，零点附近的函数近似式\n\n\\[\\frac{1}{1-x}\\approx 1+x\\]\n\n也说明，局部吻合并不能成为向 \\(x=1\\) 这一奇点外推的依据。"
    }
  ],
  "links": [
    "mathematical-function",
    "calculus",
    "derivative",
    "affine-map",
    "linear-map",
    "graph-of-a-function",
    "radian",
    "taylor-series",
    "big-o-notation",
    "convex-function",
    "gradient",
    "dot-product",
    "hyperplane",
    "jacobian-matrix",
    "partial-derivative",
    "hessian-matrix",
    "newtons-method",
    "sensitivity-analysis",
    "covariance-matrix",
    "measurement-uncertainty",
    "dynamical-system",
    "eigenvalues-and-eigenvectors",
    "mathematical-optimization",
    "linear-regression",
    "interpolation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}