对数 是指使一个固定底数的幂等于指定数的指数。对于正实数 b b b 和 x x x ,且 b ≠ 1 b\ne1 b = 1 ,log b x = y \log_b x=y log b x = y 的确切含义就是 b y = x b^y=x b y = x 。因此,log 10 1000 = 3 \log_{10}1000=3 log 10 1000 = 3 ,因为 10 3 = 1000 10^3=1000 1 0 3 = 1000 ;而 log 2 ( 1 / 8 ) = − 3 \log_2(1/8)=-3 log 2 ( 1/8 ) = − 3 ,因为 2 − 3 = 1 / 8 2^{-3}=1/8 2 − 3 = 1/8 。对数函数是指数函数 的反函数 。
对数将乘法关系与加法关系联系起来。其核心恒等式 log b ( x y ) = log b x + log b y \log_b(xy)=\log_b x+\log_b y log b ( x y ) = log b x + log b y 最初使对数成为数值计算的有力工具,后来又成为数学分析 、统计学 和计算机科学 等领域的重要基础。对数可以描述相对变化,压缩跨越多个数量级的数值范围,并度量信息量和算法复杂度。
当自变量为正实数时,各种对数函数构成一族密切相关的函数,彼此仅相差一个常数因子。将对数推广到复数 时,会出现多值性和分支选择问题;矩阵和有限群中也存在相关构造。这些推广保留了实数对数的某些特征,但需要额外的代数或几何条件。
定义与实对数函数 设 b > 0 b>0 b > 0 且 b ≠ 1 b\ne1 b = 1 。实指数函数 x ↦ b x x\mapsto b^x x ↦ b x 是从实数 集到正实数集的连续双射。它的反函数称为以 b b b 为底的对数函数,记作 log b \log_b log b 。因此,
log b x = y ⟺ b y = x . \log_b x=y\quad\Longleftrightarrow\quad b^y=x. log b x = y ⟺ b y = x .
其定义域 为 ( 0 , ∞ ) (0,\infty) ( 0 , ∞ ) ,值域为全体实数。由互为反函数的关系可得恒等式
log b ( b y ) = y , b log b x = x , \log_b(b^y)=y,\qquad b^{\log_b x}=x, log b ( b y ) = y , b l o g b x = x ,
其中 y y y 为实数,x x x 为正数。特别地,log b 1 = 0 \log_b1=0 log b 1 = 0 ,log b b = 1 \log_b b=1 log b b = 1 。
对底数的这些限制必不可少。底数为 1 1 1 时,指数函数为常值函数,因而没有反函数。底数为 0 0 0 时,乘方运算无法对所有实数指数都有定义;底数为负数时,也无法得到定义在整个实数轴上的实值指数函数。同样,零和负数没有实对数,因为正底数的任意实数次幂始终为正。“零的对数是负无穷大”之类的说法描述的是极限行为,而非一个有限的实数值。
当 b > 1 b>1 b > 1 时,对数函数严格递增。真数大于 1 1 1 时,对数为正;真数介于 0 0 0 与 1 1 1 之间时,对数为负。当 0 < b < 1 0<b<1 0 < b < 1 时,函数严格递减,上述正负号也随之颠倒。例如,log 1 / 2 8 = − 3 \log_{1/2}8=-3 log 1/2 8 = − 3 。对数函数的图像总经过点 ( 1 , 0 ) (1,0) ( 1 , 0 ) ,并且与 y = b x y=b^x y = b x 的图像关于直线 y = x y=x y = x 对称。纵轴是其渐近线,绝不是图像的一部分。
对数不一定是整数,甚至不一定是有理数。例如,log 2 3 \log_2 3 log 2 3 是无理数。如果它等于某个正有理数 m / n m/n m / n ,那么就有 2 m = 3 n 2^m=3^n 2 m = 3 n ,这与算术基本定理 所保证的素因数分解唯一性相矛盾。不过,对于每一个符合条件的底数,任何正真数都有唯一的实对数。这就将“多少个 b b b 相乘能得到 x x x ?”这一直观问题,从整数个因子推广到了任意实数指数。
因此,求解指数方程是对数的一项基本应用。若 b t = c b^t=c b t = c ,且 c > 0 c>0 c > 0 ,则 t = log b c t=\log_b c t = log b c 。更一般地,若 A e k t = B Ae^{kt}=B A e k t = B ,其中 A , B > 0 A,B>0 A , B > 0 且 k ≠ 0 k\ne0 k = 0 ,则 t = ln ( B / A ) / k t=\ln(B/A)/k t = ln ( B / A ) / k 。这里,ln \ln ln 表示自然对数。
代数法则与换底 对于正数 x , y x,y x , y 、符合条件的底数 b b b 和实数指数 r r r ,对数满足
log b ( x y ) = log b x + log b y , \log_b(xy)=\log_b x+\log_b y, log b ( x y ) = log b x + log b y ,
log b ( x / y ) = log b x − log b y , log b ( x r ) = r log b x . \log_b(x/y)=\log_b x-\log_b y, \qquad \log_b(x^r)=r\log_b x. log b ( x / y ) = log b x − log b y , log b ( x r ) = r log b x .
这些恒等式可以直接由指数运算法则推出。若 x = b u x=b^u x = b u 且 y = b v y=b^v y = b v ,则 x y = b u + v xy=b^{u+v} x y = b u + v ,因此其对数为 u + v u+v u + v 。真数为正,便能保证任意实数次幂以及所涉及的对数都有定义。
乘积法则是对数最核心的结构性质。它将正数的乘法对应于其对数的加法。用群论 的语言来说,log b \log_b log b 是从正实数乘法群到实数加法群的一个同构 。乘法逆元对应于加法逆元,乘幂对应于数乘。例如,
log 10 ( 20 ⋅ 50 ) = log 10 20 + log 10 50 = 3. \log_{10}(20\cdot50)=\log_{10}20+\log_{10}50=3. log 10 ( 20 ⋅ 50 ) = log 10 20 + log 10 50 = 3.
这一关系既解释了对数表在历史上的实用价值,也说明了现代计算中为何会用对数来简化多个因子的乘积。
改变底数只会改变纵向尺度:
log b x = log a x log a b , \log_b x=\frac{\log_a x}{\log_a b}, log b x = log a b log a x ,
其中 a > 0 a>0 a > 0 、a ≠ 1 a\ne1 a = 1 ,且 b > 0 b>0 b > 0 、b ≠ 1 b\ne1 b = 1 。推导这一公式时,令 x = b y x=b^y x = b y ,再对两边取以 a a a 为底的对数,得到 log a x = y log a b \log_a x=y\log_a b log a x = y log a b 。由此可得一些重要结论,包括在两个底数都符合条件时,
log b a = 1 log a b \log_b a=\frac{1}{\log_a b} log b a = log a b 1
以及在各表达式都有定义时,
log a b log b c = log a c \log_a b\,\log_b c=\log_a c log a b log b c = log a c
因此,计算器只需实现一种基本的对数运算,就能计算以任意符合条件的正实数为底的对数。
不存在将和的对数转化为对数之和的相应法则。一般而言,log ( x + y ) ≠ log x + log y \log(x+y)\ne\log x+\log y log ( x + y ) = log x + log y ;后者等于 log ( x y ) \log(xy) log ( x y ) 。含有加法的表达式通常需要用其他方法处理。一个实用的例外是:对于正数 x , y x,y x , y ,有
ln ( x + y ) = ln x + ln ( 1 + y / x ) , \ln(x+y)=\ln x+\ln(1+y/x), ln ( x + y ) = ln x + ln ( 1 + y / x ) ,
但这只是在形式上看似例外,实质上不过是先将 x + y x+y x + y 分解为乘积,再应用乘积法则。
定义域的限制也意味着不能随意变形。实数表达式 ln ( x 2 ) \ln(x^2) ln ( x 2 ) 对所有非零的 x x x 都有定义,而 2 ln x 2\ln x 2 ln x 则要求 x > 0 x>0 x > 0 。在实数范围内,对所有非零 x x x 都成立的恒等式是 ln ( x 2 ) = 2 ln ∣ x ∣ \ln(x^2)=2\ln|x| ln ( x 2 ) = 2 ln ∣ x ∣ 。同样,对方程两边取对数,只有在两边均为正数时才是等价变形。
自然对数、常用对数和二进制对数 在分析学中,最重要的底数是
e = 2.718281828 … , e=2.718281828\ldots, e = 2.718281828 … ,
通常称为自然常数e 。以 e e e 为底的对数称为自然对数 ,记作 ln x \ln x ln x ,不过高等数学文献也常将其记作 log x \log x log x 。自然底数的独特之处体现在求导上:e x e^x e x 的导数是 e x e^x e x ,而 ln x \ln x ln x 的导数恰好是 1 / x 1/x 1/ x 。采用其他底数则会引入一个常数因子。
不预先定义指数运算,也可以定义自然对数,其中一种方式是
ln x = ∫ 1 x d t t , x > 0. \ln x=\int_1^x\frac{dt}{t},\qquad x>0. ln x = ∫ 1 x t d t , x > 0.
这个积分 在 0 < x < 1 0<x<1 0 < x < 1 时为负,在 1 1 1 处为零,在 x > 1 x>1 x > 1 时为正。通过变量代换可以证明对数的乘积法则,由此得到的函数连续、严格递增,且在正、负两个方向上均无界。它的反函数定义了自然指数函数。在这一构造中,e e e 是满足 ∫ 1 e d t / t = 1 \int_1^e dt/t=1 ∫ 1 e d t / t = 1 的唯一正数。
常用对数 以 10 10 10 为底,记作 log 10 x \log_{10}x log 10 x ,在初等科学和工程应用中也常简记为 log x \log x log x 。它适用于十进制位值制记数法 。若
x = m 10 k , 1 ≤ m < 10 , x=m10^k,\qquad 1\le m<10, x = m 1 0 k , 1 ≤ m < 10 ,
则 log 10 x = k + log 10 m \log_{10}x=k+\log_{10}m log 10 x = k + log 10 m 。因此,对数的整数部分标明十进制数量级,小数部分则记录有效数字。历史上,这两部分分别称为首数和尾数,不过“尾数”如今在数值计算中也有其他用途。对于 0 < x < 1 0<x<1 0 < x < 1 的情形,采用向下取整的分解方式时需要留意:首数为负,而小数部分仍为非负数。
二进制对数 log 2 x \log_2x log 2 x 很自然地用于计算和信息度量。由于 2 10 = 1024 2^{10}=1024 2 10 = 1024 ,所以 log 2 1024 = 10 \log_2 1024=10 log 2 1024 = 10 。正整数 n n n 用二进制 表示时,需要的位数为
⌊ log 2 n ⌋ + 1 \lfloor\log_2 n\rfloor+1 ⌊ log 2 n ⌋ + 1
,而正整数的十进制表示则需要 ⌊ log 10 n ⌋ + 1 \lfloor\log_{10}n\rfloor+1 ⌊ log 10 n ⌋ + 1 位。这些公式表明,对数衡量的是位值表示的长度,而不是该数字串所表示的数值大小。
对数的记号取决于上下文,并没有统一的约定。在分析学中,log \log log 通常表示自然对数;在某些工程领域中,它表示常用对数;在某些算法讨论中,它则表示以 2 2 2 为底的对数。明确标注底数下标即可消除歧义。不同底数的对数之间满足 log 10 x = ln x / ln 10 \log_{10}x=\ln x/\ln10 log 10 x = ln x / ln 10 和 log 2 x = ln x / ln 2 \log_2x=\ln x/\ln2 log 2 x = ln x / ln 2 ,因此,它们在数学上的差别只是尺度不同,而非函数基本性质不同。
微分与积分性质 实对数函数的导数 为
d d x log b x = 1 x ln b , x > 0. \frac{d}{dx}\log_b x=\frac{1}{x\ln b},\qquad x>0. d x d log b x = x ln b 1 , x > 0.
这一结果既可由 ln x \ln x ln x 的积分定义推出,也可通过对 b log b x = x b^{\log_b x}=x b l o g b x = x 求导得到。ln b \ln b ln b 的正负决定了函数的单调性。对于自然对数,
( ln x ) ′ = 1 x , ( ln x ) ′ ′ = − 1 x 2 . (\ln x)'=\frac1x,\qquad (\ln x)''=-\frac1{x^2}. ( ln x ) ′ = x 1 , ( ln x ) ′′ = − x 2 1 .
因此,ln x \ln x ln x 严格递增且严格凹。当底数介于 0 0 0 与 1 1 1 之间时,这两种性质均反转:其对数函数递减且为凸函数。
由链式法则 可得
d d x ln f ( x ) = f ′ ( x ) f ( x ) \frac{d}{dx}\ln f(x)=\frac{f'(x)}{f(x)} d x d ln f ( x ) = f ( x ) f ′ ( x )
其中 f ( x ) > 0 f(x)>0 f ( x ) > 0 。更一般地,在 f f f 可微且不为零的地方,都有 ( ln ∣ f ( x ) ∣ ) ′ = f ′ ( x ) / f ( x ) (\ln|f(x)|)'=f'(x)/f(x) ( ln ∣ f ( x ) ∣ ) ′ = f ′ ( x ) / f ( x ) 。比值 f ′ / f f'/f f ′ / f 称为对数导数,用于衡量瞬时相对变化率:若种群数量 P ( t ) P(t) P ( t ) 按 P ′ = r P P'=rP P ′ = r P 增长,则 ( ln P ) ′ = r (\ln P)'=r ( ln P ) ′ = r 。因此,当相对增长率保持不变时,种群数量的对数随时间变化的图像是一条直线。
对数求导法可以简化乘积、商以及变指数幂函数的求导。对于 x > 0 x>0 x > 0 ,令 y = x x y=x^x y = x x ,则有 ln y = x ln x \ln y=x\ln x ln y = x ln x ,所以
y ′ = x x ( ln x + 1 ) . y'=x^x(\ln x+1). y ′ = x x ( ln x + 1 ) .
对于由正值可微因子组成的乘积 f = ∏ j = 1 n f j f=\prod_{j=1}^n f_j f = ∏ j = 1 n f j ,有
f ′ f = ∑ j = 1 n f j ′ f j . \frac{f'}{f}=\sum_{j=1}^n\frac{f_j'}{f_j}. f f ′ = j = 1 ∑ n f j f j ′ .
这一恒等式在数学分析以及涉及乘积的优化问题中很有用,但因子的零点需要另行处理。
基本的原函数 公式为
∫ d x x = ln ∣ x ∣ + C \int\frac{dx}{x}=\ln|x|+C ∫ x d x = ln ∣ x ∣ + C
它适用于任何不包含零的区间。利用分部积分法 还可得
∫ ln x d x = x ln x − x + C . \int\ln x\,dx=x\ln x-x+C. ∫ ln x d x = x ln x − x + C .
尽管当 x → 0 + x\to0^+ x → 0 + 时,ln x \ln x ln x 趋于负无穷,但它在零附近的反常积分仍为有限值:
∫ 0 1 ln x d x = − 1. \int_0^1\ln x\,dx=-1. ∫ 0 1 ln x d x = − 1.
这一区别说明,无界函数的反常积分仍可能收敛。
凹性可以导出一些重要的不等式。由 x = 1 x=1 x = 1 处的切线可得
ln x ≤ x − 1 , x > 0 , \ln x\le x-1,\qquad x>0, ln x ≤ x − 1 , x > 0 ,
且等号仅在 x = 1 x=1 x = 1 时成立。更一般地,由詹森不等式 可知
ln ( ∑ j w j x j ) ≥ ∑ j w j ln x j \ln\!\left(\sum_j w_jx_j\right)\ge\sum_jw_j\ln x_j ln ( j ∑ w j x j ) ≥ j ∑ w j ln x j
其中 x j x_j x j 为正数,权重 w j w_j w j 非负,且 ∑ j w j = 1 \sum_jw_j=1 ∑ j w j = 1 。对两边取指数,即得加权算术—几何平均值不等式。这类不等式是概率论、信息论和优化领域中许多结果的基础。
级数、局部近似与积分表示 自然对数最基本的幂级数 为
ln ( 1 + x ) = x − x 2 2 + x 3 3 − x 4 4 + ⋯ . \ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}-\frac{x^4}{4}+\cdots. ln ( 1 + x ) = x − 2 x 2 + 3 x 3 − 4 x 4 + ⋯ .
它在 − 1 < x ≤ 1 -1<x\le1 − 1 < x ≤ 1 时收敛。在 ∣ x ∣ < 1 |x|<1 ∣ x ∣ < 1 内,对 1 / ( 1 + x ) 1/(1+x) 1/ ( 1 + x ) 的等比级数 逐项积分即可得到这一展开式。当 x = 1 x=1 x = 1 时,它给出交错调和级数
ln 2 = 1 − 1 2 + 1 3 − 1 4 + ⋯ , \ln2=1-\frac12+\frac13-\frac14+\cdots, ln 2 = 1 − 2 1 + 3 1 − 4 1 + ⋯ ,
该级数条件收敛。当 x = − 1 x=-1 x = − 1 时,级数发散,这与 ln ( 1 + x ) \ln(1+x) ln ( 1 + x ) 在该点存在奇点相一致。
在零附近,前几项就能提供实用的近似:
ln ( 1 + x ) = x − x 2 2 + O ( x 3 ) . \ln(1+x)=x-\frac{x^2}{2}+O(x^3). ln ( 1 + x ) = x − 2 x 2 + O ( x 3 ) .
特别地,当 x → 0 x\to0 x → 0 时,ln ( 1 + x ) ∼ x \ln(1+x)\sim x ln ( 1 + x ) ∼ x 。因此,对数的微小变化可以近似看作原量的相对变化。例如,增加 1 % 1\% 1% 相当于将一个量乘以 1.01 1.01 1.01 ,其自然对数的变化量为 ln 1.01 ≈ 0.00995033 \ln1.01\approx0.00995033 ln 1.01 ≈ 0.00995033 ,接近但不完全等于 0.01 0.01 0.01 。当 0 ≤ x ≤ 1 0\le x\le1 0 ≤ x ≤ 1 时,截断这一交错级数所产生的误差,其绝对值不超过第一个被舍去项的绝对值。
另一个实用的展开式为
ln x = 2 ( z + z 3 3 + z 5 5 + ⋯ ) , z = x − 1 x + 1 . \ln x=2\left(z+\frac{z^3}{3}+\frac{z^5}{5}+\cdots\right), \qquad z=\frac{x-1}{x+1}. ln x = 2 ( z + 3 z 3 + 5 z 5 + ⋯ ) , z = x + 1 x − 1 .
对于任意正数 x x x ,都有 ∣ z ∣ < 1 |z|<1 ∣ z ∣ < 1 ,因此该级数收敛。当 x x x 接近 1 1 1 时,这一展开式尤其有效,因为此时 z z z 很小。将 ln ( 1 + z ) \ln(1+z) ln ( 1 + z ) 的展开式减去 ln ( 1 − z ) \ln(1-z) ln ( 1 − z ) 的展开式,即可得到它。与 ln ( 1 + x ) \ln(1+x) ln ( 1 + x ) 的交错级数不同,当 z > 0 z>0 z > 0 时,这里列出的各项均为同号。
除了用来定义对数的面积积分外,对数还有其他积分表示:
ln x = ∫ 0 ∞ ( 1 1 + t − 1 x + t ) d t , x > 0. \ln x=\int_0^\infty \left(\frac1{1+t}-\frac1{x+t}\right)\,dt, \qquad x>0. ln x = ∫ 0 ∞ ( 1 + t 1 − x + t 1 ) d t , x > 0.
积分中的差式至关重要:若将两项分别积分,两个积分都会发散。对 x x x 求导可得 1 / x 1/x 1/ x ,再代入 x = 1 x=1 x = 1 即可确定常数。这类公式将标量对数与算子函数及积分不等式联系起来。
在任意正数 a a a 处展开的泰勒级数 为
ln x = ln a + ∑ n = 1 ∞ ( − 1 ) n + 1 n ( x − a a ) n , ∣ x − a ∣ < a . \ln x=\ln a+ \sum_{n=1}^\infty \frac{(-1)^{n+1}}{n} \left(\frac{x-a}{a}\right)^n, \qquad |x-a|<a. ln x = ln a + n = 1 ∑ ∞ n ( − 1 ) n + 1 ( a x − a ) n , ∣ x − a ∣ < a .
其收敛半径受到零点处奇点的限制。在复分析中,这反映出:若一个区域包含绕原点一整圈的闭合路径,就无法将对数的某一分支解析延拓到整个区域。
增长、渐近性质与对数方程 对数的增长没有上界,但比其自变量的任意正幂都慢。对每个 α > 0 \alpha>0 α > 0 ,都有
lim x → ∞ ln x x α = 0. \lim_{x\to\infty}\frac{\ln x}{x^\alpha}=0. x → ∞ lim x α ln x = 0.
更一般地,对固定的正数 p , q p,q p , q ,有
( ln x ) p = o ( x q ) . (\ln x)^p=o(x^q). ( ln x ) p = o ( x q ) .
这些关系确立了增长速率的一种重要层次:迭代对数比对数增长得慢,对数比正幂增长得慢,而固定幂次的幂函数又比指数函数增长得慢。在大O记号 等渐近记号中,只要底数是大于 1 1 1 的固定数,对数换底便不影响渐近阶,因为它只引入一个常数因子。
尽管增长如此缓慢,对数式发散在数学上仍具有重要意义。调和部分和满足
∑ k = 1 n 1 k = ln n + γ + o ( 1 ) , \sum_{k=1}^n\frac1k=\ln n+\gamma+o(1), k = 1 ∑ n k 1 = ln n + γ + o ( 1 ) ,
其中 γ \gamma γ 为欧拉–马歇罗尼常数。因此,调和级数虽然其部分和仅以对数速度增长,却仍然发散。相关的积分判别法表明,
∫ e ∞ d x x ( ln x ) p \int_e^\infty\frac{dx}{x(\ln x)^p} ∫ e ∞ x ( ln x ) p d x
当且仅当 p > 1 p>1 p > 1 时收敛。作代换 u = ln x u=\ln x u = ln x ,便可将其化为普通的幂函数积分,说明了对数因子如何区分临界情形下的收敛与发散。
对数在数论 中占有核心地位。素数定理 指出,不超过 x x x 的素数个数 π ( x ) \pi(x) π ( x ) 满足
π ( x ) ∼ x ln x . \pi(x)\sim\frac{x}{\ln x}. π ( x ) ∼ ln x x .
一种更精细的经典比较采用对数积分 ,其常用的规范化定义为
Li ( x ) = ∫ 2 x d t ln t . \operatorname{Li}(x)=\int_2^x\frac{dt}{\ln t}. Li ( x ) = ∫ 2 x ln t d t .
分母反映了素数分布越来越稀疏的趋势。对数的另一个重要应用是斯特林近似的对数形式:
ln ( n ! ) = n ln n − n + 1 2 ln ( 2 π n ) + O ( 1 / n ) . \ln(n!)=n\ln n-n+\tfrac12\ln(2\pi n)+O(1/n). ln ( n !) = n ln n − n + 2 1 ln ( 2 π n ) + O ( 1/ n ) .
它将快速增长的阶乘 转化为加法形式的表达式。
同时包含对数与普通代数运算的方程,其解未必能用初等函数表示。例如,求解 x e x = a xe^x=a x e x = a 会引出 朗伯 W W W 函数 ,其定义为 W ( a ) e W ( a ) = a W(a)e^{W(a)}=a W ( a ) e W ( a ) = a 。形如 ln x = c x \ln x=cx ln x = c x 的方程可以改写为
( − c x ) e − c x = − c , (-cx)e^{-cx}=-c, ( − c x ) e − c x = − c ,
从而在 c ≠ 0 c\ne0 c = 0 时得到 x = − W ( − c ) / c x=-W(-c)/c x = − W ( − c ) / c ,但须满足相应的分支与定义域限制。随 c c c 的取值不同,方程可能没有正实数解,也可能有一个或两个正实数解。
在零附近,对数也表现出特有的极限行为:
lim x → 0 + x α ∣ ln x ∣ = 0 \lim_{x\to0^+}x^\alpha|\ln x|=0 x → 0 + lim x α ∣ ln x ∣ = 0
对每个 α > 0 \alpha>0 α > 0 都成立。趋于零的幂函数足以压过对数的发散。这一事实说明了为何可以利用 x ln x → 0 x\ln x\to0 x ln x → 0 将该函数在零处连续延拓;这种延拓用于熵的公式以及许多反常积分中。
历史发展与计算用表 对数的出现,源于简化天文学、航海和测量中大量数值计算的需要。其概念背景之一是等差数列与等比数列之间的比较:等间隔的指数所对应的数,彼此之间具有反复相乘的关系。将乘积转化为和,可以大幅减少多位数计算所需的劳动及其中的差错,在机械计算和电子计算出现之前尤其如此。
苏格兰数学家约翰·纳皮尔 于1614年出版了《奇妙的对数表说明》(Mirifici Logarithmorum Canonis Descriptio )。书中给出了对数表,并解释了其用法,尤其是在三角计算中的应用。纳皮尔最初的对数基于一种运动学构造,涉及匀速运动和速度按比例递减的运动。其归一化方式和变化方向均与现代自然对数不同,因此,声称纳皮尔只是引入了今天以 e e e 为底的对数,在历史上是有误导性的。他阐述这一构造的著作《奇妙的对数表构造》(Mirifici Logarithmorum Canonis Constructio )于1619年在他去世后出版。
英国数学家亨利·布里格斯 推动了常用对数的确立。在与纳皮尔讨论之后,他编制了经过归一化的对数表,使 1 1 1 的对数为 0 0 0 ,10 10 10 的对数为 1 1 1 。布里格斯于1617年出版《首批一千个数的对数》(Logarithmorum Chilias Prima ),又于1624年出版《对数算术》(Arithmetica Logarithmica )。后者给出了从 1 1 1 到 20,000 20{,}000 20 , 000 以及从 90,000 90{,}000 90 , 000 到 100,000 100{,}000 100 , 000 的整数的十四位对数。阿德里安·弗拉克于1628年出版的对数表,则连续列出了直至 100,000 100{,}000 100 , 000 的十位对数。
瑞士仪器制造师兼数学家约斯特·比尔吉独立编制了与之密切相关的数表,并于1620年出版。他的工作说明,对数方法产生于更广泛的数值计算传统,而非某个孤立的想法。17世纪,包括格雷瓜尔·德·圣樊尚和阿方斯·安东尼奥·德·萨拉萨在内的学者,通过各自的工作逐渐揭示了对数与直角双曲线下方面积之间的联系。此后,微积分的发展阐明了自然对数的特殊地位,而莱昂哈德·欧拉 则帮助确立了对数、指数与复数之间的现代关系。
利用对数表进行乘法时,可以先查出两个数的对数,将其相加,再查反对数表。求幂时,需要将对数乘以指数;开方时,则需要做除法。表中未列出的中间数值可通过插值求得。17世纪发明的计算尺 以几何方式体现了同一原理:将对数刻度上的距离相加,就相当于将这些刻度所表示的数相乘。对数表和计算尺长期以来都是重要的计算工具,直到20世纪才被电子计算器和计算机取代。
数值计算与浮点运算特性 现代对数函数的实现通常将自变量范围缩减与精心设计的近似方法相结合。正的二进制浮点数可以写成
其中,k k k 是整数,尾数 m m m 位于一个有界区间内,通常为 [ 1 , 2 ) [1,2) [ 1 , 2 ) 。于是
ln x = k ln 2 + ln m . \ln x=k\ln2+\ln m. ln x = k ln 2 + ln m .
这样,计算的难点就从整个正实数轴缩小到了一个紧区间。通过进一步划分区间、使用查找表,以及采用多项式或有理函数近似,可以使余下的计算既快速又准确。
数值分析 区分近似误差和舍入误差。在精确运算中,一个多项式可能非常接近 ln m \ln m ln m ,但用浮点运算 求其值时,仍可能引入额外误差。实现时还必须处理极小和极大的输入、次正规数,以及最后与 k ln 2 k\ln2 k ln 2 合并计算的步骤。高质量的数学库通常会将常数拆分为多个浮点数部分,以便在这些运算中保留有效位。具体实现方案取决于硬件和精度要求。
接近 1 1 1 的输入需要特别注意。当 u u u 很小时,如果先计算 1 + u 1+u 1 + u ,再求 ln ( 1 + u ) \ln(1+u) ln ( 1 + u ) ,就可能丢失 u u u 中大部分有效数字,甚至将和直接舍入为 1 1 1 。标准函数 log1p(u) 不依赖这个经过舍入的中间和,就能准确计算这一值。与之配套的 expm1(u) 则能在零附近准确计算 e u − 1 e^u-1 e u − 1 。这些函数在概率计算、金融公式以及涉及微小相对变化的算法中十分重要。
对数问题的条件性也取决于如何度量误差。对于 f ( x ) = ln x f(x)=\ln x f ( x ) = ln x ,微小的绝对扰动满足
Δ f ≈ Δ x x . \Delta f\approx\frac{\Delta x}{x}. Δ f ≈ x Δ x .
因此,x x x 的微小相对误差会在 ln x \ln x ln x 中产生大小近似相等的绝对误差。相对条件数 为
∣ x f ′ ( x ) f ( x ) ∣ = 1 ∣ ln x ∣ , \left|\frac{xf'(x)}{f(x)}\right| =\frac1{|\ln x|}, f ( x ) x f ′ ( x ) = ∣ ln x ∣ 1 ,
在 x = 1 x=1 x = 1 附近,输出接近零,这一条件数会变得很大。这是问题本身的性质,与具体算法的稳定性不同。
当乘积可能下溢时,使用对数可以改善数值稳定性 ,但随后进行指数运算时,又可能出现数值范围问题。一个常用恒等式是
ln ∑ i e a i = m + ln ∑ i e a i − m , m = max i a i . \ln\sum_i e^{a_i} =m+\ln\sum_i e^{a_i-m}, \qquad m=\max_i a_i. ln i ∑ e a i = m + ln i ∑ e a i − m , m = i max a i .
平移后各项的指数函数值均不超过 1 1 1 ,从而避免了上溢。这种“对数和指数”(log-sum-exp)计算广泛用于概率模型和Softmax函数 的求值。它在保持数学上的精确值不变的同时,改变了得到该值所采用的数值计算路径。
对数尺度与物理测量 对数尺度 用相等的间距表示相等的比值。若绘图坐标为 u = log b x u=\log_b x u = log b x ,则将 x x x 乘以 b b b 会使 u u u 增加一个单位。因此,数值 1 , 10 , 100 , 1000 1,10,100,1000 1 , 10 , 100 , 1000 在以 10 10 10 为底的坐标轴上等距分布。当数值跨越多个数量级,或相对差异比绝对差异更重要时,这类尺度十分有用。除非采用另一种明确定义的变换,否则用于绘图的量必须为正。
在半对数图中,一条坐标轴采用对数尺度,另一条采用线性尺度。指数关系 y = A e k x y=Ae^{kx} y = A e k x 可变为
ln y = ln A + k x , \ln y=\ln A+kx, ln y = ln A + k x ,
因此在图中呈现为直线。在双对数图中,两条坐标轴均采用对数尺度,幂律 关系 y = C x α y=Cx^\alpha y = C x α 可变为
ln y = ln C + α ln x . \ln y=\ln C+\alpha\ln x. ln y = ln C + α ln x .
其斜率就是指数 α \alpha α 。然而,仅凭一段看似笔直的线段,并不能断定幂律在所有尺度上都成立;有限的取值范围、测量误差以及其他函数形式,都可能产生相似的图像。
分贝 用于度量比值的对数。对于功率 P 1 , P 0 > 0 P_1,P_0>0 P 1 , P 0 > 0 ,其级差为
L = 10 log 10 ( P 1 / P 0 ) dB . L=10\log_{10}(P_1/P_0)\ \text{dB}. L = 10 log 10 ( P 1 / P 0 ) dB .
功率增至原来的十倍,对应增加 10 10 10 dB;增至原来的两倍,则对应增加约 3.0103 3.0103 3.0103 dB。对于在条件匹配时功率与其平方成正比的振幅量,相应公式为 20 log 10 ( A 1 / A 0 ) 20\log_{10}(A_1/A_0) 20 log 10 ( A 1 / A 0 ) 。因此,系数 20 20 20 的适用取决于振幅与功率之间的物理关系,而不是一条独立的普适规则。
化学量酸碱度 (pH)用氢离子活度定义:
p H = − log 10 a H + . \mathrm{pH}=-\log_{10}a_{\mathrm{H}^+}. pH = − log 10 a H + .
活度是无量纲量,考虑了非理想行为。基于浓度的公式是在特定条件下适用的近似式。pH 值相差一个单位,意味着氢离子活度相差十倍,且变化方向相反。其他采用对数的测量还包括天文学中的星等差,其中相差五个星等对应的通量相差 100 100 100 倍,以及若干种地震震级标度。
在物理学中,对数严格来说应作用于无量纲数。当 x x x 是带有单位的测量量时,非正式写作 ln x \ln x ln x 的表达式通常指 ln ( x / x 0 ) \ln(x/x_0) ln ( x / x 0 ) ,其中 x 0 x_0 x 0 是指定的参考量。改变参考量,会使对数值增加一个常数。这就是为什么以分贝表示的级在描述绝对测量值时需要指定参考量,而分贝差可以直接表示一个比值。
统计模型、变换与相对变化 当观测值为正,且变异具有乘法性质时,对数有着广泛的应用。模型
Y = A e β x ε , ε > 0 , Y=Ae^{\beta x}\varepsilon,\qquad \varepsilon>0, Y = A e β x ε , ε > 0 ,
经变换后成为
ln Y = ln A + β x + ln ε . \ln Y=\ln A+\beta x+\ln\varepsilon. ln Y = ln A + β x + ln ε .
乘性误差由此变为加性误差。这可以简化线性回归 ,但也改变了统计模型和所估计的量。对取对数后的数据使用最小二乘法,最小化的是对数空间中的偏差平方和,而非原始观测值的偏差平方和。
如果 ln Y \ln Y ln Y 服从均值为 μ \mu μ 、方差为 σ 2 \sigma^2 σ 2 的正态分布 ,那么 Y Y Y 就服从对数正态分布 。其中位数为 e μ e^\mu e μ ,而均值为
E [ Y ] = e μ + σ 2 / 2 . \operatorname{E}[Y]=e^{\mu+\sigma^2/2}. E [ Y ] = e μ + σ 2 /2 .
因此,对拟合得到的对数均值取指数,通常并不能得到原始尺度上的均值。这一区别源于指数运算的非线性;在将变换后的结果换算回原始单位时,必须注意这一点。
对数模型中的系数具有精确的比例解释。在对数线性模型 ln Y = α + β x \ln Y=\alpha+\beta x ln Y = α + β x 中,x x x 每增加一个单位,Y Y Y 的拟合值就乘以 e β e^\beta e β ,对应的精确百分比变化为 100 ( e β − 1 ) % 100(e^\beta-1)\% 100 ( e β − 1 ) % 。只有当 ∣ β ∣ |\beta| ∣ β ∣ 较小时,近似值 100 β % 100\beta\% 100 β % 才足够准确。在双对数模型
ln Y = α + β ln X , \ln Y=\alpha+\beta\ln X, ln Y = α + β ln X ,
中,系数 β \beta β 是弹性:
β = d ln Y d ln X = X Y d Y d X . \beta=\frac{d\ln Y}{d\ln X} =\frac{X}{Y}\frac{dY}{dX}. β = d ln X d ln Y = Y X d X d Y .
它衡量的是两个变量相对变化率的局部比值。
对数还可以简化最大似然估计 。对于相互独立的观测值,若似然函数为
L ( θ ) = ∏ i = 1 n p ( x i ∣ θ ) , L(\theta)=\prod_{i=1}^n p(x_i\mid\theta), L ( θ ) = i = 1 ∏ n p ( x i ∣ θ ) ,
则对数似然函数为
ℓ ( θ ) = ∑ i = 1 n ln p ( x i ∣ θ ) . \ell(\theta)=\sum_{i=1}^n\ln p(x_i\mid\theta). ℓ ( θ ) = i = 1 ∑ n ln p ( x i ∣ θ ) .
由于对数函数严格递增,在似然为正的范围内,使 L L L 最大和使 ℓ \ell ℓ 最大的参数取值相同。相加的形式更易于求导,也更不容易发生数值下溢。对于被赋予零概率的观测值,需要通过扩展取值或明确限制定义域来处理。
零值和负观测值不能直接进行实对数变换。加上一个常数会改变比值,并可能实质性地改变模型的解释;这种修正并非在代数意义上不产生影响。对数在统计学中的另一处应用是本福特定律 。根据这一定律,十进制数的首位数字为 d ∈ { 1 , … , 9 } d\in\{1,\ldots,9\} d ∈ { 1 , … , 9 } 的概率为
log 10 ( 1 + 1 / d ) . \log_{10}(1+1/d). log 10 ( 1 + 1/ d ) .
当某个量以 10 10 10 为底的对数的小数部分服从均匀分布时,就会得到这一分布。它描述的是某些数值数据集,而非所有正值数据集。
信息论与算法复杂度 在信息论 中,概率为 p > 0 p>0 p > 0 的事件的自信息 为
I ( p ) = − log b p . I(p)=-\log_b p. I ( p ) = − log b p .
对数使独立事件的信息量具有可加性:若联合概率为 p q pq pq ,则 I ( p q ) = I ( p ) + I ( q ) I(pq)=I(p)+I(q) I ( pq ) = I ( p ) + I ( q ) 。按照这一度量,概率越小的事件携带的信息越多。以 2 2 2 为底时,信息量的单位为比特;以 e e e 为底时,单位为奈特;以 10 10 10 为底时,则使用十进制信息单位。必然事件的自信息为零,因为 − log b 1 = 0 -\log_b1=0 − log b 1 = 0 。
对于各取值概率为 p i p_i p i 的离散随机变量 ,其信息熵 为
H ( X ) = − ∑ i p i log b p i , H(X)=-\sum_i p_i\log_b p_i, H ( X ) = − i ∑ p i log b p i ,
其中,0 log 0 0\log0 0 log 0 按其极限值定义为 0 0 0 。如果有 n n n 种等可能的结果,则 H ( X ) = log b n H(X)=\log_b n H ( X ) = log b n 。以 2 2 2 为底时,区分 2 k 2^k 2 k 种等可能的结果需要 k k k 比特的信息。克劳德·香农 在其 1948 年关于通信的研究中建立了这一框架,将熵与可实现的编码速率联系起来。
相关度量使用比值的对数。对于离散概率分布 P P P 和 Q Q Q ,在满足适当的支撑集条件时,KL散度 为
D ( P ∥ Q ) = ∑ i p i ln p i q i , D(P\|Q)=\sum_i p_i\ln\frac{p_i}{q_i}, D ( P ∥ Q ) = i ∑ p i ln q i p i ,
它具有非负性,但通常不对称,因此并非度量意义上的距离。交叉熵 为
H ( P , Q ) = − ∑ i p i ln q i , H(P,Q)=-\sum_i p_i\ln q_i, H ( P , Q ) = − i ∑ p i ln q i ,
当这些量均为有限值时,满足 H ( P , Q ) = H ( P ) + D ( P ∥ Q ) H(P,Q)=H(P)+D(P\|Q) H ( P , Q ) = H ( P ) + D ( P ∥ Q ) 。这些表达式是概率建模和机器学习的基础。
对数还可用于描述反复将问题规模缩小至原来某个固定比例的算法。在二分查找 中,每次比较都会排除有序查找区间中约一半的元素。经过 k k k 次缩减后,规模为 n n n 的问题,其规模约为 n / 2 k n/2^k n / 2 k ;因此,要将规模降至常数量级,所需的 k k k 为 log 2 n \log_2n log 2 n 量级。平衡搜索树的高度为对数量级,也是出于同样的原因。每一层都将问题划分为子问题的算法,其层数可能为对数量级,但每层的工作量却可能超过常数量级,标准归并排序的复杂度 O ( n log n ) O(n\log n) O ( n log n ) 就是如此。
通过计算可区分的情况数,也能证明复杂度的下界。两个不同关键字之间的比较有两种可能结果,因此,高度为 h h h 的决策树至多能区分 2 h 2^h 2 h 种情况。对 n n n 个互不相同的元素排序,必须区分 n ! n! n ! 种可能的排列顺序,由此可得,最坏情况下比较次数的下界为 log 2 ( n ! ) = Ω ( n log n ) \log_2(n!)=\Omega(n\log n) log 2 ( n !) = Ω ( n log n ) 。这一论证针对的是基于比较的排序;对于允许利用关键字额外结构的算法,它并不施加同样的限制。
复对数与分支结构 对于非零复数 z z z ,任何满足 e w = z e^w=z e w = z 的复数 w w w 都称为它的一个对数。将其写成
z = r e i θ , r = ∣ z ∣ > 0 , z=re^{i\theta},\qquad r=|z|>0, z = r e i θ , r = ∣ z ∣ > 0 ,
便可得到所有解:
w = ln r + i ( θ + 2 π k ) , k ∈ Z . w=\ln r+i(\theta+2\pi k),\qquad k\in\mathbb Z. w = ln r + i ( θ + 2 π k ) , k ∈ Z .
因此,与正实数的实对数不同,不加限制的复对数是多值的。这种多值性源于周期性 e w + 2 π i = e w e^{w+2\pi i}=e^w e w + 2 π i = e w ,而非定义本身存在任何不确定性。
从中选取一个单值函数,就得到一个分支。一种常见的主值约定是将辐角选在 ( − π , π ] (-\pi,\pi] ( − π , π ] 内,从而得到
Log z = ln ∣ z ∣ + i Arg z . \operatorname{Log}z=\ln|z|+i\operatorname{Arg}z. Log z = ln ∣ z ∣ + i Arg z .
这一约定为每个非零数都赋予了一个值,但所得函数在负实轴处不连续。相应的解析主分支通常定义在割平面
C ∖ ( − ∞ , 0 ] , \mathbb C\setminus(-\infty,0], C ∖ ( − ∞ , 0 ] ,
上,辐角取值于 ( − π , π ) (-\pi,\pi) ( − π , π ) 。在这个开域上,
d d z Log z = 1 z . \frac{d}{dz}\operatorname{Log}z=\frac1z. d z d Log z = z 1 .
在支割线处,必须区分逐点定义的主值与解析分支。
在整个去心平面 C ∖ { 0 } \mathbb C\setminus\{0\} C ∖ { 0 } 上,不存在连续的对数函数。若连续选取辐角,并沿逆时针方向绕原点一周,辐角就会增加 2 π 2\pi 2 π ,尽管在平面上终点与起点相同。等价地,
∮ ∣ z ∣ = 1 d z z = 2 π i , \oint_{|z|=1}\frac{dz}{z}=2\pi i, ∮ ∣ z ∣ = 1 z d z = 2 π i ,
而一个全局定义的函数的导数沿闭曲线的积分应当为零。在不包含零点的单连通 开域上,坐标函数确实存在解析对数。
熟悉的乘积法则用于主值时必须加以修正。一般而言,
Log ( z w ) = Log z + Log w + 2 π i k \operatorname{Log}(zw) =\operatorname{Log}z+\operatorname{Log}w+2\pi i k Log ( z w ) = Log z + Log w + 2 π ik
其中整数由辐角的选取方式决定。例如,按照上述主值约定,Log ( − 1 ) = i π \operatorname{Log}(-1)=i\pi Log ( − 1 ) = iπ ,而 Log 1 = 0 \operatorname{Log}1=0 Log 1 = 0 ,因此不能直接将两个 − 1 -1 − 1 的对数主值相加,来得到它们乘积的对数主值。对于多值对数,这一关系自然应通过所有可能取值构成的集合来理解。
复数幂通过对数来定义:
z α = exp ( α log z ) . z^\alpha=\exp(\alpha\log z). z α = exp ( α log z ) .
因此,复数幂可能是多值的,也可能依赖于所选分支。整数次幂与分支无关,非整数次幂通常则不然。解析延拓 将这些取值组织在一个对数覆盖曲面上;在这个曲面上,连续绕零点旋转会到达不同的叶。这种几何结构解释了根式、分数次幂以及复分析 中许多其他函数的分支结构。
矩阵对数与离散对数 矩阵对数 将指数运算的逆运算这一思想推广到方阵。若矩阵 X X X 满足
e X = A , e X = ∑ k = 0 ∞ X k k ! . e^X=A,\qquad e^X=\sum_{k=0}^\infty\frac{X^k}{k!}. e X = A , e X = k = 0 ∑ ∞ k ! X k .
则称 X X X 是 A A A 的一个对数。矩阵的指数总是可逆的,因此奇异矩阵没有对数。反过来,每个可逆复方矩阵 都至少有一个复矩阵对数,但通常并不唯一。对数的可能取值取决于对各个标量特征值所选的对数分支,以及矩阵本身的结构。
如果 A A A 可对角化,即 A = S D S − 1 A=SDS^{-1} A = S D S − 1 ,就可以为 D D D 的各个非零对角元选取对数,从而构造出一个矩阵对数:
X = S diag ( log λ 1 , … , log λ n ) S − 1 . X=S\,\operatorname{diag}(\log\lambda_1,\ldots,\log\lambda_n)\,S^{-1}. X = S diag ( log λ 1 , … , log λ n ) S − 1 .
对于更一般的矩阵,所用方法还需要考虑其若尔当结构。如果 A A A 在非正实轴上没有特征值,那么它有唯一的主对数,且该主对数各特征值的虚部都介于 − π -\pi − π 与 π \pi π 之间。对于实对称正定矩阵 ,其主对数也是实对称矩阵,可通过对其正特征值逐一取实自然对数得到。
矩阵乘法通常不满足交换律,因此标量恒等式 log ( A B ) = log A + log B \log(AB)=\log A+\log B log ( A B ) = log A + log B 不能不加限制地推广到矩阵。即使矩阵彼此可交换,也仍需选择相容的对数分支。实可逆矩阵不一定有实矩阵对数:一阶矩阵 [ − 1 ] [-1] [ − 1 ] 就是最简单的例子。矩阵对数可用于连续时间模型、变换和几何,但仅有矩阵对数的存在性,并不能保证它满足其他要求,例如成为一个有效的马尔可夫生成元。
离散对数 是另一种代数上的类似概念。在由 g g g 生成的有限循环群中,离散对数问题要求找出整数 k k k ,使得
如果 g g g 的阶为 n n n ,那么该指数在模 n n n 意义下唯一确定。例如,
3 4 ≡ 13 ( m o d 17 ) , 3^4\equiv13\pmod{17}, 3 4 ≡ 13 ( mod 17 ) ,
因此,模 17 17 17 下 13 13 13 以 3 3 3 为底的离散对数,在模 16 16 16 意义下为 4 4 4 ,因为 3 3 3 生成了模 17 17 17 的非零剩余类所成的乘法群。
与实数对数不同,大型有限群中的离散对数可能难以计算。其计算难度在很大程度上取决于群及其表示方式。利用有限域结构的算法不同于通用群算法,而椭圆曲线群又有不同的计算特性。离散对数问题是一些重要密码学构造的基础。它保留了对数作为“求指数”的含义,却不具备实对数函数的序性质、连续性、可微性或凹性。