{
  "id": "natural-logarithm",
  "title": "自然对数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "自然对数是以自然常数e为底的指数函数的反函数，在微积分、增长模型、概率论和复分析中具有基础地位。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "纳皮尔对数",
    "双曲对数"
  ],
  "generated_at": "2026-11-02",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/natural-logarithm/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/natural-logarithm/",
      "json": "https://aiwiki.page/en/natural-logarithm.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "正实数 \\(x\\) 的自然对数记作 \\(\\ln x\\)，是以 自然常数e 为底的对数，其中 \\(e=2.718281828\\ldots\\)。换言之，它是使 \\(e\\) 的幂等于 \\(x\\) 的指数。因此，自然对数函数是实指数函数的反函数：对任意实数 \\(y\\)，都有 \\(\\ln(e^y)=y\\)；对任意 \\(x>0\\)，都有 \\(e^{\\ln x}=x\\)。\n\n自然对数将乘法转化为加法，并用加性尺度衡量乘性变化。它之所以尤为重要，在于它与微积分的契合：它的导数恰好是 \\(1/x\\)，没有其他底数的对数求导时出现的常数因子。因此，自然对数广泛应用于积分、连续增长、数值计算、统计推断和信息度量。它在复数范围内的推广也是多值函数的一个重要例子，并说明了为什么在正实数范围之外使用对数恒等式时需要格外谨慎。"
    },
    {
      "heading": "定义与数学刻画",
      "text": "定义自然对数时，不必先构造以无理数为底的指数运算。一种标准定义使用积分：\n\n\\[\\ln x=\\int_1^x\\frac{dt}{t},\\qquad x>0.\\]\n\n当 \\(x\\geq 1\\) 时，这个积分表示曲线 \\(y=1/t\\) 下方、从 \\(1\\) 到 \\(x\\) 之间的面积。当 \\(0<x<1\\) 时，积分上下限的顺序颠倒，积分值为负。由这一定义可立即得到 \\(\\ln 1=0\\)。旧称“双曲对数”反映了它与等轴双曲线 \\(y=1/x\\) 的联系。\n\n根据微积分基本定理，这个函数的导数为 \\(1/x\\)。因此，它在正实数上连续且严格递增。其函数值向正、负两个方向均无界：\n\n\\[\\lim_{x\\to0^+}\\ln x=-\\infty, \\qquad \\lim_{x\\to\\infty}\\ln x=\\infty.\\]\n\n例如，将积分区间划分为若干个区间 \\([2^k,2^{k+1}]\\)，便可看出它在趋于无穷大时的发散性。通过变量代换可知，每个区间对积分的贡献都是相同的正面积，因此总和会无限增大。由此，\\(\\ln\\) 是从 \\((0,\\infty)\\) 到 \\(\\mathbb R\\) 的双射函数，其反函数便定义了指数函数。\n\n数 \\(e\\) 是满足 \\(\\ln e=1\\) 的唯一正数。这一刻画与人们熟悉的复利极限一致：\n\n\\[e=\\lim_{n\\to\\infty}\\left(1+\\frac1n\\right)^n.\\]\n\n另一种做法是，先通过收敛幂级数或微分方程定义 \\(\\exp x\\)，再将 \\(\\ln\\) 定义为它的反函数。这些构造得到的是同一个函数，区别仅在于先确立哪些性质。\n\n自然对数也可刻画为 \\((0,\\infty)\\) 上满足 \\(f'(x)=1/x\\) 且 \\(f(1)=0\\) 的唯一可微函数。代数上的刻画则使用恒等式 \\(f(xy)=f(x)+f(y)\\)。在连续性或其他适当且相近的正则性假设下，所有这样的函数都具有 \\(f(x)=c\\ln x\\) 的形式；再要求 \\(f(e)=1\\)，便可确定 \\(c=1\\)。若没有正则性假设，仅凭这一将乘法转化为加法的恒等式，还会存在病态解。\n\n记号的使用取决于语境。初等数学通常区分 \\(\\ln x\\) 与 \\(\\log_{10}x\\)，而高等分析中则常用 \\(\\log x\\) 表示自然对数。编程语言和数学软件的约定也各不相同，因此，未加限定的 log 的含义取决于所采用的约定。"
    },
    {
      "heading": "代数恒等式、序关系与不等式",
      "text": "自然对数的基本代数性质是\n\n\\[\\ln(xy)=\\ln x+\\ln y,\\qquad x,y>0.\\]\n\n根据积分定义，作代换 \\(t=xu\\)，可得\n\n\\[\\int_x^{xy}\\frac{dt}{t} = \\int_1^y\\frac{du}{u},\\]\n\n在 \\(x\\) 处将积分拆开，即可证明上述恒等式。因此，正数之间相等的比值对应于其对数之间相等的差值。例如，将任意正数乘以 \\(2\\)，其对数就会增加 \\(\\ln2\\approx0.693147\\)，与该正数的初始值无关。\n\n由乘积恒等式可得商法则与幂法则：\n\n\\[\\ln\\frac{x}{y}=\\ln x-\\ln y, \\qquad \\ln(x^a)=a\\ln x,\\]\n\n其中 \\(x,y>0\\)，\\(a\\) 为实数。实数次幂本身也可以通过 \\(x^a=\\exp(a\\ln x)\\) 来定义。对于任意底数 \\(b>0\\)、\\(b\\ne1\\)，换底公式为\n\n\\[\\log_bx=\\frac{\\ln x}{\\ln b}.\\]\n\n特别地，\\(\\log_{10}x=\\ln x/\\ln10\\)。对于加法，则不存在相应的分配法则：一般而言，\\(\\ln(x+y)\\ne\\ln x+\\ln y\\)。\n\n自然对数的图像严格递增，但向下弯曲，因为\n\n\\[\\frac{d^2}{dx^2}\\ln x=-\\frac1{x^2}<0.\\]\n\n因此，自然对数是严格凹函数，而 \\(-\\ln x\\) 是凸函数。图像在 \\(x=1\\) 处的切线位于图像上方，由此得到基本不等式\n\n\\[\\ln x\\leq x-1,\\]\n\n且仅在 \\(x=1\\) 时等号成立。将此不等式应用于 \\(1/x\\)，还可得\n\n\\[1-\\frac1x\\leq\\ln x\\leq x-1,\\qquad x>0.\\]\n\n这些界限定量描述了对数在 \\(1\\) 附近与其线性近似的接近程度。\n\n凹性也将对数与平均值联系起来。对于正数 \\(x_1,\\ldots,x_n\\) 以及总和为 \\(1\\) 的非负权重 \\(w_i\\)，詹森不等式给出\n\n\\[\\sum_{i=1}^n w_i\\ln x_i \\leq \\ln\\left(\\sum_{i=1}^n w_i x_i\\right).\\]\n\n对两边取指数，即得加权算术—几何平均值不等式：\n\n\\[\\prod_{i=1}^n x_i^{w_i} \\leq \\sum_{i=1}^n w_i x_i.\\]\n\n由严格凹性可知，只有当所有权重为正的数值都相等时，等号才可能成立。用群论的语言来说，自然对数是从正实数乘法群到实数加法群的一个同构。这从结构上解释了为什么在需要将乘法关系转化为加法关系来研究时，对数如此有用。"
    },
    {
      "heading": "微分、积分与相对变化",
      "text": "对于可微的正值函数 \\(u(x)\\)，由链式法则可得\n\n\\[\\frac{d}{dx}\\ln u(x)=\\frac{u'(x)}{u(x)}.\\]\n\n比值 \\(u'/u\\) 称为对数导数。它衡量的是相对于当前值的瞬时变化率，而非绝对变化率 \\(u'\\)。如果一个种群每年增加 \\(100\\) 个个体，那么对于数量为 \\(1{,}000\\) 和 \\(1{,}000{,}000\\) 的种群，这一绝对增长率的意义截然不同；对数导数能够直接区分这两种情况。\n\n对于非零实值函数，相应的公式为\n\n\\[\\frac{d}{dx}\\ln|u(x)|=\\frac{u'(x)}{u(x)}\\]\n\n该式在 \\(u\\) 不为零的任何区间上成立。当 \\(u\\) 为负时，绝对值不可省略。特别地，\n\n\\[\\int\\frac{dx}{x}=\\ln|x|+C.\\]\n\n这一公式分别适用于区间 \\((-\\infty,0)\\) 和 \\((0,\\infty)\\)，两个区间上的积分常数不必相同。普通的定积分不能跨越零点处的奇点。\n\n对数求导法可以简化乘积、商和变指数幂的求导。若 \\(y=x^x\\)，其中 \\(x>0\\)，则 \\(\\ln y=x\\ln x\\)，因此\n\n\\[y'=x^x(\\ln x+1).\\]\n\n更一般地，若 \\(y=u(x)^{v(x)}\\)，且 \\(u(x)>0\\)，则\n\n\\[\\frac{y'}{y} = v'\\ln u+v\\frac{u'}u.\\]\n\n类似地，对于包含许多因子的乘积，也可以先取对数，将乘积化为对数之和，再进行求导。当直接使用乘积法则会产生大量项时，这种方法尤其有用。\n\n自然对数也是分部积分法中的一个基本例子：\n\n\\[\\int\\ln x\\,dx=x\\ln x-x+C,\\qquad x>0.\\]\n\n更一般地，\n\n\\[\\int\\frac{u'(x)}{u(x)}\\,dx=\\ln|u(x)|+C\\]\n\n其中 \\(u\\ne0\\)。这些公式解释了有理函数的积分中为何会出现对数：分母中的一次因子在部分分式分解后，往往会产生一个对数项。\n\n对于小增量 \\(\\Delta x\\)，由可微性可得\n\n\\[\\ln(x+\\Delta x)-\\ln x \\approx\\frac{\\Delta x}{x}.\\]\n\n因此，对数的变化量近似等于相对变化量。这一近似要求相对增量较小，而不仅仅是绝对增量较小。对于有限的相对变化 \\(r>-1\\)，精确的对数变化量为 \\(\\ln(1+r)\\)，而通常的相对变化量为 \\(r\\)；当变化较大时，两者的差异就不容忽视。"
    },
    {
      "heading": "级数、局部近似与渐近行为",
      "text": "自然对数最常见的泰勒级数为\n\n\\[\\ln(1+u) = u-\\frac{u^2}{2}+\\frac{u^3}{3} -\\frac{u^4}{4}+\\cdots.\\]\n\n当 \\(|u|<1\\) 时，对 \\(1/(1+u)\\) 的等比级数逐项积分即可得到这一展开式。该级数在 \\(u=1\\) 处也收敛，此时给出 \\(\\ln2\\) 的交错调和级数表示，但在 \\(u=-1\\) 处发散。它的收敛半径为 \\(1\\)，这反映了对应的自变量取值 \\(1+u=0\\) 处存在奇点。\n\n对于 \\(0\\leq u\\leq1\\)，根据交错级数余项估计，截取前 \\(N\\) 项后的误差不超过 \\(u^{N+1}/(N+1)\\)。因此，近似式 \\(\\ln(1+u)\\approx u\\) 是一个系统展开的首项，而非独立的经验估计。例如，\n\n\\[\\ln(1.01)\\approx0.009950330853,\\]\n\n并不恰好等于 \\(0.01\\)。在这一尺度下，二次修正项 \\(-u^2/2\\) 解释了两者差值的大部分。\n\n一种往往更有效的级数展开采用变量\n\n\\[z=\\frac{x-1}{x+1}.\\]\n\n由于 \\(x=(1+z)/(1-z)\\)，将两个对数级数相减可得\n\n\\[\\ln x = 2\\left( z+\\frac{z^3}{3}+\\frac{z^5}{5}+\\cdots \\right),\\qquad x>0.\\]\n\n这里，对于任意正数 \\(x\\)，都有 \\(|z|<1\\)，不过当 \\(x\\) 极小或极大时，收敛会变慢。当 \\(x=2\\) 时，\\(z=1/3\\)，因此这一展开式的收敛速度远快于交错调和级数。保留至 \\(z^{2N-1}/(2N-1)\\) 项后，余项的绝对值不超过\n\n\\[\\frac{2|z|^{2N+1}}{(2N+1)(1-|z|^2)}.\\]\n\n当自变量趋于无穷大时，对数也无限增大，但其增长速度慢于任意正幂函数：\n\n\\[\\lim_{x\\to\\infty}\\frac{\\ln x}{x^\\alpha}=0 \\qquad(\\alpha>0).\\]\n\n同样，当 \\(x\\to0^+\\) 时，\\(x^\\alpha|\\ln x|\\to0\\)。这些比较对于判断对数奇点是否可积，或对数因子是否会改变表达式的主导量级，都十分重要。特别地，尽管 \\(\\ln x\\) 在零点处发散，它在 \\((0,1)\\) 上的反常积分仍然存在，且等于 \\(-1\\)。\n\n对数也出现在涉及乘积的渐近展开中。一个重要例子是阶乘的斯特林公式的对数形式：\n\n\\[\\ln(n!) = n\\ln n-n+\\frac12\\ln(2\\pi n) +\\frac1{12n}+O(n^{-3}).\\]\n\n对数将乘积 \\(1\\cdot2\\cdots n\\) 转化为和，从而可以利用积分进行近似，并引入高阶修正。这一展开式在组合数学、概率论以及极大阶乘的数值计算中具有基础性作用。"
    },
    {
      "heading": "历史发展",
      "text": "对数最初是一种计算工具，而不是微积分中研究的反函数。约翰·纳皮尔于 1614 年出版了《奇妙对数表说明》（Mirifici Logarithmorum Canonis Descriptio），其中引入的数表可以将繁难的乘除运算转化为加减运算。他的构造类比了两种运动：一种速度恒定，另一种速度随剩余距离成比例地减小。这一构造旨在服务于天文和三角计算。\n\n纳皮尔最初的对数在尺度和增减方向上都不同于现代函数 \\(\\ln x\\)。用现代记号表示，他的理想化构造对应于如下形式的表达式：\n\n\\[10^7\\ln\\left(\\frac{10^7}{x}\\right),\\]\n\n而不只是 \\(\\ln x\\)。因此，虽然历史名称“纳皮尔对数”如今常用来指自然对数，但不应据此认为他在 1614 年编制的数表列出的是现代意义上以 \\(e\\) 为底的对数值。亨利·布里格斯随后发展了常用对数，即以 10 为底的对数，这种对数特别便于十进制计算。他的《对数算术》（Arithmetica Logarithmica）于 1624 年问世。\n\n对数与双曲线下方面积的联系是在十七世纪逐渐建立起来的。格雷瓜尔·德·圣樊尚在 1647 年出版的《几何著作》（Opus geometricum）中研究了双曲线的求积问题。1649 年，阿方斯·安东尼奥·德·萨拉萨明确指出了由此得到的面积关系与对数之间的联系。其中关键的几何事实是：将区间两端点的横坐标乘以同一个因子，相应的双曲线下面积保持不变，由此产生了对数所特有的加法法则。\n\n微积分的发展使自然对数所采用的归一化方式具有了格外重要的意义。尼古拉斯·墨卡托于 1668 年在《对数术》（Logarithmotechnia）中发表了对数级数。当时逐渐形成的微分和积分方法将对数与 \\(1/x\\) 直接联系起来，使对数的作用超出了数表计算的范围。“自然”这一名称所体现的是这种分析关系的简洁性，而非对十进制算术运算的特殊便利。\n\n十八世纪，莱昂哈德·欧拉系统地发展了指数函数和对数函数，并确立了现代所用的许多记号和处理方法，尤其体现在他于 1748 年出版的《无穷分析引论》（Introductio in analysin infinitorum）中。负数和复数的对数也成为争论与澄清的对象。现代的论述区分了仅对正实数自变量定义的实对数与具有多个值的复对数。这一区分消除了将实对数法则不加定义域限制地推广时所产生的表面矛盾。"
    },
    {
      "heading": "数值求值与浮点计算",
      "text": "直接对对数级数求和，通常不是计算 \\(\\ln x\\) 的最佳通用方法。高效算法会先将自变量约化到一个较小的区间内。在二进制浮点运算中，正数可以分解为\n\n\\[x=2^k m,\\]\n\n其中，\\(k\\) 是整数，\\(m\\) 是处于某个选定范围内的有效数，通常取 \\([1,2)\\)。于是\n\n\\[\\ln x=k\\ln2+\\ln m.\\]\n\n进一步调整可以使 \\(m\\) 更接近 \\(1\\)，在这附近，用较低次数的多项式或有理函数就能得到准确的近似。具体实现还可能利用预先计算好的对数表，使剩余的修正量非常小。\n\n在 \\(x=1\\) 附近需要格外小心，因为结果接近零。如果程序先计算 \\(1+u\\)，再取其对数，而 \\(u\\) 又极小，舍入就可能使 \\(u\\) 的信息完全丢失。例如，在采用舍入到最近值模式的 binary64 运算中，\\(1+10^{-16}\\) 会被舍入为 \\(1\\)，尽管 \\(\\ln(1+10^{-16})\\) 约为 \\(10^{-16}\\)。专用函数 log1p(u) 在计算 \\(\\ln(1+u)\\) 时，能够保留原本会在加法中丢失的信息。\n\n这一问题体现了数值稳定性以及绝对误差与相对误差之间的区别。对于扰动 \\(\\delta x\\)，有\n\n\\[\\delta(\\ln x)\\approx\\frac{\\delta x}{x}.\\]\n\n当输入和输出的误差都以相对误差衡量时，对数函数的相对条件数为\n\n\\[\\kappa(x)= \\left|\\frac{x(\\ln x)'}{\\ln x}\\right| = \\frac1{|\\ln x|}, \\qquad x\\ne1.\\]\n\n在 \\(1\\) 附近，由于输出趋近于零，条件数会变得很大。这并不妨碍算法取得很小的绝对误差；它意味着，接近零的结果，其相对误差本身就对扰动十分敏感。\n\n对数也可用于提高其他计算的稳定性。许多很小的正数相乘时可能发生下溢，即使其乘积的对数很容易表示：\n\n\\[\\ln\\left(\\prod_i p_i\\right)=\\sum_i\\ln p_i.\\]\n\n类似地，对数求和指数（log-sum-exp）恒等式\n\n\\[\\ln\\left(\\sum_i e^{a_i}\\right) = m+\\ln\\left(\\sum_i e^{a_i-m}\\right), \\qquad m=\\max_i a_i,\\]\n\n可以在所有 \\(a_i\\) 均为有限值时，避免指数项发生上溢。这一变换广泛用于概率计算和 Softmax函数。\n\n不同数学库提供的精度保证有所不同。正确舍入要求按照指定的舍入模式，返回相应的最近可表示值；这一要求比仅仅保证近似误差很小更严格。特殊输入也需要明确处理：浮点数学库通常对正零的对数返回负无穷，对负实数的对数返回非数（NaN）。"
    },
    {
      "heading": "复对数与分支结构",
      "text": "对于用极坐标形式表示的非零复数，\n\n\\[z=re^{i\\theta},\\qquad r>0,\\]\n\n下列每一个值\n\n\\[\\log z=\\ln r+i(\\theta+2\\pi k), \\qquad k\\in\\mathbb Z,\\]\n\n都是 \\(z\\) 的复对数。这是因为在指数上加上 \\(2\\pi i k\\)，并不改变指数函数的值。与实指数函数不同，复指数函数具有周期性，因此在整个定义域上并非一一对应。所以，它的反函数不可能是定义在整个去心复平面上的单值函数。\n\n对数的一个分支，是在适当的区域上连续选取辐角而得到的。一个标准的解析主分支为\n\n\\[\\operatorname{Log}z=\\ln|z|+i\\operatorname{Arg}z, \\qquad -\\pi<\\operatorname{Arg}z<\\pi,\\]\n\n其定义域为 \\(\\mathbb C\\setminus(-\\infty,0]\\)。被去掉的非正实轴是一条支割线。有些约定也在负实轴上指定主值，但这样指定并不能使对数在跨越该轴时保持解析。\n\n在任何存在解析对数的区域上，都有\n\n\\[\\frac{d}{dz}\\log z=\\frac1z.\\]\n\n在 \\(\\mathbb C\\setminus\\{0\\}\\) 上不存在全局解析的对数。事实上，\\(1/z\\) 沿包围原点的正向圆周的曲线积分为 \\(2\\pi i\\)，而一个全局定义的解析函数的导数沿闭曲线的积分应为零。在不含零点的单连通开区域上，则存在解析对数。\n\n因此，在复分析中使用实对数恒等式时，必须加上相应的限定条件。例如，\n\n\\[\\operatorname{Log}(zw)\\]\n\n与 \\(\\operatorname{Log}z+\\operatorname{Log}w\\) 可以相差 \\(2\\pi i\\) 的整数倍。取 \\(z=w=e^{3\\pi i/4}\\)，两个因子都位于主分支的定义域内，但\n\n\\[\\operatorname{Log}z+\\operatorname{Log}w=\\frac{3\\pi i}{2}, \\qquad \\operatorname{Log}(zw)=-\\frac{\\pi i}{2}.\\]\n\n两者相差 \\(2\\pi i\\)，这并不意味着指数关系失效。\n\n分支结构也决定了复幂的性质，复幂在局部定义为 \\(z^\\alpha=\\exp(\\alpha\\log z)\\)。当 \\(\\alpha\\) 不是整数时，选取不同的对数值可能得到不同的幂值。绕零点一周进行解析延拓后，对数值会增加 \\(2\\pi i\\)。这一性质使对数成为研究分支点、沿路径的解析延拓以及定义在多叶曲面上的函数的基本模型。"
    },
    {
      "heading": "概率、统计推断与信息",
      "text": "自然对数在最大似然估计中起着核心作用。对于概率密度或概率质量为 \\(f(x_i;\\theta)\\) 的独立观测值，似然函数是一个乘积：\n\n\\[L(\\theta)=\\prod_{i=1}^n f(x_i;\\theta).\\]\n\n当这些因子均为正时，其对数为\n\n\\[\\ell(\\theta)=\\sum_{i=1}^n\\ln f(x_i;\\theta).\\]\n\n由于 \\(\\ln\\) 严格递增，使 \\(L\\) 最大化与使 \\(\\ell\\) 最大化会得到相同的参数值。对数形式更容易求导，计算时通常也更稳定。似然值为零时，其对数可用扩展值 \\(-\\infty\\) 表示。\n\n对于来自均值 \\(\\mu\\) 未知、方差 \\(\\sigma^2\\) 已知的正态分布的观测值，有\n\n\\[\\ell(\\mu) = -\\frac n2\\ln(2\\pi\\sigma^2) -\\frac1{2\\sigma^2}\\sum_{i=1}^n(x_i-\\mu)^2.\\]\n\n最大化这个表达式等价于最小化离差平方和，从而将似然与普通最小二乘法联系起来。对数将高斯指数形式转化为二次表达式，使其背后的优化问题清晰地呈现出来。\n\n如果 \\(Y=\\ln X\\) 服从正态分布，则称正随机变量 \\(X\\) 服从对数正态分布。若 \\(Y\\) 的均值为 \\(\\mu\\)、方差为 \\(\\sigma^2\\)，则 \\(X\\) 的中位数为 \\(e^\\mu\\)，但其期望值为\n\n\\[\\mathbb E[X]=e^{\\mu+\\sigma^2/2}.\\]\n\n因此，对各数值的对数求均值后再取指数，一般不能还原出原始数值的算术平均值。更一般地，由对数函数的凹性可知，只要相关期望存在，就有 \\(\\mathbb E[\\ln X]\\leq\\ln\\mathbb E[X]\\)。\n\n在信息论中，概率为正数 \\(p\\) 的事件的自信息为 \\(-\\ln p\\)，以纳特为单位。独立事件的概率相乘，因此其信息量相加。对于离散分布 \\((p_i)\\)，信息熵为\n\n\\[H=-\\sum_i p_i\\ln p_i,\\]\n\n其中，根据连续性，将 \\(0\\ln0\\) 视为零。若改用以 \\(2\\) 为底的对数，信息量的单位就是比特；将以纳特为单位的数值除以 \\(\\ln2\\)，即可换算为比特。\n\n离散分布之间的KL散度为\n\n\\[D_{\\mathrm{KL}}(P\\|Q) = \\sum_i p_i\\ln\\frac{p_i}{q_i}.\\]\n\n它是对数似然比的期望值，且非负；若存在某个 \\(p_i>0\\) 而 \\(q_i=0\\)，其值为 \\(+\\infty\\)。对数还出现在交叉熵损失以及对数几率 \\(\\ln[p/(1-p)]\\) 中，后者将零与一之间的概率映射到整个实数轴上。"
    },
    {
      "heading": "增长规律、测量与物理模型",
      "text": "自然对数是连续指数增长所对应的反函数。若某个量 \\(N(t)\\) 满足微分方程\n\n\\[\\frac{dN}{dt}=kN,\\]\n\n则 \\(N(t)=N_0e^{kt}\\)，并且\n\n\\[\\ln\\frac{N(t)}{N_0}=kt.\\]\n\n参数 \\(k\\) 是恒定的相对增长率。当 \\(k>0\\) 时，倍增时间为 \\(\\ln2/k\\)；对于 \\(k<0\\) 的指数衰减，半衰期为 \\(\\ln2/|k|\\)。取对数可以从测得的比值中解出经过的时间或增长率参数。\n\n在金融中，两个正价格之间的连续复利收益率为\n\n\\[r=\\ln\\frac{P_1}{P_0}.\\]\n\n相继各期的对数收益率可以精确相加：\n\n\\[\\ln\\frac{P_2}{P_0} = \\ln\\frac{P_1}{P_0} + \\ln\\frac{P_2}{P_1}.\\]\n\n普通收益率不能这样相加，因为它们对应的总增长因子是相乘的。例如，先上涨 \\(10\\%\\)，再下跌 \\(10\\%\\)，最终得到的净增长因子为 \\(1.1\\times0.9=0.99\\)，而不是 \\(1\\)。相应的对数收益率之和为 \\(\\ln0.99\\)。\n\n对数坐标也能揭示幂律关系。若 \\(y=Ax^b\\)，且 \\(x,y,A>0\\)，则\n\n\\[\\ln y=\\ln A+b\\ln x.\\]\n\n因此，以 \\(\\ln x\\) 为横坐标、\\(\\ln y\\) 为纵坐标作图，会得到一条斜率为 \\(b\\) 的直线。更一般地，\\(y\\) 对 \\(x\\) 的局部弹性为\n\n\\[\\frac{d\\ln y}{d\\ln x} = \\frac{x}{y}\\frac{dy}{dx}.\\]\n\n在计量经济学中，这一导数表示一个变量对另一个变量的比例变化所作出的比例响应。不过，经过对数变换后拟合的回归模型，其误差是在对数尺度上定义的，并不必然等价于在原始尺度上拟合加性误差模型。\n\n物理学中的对数通常以无量纲比值为自变量。对于 \\(\\ln L\\) 这样的表达式，如果 \\(L\\) 是具有量纲的长度，其值就会取决于所选的单位，除非它是 \\(\\ln(L/L_0)\\) 的简写，其中 \\(L_0\\) 为参考长度。比值也自然地出现在平衡常数、浓度活度以及热力学状态变化的描述中。\n\n在热力学中，统计表达式 \\(S=k_{\\mathrm B}\\ln\\Omega\\) 将熵与等概率情形下符合宏观条件的微观状态数 \\(\\Omega\\) 联系起来。若两个独立系统的微观状态数分别为 \\(\\Omega_1\\) 和 \\(\\Omega_2\\)，则它们合在一起的微观状态数为 \\(\\Omega_1\\Omega_2\\)。取对数使相应的熵具有可加性。当各微观状态的概率不相等时，相应的表达式为 \\(-k_{\\mathrm B}\\sum_i p_i\\ln p_i\\)，这体现了统计力学与信息熵之间的数学联系。"
    },
    {
      "heading": "向矩阵的推广及其与数论的联系",
      "text": "对于方矩阵 \\(A\\)，若矩阵 \\(B\\) 满足\n\n\\[e^B=A,\\]\n\n则称 \\(B\\) 为 \\(A\\) 的一个矩阵对数，其中矩阵指数通过幂级数定义。每个可逆复矩阵都至少有一个复矩阵对数，但对数不一定唯一。对于实矩阵，还存在额外的限制：可逆实矩阵并不总有实矩阵对数。即使在一维情形下，实矩阵 \\([-1]\\) 也不可能是实标量的指数。\n\n对于实对称正定矩阵，对数的构造尤其直接。根据谱定理，可写成\n\n\\[A=Q\\operatorname{diag}(\\lambda_1,\\ldots,\\lambda_n)Q^{T}, \\qquad \\lambda_i>0,\\]\n\n其中 \\(Q\\) 为正交矩阵。其主对数为\n\n\\[\\log A = Q\\operatorname{diag}(\\ln\\lambda_1,\\ldots,\\ln\\lambda_n)Q^{T}.\\]\n\n也就是说，对各个正特征值取标量自然对数，同时保持特征子空间不变。更一般地，如果一个复矩阵在非正实轴上没有特征值，那么它具有唯一的主对数，且该主对数的所有特征值的虚部都严格介于 \\(-\\pi\\) 与 \\(\\pi\\) 之间。\n\n标量对数的恒等式并非都能原封不动地推广到矩阵。特别是，\\(\\log(AB)=\\log A+\\log B\\) 并不是普遍成立的矩阵恒等式：矩阵乘法的不可交换性和分支的选择都会产生影响。不过，对于正定矩阵，有\n\n\\[\\operatorname{tr}(\\log A)=\\ln\\det A,\\]\n\n因为左侧的迹是各特征值的对数之和，而行列式则是这些特征值的乘积。这一恒等式是多元统计学和凸优化中所用的对数行列式函数的基础。\n\n在数论中，自然对数用于描述素数的平均分布。素数定理指出，\n\n\\[\\pi(x)\\sim\\frac{x}{\\ln x},\\]\n\n其中，\\(\\pi(x)\\) 表示不超过 \\(x\\) 的素数个数，\\(\\sim\\) 表示两边的比值趋于 \\(1\\)。与此相关的对数积分\n\n\\[\\operatorname{Li}(x)=\\int_2^x\\frac{dt}{\\ln t}, \\qquad x>2,\\]\n\n给出了另一种标准的近似。\\(1/\\ln x\\) 的出现，反映出在较大尺度上素数的平均密度逐渐降低。\n\n对数还能将算术中的乘积转化为和。例如，\n\n\\[\\ln(n!)=\\sum_{k=1}^n\\ln k.\\]\n\n同样，素数的乘积也可以转化为素数的对数之和，而这种和更容易与解析函数和积分估计建立联系。在研究黎曼ζ函数的欧拉乘积时，这种转化尤为重要：它将素因数分解所包含的乘法信息转化为加法形式的解析表达式。"
    }
  ],
  "links": [
    "e-mathematical-constant",
    "logarithm",
    "exponential-function",
    "inverse-function",
    "calculus",
    "integral",
    "fundamental-theorem-of-calculus",
    "derivative",
    "real-number",
    "bijective-function",
    "convex-function",
    "jensens-inequality",
    "group-theory",
    "isomorphism",
    "chain-rule",
    "integration-by-parts",
    "taylor-series",
    "geometric-series",
    "asymptotic-expansion",
    "factorial",
    "leonhard-euler",
    "floating-point-arithmetic",
    "numerical-stability",
    "condition-number",
    "softmax-function",
    "complex-number",
    "line-integral",
    "complex-analysis",
    "analytic-continuation",
    "maximum-likelihood-estimation",
    "likelihood-function",
    "normal-distribution",
    "ordinary-least-squares",
    "random-variable",
    "lognormal-distribution",
    "expected-value",
    "information-theory",
    "information-entropy",
    "kullback-leibler-divergence",
    "cross-entropy",
    "logit",
    "differential-equation",
    "power-law",
    "econometrics",
    "thermodynamics",
    "matrix",
    "positive-definite-matrix",
    "spectral-theorem",
    "determinant",
    "convex-optimization",
    "number-theory",
    "prime-number",
    "prime-number-theorem",
    "riemann-zeta-function"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}