一、概念

1、定义

设函数y=f(x)在某区间内有定义，x0及x0+Δx在这区间内，如果函数的增量
Δy=f(x0+Δx)-f(x0)

可表示为：Δy=AΔx+o(Δx)

其中A是不依赖于Δx的常数，那么称函数y=f(x)在点x0是可微的，而AΔx叫
做函数y=f(x)在点x0相应于自变量增量Δx的微分，记作dy，即：dy=AΔx 。

2、函数可微的充要条件
函数f(x)在点x0可微的充分必要条件是函数f(x)在点x0可导，且当f(x)在点x0可微时，其微分：

dy=f’(x0)Δx

当f’(x0)≠0时，有：

从而，当Δx->0时，Δy与dy是等价无穷小，于是有：Δy=dy+o(dy)，即dy是Δy的主部。又由于：
在f’(x0)≠0的情况下，dy=f’(x0)Δx，是Δx的线性函数，所以dy是Δy的线性主部（Δx一>0时）。

注：如果α和β都是在同一个自变量变化过程中的无穷小，如果β=α+o(α)，则称α是β的主部。

在f’(x0)≠0的情况下，以微分dy=f’(x0)Δx近似替代增量Δy时，其误差为o(dy)，因此在Δx很小时，
Δy≈dy 。

3、函数的微分
定义：

函数y=f(x)在定义域内任一点x的微分，称为函数的微分，记作dy或df(x)。自变量x的增量Δx称为自变量的微分，记作dx，即：dx=Δx 。

函数的微分可以记作：
dy = f’(x)Δx = f’(x)dx 。

从上式可以得知，函数的微分dy与自变量的微分dx之商等于函数f(x)的导数，因此导数又叫微商。

二、微分的几何意义

在直角坐标系中，函数y=f(x)的图形是一条曲线，对于某一固定的x0值，曲线上有一个确定点M(x0,y0)，当自变量x有微小增量Δx时，就得到曲线上另一点N(x0+Δx,Y0+Δy)。

从图2-11可知：过点M作曲线的切线 MT，它的倾角为α，则：
QP=MQ×tanα=Δxf’(x0)，即dy=QP。

由此可见，对于可微函数y=f(x)而言，当Δy是曲线y=f(x)上的点的纵坐标的增量时，dy就是曲线的切线上点的纵坐标的相应增量。当|Δx|很小时，|Δy-dy|比|Δx|小得多，因此在点M的邻近，我们可以用切线段来近似代替曲线段。

在局部范围内用线性函数近似代替非线性函数，在几何上就是局部用切线段近似代替曲线段，这在数学上称为非线性函数的局部线性化，这是微分学的基本思想方法之一。这种思想方法在自然科学工程问题的研究中是经常采用的。

三、部分基本初等函数的微分公式

由于函数y=f(x)的微分为：dy=f’(x)dx，因此初等函数的微分可以根据其导数直接推导出来，下面是部分初等函数导数和微分的对照表：

四、微分运算公式

微分运算可以根据导数运算直接推导出来，下面是导数和微分运算公式的对照表：

五、复合函数的微分法则

与复合函数的求导法则相应的复合函数的微分法则可推导如下：
设y=f(u)及u=g(x)都可导，则复合函数y=f[g(x)]的微分为：

dy=y’_xdx=f’(u)g’(x)dx

由于g’(x)dx=du，所以，复合函数y=f[g(x)]的微分公式也可以写成：

dy=f’(u)du或dy=y’_udu

由此可见，无论u是自变量还是中间变量，微分形式dy=f’(u)du保持不变。这一性质称为微分形式不变性。这性质表示，当变换自变量时，微分形式dy=f’(u)du并不改变。

六、微分在近似计算和误差估计中的应用

1、近似计算

如果y=f（x）可导，在点x0处的导数f’(x0)≠0，由于：

Δy = AΔx+o(Δx) = f’(x0)Δx+o(Δx) ≈ f’(x0)Δx

因此可以表示为：

Δy = f(x0+Δx)-f(x0) ≈ f’(x0)Δx
f(x) ≈ f(x0) + f’(x0)(x-x0)

如果f(x)和f’(x0)都容易计算，则可以用上面的2个公式近似计算Δy或f(x) 。

利用上述公式，取x0=0，则可以推导得到如下常用公式(下面都假定|x|是较小的数值)：

• (1+x)^α ≈ 1 + αx (α 属于 R)
• sinx ≈ x (x用弧度作单位来表达)
• tanx ≈ x (x用弧度作单位来表达)
• e^x ≈ 1+x
• In(1+x) ≈ x

案例：

2、误差估计

在生产实践中，经常要测量各种数据。但是有的数据不易直接测量，这时可以通过测量其他有关数据后，根据某种公式算出所要的数据。

例如，要计算圆钢的截面积A，可先用卡尺测量圆钢截面的直径D，然后根据公式A=πD²/4
算出A。

由于测量仪器的精度、测量的条件和测量的方法等各种因素的影响，测得的数据往往带有误差，而根据带有误差的数据计算所得的结果也会有误差，我们把它叫做间接测量误差。

下面讨论怎样利用微分来估计间接测量误差。先说明绝对误差、相对误差的概念。

如果某个量的精确值为A，它的近似值为a，那么|A-a|叫做a的绝对误差，而绝对误差与|a|的比值叫做a的相对误差。

在实际工作中，某个量的精确值往往是无法知道的，于是绝对误差和相对误差也就无法求得。但是根据测量仪器的精度等因素，有时能够确定误差在某一个范围内。

如果某个量的精确值是A，测得它的近似值是a，又知道它的误差不超过δ_A，即
|A-a|≤δ_A，那么δ_A，叫做测量A的绝对误差限，而δ_A与|a|的商叫做测量A 的相对误差限。

一般地，根据直接测量的x值按公式y=f(x)计算y值时，如果已知测量x的绝对误差限是δ_x，即：

|Δx| ≤ δ_x

那么，当y’≠0时，y的绝对误差：

|Δy| ≈ |dy| = |y’||Δx| ≤ |y’|δ_x

即y的绝对误差限约为：

δ_y = |y’|δ_x

y的相对误差限约为：

δ_y/|y| = |y’/y|δ_x

以后常把绝对误差限与相对误差限简称为绝对误差与相对误差。

案例：

七、小结

本文介绍了微分的定义、常用初等函数的微分、微分的运算以及微分在实际使用中的应用。

说明：

本文内容是老猿学习同济版高数的总结，有需要原教材电子版以及OpenCV、Python基础知识、、图像处理原理介绍相关电子资料，或对文章内有有疑问咨询的，请扫博客首页左边二维码加微信公号，根据加微信公号后的自动回复操作。

更多人工智能数学基础请参考专栏《人工智能数学基础》。

写博不易，敬请支持：

如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！

关于老猿的付费专栏

1. 付费专栏《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_9607725.html 使用PyQt开发图形界面Python应用》专门介绍基于Python的PyQt图形界面开发基础教程，对应文章目录为《 http://iyenn.com/rec/324324.html 使用PyQt开发图形界面Python应用专栏目录》；
2. 付费专栏《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_10232926.html moviepy音视频开发专栏 )详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理，对应文章目录为《http://iyenn.com/rec/324326.html moviepy音视频开发专栏文章目录》；
3. 付费专栏《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_10581071.html OpenCV-Python初学者疑难问题集》为《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的伴生专栏，是笔者对OpenCV-Python图形图像处理学习中遇到的一些问题个人感悟的整合，相关资料基本上都是老猿反复研究的成果，有助于OpenCV-Python初学者比较深入地理解OpenCV，对应文章目录为《http://iyenn.com/rec/324329.html OpenCV-Python初学者疑难问题集专栏目录 》
4. 付费专栏《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_10762553.html Python爬虫入门 》站在一个互联网前端开发小白的角度介绍爬虫开发应知应会内容，包括爬虫入门的基础知识，以及爬取CSDN文章信息、博主信息、给文章点赞、评论等实战内容。

前两个专栏都适合有一定Python基础但无相关知识的小白读者学习，第三个专栏请大家结合《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的学习使用。

对于缺乏Python基础的同仁，可以通过老猿的免费专栏《http://iyenn.com/index/link?url=https://blog.csdn.net/laoyuanpython/category_9831699.html 专栏：Python基础教程目录）从零开始学习Python。

如果有兴趣也愿意支持老猿的读者，欢迎购买付费专栏。

老猿Python，跟老猿学Python！

☞ ░ 前往老猿Python博文目录 https://blog.csdn.net/LaoYuanPython ░