3.3 极限与微积分：无穷的严格化

3.3 极限与微积分：无穷的严格化

本节摘要：微积分诞生于几何直觉（切线、面积），但"无穷小"的模糊地位让它背负两百年逻辑债务，直到柯西与魏尔斯特拉斯用 epsilon-delta 语言把极限改写成静态不等式。本节讲清极限定义的读法、导数作为局部线性近似、定积分作为黎曼和极限、微积分基本定理为何深刻，最后演示一致收敛被忽略时的经典翻车。全程配 SymPy 符号演算与数值实验。

一笔两百年没还清的债

牛顿与莱布尼茨的微积分立刻就能算出行星轨道、炮弹轨迹，但它的地基是"无穷小量"——一个时而被当非零数参与除法、时而又被大方扔掉的怪东西。贝克莱主教的挖苦流传至今："消失量的幽灵"。债拖到十九世纪才由柯西与魏尔斯特拉斯还清：不再说"无穷小是多少"，改说"对任意 epsilon 大于零，存在 delta 大于零，使得……"——把动态的"趋于"翻译成静态的可验证不等式。这次改造的意义怎么强调都不过分：从此"极限"从一个模糊动词变成一个可以严格证明的对象，整个现代分析（实分析、泛函、测度论）都建在这套语言上。

极限定义的读法要过关：说函数 f 在点 a 的极限为 L，意思是无论你提出多小的误差带宽 epsilon，我都能找到一个接近范围 delta，使 x 落在这个范围内时 f 与 L 的偏差被压进带宽。任意是挑战，存在是应战。用数值实验体验这一定义的"可执行性"：

def limit_verified(f, a, L, epsilons=(0.1, 0.01, 1e-3, 1e-4)):
    # 对每个 epsilon 挑战，搜索一个 delta 应战：|x-a|<delta 时 |f(x)-L|<epsilon
    for eps in epsilons:
        delta = 1.0
        while delta > 1e-12:
            ok = all(abs(f(a + h) - L) < eps
                     for h in [delta * t for t in (-0.9, -0.5, 0.5, 0.9)])
            if ok:
                print(f"epsilon={eps:.0e} -> delta={delta:.0e} 应战成功")
                break
            delta /= 2

import math
limit_verified(lambda x: (x**2 - 1) / (x - 1), 1, 2)
# x 趋于 1 时该分式趋于 2（x 不等于 1 时分式等于 x+1）；
# 每个 epsilon 都能找到 delta——这就是"极限为 2"的可执行含义
​

导数：局部线性近似

导数的几何意义是切线斜率，但更实用的解读是"局部线性近似"：好的函数在小范围内近似一条直线，斜率就是导数。物理、经济、机器学习里的"灵敏度分析"全是这个视角。严格定义是差商的极限，可导必连续，反之不然——绝对值函数在零点连续但左右斜率不同，是标准反例；魏尔斯特拉斯更进一步造出处处连续处处不可导的函数，彻底粉碎"连续函数总归光滑"的直觉。

import sympy as sp
x = sp.symbols('x')

f = x**3 - 2*x + 1
df = sp.diff(f, x)
print(df)                    # 3*x**2 - 2：幂函数逐项求导

# 局部线性近似的质量检验：在 a=1 处的切线与原函数的偏差
a = 1
tangent = f.subs(x, a) + df.subs(x, a) * (x - a)
for h in [0.5, 0.1, 0.01]:
    err = abs(float(f.subs(x, a + h) - tangent.subs(x, a + h)))
    print(f"h={h:<5} 偏差={err:.2e}")
# 输出偏差按 h 的平方速度缩小：一阶近似的误差是二阶小量——泰勒展开的第一课
​

泰勒展开把局部线性近似升级成局部多项式近似，是整套数值方法（第 5 章）的理论底座：欧拉法、牛顿迭代、最优化梯度法，全是泰勒展开不同阶数的取用。

积分：黎曼和的极限

面积问题比切线问题更古老（阿基米德穷竭法已算抛物线弓形面积）。黎曼的方案：把区间切成小段，每段用矩形近似，求和取极限——定积分就是黎曼和的极限。用程序把"取极限"演成"加密网格"：

def riemann_sum(f, a, b, n, sample="mid"):
    # 黎曼和：n 个矩形，采样点取左端、右端或中点
    dx = (b - a) / n
    total = 0.0
    for i in range(n):
        if sample == "left":  x_i = a + i * dx
        elif sample == "right": x_i = a + (i + 1) * dx
        else: x_i = a + (i + 0.5) * dx
        total += f(x_i) * dx
    return total

import math
f = lambda t: math.exp(-t*t)          # 高斯函数，原函数不是初等函数
for n in [10, 100, 1000, 10000]:
    print(n, riemann_sum(f, 0, 1, n))
# 输出收敛到 0.7468241...（即根号 pi 除 2 乘误差函数值）
# 左端点与右端点单调夹逼，中点法收敛更快——数值积分的种子（第 5 章）
​

微积分基本定理：两座塔之间的桥

微分与积分起初是两个独立问题（切线 vs 面积），牛顿—莱布尼茨定理说它们互为逆运算：变上限积分的导数是被积函数本身。这让"求面积"从逐个极限的苦役变成"找原函数代人两端点"的查表工作。工程意义巨大：能量是力的积分、路程是速度的积分、概率是密度的积分，而边际量反方向求导即得。这座桥的存在，使整个物理学的表述格式变成"微分方程加初始条件"（第 5 章主角）。

一致收敛：偷懒的代价

初学者的常见幻觉是"极限可以随便交换次序"。反例来自连续函数的极限：一列处处连续的函数，逐点收敛到的函数可以不连续——只有一致收敛（delta 不依赖点）才保住连续性与可导性。历史上傅里叶级数的逐项积分、微分合法性之争持续了大半个世纪，最终以一致收敛等充分条件收场。这个教训的数值版本：

# 连续函数列逐点收敛到不连续函数：f_n(x) = x^n 在 [0,1] 上
import numpy as np
xs = np.linspace(0, 1, 201)
for n in [2, 5, 20, 100]:
    vals = xs ** n
    jump = vals[-2]   # 接近 1 处的函数值
    print(f"n={n:<4} 在 x=0.995 处取值 {jump:.4f}")
# n 增大时，[0,1) 内部趋于 0 而 x=1 处恒为 1——极限函数在 1 处跳变
# 逐点极限不连续：不一致收敛的活体标本，交换极限与求值次序要付出代价
​

微积分核心概念的逻辑链

⚠️ 实用警告：数值求导是病态问题。中心差分公式 (f(x+h) 减 f(x-h)) 除以 2h 的截断误差随 h 缩小而减小，但浮点相减的舍入误差随 h 缩小而放大——h 取约等于机器精度三分之一次方的量级最优。别在数值代码里直接用极小 h。

本节要点回顾

• 极限的静态定义把"趋于"翻译成"任意挑战—存在应战"的不等式，是现代分析的地基；
• 导数是局部线性近似，误差为二阶小量，泰勒展开是它的完整形态；
• 定积分是黎曼和的极限，加密网格在数值上"现场重演"这一定义；
• 微积分基本定理连接切线与面积两座塔，物理学的表述格式由此定型；
• 一致收敛是次序交换的许可证，逐点收敛不足以保连续性与逐项微积分。

分析的严格化告一段落，下一节把这套工具装到复平面与频率轴上——傅里叶分析与复分析，现代工程的左右手。