要通过 Python 验证两个重要的数学极限公式，可以采用数值计算的方法来逼近这些公式的理论值。以下是详细的说明以及代码实现。 ### 数学背景 #### 极限公式 1 \[ \lim _{n \rightarrow+\infty}\left(1+\frac{1}{n}\right)^{n}=e \] 这是自然常数 \( e \) 的定义之一。随着 \( n \to +\infty \)，表达式会逐渐接近 \( e \approx 2.71828 \)[^1]。 #### 极限公式 2 \[ \lim _{\Delta x \rightarrow 0} \frac{\sin (\Delta x)}{\Delta x}=1 \] 当自变量趋于零时，正弦函数与其角度之比趋近于 1[^4]。 --- ### Python 实现 以下是一个完整的 Python 脚本用于验证上述两个极限公式： ```python import numpy as np import matplotlib.pyplot as plt # 定义第一个极限的验证函数 (1 + 1/n)**n -> e def limit_e(n_values): results = [(1 + 1 / n) ** n for n in n_values] return results # 定义第二个极限的验证函数 sin(x)/x -> 1 当 x->0 def limit_sin_over_x(delta_x_values): results = [np.sin(dx) / dx if dx != 0 else 1 for dx in delta_x_values] return results # 主程序部分 if __name__ == "__main__": # 对第一个极限进行测试 n_values = np.logspace(1, 10, num=100, dtype=int) # 使用对数分布生成较大的 n 值 e_results = limit_e(n_values) # 绘制图形展示收敛过程 plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.plot(n_values, e_results, label="$(1+\\frac{1}{n})^{n}$", color='blue') plt.axhline(y=np.e, linestyle="--", color="red", label="$e$") plt.xscale('log') plt.title("Convergence to $e$", fontsize=14) plt.xlabel("$n$", fontsize=12) plt.ylabel("Value of $(1+\\frac{1}{n})^{n}$", fontsize=12) plt.legend() # 对第二个极限进行测试 delta_x_values = np.linspace(-0.01, 0.01, 1000) # 小范围内的 Δx 值 sin_over_x_results = limit_sin_over_x(delta_x_values) # 绘制图形展示收敛过程 plt.subplot(1, 2, 2) plt.plot(delta_x_values, sin_over_x_results, label="$\\frac{\\sin(Δx)}{Δx}$", color='green') plt.axhline(y=1, linestyle="--", color="orange", label="Limit Value") plt.title("Convergence to 1", fontsize=14) plt.xlabel("$Δx$", fontsize=12) plt.ylabel("Value of $\\frac{\\sin(Δx)}{Δx}$", fontsize=12) plt.legend() # 显示图像 plt.tight_layout() plt.show() ``` --- ### 结果分析 1. **对于极限公式 1** 图形展示了随 \( n \) 不断增大，\( (1 + \frac{1}{n})^n \) 如何逐步逼近自然常数 \( e \)。这表明该公式在理论上成立，并可以通过数值模拟加以验证[^1]。 2. **对于极限公式 2** 图像显示了 \( \frac{\sin(\Delta x)}{\Delta x} \) 在 \( \Delta x \to 0 \) 附近的行为趋势，最终稳定地趋向于 1。这一现象也与理论推导一致。 --- ###