简介：这是一份面向理工科学生、考研复习者及微积分教学人员的英文教材电子版，对应 Thomas’s Calculus: Early Transcendentals 第15版（2023年）。内容围绕极限、导数、积分及其在几何、物理和工程中的应用展开，并系统梳理算术运算、指数法则、二项式定理、因式分解、一元二次方程、面积与体积公式等预备知识，帮助读者从代数几何基础过渡到微积分核心方法。压缩包共1个PDF文件，约30.11MB，为高清非扫描版，正文与公式清晰，便于检索、标注和对照阅读。已有714人学习，适合系统打牢单变量微积分基础、补充英文教材阅读或课程辅助。书中例题和公式体系较完整，也可作为数学软件可视化与数值计算的理论参照。

1. 反直觉的编排：为什么把指数与对数提到积分之前

翻这本第十五版微积分教材的目录，很多人会愣一下：对数函数、指数函数、反三角函数被塞进第 1 章，而定积分要到第 5 章才出现。按老派讲法，ln x应该由∫₁ˣ (1/t)dt定义，先有积分再谈对数，顺序反过来才“严谨”。这本教材偏偏反着排，开篇没多久就让你对反函数求导。这不是排版事故，它解决的是一个真问题：函数族的闭合性。如果导数工具只覆盖多项式，学生每学一个新函数就得回头补一次积分，知识链条断成几截；把超越函数提前，求导规则一次成型，后面全是它的推论。搞懂这个编排动机，你才能真正按作者的设计去读，而不是把它当公式手册翻。

2. 极限的 ε-δ 定义：一条不等式如何把“无限接近”变成可验证命题

2.1 从“越来越接近”到“任意给定 ε”：量词顺序就是全部

初学者最难受的一句描述是“当 x 无限接近 a 时，f(x) 无限接近 L”。这句话在工程语境里够用，在数学里几乎等于什么都没说，因为它没有给“接近”规定一个可以被否定的标准。ε-δ 定义的真正贡献，是把一句形容词换成了一个带量词顺序的命题：

对任意ε > 0，都存在δ > 0，使得只要0 < |x - a| < δ，就有|f(x) - L| < ε。

读这个句子的关键是看谁先出现。ε是挑战者先出招，δ是应战者后出招。δ允许依赖ε，反过来不行。很多血泪经验都栽在这里：把“存在 δ 对任意 ε”写反，命题立刻变成要求一个万能 δ 通吃所有精度，这在任何非平凡函数上都不成立。教材把精确排在直观前面，就是要你先习惯这个“后手应对”的结构，因为后面所有连续性、一致连续性、收敛性定义，都是同一套量词骨架的换皮。

还有一处常被忽略：0 < |x - a|这个条件明确把 x = a 排除在外。极限关心的是 a 附近的行为，跟 a 点本身取什么值毫无关系。函数在 a 点可以没定义、可以定义成别的值，极限照样存在。这条设计让人能把“点值”和“附近趋势”彻底拆开，后面的可去间断点分类才有意义。

2.2 把 ε-δ 写成可执行的判定器

定义是可证伪的，那就应该能拿代码去撞它。以f(x) = x²、a = 2、L = 4为例，解析推导只有两步：|x² - 4| = |x - 2|·|x + 2|，先把|x - 2|限制在 1 以内，则|x + 2| < 5，于是取δ = min(1, ε/5)即可。下面用数值方式验证这个 δ 是否真的扛得住任意 ε。

import random def verify_delta(f, a, L, eps, delta, samples=200000): """在 (a-delta, a+delta) 内稠密采样，返回观测到的最大偏差。 注意排除了 x == a 本身，对应定义里的 0 < |x-a|。""" worst = 0.0 for _ in range(samples): x = a + random.uniform(-delta, delta) if x == a: continue worst = max(worst, abs(f(x) - L)) return worst, worst < eps f = lambda x: x * x for eps in [1e-1, 1e-2, 1e-4, 1e-6]: delta = min(1.0, eps / 5) # 解析推导给出的 δ worst, ok = verify_delta(f, 2.0, 4.0, eps, delta) print(f"eps={eps:.0e} delta={delta:.2e} 实测最大偏差={worst:.2e} 通过={ok}")

参数说明：a是趋近点，L是候选极限，delta由解析式给出而不是猜的，采样只用来检验，不负责反推。运行结果里实测最大偏差会稳定小于 ε，而且量级跟 ε 同阶，说明δ = ε/5的估计是紧的但不过分保守。这段代码的价值不在“证明”，而在于把定义变成可以反复撞的实验装置：你把L改成一个错误值，比如 4.1，立刻会看到小 ε 时检验失败，这就是定义可证伪性的直观体现。

提示：采样式验证永远只能否证、不能证明。它适合检查自己写的 δ 是否离谱，不适合替代纸面推导。

2.3 连续性与三类间断点：先定义再分类的价值

教材在处理连续性时没有一上来列分类，而是先给一句判定：lim_{x→a} f(x) = f(a)。这一句同时压了三个条件——极限存在、函数在 a 有定义、两者相等。任何一个不满足，连续性就断。分类正是从这个判定的失效方式倒推出来的：极限存在但点值不匹配或缺失，是可去间断；左右极限都存在但不相等，是跳跃间断；某一侧极限发散到无穷，是无穷间断。

这种“先给判定、再按失效模式分类”的写法，比背三种间断点的图形更耐用。它把记忆负担转成了推导负担：遇到一个新函数，你只需要问三个问题，缺哪个就是哪类。介值定理同理，它的前提是闭区间上连续，结论是能取到中间值，证明依赖的正是“连续性保证函数值不会跳过某个高度”这个性质。教材把它放在连续性之后而不是极限之后，是因为它要的是区间上的整体性质，单点极限不够用。

3. 导数的真身：不是斜率，而是给函数造一个局部线性替身

3.1 差商的极限与可导的边界

导数的定义式f'(a) = lim_{h→0} (f(a+h) - f(a)) / h在教材里被反复强调成一个极限，而不是一个除法。这个强调有实际后果：差商在 h = 0 处是无定义的，导数是这个无定义表达式的极限值，两者不是一回事。可导性比连续性更强，f(x) = |x|在 0 点连续但不可导，因为左右差商分别是 -1 和 1，双侧极限不存在。这个例子几乎是所有教材的标配，它的作用是划出一条边界：连续只保证函数值不跳，可导还要求函数在局部“足够平”，不允许出现尖角。

尖角为什么致命？因为线性替身要求两侧的斜率趋于同一个值。导数存在的本质，是存在一条直线能在 a 点附近把误差压到比|x - a|更高阶的无穷小。尖角处左右两条候选直线不同，没有哪一条能同时压住两侧，线性化失败。

3.2 微分dy = f'(a)dx：真正被使用的是线性映射

教材在第 3 章末尾专门讲线性化与微分，这个位置安排很说明问题：导数算出来只是一个数，微分的写法dy = f'(a)dx才把它变成一个映射。给定输入增量dx，输出增量近似为f'(a)·dx，误差是o(dx)。

工程上几乎所有“用一阶近似”的操作，用的都是这个映射而不是那个数。传感器标定、误差传播、电路小信号模型，本质都是把非线性系统在当前工作点替换成它的切平面。理解这一层，你才会明白为什么教材要花篇幅讲误差项：f(a + dx) ≈ f(a) + f'(a)dx这个等式右端是一个线性函数，它可以被矩阵化、可以被复合、可以被求解，而原函数不行。线性化是把非线性问题翻译成线性代数问题的唯一入口，也是后面牛顿法、梯度下降、泰勒展开的共同底座。

多元情形下这一点更明显。可微的定义是存在线性映射L使得f(a + h) = f(a) + L(h) + o(|h|)，偏导数存在只是保证坐标方向上的差商有极限，远不足以保证这个线性映射存在。教材在偏导数之后才给可微定义，就是为了让这个区别暴露出来。

3.3 链式法则为什么是相乘：复合结构的传递率

链式法则(f∘g)'(a) = f'(g(a))·g'(a)常被当成公式背，其实它是线性化的复合在数值上的投影。g 在 a 点附近把增量放大g'(a)倍，f 在g(a)点附近再放大f'(g(a))倍，两次放大串起来就是乘积。之所以是乘不是加，因为放大倍率本来就是相对量。

import math def num_derivative(f, x, h=1e-6): """中心差商，误差 O(h^2)，比前向差商精度高一阶""" return (f(x + h) - f(x - h)) / (2 * h) f = lambda u: math.sin(u) g = lambda x: x * x h = lambda x: f(g(x)) x = 0.7 analytic = math.cos(x * x) * 2 * x # f'(g(x)) * g'(x) numeric = num_derivative(h, x) print(f"解析={analytic:.12f} 数值={numeric:.12f} 差={abs(analytic-numeric):.2e}")

这段代码里analytic就是链式法则的乘积形式，numeric完全不知道复合结构，只把h当黑匣子撞。两者在小数点后十位吻合，说明乘积形式不是巧合，而是两次线性化的传递率在数值上的必然结果。中心差商的h取 1e-6 是个折中：太小会被浮点舍入吃掉，太大则截断误差抬头，这也是数值微分最常见的踩坑点。

3.4 牛顿法：把线性化反复套用的产物

有了线性化，解方程f(x) = 0就有了一个通用套路：在当前点用切线代替曲线，求切线的零点，把它当作下一次的当前点。写成迭代就是x_{n+1} = x_n - f(x_n)/f'(x_n)。

def newton(f, df, x0, tol=1e-12, max_iter=50): """牛顿迭代。返回 (近似根, 实际迭代次数, 轨迹)""" x, trace = x0, [x0] for k in range(max_iter): fx = f(x) if abs(fx) < tol: return x, k, trace dfx = df(x) if dfx == 0: raise ZeroDivisionError("导数为零，切线水平，迭代无定义") x = x - fx / dfx # 沿切线走到 x 轴交点 trace.append(x) return x, max_iter, trace f = lambda x: x**3 - 2*x + 2 df = lambda x: 3*x**2 - 2 print(newton(f, df, 1.0)[:2]) # 正常收敛 print(newton(f, df, 0.0)[2][:6]) # 0 -> 1 -> 0 -> 1 ... 二元循环

参数含义：tol是函数值容差，max_iter防止不收敛时死循环，trace记录轨迹方便诊断。第三个调用是本节的要害：x0 = 0时f(0) = 2、f'(0) = -2，一步到 1；f(1) = 1、f'(1) = 1，又一步回 0。切线在这两点间来回跳，永远不收敛。牛顿法在单根附近是二次收敛，但它没有全局保证，迭代点落在导数为零或进入周期轨道时会翻车。教材把它放在极值之后、不定积分之前，是因为它同时用到了导数、切线、迭代三个概念，是一个把前面内容串起来的最小闭环。

4. 求和的两副面孔：定积分与无穷级数为什么共用同一套收敛判据

4.1 从有限和到定积分：上和下和把“面积”夹死

教材讲定积分没有直接从黎曼和切入，而是先用上和与下和把曲线下的区域夹住。对区间的一个划分，上和在每个小区间取函数的最大值，下和取最小值，任何真实的“面积”只能落在两者之间。当划分足够细、上和与下和的差趋于零时，这个夹逼就给出了唯一的公共值，这才叫可积。

这个构造比黎曼和更啰嗦，但它回答了“为什么这个极限与划分方式无关”。黎曼和的形式Σ f(ξᵢ)Δxᵢ允许在区间内任取采样点，理论上要证明对所有取法都收敛到同一个值，工作量巨大。上和下和把“所有取法”压缩成两个极端，只要这两个极端贴到一起，中间所有取法都被夹死，省掉了逐一验证。连续函数在闭区间上可积这个结论，正是靠“连续 ⇒ 振幅可控 ⇒ 上和下和之差可控”这条链推出来的。

4.2 基本定理的两半：变上限积分函数是钥匙

微积分基本定理通常拆成两部分：第一半说变上限积分F(x) = ∫ₐˣ f(t)dt的导数是f(x)，第二半说∫ₐᵇ f = F(b) - F(a)。教材的讲法把第一半当作核心，因为它是真正把两个方向焊死的地方。

为什么第一半成立？F(x+h) - F(x)是区间[x, x+h]上的一小块面积，除以h得到一个平均值，当h→0时，由于 f 连续，这个平均值被逼向f(x)。这段推理里连续性不可省：如果 f 在 x 点跳变，小块面积的平均值不会收敛到某个单点值。

import math def upper_integral(f, a, x, n=20000): """复合辛普森近似 F(x) = ∫_a^x f(t) dt""" if x == a: return 0.0 h = (x - a) / n s = f(a) + f(x) for i in range(1, n): s += (4 if i % 2 else 2) * f(a + i * h) return s * h / 3 f = math.sin a = 0.0 x = 1.3 F = lambda t: upper_integral(f, a, t) dF = (F(x + 1e-5) - F(x - 1e-5)) / 2e-5 print(f"F'(x) 数值={dF:.10f} f(x)={f(x):.10f}")

这里F完全由数值积分拼出来，对F做数值微分得到的值与sin(x)在十位小数上一致。这就是第一半的可执行版本：积分构造出来的函数，其导数回到被积函数。第二半只是把这个结论用一次牛顿-莱布尼茨公式，把求面积问题降级成找原函数问题。

4.3 数值积分：误差阶是怎么算出来的

教材在积分技巧之后单独开一节讲数值积分，位置放在反常积分之前，这个顺序有讲究：先承认很多积分根本算不出初等原函数，再给你可用的近似工具。梯形公式和辛普森公式的差别只有一处：前者在每个小区间用直线代替曲线，后者用抛物线。

def trapezoid(f, a, b, n): h = (b - a) / n s = 0.5 * (f(a) + f(b)) for i in range(1, n): s += f(a + i * h) return s * h def simpson(f, a, b, n): """n 必须为偶数，否则抛物线配对不完整""" h = (b - a) / n s = f(a) + f(b) for i in range(1, n): s += (4 if i % 2 else 2) * f(a + i * h) return s * h / 3 f = math.sin exact = 2.0 # ∫_0^π sin x dx for n in [16, 32, 64, 128]: et = abs(trapezoid(f, 0, math.pi, n) - exact) es = abs(simpson(f, 0, math.pi, n) - exact) print(f"n={n:4d} 梯形误差={et:.2e} 辛普森误差={es:.2e}")

把输出按 n 翻倍对照看：梯形误差大约缩到四分之一，辛普森误差大约缩到十六分之一。这就是O(h²)和O(h⁴)的实测形态。误差阶不是玄学，它来自插值多项式余项的次数：直线插值的余项含二阶导数，抛物线插值的余项含四阶导数。辛普森公式之所以在 n 很小时就能给出极高精度，是因为它对三次以下多项式是精确的，而大部分光滑函数在小区间上非常接近三次多项式。

注意：辛普森公式要求区间数是偶数，代码里用i % 2分配 4 和 2 的权重，n 为奇数时会静默给出错误结果，这类错误不会报错，只会让误差曲线突然变平。

4.4 积分判别法：把级数收敛问题翻译成反常积分

级数和积分看起来是两个世界，但把求和写成阶梯函数下的面积，两者就重合了。教材在第 10 章用积分判别法处理 p 级数：Σ 1/n^p与∫₁^∞ x^{-p}dx同敛散，因为每一项都可以被夹在两个相邻的积分之间。

这条判据的价值不在结论，而在方法：它把离散求和问题转成了连续积分问题，而积分有换元、分部、比较这些成熟工具。反向使用同样成立，教材用调和级数发散来证明反常积分∫₁^∞ dx/x发散，两边互为证据。这种互译之所以合法，前提是被求和的函数单调递减且为正，去掉单调性，夹逼关系断裂，判据失效。

5. 常见问题与排查：微积分里最容易翻车的五处

5.1 洛必达法则算出来不存在，但极限其实存在

现象：对lim_{x→∞} (x + sin x)/x用洛必达，得到lim (1 + cos x)/1，这个极限不存在，于是判定原极限不存在。正确答案是 1。原因：洛必达法则是一个单向蕴含命题，它要求“导数之比的极限存在”才能推出原极限等于该值；导数之比振荡时，法则只是失效，不构成否证。解决：先检查洛必达的前提条件，遇到三角函数、振荡项先尝试夹逼或同除最高阶项，别把“法则给不出结果”当成“极限不存在”。

5.2 把不定积分当定积分用，丢了常数和上下限

现象：算出一串带+ C的表达式，代入数值上限下限直接相减，结果和答案差一个常数。原因：定积分是一个数，不定积分是一个函数族，两者靠牛顿-莱布尼茨公式连接时必须保证原函数在同一支上连续。如果原函数在积分区间内跨过间断点，直接相减会得到错误值。解决：先检查被积函数在区间内是否连续，有瑕点就拆成反常积分分段处理，每段各自取原函数。

5.3 换元之后忘记同步改上下限

现象：用u = x²换元计算∫₁² x·g(x²)dx，算到一半发现把 x 的上下限 1 和 2 直接代进了 u 的表达式。原因：换元是把积分变量从 x 换成 u，积分区间的端点跟着映射走，x从 1 到 2 对应u从 1 到 4。解决：换元的同时立刻写出新的上下限，写不出来就先不定积分、最后回代，两条路选一条，不要混着走。

5.4 泰勒展开在收敛半径外使用

现象：用e^x的麦克劳林级数前几项估算e^{10}，误差大到不可接受，但级数本身是收敛的。原因：收敛半径保证的是|x|在半径内时余项趋于零，收敛速度却和|x|强相关，x越大需要的项数越多。解决：把展开点挪到离目标更近的位置做泰勒展开，或者用恒等式把自变量压回小范围再展开，收敛半径解决“有没有效”，不解决“要算多少项”。

5.5 偏导数存在就当可微

现象：二元函数在原点两个偏导都存在且为零，于是断定它可微。反例是f(x,y) = x²y/(x² + y²)（原点补定义为 0），沿y = x逼近时，增量与√(x²+y²)的比值趋于非零常数，可微性不成立。原因：偏导数只探测两条坐标轴方向的变化率，可微要求所有方向的误差都被同一个线性映射压住。解决：验证可微要回到定义，检查f(a+h) - f(a) - ∇f·h是否为|h|的高阶无穷小，别只看偏导数存在。

6. 知识依赖图：为什么这门课的顺序不能打乱

把目录画成依赖图，会发现它是一条几乎线性的链：极限 → 连续性 → 导数 → 线性化 → 极值与应用 → 定积分 → 基本定理 → 积分技巧 → 微分方程 → 级数 → 多元推广。每一环的证明都直接引用前一环的结论，跳步的代价不是“少学一点”，而是“后面的证明读不懂”。

最后，这份第十五版资源提供的是高清非扫描的排版。公式字体、图表和目录层级都保持矢量清晰，放大后符号不会糊。对于想按上面的依赖图逐章推进、边读边在平板上做标注的人，它比一份糊成一团的扫描件省事得多。如果打算把它当案头参考，可以先去目录里把第 2、3 章的定义部分过一遍，再回头看你熟悉的那几节，很多当年靠背记住的结论会重新长出推导。

我自己的习惯是每碰到一个新定理，先遮住证明，只读前提和结论，试着在纸上把中间那一步补出来；补不出来就说明前面某个定义没吃透，回头补那一环，而不是硬往下翻。这个习惯让我少走了很多弯路。从那以后，我每次读这类教材，都强制先画出依赖图再动手。希望帮到你。

本文还有配套的精品资源，点击获取