高等数学 / 系统课时

泰勒公式

泰勒公式

泰勒公式把难以直接处理的光滑函数,替换为某个点附近的多项式。本课将说明各阶导数如何决定近似项,并用余项判断近似误差与有效范围。

学习目标

  • 理解泰勒多项式为什么能在局部逼近函数
  • 能写出常见函数在指定点的低阶展开式
  • 能根据余项和距离判断近似是否可靠

局部近似的核心机制

在展开点 x0x_0 附近,泰勒多项式不仅让函数值相同,还依次匹配一阶、二阶直到 nn 阶导数。函数值决定起点,一阶导数决定切线斜率,二阶导数决定弯曲程度,更高阶导数继续修正局部形状。nn 阶泰勒公式为:

f(x)=∑k=0nf(k)(x0)k!(x−x0)k+Rn(x)f(x)=\sum_{k=0}^{n}\frac{f^{(k)}(x_0)}{k!}(x-x_0)^k+R_n(x)

其中,前半部分是 nn 阶泰勒多项式,Rn(x)R_n(x) 是未被多项式表示的余项。

函数与不同阶泰勒多项式的局部逼近

从低阶展开到主示例

当 n=0n=0 时,只保留 f(x0)f(x_0),相当于用常数近似函数。加入一阶项后得到切线近似;加入二阶项后,模型开始描述函数的凹凸变化。以 x0=0x_0=0 为例,常见的三阶展开如下。正弦输入用弧度,对数表达式要求 x>−1x>-1,三式都用于展开点附近。

ex≈1+x+x22+x36e^x\approx 1+x+\frac{x^2}{2}+\frac{x^3}{6}
sin⁡x≈x−x36\sin x\approx x-\frac{x^3}{6}
ln⁡(1+x)≈x−x22+x33\ln(1+x)\approx x-\frac{x^2}{2}+\frac{x^3}{3}

用三阶多项式估算 e0.2e^{0.2}:

e0.2≈1+0.2+0.222+0.236=1.221333…e^{0.2}\approx 1+0.2+\frac{0.2^2}{2}+\frac{0.2^3}{6}=1.221333\ldots

真实值约为 1.2214031.221403,绝对误差约为 6.9×10−56.9\times 10^{-5}。因为 0.20.2 离展开点 00 较近,三阶项已经能给出较高精度;若把 xx 换成更大的数,误差通常会明显增加。

余项、适用范围与 AI 意义

若 ff 在包含 x0x_0 和 xx 的区间内具有连续的 n+1n+1 阶导数,则余项可写为

Rn(x)=f(n+1)(ξ)(n+1)!(x−x0)n+1R_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}

其中 ξ\xi 位于 xx 与 x0x_0 之间。若这段区间上有 ∣f(n+1)(t)∣≤M|f^{(n+1)}(t)|\le M,绝对误差就不超过 M∣x−x0∣n+1/(n+1)!M|x-x_0|^{n+1}/(n+1)!。在 e0.2e^{0.2} 的例子中,M=e0.2M=e^{0.2},于是三阶误差上界约为 8.143×10−58.143\times10^{-5}。下面复算实际误差并和上界比较。

python
import math

x = 0.2
order = 3
approximation = sum(x**k / math.factorial(k) for k in range(order + 1))
actual = math.exp(x)
error = abs(actual - approximation)
bound = actual * x**(order + 1) / math.factorial(order + 1)
assert error <= bound
print(f"error={error:.6g}, bound={bound:.6g}")

实际误差约为 6.94×10−56.94\times10^{-5},小于算出的上界。更换输入距离或阶数后,要重新检查对应区间的导数上界。

泰勒公式含余项时是等式。只保留多项式才是近似,精度由余项控制。要把函数表示成无限泰勒级数,还要验证固定输入处的余项随阶数增加而趋于零。在 AI 中,一阶展开对应局部线性化,二阶展开会额外引入曲率信息,优化算法可据此判断损失曲面在当前位置是平缓、陡峭还是弯曲明显。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

泰勒公式

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通