泰勒公式（Taylor’s Formula）是数学分析中最重要的工具之一。它的核心思想是：用一个多项式来近似描述一个复杂函数在某一点附近的行为。这个多项式被称为泰勒多项式，而公式则给出了这个近似与真实函数之间的误差（余项）。无论是工程计算、物理建模，还是纯数学的理论推导，泰勒公式都无处不在。

---

5.1 为什么需要泰勒公式？

在实际问题中，我们经常遇到一些“不好算”的函数，比如：

• 指数函数 $e^x$、对数函数 $\ln x$、三角函数 $\sin x$ 等；
• 复杂的非线性函数，很难直接计算其在某点的值或进行积分。

如果能把它们转化成多项式，就好办多了——因为多项式只需要加减乘除，计算机和人都容易处理。泰勒公式告诉我们，只要函数足够光滑，就可以用一个多项式来逼近它，并且我们可以控制误差的大小。

---

5.2 基本思想：从一点的信息“预测”附近的值

想象你站在一座山上，知道当前位置的高度 $f(x_0)$、坡度 $f^{\prime }(x_0)$、坡度的变化率 $f^{\prime \prime }(x_0)$……理论上，你可以根据这些局部信息，大致推断出附近位置的高度。泰勒公式就是这种思想的数学实现。

一次近似（线性逼近）：
$$f(x)\approx f(x_0)+f^{\prime }(x_0)(x-x_0)$$
这就是我们在微分学中学过的切线近似。但线性近似往往不够精确，于是我们加入二次项、三次项……得到更高精度的逼近。

---

5.3 泰勒公式的完整形式

设函数 $f(x)$ 在包含点 $x_0$ 的区间内具有直到 $n$ 阶的导数，则对于该区间内的任意 $ x $，有
$$f(x)=\sum _{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x-x_0{)}^k+R_n(x)$$
其中：

• ${\sum }_{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x-x_0{)}^k$ 称为泰勒多项式 $T_n(x)$；
• $R_n(x)$ 是余项，表示多项式与实际函数之间的误差。

当 $x_0=0$ 时，公式简化为麦克劳林公式：
$$f(x)=\sum _{k=0}^n\frac{f^{(k)}(0)}{k!}{x}^k+R_n(x)$$

---

5.4 余项的常见形式

余项给出了近似的精度，常见的有两种形式：

1. 佩亚诺余项

$$R_n(x)=o\left((x-x_0{)}^n\right)(x\to x_0)$$

它只说明当 $x$ 趋近于 $x_0$ 时，误差比 $(x-x_0{)}^n$ 更快地趋于零，但无法给出具体数值估计。常用于求极限。

2. 拉格朗日余项

$$R_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{n+1}$$

其中 $\xi$ 介于 $x_0$ 与 $x$ 之间。这个形式可以具体估计误差大小，常用于近似计算和理论证明。

---

5.5 直观推导（以 $x_0=0$ 为例）

假设我们想用一个 $n$ 次多项式
$$P_n(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n$$
来逼近 $f(x)$，使得在 $x=0$ 附近，两者不仅函数值相等，而且各阶导数也相等：
$$P_n(0)=f(0),P_n^{\prime }(0)=f^{\prime }(0),P_n^{\prime \prime }(0)=f^{\prime \prime }(0),\dots ,P_n^{(n)}(0)=f^{(n)}(0).$$

计算多项式的导数：

• $P_n(0)=a_0$，所以 $a_0=f(0)$；
• $P_n^{\prime }(x)=a_1+2a_{2}x+\cdots +n{a}_n{x}^{n-1}$，所以 $P_n^{\prime }(0)=a_1$，得 $a_1=f^{\prime }(0)$；
• $P_n^{\prime \prime }(x)=2a_2+6a_{3}x+\cdots$，所以 $P_n^{\prime \prime }(0)=2a_2$，得 $a_2=\frac{f^{\prime \prime }(0)}{2}$；
• 一般地，$P_n^{(k)}(0)=k!a_k$，所以 $a_k=\frac{f^{(k)}(0)}{k!}$。

这就得到了麦克劳林多项式：
$$P_n(x)=f(0)+f^{\prime }(0)x+\frac{f^{\prime \prime }(0)}{2!}{x}^2+\cdots +\frac{f^{(n)}(0)}{n!}{x}^n.$$

泰勒公式则是在 $x_0$ 处的推广，只需将 $x$ 替换为 $x-x_0$，导数取在 $x_0$ 处的值即可。

---

5.6 几个重要的麦克劳林展开

1. 指数函数 $e^x$

$$e^x=1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+\cdots +\frac{x^n}{n!}+\frac{e^{\xi }}{(n+1)!}{x}^{n+1}$$

（拉格朗日余项，$\xi$ 介于 0 与 $ x $ 之间）

2. 正弦函数 $\sin x$

$$\sin x=x-\frac{x^3}{3!}+\frac{x^5}{5!}-\frac{x^7}{7!}+\cdots +(-1{)}^m\frac{x^{2m+1}}{(2m+1)!}+R_{2m+2}(x)$$

余项为 $\frac{{\sin }^{(2m+2)}(\xi )}{(2m+2)!}{x}^{2m+2}$，但注意 ${\sin }^{(n)}$ 有界，所以误差可控。

3. 余弦函数 $\cos x$

$$\cos x=1-\frac{x^2}{2!}+\frac{x^4}{4!}-\frac{x^6}{6!}+\cdots +(-1{)}^m\frac{x^{2m}}{(2m)!}+R_{2m+1}(x)$$

4. 对数函数 $\ln (1+x)$

$$\ln (1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}-\frac{x^4}{4}+\cdots +(-1{)}^{n-1}\frac{x^n}{n}+R_n(x)$$

收敛区间为 $|x|<1$，端点需单独讨论。

5. 二项式定理 $(1+x{)}^{\alpha }$

$$(1+x{)}^{\alpha }=1+\alpha x+\frac{\alpha (\alpha -1)}{2!}{x}^2+\cdots +\frac{\alpha (\alpha -1)\cdots (\alpha -n+1)}{n!}{x}^n+R_n(x)$$

当 $\alpha$ 不是正整数时，无穷级数在 $|x|<1$ 内收敛。

---

5.7 泰勒公式的应用

1. 近似计算数值

例如，计算 $e^{0.1}$ 的近似值：
$$e^{0.1}\approx 1+0.1+\frac{0.1^2}{2}+\frac{0.1^3}{6}=1+0.1+0.005+0.0001667=1.1051667$$
实际值约为 1.1051709，误差非常小。如果想更精确，可增加项数并用余项估计误差。

2. 求极限

利用佩亚诺余项，可以方便地处理 $\frac{0}{0}$ 型极限。例如：
$$\underset{x\to 0}{\lim }\frac{\sin x-x}{x^3}=\underset{x\to 0}{\lim }\frac{\left(x-\frac{x^3}{6}+o(x^3)\right)-x}{x^3}=\underset{x\to 0}{\lim }\frac{-\frac{x^3}{6}+o(x^3)}{x^3}=-\frac{1}{6}$$

3. 证明不等式

例如，证明当 $x>0$ 时，$e^x>1+x+\frac{x^2}{2}$。由带拉格朗日余项的展开：
$$e^x=1+x+\frac{x^2}{2}+\frac{e^{\xi }}{6}{x}^3(\xi \in (0,x))$$
由于 $\frac{e^{\xi }}{6}{x}^3>0$，所以 $e^x>1+x+\frac{x^2}{2}$ 成立。

4. 求解微分方程

在微分方程的级数解法中，常假设解为幂级数，代入方程后利用泰勒展开比较系数。

---

5.8 泰勒公式与数学分析

泰勒公式不仅是计算工具，更是理论分析的基石。它揭示了光滑函数的局部性质完全由其在一点的各阶导数决定。在复变函数中，泰勒级数（解析函数的幂级数展开）更是核心内容。

---

5.9 总结

• 泰勒公式用一个多项式逼近一个光滑函数，在某点附近精度很高。
• 系数由函数在该点的各阶导数决定：$a_k=\frac{f^{(k)}(x_0)}{k!}$。
• 余项刻画误差，常见形式有佩亚诺余项（局部）和拉格朗日余项（整体估计）。
• 常见函数的麦克劳林展开需要熟记，它们是应用的基础。
• 应用广泛：近似计算、求极限、不等式证明、解微分方程等。

掌握了泰勒公式，你就拥有了一把处理复杂函数的利器。从工程中的近似到数学理论中的深刻结论，它都扮演着不可或缺的角色。

上一章 机器学习微积分–(4)牛顿-莱布尼茨公式

下一章 机器学习微积分–(6)阶乘与阶数