最后更新: 2025-11-25 12:09 查看: 802 次反馈能力测评会员8.2元/月赞助

泰勒公式余项

### 引言

我们知道 
$$
e^x =  1 + x + \frac{x^2}{2} + \frac{x^3}{6} + \frac{x^4}{24} + \cdots
$$

现在要求$e^{8.2}$,如果我们估算他的值,计算$e^{8.2}$的前几项：
$1$ 
$8.2$
$\frac{8.2^2}{2} = \frac{67.24}{2} = 33.62$
$\frac{8.2^3}{6} = \frac{551.368}{6} \approx 91.8947$
$\frac{8.2^4}{24} = \frac{4521.1776}{24} \approx 188.3824$ 
$\frac{8.2^5}{120} = \frac{37073.65632}{120} \approx$308.9471 
$ \frac{8.2^6}{720} = \frac{303993.981824}{720} \approx 422.2139$$

累加前 6 项：

$$
1+ 8.2 + 33.62 + 91.8947 + 188.3824 + 308.9471 + 422.2139 \approx 1054.2581
$$

但实际  $e^{8.2} \approx 3669.2966$ ，可见仅用 6 项误差极大，需要更多项才能逼近真实值。到底取前面几项才安全呢？ 此时就可以利用余项。

## 泰勒公式的拉个朗日余项
泰勒公式可以写成
$$

f(x)=f\left(x_0\right)+f^{\prime}\left(x_0\right)\left(x-x_0\right)+\frac{f^{\prime \prime}\left(x_0\right)}{2!}\left(x-x_0\right)^2+\cdots+\frac{f^{(n)}\left(x_0\right)}{n!}\left(x-x_0\right)^n+R_n(x)

其中的 
$$
\boxed{
R_n(x) =\frac{f^{(n+1)}(\xi)}{(n+1)!}\left(x-x_0\right)^{n+1} ... \text{拉格朗日余项}
}
$$

## 泰勒公式的佩亚诺余项
泰勒公式还可以写成
$$
f(x)=f\left(x_0\right)+f^{\prime}\left(x_0\right)\left(x-x_0\right)+\frac{f^{\prime \prime}\left(x_0\right)}{2!}\left(x-x_0\right)^2+\cdots+\frac{f^{(n)}\left(x_0\right)}{n!}\left(x-x_0\right)^n+R_n(x) 
$$

其中的

$$
\boxed{
R_n(x) =o\left[\left(x-x_0\right)^n\right]... \text{佩亚诺余项}
}
$$

### 两个余项的区别
两者的本质区别在于描述**误差的精度和目的**：

想象你用一个多项式拟合函数，

**佩亚诺余项** 它只告诉你，当 $x$ 非常非常接近点 $a$ 时，误差 $Rₙ(x)$ 相比于 $(x-a)ⁿ$ 来说小到可以忽略不计（是高阶无穷小）。它不告诉你误差具体有多大，只告诉你误差在趋近 $a$ 点时“消失的速度”比 $(x-a)ⁿ$ 还快。他的作用主要用于**求极限、分析局部性质**

**拉格朗日余项**它定量地给出了误差 $Rₙ(x)$ 的一个具体表达式。这个表达式依赖于一个位于 $a$ 和 $x$ 之间的神秘点 $ξ$。虽然你不知道 $ξ$ 具体在哪里，但你可以利用这个表达式估算出误差的最大可能值。他的主要作用是 **数值计算误差估计、证明不等式**

### 生活类比

**皮亚诺余项：** 就像你在一个陌生城市用手机导航去一个很近的地标（点 $a$）。导航说：“跟着这条路走大概 200 米（$(x-a)ⁿ$），目的地就在你眼前了，偏差很小（$o((x-a)ⁿ)$）。” 它告诉你方向基本正确，偏差相对于你要走的 200 米来说微不足道，但没精确说偏差是 1 米还是 5 米。

**拉格朗日余项：** 就像更专业的导航。它说：“沿着这条路走 200 米（$(x-a)ⁿ$），目的地在你左手边 0 到 5 米范围内（$|Rₙ(x)| ≤ M|x-a|ⁿ⁺¹$），具体取决于你在这段路上的位置（$ξ$）。” 它给了你一个误差范围（0-5米），你可以用来判断这个导航精度是否满足你的需求（比如找一栋大楼 vs 找一个特定的门牌号）。

`例` 写出函数 $f(x)= e ^x$ 的带拉格朗日型余项的 $n$ 阶麦克劳林公式．
解 因为 $f^{\prime}(x)=f^{\prime \prime}(x)=\cdots=f^{(n)}(x)= e ^x$ ，所以

$$
f(0)=f^{\prime}(0)=f^{\prime \prime}(0)=\cdots=f^{(n)}(0)=1 .
$$

把这些值代人公式泰勒公司，并注意到 $f^{(n+1)}(\theta x)= e ^{\theta x}$ ，便得

$$
e^x=1+x+\frac{x^2}{2!}+\cdots+\frac{x^n}{n!}+\frac{e^{\theta x}}{(n+1)!} x^{n+1} \quad(0<\theta<1) .
$$

由这个公式可知，若把 $e ^x$ 用它的 $n$ 次泰勒多项式表达为

$$
e^x \approx 1+x+\frac{x^2}{2!}+\cdots+\frac{x^n}{n!},
$$

这时所产生的误差为

$$
\left|R_n(x)\right|=\left|\frac{e^{\theta x}}{(n+1)!} x^{n+1}\right|<\frac{e^{|x|}}{(n+1)!}|x|^{n+1} \quad(0<\theta<1) .
$$

如果取 $x=1$ ，则得无理数 e 的近似式为 $e \approx 1+1+\frac{1}{2!}+\cdots+\frac{1}{n!}$ ，其误差

$$
\left|R_n\right|<\frac{e}{(n+1)!}<\frac{3}{(n+1)!}
$$

当 $n=10$ 时，可算出 $e \approx 2.718282$ ，其误差不超过 $10^{-6}$ ．

## 常见拉格朗日余项展开

$e^x=1+x+\frac{x^2}{2!}+\cdots+\frac{x^n}{n!}+\frac{e^{\xi}}{(n+1)!} x^{n+1} \quad(-\infty<x<+\infty) $

$\sin x=  x-\frac{x^3}{3!}+\cdots+(-1)^{n-1} \frac{x^{2 n-1}}{(2 n-1)!}  +(-1)^n \frac{\cos \xi}{(2 n+1)!} x^{2 n+1} \quad(-\infty<x<+\infty) $

$\cos x=  1-\frac{x^2}{2!}+\cdots+(-1)^n \frac{x^{2 n}}{(2 n)!}  +(-1)^{n+1} \frac{\cos \xi}{(2 n+2)!} x^{2 n+2} \quad(-\infty<x<+\infty) $

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

$\ln (1+x)=   x-\frac{x^2}{2}+\frac{x^3}{3}-\cdots+(-1)^{n-1} \frac{x^n}{n}  +(-1)^n \frac{x^{n+1}}{(n+1)(1+\xi)^{n+1}} \quad(-1<x<+\infty)$

## 常见佩亚诺余项展开
$e^x=1+x+\frac{x^2}{2!}+\cdots+\frac{x^n}{n!}+o\left(x^n\right) .$

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

$\cos x=1-\frac{x^2}{2!}+\frac{x^4}{4!}+\cdots+(-1)^m \frac{x^{2 m}}{(2 m)!}+o\left(x^{2 m+1}\right) $

$(1+x)^\alpha=1+\alpha x+\frac{\alpha(\alpha-1)}{2!} x^2+\cdots+\frac{\alpha(\alpha-1) \cdots(\alpha-n+1)}{n!} x^n+o\left(x^n\right) .$

$\ln (1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}+\cdots+(-1)^{n-1} \frac{x^n}{n}+o\left(x^n\right) .$

`例` 举例来讲，例如 $f(x)=\sin (x)$ ．
为了降低计算复杂度，研究带拉格朗日余项的一阶麦克劳林公式 ${ }^{+}$。
注释：$x_0=0$ 时，泰勒公式转化为麦克劳林公式。

$$
f(x)=f(0)+\frac{f^{\prime}(0)}{1!} x+\frac{f^{\prime \prime}(\xi)}{2!} x^2,
$$

一阶导函数 $f^{\prime}(x)=\cos (x)$ ，
二阶导函数 $f^{\prime \prime}(x)=-\sin (x)$ ，
因此，$f

免费注册看余下 70%

非VIP会员每天5篇文章，开通VIP 无限制查看

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：麦克劳林公式 Maclaurin series

下一篇：函数单调性的判别

本文对您是否有用？有用 (0) 无用 (0)