简介清华大学《微积分高等数学》泰勒公式PPT学习教案面向高校理工科学生、考研备考生及需要巩固数学基础的自学者系统解析泰勒公式这一函数逼近与分析的核心工具。教案从局部逼近与全局逼近的区别引入逐步讲解泰勒多项式的构造、一阶线性近似、高阶展开及皮亚诺余项与拉格朗日余项两种误差刻画方式并结合麦克劳林公式、常用初等函数展开和洛必达法则的应用场景帮助厘清证明思路与适用条件。资源包共1个文件为PPTX演示文稿大小265KB页面排版清晰包含31页完整讲义内容适合自学或课堂教学直接使用。目前已有179人学习浏览内容精炼却覆盖泰勒公式从定义、证明到应用的完整链条尤其适合想要突破极限计算与函数近似理解的读者。1. 函数逼近的第一条路线泰勒多项式能解决什么问题函数逼近有两条路线一条是傅立叶级数、正交多项式那样的区间整体逼近另一条是在某个点附近用多项式局部贴合函数行为这就是泰勒公式。这套《清华大学微积分高等数学泰勒公式》教案把泰勒公式从一阶近似开始一步步推到带皮亚诺余项、带拉格朗日余项的完整形式再把五个初等函数的麦克劳林展开全部推了一遍。它适合正在学高等数学、微积分准备考研或者做数值计算时要理解“多项式近似到底怎么逼近、误差有多大”的读者——本质上这是一份可以照着推导一遍的完整证明稿而不是只给结论的速查表。2. 泰勒多项式的构造为什么系数是 f⁽ᵏ⁾(x₀)/k!2.1 从微分的一阶近似到高次修正微积分里最早接触的近似公式是当 f 在 x₀ 可微时f(x) f(x₀) f(x₀)(x - x₀) o(x - x₀)右边恰好是过 (x₀, f(x₀))、斜率为 f(x₀) 的一条直线。一阶近似只有两项信息点的位置和切线斜率。当 x 离 x₀ 较远时曲率开始起作用直线就不再贴得住。教案中提了一个很关键的问题如何提高近似公式的精度答案是引入高次多项式。高次多项式的好处在于它可以在展开点处把函数的一阶、二阶、三阶乃至 n 阶导数全部“对齐”。你在 x₀ 附近观察这个多项式它的性态会越来越像原函数——不只是切线相同凹凸性相同连凹凸性的变化率也相同。这种逐阶咬合的关系正是泰勒多项式区别于普通插值多项式的本质。2.2 待定系数前 n 阶导数对齐设展开式为Pₙ(x) a₀ a₁(x - x₀) a₂(x - x₀)² … aₙ(x - x₀)ⁿ教案第 5 页的做法是先写出约束条件要求在 x₀ 处 Pₙ 与 f 的前 n 阶导数全部相等即Pₙ(x₀) f(x₀)Pₙ(x₀) f(x₀)……Pₙ⁽ᵏ⁾(x₀) f⁽ᵏ⁾(x₀)把 Pₙ 逐项求导再代 x₀每一项的非零贡献只来自对应阶的项。于是系数逐个被定出来a₀ f(x₀)a₁ f(x₀)a₂ f(x₀)/2!以此类推得到通式aₖ f⁽ᵏ⁾(x₀) / k!这里的核心思想是用函数在一点处的导数信息反向决定多项式的系数。你不需要知道整个区间上的函数值只需要这一点的各阶导数这是泰勒公式能广泛应用的原因——很多函数我们无法写出全局表达式但能算出某个点的各阶导数。2.3 阶乘的来源与常见系数错误为什么分母是 k!因为对 (x - x₀)ⁿ 求 k 次导系数是 n(n-1)…(n-k1)当 k n 时正好是 n!。也就是说Pₙ 的第 k 项经过 k 次求导后贡献的是 aₖ · k!而不是 aₖ。为了让它等于 f⁽ᵏ⁾(x₀)必须除以 k!。这个细节是初学者最容易出错的地方。我见过不少人在手推展开式时漏掉阶乘把 eˣ 的展开写成 1 x x² x³……一检验导数就露馅。另一个常见错误是展开点不统一在 x₀ 0 处成立的麦克劳林展开直接拿到 x₀ 1 处用完全不替换 (x - x₀) 项结果全部算错。2.4 用 SymPy 验证系数并对比误差量级手推高阶展开容易出错我一般用 SymPy 的 diff 和 factorial 组合来验证。下面这段代码按定义累加泰勒多项式的每一项并输出 sin x 在 0 点的 7 阶展开import sympy as sp x sp.symbols(x) f sp.sin(x) x0 0 n 7 # 按定义累加第 k 阶导数在 x0 处的值 / k! * (x - x0)^k P sum( sp.diff(f, x, k).subs(x, x0) / sp.factorial(k) * (x - x0)**k for k in range(n 1) ) print(sp.simplify(P)) # 输出: x - x**3/6 x**5/120 - x**7/5040这段代码做了三件事用sp.diff(f, x, k)求第 k 阶导数用.subs(x, x0)替换展开点再除以sp.factorial(k)并乘上 (x - x₀)ᵏ。输出结果中的奇数项系数是 1、-1/6、1/120、-1/5040正是 sin x 在 0 点各奇数阶导数值除以对应阶乘。遇到复合函数时直接让 SymPy 处理链式法则比自己逐层求导可靠得多。展开阶数的选择会直接影响误差量级。以 sin x 在 x 0.5 处为例一阶展开 x ≈ 0.5真实值约 0.4794误差在 0.0206三阶展开 x - x³/6 ≈ 0.4792误差降到 0.0002五阶展开误差进一步降到约 2.6×10⁻⁶。这就是泰勒多项式“高阶修正”的实际效果每多展开一阶近似精度按 (x - x₀) 的幂次快速下降。展开阶数多项式在 x0.5 的值与 sin(0.5) 的误差1 阶0.52.06×10⁻²3 阶0.47916672.66×10⁻⁴5 阶0.47942712.66×10⁻⁶7 阶0.47942552.3×10⁻⁹误差随阶数增加的衰减速度取决于展开点和展开半径。这个规律在数值计算里非常重要——它决定了你在工程中需要保留多少项才能达到目标精度。3. 余项的两种形态皮亚诺余项与拉格朗日余项怎么选3.1 皮亚诺余项定性的局部误差表达泰勒多项式 Pₙ(x) 与原函数 f(x) 的差记为 Rₙ(x)。皮亚诺余项把 Rₙ 写成高阶无穷小Rₙ(x) o((x - x₀)ⁿ)当 x → x₀这个形式不给出误差的具体数值只告诉你误差相对于 (x - x₀)ⁿ 来说趋于 0 的速度更快。它适合描述“在展开点附近误差的阶”这件事。教案第 8 页给出的定理条件是 f 在 x₀ 处有 n 阶导数不需要更高阶可导性条件非常弱。证明用罗必达法则分子和分母在 x₀ 处都是 n 阶零点连续求 n 次导后分子变成 f⁽ⁿ⁾(x₀) - f⁽ⁿ⁾(x₀) 0分母变成 n!于是极限为 0。注意这里只能用到第 n 次第 n1 次罗必达需要 f⁽ⁿ⁾ 在 x₀ 处可导而定理条件只保证导函数存在不保证它连续或可导所以最后一步要改用导数定义来收尾。3.2 拉格朗日余项定量的区间误差表达拉格朗日余项在更强的条件下给出精确表达式若 f 在包含 x₀ 的开区间上有 n1 阶导数则Rₙ(x) f⁽ⁿ⁺¹⁾(ξ) / (n1)! · (x - x₀)ⁿ⁺¹其中 ξ 在 x₀ 与 x 之间。这里的价值在于定量只要知道 f 的第 n1 阶导数在区间上的上界 M就能写出|Rₙ(x)| ≤ M / (n1)! · |x - x₀|ⁿ⁺¹教案里特别强调了一个联系当 n 0 时这个式子退化成拉格朗日中值定理 f(x) - f(x₀) f(ξ)(x - x₀)。也就是说泰勒公式可以看成中值定理的高阶推广中值定理是零阶泰勒公式。3.3 证明思路对比罗必达的边界与柯西中值定理的连续使用两种余项证明了同一条误差公式但技术路线完全不同。皮亚诺余项的证明走罗必达法则重在计算极限拉格朗日余项的证明则构造辅助函数用柯西中值定理连续作用 n1 次。教案第 14 页的构造是令 F(x) f(x) - Pₙ(x)G(x) (x - x₀)ⁿ⁺¹。F 与 G 在 x₀ 处的前 n 阶导数全部为 0满足柯西中值定理的多次使用条件。每用一次柯西中值定理就消去一阶导数n1 次之后剩下的正是 f⁽ⁿ⁺¹⁾(ξ) 除以 (n1)!。这个证明之所以绕开罗必达是因为拉格朗日余项需要的是一个“存在一个中值点”的精确等式而不是极限表达式——柯西中值定理刚好提供了这种存在性。关于罗必达法则的使用边界教案反复提醒它要求分子分母在邻域内可导且每次使用都要重新验证 0/0 型。泰勒公式的皮亚诺余项证明里最后一次极限必须退回导数定义就是因为这两个条件之一已经失效。这一处是考研和课后习题的高频考点值得单独标记。3.4 数值验证拉格朗日上界确实罩得住写代码验证比空谈更直观。下面用 sin x 在 x0.25 处的 3 阶展开做对比import math x 0.25 x0 0.0 n 3 # 3 阶麦克劳林多项式 P x - x**3 / math.factorial(3) actual math.sin(x) # 拉格朗日余项上界f^(4)(ξ) sin(ξ)|sin(ξ)| 1 M 1.0 bound M / math.factorial(n 1) * abs(x - x0)**(n 1) print(f真实误差 : {abs(actual - P):.6e}) print(f拉格朗日上界: {bound:.6e}) # 真实误差 : 2.586e-05 # 拉格朗日上界: 1.628e-04真实误差 2.586×10⁻⁵ 确实小于理论上界 1.628×10⁻⁴说明拉格朗日余项给出的界是保守但有效的。注意它不是一个紧致的估计——很多场合下真实误差会比上界小一个数量级。如果你需要更精确的误差值需要额外知道 f⁽ⁿ⁺¹⁾ 在区间上的变化情况而不只是上界。对比维度皮亚诺余项拉格朗日余项表达式o((x - x₀)ⁿ)f⁽ⁿ⁺¹⁾(ξ)/(n1)! · (x - x₀)ⁿ⁺¹条件f 在 x₀ 处 n 阶可导f 在区间上有 n1 阶导数信息量定性误差是 n 阶无穷小定量可给出误差上界常用场景极限计算、比较无穷小阶数值近似、收敛性判断选哪一种取决于你要干什么求极限用皮亚诺做误差分析用拉格朗日。这是应用层面的固定搭配后面最后一章会具体演示。4. 五个初等函数的麦克劳林展开从导数周期到系数表4.1 x₀ 0 的特殊形式麦克劳林公式当展开点取 x₀ 0泰勒公式变成麦克劳林公式f(x) f(0) f(0)x f(0)/2! · x² … f⁽ⁿ⁾(0)/n! · xⁿ Rₙ(x)这个特殊形式在实际计算中出现频率远高于一般泰勒公式因为大多数初等函数在 0 处的导数取值有简单规律。教案第四部分标题写的是“五个常用函数的麦克劳林公式”实际完整推导了 eˣ、sin x、cos x 三个另外两个——ln(1x) 和 (1x)^α——用同一套求导-代值-写系数的流程可以快速补出来。4.2 eˣ导数自循环系数最干净的展开eˣ 任意阶导数都是 eˣ 自己在 0 处所有导数值都为 1所以eˣ 1 x x²/2! x³/3! … xⁿ/n! Rₙ(x)它是唯一一个系数全是 1/k! 的展开没有任何符号交替和奇偶筛选。余项里 f⁽ⁿ⁺¹⁾(ξ) e^ξ在 x 取正数时可以直接用 e^x 整体替换得到上界。这个展开在数值计算中常用作指数函数的底表——计算机内部算 eˣ 就是先算多项式逼近再修正尾数。4.3 sin x 与 cos x导数四项循环与奇偶次项sin x 的导数序列是 sin x → cos x → -sin x → -cos x → sin x四个一循环。在 0 点取值是 0、1、0、-1……偶数阶导数为 0奇数阶导数交替 ±1所以展开里只保留奇次项sin x x - x³/3! x⁵/5! - x⁷/7! … (-1)ᵏ x²ᵏ⁺¹/(2k1)! R₂ₖ₊₂(x)cos x 的导数循环周期同样是 4但 0 点取值是 1、0、-1、0……只保留偶次项cos x 1 - x²/2! x⁴/4! - x⁶/6! … (-1)ᵏ x²ᵏ/(2k)! R₂ₖ₊₁(x)注意 sin x 的余项角标是 2k2cos x 是 2k1——这是因为余项的阶数取决于展开多项式里最高项阶数加 1而这两个展开分别只取了奇次和偶次项。角标写错是手写展开时最常见的失误。4.4 ln(1x) 与 (1x)^α系数逻辑不同的一组另外两个常用函数的系数规律和前三个完全不同。ln(1x) 在 0 处的 n 阶导数是 (-1)ⁿ⁺¹(n-1)!除以 n! 后得到 (-1)ⁿ⁺¹/n展开是ln(1x) x - x²/2 x³/3 - x⁴/4 … (-1)ⁿ⁺¹ xⁿ/n Rₙ(x)这里分母是 k 不是 k!是除 eˣ、sin x、cos x 外最容易记混的地方。(1x)^α 的系数则是组合数 C(α, k) α(α-1)…(α-k1)/k!展开为(1x)^α 1 αx α(α-1)x²/2! α(α-1)(α-2)x³/3! …当 α 是正整数时这个展开会在 α1 项截断——恰好是二项式定理当 α 是分数或负数时展开是无限级数。这四个规律放在一起记忆策略应该是指数和三角带阶乘ln 带一次导数系数幂函数带组合数。混用系数逻辑是常见错误来源。4.5 用脚本一次生成五个展开式写课件笔记时我习惯用一段 SymPy 脚本把五个展开同时打出来系数一目了然还能顺手检查收敛范围import sympy as sp x sp.symbols(x) funcs { e^x: sp.exp(x), sin(x): sp.sin(x), cos(x): sp.cos(x), ln(1x): sp.log(1 x), (1x)^(1/2): sp.sqrt(1 x), } for name, f in funcs.items(): s sp.series(f, x, 0, 6).removeO() print(f{name}: {s})输出分别是e^x: 1 x x**2/2 x**3/6 x**4/24 x**5/120 sin(x): x - x**3/6 x**5/120 cos(x): 1 - x**2/2 x**4/24 ln(1x): x - x**2/2 x**3/3 - x**4/4 x**5/5 (1x)**(1/2): 1 x/2 - x**2/8 x**3/16 - 5*x**4/128 7*x**5/256这里sp.series(f, x, 0, 6)的含义是以 x 为变量、在 0 点展开到 6 阶精度removeO()去掉余项记号方便直接看多项式。观察输出就能确认sin x 和 cos x 分别只保留奇次、偶次项(1x)^(1/2) 的系数是组合数展开和 ln(1x) 的分母规律完全不同。五个展开的适用区间也值得注意——eˣ、sin x、cos x 对全体实数成立ln(1x) 只在 -1 到 1 的区间内收敛(1x)^α 则要按 α 判断端点行为。函数展开前几项系数规律收敛要求eˣ1 x x²/2! x³/3! …全是 1/k!全体实数sin xx - x³/3! x⁵/5! - …奇次项 ±1/k!全体实数cos x1 - x²/2! x⁴/4! - …偶次项 ±1/k!全体实数ln(1x)x - x²/2 x³/3 - …1/k交替端点需单独讨论(1x)^α1 αx α(α-1)x²/2! …组合数学 C(α,k)α 决定端点行为5. 泰勒公式的应用技巧展开阶数判断与误差控制5.1 用皮亚诺余项求极限展开到几阶看分母典型题目是求 lim_{x→0} (sin x - x)/x³。用 sin x 的三阶展开 sin x x - x³/3! o(x³)代入分子得到 -x³/6 o(x³)除以 x³ 后极限是 -1/6。展开阶数的判断标准只有一个分母是 x 的 k 次幂分子里必须保留到 xᵏ 项。展开不足主导项消不掉展开过头不会错但多余的项会被 o(xᵏ) 吸收徒增计算量。我一般先用 SymPy 验证结果再手算避免符号错误import sympy as sp x sp.symbols(x) expr (sp.sin(x) - x) / x**3 print(sp.limit(expr, x, 0)) # 输出: -1/65.2 用拉格朗日余项估计数值误差用 eˣ 在 x0 处的 4 阶麦克劳林多项式近似 e^0.5误差上界怎么算直接代拉格朗日余项R₄(0.5) e^ξ / 5! · 0.5⁵其中 ξ 在 0 和 0.5 之间e^ξ ≤ e^0.5 1.649所以误差上界约 1.649 × 0.03125 / 120 ≈ 4.3×10⁻⁴。这个方法给出了工程上需要的容差预期如果要求误差不超过 10⁻⁵就需要提高展开阶数或缩小近似区间。5.3 两个容易踩的坑第一个坑是展开中心不一致。求极限时如果分子多项式在 x→0 展开而分母里出现需要换元的因子不能直接拿两个不同展开点的结果混算。解决方法是统一换元让所有展开都以极限点为展开点。第二个坑是复合函数盲目展开。对 sin(x²) 展开时自变量 x² 已经贡献了二阶目标阶数是 4 的话sin 本身只需要展开到二阶即可因为再高阶的项 (x²)³ 已经达到 x⁶超出目标阶后被高阶无穷小吸收。不假思索地对 sin 展开到四阶甚至更高得到的项全是 x⁸、x¹⁰ 以上的高次项无效计算不说还容易在整理符号时出错。先算自变量的阶再决定外层函数展开到几阶这个顺序不能反。本文还有配套的精品资源点击获取