泰勒级数_泰勒公式常用

泰勒级数_泰勒公式常用泰勒公式(TaylorSeries)能把大多数的函数展开成幂级数,即$f(x)=\displaystyle{\sum_{n=0}^{\infty}A_nx^n}$式子当中只有加法与乘法

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

泰勒公式(Taylor Series)能把大多数的函数展开成幂级数,即

$f(x) = \displaystyle{ \sum_{n=0}^{\infty}A_n x^n }$

式子当中只有加法与乘法,容易求导,便于理解与计算。这种特性使得泰勒公式在数学推导(如:微分方程以幂级数作为解),数值逼近(如:求e、开方),函数逼近(在计算机某些计算优化时,可以把某些繁琐的式子进行泰勒展开,仅保留加法与乘法运算),复分析等多种应用中有广泛应用。

 

泰勒公式定义

条件:有实函数$f$,$f$在闭区间$[a,b]$是连续的,$f$在开区间$(a,b)$是$n+1$阶可微。

则可以对函数$f$进行泰勒展开:

$\begin{align*}
f(x)
&= \frac{1}{0!}f(x_0) \\
&+\frac{1}{1!}(x-x_0)f'(x_0) \\
&+\frac{1}{2!}(x-x_0)^2f”(x_0) \\
&+ \cdot \cdot \cdot \\
&+\frac{1}{n!}(x-x_0)^nf^{(n)}(x_0) \\
&+ R_n
\end{align*}$

其中$x_0$为区间$(a,b)$中的某一点, $x_0 \in (a,b)$,变量$x$也在区间$(a,b)$内。

泰勒展开得到的是一个多项式,可以写成

$f(x) = \displaystyle{ \sum_{k=0}^{n}\frac{(x-x_0)^k}{k!}f^{(k)}(x) + R_n }$

其中$R_n$为泰勒公式的余项Remainder)。该余项可以写成以下形式

$R_n = \displaystyle{ \int_{x_0}^x \frac{f^{(n+1)}(t)}{n!}(x-t)^ndt }$

余项$R_n$还可以进一步表示成:存在一点$x_0<\xi<x$使得下面的式子成立

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

 

 

泰勒公式推导

泰勒公式推导的起点为微积分基本定理(Fundamental Theorem of Calculus):

$\displaystyle{ \int_{x_0}^x f'(t)dt } = f(x) – f(x_0)$

因此有:

$\displaystyle{ f(x) = f(x_0) + \int_{x_0}^x f'(t)dt }$

然后用分部积分法(Integration by parts)对积分部分进行分解:

$\begin{align*}
f(x)
&=\color{red}{f(x_0) + \int_{x_0}^x f'(t)dt} \\
&=f(x_0) + \left. tf'(t)\right|_{x_0}^x – \int_{x_0}^x tf”(t)dt \qquad udv = uv – vdu \\
&=f(x_0) + xf'(x) – x_0f'(x_0) – \int_{x_0}^x tf”(t)dt \\
&=f(x_0) + x\left( f'(x_0) + \int_{x_0}^x f”(t)dt \right ) – x_0f'(x_0) – \int_{x_0}^x tf”(t)dt \\
&\qquad Fundamental \ Theorem \ of \ Calculus\\
&=\color{red}{f(x_0) + (x-x_0)f'(x_0) + \int_{x_0}^x (x-t)f”(t)dt} \\
&=f(x_0) + (x-x_0)f'(x_0) + \left.(xt – \frac{1}{2}t^2)f”(t)\right|_{x_0}^x – \int_{x_0}^x(xt – \frac{1}{2}t^2) f”'(t)dt \qquad udv = uv – vdu \\
&=f(x_0) + (x-x_0)f'(x_0) + \frac{x^2}{2}f”(x) + \frac{-2x_0x + {x_0}^2}{2}f”(x_0) – \int_{x_0}^x\frac{2xt-t^2}{2} f”'(t)dt \\
&=f(x_0) + (x-x_0)f'(x_0) + \frac{x^2}{2}\left( f”(x_0) + \int_{x_0}^x f”'(t)dt \right ) + \frac{-2x_0x + {x_0}^2}{2}f”(x_0) \\
&\quad+ \int_{x_0}^x\frac{-2xt+t^2}{2} f”'(t)dt \quad Fundamental \ Theorem \ of \ Calculus\\
&=\color{red}{f(x_0) + (x-x_0)f'(x_0) + \frac{(x-x_0)^2}{2}f”(x_0) + \int_{x_0}^x\frac{(x-t)^2}{2} f”'(t)dt}
\end{align*}$

运用微积分基本定理以及分部积分法继续推导下去可以得到:

$\begin{align*}
f(x)
&= \frac{1}{0!}f(x_0) \\
&+\frac{1}{1!}(x-x_0)f'(x_0) \\
&+\frac{1}{2!}(x-x_0)^2f”(x_0) \\
&+\cdot \cdot \cdot \\
&+\frac{1}{n!}(x-x_0)^nf^{(n)}(x_0) \\
&+\int_{x_0}^x \frac{f^{(n+1)}(t)}{n!}(x-t)^ndt \qquad *
\end{align*}$

由此得到余项

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

 

 

泰勒公式余项推导

泰勒公式的余项能写成多种形式,我们这里只对它的拉格朗日(Lagrange)形式进行推导

拉格朗日余项为:存在一点$x_0<\xi<x$使得下面的式子成立

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

 

推导过程如下:

$\begin{align*}
F(x)
&=  \frac{1}{0!}f(x_0) \\
&+ \frac{1}{1!}(x-x_0)f'(x_0) \\
&+ \frac{1}{2!}(x-x_0)^2f”(x_0) \\
&+ \cdot\cdot\cdot \\
&+ \frac{1}{n!}(x-x_0)^nf^n(x_0)
\end{align*}$

那么就有

$R_n(x) = f(x) – F(x)$

 

由于$f(x)$与$F(x)$在区间$(a,b)$上都有$n+1$阶导,因此$R_n(x)$在此区间上也有$n+1$阶导。

又因为$R_n(x) = \int_{x_0}^x \frac{f^{(n+1)}(t)}{n!}(x-t)^ndt $,因此有

$R_n(x_0) = R’_n(x_0)=R”_n(x_0) = … = R_n^{(n)}(x_0) = R_n^{(n+1)}(x_0) = 0$

 

对函数$R_n(x)$以及函数$G(x) = (x-x_0)^{n+1}$应用柯西中值定理(Cauchy Mean Value Theorem),得到:

存在一点$\xi_1 \in (x_0,x)$,使得下面的等式成立

$\frac{R’_n(\xi_1)}{G'(\xi_1)} = \frac{R_n(x) – R_n(x_0)}{G(x) – G(x_0)} $

等号左边展开后为$\frac{R’_n(\xi_1)}{(n+1)(\xi_1-x_0)^n}$,等号右边为$\frac{R_n(x)}{(x-x_0)^{n+1}}$,即

$\frac{R’_n(\xi_1)}{(n+1)(\xi_1 – x_0)^n} = \frac{R_n(x)}{(x-x_0)^{n+1}}$

 

现在注意等号左边,把左边当作对$R’_n(x)$与$(n+1)(x-x_0)^n$在区间$(x_0,\xi_1)$应用柯西中值定理,得到

存在一点$\xi_2 \in (x_0,\xi_1)$,使得下面的等式成立

$\frac{R’_n(\xi_1)}{(n+1)(\xi_1-x_0)^n} = \frac{R’_n(\xi_1)-R’_n(x_0)}{(n+1)(\xi_1-x_0)^n-0}=\frac{R”_n(\xi_2)}{n(n+1)(\xi_2-x_0)^{n-1}}$

 

按照这种方法继续推导下去,经过$n+1$次后得到

$\frac{R_n(x)}{(x-x_0)^{n+1}} = \frac{R^{n+1}_n(\xi)}{(n+1)!}  \qquad (\ \xi\in (x_0,\xi_n)\ ,\ thus \xi \in (x_0,x)\ )$

另外,可以看到$R_n^{(n+1)}(x)=\left( f(x)-F(x) \right)^{(n+1)}=f^{(n+1)}(x)$,代入上面的式子得到

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

 

 

泰勒级数(Taylor Series)

按照上述泰勒公式,如果$f(x)$在$x_0$处无限可导,那么泰勒公式则变为

$f(x) = \displaystyle{\sum_{n=0}^{\infty}\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n + R_{\infty} }$

其中幂级数(Power Series)

$\displaystyle{\sum_{n=0}^{\infty}\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n} $

称为$f(x)$在点$x_0$处的泰勒级数。

 

 

泰勒级数的收敛性分析

泰勒级数在实数域上的收敛性分析

如果函数$f(x)$在包含$x_0$的区间$(a,b)$上无限可导,那么对于所有$x \in (a,b)$,$f(x)$能展开成泰勒级数的条件就是余项在无穷处趋于0,即

$\displaystyle{f(x) = \sum_{n=0}^{\infty}\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n \quad \Leftrightarrow \quad \lim_{n\to\infty}R_n(x) = 0 }$

更进一步分析,在泰勒公式时有余项

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

在其前一步,有

$R_{n-1}(x) = \frac{f^{(n)}(\xi_n)}{(n)!}(x-x_0)^{n}$

两者相比,得

$\frac{R_{n}(x)}{R_{n-1}(x)} = \frac{f^{(n+1)} (\xi_{n+1})(x-x_0)}{f^{(n)}(\xi_{n})(n+1) }$

只有$\left| \frac{R_n(x)}{R_{n-1}(x)} \right| < 1$时,才表明余项在变小,即需要

$\left| \frac{f^{(n+1)} (\xi_{n+1})(x-x_0)}{f^{(n)}(\xi_{n})(n+1) } \right| < 1$

$|x-x_0| < \left| \frac{ f^{(n)}(\xi_{n})(n+1) }{ f^{(n+1)}(\xi_{n+1}) } \right|$

否则表明余项在变大。

 

对于泰勒级数来说,如果在$n$趋向于$\infty$时,余项一直在变大,那么表明泰勒级数会越来越远离原来的函数。

 

泰勒级数近似值选取

从上述不等式还可以看出,在求某个点$x=x_1$的近似值时,$x_1$与$x_0$的距离越近,则余项越小,表明误差越小。

也可以参考某乎上的一篇不错的文章。该文章中提到的复数域在下一节有详细推导。

 

泰勒级数在复数域上的收敛性分析

如在实数域收敛分析的时候描述,函数能够展开成泰勒函数的条件是余项在$\infty$处可以收敛。实数域毕竟也只是复数域的一部分,从复数域来分析能帮助我们了解泰勒级数的全貌。

 

复数平面的泰勒级数(Taylor Series in Complex Plane)

复数域的泰勒级数的结构跟实数的泰勒级数一样,只是把函数从实数往复数转变,即

$\displaystyle{ f(z) =\sum_{n=0}^{\infty}\frac{f^{(n)}(z_0)}{n!}(x-x_0)^n}$

其中函数$f$为从复数到复数的映射$f: \mathbb{C} \to \mathbb{C}$,常数为复数$z_0 \in \mathbb{C}$,变量为复数$z \in \mathbb{C}$。该式子可以简化为:

$\displaystyle{ f(z) =  \sum_{n=0}^{\infty}c_n(z-a)^n } \qquad,\qquad z,a,c_n\in\mathbb{C}$

 

收敛圆(Disk of Convergence)

从定义上来说,在复数平面上,如果泰勒级数在某一点$z’$趋于$\infty$,那么就可以说泰勒级数$f(z’)$是发散(diverge)的,否则为收敛(converge)。

如果泰勒级数在某有限点处发散的话,那么该泰勒级数的收敛域成一个圆盘(disk)状,称为收敛圆(Disk of Convergence)。该收敛圆的边界与圆心$a$的距离称为收敛半径(Radius of Convergence)$r$。这是泰勒级数的一个特性,下面我们将证明泰勒级数具有这种特性。

 

证明:

假设泰勒级数在有限点$z$处收敛,即有

$\displaystyle{ \sum_{n=0}^{\infty}c_n(z-a)^n } < \infty \qquad , \qquad for \ |z|<\infty$

泰勒级数为无限项求和,因此我们能通过根值判别法(Root test)来分析泰勒级数的收敛性。把$c_n(z-a)^n $看作一个整体,即

$A_n = c_n(z-a)^n $

那么泰勒级数变成$\displaystyle{ \sum_{n=0}^{\infty}A_n  }$,根据Root test,有

$\displaystyle{ C = \limsup_{n\to \infty} \sqrt[n]{ |A_n| } = \limsup_{n\to \infty} \sqrt[n]{ |c_n(z-a)^n| } = \limsup_{n\to \infty} \sqrt[n]{ |c_n| }|z-a| }$

limsup表示的是上极限,$\displaystyle{ \limsup_{n\to\infty} }$表示的是当$n$在无穷远处的上极限。Root test表明了当$C<1$时,泰勒级数收敛;当$C>1$时,泰勒级数发散;当$C=1$时,泰勒级数可能收敛或者发散。

 

我们上面假设泰勒级数在点$z$处收敛,即

$\displaystyle{ C = \limsup_{n\to \infty} \sqrt[n]{ |c_n| }|z-a| < 1 }$

$\displaystyle{ |z – a| < \frac{1}{\limsup_{n\to\infty}\sqrt[n]{c_n} } }$

上面的式子意味着,要使得泰勒级数收敛,$z$与点$a$的距离必须小于

$\displaystyle{r = \frac{1}{\limsup_{n\to\infty}\sqrt[n]{c_n} } }$

对于泰勒级数来说,$a$为选定的无限可导的一点,可以看作圆心,那么收敛域就是一个圆盘,圆盘的半径为$r$。当$r = 1/0$时,意味着半径无穷大,即泰勒级数在整个复数平面上都收敛。

 

收敛半径(Radius of Convergence)求解

在前面证明的时候我们算出了泰勒级数的收敛半径为

$\displaystyle{r = \frac{1}{\limsup_{n\to\infty}\sqrt[n]{c_n} } }$

这看起来不太好计算,下面有另外一种计算方式:

根据比式判别法(Ratio test),只有当下面的式子成立时,泰勒级数收敛

$\displaystyle{ \lim_{n\to\infty}\frac{|A_{n+1}|}{|A_n|} = \lim_{n\to\infty}\frac{|c_{n+1}(z-a)^{n+1}|}{|c_n(z-a)^n|} = \lim_{n\to\infty}\frac{|c_{n+1}(z-a)|}{c_n} < 1 }$

因此有

$r = \displaystyle{ \lim_{n\to\infty}\left| \frac{c_n}{c_{n+1}} \right| = \lim_{n\to\infty}\left| \frac{f^{(n)}(a)(n+1)}{f^{(n+1)}(a)} \right| }$

 

 

泰勒级数与原函数的关系

从复数平面上看,泰勒级数是从选定的某点$a$起,通过$n\to\infty$不断拟合原函数$f$的一种方式,这种拟合的展开是圆心$a$对称的。因此,如果原函数$f$有奇点(singularity:如$\frac{1}{0}$),并且距离$a$最近的奇点为$b$,那么泰勒级数为了拟合原函数,会在$b$点处趋于$\infty$,即在$b$处发散,又由于泰勒级数自身的收敛圆特性,使得泰勒级数无法在收敛圆以外拟合原函数,收敛半径为$|b-a|$。

这也意味着,如果泰勒级数的收敛半径无穷大,那么泰勒级数就能在复数平面上完全拟合原函数,因此泰勒级数等于原函数。

 

例:

$f(x) = \frac{1}{x}$,选取$a = 4$为无限求导点。当泰勒级数取前50阶时,可以看到:

在实数域,泰勒级数会在$(0,8)$收敛

TaylorSeries_Real

在复数平面,泰勒级数会以$a = 4+0i$为圆心,收敛半径为$r=4$

TaylorSeries_Complex

 

Mathematica Script

(* Real Domain *)
a = 4;
g[x_] := 1/x;
h[x_, n_] := Normal[Series[g[x], {x, a, n}]];
Manipulate[
 Plot[{g[x], Evaluate[h[x, n]]}, {x, -20, 20}, PlotRange -> 4, 
  PlotLegends -> "Expressions"], {n, 1, 60, 1}]

(* Complex Plane *)
ComplexFnPlot[f_, range_, options___] := 
  Block[{rangerealvar, rangeimagvar, g}, 
   g[r_, i_] := (f /. range[[1]] :> r + I i);
   Plot3D[
    Abs[g[rangerealvar, rangeimagvar]], {rangerealvar, Re[range[[2]]],
      Re[range[[3]]]}, {rangeimagvar, Im[range[[2]]], Im[range[[3]]]},
     options, 
    ColorFunction -> (Hue[Mod[Arg[g[#1, #2]]/(2*Pi) + 1, 1]] &), 
    ColorFunctionScaling -> False]];
ComplexFnPlot[h[z, 50], {z, -10 - 10 I, 10 + 10 I}, 
 PlotRange -> {-4, 500}]
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/167465.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • Node.js最新最详细安装教程(2020)

    Node.js最新最详细安装教程(2020)2020最新-Node.js详细安装教程(2020)

  • 菜鸟的算法入门:java的链表操作

    菜鸟的算法入门:java的链表操作

  • UpdatePanel 控件

    UpdatePanel 控件UpdatePanel控件使用了UpdatePanel控件的方案是ASP.NETAJAX扩展中的重要方案。我们收到了许多关于此控件、UpdateProgress控件以及二者功能的客户反馈。我们已经通过大量更改改善了部分页面呈现,并支持构建与UpdatePanel控件兼容的控件。我们还针对异步回发生命周期实现了丰富的事件模型,使您能够自定义客户端的更新处理。Sc

  • rpm包的卸载与安装[通俗易懂]

    rpm包的卸载与安装[通俗易懂]1.rpm包的管理介绍:一种用于互联网下载包的打包及安装工具,它包含在某些Linux分发版中,它生成具有RPM扩展名的文件,RPM是RedHatPackageManager(RedHat软件包管理工具)的缩写,类似windows的setup.exe,这一文件格式名称虽然打上了RedHat的标志,但理念是通用的Linux的分发版本都有采用(suse,redhat,centos等等),…

  • 操作系统-进程(1)进程与进程调度「建议收藏」

    操作系统-进程(1)进程与进程调度「建议收藏」操作系统必须全方位地管理计算机系统中运行的程序。因此,操作系统为正在运行的程序建立了一个管理实体——进程进程是一个具有一定独立功能的程序关于某个数据集合的一次运行活动,是操作系统进行资源分配和调度的

  • 解决docker下载镜像速度过慢_docker image是什么

    解决docker下载镜像速度过慢_docker image是什么前言上一篇讲到pull镜像,但是pull镜像的时候下拉的速度实在感人,有什么解决办法吗?我们只需将docker镜像源修改为国内的将docker镜像源修改为国内的:在/etc/docker/d

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号