{
  "id": "taylor-series",
  "title": "泰勒级数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "泰勒级数是由函数在某点的各阶导数确定系数的幂级数，可用于局部表示和多项式逼近。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "泰勒展开"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/taylor-series/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/taylor-series/",
      "json": "https://aiwiki.page/en/taylor-series.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "泰勒级数是由函数及其各阶导数在某个固定点的值构造的无穷级数。它是一种特殊的幂级数，其系数通过求导确定。当级数收敛于原函数时，它便以多项式项的无穷和表示该函数。它的有限部分和可用于局部逼近，但函数具有任意阶导数，并不意味着它一定能由泰勒级数精确表示。(openstax.org)"
    },
    {
      "heading": "定义与系数",
      "text": "设 \\(f\\) 在 \\(a\\) 的某个邻域内具有任意阶导数。它以 \\(a\\) 为中心的泰勒级数为\n\n\\[\\sum_{n=0}^{\\infty}\\frac{f^{(n)}(a)}{n!}(x-a)^n = f(a)+f'(a)(x-a)+\\frac{f''(a)}{2!}(x-a)^2+\\cdots.\\]\n\n这里 \\(f^{(0)}=f\\)，\\(n!\\) 表示阶乘，且 \\(0!=1\\)。中心 \\(a\\) 也称为展开点。当 \\(a=0\\) 时，这一展开称为麦克劳林级数。(openstax.org)\n\n\\(N\\) 阶泰勒多项式为\n\n\\[T_N(x)=\\sum_{n=0}^{N}\\frac{f^{(n)}(a)}{n!}(x-a)^n.\\]\n\n它的次数不超过 \\(N\\)，并且在 \\(a\\) 处的函数值及前 \\(N\\) 阶导数值都与 \\(f\\) 相同。这些条件唯一确定了该多项式：对幂级数求 \\(n\\) 次导数，再代入其中心点，所得值就是第 \\(n\\) 项系数的 \\(n!\\) 倍。因此，任何在 \\(a\\) 附近收敛并表示 \\(f\\) 的幂级数，都必定是它的泰勒级数。(openstax.org)"
    },
    {
      "heading": "泰勒定理与逼近误差",
      "text": "泰勒定理给出了有限阶泰勒多项式与函数之间的关系，无须假定函数具有无穷级数展开。若 \\(f\\) 在包含 \\(a\\) 和 \\(x\\) 的区间上具有直到 \\(N+1\\) 阶的连续导数，则\n\n\\[f(x)=T_N(x)+R_N(x),\\]\n\n其中余项的拉格朗日形式为\n\n\\[R_N(x)= \\frac{f^{(N+1)}(\\xi)}{(N+1)!}(x-a)^{N+1},\\]\n\n这里 \\(\\xi\\) 是 \\(a\\) 与 \\(x\\) 之间的某个点。当 \\(N=0\\) 时，这就是中值定理。(openstax.org)\n\n若在该区间上处处有 \\(|f^{(N+1)}(t)|\\le M\\)，则\n\n\\[|R_N(x)|\\le \\frac{M|x-a|^{N+1}}{(N+1)!}.\\]\n\n这一估计量化了截断所带来的误差。无穷泰勒级数要等于 \\(f(x)\\)，必须满足：当 \\(N\\to\\infty\\) 时，余项的极限为零，即 \\(R_N(x)\\to0\\)。因此，固定有限阶数时在中心附近的逼近精度，与阶数增加时的收敛性，是两个不同的问题。(openstax.org)"
    },
    {
      "heading": "收敛性与解析性",
      "text": "与所有幂级数一样，泰勒级数具有收敛半径 \\(R\\)，其值可能为零或无穷大。级数在 \\(|x-a|<R\\) 时绝对收敛，在 \\(|x-a|>R\\) 时发散。对于取实数值的变量，端点处的收敛情况必须分别检验。改变展开中心，既可能改变系数，也可能改变收敛区间。(openstax.org)\n\n解析函数在局部与自身的泰勒级数相等。解析性比无限次可微性更强。一个经典反例是\n\n\\[f(x)= \\begin{cases} e^{-1/x^2},&x\\ne0,\\\\ 0,&x=0. \\end{cases}\\]\n\n该函数具有任意阶导数，且各阶导数在原点处都为零。因此，它的麦克劳林级数恒为零，但只要 \\(x\\ne0\\)，就有 \\(f(x)>0\\)。这个级数处处收敛，却仅在零点处等于原函数。(math.ucdavis.edu)\n\n在复分析中，在某个圆盘上全纯的函数可以在整个圆盘内用泰勒级数表示。阻碍全纯延拓的最近位置决定了最大的收敛半径。因此，即使函数在整个实轴上都光滑，复数域中的奇点仍可能限制其实变量展开的收敛范围。例如，\\(1/(1+x^2)\\) 在零点处的展开的收敛半径为 \\(1\\)，这反映了它在 \\(i\\) 和 \\(-i\\) 处存在奇点。(dlmf.nist.gov)"
    },
    {
      "heading": "常见展开式",
      "text": "指数函数以及正弦、余弦函数的麦克劳林展开为\n\n\\[e^x=\\sum_{n=0}^{\\infty}\\frac{x^n}{n!}, \\qquad \\sin x=\\sum_{n=0}^{\\infty} \\frac{(-1)^n x^{2n+1}}{(2n+1)!},\\]\n\n\\[\\cos x=\\sum_{n=0}^{\\infty} \\frac{(-1)^n x^{2n}}{(2n)!}.\\]\n\n这三个级数对任意实数或复数自变量都收敛。三角函数的自变量采用弧度制。(openstax.org)\n\n由等比级数可得\n\n\\[\\frac{1}{1-x}=\\sum_{n=0}^{\\infty}x^n, \\qquad |x|<1.\\]\n\n对 \\(1/(1+x)\\) 的相应展开式积分，得到\n\n\\[\\log(1+x)= \\sum_{n=1}^{\\infty}\\frac{(-1)^{n+1}x^n}{n}.\\]\n\n对于实数 \\(x\\)，最后这个级数在 \\(-1<x\\le1\\) 上表示对数函数，在 \\(x=-1\\) 处发散。这些例子展示了两类展开的区别：一类的收敛范围不受限制，另一类则只在有限的范围内成立。(openstax.org)"
    },
    {
      "heading": "运算与应用",
      "text": "在收敛区间内部，幂级数可以逐项求导和积分。这些运算保持收敛半径不变，但端点处的收敛情况可能改变。因此，在微积分中，泰勒展开可用于计算积分，或构造微分方程的级数解。有限项截断也可用于数值分析中的函数逼近。(lemesurierb.people.charleston.edu)\n\n对于多元函数，泰勒展开使用偏导数。二阶局部模型的形式为\n\n\\[f(\\mathbf a+\\mathbf h)\\approx f(\\mathbf a)+\\nabla f(\\mathbf a)^{T}\\mathbf h +\\frac12\\mathbf h^{T}H_f(\\mathbf a)\\mathbf h,\\]\n\n其中 \\(\\nabla f\\) 是梯度，\\(H_f\\) 是海森矩阵。线性模型和二次模型是数学优化中牛顿法及相关方法的基础。(ocw.mit.edu)"
    },
    {
      "heading": "历史发展",
      "text": "该级数以布鲁克·泰勒的名字命名，他的《正反增量法》（Methodus incrementorum directa et inversa）于1715年出版。在此之前，詹姆斯·格雷戈里、艾萨克·牛顿和戈特弗里德·威廉·莱布尼茨等数学家已经提出了相关展开。泰勒的工作是在当时逐渐发展的微积分框架内给出了一般表述，而非首次提出所有相关的基本思想。(mathshistory.st-andrews.ac.uk)"
    }
  ],
  "links": [
    "mathematical-function",
    "derivative",
    "infinite-series",
    "power-series",
    "factorial",
    "polynomial",
    "taylors-theorem",
    "mean-value-theorem",
    "limit",
    "radius-of-convergence",
    "real-number",
    "analytic-function",
    "complex-analysis",
    "complex-number",
    "exponential-function",
    "geometric-series",
    "calculus",
    "integral",
    "differential-equation",
    "numerical-analysis",
    "function-approximation",
    "partial-derivative",
    "gradient",
    "hessian-matrix",
    "mathematical-optimization",
    "newtons-method",
    "brook-taylor",
    "isaac-newton",
    "gottfried-wilhelm-leibniz"
  ],
  "sources": [
    {
      "title": "openstax.org/books/calculus-volume-2/pages/6-3-taylor-and-maclaurin-series",
      "url": "https://openstax.org/books/calculus-volume-2/pages/6-3-taylor-and-maclaurin-series"
    },
    {
      "title": "openstax.org/books/calculus-volume-2/pages/6-1-power-series-and-functions",
      "url": "https://openstax.org/books/calculus-volume-2/pages/6-1-power-series-and-functions"
    },
    {
      "title": "math.ucdavis.edu/~hunter/m125a/intro_analysis_ch6.pdf",
      "url": "https://www.math.ucdavis.edu/~hunter/m125a/intro_analysis_ch6.pdf"
    },
    {
      "title": "dlmf.nist.gov/1.10",
      "url": "https://dlmf.nist.gov/1.10"
    },
    {
      "title": "openstax.org/books/calculus-volume-2/pages/6-4-working-with-taylor-series",
      "url": "https://openstax.org/books/calculus-volume-2/pages/6-4-working-with-taylor-series"
    },
    {
      "title": "lemesurierb.people.charleston.edu/math220-notes-2022/chapter6-section2-properti…",
      "url": "https://lemesurierb.people.charleston.edu/math220-notes-2022/chapter6-section2-properties-of-power-series.html"
    },
    {
      "title": "ocw.mit.edu/courses/15-084j-nonlinear-programming-spring-2004/83159d56de04a7e7d…",
      "url": "https://ocw.mit.edu/courses/15-084j-nonlinear-programming-spring-2004/83159d56de04a7e7dc94d0348fa4ccda_lec3_newton_mthd.pdf"
    },
    {
      "title": "mathshistory.st-andrews.ac.uk/Biographies/Taylor/",
      "url": "https://mathshistory.st-andrews.ac.uk/Biographies/Taylor/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}