{
  "id": "taylors-theorem",
  "title": "泰勒定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "泰勒定理用多项式近似可微函数，并通过余项刻画近似误差。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "泰勒公式",
    "带余项的泰勒公式"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/taylors-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/taylors-theorem/",
      "json": "https://aiwiki.page/en/taylors-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "泰勒定理是微积分和数学分析中的一个基本定理，它说明：对于具有足够阶导数的函数，可以利用其在某一点处的各阶导数构造一个多项式，在该点附近对函数进行近似。该定理的核心在于对余项的刻画：余项就是函数与近似多项式之差。根据所作的假设，余项可以用某个中间点处的导数、积分或渐近估计来表示。\n\n这一定理使局部近似得以定量描述。它解释了为什么切线可以近似曲线，为数值计算提供误差界，并为优化、微分方程和统计学中的高阶方法奠定基础。尽管它与泰勒级数密切相关，但泰勒定理描述的是有限项近似，并不要求无穷级数收敛。有限项近似与无穷级数表示之间的区别至关重要：一个函数即使具有任意阶导数，也未必等于它的泰勒级数。"
    },
    {
      "heading": "局部多项式与定理的基本表述",
      "text": "设 \\(f\\) 是定义在包含点 \\(a\\) 的某个区间上的实值函数。当所需的各阶导数存在时，\\(f\\) 在 \\(a\\) 处次数不超过 \\(n\\) 的泰勒多项式为\n\n\\[T_{n,a}(x)=\\sum_{k=0}^{n}\\frac{f^{(k)}(a)}{k!}(x-a)^k,\\]\n\n其中 \\(f^{(0)}=f\\)，\\(k!\\) 表示 \\(k\\) 的阶乘。各次幂的系数由以下要求确定：多项式与函数在展开点处的各阶导数相同，即\n\n\\[T_{n,a}^{(j)}(a)=f^{(j)}(a), \\qquad 0\\le j\\le n.\\]\n\n这些条件唯一确定了一个次数不超过 \\(n\\) 的多项式。事实上，将多项式按 \\(x-a\\) 的幂展开后，对其求 \\(j\\) 阶导数并在 \\(a\\) 处取值，便可单独确定第 \\(j\\) 次幂的系数。因此，泰勒逼近是一种局部插值，它用导数数据来确定逼近多项式，而不是使用若干个不同点处的函数值。\n\n泰勒定理将函数写为\n\n\\[f(x)=T_{n,a}(x)+R_{n,a}(x),\\]\n\n然后刻画余项 \\(R_{n,a}\\)。定理的各个版本并不共用一套假设：不同的假设可以得到不同的结论。一种常见版本假设 \\(f\\) 在以 \\(a\\) 和 \\(x\\) 为端点的闭区间上具有直到 \\(n\\) 阶的连续导数，并在该区间内部具有 \\((n+1)\\) 阶导数。定理断言，在 \\(a\\) 与 \\(x\\) 之间存在一点 \\(\\xi\\)，满足\n\n\\[R_{n,a}(x) =\\frac{f^{(n+1)}(\\xi)}{(n+1)!}(x-a)^{n+1}.\\]\n\n这个中间点通常取决于 \\(x\\)、\\(a\\) 和 \\(n\\)，而定理一般并不给出它的具体位置。\n\n当 \\(n=0\\) 时，便得到中值定理：\n\n\\[f(x)=f(a)+f'(\\xi)(x-a).\\]\n\n当 \\(n=1\\) 时，只要存在满足相应条件的二阶导数，就能得到带有二阶误差的切线逼近。当 \\(n=2\\) 时，二次项刻画了局部的弯曲情况：\n\n\\[f(a+h)=f(a)+f'(a)h+\\frac12 f''(a)h^2+R_{2,a}(a+h).\\]\n\n这里以及下文中的“阶”均指位移 \\(h\\) 的幂次，不一定是多项式的实际次数，因为某些系数可能为零。在 \\(a=0\\) 处的展开通常称为麦克劳林展开。改变展开点，不仅会改变各项系数，也会改变低次多项式能够有效逼近函数的区域。"
    },
    {
      "heading": "余项公式及其成立条件",
      "text": "拉格朗日型余项特别适合用来给出明确的误差界。如果在连接 \\(a\\) 与 \\(x\\) 的整个区间上都有\n\n\\[|f^{(n+1)}(t)|\\le M\\]\n\n成立，那么\n\n\\[|R_{n,a}(x)| \\le \\frac{M}{(n+1)!}|x-a|^{n+1}.\\]\n\n这个估计将误差的两个来源区分开来：高阶导数的大小，以及到展开点的距离。即使函数非常光滑，距离过大也可能使估计效果不佳。反过来，导数的一致界可以给出整个区间上的一致近似误差界。\n\n另一种经典表达式是柯西型余项：\n\n\\[R_{n,a}(x) =\\frac{f^{(n+1)}(\\xi)}{n!}(x-\\xi)^n(x-a),\\]\n\n其中 \\(\\xi\\) 是某个中间点。这个公式中的点不一定与拉格朗日公式中的点相同。这两个表达式分别断言某个中间点的存在，而不是选取同一个中间点后得到的两个恒等式。根据导数的变化情况，其中一种形式可能比另一种提供更精确的信息。\n\n如果 \\(f\\) 在该区间上具有连续的 \\((n+1)\\) 阶导数，就可以得到精确的积分型余项：\n\n\\[R_{n,a}(x) =\\frac{1}{n!}\\int_a^x f^{(n+1)}(t)(x-t)^n\\,dt.\\]\n\n这里的积分是有向的，因此同一公式也适用于 \\(x<a\\) 的情形。这种形式保留了高阶导数的变化及其符号信息，而不是将其替换为某个未指定点处的值。它还允许更弱的正则性条件：如果 \\(f^{(n)}\\) 在该区间上具有绝对连续性，那么将其几乎处处存在的导数按勒贝格积分理解时，该公式仍然成立。\n\n另一种结论只需要局部可微性。如果 \\(f\\) 在 \\(a\\) 的某个邻域内 \\(n\\) 次可微，那么\n\n\\[f(a+h) =\\sum_{k=0}^{n}\\frac{f^{(k)}(a)}{k!}h^k+o(|h|^n) \\qquad (h\\to0).\\]\n\n这就是佩亚诺型余项。记号 \\(o(|h|^n)\\) 表示余项除以 \\(|h|^n\\) 后趋于零。它属于与大O记号相关的渐近记号体系，但比 \\(O(|h|^n)\\) 所表达的结论更强。这里不要求 \\(n\\) 阶导数连续。\n\n这些结论不应混为一谈。带有佩亚诺余项的 \\(n\\) 次展开，其误差未必是 \\(O(|h|^{n+1})\\)。例如，\\(f(h)=|h|^{3/2}\\) 在零点可微，且在该点的一次泰勒多项式为零。它的余项是 \\(o(|h|)\\)，却不是 \\(O(h^2)\\)。余项估计能有多强，取决于函数是否具备超出构造多项式所需导数条件的正则性。"
    },
    {
      "heading": "证明方法：反复积分与中值定理",
      "text": "积分型余项可直接由微积分基本定理和反复使用分部积分法得到。当 \\(n=0\\) 时，恒等式就是\n\n\\[f(x)=f(a)+\\int_a^x f'(t)\\,dt.\\]\n\n对于更高阶的情形，分部积分可得\n\n\\[\\frac{1}{n!}\\int_a^x f^{(n+1)}(t)(x-t)^n\\,dt = -\\frac{f^{(n)}(a)}{n!}(x-a)^n +\\frac{1}{(n-1)!} \\int_a^x f^{(n)}(t)(x-t)^{n-1}\\,dt.\\]\n\n反复进行这一操作，导数的阶数逐次降低，直到剩下的积分为 \\(f(x)-f(a)\\)。整理后便得到泰勒多项式及其积分型余项。这一证明清楚地说明了阶乘的由来：每次积分都会使核函数的幂次降低，并引入相应的归一化因子。\n\n在满足连续性假设时，接着可由加权积分中值定理得到拉格朗日型余项。当 \\(x>a\\) 时，核函数 \\((x-t)^n\\) 非负，因此存在某个 \\(\\xi\\in(a,x)\\)，使得\n\n\\[\\int_a^x f^{(n+1)}(t)(x-t)^n\\,dt = f^{(n+1)}(\\xi)\\int_a^x(x-t)^n\\,dt.\\]\n\n右侧的积分等于 \\((x-a)^{n+1}/(n+1)\\)，由此得到所需的表达式。对于 \\(x<a\\) 的情形，只需考虑积分方向以及核函数符号不变这一点，即可得到相同结论。\n\n在较弱的假设下，可以反复应用罗尔定理来证明。固定 \\(x\\ne a\\)，定义\n\n\\[F(t)=f(t)-T_{n,a}(t)-C(t-a)^{n+1}, \\qquad C=\\frac{f(x)-T_{n,a}(x)}{(x-a)^{n+1}}.\\]\n\n由构造可知，\\(F(a)=F(x)=0\\)，并且\n\n\\[F^{(j)}(a)=0,\\qquad 1\\le j\\le n.\\]\n\n反复应用罗尔定理，可知区间内部必有一点 \\(\\xi\\)，使得 \\(F^{(n+1)}(\\xi)=0\\)。由于泰勒多项式在求导 \\(n+1\\) 次后变为零，\n\n\\[f^{(n+1)}(\\xi)-(n+1)!C=0.\\]\n\n代入 \\(C\\) 的定义，便证明了拉格朗日公式，而无须要求 \\(f^{(n+1)}\\) 连续。\n\n佩亚诺型余项的结论也有一个类似的局部证明。令 \\(g=f-T_{n,a}\\)。\\(g\\) 在 \\(a\\) 处的函数值及直至 \\(n\\) 阶的各阶导数均为零。当 \\(n\\ge2\\) 时，反复使用柯西中值定理，可将比值 \\(g(a+h)/h^n\\) 化为\n\n\\[\\frac{g^{(n-1)}(a+\\theta_h)} {n!\\,\\theta_h},\\]\n\n其中 \\(\\theta_h\\) 位于 \\(0\\) 与 \\(h\\) 之间。由于 \\(g^{(n-1)}\\) 在 \\(a\\) 处可微，且函数值与导数值均为零，这一表达式趋于零。当 \\(n=1\\) 时，该结论就是可微性的定义。这一证明说明，对于局部的小 o 结论，最高阶导数的连续性并非必要条件。"
    },
    {
      "heading": "有限展开、无穷级数与解析性",
      "text": "在有限阶可微的假设下，泰勒定理对固定的有限阶数成立。泰勒级数所考察的则是阶数趋于无穷时的情形：\n\n\\[\\sum_{k=0}^{\\infty} \\frac{f^{(k)}(a)}{k!}(x-a)^k.\\]\n\n这两种极限过程并不相同。在局部的有限阶结论中，\\(n\\) 固定，而 \\(x\\to a\\)。在无穷级数表示中，\\(x\\) 固定，而 \\(n\\to\\infty\\)。仅仅知道每一阶有限展开都成立，并不足以支持在这两种视角之间进行转换。\n\n要使级数在某个给定点表示原函数，关于余项的充要条件是\n\n\\[R_{n,a}(x)\\longrightarrow0 \\qquad(n\\to\\infty).\\]\n\n指数函数是这一条件成立的典型例子。对于 \\(f(x)=e^x\\)，各阶导数都等于 \\(e^x\\)。对固定的实数 \\(x\\)，在零点展开时，由拉格朗日余项得到的估计为\n\n\\[|R_{n,0}(x)| \\le e^{\\max(0,x)} \\frac{|x|^{n+1}}{(n+1)!},\\]\n\n其右端趋于零。因此，对每个实数 \\(x\\)，都有 \\(e^x=\\sum_{k=0}^{\\infty}x^k/k!\\)。阶乘的增长最终快于分子中以固定数为底的幂的增长。\n\n仅有无穷次可微性还不够。考虑\n\n\\[f(x)= \\begin{cases} e^{-1/x^2},&x\\ne0,\\\\ 0,&x=0. \\end{cases}\\]\n\n函数在零点的各阶导数均为零。在零点以外，各阶导数都是 \\(1/x\\) 的若干幂次的线性组合再乘以 \\(e^{-1/x^2}\\)；当 \\(x\\to0\\) 时，这个指数因子的衰减速度足以压过其中任意幂次的增长。因此，在零点的泰勒级数恒为零，而对每个非零的 \\(x\\)，都有 \\(f(x)>0\\)。然而，在任意有限阶，皮亚诺形式的结论仍然成立：\\(f(x)=o(|x|^n)\\)。\n\n如果一个函数在局部等于某个收敛的幂级数，就称其为解析函数。对于实函数，解析性是比光滑性严格更强的条件。在复分析中，在某个开邻域内处处复可微会带来强得多的结论：全纯函数在该邻域内是解析的。柯西积分公式给出的导数估计可以控制泰勒余项，从而证明级数收敛。\n\n复奇点的几何分布也解释了许多常见实函数展开式的收敛范围为何受到限制。函数\n\n\\[f(x)=\\frac{1}{1+x^2}\\]\n\n对每个实数 \\(x\\) 都是光滑的，但它在零点的泰勒级数\n\n\\[1-x^2+x^4-\\cdots,\\]\n\n的收敛半径却为 \\(1\\)。它延拓到复数域后，在 \\(i\\) 和 \\(-i\\) 处有奇点，这两个奇点到零点的距离均为 \\(1\\)。更一般地，幂级数在其收敛圆内部的任意紧子集上一致收敛。这种一致收敛保证了逐项积分等运算的合法性；结合标准的幂级数定理，还可以逐项求导。"
    },
    {
      "heading": "多元函数与高阶导数",
      "text": "对于函数 \\(f:\\mathbb{R}^d\\to\\mathbb{R}\\)，泰勒定理可以近似描述多个坐标同时变化时的函数变化。假设从 \\(a\\) 到 \\(a+h\\) 的线段位于定义域内，且 \\(f\\) 在该线段附近具有所需的连续导数。定义一元函数\n\n\\[g(t)=f(a+th),\\qquad 0\\le t\\le1.\\]\n\n对 \\(g\\) 应用一元泰勒定理，即可得到多元情形的结果。链式法则将 \\(g\\) 的各阶导数转化为 \\(f\\) 沿 \\(h\\) 的各阶方向导数。\n\n展开到二阶，公式为\n\n\\[f(a+h)=f(a)+\\nabla f(a)^{\\mathsf T}h +\\frac12 h^{\\mathsf T}H_f(a)h +o(\\|h\\|^2).\\]\n\n这里，\\(\\nabla f(a)\\) 是梯度，\\(H_f(a)\\) 是海森矩阵，\\(\\|\\cdot\\|\\) 是该有限维空间上的一个范数。线性项刻画一阶变化，二次型则刻画二阶变化以及各坐标之间的相互作用。例如，若 \\(f(x,y)=x^2+3xy+2y^2\\)，则其海森矩阵为\n\n\\[H_f= \\begin{pmatrix} 2&3\\\\ 3&4 \\end{pmatrix},\\]\n\n且其二阶泰勒多项式与函数本身完全相同。\n\n利用多重指标，可以简洁地表示高阶展开。对于 \\(\\alpha=(\\alpha_1,\\ldots,\\alpha_d)\\)，定义\n\n\\[|\\alpha|=\\sum_{j=1}^{d}\\alpha_j,\\qquad \\alpha!=\\prod_{j=1}^{d}\\alpha_j!,\\qquad h^\\alpha=\\prod_{j=1}^{d}h_j^{\\alpha_j}.\\]\n\n以 \\(D^\\alpha f\\) 表示相应的混合偏导数，则泰勒多项式为\n\n\\[T_{n,a}(a+h) =\\sum_{|\\alpha|\\le n}\\frac{D^\\alpha f(a)}{\\alpha!}h^\\alpha.\\]\n\n混合偏导数的连续性保证了将各项合并为上述形式所需的对称性。例如，在按坐标求和的表达式中，混合二阶偏导数会出现两次，然后再统一乘以因子 \\(1/2\\)。\n\n对于具有直到 \\(n+1\\) 阶连续导数的标量值函数，沿线段应用一元定理可得\n\n\\[R_n(a,h) =\\frac{1}{(n+1)!} D^{n+1}f(a+\\theta h)[h,\\ldots,h]\\]\n\n其中存在某个 \\(\\theta\\in(0,1)\\) 使上式成立。这里的高阶导数是对称的多重线性映射。对于向量值函数，仍可使用积分形式的余项，但一般不存在一个共同的中间点。逐分量应用中值定理时，所得到的中间点可能各不相同。\n\n当导数理解为弗雷歇导数时，同一框架也可推广到巴拿赫空间之间的映射。如果沿该线段的 \\((n+1)\\) 阶导数的算子范数不超过 \\(M\\)，那么\n\n\\[\\|R_n(a,h)\\| \\le\\frac{M}{(n+1)!}\\|h\\|^{n+1}.\\]\n\n在泛函分析的许多问题中，实用的是这种范数估计，而不是标量情形中含有中间点的等式。"
    },
    {
      "heading": "数值逼近与误差控制",
      "text": "在数值分析中，泰勒定理既提供计算公式，也给出精度保证。对于正弦函数，在零点处展开至四次项可得\n\n\\[\\sin x=x-\\frac{x^3}{6}+R_{4,0}(x), \\qquad |R_{4,0}(x)|\\le\\frac{|x|^5}{120},\\]\n\n因为其五阶导数为 \\(\\cos x\\)，绝对值不超过一。在 \\(x=0.1\\) 时，误差至多为 \\(8.34\\times10^{-8}\\)。将系数为零的四次项也纳入展开很重要：若只应用定理展开至三次项，所得误差界虽然仍然成立，却不如前者紧。\n\n泰勒定理也可用于推导有限差分公式。若 \\(f\\) 在 \\(x\\) 附近的三阶导数具有足够的正则性，则在 \\(x+h\\) 和 \\(x-h\\) 处的展开给出\n\n\\[\\frac{f(x+h)-f(x-h)}{2h} =f'(x)+O(h^2).\\]\n\n相同的偶数阶项相互抵消，这解释了中心差分为何具有二阶精度。在三阶导数连续的条件下，其误差的主项为 \\(f'''(x)h^2/6\\)。类似地，若 \\(f\\) 四阶连续可微，则\n\n\\[\\frac{f(x+h)-2f(x)+f(x-h)}{h^2} =f''(x)+O(h^2).\\]\n\n这些恒等式是用有限差分法求解微分方程的基本构件。\n\n截断误差只是计算误差的一个组成部分。在浮点运算中，将数值接近的两个量相减可能会放大舍入误差的影响。对于一阶导数的差商，简化模型通常包含一个与 \\(u/h\\) 成正比的舍入误差项，其中 \\(u\\) 为单位舍入误差。将它与中心差分中正比于 \\(h^2\\) 的截断误差项相平衡，可得最优步长的尺度与 \\(u^{1/3}\\) 成正比，比例常数取决于函数本身及其求值方式。因此，任意减小 \\(h\\) 未必能提高导数计算结果的精度。\n\n泰勒展开还可用于构造常微分方程的积分方法。对于 \\(y'=F(t,y)\\)，有\n\n\\[y(t+h)=y(t)+hy'(t)+\\frac{h^2}{2}y''(t)+\\cdots,\\]\n\n而由链式法则可得\n\n\\[y''=F_t+F_yF.\\]\n\n欧拉法只保留前两项。高阶泰勒法则保留更多阶导数，这些导数可以通过符号运算或自动微分求得。导数的界可用于估计局部截断误差，而要控制累积的全局误差，还需要进行稳定性分析。\n\n在整个区间上进行计算时，泰勒多项式并不一定是最佳的多项式选择。它在某一点处与原函数的各阶导数相匹配，而逼近论还研究如何选取多项式，使一致误差或加权误差最小。初等函数的高效实现通常将自变量归约与专门选取的多项式逼近或有理逼近相结合。即使最终的计算公式不是泰勒多项式，泰勒定理在推导局部模型和证明误差界方面仍有重要价值。"
    },
    {
      "heading": "优化、渐近分析与统计变换",
      "text": "在数学优化中，二阶展开可根据局部几何性质区分驻点的类型。若 \\(\\nabla f(a)=0\\)，则\n\n\\[f(a+h)-f(a) =\\frac12h^{\\mathsf T}H_f(a)h+o(\\|h\\|^2).\\]\n\n若海森矩阵为正定矩阵，则二次项在每个非零方向上都为正，因此该点是严格局部极小点。负定的海森矩阵对应严格局部极大点。不定的海森矩阵则表明该点是鞍点。半正定或半负定的海森矩阵通常无法给出定论：\\(x^4\\)、\\(-x^4\\) 和零函数在零点处的二阶导数均为零，但它们的极值性质各不相同。\n\n余项的界也可用于控制迭代算法。若梯度在所考察的线段上满足常数为 \\(L\\) 的利普希茨连续条件，则由积分形式可得\n\n\\[f(x+s)\\le f(x)+\\nabla f(x)^{\\mathsf T}s +\\frac{L}{2}\\|s\\|^2.\\]\n\n这一不等式通常称为下降引理。令 \\(s=-\\eta\\nabla f(x)\\)，可得\n\n\\[f(x-\\eta\\nabla f(x)) \\le f(x)-\\eta\\left(1-\\frac{L\\eta}{2}\\right) \\|\\nabla f(x)\\|^2.\\]\n\n因此，在步长选取适当时，它为梯度下降提供了定量依据。牛顿法则使用二次模型，在海森矩阵可逆时给出步长向量 \\(s=-H_f(x)^{-1}\\nabla f(x)\\)。在标准正则性假设下，对余项的高阶控制是证明牛顿法局部二次收敛的关键。\n\n泰勒定理也是许多渐近展开的基础。例如，当 \\(h\\to0\\) 时，\n\n\\[\\log(1+h)=h-\\frac{h^2}{2}+\\frac{h^3}{3}+O(h^4)\\]\n\n其中 \\(\\log\\) 表示自然对数。代入 \\(h=1/n\\)，得到\n\n\\[n\\log(1+1/n)=1-\\frac{1}{2n}+O(n^{-2}).\\]\n\n这不仅确定了极限，还刻画了偏离极限的主导项。一般而言，有限阶的渐近信息并不意味着无穷展开收敛。\n\n在统计学中，将同样的局部论证用于概率情形，便得到德尔塔方法。若估计量 \\(\\hat\\theta_n\\) 满足\n\n\\[\\sqrt n(\\hat\\theta_n-\\theta) \\xrightarrow{d}N(0,\\sigma^2)\\]\n\n且 \\(g\\) 在 \\(\\theta\\) 处可微，则\n\n\\[\\sqrt n\\bigl(g(\\hat\\theta_n)-g(\\theta)\\bigr) \\xrightarrow{d} N\\!\\left(0,[g'(\\theta)]^2\\sigma^2\\right).\\]\n\n可微性保证余项相对于估计误差可以忽略，而所假设的极限分布蕴含了一致性，从而可以在 \\(\\hat\\theta_n\\) 处应用这一局部展开。若 \\(g'(\\theta)=0\\)，则一阶极限退化。当 \\(g''(\\theta)\\ne0\\) 时，二阶展开则给出\n\n\\[n\\bigl(g(\\hat\\theta_n)-g(\\theta)\\bigr) \\xrightarrow{d}\\frac12g''(\\theta)Z^2,\\]\n\n其中 \\(Z\\sim N(0,\\sigma^2)\\)。尺度的变化和非正态极限都直接源于首个非零的泰勒项。"
    },
    {
      "heading": "历史发展与定理的适用范围",
      "text": "泰勒定理以英国数学家布鲁克·泰勒的名字命名。他的《正反增量法》（Methodus incrementorum directa et inversa）于1715年出版，论述了增量方法，并给出了后来以他命名的一般展开式。这部著作所处的背景与现代分析教材不同：当时的微积分仍在发展各种方法，以建立有限差分、无穷小变化、导数与级数之间的联系。后来，这些方法逐渐被梳理为具有明确假设的严谨结论，今天所称的泰勒定理才由此形成。\n\n用无穷展开式表示函数的做法，早于泰勒著作的出版。等比级数和二项式展开是重要的先驱。17世纪，艾萨克·牛顿发展了一套广泛运用无穷级数和广义二项式定理的方法。詹姆斯·格雷戈里也得到了相关的展开公式。这些进展表明，现代泰勒定理源自一项更广泛的研究：通过代数展开来研究曲线、求积和变化的量。\n\n科林·麦克劳林于1742年出版的《流数论》（A Treatise of Fluxions），推动了以零为中心的展开形式的传播。如今，“麦克劳林级数”通常指在零点处展开的泰勒级数，而不是数学原理不同的另一条定理。这一术语不仅记录了发现的历史，也反映了相关成果被接受和阐释的过程。通过变量平移，可以把非零点处的展开化为以零为中心的情形；但在局部分析和计算中，保留任意展开中心仍然十分重要。\n\n约瑟夫-路易·拉格朗日在1797年出版的《解析函数论》（Théorie des fonctions analytiques）中，尝试通过代数展开来建立微分学。以他的名字命名的余项，用某个中间点处的导数表示，至今仍是初等讲授中的标准形式。19世纪严格分析的发展，尤其是奥古斯丁-路易·柯西的工作，澄清了极限、导数存在性假设以及余项估计各自的作用。后来，与朱塞佩·皮亚诺相关的方法着重于带有小 o 余项的局部近似。这些形式回答的问题各不相同，并存于现代分析之中。\n\n定理的确切适用范围，不仅由其公式决定，也同样由其局限决定。泰勒多项式完全由某一点处的导数信息确定，因此无法识别在该点处各阶导数均为零的平坦行为。含中间点的余项给出的是存在性结论，而不是确定该点位置的方法。向多变量函数和向量值函数推广时也需谨慎，因为标量情形下的中值恒等式不能原封不动地推广过去。\n\n正则性假设也是区分经典泰勒公式与较低光滑性函数的推广形式的重要因素。利普希茨函数未必在某个指定点可微，而具有弱导数的函数，也未必具有经典泰勒多项式中出现的所有逐点导数。因此，索伯列夫空间及相关领域的研究会采用积分估计、几乎处处成立的结论，或广义的近似概念。这些推广保留了导数信息与局部误差之间的核心联系，同时改变了表达这种联系的方式。"
    }
  ],
  "links": [
    "calculus",
    "mathematical-analysis",
    "mathematical-function",
    "polynomial",
    "taylor-series",
    "factorial",
    "interpolation",
    "mean-value-theorem",
    "integral",
    "absolute-continuity",
    "lebesgue-integral",
    "big-o-notation",
    "fundamental-theorem-of-calculus",
    "integration-by-parts",
    "exponential-function",
    "analytic-function",
    "complex-analysis",
    "power-series",
    "uniform-convergence",
    "chain-rule",
    "directional-derivative",
    "gradient",
    "hessian-matrix",
    "norm-mathematics",
    "partial-derivative",
    "multilinear-map",
    "banach-space",
    "functional-analysis",
    "numerical-analysis",
    "trigonometric-functions",
    "finite-difference-method",
    "floating-point-arithmetic",
    "ordinary-differential-equation",
    "automatic-differentiation",
    "mathematical-optimization",
    "positive-definite-matrix",
    "saddle-point",
    "gradient-descent",
    "newtons-method",
    "asymptotic-expansion",
    "natural-logarithm",
    "statistics",
    "geometric-series",
    "binomial-theorem",
    "augustin-louis-cauchy",
    "sobolev-space"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}