Taylor 公式（Peano 余项与 Lagrange 余项）

条件与结论

形式 1（Peano 余项 / 局部 Taylor 公式）

条件：设 $f$ 在 $x_0$ 的某邻域内 $n-1$ 阶可导，并在 $x_0$ 处 $n$ 阶可导（ANL-DEF-017）。

结论：当 $x\to x_0$，

$$f(x)=\sum _{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x-x_0{)}^k+o((x-x_0{)}^n).$$

记号：右端前面的多项式称为 $f$ 在 $x_0$ 处的 $n$ 次 Taylor 多项式，记 $T_n(x;x_0)$。

形式 2（Lagrange 余项 / 整体 Taylor 公式）

条件：设 $f$ 在闭区间 $[x_0,x]$（或 $[x,x_0]$）上 $n$ 阶连续可导， 在开区间内 $n+1$ 阶可导。

结论：存在 $\xi$ 介于 $x_0$ 与 $x$ 之间使

$$f(x)=\sum _{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x-x_0{)}^k+\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{n+1}.$$

几何/直觉理解

Taylor 公式断言：充分光滑的函数在一点附近，可以被多项式精确逼近。 $T_n$ 是与 $f$ 在 $x_0$ 处”前 $n$ 阶导数全部相等”的唯一多项式（次数 $\le n$）—— 它是 $f$ 在该点的”最佳 $n$ 次多项式近似”。

余项告诉你近似的误差：

• Peano 余项 $o((x-x_0{)}^n)$：误差比 $(x-x_0{)}^n$ “高阶地小”，仅描述 $x\to x_0$ 的渐近行为
• Lagrange 余项：给出精确的误差表达 $\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{n+1}$，可估计 $|R_n|$ 的上界

层级直觉：

$n$	多项式 $T_n$	几何意义
0	$f(x_0)$	用常数近似
1	$f(x_0)+f^{\prime }(x_0)(x-x_0)$	用切线近似（即 ANL-DEF-015 微分）
2	加 $\frac{f^{\prime \prime }(x_0)}{2}(x-x_0{)}^2$	用切抛物线近似
$n$	加 $\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n$	第 $n$ 阶曲率信息

证明

形式 1（Peano 余项）

证明： 用归纳 + L’Hospital 类型论证。 设 $R_n(x):=f(x)-T_n(x;x_0)$。需证 $R_n(x)=o((x-x_0{)}^n)$，即

$$\underset{x\to x_0}{\lim }\frac{R_n(x)}{(x-x_0{)}^n}=0.$$

注意 $R_n^{(k)}(x_0)=0$（$k=0,1,\dots ,n$，由 $T_n$ 的构造）。

对 $\frac{R_n(x)}{(x-x_0{)}^n}$ 应用 L’Hospital 法则 $n-1$ 次（每次分子分母都趋于 $0$）：

$$\underset{x\to x_0}{\lim }\frac{R_n(x)}{(x-x_0{)}^n}=\underset{x\to x_0}{\lim }\frac{R_n^{(n-1)}(x)}{n!(x-x_0)}.$$

而

$$\underset{x\to x_0}{\lim }\frac{R_n^{(n-1)}(x)}{x-x_0}=\underset{x\to x_0}{\lim }\frac{R_n^{(n-1)}(x)-R_n^{(n-1)}(x_0)}{x-x_0}=R_n^{(n)}(x_0)=0.$$

最后一步：$R_n^{(n)}(x_0)=f^{(n)}(x_0)-T_n^{(n)}(x_0)=f^{(n)}(x_0)-f^{(n)}(x_0)=0$。

合并：原极限 = $\frac{0}{n!}=0$。$■$

注：上述论证中”$n$ 阶导数 $R_n^{(n)}(x_0)$ 存在”用了 $f$ 在 $x_0$ 处 $n$ 阶可导的条件， 而中间步骤的 L’Hospital 在邻域内的 $n-1$ 阶导数则用了 $f$ 在邻域内 $n-1$ 阶可导。

形式 2（Lagrange 余项）

证明： 不妨设 $x>x_0$。设

$$R_n(t):=f(x)-\sum _{k=0}^n\frac{f^{(k)}(t)}{k!}(x-t{)}^k,t\in [x_0,x].$$

注意 $R_n(x)=0$（求和中只保留 $k=0$ 项 $f(x)$，与减去 $f(x)$ 抵消）。

对 $t$ 求导（注意 $f^{(k)}(t)$ 与 $(x-t{)}^k$ 都依赖 $t$，用乘积法则 + 链式法则）：

$$R_n^{\prime }(t)=-\sum _{k=0}^n{\left[\frac{f^{(k+1)}(t)}{k!}(x-t{)}^k-\frac{f^{(k)}(t)}{(k-1)!}(x-t{)}^{k-1}\right]}_{k\ge 1\text{ 时}}-f^{\prime }(t).$$

化简（典型望远镜抵消）：

$$R_n^{\prime }(t)=-\frac{f^{(n+1)}(t)}{n!}(x-t{)}^n.$$

对 $G(t):=(x-t{)}^{n+1}$，$G^{\prime }(t)=-(n+1)(x-t{)}^n$。两者在 $[x_0,x]$ 上满足 ANL-THM-023 Cauchy 中值定理条件（$G^{\prime }\ne 0$ 在 $(x_0,x)$ 内），故 $\exists \xi \in (x_0,x)$ 使

$$\frac{R_n(x_0)-R_n(x)}{G(x_0)-G(x)}=\frac{R_n^{\prime }(\xi )}{G^{\prime }(\xi )}.$$

代入 $R_n(x)=0$, $G(x)=0$, $G(x_0)=(x-x_0{)}^{n+1}$：

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

故

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

而由定义，$R_n(x_0)=f(x)-T_n(x;x_0)$。整理即得 Lagrange 余项形式。$■$

常见错误

• ✗ 把 Peano 余项当作误差估计使用。 Peano 形式仅在 $x\to x_0$ 时给”高阶小”信息，不能用于估计具体 $|x-x_0|$ 处的误差大小。 误差估计必须用 Lagrange 余项（或积分余项）。
• ✗ 把 Taylor 公式与”Taylor 级数”混淆。 Taylor 公式（本条目）是有限项 + 余项，对有限光滑性的函数都成立。 Taylor 级数（ANL-DEF-039，待建于 M2 Ch5）是无穷级数，要求级数收敛且收敛到 $f$—— 后者并非对所有 $C^{\infty }$ 函数都成立（反例：$f(x)=e^{-1/x^2}$，$x\ne 0$；$f(0)=0$。 其在 $0$ 处 Taylor 级数恒为 $0$，但 $f\not\equiv 0$）。
• ✗ 在 Lagrange 余项中把 $\xi$ 当作具体数。 $\xi$ 仅由定理保证存在；估计上界时应取 $\xi$ 在区间上的”最坏值” $|R_n|\le \frac{{\sup }_{[x_0,x]}|f^{(n+1)}|}{(n+1)!}|x-x_0{|}^{n+1}$。
• ✗ 漏掉 $n+1$ 阶可导条件直接套用 Lagrange 形式。 Peano 形式只需 $n$ 阶导在 $x_0$ 存在；Lagrange 形式需 $n+1$ 阶导在整个区间上存在。 两条件强度不同，对应的余项形式与适用范围不同。

推论与应用

• L’Hospital 法则的替代品：很多 $0/0$ 极限可用 Taylor 展开求解（例：${\lim }_{x\to 0}\frac{\sin x-x}{x^3}=-\frac{1}{6}$ 由 $\sin x=x-\frac{x^3}{6}+o(x^3)$）
• 不等式证明：$\sin x\le x$（$x\ge 0$）、$e^x\ge 1+x$、$\ln (1+x)\le x$ 等都可由低阶 Taylor 推得
• 极值的二阶充分条件：若 $f^{\prime }(x_0)=0,f^{\prime \prime }(x_0)>0$，则 $x_0$ 为严格局部极小（用 2 阶 Taylor 在 $x_0$ 处展开）
• 数值计算：科学计算中 $\sin ,\cos ,\exp ,\ln$ 的实现常基于 Taylor 截断 + 误差估计
• 微分方程：解的局部级数表示

跨专业应用

• 数值分析：差分格式 $\frac{f(x+h)-f(x-h)}{2h}$ 的精度（$O(h^2)$）由 Taylor 推得
• 物理：单摆方程 $\ddot{\theta }+\frac{g}{\ell }\sin \theta =0$ 在小振幅时近似为 $\ddot{\theta }+\frac{g}{\ell }\theta =0$（用 $\sin \theta \approx \theta$）
• 量子力学：势函数在平衡位置的二次近似 → 简谐振子模型
• 图形学：Bézier 曲线、样条插值底层与 Taylor 展开思想紧密相关