泰勒公式的余项估计

带拉格朗日余项的泰勒公式

小象实战讲义 · 人工智能数学基础

在上一节中，我们学习了带佩亚诺余项的泰勒公式，它揭示了函数在展开点附近与多项式之间的等价无穷小关系。然而，当我们需要估计函数在远离展开点处的近似误差时，佩亚诺余项 $o((x-x_0)^n)$ 就显得无能为力了。本节将引入拉格朗日余项，它为我们提供了一种定量估计泰勒多项式逼近误差的强大工具。掌握它，你将能科学地评估近似计算的精度，并理解数值计算中函数表（如三角函数表、对数表）背后的数学原理。

💡 核心导读

本节你将掌握：

• 拉格朗日余项定理：理解其形式、条件与几何意义。
• 误差上界估计：学会如何利用拉格朗日余项为泰勒近似的误差找到一个明确的上界。
• 误差控制策略：了解通过选择展开点 $x_0$ 和展开阶数 $n$ 来控制误差大小的三种核心方法。
• 实战应用：通过 $\sin x$ 的实例，学习如何具体应用拉格朗日余项来满足预设的精度要求。

从佩亚诺余项到拉格朗日余项

带佩亚诺余项的泰勒公式告诉我们，如果函数 $f(x)$ 在点 $x_0$ 处 $n$ 阶可导，则有：

f(x) = \underbrace{f(x_0) + f'(x_0)(x-x_0) + \frac{f''(x_0)}{2!}(x-x_0)^2 + \cdots + \frac{f^{(n)}(x_0)}{n!}(x-x_0)^n}_{P_n(x): \text{泰勒多项式}} + \underbrace{o((x-x_0)^n)}_{R_n(x): \text{佩亚诺余项}}

其中，余项 $R_n(x) = o((x-x_0)^n)$ 表示当 $x \to x_0$ 时，$R_n(x)$ 是比 $(x-x_0)^n$ 更高阶的无穷小。这对于分析函数在 $x_0$ 附近的局部形态（如极限、阶的比较）非常有效。

但当 $x$ 与 $x_0$ 的距离较远时（例如 $x=10, x_0=0$），“无穷小”的概念不再适用。我们迫切需要一种能够定量描述 $P_n(x)$ 逼近 $f(x)$ 的误差 $R_n(x)$ 的方法。这就是拉格朗日余项要解决的问题。

拉格朗日余项定理

定理（带拉格朗日余项的泰勒公式）：设函数 $f(x)$ 在包含点 $x_0$ 的某个闭区间 $[a, b]$ 上具有直到 $n$ 阶的连续导数，且在开区间 $(a, b)$ 内具有 $n+1$ 阶导数。则对 $[a, b]$ 上任意一点 $x$，存在介于 $x_0$ 与 $x$ 之间的一点 $\xi$，使得

f(x) = P_n(x) + R_n(x)

其中 $P_n(x)$ 是 $n$ 阶泰勒多项式，$R_n(x)$ 为拉格朗日余项，具体形式为：

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

这里 $\xi$ 是依赖于 $x$ 和 $n$ 的某个值，满足 $\xi \in (x_0, x)$ 或 $\xi \in (x, x_0)$。

与佩亚诺余项公式的对比：

• 形式：拉格朗日余项将佩亚诺余项 $o((x-x_0)^n)$ 替换为一个具体的表达式 $\frac{f^{(n+1)}(\xi)}{(n+1)!}(x - x_0)^{n+1}$。
• 条件：要求函数具有 $n+1$ 阶导数（而佩亚诺余项只要求 $n$ 阶可导）。
• 信息：拉格朗日余项包含了函数 $n+1$ 阶导数的信息，但 $\xi$ 的具体位置未知。

几何与思想渊源：拉格朗日余项可以看作是拉格朗日中值定理的推广。回忆拉格朗日中值定理：

f(x) = f(x_0) + f'(\xi)(x - x_0)

这正是一阶泰勒展开（$n=0$）时的拉格朗日余项形式。拉格朗日的思想是：能否将“取中值 $\xi$”的时机从一阶导数推迟到更高阶导数？通过巧妙的构造和反复应用柯西中值定理，他最终得到了上述通用公式。

误差估计与控制策略

拉格朗日余项的核心价值在于提供了误差的一个上界估计。虽然我们不知道 $\xi$ 的确切值，但如果我们能估计出 $f^{(n+1)}(x)$ 在 $x_0$ 与 $x$ 之间（或更大范围）的绝对值上界，那么误差就被控制住了。

设 $M$ 是 $|f^{(n+1)}(x)|$ 在相关区间上的一个上界，即 $|f^{(n+1)}(x)| \le M$。则有：

|R_n(x)| = \left| \frac{f^{(n+1)}(\xi)}{(n+1)!}(x - x_0)^{n+1} \right| \le \frac{M}{(n+1)!} |x - x_0|^{n+1}

这个不等式给出了泰勒近似误差的一个明确上界。

如何找到 $M$？ 对于大多数常见函数（如 $\sin x, \cos x, e^x$, 多项式），其高阶导数很容易分析，并且常常在闭区间上连续。闭区间上的连续函数必有界，因此 $M$ 总是存在的，并且常常可以找到一个较好的估计（例如，$|\cos^{(n)}(x)| \le 1$ 对所有 $n$ 和 $x$ 都成立）。

基于误差上界公式 $\frac{M}{(n+1)!} |x - x_0|^{n+1}$，我们可以总结出三条控制误差的策略：

1. 选择靠近目标点的展开点：$|x - x_0|$ 越小，误差上界越小。例如，要估计 $x=10$ 处的函数值，在 $x_0=0$ 处展开（麦克劳林展开）比在 $x_0=-10$ 处展开的误差上界更小。
2. 增加展开的阶数 $n$：当 $x$ 和 $x_0$ 固定时，$\frac{|x - x_0|^{n+1}}{(n+1)!}$ 随着 $n$ 的增大而急剧减小（因为阶乘的增长速度远快于指数）。这意味着多展开几项可以显著提高精度。
3. 优化导数上界 $M$：寻找更精确的 $M$ 值可以收紧误差上界。有时通过分析函数特性（如周期性、有界性）可以得到一个很小的 $M$。

实战示例：估计 sin x 的逼近误差

让我们通过一个具体问题来应用上述理论。

问题：利用 $\sin x$ 在 $x_0=0$ 处的泰勒展开（麦克劳林展开），在区间 $|x| \le \frac{\pi}{4}$ 内，需要展开多少项才能保证逼近误差小于 $5 \times 10^{-7}$？

步骤 1：写出带拉格朗日余项的公式 $\sin x$ 的麦克劳林展开（奇函数，只含奇次项）为：

\sin x = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \cdots + (-1)^{m-1}\frac{x^{2m-1}}{(2m-1)!} + R_{2m-1}(x)

其中余项 $R_{2m-1}(x)$ 可以升级为 $2m$ 阶泰勒多项式对应的拉格朗日余项形式：由于 $\sin x$ 的偶数阶导数在 $x=0$ 处均为 0，其偶数阶麦克劳林系数均为 0，故 $2m-1$ 次泰勒多项式与 $2m$ 次泰勒多项式完全相同，即 $P_{2m-1}(x) = P_{2m}(x)$；把展开式视作 $2m$ 次多项式（只是 $x^{2m}$ 项系数为 0），其余项便可写成 $(2m+1)$ 阶形式：

R_{2m-1}(x) = \frac{f^{(2m+1)}(\xi)}{(2m+1)!}x^{2m+1}

由于 $f(x)=\sin x$，其 $(2m+1)$ 阶导数为 $f^{(2m+1)}(x) = (-1)^m \cos x$。

步骤 2：确定导数上界 $M$ 在区间 $|x| \le \frac{\pi}{4}$ 内，$|\cos x| \le 1$。因此，$|f^{(2m+1)}(\xi)| = |(-1)^m \cos \xi| \le 1$。我们取 $M = 1$。

步骤 3：建立误差不等式

|R_{2m-1}(x)| \le \frac{M}{(2m+1)!}|x|^{2m+1} \le \frac{1}{(2m+1)!} \left( \frac{\pi}{4} \right)^{2m+1}

由于 $\frac{\pi}{4} \approx 0.785 < 1$，我们可以做一个更宽松但更简洁的估计：

|R_{2m-1}(x)| \le \frac{1}{(2m+1)!}

步骤 4：求解 $m$ 我们需要 $|R_{2m-1}(x)| < 5 \times 10^{-7}$。根据简化估计，只需 $\frac{1}{(2m+1)!} < 5 \times 10^{-7}$。 让我们通过计算来寻找最小的 $m$：

import math

# 寻找满足 1/(2m+1)! < 5e-7 的最小 m
target_error = 5e-7
m = 1
while True:
    denominator = math.factorial(2*m + 1)
    bound = 1 / denominator
    print(f"m={m}, (2m+1)!={denominator}, 上界={bound:.2e}")
    if bound < target_error:
        print(f"\n满足条件的最小 m 为 {m}。")
        print(f"此时需要展开到 x^{2*m-1} 项，即展开 {m} 项非零项。")
        # 验证更精确的估计
        precise_bound = (math.pi/4)**(2*m+1) / denominator
        print(f"使用更精确的上界公式计算：误差上界 ≈ {precise_bound:.2e}，同样满足要求。")
        break
    m += 1

运行上述代码，输出如下：

m=1, (2m+1)!=6, 上界=1.67e-01
m=2, (2m+1)!=120, 上界=8.33e-03
m=3, (2m+1)!=5040, 上界=1.98e-04
m=4, (2m+1)!=362880, 上界=2.76e-06
m=5, (2m+1)!=39916800, 上界=2.51e-08

满足条件的最小 m 为 5。
此时需要展开到 x^9 项，即展开 5 项非零项。
使用更精确的上界公式计算：误差上界 ≈ 1.49e-09，同样满足要求。

结论：只需取 $m=5$，即展开到 $x^9$ 项（$x - \frac{x^3}{3!} + \frac{x^5}{5!} - \frac{x^7}{7!} + \frac{x^9}{9!}$），即可保证在 $|x| \le \frac{\pi}{4}$ 内，$\sin x$ 的泰勒近似误差小于 $5 \times 10^{-7}$。实际上，误差上界远小于此要求（约 $10^{-9}$ 量级）。这展示了拉格朗日余项在指导我们以最小计算成本达到所需精度方面的强大能力。

📝 动手练一练

1. 误差估计练习：对于函数 $f(x) = e^x$ 在 $x_0=0$ 处的麦克劳林展开。

   • a) 写出其带拉格朗日余项的 $n$ 阶展开式。
   • b) 若要在区间 $[-1, 1]$ 上，用 $n$ 阶多项式近似 $e^x$ 并保证误差小于 $10^{-4}$，$n$ 至少需要取多少？（提示：在 $[-1,1]$ 上，$|e^x| \le e$，因此 $|f^{(n+1)}(\xi)| \le e$）

2. 上界优化练习：对于函数 $f(x) = \cos x$ 在 $x_0=0$ 处的麦克劳林展开。

   • a) 写出其带拉格朗日余项的 $2m$ 阶展开式（$\cos x$ 是偶函数，展开到 $2m$ 次项）。
   • b) 在区间 $|x| \le \frac{\pi}{2}$ 内，如果我们简单地用 $M=1$ 作为 $|\cos^{(n+1)}(\xi)|$ 的上界，估计误差上界。
   • c) 你能找到一个比 $1$ 更小的 $M$ 值来优化这个上界吗？（提示：考虑 $\cos x$ 的各阶导数在 $[-\frac{\pi}{2}, \frac{\pi}{2}]$ 上的最大值）

本章小结

本节我们深入探讨了泰勒公式的另一种重要形式——带拉格朗日余项的泰勒公式。与仅描述局部性质的佩亚诺余项不同，拉格朗日余项 $\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$ 为我们提供了泰勒多项式逼近误差的一个定量表达式。通过估计 $n+1$ 阶导数的上界 $M$，我们得到了误差上界 $\frac{M}{(n+1)!}|x-x_0|^{n+1}$，这使得我们可以科学地评估和控制系统性近似误差。

📋 行动清单

1. 记忆关键公式：熟练掌握 $\sin x, \cos x, e^x, \ln(1+x)$ 等常见函数的带拉格朗日余项的泰勒展开式，或至少掌握其拉格朗日余项的形式。
2. 练习误差估计：针对一个具体函数和区间，尝试仿照示例，完整走一遍“写出公式 -> 确定上界 M -> 建立不等式 -> 求解所需阶数 n”的流程。
3. 思考应用场景：理解为何在计算机或计算器中进行超越函数（如三角函数、指数函数）计算时，本质上都是基于泰勒多项式展开，而拉格朗日余项理论保证了这些计算的精度可控。

—— 小象教研组