多元泰勒展开

贡献者： addis

本文处于草稿阶段。

预备知识　泰勒展开（简明微积分），梯度、梯度定理

　　多元泰勒展开公式如下

\begin{matrix} (1) & \begin{aligned} f (x) & = f (r_{0}) + [(r - r_{0}) \cdot \nabla] f (r_{0}) + \frac{1}{2!} [(r - r_{0}) \cdot \nabla]^{2} f (r_{0}) + \dots \\ + \frac{1}{n!} [(r - r_{0}) \cdot \nabla]^{n} f (r_{0}) + O (x^{N + 1}) . \end{aligned} \end{matrix}

　　例如对一元函数 $f (x)$ 第 $n$ 项为

\begin{matrix} (2) & \begin{aligned} \frac{1}{n!} [(r - r_{0}) \cdot \nabla]^{n} f (r_{0}) = \frac{1}{n!} {[(x - x_{0}) \frac{d}{d x}]}^{n} f (x_{0}) \\ = \frac{1}{n!} [(x - x_{0})^{n} \frac{d^{n}}{d x^{n}}] f (x_{0}) = \frac{1}{n!} f^{(n)} (x_{0}) (x - x_{0})^{n}, \end{aligned} \end{matrix}

这就回到了熟悉的一元泰勒展开。

　　对多元函数，令 $r = (x_{1}, x_{2}, \dots)$ ，每一项的方括号中都是两个 “矢量” 的点乘

\begin{matrix} (3) & [(r - r_{0}) \cdot \nabla]^{n} = {[(x_{1} - x_{10}) \frac{\partial}{\partial x_{1}} + (x_{2} - x_{20}) \frac{\partial}{\partial x_{2}} + \dots]}^{n} . \end{matrix}

在拆括号后不仅会产生含有

(x_{i} - x_{i 0})^{n} \partial^{n} / \partial {x_{i}}^{n}

的项，还会有许多交叉项，即混合偏导。所以对于二元以上的函数，泰勒展开就会变得十分复杂。

　　对二元函数 $f (x, y)$ ，有

\begin{matrix} (4) & \begin{aligned} f (x, y) \\ = f + [(x - x_{0}) \frac{\partial}{\partial x} + (y - y_{0}) \frac{\partial}{\partial y}] f \\ + \frac{1}{2!} {[(x - x_{0}) \frac{\partial}{\partial x} + (y - y_{0}) \frac{\partial}{\partial y}]}^{2} f + \dots \\ = f + \frac{\partial f}{\partial x} (x - x_{0}) + \frac{\partial f}{\partial y} (y - y_{0}) \\ + \frac{1}{2!} \frac{\partial^{2} f}{\partial x^{2}} (x - x_{0})^{2} + \frac{1}{2!} \frac{\partial^{2} f}{\partial y^{2}} (y - x_{0})^{2} \\ + \frac{\partial^{2} f}{\partial x \partial y} (x - x_{0}) (y - y_{0}) + \dots \end{aligned} \end{matrix}

其中默认

f

及其偏导在

(x_{0}, y_{0})

取值。

致读者：小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。因此，我们请求广大读者热心打赏 ，使网站得以健康发展。如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损，并在接下来的一年里向所有读者继续免费提供优质内容。但遗憾的是只有不到 1% 的读者愿意捐款，他们的付出帮助了 99% 的读者免费获取知识，我们在此表示感谢。