贡献者： addis; DTSIo; Giacomo
预备知识 阶乘
，高阶导数
，分部积分法
，幂级数（简明微积分）
1若函数 $f$ 在开区间 $I$ 内可以求任意阶的导数（例如多项式，幂函数，三角函数，指数函数，对数函数等），那么这个函数可以用多项式近似，且在某种意义下，总项数 $N$ 越多，近似得越精确。确切地说，对于任何 $x_0\in I$, 存在唯一一个数列 $\{c_n\}$, 使得对于任何正整数 $N$, 皆有（其中 $(x-x_0)^0$ 始终视为 $1$，即使 $x = x_0$）
\begin{equation}
f(x) = \sum_{n = 0}^N c_n (x - x_0)^n + \mathcal{O}\left(|x-x_0|^{N+1} \right) ~.
\end{equation}
每一个系数 $c_n$ 由函数在 $x_0$ 处的第 $n$ 阶导数求得
\begin{equation}
c_n = \frac{1}{n!} f^{(n)}(x_0)~.
\end{equation}
注意其中 0 的阶乘为 $0! = 1$。另外由
式 1 得，当 $x=x_0$ 时，函数值等于多项式值。当项数 $N$ 有限时，通常 $ \left\lvert x-x_0 \right\rvert $ 越小多项式就越接近函数。以上这种把函数展开成多项式的方法就叫
泰勒展开（Taylor expansion），得到的多项式叫做
泰勒级数（Taylor series）。我们先来看一个例子：
例 1 正弦函数
我们在 $x_0=0$ 处展开 $\sin x$，由式 1 和式 2 得
\begin{equation}
\sin x = x - \frac{1}{3!}{x^3} + \frac{1}{5!}{x^5} - \frac{1}{7!} x^7 + \ldots ~
\end{equation}
取不同的项数 $N$ 求和，画图如
图 1 。可见随着项数增加，多项式慢慢趋近正弦函数。
图 1：$\sin x$ 在原点处的泰勒展开的前 $N$ 项求和。容易看出，求和的项数越多，多项式（橙）与 $\sin x$（蓝）吻合得越好。
习题 1 一些常见函数关于原点的泰勒展开
关于原点的泰勒展开又叫麦克劳林展开，请验证以下的麦克劳林展开：
\begin{equation}
\sin x = x - \frac{1}{3!} x^3 + \frac{1}{5!} x^5 - \frac{1}{7!} x^7 \ldots
\qquad (x \in \mathbb R)~,
\end{equation}
\begin{equation}
\cos x = 1 - \frac{1}{2!} x^2 + \frac{1}{4!} x^4 -\frac{1}{6!} x^6 \ldots
\qquad (x \in \mathbb R)~,
\end{equation}
\begin{equation}
\mathrm{e} ^x =1 + x + \frac{1}{2!} x^2 + \frac{1}{3!} x^3 \ldots
\qquad (x \in \mathbb R)~,
\end{equation}
\begin{equation}
\ln\left(1+x\right) = x - \frac12 x^2 + \frac13 x^3 - \frac14 x^4 \ldots
\qquad (-1 < x < 1)~,
\end{equation}
\begin{equation}
\frac{1}{1 \pm x} = 1 \mp x + x^2 \mp x^3 + x^4 \ldots
\qquad (-1 < x < 1)~,
\end{equation}
\begin{equation}
\sqrt{1\pm x} = 1 \pm \frac12 x - \frac18 x^2 \pm \frac{1}{16} x^3 - \frac{5}{128}x^4 \ldots
\qquad (-1 < x < 1)~.
\end{equation}
1. 收敛半径
我们把形如 $\sum_{n=0}^\infty c_n (x-x_0)^n$ 的表达式叫做幂级数（power series）。泰勒展开就是在用幂级数表示函数。如果某幂级数收敛的点不止 $x_0$ 一点，那么必定存在一个收敛半径（radius of convergence） $0 < r < 1$，使得当 $ \left\lvert x-x_0 \right\rvert < r$ 时级数必定收敛，而 $ \left\lvert x-x_0 \right\rvert > r$ 是必定发散（不收敛）。
所以在进行泰勒展开时，如果函数在除了若干发散点2外都无穷阶可导，令离 $x_0$ 最近的发散点为 $a$，那么 $f(x)$ 关于 $x_0$ 泰勒展开后，幂级数的收敛半径就是 $r = \left\lvert a - x_0 \right\rvert $。
例如在式 7 到式 9 中，函数的发散点距离原点都是 1，所以幂级数收敛半径为 1，所以即使在 $x_0$ 的另一侧 $f(x)$ 处处无穷可导，仍然不能取 $ \left\lvert x \right\rvert > 1$。
2. 幼稚的推导
这里给出一个比较直观的对比系数推导方法，可能对初学者有一定启发或者帮助记忆。但以后会看到这是不严谨的。
我们假设当项数 $N \to \infty$ 时，存在唯一的多项式在某区间内处处趋于无穷可导函数 $f(x)$，即
\begin{equation}
f(x) = \sum_{n = 0}^\infty c_n (x - x_0)^n~.
\end{equation}
首先代入 $x = x_0$，可得第一个系数 $c_0 = f(x_0)$。现在我们对上式两边在 $x_0$ 处求导，得
\begin{equation}
f'(x_0) = c_1 + \left. \sum_{n = 2}^\infty n c_n (x - x_0)^{n - 1} \right\rvert _{x = x_0} = c_1~,
\end{equation}
如果对
式 10 两边在 $x_0$ 处求二阶导数，得
\begin{equation}
f''(x_0) = 2 c_2 + \left. \sum_{n = 3}^\infty n(n - 1) c_n (x - x_0)^{n - 2} \right\rvert _{x = x_0} = 2 c_2~,
\end{equation}
即 $c_2 = f''(x_0)/2!$。 以此类推，如果对
式 10 两边在 $x_0$ 处求 $m$ 阶导数得
\begin{equation}
f^{(m)}(x_0) = m! c_m + \left. \sum_{n = m + 1}^\infty \frac{n!}{(n - m)!} c_n (x - x_0)^{n - m} \right\rvert _{x = x_0} = m! c_m~.
\end{equation}
所以系数公式为
\begin{equation}
{c_m} = \frac{1}{m!} f^{(m)}(x_0)~.
\end{equation}
泰勒展开的存在说明了一些函数（称为解析函数）具有这样的性质：任何一点的性质都能决定完整的函数曲线，这可以类比生物中用一个细胞克隆出一个完整生物体。
1. ^ 参考 Wikipedia 相关页面。
2. ^ 如式 7 中的 $x = -1$，式 8 和式 9 中的 $x = \mp 1$
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。
