===== 公式依赖线路图 =====
<uml>
@startuml
:实数完备性;
note right
  非空有上界集必有上确界:整个分析学的基石
end note
:闭区间最值定理;
note right
  闭区间连续函数必有最大最小值:证明费马定理的前提
end note
:费马定理;
note right
  可导极值点处导数为零:证明罗尔定理的核心工具
end note
:罗尔定理;
note right
  端点相等则内部存在导数为零的点:证明拉格朗日中值定理
end note
:拉格朗日中值定理;
note right
  存在点使瞬时变化率等于平均变化率:泰勒公式 n=0 的特例
end note
:柯西中值定理;
note right
  两个函数的瞬时变化率之比等于平均变化率之比:**直接证明拉格朗日余项的关键武器**
end note
:泰勒公式;
@enduml
</uml>





===== 泰勒公式核心定义 =====

==== 基本形式 ====

设函数 $f(x)$ 在包含点 $a$ 的某个开区间内具有直到 $n+1$ 阶的导数，则对该区间内任意一点 $x$，有：

$$f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \cdots + \frac{f^{(n)}(a)}{n!}(x-a)^n + R_n(x)$$

其中：
  * $P_n(x) = \sum_{k=0}^{n} \frac{f^{(k)}(a)}{k!}(x-a)^k$ 称为 **n 阶泰勒多项式**
  * $R_n(x)$ 称为 **余项（Remainder）**，表示近似误差

==== 余项的五种形式 ====

^ 余项名称 ^ 表达式 ^ 适用场景 ^
| **佩亚诺余项** | $R_n(x) = o((x-a)^n)$ | 求极限、定性分析 |
| **拉格朗日余项** | $R_n(x) = \frac{f^{(n+1)}(\xi)}{(n+1)!}(x-a)^{n+1}$ | 误差估计、证明题 |
| **柯西余项** | $R_n(x) = \frac{f^{(n+1)}(\xi)}{n!}(x-\xi)^n(x-a)$ | 级数收敛性讨论 |
| **积分余项** | $R_n(x) = \frac{1}{n!}\int_a^x f^{(n+1)}(t)(x-t)^n dt$ | 精确计算、推导其他余项 |
| **施勒米尔希-罗什余项** | $R_n(x) = \frac{f^{(n+1)}(a+\theta(x-a))}{p!n!}(1-\theta)^{n+1-p}(x-a)^{n+1}$ | 统一形式（p为参数） |

===== 直接证明：拉格朗日余项 =====

==== 证明目标 ====

证明：若 $f(x)$ 在含 $a$ 的某区间内 $n+1$ 阶可导，则存在 $\xi$ 介于 $a$ 与 $x$ 之间，使得：

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

==== 核心思想 ====

<WRAP box>
**关键洞察**：$n+1$ 阶导数出现在拉格朗日余项中不是偶然，而是必然——它用来**量化高阶变化带来的误差**。
  * $n$ 阶导数：构建理想化近似模型 $P_n(x)$
  * $n+1$ 阶导数：衡量模型与真实函数 $f(x)$ 之间的差距
</WRAP>

==== 辅助函数构造 ====

**第一步：构造 $F(t)$**

固定 $x$，令 $t$ 为变量，定义：

$$F(t) = f(x) - \left[f(t) + f'(t)(x-t) + \frac{f''(t)}{2!}(x-t)^2 + \cdots + \frac{f^{(n)}(t)}{n!}(x-t)^n\right]$$

**观察 $F(t)$ 的边界值：**
  * 当 $t = x$ 时：$F(x) = f(x) - [f(x) + 0 + \cdots + 0] = 0$
  * 当 $t = a$ 时：$F(a) = f(x) - P_n(x) = R_n(x)$  ← 这正是我们要的余项！

**第二步：构造 $G(t)$**

$$G(t) = (x-t)^{n+1}$$

选择理由：$(x-t)^{n+1}$ 的导数为 $-(n+1)(x-t)^n$，与分母 $(n+1)!$ 及 $f^{(n+1)}(t)$ 的阶数完美对应。

==== 应用柯西中值定理 ====

对 $F(t)$ 和 $G(t)$ 在区间 $[a, x]$ 上应用柯西中值定理：

$$\frac{F(x) - F(a)}{G(x) - G(a)} = \frac{F'(\xi_1)}{G'(\xi_1)}$$

其中 $\xi_1$ 介于 $a$ 与 $x$ 之间。

**计算边界值：**
  * $F(x) = 0$，$F(a) = R_n(x)$
  * $G(x) = 0$，$G(a) = (x-a)^{n+1}$

所以左边为：

$$\frac{0 - R_n(x)}{0 - (x-a)^{n+1}} = \frac{R_n(x)}{(x-a)^{n+1}}$$

**计算导数：**

对 $F(t)$ 求导（逐项求导后大量项会抵消）：

$$F'(t) = -\frac{f^{(n+1)}(t)}{n!}(x-t)^n$$

对 $G(t)$ 求导：

$$G'(t) = -(n+1)(x-t)^n$$

所以右边为：

$$\frac{F'(\xi_1)}{G'(\xi_1)} = \frac{-\frac{f^{(n+1)}(\xi_1)}{n!}(x-\xi_1)^n}{-(n+1)(x-\xi_1)^n} = \frac{f^{(n+1)}(\xi_1)}{(n+1)!}$$

==== 结论 ====

联立左右两边：

$$\frac{R_n(x)}{(x-a)^{n+1}} = \frac{f^{(n+1)}(\xi_1)}{(n+1)!}$$

整理得：

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

其中 $\xi = \xi_1$ 介于 $a$ 与 $x$ 之间。**证毕。**

===== 积分余项的推导与转换 =====

==== 从牛顿-莱布尼茨公式出发 ====

$$f(x) = f(a) + \int_a^x f'(t) dt$$

对积分项反复使用**分部积分法**：

$$\int_a^x f'(t) dt = f'(a)(x-a) + \int_a^x f''(t)(x-t) dt$$

$$\int_a^x f''(t)(x-t) dt = \frac{f''(a)}{2!}(x-a)^2 + \int_a^x f'''(t)\frac{(x-t)^2}{2!} dt$$

重复 $n$ 次后得到：

$$\boxed{R_n(x) = \frac{1}{n!}\int_a^x f^{(n+1)}(t)(x-t)^n dt}$$

==== 从积分余项推导拉格朗日余项 ====

由于 $(x-t)^n$ 在 $[a, x]$ 上不变号，应用**积分第一中值定理**：

存在 $\xi \in (a, x)$，使得：

$$R_n(x) = \frac{f^{(n+1)}(\xi)}{n!}\int_a^x (x-t)^n dt = \frac{f^{(n+1)}(\xi)}{(n+1)!}(x-a)^{n+1}$$

==== 从积分余项推导柯西余项 ====

应用**积分中值定理**的另一种形式：

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

===== 常用函数的麦克劳林展开 =====


当 $a = 0$ 时，泰勒公式称为**麦克劳林公式（Maclaurin Series）**


^ 函数 ^ 麦克劳林展开式 ^ 收敛域 ^
| $e^x$ | $1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \cdots + \frac{x^n}{n!} + R_n(x)$ | $(-\infty, +\infty)$ |
| $\sin x$ | $x - \frac{x^3}{3!} + \frac{x^5}{5!} - \cdots + (-1)^n\frac{x^{2n+1}}{(2n+1)!} + R_{2n+1}(x)$ | $(-\infty, +\infty)$ |
| $\cos x$ | $1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \cdots + (-1)^n\frac{x^{2n}}{(2n)!} + R_{2n}(x)$ | $(-\infty, +\infty)$ |
| $\ln(1+x)$ | $x - \frac{x^2}{2} + \frac{x^3}{3} - \cdots + (-1)^{n-1}\frac{x^n}{n} + R_n(x)$ | $(-1, 1]$ |
| $(1+x)^\alpha$ | $1 + \alpha x + \frac{\alpha(\alpha-1)}{2!}x^2 + \cdots + C_\alpha^n x^n + R_n(x)$ | 视 $\alpha$ 而定 |
| $\arctan x$ | $x - \frac{x^3}{3} + \frac{x^5}{5} - \cdots + (-1)^n\frac{x^{2n+1}}{2n+1} + R_{2n+1}(x)$ | $[-1, 1]$ |

===== 典型应用 =====

==== 求极限（佩亚诺余项）====

**例题**：求 $\lim_{x \to 0} \frac{e^x - 1 - x}{x^2}$

**解**：将 $e^x$ 展开到二阶：

$$e^x = 1 + x + \frac{x^2}{2!} + o(x^2)$$

代入：

$$\lim_{x \to 0} \frac{(1 + x + \frac{x^2}{2} + o(x^2)) - 1 - x}{x^2} = \lim_{x \to 0} \frac{\frac{x^2}{2} + o(x^2)}{x^2} = \frac{1}{2}$$

==== 误差估计（拉格朗日余项）====

**例题**：用 $e^x \approx 1 + x + \frac{x^2}{2}$ 近似计算 $e^{0.1}$，估计误差。

**解**：

$$R_2(x) = \frac{e^\xi}{3!}x^3, \quad \xi \in (0, 0.1)$$

$$|R_2(0.1)| \leq \frac{e^{0.1}}{6} \times 0.001 < \frac{1.2}{6} \times 0.001 = 0.0002$$

==== 证明不等式 ====

**例题**：证明当 $x > 0$ 时，$e^x > 1 + x + \frac{x^2}{2}$

**解**：由拉格朗日余项：

$$e^x = 1 + x + \frac{x^2}{2} + \frac{e^\xi}{6}x^3, \quad \xi \in (0, x)$$

因为 $e^\xi > 0$ 且 $x > 0$，所以 $\frac{e^\xi}{6}x^3 > 0$，故 $e^x > 1 + x + \frac{x^2}{2}$。

==== 级数收敛性证明 ====

**例题**：证明 $\ln(1+x) = \sum_{n=1}^{\infty} (-1)^{n-1}\frac{x^n}{n}$ 在 $x \in (-1, 1]$ 上成立。

**解**：对拉格朗日余项 $R_n(x) = \frac{(-1)^n}{(n+1)(1+\xi)^{n+1}}x^{n+1}$，当 $n \to \infty$ 时：

  * 若 $|x| < 1$，则 $|R_n(x)| \to 0$
  * 若 $x = 1$，$R_n(1) = \frac{(-1)^n}{(n+1)(1+\xi)^{n+1}} \to 0$（由莱布尼茨判别法）

===== 公式对比速查表 =====

^ 特性 ^ 佩亚诺余项 ^ 拉格朗日余项 ^ 积分余项 ^
| **条件要求** | $n$ 阶可导 | $n+1$ 阶可导 | $n+1$ 阶连续可导 |
| **余项精度** | 定性（高阶无穷小） | 定量（精确表达式） | 精确积分形式 |
| **主要用途** | 求极限 | 误差估计、证明 | 推导其他余项 |
| **$\xi$ 位置** | 无 | $(a, x)$ 内某点 | 积分变量 $t$ |
| **典型场景** | $\lim \frac{f(x)}{g(x)}$ | $|R_n| < \epsilon$ | 统一推导框架 |

===== 常见误区与注意事项 =====

  - **误区一**：泰勒公式只能在 $x = a$ 附近使用。

**纠正**：只要 $f^{(n+1)}$ 存在且余项趋于零，可以在整个收敛域内使用。

  - **误区二**：展开阶数越高精度一定越好。

**纠正**：对于某些函数（如 $e^{-1/x^2}$ 在 $x=0$ 处），所有阶导数为零，泰勒展开失效。

  - **误区三**：拉格朗日余项和柯西余项可以互换使用。

**纠正**：虽然都正确，但柯西余项在讨论 $(1+x)^\alpha$ 的收敛性时更方便。

  - **注意**：泰勒级数 $\sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^n$ 收敛**不等于**收敛到 $f(x)$，必须验证 $\lim_{n\to\infty} R_n(x) = 0$。

===== 总结 =====


**泰勒公式的本质：用多项式逼近任意光滑函数，并精确控制误差。**


  * **多项式部分** $P_n(x)$：提供局部最佳逼近
  * **余项** $R_n(x)$：量化逼近误差，决定收敛性
  * **证明核心**：柯西中值定理 + 巧妙的辅助函数构造
  * **应用核心**：根据问题类型选择恰当的余项形式