线性近似与泰勒公式：用多项式克隆函数
本文基于模型知识整理（生成时未联网核对），余项定理建议对照 Stewart §11.10–11.11 复核。
一句话定义
泰勒公式把光滑函数在一点附近"克隆"成多项式：$f(x)=f(a)+f'(a)(x-a)+\frac{f''(a)}{2!}(x-a)^2+\dots+\frac{f^{(n)}(a)}{n!}(x-a)^n+R_n$——一阶就是切线近似（kp-006），阶数越高克隆越像；余项 $R_n$ 的阶（Peano o((x−a)^n) / Lagrange 显式）决定近似的精度与可用范围。
为什么重要
泰勒是"局部线性化"的完全体：物理的小角度近似、机器学习的二阶优化、数值计算的一切公式，都是某个泰勒截断。它同时是等价无穷小（kp-004 的系统化）、极限计算（kp-009 的替代路线）、级数（kp-020）的统一母题——"多项式是最容易计算的函数，所以把一切换成多项式"。
前置知识
核心概念
- 麦克劳林公式（a=0）：$f(x)=f(0)+f'(0)x+\frac{f''(0)}{2!}x^2+\dots$
- 系数的来历：想让多项式 P 在 a 点与 f 的值、斜率、二阶曲率……n 阶导数全部吻合——逐阶求导解系数，$P^{(k)}(a)=f^{(k)}(a)$ 给出 $\frac{f^{(k)}(a)}{k!}$。"k 阶相触"。
- 两种余项：
- Peano：$R_n=o((x-a)^n)$——定性（比 n 阶小量更快消失），算极限用； - Lagrange：$R_n=\frac{f^{(n+1)}(\xi)}{(n+1)}(x-a)^{n+1}$——定量（某中间点的真值），估误差用。
- 一阶=切线近似：$f(x)\approx f(a)+f'(a)(x-a)$；二阶加入曲率修正 $\frac{f''(a)}{2}(x-a)^2$。
- 常用展开（x→0）：$\sin x=x-\frac{x^3}{6}+\dots$；$e^x=1+x+\frac{x^2}{2}+\dots$；$\ln(1+x)=x-\frac{x^2}{2}+\dots$；$\cos x=1-\frac{x^2}{2}+\dots$；$(1+x)^\alpha=1+\alpha x+\frac{\alpha(\alpha-1)}{2}x^2+\dots$
原理与机制
为什么"匹配导数"能克隆函数：两个函数若在某点的前 n 阶导数全同，则在附近"同起跑、同初速、同加速度……"——n 阶以内行为无法区分；差异全被推进余项。泰勒公式的哲学：多项式是微分学的通用样条。
为什么等价无穷小是"一阶泰勒"：$\sin x\sim x$ 就是 $\sin x=x+o(x^2)$（Peano 一阶）；加减消项（kp-004 的反例）本质是"一阶信息相消、必须看三阶"——泰勒展到三阶 $\sin x-\tan x=(x-\frac{x^3}{6})-(x+\frac{x^3}{3})=-\frac{x^3}{2}$，正负与阶数一目了然。泰勒是等价无穷小的防错升级版。
余项怎么选：算极限/判阶 → Peano（不关心 ξ 在哪）；做工程误差预算 → Lagrange（给出界）。"展开到几阶"的答案：比参与运算的最低阶消项高一阶。
图示
f(x) = f(a) + f'(a)(x−a) + f″(a)/2!·(x−a)² + ⋯ + Rₙ
一阶: 切线 (kp-006) 二阶: 曲率修正 (碗形)
Peano: Rₙ = o((x−a)ⁿ) ← 算极限
Lagrange: Rₙ = f⁽ⁿ⁺¹⁾(ξ)/(n+1)!·(x−a)ⁿ⁺¹ ← 估误差
sin x = x − x³/6 + R₅ ; eˣ = 1 + x + x²/2 + R₃直观类比
认识一个人：只知道长相（f(a)）是 0 阶了解；打听性格倾向（f'）能预测他近期行为（一阶）；再了解他的习惯惯性（f''）预测更远（二阶）……阶数越高、预言越远越准，但终究要为"意外的余项"留出误差预算。
实例或案例
- 计算器/库函数：芯片算 $\sin$、$e^x$ 用多项式（泰勒/Chebyshev）—— kp-017 数值积分同族的"多项式万能"哲学。
- 物理小振动：单摆 $\sin\theta\approx\theta$（一阶）→ 周期公式；进阶加 $-\frac{\theta^3}{6}$ 修正。
- 牛顿法解方程：$f(x)\approx f(x_0)+f'(x_0)(x-x_0)=0$ → 迭代式 $x_{n+1}=x_n-\frac{f}{f'}$——泰勒一阶的求根应用。
常见误区
- 误区一："泰勒级数处处等于原函数"。展开只在收敛域内等于（kp-019/020）；$e^{-1/x^2}$ 的著名反例：各阶导数在 0 全为 0，泰勒多项式恒 0，但函数非 0——"光滑 ≠ 被级数完全决定"。
- 误区二："阶数越高总是越好"。远离展开点时高阶多项式可能狂飙（龙格现象的近亲）；近似有效半径由余项控制。
- 误区三："忘记余项导致算错阶"。两个展开相加减时余项阶数必须逐项对齐——kp-004 反例的标准病根。
与其他知识点的关系
自测题
- 写出 $e^x$ 的三阶麦克劳林展开（含 Peano 余项）。
答：$e^x=1+x+\frac{x^2}{2}+\frac{x^3}{6}+o(x^3)$。
- 用泰勒求 $\lim_{x\to0}\frac{e^x-1-x}{x^2}$。
答：分子 $=(1+x+\frac{x^2}{2}+o(x^2))-1-x=\frac{x^2}{2}+o(x^2)$ → 极限 1/2。
- 单摆小角度近似的数学身份是什么？误差来自哪里？
答：$\sin\theta$ 的一阶泰勒截断；误差主导项 $-\frac{\theta^3}{6}$——大角度时周期偏短的来源。
延伸阅读
- 3Blue1Brown《Essence of Calculus》第 10–12 集（泰勒级数的最佳可视化）。
- Stewart《Calculus》§11.10–11.11。
- Numerical Recipes 第 5 章（近似函数的工程视角）。