AM@麦克劳林公式逼近以及误差分析

abstract

  • 麦克劳林公式及其近似表示的应用
  • 误差估计和分析

Lagrange型泰勒公式的估计误差

  • 由Lagrange型余项泰勒公式可知,多项式 p n ( x ) p_n(x) pn(x)近似表达函数 f ( x ) f(x) f(x)时,其误差为 ∣ R n ( x ) ∣ |R_{n}(x)| Rn(x)
    • R n ( x ) R_{n}(x) Rn(x)= f ( n + 1 ) ( ξ ) ( n + 1 ) ! ( x − x 0 ) n + 1 \frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1} (n+1)!f(n+1)(ξ)(xx0)n+1,( ξ \xi ξ x 0 x_0 x0 x x x之间)(R1)

误差估计式

  • 若对于某个固定的 n n n,当 x ∈ U ( x 0 ) x\in{U(x_0)} xU(x0)邻域时, ∣ f ( n + 1 ) ( x ) ∣ ⩽ M |f^{(n+1)}(x)|\leqslant{M} f(n+1)(x)M(函数 f ( n + 1 ) ( x ) f^{(n+1)}(x) f(n+1)(x)在邻域 U ( x 0 ) U(x_0) U(x0)内局部有界),则可以估计误差的上限(记为 R M R_{M} RM):
    • M M M不一定是常数,可能是函数 M ( x ) M(x) M(x)
      • 例如 f ( x ) = e x f(x)=e^{x} f(x)=ex,其 ∣ f ( n + 1 ) ( x ) ∣ |f^{(n+1)}(x)| f(n+1)(x)= ∣ e x ∣ ⩽ e ∣ x ∣ |e^{x}|\leqslant{e^{|x|}} exex
    • 进行不等式放大: ∣ R n ( x ) ∣ ⩽ M ( n + 1 ) ! ∣ x − x 0 ∣ n + 1 |R_n(x)|\leqslant{\frac{M}{(n+1)!}|x-x_0|^{n+1}} Rn(x)(n+1)!Mxx0n+1= R M R_{M} RM(0);
    • 该公式给出了估计误差的一个上限

麦克劳林(Maclaurin)公式

  • 在Peano型泰勒公式中,

    • f ( x ) f(x) f(x)= p n ( x ) + R n ( x ) p_n(x)+R_n(x) pn(x)+Rn(x)(1)
      • = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) + 1 2 ! f ′ ′ ( x 0 ) ( x − x 0 ) 2 + ⋯ f(x_0)+f'(x_0)(x-x_0)+\frac{1}{2!}f''(x_0)(x-x_0)^2+\cdots f(x0)+f(x0)(xx0)+2!1f′′(x0)(xx0)2++ 1 n ! f ( n ) ( x 0 ) ( x − x 0 ) n \frac{1}{n!}f^{(n)}(x_0)(x-x_0)^{n} n!1f(n)(x0)(xx0)n+ R n ( x ) R_n(x) Rn(x)
      • = ∑ k = 0 n 1 k ! f ( k ) ( x 0 ) ( x − x 0 ) k \sum_{k=0}^{n}\frac{1}{k!}f^{(k)}(x_0)(x-x_0)^{k} k=0nk!1f(k)(x0)(xx0)k+ R n ( x ) R_n(x) Rn(x)(2)
  • 若取 x 0 = 0 x_0=0 x0=0

    • 带有Peano余项的Taylor公式表示为

      • f ( x ) f(x) f(x)= ∑ k = 0 n 1 k ! f ( k ) ( 0 ) ( x ) k \sum_{k=0}^{n}\frac{1}{k!}f^{(k)}(0)(x)^{k} k=0nk!1f(k)(0)(x)k+ o ( ( x ) n ) o((x)^{n}) o((x)n)
        • = f ( 0 ) + f ′ ( 0 ) x + 1 2 ! f ′ ′ ( 0 ) x 2 f(0)+f'(0)x+\frac{1}{2!}f''(0)x^2 f(0)+f(0)x+2!1f′′(0)x2+ ⋯ \cdots + 1 n ! f ( n ) ( 0 ) x n \frac{1}{n!}f^{(n)}(0)x^n n!1f(n)(0)xn+ o ( x n ) o(x^{n}) o(xn)(3)
      • 此时公式也称为:带有Peano余项的Maclaurin公式,
    • 带有Lagrange余项的Taylor公式

      • R n ( x ) ∣ x 0 = 0 R_{n}(x)|_{x_0=0} Rn(x)x0=0= f ( n + 1 ) ( ξ ) ( n + 1 ) ! x n + 1 \frac{f^{(n+1)}(\xi)}{(n+1)!}x^{n+1} (n+1)!f(n+1)(ξ)xn+1,( ξ \xi ξ x 0 x_0 x0 x x x之间)
      • 若令 ξ = θ x \xi=\theta{x} ξ=θx, ( θ ∈ ( 0 , 1 ) ) (\theta\in(0,1)) (θ(0,1)),则 R n ( x ) ∣ x 0 = 0 R_{n}(x)|_{x_0=0} Rn(x)x0=0= f ( n + 1 ) ( θ x ) ( n + 1 ) ! x n + 1 \frac{f^{(n+1)}(\theta x)}{(n+1)!}x^{n+1} (n+1)!f(n+1)(θx)xn+1, ( θ ∈ ( 0 , 1 ) ) (\theta\in(0,1)) (θ(0,1))(R2)
      • f ( x ) f(x) f(x)= ∑ k = 0 n 1 k ! f ( k ) ( 0 ) ( x ) k \sum_{k=0}^{n}\frac{1}{k!}f^{(k)}(0)(x)^{k} k=0nk!1f(k)(0)(x)k+ f ( n + 1 ) ( θ x ) ( n + 1 ) ! x n + 1 \frac{f^{(n+1)}(\theta x)}{(n+1)!}x^{n+1} (n+1)!f(n+1)(θx)xn+1
        • f ( x ) f(x) f(x)= f ( 0 ) + f ′ ( 0 ) x + 1 2 ! f ′ ′ ( 0 ) x 2 f(0)+f'(0)x+\frac{1}{2!}f''(0)x^2 f(0)+f(0)x+2!1f′′(0)x2+ ⋯ \cdots + 1 n ! f ( n ) ( 0 ) x n \frac{1}{n!}f^{(n)}(0)x^n n!1f(n)(0)xn+ f ( n + 1 ) ( θ x ) ( n + 1 ) ! x n + 1 \frac{f^{(n+1)}(\theta x)}{(n+1)!}x^{n+1} (n+1)!f(n+1)(θx)xn+1(4)

麦克劳林近似公式

  • Maclaurin多项式: p n ( x ) ∣ x 0 = 0 p_{n}(x)|_{x_0=0} pn(x)x0=0= ∑ k = 0 n 1 k ! f ( k ) ( 0 ) ( x ) k \sum_{k=0}^{n}\frac{1}{k!}f^{(k)}(0)(x)^{k} k=0nk!1f(k)(0)(x)k= f ( 0 ) + f ′ ( 0 ) x + 1 2 ! f ′ ′ ( 0 ) x 2 f(0)+f'(0)x+\frac{1}{2!}f''(0)x^2 f(0)+f(0)x+2!1f′′(0)x2+ ⋯ \cdots + 1 n ! f ( n ) ( 0 ) x n \frac{1}{n!}f^{(n)}(0)x^n n!1f(n)(0)xn
  • Maclaurin近似公式: f ( x ) ≈ p n ( x ) ∣ x 0 = 0 f(x)\approx{p_{n}(x)|_{x_0=0}} f(x)pn(x)x0=0
  • 此时,误差估计式写成 ∣ R n ( x ) ∣ ⩽ M ( n + 1 ) ! ∣ x ∣ n + 1 |R_{n}(x)|\leqslant{\frac{M}{(n+1)!}|x|^{n+1}} Rn(x)(n+1)!Mxn+1

小结

  • 被逼近函数=逼近函数+误差

  • 被逼近函数可以用逼近函数 p n ( x ) p_n(x) pn(x)来估计,该估计的误差可以用 R n ( x ) R_n(x) Rn(x)来估计

  • 从余项和误差估计式可以看出,对于给定的泰勒公式 f ( x ) = p n ( x ) + R n ( x ) f(x)=p_{n}(x)+R_{n}(x) f(x)=pn(x)+Rn(x)

    • 为了体现近似源 x 0 x_0 x0,可写成 f ( x , x 0 ) = p n ( x , x 0 ) + R n ( x , x 0 ) f(x,x_0)=p_{n}(x,x_0)+R_{n}(x,x_0) f(x,x0)=pn(x,x0)+Rn(x,x0),用该公式中的 p n ( x , x 0 ) p_n(x,x_0) pn(x,x0)来估计 f ( x ) f(x) f(x)的取值
    • x x x x 0 x_0 x0越远,( ∣ x − x 0 ∣ |x-x_0| xx0越大),则估计误差 ∣ R n ( x ) ∣ |R_n(x)| Rn(x)越大: ∣ f ( n + 1 ) ( ξ ) ( n + 1 ) ! ( x − x 0 ) n + 1 ∣ |\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}| (n+1)!f(n+1)(ξ)(xx0)n+1
    • 为了提高精度,可以提高 n n n的大小
      • 因为误差式中有一个分母 ( n + 1 ) ! (n+1)! (n+1)!阶乘的增长速度快于指数 ( x − x 0 ) n + 1 (x-x_0)^{n+1} (xx0)n+1(通过求极限可以证明,即使 x − x 0 x-x_0 xx0不变,只要使得, n → ∞ n\to{\infin} n时,就有 R M → 0 R_{M}\to{0} RM0,从而 ∣ R n ( x ) ∣ → 0 |R_n(x)|\to{0} Rn(x)0)
    • 泰勒公式 n n n阶逼近的方法和一般的逼近手段不同,例如一阶微分逼近 f ( x ) ≈ f ′ ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) f(x)\approx{f'(x_0)+f'(x_0)(x-x_0)} f(x)f(x0)+f(x0)(xx0)需要靠 x → x 0 x\to{x_0} xx0来提高精度,而泰勒公式除了可通过 x → x 0 x\to{x_0} xx0提高精度,还可以选择提高逼近阶数 n n n来实现
  • 通过对一般的泰勒公式中的 x 0 x_0 x0取定为 0 0 0,得到Maclaurin公式,该公式形式上和计算上比一般形式的泰勒公式更加简单,而且同样可以通过提高逼近阶数 n n n来提高逼近精度

  • 只要阶数够高(存在足够高阶的导数),Maclaurin公式做到任意精度的逼近( n → ∞ n\to{\infin} n,时误差的极限为0)

逼近公式的截断应用

  • 方便起见,通常使用Maclaurin近似公式来作函数的近似表示和高精度估计,一般形式的Taylor公式比较少直接用来估计,Maclaurin公式简单
  • 通常 n n n不需要太大就有比较高的精度了,例如 n = 2 n=2 n=2

  • f ( x ) = e x f(x)=e^{x} f(x)=ex的带有Lagrange余项的 n n n阶Maclaurin公式

    • n f ( n ) ( x ) f^{(n)}(x) f(n)(x) f ( n ) ( 0 ) f^{(n)}(0) f(n)(0)
      0 e x e^{x} ex1
      1 e x e^{x} ex1
      2 e x e^{x} ex1
      ⋯ \cdots ⋯ \cdots ⋯ \cdots
      n n n e x e^{x} ex1
      n + 1 n+1 n+1 e x e^{x} ex f ( n + 1 ) ( θ x ) f^{(n+1)}(\theta{x}) f(n+1)(θx)= e θ x e^{\theta{x}} eθx
    • e x e^{x} ex= f ( 0 ) + f ′ ( 0 ) x + 1 2 ! f ′ ′ ( 0 ) x 2 f(0)+f'(0)x+\frac{1}{2!}f''(0)x^2 f(0)+f(0)x+2!1f′′(0)x2+ ⋯ \cdots + 1 n ! f ( n ) ( 0 ) x n \frac{1}{n!}f^{(n)}(0)x^n n!1f(n)(0)xn+ f ( n + 1 ) ( θ x ) ( n + 1 ) ! x n + 1 \frac{f^{(n+1)}(\theta x)}{(n+1)!}x^{n+1} (n+1)!f(n+1)(θx)xn+1

      • = 1 + x + 1 2 ! x 2 + ⋯ + 1 n ! x n 1+x+\frac{1}{2!}x^2+\cdots+\frac{1}{n!}x^{n} 1+x+2!1x2++n!1xn+ e θ x ( n + 1 ) ! x n + 1 \frac{e^{\theta{x}}}{(n+1)!}x^{n+1} (n+1)!eθxxn+1, θ ∈ ( 0 , 1 ) \theta\in(0,1) θ(0,1)(1)
    • 误差: ∣ R n ( x ) ∣ |R_{n}(x)| Rn(x)= ∣ e θ x ( n + 1 ) ! x n + 1 ∣ |\frac{e^{\theta{x}}}{(n+1)!}x^{n+1}| (n+1)!eθxxn+1< e ∣ x ∣ ( n + 1 ) ! ∣ x ∣ n + 1 \frac{e^{{|x|}}}{(n+1)!}|x|^{n+1} (n+1)!exxn+1

      • 例如估算 x = 1 x=1 x=1,即 f ( 1 ) f(1) f(1),由公式 e 1 ≈ 1 + 1 + 1 2 ! + ⋯ + 1 n ! e^{1}\approx 1+1+\frac{1}{2!}+\cdots+\frac{1}{n!} e11+1+2!1++n!1
      • 此时误差为 ∣ R n ∣ < e 1 ( n + 1 ) ! |R_n|<\frac{e^1}{(n+1)!} Rn<(n+1)!e1,也可以更加保守,进一步放大误差上界 3 ( n + 1 ) ! \frac{3}{(n+1)!} (n+1)!3,当
        • n = 10 n=10 n=10时,可以得 e ≈ 2.718282 e\approx{2.718282} e2.718282,且保证其误差不超过 1 0 − 6 10^{-6} 106

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/116157.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

windows服务器和linux服务器的ssh免密登录失败的解决方案

1. windows服务器的ssh免密登录失效的解决方法 原因&#xff1a; 1. 去掉了C:\ProgramData\ssh\sshd_config文件中的两行配置&#xff0c;也就是注释掉&#xff1a; #Match Group administrators #AuthorizedKeysFile PROGRAMDATA/ssh/administrators_authorized_keys 2. aut…

LeetCode 11. 盛最多水的容器

盛水最多的容器 题目链接 11. 盛最多水的容器 给定一个长度为 n 的整数数组 height 。有 n 条垂线&#xff0c;第 i 条线的两个端点是 (i, 0) 和 (i, height[i]) 。 找出其中的两条线&#xff0c;使得它们与 x 轴共同构成的容器可以容纳最多的水。 返回容器可以储存的最大水量。…

2023 uniapp( vue3)使用canvas生成海报并保存,taro/微信小程序也适用

有段时间没写vue了&#xff0c;有点生疏了...... 1、代码有注释&#xff0c;完整代码如下 <template><view class"page"><canvas class"canvas" v-if"isShow" :style"{width:${canvasWidth}px,height:${canvasHeight}px}&…

spring cloud Eureka集群模式搭建(IDEA中运行)《二》

上一篇集群配置文件完善 上一篇博客&#xff0c;想必大家都学会了Eureka集群模式的搭建和运行&#xff0c;针对上一篇的配置文件进行了优化&#xff0c;在这里分享给大家。上一篇主要有3个配置文件&#xff0c;分别对应3个不同的服务&#xff0c;这种形式配置文件分别写在了不…

uni-app 小宠物 - 会说话的小鸟

在 template 中 <view class"container"><view class"external-shape"><view class"face-box"><view class"eye-box eye-left"><view class"eyeball-box eyeball-left"><span class"…

Learning Open-World Object Proposals without Learning to Classify(论文解析)

Learning Open-World Object Proposals without Learning to Classify 摘要1 介绍2 相关工作3 方法3.1 基线3.2 基于纯定位的对象性3.3. 对象定位网络 (OLN)4 实验4.1跨类泛化4.2.开放世界类不可知检测4.3更多的跨数据集泛化4.3.1 Objects365 泛化4.3.2 EpicKitchens 的泛化4.4…

LeetCode LCR 179. 查找总价格为目标值的两个商品

和为 s 的两个数字 题目链接 LCR 179. 查找总价格为目标值的两个商品 购物车内的商品价格按照升序记录于数组 price。请在购物车中找到两个商品的价格总和刚好是 target。若存在多种情况&#xff0c;返回任一结果即可。 示例 1&#xff1a; 输入&#xff1a;price [3, 9, 12, …

Hadoop3教程(三十六):(生产调优篇)企业开发场景中的参数调优案例概述

文章目录 &#xff08;170&#xff09;企业开发场景案例HDFS参数调优MapReduce参数调优YARN参数调优执行程序 参考文献 &#xff08;170&#xff09;企业开发场景案例 这章仅做兴趣了解即可。 需求&#xff1a;从1G数据中&#xff0c;统计每个单词出现次数。服务器3台&#x…

【通览一百个大模型】Baize(UCSD)

【通览一百个大模型】Baize&#xff08;UCSD&#xff09; 作者&#xff1a;王嘉宁&#xff0c;本文章内容为原创&#xff0c;仓库链接&#xff1a;https://github.com/wjn1996/LLMs-NLP-Algo 订阅专栏【大模型&NLP&算法】可获得博主多年积累的全部NLP、大模型和算法干货…

Delphi 编程实现拖动排序并输出到文档

介绍&#xff1a;实现拖动排序功能&#xff0c;并将排序后的内容输出到文档中。我们将使用 Delphi 的组件来创建一个界面&#xff0c;其中包括一个 Memo 控件用于输入内容&#xff0c;一个 ListBox 控件用于显示排序后的内容&#xff0c;并且提供按钮来触发排序和输出操作。 代…

常用Win32 API的简单介绍

目录 前言&#xff1a; 控制控制台程序窗口的指令&#xff1a; system函数&#xff1a; COORD函数&#xff1a; GetStdHandle函数&#xff1a; GetConsoleCursorInfo函数&#xff1a; CONSOLE_CURSOR_INFO函数&#xff1a; SetConsoleCursorInfo函数&#xff1a; SetC…

docker自动构建jar镜像,自动发布最新镜像的简单shell脚本

使用docker自动构建spring boot jar&#xff0c;自动发布最新镜像的简单shell脚本。一般在docker上部署流程问为&#xff1a; 构建docker镜像 -> 停止旧版本 -> 杀掉旧版本 -> 部署最新镜像。 1、maven/mvd/gradle 打包spring boot jar 2、编写Dockerfile&#xff0c…

读书笔记:Effective C++ 2.0 版,条款37(不要重新定义继承而来的非虚函数)、条款38(不重新定义继承而来的缺省参数值)

条款37: 决不要重新定义继承而来的非虚函数 非虚函数在编译期静态绑定&#xff0c;容易出错。 概念上也不合适。 任何条件下都要禁止重新定义继承而来的非虚函数。 条款38: 决不要重新定义继承而来的缺省参数值 继承一个有缺省参数值的虚函数。 虚函数是动态绑定而缺省参数值是…

Java面试题-Java核心基础-第十一天(注解)

目录 一、注解是什么&#xff1f; 二、注解的作用&#xff1f; 三、Java中的内置注解有哪些&#xff1f; 四、如何自定义一个注解&#xff1f; 五、JDK8中的新特性 一、注解是什么&#xff1f; 注解就是一种可以标注在类、属性、方法、方法参数等结构上面的一种特殊“注释…

解决“您点击的链接已过期”;The Link You Followed Has Expired的问题

今天WP碰到一个坑。无论发布文章还是更新插件、更换主题都是这么一种状态“您点击的链接已过期”&#xff1b;The Link You Followed Has Expired 百度出来的答案都是修改post_max_size 方法1. 通过functions.php文件修复 这种方法更容易&#xff0c;只需将以下代码添加到Wor…

Flutter和SwiftUI比较

0.语言 SwiftUI 毫无疑问是Swift语言编写&#xff0c; 在2019年正式推出&#xff0c;目前最新是Swift 5.9 (2023年9月)&#xff0c;由Apple公司维护和发行&#xff1b; 该编程语言发明人已离职Apple。 语言官网&#xff1a;https://developer.apple.com/swift/ 最好用Xcode编…

maven仓库改国内源

今天准备复现漏洞环境&#xff0c;发现太慢&#xff0c;需要配置国内源 file -> settings 搜索maven 修改settings.xml&#xff0c;这里的需要修改两个文件 1.上图的settings.xml文件 2.idea的maven模块 settings.xml文件将原来的注释掉&#xff0c;然后把阿里的添加上&…

【前端设计模式】之调停者模式(中介者模式)

调停者模式是一种行为设计模式&#xff0c;它通过引入一个调停者对象来集中处理一组对象之间的交互。调停者模式的目标是减少对象之间的直接通信&#xff0c;从而降低耦合度&#xff0c;并且使代码更易于维护和扩展。 调停者模式特性 将对象之间的通信集中在一个调停者对象中…

Web前端—Flex布局:标准流、浮动、Flex布局、综合案例(短视频首页解决方案)

版本说明 当前版本号[20231024]。 20231024初版 目录 文章目录 版本说明目录Flex布局01-标准流02-浮动基本使用产品区域布局HTML标签CSS样式 清除浮动场景搭建额外标签法单伪元素法双伪元素法overfow法 03-Flex布局Flex组成主轴对齐方式侧轴对齐方式修改主轴方向弹性伸缩比弹…

【Spring Cloud】seata分布式事务官方入门案例(导读2)

文章目录 1. 准备seata环境1.1. 生产环境启动seata1.2. 采用代码启动seata 2. 开始测试3. 附录3.1. 如果第一次配置seata压缩包3.2. 常见问题参考 本文是针对官方seata入门文章https://sca.aliyun.com/zh-cn/docs/2022.0.0.0/user-guide/seata/quick-start的 补充说明&#xf…