Polinomio de Taylor

Nivel UniversitarioDificultad ★★★★★Concepto⌖ Ver en el mapa

¿Qué es?

El polinomio de grado nn que coincide con ff y sus nn primeras derivadas en un punto aa. Grado 1 es la recta tangente y grado 2 añade la curvatura; cuanto mayor el grado, más amplia la zona en que aproxima bien. En a=0a = 0 se llama polinomio de Maclaurin.

¿Por qué existe?

Los polinomios son lo que sabemos calcular: sumas y productos. Las demás funciones (sin⁡\sin, exe^x, la solución de una ecuación diferencial) no. La idea de Taylor da una forma sistemática de cambiar cualquier función suave por un polinomio cerca de un punto, con una estimación precisa del error.

Intuición

Igualar más derivadas es igualar la forma cada vez mejor: el valor (misma altura), la primera derivada (misma pendiente), la segunda (misma curvatura), la tercera (mismo cambio de curvatura)… Cada término nuevo corrige lo que el polinomio anterior hacía mal, y las correcciones son más pequeñas cerca de aa porque llevan potencias más altas de (x−a)(x - a). Mueve el deslizador de la demo y mira cómo la aproximación se «despega» de aa cada vez más tarde al subir el orden.

Definición formal

Si ff es nn veces derivable en aa, su polinomio de Taylor de orden nn es

Tn(x)=∑k=0nf(k)(a)k!(x−a)k,T_n(x) = \sum_{k=0}^{n}\frac{f^{(k)}(a)}{k!}(x - a)^k,

el único polinomio de grado ≤n\le n con Tn(k)(a)=f(k)(a)T_n^{(k)}(a) = f^{(k)}(a) para k=0,…,nk = 0, \dots, n. Además f(x)=Tn(x)+o((x−a)n)f(x) = T_n(x) + o\big((x - a)^n\big) cuando x→ax \to a.

Fórmulas

Tn(x)=f(a)+f′(a)(x−a)+f′′(a)2!(x−a)2+⋯+f(n)(a)n!(x−a)nT_n(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \dots + \frac{f^{(n)}(a)}{n!}(x-a)^n
ex≈1+x+x22+x36,sin⁡x≈x−x36+x5120e^x \approx 1 + x + \frac{x^2}{2} + \frac{x^3}{6}, \qquad \sin x \approx x - \frac{x^3}{6} + \frac{x^5}{120}
f(x+h)≈f(x)+∇f(x)⋅h+12 h𝖳∇2f(x) hf(x + h) \approx f(x) + \nabla f(x)\cdot h + \tfrac12\,h^{\mathsf T}\nabla^2 f(x)\,h
segundo orden en varias variables: gradiente y hessiano

¿Cómo se calcula?

Calcula f(a),f′(a),f′′(a),…f(a), f'(a), f''(a), \dots y divide la kk-ésima entre k!k!. Para composiciones suele ser más rápido combinar series conocidas (sustituir, multiplicar, integrar término a término) que derivar una y otra vez. El software lo puede hacer exactamente con aritmética de series de potencias truncadas (modo Taylor), que es como calcula la demo los coeficientes.

Ejemplo

Aproximación de ángulo pequeño: sin⁡θ≈θ\sin\theta \approx \theta (orden 1) convierte la ecuación del péndulo θ¨=−gLsin⁡θ\ddot\theta = -\frac gL\sin\theta en θ¨=−gLθ\ddot\theta = -\frac gL\theta, resoluble a mano: periodo 2πL/g2\pi\sqrt{L/g}. El error en θ=10°≈0,1745\theta = 10° \approx 0{,}1745 es θ3/6≈0,0009\theta^3/6 \approx 0{,}0009, alrededor de un 0,5 %.

Visualización interactiva

f Tn— La banda sombreada es |x − a| < R. Fuera de ella los polinomios acaban divergiendo por alto que sea el orden; en 1/(1 + x²), por los polos complejos en ±i, invisibles en la recta real.

¿Por qué importa?

El descenso de gradiente es «fíate un poco del modelo de Taylor de orden 1»; el método de Newton es «salta al mínimo del modelo de orden 2». La diferenciación numérica, los resolvedores de EDO (Euler, Runge–Kutta) y su análisis de error se deducen de desarrollos de Taylor. La física linealiza con ellos y las librerías matemáticas parten de ellos.

Aplicaciones en informática

  • Coma flotante (IEEE 754)★★★★★frecuenteComputación científica y algoritmos

    Las librerías matemáticas evalúan sin⁡\sin, exp⁡\exp, log⁡\log con aproximaciones polinómicas tras reducir el rango (minimax, refinadas a partir de Taylor).

  • Motores físicos★★★★★frecuenteFísica y simulación

    Los integradores (Euler, Verlet) son desarrollos de Taylor truncados del movimiento en el paso de tiempo.

Dónde aparece en IA

  • Optimización de segundo orden (con hessiano)★★★★★fundamentalIA y machine learning

    Los métodos de Newton y de región de confianza minimizan el modelo de Taylor cuadrático f+g𝖳h+12h𝖳Hhf + g^{\mathsf T}h + \frac12 h^{\mathsf T}Hh.

  • Descenso de gradiente★★★★★fundamentalIA y machine learning

    El modelo de primer orden f(x−ηg)≈f(x)−η∥g∥2f(x - \eta g) \approx f(x) - \eta\norm g^2 es la razón de que un paso pequeño cuesta abajo reduzca ff.

¿Dónde se utiliza?

Temas de informática a los que se llega desde aquí, con la cadena de ideas que lleva a ellos:

Qué depende de él

Ejercicios

1Cálculo directo

Halla el polinomio de Maclaurin de orden 4 de cos⁡x\cos x y úsalo para estimar cos⁡0,5\cos 0{,}5.

Solución

T4=1−x22+x424T_4 = 1 - \frac{x^2}{2} + \frac{x^4}{24}; T4(0,5)=0,87760416‾T_4(0{,}5) = 0{,}8776041\overline{6} frente a cos⁡0,5=0,8775826\cos 0{,}5 = 0{,}8775826 (error 2⋅10−52 \cdot 10^{-5}).

2IA

Usa el modelo de Taylor de segundo orden de L(w)L(w) para deducir el paso que lo minimiza. ¿Qué método es?

Solución

L(w+h)≈L+L′h+12L′′h2L(w + h) \approx L + L'h + \frac12 L''h^2; anulando la derivada en hh sale h=−L′/L′′h = -L'/L''. Es el método de Newton para optimización.

↑ ↓ para navegar · ↵ · Esc