- 세상의 모든 계산기 수학, 과학, 공학 이야기 수학 ()
테일러 급수 Taylor Series
-
- 2024.11.01 - 23:36 2015.10.12 - 20:57 4322 6
테일러 급수(Taylor series)는 함수 \( f(x) \)를 주어진 점 \( a \)를 중심으로 다항식의 형태로 근사하는 방법입니다.
이는 특정 점 주변에서 함수의 값을 근사하기 위해 함수의 도함수 값을 활용하여 무한급수의 형태로 표현합니다.
테일러 급수의 정의
주어진 함수 \( f(x) \)가 \( a \)에서 \( n \)차 미분 가능할 때, \( f(x) \)의 \( a \)를 중심으로 한 테일러 급수는 다음과 같이 정의됩니다:
\[
f(x) = f(a) + f'(a)(x - a) + \frac{f''(a)}{2!}(x - a)^2 + \frac{f'''(a)}{3!}(x - a)^3 + \cdots
\]
즉, 일반적인 형태는 다음과 같습니다:
\[
f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x - a)^n
\]
여기서:
- \( f^{(n)}(a) \)는 \( f(x) \)의 \( n \)차 미분을 \( a \)에서 평가한 값입니다.
- \( n! \)는 \( n \)의 팩토리얼로, \( n! = n \times (n-1) \times \cdots \times 2 \times 1 \)입니다.
- \( (x - a)^n \)는 \( x \)와 \( a \)의 차이를 \( n \)차까지 곱한 것입니다.
테일러 급수의 적용
테일러 급수는 다음과 같은 경우에 유용합니다:
1. 근사 계산: 복잡한 함수를 다항식으로 근사하여 계산을 간단히 할 수 있습니다.
2. 해석적 함수 연구: 함수의 성질을 분석하고 극한, 연속성, 미분 가능성을 연구하는 데 도움을 줍니다.
3. 수치해석: 수치적 방법에서 많은 알고리즘의 근본이 됩니다.
예시
함수 \( e^x \)의 테일러 급수는 \( a = 0 \)을 중심으로 하면 다음과 같이 됩니다:
\[
e^x = \sum_{n=0}^{\infty} \frac{x^n}{n!}
\]
또한, \( \sin(x) \)의 테일러 급수는 다음과 같습니다:
\[
\sin(x) = \sum_{n=0}^{\infty} \frac{(-1)^n}{(2n + 1)!}x^{2n + 1}
\]
이러한 테일러 급수는 \( x \)가 0에 가까운 경우 \( e^x \)와 \( \sin(x) \)의 값에 매우 잘 근사합니다.
결론
테일러 급수는 함수 근사의 강력한 도구로, 미적분학, 물리학, 공학 등 다양한 분야에서 널리 사용됩니다. 이를 통해 복잡한 함수도 간단한 다항식으로 접근하여 다양한 문제를 해결할 수 있습니다.
참고
http://navercast.naver.com/contents.nhn?rid=22&contents_id=5561
https://ko.wikipedia.org/wiki/%ED%85%8C%EC%9D%BC%EB%9F%AC_%EA%B8%89%EC%88%98
-
25
댓글6
-
세상의모든계산기
[TI-nspire] 의 taylor() 내장 함수
taylor(sin(x),x,13)
ㄴ 상단 : Degree, 하단 : Radian
* 이런 저런 이유로 각도 설정은 항상 Radian 으로 하는 것이 좋음.
-
-
세상의모든계산기
예시에서 0 을 중심으로 테일러 급수를 전개한 이유는?
테일러 급수를 0을 중심으로 전개하면 '매클로린 급수'라고도 불리는 특별한 경우의 테일러 급수가 됩니다.
- 계산의 단순화: 0을 중심으로 전개하면 계산이 상대적으로 간단해집니다. x^n 항의 계수가 f^(n)(0) / n!로 표현되어, 많은 함수에서 이 값을 쉽게 계산할 수 있습니다.
- 대칭성: 많은 중요한 함수들(예: e^x, sin(x), cos(x))이 원점에 대해 대칭적인 성질을 가집니다. 0을 중심으로 전개하면 이러한 대칭성을 잘 활용할 수 있습니다.
- 표준화: 0을 기준점으로 사용하면 다양한 함수들을 일관된 방식으로 비교하고 분석할 수 있습니다.
- 수학적 편의성: 많은 수학적 정리와 응용에서 0을 중심으로 한 급수 전개가 유용하게 사용됩니다.
- 오차 분석: 0 주변에서의 근사는 오차 분석이 상대적으로 쉽습니다.
-
세상의모든계산기
테일러 급수의 오차 한계는?
테일러 급수에서 오차는 보통 테일러 급수의 n차 항까지 근사했을 때 실제 함수 값과의 차이로 정의됩니다.
이 오차를 나타내는 대표적인 표현이 테일러 정리의 나머지항(Remainder Term)입니다.
일반적으로 오차의 한계를 제시할 때는 라그랑주 잔여항(Lagrange Remainder) 또는 코시 잔여항(Cauchy Remainder)를 사용합니다.
만약 어떤 함수 \( f(x) \)를 \( a \)를 중심으로 한 테일러 급수로 근사한다고 할 때, 테일러 급수의 \( n \)차 항까지 근사한 오차는 다음과 같은 형태로 주어집니다.
라그랑주 잔여항에 의한 오차
라그랑주 잔여항 \( R_n(x) \)은 다음과 같이 표현됩니다:
\[
R_n(x) = \frac{f^{(n+1)}(c)}{(n+1)!} (x - a)^{n+1}
\]여기서:
- \( f^{(n+1)}(c) \)는 \( a \)와 \( x \) 사이의 어떤 점 \( c \)에서의 \( (n+1) \)차 미분값입니다.
- \( (n+1)! \)은 \( n+1 \) 팩토리얼입니다.
- \( (x - a)^{n+1} \)는 \( x \)와 중심 \( a \) 간의 거리의 \( (n+1) \)제곱입니다.- 테일러 전개를 통해 n번째 항까지 사용하였다면, n+1번째 항이 오차 한계에 해당함을 알 수 있습니다.
이 표현을 통해 오차의 크기를 다음과 같이 한정할 수 있습니다:
\[
|R_n(x)| \leq \frac{\max_{c \in [a, x]} |f^{(n+1)}(c)|}{(n+1)!} |x - a|^{n+1}
\]
따라서, 주어진 구간에서 \( f^{(n+1)}(c) \)의 최대값을 알면, 이 잔여항을 이용하여 테일러 급수 근사 오차의 한계를 추정할 수 있습니다.이 오차는 테일러 급수의 차수가 높아질수록 작아지며, 중심에 가까운 점일수록 더 정확한 근사를 제공합니다.
-
1
세상의모든계산기
예) 구간[3,5] 에서 f(x)=√x 의 근사값을 a=4 에서의 2차 테일러 다항식을 이용하여 구할 때, 테일러 부등식에 의한 오차의 한계로 가장 적절한 것은?
(단, $ \dfrac{1}{3^{5/2}} \approx 0.064, \dfrac{1}{4^{5/2}} \approx 0.031, \dfrac{1}{5^{5/2}} \approx 0.018) $)
세상의모든계산기 님의 최근 댓글
- claude AI는 l-c*r^2 을 1-c*r^2 으로 잘못 읽고 표시하고 있습니다. - TI-nspire CAS 계산기에 l-c*r^2 ≥0 을 조건에 추가해 계산해 보아도 결과는 바뀌지 않습니다. 2026 07.20 ⚠️ 경고가 바로 두 번째 방법이 "성공"한 이유와 정확히 연결되어 있습니다. 경고의 의미 "Domain of the result might be larger than the domain of the input"는 CAS가 절댓값(모듈러스)을 계산하는 과정에서 원래 식보다 정의역이 더 넓은 형태로 단순화했다는 뜻입니다. 구체적으로 이 계산은 내부적으로 대략 이런 과정을 거칩니다. $$\left|\frac{er}{e\cdot r}\right| = \sqrt{\left(\frac{er}{e\cdot r}\right)\cdot\overline{\left(\frac{er}{e\cdot r}\right)}}$$ 즉 원래 식(복소수)과 그 켤레복소수를 곱해서 실수부·허수부 제곱합을 만들고, 거기에 다시 제곱근을 씌우는 과정입니다. 이 과정에서 √(x²) → x 또는 √a·√b → √(ab) 같은 규칙들이 쓰이는데, 이런 규칙들은 x가 실수이고 0 이상일 때만 엄밀하게 성립합니다. CAS는 이 조건들을 일일이 다 추적하지 않고 넘어가면서, 원래는 (e≠0, r+l·ω·i ≠ 0 등) 복소수 특유의 좁은 정의역을 가진 식을, r, l, ω가 어떤 실수여도(부호 무관하게) 정의되는 1/√(r²+l²·ω²)라는 더 넓은 정의역의 식으로 바꿔버린 것입니다. CAS는 이 손실을 감지하고 경고를 띄운 것입니다. 이게 왜 조건 대입 성공과 연결되는가 정리하면, 이 경고는 사실상 이런 뜻입니다. "나는 이 결과를 만들면서 원래 식이 가지고 있던 정의역 제약 정보(부호 조건, i 관련 조건 등)를 이미 버렸다." 바로 이 "정의역 정보를 버린" 상태가 이후 con_1 대입을 매끄럽게 만드는 원인입니다. 첫 번째 시도에서는 i가 살아있는 원래 식에 조건을 대입했기 때문에, CAS가 √(1-c·r²)이 실수인지(정의역 조건: 1-c·r² ≥ 0) 계속 추적하려고 했고, 그 정보가 con에 없어서 더 이상 정리를 못 하고 멈췄습니다. 두 번째 시도에서는 절댓값 계산 단계에서 이미 그런 세밀한 정의역 추적을 CAS 스스로 포기(단순화)했기 때문에, 이후 ω에 무리식을 대입해도 "이게 실수가 맞나?" 하는 검증 절차 없이 그냥 대수적으로 치환·정리해 버립니다. 그래서 깔끔하게 √c/√l이 나온 겁니다. 한 줄 요약 절댓값 계산 시 뜬 "정의역이 넓어졌을 수 있다"는 경고는, CAS가 그 순간에 원래 식의 엄밀한 조건(정의역)을 놓쳤다는 신호이고, 바로 그 "조건을 놓친 상태"이기 때문에 뒤에 이어지는 조건식 대입이 막힘없이 진행된 것입니다. 다만 그 대가로, 결과인 1/√(r²+l²·ω²)이나 최종 √c/√l이 원래 회로 조건(i≠0이 되는 경계, 분모가 0이 되는 경우 등)에서는 엄밀히 성립하지 않을 수 있다는 점은 감안하셔야 합니다. 실제 물리적으로는 r, l, c > 0이고 결과도 물리적으로 타당한 형태라 문제없어 보이지만, 수학적 엄밀성 측면에서는 "정의역이 넓어진 근사적 결과"라는 꼬리표가 붙어있는 셈입니다. 2026 07.20 Claude AI 답변 TI-Nspire CAS의 | (such that / 조건대입) 연산자는 대입 시점의 수식 형태를 그대로 두고 기호만 치환하는 연산입니다. 대입 후에 처음부터 다시 "실수부/허수부 분리, 유리화" 같은 재간소화를 자동으로 수행하지 않습니다. 이 차이가 지금 보신 결과 차이의 핵심입니다. 첫 번째 경우 (|er/(e·r)| | con_1 and con → 실패) 이 시점의 식은 아직 r + l·ω·i 형태의 복소수 그대로입니다 (i가 살아있음). 여기에 con_1: ω = √(1-c·r²)/(√c·l)을 대입하면, 분모 안에 i · √(1-c·r²) 라는 항이 새로 생깁니다. 문제는 CAS가 √(1-c·r²)이 실수인지(즉 1-c·r² ≥ 0인지) 판단할 근거가 없다는 겁니다. 저장해 두신 con 조건은 c>0, l>0, r>0뿐이고, 1-c·r²≥0이라는 조건은 포함되어 있지 않습니다. 그래서 CAS는 i와 이 무리식을 더 정리(유리화, 실수부·허수부 재결합)하지 못하고 있는 그대로 남겨둡니다. 결과에 여전히 i가 보이는 이유입니다. 두 번째 경우 (결과값 1/√(r²+l²·ω²)에 대입 → 성공) |er/(e·r)| (절댓값/모듈러스) 연산은 그 자체로 이미 "복소수 → 실수" 변환을 완료한 결과입니다. 즉 1/√(r²+l²·ω²)에는 더 이상 i가 없고, 순수하게 r, l, ω로만 이루어진 실수식입니다. 이 식에 ω = con_1을 대입하는 것은 그냥 실수 대수식에 실수 대입하는 것이므로, i와 무리식이 뒤엉키는 문제 자체가 발생하지 않습니다. 그래서 바로 깔끔하게 √c/√l로 정리됩니다. 정리하면 절댓값(모듈러스) 계산은 "이 값들이 실수다"라는 가정을 이미 내부적으로 써서 i를 제거하는 연산입니다. 그 연산을 조건 대입 이전에 해두면, 이후 대입은 단순 실수 대입이라 문제없이 정리됩니다. 반대로 i가 남아있는 식에 무리식을 포함한 조건을 먼저 대입하면, 그 무리식의 실수성/부호에 대한 가정이 없어서 CAS가 i를 소거하는 재간소화를 못 하고 멈춰버립니다. 실용적 팁: 복소식에 조건을 대입해야 할 때는 가능하면 절댓값·실수화(유리화) 등을 먼저 끝내서 i를 없앤 뒤 조건을 대입하거나, 대입 후 결과에 다시 simplify/expand/combine 같은 명령을 한 번 더 걸어주면 (필요한 도메인 조건과 함께) 정리가 되는 경우가 많습니다. 2026 07.19 저도 어림잡아 추측할 뿐이지 정확한 이유를 알지는 못합니다. 질문하신 사진을 그대로 (Gemini 3.5 Flash / ChatGPT / Claude Sonnet 5) AI에 넣어 보니 claude AI 가 제일 합리적인 답변을 주어서 이를 붙여 넣습니다. 2026 07.19 아 그렇네요. 감사합니다. ^^ 2026 04.28