Maclaurin-Reihe: Formel, Entwicklung und Beispiele

Manche Funktionen sind zu kompliziert für die direkte Rechnung – also haben Mathematiker gelernt, sie mit Polynomen nachzuahmen.

Genau darauf basiert die Maclaurin-Reihe. Sie stellt eine Funktion als unendliche Summe aus Polynomtermen dar, die jeweils aus den Ableitungen der Funktion an der Stelle Null gebaut sind. So entsteht etwas, womit du tatsächlich rechnen kannst – auch wenn die ursprüngliche Funktion zu komplex ist.

Du kannst die Maclaurin-Reihe als Sonderfall der Taylor-Reihe sehen, nur um den Punkt Null zentriert. Diese Einschränkung macht die Herleitung einfacher und die Anwendung bequemer.

In diesem Artikel zeige ich dir die Maclaurin-Formel, gehe die gängigsten Entwicklungen durch und erkläre, wie du sie richtig interpretierst und anwendest.

Was ist eine Maclaurin-Reihe?

Eine Maclaurin-Reihe stellt eine Funktion als unendliche Summe von Termen dar, die aus ihren Ableitungen an der Stelle Null gebildet werden.

Jeder Term ist ein Polynom – eine Potenz von x, skaliert mit einem Ableitungswert. Nimmst du genügend dieser Terme zusammen, erhältst du ein Polynom, das sich zumindest in der Nähe von Null genauso verhält wie die Originalfunktion.

Eine komplexe Funktion durch ein Polynom zu approximieren, ist die Kernidee der Maclaurin-Reihe. Polynome sind leicht zu berechnen, zu differenzieren und zu integrieren – die meisten anderen Funktionen nicht.

Maclaurin-Reihe vs. Taylor-Reihe

Eine Taylor-Reihe approximiert eine Funktion als unendliches Polynom um einen beliebigen Punkt a. Du wählst den Punkt, baust die Reihe darum und erhältst ein Polynom, das in der Nähe dieses Punkts gut funktioniert.

Eine Maclaurin-Reihe ist einfach eine Taylor-Reihe mit a = 0. Das ist der einzige Unterschied.

Die Zentrierung in Null vereinfacht die Mathematik, weil die Polynomterme den Versatz (x - a) verlieren und zu reinen Potenzen von x werden. Die meisten Standardfunktionen, mit denen du in Analysis, Physik und Machine Learning arbeitest, haben deshalb saubere, gut bekannte Maclaurin-Entwicklungen.

Vergleich von Taylor- und Maclaurin-Reihe

Kurz gesagt: Nutze die Taylor-Reihe, wenn du eine Funktion in der Nähe eines bestimmten Punkts ungleich Null approximieren willst. Nutze die Maclaurin-Reihe, wenn Null der Ausgangspunkt ist – was oft der Fall ist.

Formel der Maclaurin-Reihe

Die Maclaurin-Formel drückt jede Funktion f(x) als unendliche Summe aus:

Formel der Maclaurin-Reihe

Ausgeschrieben sieht das so aus:

Ausgeschriebene Maclaurin-Formel

Jeder Term hat drei Bestandteile:

• f⁽ⁿ⁾(0) – die n-te Ableitung von f, an der Stelle Null ausgewertet. Sie zeigt, wie sich die Funktion dort verhält

• n! – die Fakultät von n, die jeden Term so skaliert, dass die Reihe für wachsendes n gutartig bleibt

• xⁿ – die n-te Potenz von x, die bestimmt, wie weit sich jeder Term von Null entfernt auswirkt

Der erste Term f(0) setzt den Funktionswert bei Null. Jeder folgende Term fügt eine Korrektur hinzu – passt die Steigung, die Krümmung usw. an –, bis das Polynom die Originalfunktion so genau trifft, wie du es brauchst.

Kurz gesagt: Je mehr Terme du nimmst, desto besser wird die Approximation.

So funktioniert die Maclaurin-Reihe

Eine Maclaurin-Reihe aufzubauen, ist eine wiederkehrende Routine: Ableitungen an der Stelle Null auswerten und die Ergebnisse zu einem Polynom zusammensetzen.

Schritt für Schritt funktioniert das so:

1. Funktion bei Null auswerten: Setze x = 0 in f(x) ein. Das ergibt den ersten Term – die Konstante, die den Startwert des Polynoms festlegt
2. Ableitungen bilden: Berechne f'(x), f''(x), f'''(x) usw. Werte bei jedem Schritt das Ergebnis an der Stelle Null aus. Jeder Wert verrät etwas über das Verhalten der Funktion – ihre Steigung, ihre Krümmung, wie schnell sich die Krümmung ändert
3. Polynom aufbauen: Teile jeden Ableitungswert durch die passende Fakultät und multipliziere mit der entsprechenden Potenz von x

Nun addierst du alle Terme:

So funktioniert die Maclaurin-Reihe

Jeder Term verbessert die Näherung. Der erste trifft den Wert, der zweite die Steigung, der dritte die Krümmung – und so weiter.

Du hörst auf, wenn die Approximation für deinen Zweck genau genug ist – oder machst weiter für mehr Präzision.

Häufige Maclaurin-Entwicklungen

Einige Funktionen tauchen so oft auf, dass sich ihre Maclaurin-Entwicklungen lohnen, auswendig zu kennen. Hier sind die vier wichtigsten.

eˣ

Die Exponentialfunktion ist der einfachste Fall – jede Ableitung von eˣ ist wieder eˣ, sodass jede Ableitung an der Stelle Null gleich 1 ist.

Entwicklung von e^x

Die Koeffizienten sind einfach 1/n!. Die Reihe konvergiert für alle x-Werte und ist daher in der Praxis extrem nützlich.

sin(x)

Die Sinusfunktion liefert eine Reihe nur mit ungeraden Potenzen von x, und die Vorzeichen wechseln ab.

Entwicklung von sin(x)

Die geradzahligen Ableitungen von sin(x) sind an der Stelle Null alle Null, daher fallen diese Terme weg. Übrig bleiben ungerade Potenzen, Fakultäten im Nenner und wechselnde Vorzeichen. Wie bei eˣ konvergiert die Reihe für alle x.

cos(x)

Die Cosinus-Entwicklung ist das Spiegelbild von Sinus – es treten nur gerade Potenzen von x auf, ebenfalls mit wechselnden Vorzeichen.

Entwicklung von cos(x)

Das ist plausibel, denn cos(x) ist die Ableitung von sin(x), und du bekommst diese Reihe, indem du die sin(x)-Entwicklung termweise differenzierst. Die Terme mit ungeraden Potenzen verschwinden aus demselben Grund, aus dem beim Sinus die geraden verschwinden – die Ableitungen bei Null löschen sie aus. Sie konvergiert für alle x.

1 / (1 − x)

Hier ist das Muster am einfachsten: Jeder Koeffizient ist 1 – ohne Fakultäten und ohne Vorzeichenwechsel.

Entwicklung von 1/(1-x)

Das ist eine geometrische Reihe, daher das klare Muster. Im Unterschied zu den drei obigen Funktionen konvergiert diese Reihe aber nur, wenn |x| < 1. Außerhalb dieses Bereichs wachsen die Terme statt gegen Null zu schrumpfen.

Zum Schluss, für alle, die visuell lernen: Hier ist ein Diagrammvergleich aller vier Reihenentwicklungen mit mehreren Termen:

Häufige Maclaurin-Reihen

Funktionen mit Maclaurin-Reihen approximieren

Eine Maclaurin-Reihe braucht selten alle unendlich vielen Terme, um nützlich zu sein. In der Praxis nutzt du eine Partialsumme – die ersten paar Terme – als Approximation.

Je mehr Terme du einbeziehst, desto genauer folgt die Partialsumme der ursprünglichen Funktion. Mit zwei Termen passt es grob nahe Null. Fügst du ein paar hinzu, hält die Näherung weiter draußen. Jeder neue Term korrigiert, was die vorherigen verfehlt haben.

Nehmen wir sin(x) als konkretes Beispiel. Die vollständige Reihe ist:

Formel zur Approximation von sin(x)

Lass uns sin(0,3) mit Partialsummen approximieren und vergleichen, wie nah jede am exakten Wert liegt.

• 1 Term: 0,3 – Fehler ca. 0,0045

• 2 Terme: 0,3 - (0,3³/6) = 0,2955 – Fehler ca. 0,0000196

• 3 Terme: plus (0,3⁵/120) = 0,29552 – Fehler ca. 0,0000000239

Drei Terme liefern bereits Genauigkeit auf sechs Dezimalstellen – das reicht in der Regel. Meist musst du nicht weitergehen.

Und hier dieselbe Idee in Python:

import numpy as np
from math import factorial

def maclaurin_sin(x, n_terms):
    return sum(((-1)**n * x**(2*n+1)) / factorial(2*n+1) for n in range(n_terms))

vec_sin = np.vectorize(maclaurin_sin)
x_val = 0.3

print(f"Approximating sin({x_val}):")
print(f"  Exact value : {np.sin(x_val):.10f}")
for n in [1, 2, 3, 4]:
    approx = maclaurin_sin(x_val, n)
    error = abs(np.sin(x_val) - approx)
    print(f"  {n} term(s)   : {approx:.10f}  |  error: {error:.2e}"

Die Ausführung gibt die Partialsummen und Fehler bei x = 0,3 aus:

Python-Beispiel für die Maclaurin-Approximation von sin(x)

Das lässt sich auch visuell inspizieren:

Diagramm der Maclaurin-Approximation von sin(x)

Du siehst, wie gut jede Approximation der Funktion sin(x) folgt.

Konvergenz von Maclaurin-Reihen

Eine Maclaurin-Reihe funktioniert nicht immer für jeden x-Wert. Bei manchen Funktionen konvergiert die Reihe nur innerhalb eines bestimmten Bereichs um Null gegen den korrekten Wert. Außerhalb wachsen die Partialsummen stattdessen ohne Grenze.

Dieser Bereich heißt Konvergenzradius. Er sagt dir, wie weit von Null entfernt die Reihe verlässlich bleibt.

Das Verhalten hängt von der Funktion ab:

• eˣ, sin(x), cos(x) – konvergieren für alle x. Du kannst jeden Wert einsetzen und die Reihe liefert das richtige Ergebnis

• 1/(1-x) – konvergiert nur, wenn |x| < 1. Bei x = 1 divergiert die Funktion selbst, und die Reihe spiegelt das wider, indem sie in der Nähe dieses Punkts nicht konvergiert

Denk an den Konvergenzradius als einen Vertrauenskreis um Null. Die Reihe ist nur darin eine gültige Näherung.

Du musst den Konvergenzradius nicht immer berechnen. Für Standardfunktionen ist er bekannt. Arbeitest du jedoch mit einer weniger vertrauten Funktion, lohnt es sich, die Konvergenz zu prüfen, bevor du dich auf eine Maclaurin-Näherung verlässt.

Warum Maclaurin-Reihen wichtig sind

Maclaurin-Reihen tauchen in echter Rechenpraxis in Mathematik, Physik und Machine Learning auf.

Numerische Verfahren

Computer werten die meisten Funktionen nicht symbolisch aus – sie rechnen mit Polynomen. Wenn eine Bibliothek sin(x) oder eˣ berechnet, steckt oft eine Polynomapproximation dahinter, abgeleitet aus der Maclaurin- oder Taylor-Entwicklung. Die Reihe liefert eine Form, mit der Hardware schnell und ohne Endlosschleifen rechnen kann.

Physikalische Näherungen

In der Physik nutzt man Maclaurin-Reihen, wann immer eine exakte Lösung zu umständlich ist. Das gängigste Beispiel ist die Kleinwinkelnäherung: Für kleine θ gilt sin(θ) ≈ θ. Das ist einfach der erste Term der Maclaurin-Reihe von sin(x). So werden Pendelgleichungen, optische Rechnungen und Wellenmodelle vereinfacht – aus nichtlinearen Problemen werden lineare, die sich lösen lassen.

Machine Learning und Optimierung

Im Machine Learning stecken Taylor- und Maclaurin-Entwicklungen hinter viel von der Mathematik, der du täglich begegnest. Gradient Descent nutzt lineare (erste Ordnung) Näherungen der Verlustfunktion, um die Richtung festzulegen. Verfahren zweiter Ordnung wie das Newton-Verfahren nutzen die Krümmung. Wenn Forschende das lokale Verhalten einer Loss-Landschaft analysieren, denken sie oft in Taylor-Entwicklungen um einen Punkt.

Auch Aktivierungsfunktionen wie sigmoid und tanh werden in theoretischen Analysen oft per Maclaurin-Reihe approximiert. Als Polynome ausgedrückt, lassen sich Gradienten und Sättigungseffekte leichter untersuchen.

Fazit

Eine Maclaurin-Reihe tut genau eines: Sie approximiert eine Funktion durch ein um Null zentriertes Polynom. Eine einfache Idee mit großer Wirkung.

Von numerischem Rechnen über Physik bis Machine Learning ist das Muster immer gleich: Nimm eine komplexe Funktion, ersetze sie durch ein ausreichend genaues Polynom, und widme dich dem eigentlichen Problem. Die Mathematik hinter Gradient Descent, Kleinwinkelnäherungen und Funktionen in Standardbibliotheken geht auf diese Kernidee zurück.

Die Entwicklungen für eˣ, sin(x), cos(x) und 1/(1-x) solltest du parat haben. Sie kommen so häufig vor, dass Wiedererkennen auf den ersten Blick echte Zeit spart – gerade beim Lesen von Research-Papern.