{
  "id": "multinomial-coefficient",
  "title": "多项式系数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "多项式系数用于计算各类别数量给定时的排列数，也是和的幂展开式中相应项的系数。",
  "category": "mathematics",
  "subcategory": "discrete-logic",
  "type": "concept",
  "aliases": [
    "多项系数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/multinomial-coefficient/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/multinomial-coefficient/",
      "json": "https://aiwiki.page/en/multinomial-coefficient.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "多项式系数是一个非负整数，表示将 \\(n\\) 个不同对象分配到大小指定、带有标号的各组中的方法数，也表示每种符号出现次数指定时不同序列的数量。它将二项式系数从两组的情形推广到了任意有限组的情形。多项式系数出现在组合数学、和的幂的展开式，以及涉及多种可能结果的概率计算中。"
    },
    {
      "heading": "定义与记号",
      "text": "对于满足\n\n\\[n_1+\\cdots+n_k=n,\\]\n\n的非负整数 \\(n_1,\\ldots,n_k\\)，多项式系数定义为\n\n\\[\\binom{n}{n_1,n_2,\\ldots,n_k} =\\frac{n!}{n_1!n_2!\\cdots n_k!},\\]\n\n其中 \\(m!\\) 表示 \\(m\\) 的阶乘，并规定 \\(0!=1\\)。\n\n上方参数表示对象或位置的总数，下方参数表示各类别的数量。有些记号省略上方参数，因为它可以由下方参数确定。\n\n对于两个类别，\n\n\\[\\binom{n}{r,n-r}=\\binom{n}{r}.\\]\n\n对于一个类别，系数为 \\(1\\)。若 \\(n=0\\)，则所有类别的数量均为零，系数也为 \\(1\\)，对应唯一的空排列。\n\n阶乘形式的定义要求所有下方参数均为非负数，且其和等于上方参数。在递推式和系数公式中，常将不满足这些条件的整数参数组所对应的值定义为零，以便使用。"
    },
    {
      "heading": "计数解释",
      "text": "将不同对象分配到带标号的组中\n\n设将 \\(n\\) 个不同对象分配到 \\(k\\) 个带标号的组中，要求第 \\(i\\) 组恰好包含 \\(n_i\\) 个对象。分配方法数为\n\n\\[\\binom{n}{n_1,\\ldots,n_k}.\\]\n\n为说明这一点，可以先将全部 \\(n\\) 个对象排成一行，再依次切分为长度为 \\(n_1,\\ldots,n_k\\) 的连续区块。最初共有 \\(n!\\) 种排列。任一区块内部对象的重新排列不会改变分组结果，因此每种分配方法都被重复计算了 \\(n_1!\\cdots n_k!\\) 次。\n\n组的标号至关重要。若各组不带标号，计数问题就变成了集合划分问题，可能需要额外调整。例如，将 \\(n=kr\\) 个不同对象分成 \\(k\\) 个不带标号的组，且每组的大小均为正整数 \\(r\\)，其方法数为\n\n\\[\\frac{n!}{(r!)^k k!}.\\]\n\n含重复符号的排列\n\n同一个系数也表示长度为 \\(n\\)、其中符号 \\(i\\) 出现 \\(n_i\\) 次的不同序列的数量。这通常称为多重集的置换计数。\n\n例如，单词 BANANA 包含三个 A、两个 N 和一个 B。其不同字母排列的数量为\n\n\\[\\binom{6}{3,2,1} =\\frac{6!}{3!\\,2!\\,1!} =60.\\]\n\n尽管相同符号的各个副本无法区分，但它们在序列中的位置是可以区分的。选择每种符号占据哪些位置，等价于将这些位置分配到带标号的组中。\n\n格路径\n\n考虑整数格中从原点到 \\((n_1,\\ldots,n_k)\\) 的路径，其中每一步恰好使一个坐标增加 \\(1\\)。每条路径都包含沿第 \\(i\\) 个坐标方向的 \\(n_i\\) 步，因此路径数为\n\n\\[\\binom{n_1+\\cdots+n_k}{n_1,\\ldots,n_k}.\\]\n\n这一解释适用于没有禁止经过的顶点或边界约束等额外限制的情形。"
    },
    {
      "heading": "多项式定理",
      "text": "多项式定理指出，\n\n\\[(x_1+\\cdots+x_k)^n = \\sum_{\\substack{n_1,\\ldots,n_k\\geq0\\\\ n_1+\\cdots+n_k=n}} \\binom{n}{n_1,\\ldots,n_k} x_1^{n_1}\\cdots x_k^{n_k}.\\]\n\n因此，多项式系数就是展开后的多项式中相应单项式的系数。当 \\(k=2\\) 时，这就是二项式定理。\n\n将这个幂看成 \\(n\\) 个相同的和式的乘积，即可得到该公式。要得到 \\(x_1^{n_1}\\cdots x_k^{n_k}\\)，必须恰好从 \\(n_i\\) 个因式中选取 \\(x_i\\)。这样的选择方法数就是多项式系数。\n\n例如，\n\n\\[(x+y+z)^3 =x^3+y^3+z^3 +3x^2y+3x^2z+3xy^2 +3y^2z+3xz^2+3yz^2+6xyz.\\]\n\n其中 \\(xyz\\) 的系数为\n\n\\[\\binom{3}{1,1,1}=6.\\]\n\n该定理适用于彼此可交换的变量，包括交换环中的元素。对于任意不可交换的量，这一形式并不适用，因为 \\(xy\\) 和 \\(yx\\) 这样的项未必相等。"
    },
    {
      "heading": "恒等式与递推式",
      "text": "对称性与逐次选取\n\n任意重排下方参数，系数都保持不变：\n\n\\[\\binom{n}{n_1,\\ldots,n_k} = \\binom{n}{n_{\\sigma(1)},\\ldots,n_{\\sigma(k)}}\\]\n\n其中 \\(\\sigma\\) 是类别下标的任意一个置换。\n\n多项式系数也可以写成二项式系数的乘积：\n\n\\[\\binom{n}{n_1,\\ldots,n_k} = \\prod_{i=1}^{k} \\binom{n-\\sum_{j<i}n_j}{n_i}.\\]\n\n这对应于先选出第一组，再从剩余对象中选出第二组，如此继续。这也证明了阶乘之比是整数。\n\n帕斯卡型递推式\n\n对于 \\(n\\geq1\\)，\n\n\\[\\binom{n}{n_1,\\ldots,n_k} = \\sum_{\\substack{1\\leq i\\leq k\\\\n_i>0}} \\binom{n-1}{n_1,\\ldots,n_i-1,\\ldots,n_k}.\\]\n\n按照序列的最后一个符号分类，即可得到这一递推关系。它推广了二项式系数的帕斯卡递推式。\n\n所有系数之和\n\n在多项式定理中令每个变量都等于 \\(1\\)，可得\n\n\\[\\sum_{\\substack{n_1+\\cdots+n_k=n\\\\n_i\\geq0}} \\binom{n}{n_1,\\ldots,n_k} =k^n.\\]\n\n从组合计数的角度看，两边都表示由 \\(k\\) 种符号组成的所有长度为 \\(n\\) 的序列的数量。\n\n该求和式中计数向量的数量为\n\n\\[\\binom{n+k-1}{k-1}.\\]\n\n它计算的是各类别数量的可能组合，而不是序列数，不应将其与单个多项式系数混淆。"
    },
    {
      "heading": "概率与统计",
      "text": "设进行 \\(n\\) 次统计独立的试验，每次试验都有 \\(k\\) 种可能结果，各结果的概率固定为 \\(p_1,\\ldots,p_k\\)，且满足\n\n\\[p_i\\geq0,\\qquad \\sum_{i=1}^{k}p_i=1.\\]\n\n令随机变量 \\(N_i\\) 表示结果 \\(i\\) 出现的次数。该计数向量服从多项分布，其概率质量函数为\n\n\\[\\Pr(N_1=n_1,\\ldots,N_k=n_k) = \\binom{n}{n_1,\\ldots,n_k} \\prod_{i=1}^{k}p_i^{n_i}.\\]\n\n当某个类别的概率和出现次数均为零时，将其对应的因子解释为 \\(1\\)。\n\n满足这些计数的每个特定结果序列，其概率均为 \\(\\prod_i p_i^{n_i}\\)。多项式系数给出了构成该事件的这类序列的数量。\n\n例如，独立投掷一枚均匀骰子六次，每一面恰好出现一次的概率为\n\n\\[\\binom{6}{1,1,1,1,1,1}\\left(\\frac16\\right)^6 =\\frac{6!}{6^6}.\\]\n\n当只有两种结果时，多项分布就化为二项分布。根据固定计数向量进行最大似然估计时，多项式系数不随未知概率而变化。因此，在寻找使似然最大的参数时，可以将它省略，但它仍然是概率质量函数的一部分。"
    },
    {
      "heading": "计算与渐近大小",
      "text": "直接计算阶乘可能产生非常大的中间值。精确计算时，可以改用逐次选取所对应的二项式系数乘积，必要时采用任意精度整数运算。\n\n对于近似计算，特别是在只需要对数值时，可以使用\n\n\\[\\log\\binom{n}{n_1,\\ldots,n_k} = \\log\\Gamma(n+1)-\\sum_{i=1}^{k}\\log\\Gamma(n_i+1),\\]\n\n其中 \\(\\Gamma\\) 为伽马函数。采用对数计算可避免直接计算巨大阶乘所导致的溢出，不过相消和舍入仍可能影响精度。\n\n斯特林近似描述了系数的增长规律。记 \\(q_i=n_i/n\\)。当 \\(k\\) 固定，且随着 \\(n\\) 增大，所有比例始终与零保持一定距离时，\n\n\\[\\binom{n}{n_1,\\ldots,n_k} \\sim \\frac{\\exp\\!\\bigl(nH(q)\\bigr)} {(2\\pi n)^{(k-1)/2}\\sqrt{q_1\\cdots q_k}},\\]\n\n其中\n\n\\[H(q)=-\\sum_{i=1}^{k}q_i\\log q_i\\]\n\n是以自然对数定义的信息熵。\n\n这一公式将给定类别数量的排列与信息论联系起来：其主要的指数增长率由熵决定。若某些类别的数量始终很小或为零，上述近似就不能直接用于这些类别。\n\n对于固定的 \\(n\\) 和 \\(k\\)，当各类别数量相差不超过一时，系数最大。事实上，若 \\(n_i\\geq n_j+2\\)，将 \\(n_i\\) 减少一、同时将 \\(n_j\\) 增加一，会使系数乘以\n\n\\[\\frac{n_i}{n_j+1}>1.\\]\n\n因此，反复调整不均衡的类别数量会使系数不断增大，直至各类别数量尽可能相等。"
    }
  ],
  "links": [
    "binomial-coefficient",
    "combinatorics",
    "probability",
    "factorial",
    "set-partition",
    "permutation",
    "polynomial",
    "binomial-theorem",
    "recurrence-relation",
    "statistical-independence",
    "random-variable",
    "probability-mass-function",
    "binomial-distribution",
    "maximum-likelihood-estimation",
    "gamma-function",
    "stirlings-approximation",
    "information-entropy",
    "information-theory"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}