{
  "id": "stirlings-approximation",
  "title": "斯特林近似",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "斯特林近似描述阶乘和伽马函数的增长，其精细形式可给出系统的修正项和明确的误差界。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "斯特林公式",
    "斯特林近似公式"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/stirlings-approximation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/stirlings-approximation/",
      "json": "https://aiwiki.page/en/stirlings-approximation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "斯特林近似是用于较大正整数的阶乘的渐近展开公式：\n\n\\[n!\\sim \\sqrt{2\\pi n}\\left(\\frac{n}{e}\\right)^n.\\]\n\n这里，\\(e\\) 是自然常数e，符号 \\(\\sim\\) 表示当 \\(n\\) 趋于无穷大时，两边的比值趋于 \\(1\\)。该公式将许多整数的乘积转化为包含幂和指数函数的表达式，在组合数学、概率论、数学分析和数值计算中具有基础性作用。更精确的形式还给出了修正项、严格的误差界，以及对伽马函数的推广。"
    },
    {
      "heading": "基本形式及其含义",
      "text": "对于正整数 \\(n\\)，\n\n\\[n!=1\\cdot2\\cdots n.\\]\n\n斯特林近似表明：\n\n\\[\\lim_{n\\to\\infty} \\frac{n!}{\\sqrt{2\\pi n}(n/e)^n}=1.\\]\n\n这一结论描述的是相对误差，而非绝对误差。尽管相对误差趋于零，\\(n!\\) 与首项近似之间的绝对差值却会无限增大。\n\n取自然对数，可得等价形式：\n\n\\[\\log(n!) = n\\log n-n+\\frac12\\log(2\\pi n) +O\\!\\left(\\frac1n\\right).\\]\n\n大O记号表明了剩余误差随 \\(n\\) 增大时的阶。一个较粗略但常常有用的版本是\n\n\\[\\log(n!)=n\\log n-n+O(\\log n).\\]\n\n主项 \\(n\\log n\\) 刻画了对数增长的主要部分。要使估计在乘法意义上准确，减去 \\(n\\) 至关重要；而因子 \\(\\sqrt{2\\pi n}\\) 则提供了达到渐近等价所需的归一化。\n\n例如，\n\n\\[10!=3{,}628{,}800,\\]\n\n而\n\n\\[\\sqrt{20\\pi}\\left(\\frac{10}{e}\\right)^{10} \\approx3{,}598{,}695.62.\\]\n\n首项近似比真实值约小 \\(0.83\\%\\)。只加入一个修正项，就能将相对误差降至约 \\(0.0032\\%\\)。"
    },
    {
      "heading": "历史发展",
      "text": "该公式源于十八世纪初对阶乘和概率的研究。亚伯拉罕·德莫弗得到了如下形式的近似：\n\n\\[n!\\sim C\\sqrt n\\left(\\frac ne\\right)^n,\\]\n\n其中常数 \\(C\\) 最初尚未确定。詹姆斯·斯特林确定了这个常数为 \\(\\sqrt{2\\pi}\\)。两人的成果发表于1730年前后。\n\n因此，两人在历史上的贡献是互补的：德莫弗确立了主要的渐近结构，斯特林则确定了如今常见公式中的常数。后来，求和方法与渐近分析的发展产生了系统的修正级数，即现在通常所称的斯特林级数。"
    },
    {
      "heading": "修正项与严格的界",
      "text": "更精细的乘法形式展开为\n\n\\[n!\\sim \\sqrt{2\\pi n}\\left(\\frac ne\\right)^n \\left( 1+\\frac{1}{12n} +\\frac{1}{288n^2} -\\frac{139}{51840n^3} -\\frac{571}{2488320n^4} +\\cdots \\right).\\]\n\n相应的对数展开结构更为简单：\n\n\\[\\log(n!) \\sim \\left(n+\\frac12\\right)\\log n-n +\\frac12\\log(2\\pi) +\\frac{1}{12n} -\\frac{1}{360n^3} +\\frac{1}{1260n^5} -\\frac{1}{1680n^7} +\\cdots.\\]\n\n更一般地，对于固定的非负整数 \\(m\\)，\n\n\\[\\log(n!) = \\left(n+\\frac12\\right)\\log n-n +\\frac12\\log(2\\pi) + \\sum_{k=1}^{m} \\frac{B_{2k}}{2k(2k-1)n^{2k-1}} +R_m(n),\\]\n\n其中 \\(B_{2k}\\) 为伯努利数；当 \\(m=0\\) 时，该求和为空。\n\n对于正数 \\(n\\)，余项的符号与第一个被略去的项相同，并满足\n\n\\[0<(-1)^mR_m(n) < \\frac{|B_{2m+2}|}{(2m+2)(2m+1)n^{2m+1}}.\\]\n\n因此，对数级数的截断既给出了近似，也直接给出了其误差界。\n\n一组特别方便的上下界通常称为罗宾斯界，对每个整数 \\(n\\geq1\\) 都成立：\n\n\\[\\sqrt{2\\pi n}\\left(\\frac ne\\right)^n e^{1/(12n+1)} < n! < \\sqrt{2\\pi n}\\left(\\frac ne\\right)^n e^{1/(12n)}.\\]\n\n这些不等式特别表明，斯特林首项表达式总是低估 \\(n!\\)。\n\n渐近级数，而非收敛级数\n\n在自变量固定时，斯特林修正级数若被视为无穷级数，通常是发散的。它的意义在于渐近性质：保留任意固定数量的项，在 \\(n\\to\\infty\\) 时就能达到所述阶的精度。\n\n这与收敛的泰勒级数不同；对于后者，在适当的定义域内不断增加项数，就会趋近于函数值。在发散的渐近展开中，各项的大小通常先减小、后增大。在最小项附近截断往往有效；继续保留远超这一位置的项，反而可能使近似变差。"
    },
    {
      "heading": "公式的由来",
      "text": "两种方法分别解释了斯特林公式的不同特征。\n\n求和与欧拉–麦克劳林公式\n\n取对数可将阶乘的乘积转化为和：\n\n\\[\\log(n!)=\\sum_{k=1}^{n}\\log k.\\]\n\n用积分可得到初步近似：\n\n\\[\\int_1^n\\log x\\,dx=n\\log n-n+1.\\]\n\n这解释了主导项 \\(n\\log n-n\\)，但尚未给出完整的归一化。\n\n欧拉–麦克劳林公式通过添加端点修正项和导数修正项，细化了求和与积分之间的关系。将其应用于 \\(\\log x\\)，便得到斯特林对数展开，其中包括 \\(\\frac12\\log n\\) 项和 \\(n\\) 的负奇数次幂项。\n\n确定常数项还需要额外的归一化论证。一种经典方法利用表示 \\(\\pi\\) 的沃利斯乘积，得到常数 \\(\\frac12\\log(2\\pi)\\)。\n\n伽马积分与高斯集中现象\n\n伽马函数给出如下精确表示：\n\n\\[n!=\\Gamma(n+1)=\\int_0^\\infty t^ne^{-t}\\,dt.\\]\n\n被积函数在 \\(t=n\\) 处达到最大值。令\n\n\\[t=n+\\sqrt n\\,u.\\]\n\n对于固定的 \\(u\\)，展开指数可得\n\n\\[n\\log t-t = n\\log n-n-\\frac{u^2}{2} +O\\!\\left(\\frac{|u|^3}{\\sqrt n}\\right).\\]\n\n由于 \\(dt=\\sqrt n\\,du\\)，主要贡献近似为\n\n\\[n^ne^{-n}\\sqrt n \\int_{-\\infty}^{\\infty}e^{-u^2/2}\\,du.\\]\n\n高斯积分等于 \\(\\sqrt{2\\pi}\\)，于是得到\n\n\\[n!\\sim\\sqrt{2\\pi n}(n/e)^n.\\]\n\n这是拉普拉斯方法的一个实例：当被积函数高度集中在某个最大值点附近时，可在局部用二次函数替代其指数，从而近似计算积分。严格证明还需控制远离该最大值点的部分对积分的贡献。"
    },
    {
      "heading": "推广到伽马函数",
      "text": "对于正实数 \\(x\\)，斯特林公式可推广为\n\n\\[\\Gamma(x) \\sim \\sqrt{2\\pi}\\,x^{x-\\frac12}e^{-x}.\\]\n\n等价地，\n\n\\[\\Gamma(x+1) \\sim \\sqrt{2\\pi x}\\left(\\frac xe\\right)^x.\\]\n\n必须仔细区分这两个表达式：由于 \\(\\Gamma(x+1)=x\\Gamma(x)\\)，自变量的平移会改变 \\(x\\) 的幂次。\n\n对于复数变量 \\(z\\)，对数展开为\n\n\\[\\log\\Gamma(z) \\sim \\left(z-\\frac12\\right)\\log z-z +\\frac12\\log(2\\pi) + \\sum_{k=1}^{\\infty} \\frac{B_{2k}}{2k(2k-1)z^{2k-1}}.\\]\n\n在对数分支选取相容的条件下，当 \\(|z|\\to\\infty\\) 时，这一展开在闭扇形区域\n\n\\[|\\arg z|\\leq\\pi-\\delta, \\qquad \\delta>0,\\]\n\n内一致成立。\n\n这一扇形限制排除了负实轴的一个邻域；伽马函数在非正整数处有极点，而在负实轴附近，对数分支问题也变得重要。正实数情形下的误差界不能原封不动地用于任意复数自变量。"
    },
    {
      "heading": "应用",
      "text": "计数与组合数学\n\n组合数学中的许多量都可表示为阶乘之比。对于二项式系数，对其中三个阶乘分别应用斯特林公式，可得\n\n\\[\\binom nk \\sim \\frac{1}{\\sqrt{2\\pi n p(1-p)}} \\exp\\!\\left(nH(p)\\right), \\qquad p=\\frac kn,\\]\n\n条件是 \\(k\\to\\infty\\) 且 \\(n-k\\to\\infty\\)。这里\n\n\\[H(p)=-p\\log p-(1-p)\\log(1-p)\\]\n\n是用自然对数度量的二元信息熵。\n\n当 \\(p\\) 与 \\(0\\) 和 \\(1\\) 始终保持一定距离时，这一近似尤其便于使用。如果在 \\(n\\) 增大时 \\(k\\) 保持固定，那么用斯特林首项近似替代 \\(k!\\)，并不能使相对误差趋于零。\n\n一个重要的特例是中心二项式系数：\n\n\\[\\binom{2n}{n}\\sim\\frac{4^n}{\\sqrt{\\pi n}}.\\]\n\n这类估计描述了许多组合序列的增长。\n\n概率与统计\n\n斯特林近似可将涉及阶乘的离散概率转化为便于处理的表达式。对于成功概率固定为 \\(p\\in(0,1)\\) 的二项分布，它导出局部高斯近似\n\n\\[\\Pr(X=k) \\sim \\frac{1}{\\sqrt{2\\pi np(1-p)}} \\exp\\!\\left( -\\frac{(k-np)^2}{2np(1-p)} \\right)\\]\n\n该式在 \\(n\\to\\infty\\) 且 \\(k-np=O(\\sqrt n)\\) 时成立。\n\n这将阶乘估计与正态分布和中心极限定理联系起来。上述近似针对中心区域内各个点的概率质量；在远端尾部，它并不自动成为相对误差趋于零的近似。\n\n该公式也用于涉及泊松分布、多项分布、似然以及渐近归一化常数的计算。\n\n数值计算\n\n阶乘增长过快，许多标准的浮点运算格式都无法直接表示。计算\n\n\\[\\log(n!) \\approx \\left(n+\\frac12\\right)\\log n-n +\\frac12\\log(2\\pi) +\\frac{1}{12n} -\\frac{1}{360n^3}\\]\n\n可避免直接求出 \\(n!\\) 本身的巨大数值。\n\n对数计算对于阶乘的乘积和比值尤其有用，例如二项概率和似然函数。不过，几个数值很大且十分接近的对数相减，仍可能造成相消和精度损失。因此，可靠的实现会结合使用渐近公式、通过伽马函数递推关系调整自变量，以及专门保证数值稳定性的方法。"
    },
    {
      "heading": "精度与局限",
      "text": "首项近似的相对误差为\n\n\\[\\frac{n!}{\\sqrt{2\\pi n}(n/e)^n}-1 = \\frac{1}{12n}+O(n^{-2}).\\]\n\n因此，其误差大致按 \\(1/n\\) 的速率减小。加入因子 \\(1+1/(12n)\\)，可将相对误差降至 \\(n^{-2}\\) 阶。\n\n有几点重要区别需要注意：\n\n- 达到渐近精度需要足够大的自变量。 精确的不等式对于较小的正整数仍然成立，但截断近似的相对误差可能依然很大。\n- 绝对误差和相对误差的表现不同。 对于巨大的阶乘，即使相对误差很小，也可能对应非常大的绝对差值。\n- 项数更多并不总意味着精度更高。 修正级数是渐近的，而非收敛的。\n- 对每个阶乘作近似，都需要检查其自变量。 在 \\(n!/[k!(n-k)!]\\) 这样的比值中，仅有 \\(n\\) 很大，并不能保证 \\(k\\) 和 \\(n-k\\) 也很大。\n- 复数自变量需要控制适用区域和分支。 正实数情形下的误差界不能不加区分地用于整个复平面。"
    }
  ],
  "links": [
    "factorial",
    "asymptotic-expansion",
    "e-mathematical-constant",
    "natural-logarithm",
    "big-o-notation",
    "bernoulli-numbers",
    "infinite-series",
    "taylor-series",
    "integral",
    "gamma-function",
    "laplaces-method",
    "complex-number",
    "combinatorics",
    "binomial-coefficient",
    "information-entropy",
    "binomial-distribution",
    "normal-distribution",
    "central-limit-theorem",
    "floating-point-arithmetic",
    "numerical-stability"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}