aiwiki.page
中文
数学 / 分析与微积分 / stirlings-approximation

斯特林近似

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。

21 个关键词8 个词条链接到这里1 个尚未撰写AI 撰写
阶乘渐近展开欧拉数自然对数大 O 记号伯努利数无穷级数泰勒级数斯特林近似

斯特林近似是用于较大正整数的阶乘的渐近展开公式:

n!∼2πn(ne)n.n!\sim \sqrt{2\pi n}\left(\frac{n}{e}\right)^n.

这里,ee 是自然常数e,符号 ∼\sim 表示当 nn 趋于无穷大时,两边的比值趋于 11。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。

基本形式及其含义

对于正整数 nn,

n!=1⋅2⋯n.n!=1\cdot2\cdots n.

斯特林近似表明:

lim⁡n→∞n!2πn(n/e)n=1.\lim_{n\to\infty} \frac{n!}{\sqrt{2\pi n}(n/e)^n}=1.

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!n! 与首项近似之间的绝对差值却会无限增大。

取自然对数,可得等价形式:

log⁡(n!)=nlog⁡n−n+12log⁡(2πn)+O ⁣(1n).\log(n!) = n\log n-n+\frac12\log(2\pi n) +O\!\left(\frac1n\right).

大O记号表明了剩余误差随 nn 增大时的阶。一个较粗略但常常有用的版本是

log⁡(n!)=nlog⁡n−n+O(log⁡n).\log(n!)=n\log n-n+O(\log n).

主项 nlog⁡nn\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 nn 至关重要;而因子 2πn\sqrt{2\pi n} 则提供了达到渐近等价所需的归一化。

例如,

10!=3,628,800,10!=3{,}628{,}800,

而

20π(10e)10≈3,598,695.62.\sqrt{20\pi}\left(\frac{10}{e}\right)^{10} \approx3{,}598{,}695.62.

首项近似比真实值约小 0.83%0.83\%。只加入一个修正项,就能将相对误差降至约 0.0032%0.0032\%。

历史发展

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!∼Cn(ne)n,n!\sim C\sqrt n\left(\frac ne\right)^n,

其中常数 CC 最初尚未确定。詹姆斯·斯特林确定了这个常数为 2π\sqrt{2\pi}。两人的成果发表于1730年前后。

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。

修正项与严格的界

更精细的乘法形式展开为

n!∼2πn(ne)n(1+112n+1288n2−13951840n3−5712488320n4+⋯ ).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).

相应的对数展开结构更为简单:

log⁡(n!)∼(n+12)log⁡n−n+12log⁡(2π)+112n−1360n3+11260n5−11680n7+⋯ .\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.

更一般地,对于固定的非负整数 mm,

log⁡(n!)=(n+12)log⁡n−n+12log⁡(2π)+∑k=1mB2k2k(2k−1)n2k−1+Rm(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),

其中 B2kB_{2k} 为伯努利数;当 m=0m=0 时,该求和为空。

对于正数 nn,余项的符号与第一个被略去的项相同,并满足

0<(−1)mRm(n)<∣B2m+2∣(2m+2)(2m+1)n2m+1.0<(-1)^mR_m(n) < \frac{|B_{2m+2}|}{(2m+2)(2m+1)n^{2m+1}}.

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。

一组特别方便的上下界通常称为罗宾斯界,对每个整数 n≥1n\geq1 都成立:

2πn(ne)ne1/(12n+1)<n!<2πn(ne)ne1/(12n).\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)}.

这些不等式特别表明,斯特林首项表达式总是低估 n!n!。

渐近级数,而非收敛级数

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→∞n\to\infty 时就能达到所述阶的精度。

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。

公式的由来

两种方法分别解释了斯特林公式的不同特征。

求和与欧拉–麦克劳林公式

取对数可将阶乘的乘积转化为和:

log⁡(n!)=∑k=1nlog⁡k.\log(n!)=\sum_{k=1}^{n}\log k.

用积分可得到初步近似:

∫1nlog⁡x dx=nlog⁡n−n+1.\int_1^n\log x\,dx=n\log n-n+1.

这解释了主导项 nlog⁡n−nn\log n-n,但尚未给出完整的归一化。

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\log x,便得到斯特林对数展开,其中包括 12log⁡n\frac12\log n 项和 nn 的负奇数次幂项。

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 π\pi 的沃利斯乘积,得到常数 12log⁡(2π)\frac12\log(2\pi)。

伽马积分与高斯集中现象

伽马函数给出如下精确表示:

n!=Γ(n+1)=∫0∞tne−t dt.n!=\Gamma(n+1)=\int_0^\infty t^ne^{-t}\,dt.

被积函数在 t=nt=n 处达到最大值。令

t=n+n u.t=n+\sqrt n\,u.

对于固定的 uu,展开指数可得

nlog⁡t−t=nlog⁡n−n−u22+O ⁣(∣u∣3n).n\log t-t = n\log n-n-\frac{u^2}{2} +O\!\left(\frac{|u|^3}{\sqrt n}\right).

由于 dt=n dudt=\sqrt n\,du,主要贡献近似为

nne−nn∫−∞∞e−u2/2 du.n^ne^{-n}\sqrt n \int_{-\infty}^{\infty}e^{-u^2/2}\,du.

高斯积分等于 2π\sqrt{2\pi},于是得到

n!∼2πn(n/e)n.n!\sim\sqrt{2\pi n}(n/e)^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。

推广到伽马函数

对于正实数 xx,斯特林公式可推广为

Γ(x)∼2π xx−12e−x.\Gamma(x) \sim \sqrt{2\pi}\,x^{x-\frac12}e^{-x}.

等价地,

Γ(x+1)∼2πx(xe)x.\Gamma(x+1) \sim \sqrt{2\pi x}\left(\frac xe\right)^x.

必须仔细区分这两个表达式:由于 Γ(x+1)=xΓ(x)\Gamma(x+1)=x\Gamma(x),自变量的平移会改变 xx 的幂次。

对于复数变量 zz,对数展开为

log⁡Γ(z)∼(z−12)log⁡z−z+12log⁡(2π)+∑k=1∞B2k2k(2k−1)z2k−1.\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}}.

在对数分支选取相容的条件下,当 ∣z∣→∞|z|\to\infty 时,这一展开在闭扇形区域

∣arg⁡z∣≤π−δ,δ>0,|\arg z|\leq\pi-\delta, \qquad \delta>0,

内一致成立。

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。

应用

计数与组合数学

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

(nk)∼12πnp(1−p)exp⁡ ⁣(nH(p)),p=kn,\binom nk \sim \frac{1}{\sqrt{2\pi n p(1-p)}} \exp\!\left(nH(p)\right), \qquad p=\frac kn,

条件是 k→∞k\to\infty 且 n−k→∞n-k\to\infty。这里

H(p)=−plog⁡p−(1−p)log⁡(1−p)H(p)=-p\log p-(1-p)\log(1-p)

是用自然对数度量的二元信息熵。

当 pp 与 00 和 11 始终保持一定距离时,这一近似尤其便于使用。如果在 nn 增大时 kk 保持固定,那么用斯特林首项近似替代 k!k!,并不能使相对误差趋于零。

一个重要的特例是中心二项式系数:

(2nn)∼4nπn.\binom{2n}{n}\sim\frac{4^n}{\sqrt{\pi n}}.

这类估计描述了许多组合序列的增长。

概率与统计

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∈(0,1)p\in(0,1) 的二项分布,它导出局部高斯近似

Pr⁡(X=k)∼12πnp(1−p)exp⁡ ⁣(−(k−np)22np(1−p))\Pr(X=k) \sim \frac{1}{\sqrt{2\pi np(1-p)}} \exp\!\left( -\frac{(k-np)^2}{2np(1-p)} \right)

该式在 n→∞n\to\infty 且 k−np=O(n)k-np=O(\sqrt n) 时成立。

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。

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。

数值计算

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

log⁡(n!)≈(n+12)log⁡n−n+12log⁡(2π)+112n−1360n3\log(n!) \approx \left(n+\frac12\right)\log n-n +\frac12\log(2\pi) +\frac{1}{12n} -\frac{1}{360n^3}

可避免直接求出 n!n! 本身的巨大数值。

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。

精度与局限

首项近似的相对误差为

n!2πn(n/e)n−1=112n+O(n−2).\frac{n!}{\sqrt{2\pi n}(n/e)^n}-1 = \frac{1}{12n}+O(n^{-2}).

因此,其误差大致按 1/n1/n 的速率减小。加入因子 1+1/(12n)1+1/(12n),可将相对误差降至 n−2n^{-2} 阶。

有几点重要区别需要注意:

  • 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。
  • 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。
  • 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。
  • 对每个阶乘作近似,都需要检查其自变量。 在 n!/[k!(n−k)!]n!/[k!(n-k)!] 这样的比值中,仅有 nn 很大,并不能保证 kk 和 n−kn-k 也很大。
  • 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。