Appearance
混合大型运算的计算方式
摘要
在高等数学和数学分析中，我们经常面对同时涉及求和（Summation）、求积（Product）、积分（Integration） 和级数（Series） 的混合运算。这类运算的难点在于：直接硬算往往不可行，必须运用次序交换、级数展开、渐进估计等高级技巧来化简。本文系统梳理混合大型运算的核心策略与经典方法，每节配套详细例题与完整推导，帮助读者建立从识别问题类型到选择合适工具的完整思路链。
知识图谱
求和式的计算方式 | 求积式的计算方式 | 数列与微分方程核心方法：原理、推导及线性代数本质 | 微积分 | 定积分与积分应用 | 幂和公式及推导 | 不等式证明方法综述 | 微分方程 | 伯努利不等式
一、混合运算的基本策略
1.1 混合运算的分类
在大型运算中，常见的混合类型主要有三种：
| 类型 | 形式 | 典型场景 |
|---|---|---|
| 求和 + 求积 | $\sum \prod$或$\prod \sum$ | 多项式展开、韦达定理应用 |
| 求和 + 积分 | $\sum \int$或$\int \sum$ | 级数和、含参积分 |
| 求积 + 积分 | $\prod \int$或$\int \prod$ | 无穷乘积、概率论中的矩 |
1.2 四大基本策略
处理混合运算有四条核心思路，层层递进：
策略一：分离变量 (Separation of Variables) 将混合运算拆分为独立的部分分别处理。例如 $\sum_{k=1}^n \int_a^b f_k(x) g(x)\thinspace{}dx$中，若$g(x)$与$k$无关，则$g(x)$ 可提到求和号外。
策略二：交换次序 (Interchange of Order) 在满足一定条件下（一致收敛、绝对可积等），交换 $\sum$与$\int$、$\sum$与$\sum$、$\int$与$\int$ 的次序，使运算变得可行。
策略三：递推降阶 (Recursive Reduction) 利用递推关系将高维/高阶问题降解为低维/低阶问题，逐层求解。
策略四：渐进估计 (Asymptotic Estimation) 当精确解不可求时，用渐进方法（大O、拉普拉斯方法、鞍点法）获得主导项。
1.3 运算优先级与符号规范
运算优先级
混合运算中，先内后外是基本原则：
- 最内层的积分/求和/求积运算符先计算
- 若运算符之间可以交换次序，优先选择使计算简单的顺序
- 先化简再计算：能用恒等式化简的部分先化简
符号规范：
- 求和：$\displaystyle\sum_{k=m}^{n} a_k$，无穷和记 $\displaystyle\sum_{k=1}^{\infty} a_k$
- 求积：$\displaystyle\prod_{k=1}^{n} a_k$
- 积分：$\displaystyle\int_a^b f(x)\thinspace{}dx$
- 多重运算：用括号明确优先级，如 $\displaystyle\sum_{k=1}^{n}\left(\int_0^1 f_k(x)\thinspace{}dx\right)$
二、求和与积分次序交换
2.1 有限和与积分的交换
对于有限和，积分与求和总是可以直接交换：
$$ \boxed{\int_a^b \sum_{k=1}^{n} f_k(x)\thinspace{}dx = \sum_{k=1}^{n} \int_a^b f_k(x)\thinspace{}dx} $$
这是因为有限和的积分等于积分的有限和，无需任何附加条件。
例题 2.1：计算 $\displaystyle\int_0^1 \sum_{k=1}^{n} k x^{k-1}\thinspace{}dx$
方法一：先积分后求和
$$ \int_0^1 \sum_{k=1}^{n} k x^{k-1}\thinspace{}dx = \int_0^1 \left(1 + 2x + 3x^2 + \cdots + n x^{n-1}\right) dx $$
注意到 $\sum_{k=1}^{n} k x^{k-1} = \frac{d}{dx}\left(\sum_{k=0}^{n} x^k\right) = \frac{d}{dx}\left(\frac{1-x^{n+1}}{1-x}\right)$。
计算导数： $$ \frac{d}{dx}\left(\frac{1-x^{n+1}}{1-x}\right) = \frac{-(n+1)x^n(1-x) + (1-x^{n+1})}{(1-x)^2} $$
直接积分比较复杂，换方法二。
方法二：先求和后积分（交换次序）
$$ \begin{aligned} \int_0^1 \sum_{k=1}^{n} k x^{k-1}\thinspace{}dx &= \sum_{k=1}^{n} k \int_0^1 x^{k-1}\thinspace{}dx \newline &= \sum_{k=1}^{n} k \cdot \left[\frac{x^k}{k}\right]_0^1 \newline &= \sum_{k=1}^{n} k \cdot \frac{1}{k} = \sum_{k=1}^{n} 1 = n \end{aligned} $$
两种方法结果一致，但交换次序后计算极其简单。这说明了选择正确的运算顺序的重要性。
2.2 无穷级数与积分的交换（逐项积分定理）
对于无穷级数，交换积分与求和需要一致收敛（Uniform Convergence）的条件。
逐项积分定理 (Term-by-Term Integration Theorem)
若 $\lbrace f_n(x)\rbrace $在$[a,b]$上连续，且$\sum f_n(x)$在$[a,b]$ 上一致收敛，则： $$ \int_a^b \sum_{n=1}^{\infty} f_n(x)\thinspace{}dx = \sum_{n=1}^{\infty} \int_a^b f_n(x)\thinspace{}dx $$
幂级数的特殊性质：幂级数 $\sum a_n x^n$ 在其收敛区间内内闭一致收敛，因此可以在收敛区间内逐项积分和逐项求导。
例题 2.2：利用 $\displaystyle\sum_{n=0}^{\infty} x^n = \frac{1}{1-x}$逐项积分求$\ln(1+x)$ 的级数展开
推导：
已知几何级数：$\displaystyle\sum_{n=0}^{\infty} t^n = \frac{1}{1-t}$，$|t| < 1$。
将 $t$替换为$-t$： $$ \sum_{n=0}^{\infty} (-1)^n t^n = \frac{1}{1+t}, \quad |t| < 1 $$
两边从 $0$到$x$ 积分（$|x| < 1$）：
$$ \begin{aligned} \int_0^x \frac{1}{1+t}\thinspace{}dt &= \int_0^x \sum_{n=0}^{\infty} (-1)^n t^n\thinspace{}dt \newline &= \sum_{n=0}^{\infty} (-1)^n \int_0^x t^n\thinspace{}dt \quad \text{(逐项积分)} \newline &= \sum_{n=0}^{\infty} (-1)^n \frac{x^{n+1}}{n+1} \newline &= x - \frac{x^2}{2} + \frac{x^3}{3} - \frac{x^4}{4} + \cdots \end{aligned} $$
而左边 $\int_0^x \frac{1}{1+t}\thinspace{}dt = \ln(1+x)$，故：
$$ \boxed{\ln(1+x) = \sum_{n=1}^{\infty} \frac{(-1)^{n-1} x^n}{n}, \quad -1 < x \leq 1} $$
技巧总结
先找一个已知的简单级数（如几何级数），通过代换变量 → 逐项积分或求导 → 得到新函数的级数展开。这是处理级数求和问题最常用的套路之一。
2.3 积分号下求和（Fubini 定理的离散版本）
对于非负函数，求和与积分的交换更加自由。
Tonelli 定理（离散版本）
若 $f_n(x) \geq 0$对所有$n$和$x$ 成立，则求和与积分可无条件交换： $$ \sum_{n=1}^{\infty} \int f_n(x)\thinspace{}dx = \int \sum_{n=1}^{\infty} f_n(x)\thinspace{}dx $$ 两边同时有限或同时无穷。
例题 2.3：计算 $\displaystyle\sum_{n=1}^{\infty} \int_0^1 x^n \ln x\thinspace{}dx$
解：先计算内层积分。
$$ \int_0^1 x^n \ln x\thinspace{}dx $$
使用分部积分法（Integration by Parts）：令 $u = \ln x$，$dv = x^n dx$，则 $du = \frac{1}{x}dx$，$v = \frac{x^{n+1}}{n+1}$。
$$ \begin{aligned} \int_0^1 x^n \ln x\thinspace{}dx &= \left[\frac{x^{n+1}}{n+1} \ln x\right]_0^1 - \int_0^1 \frac{x^{n+1}}{n+1} \cdot \frac{1}{x}\thinspace{}dx \newline &= 0 - \int_0^1 \frac{x^n}{n+1}\thinspace{}dx \newline &= -\frac{1}{(n+1)^2} \end{aligned} $$
注意：$\lim_{x \to 0^+} x^{n+1} \ln x = 0$（因为幂函数压倒对数函数）。
现在对 $n$ 求和：
$$ \sum_{n=1}^{\infty} \int_0^1 x^n \ln x\thinspace{}dx = -\sum_{n=1}^{\infty} \frac{1}{(n+1)^2} = -\left(\frac{1}{2^2} + \frac{1}{3^2} + \cdots\right) $$
已知 $\sum_{n=1}^{\infty} \frac{1}{n^2} = \frac{\pi^2}{6}$（巴塞尔问题），故：
$$ \sum_{n=1}^{\infty} \frac{1}{(n+1)^2} = \frac{\pi^2}{6} - 1 $$
因此原式 $= -\left(\frac{\pi^2}{6} - 1\right) = 1 - \frac{\pi^2}{6}$。
验证（交换次序）
也可先求和再积分：$\int_0^1 \ln x \sum_{n=1}^{\infty} x^n\thinspace{}dx = \int_0^1 \ln x \cdot \frac{x}{1-x}\thinspace{}dx$，结果相同。
三、求和与求积的相互转换
3.1 和转积：对数转换法
求和与求积之间的桥梁是对数函数：
$$ \boxed{\prod_{k=1}^{n} a_k = \exp\left(\sum_{k=1}^{n} \ln a_k\right)} $$
这一转换将乘积问题转化为求和问题，从而可以运用丰富的求和技术。
例题 3.1：计算 $\displaystyle\lim_{n \to \infty} \prod_{k=1}^{n} \left(1 + \frac{k}{n^2}\right)$
解：取对数转和：
$$ \ln P_n = \ln \prod_{k=1}^{n} \left(1 + \frac{k}{n^2}\right) = \sum_{k=1}^{n} \ln\left(1 + \frac{k}{n^2}\right) $$
当 $n$ 很大时，$\frac{k}{n^2}$很小，使用近似$\ln(1+t) \approx t - \frac{t^2}{2}$（当 $t \to 0$）：
$$ \begin{aligned} \ln P_n &= \sum_{k=1}^{n} \left[\frac{k}{n^2} - \frac{k^2}{2n^4} + O\left(\frac{k^3}{n^6}\right)\right] \newline &= \frac{1}{n^2} \sum_{k=1}^{n} k - \frac{1}{2n^4} \sum_{k=1}^{n} k^2 + \cdots \newline &= \frac{1}{n^2} \cdot \frac{n(n+1)}{2} - \frac{1}{2n^4} \cdot \frac{n(n+1)(2n+1)}{6} + \cdots \end{aligned} $$
简化主导项：
$$ \begin{aligned} \ln P_n &= \frac{n+1}{2n} - \frac{(n+1)(2n+1)}{12n^3} + \cdots \newline &= \frac{1}{2} + \frac{1}{2n} + O\left(\frac{1}{n^2}\right) \end{aligned} $$
因此：
$$ \lim_{n \to \infty} \ln P_n = \frac{1}{2} $$
$$ \boxed{\lim_{n \to \infty} \prod_{k=1}^{n} \left(1 + \frac{k}{n^2}\right) = e^{1/2} = \sqrt{e}} $$
3.2 积转和：部分分式与韦达定理
多项式 $\prod_{k=1}^n (x - a_k)$ 展开为幂和形式时，系数与根的对称多项式有关。
韦达定理 (Vieta's Formulas)
若 $P(x) = \prod_{k=1}^n (x - a_k) = x^n - e_1 x^{n-1} + e_2 x^{n-2} - \cdots + (-1)^n e_n$，则 $$ e_1 = \sum a_k,\quad e_2 = \sum_{i<j} a_i a_j,\quad e_3 = \sum_{i<j<k} a_i a_j a_k,\ \cdots $$ 即 $e_m$是根的所有$m$ 元乘积之和（初等对称多项式）。
例题 3.2：将 $\displaystyle\prod_{k=1}^{n} (x - k)$展开为$\sum$ 形式
直接展开： $$ \prod_{k=1}^{n} (x - k) = x^n - S_1 x^{n-1} + S_2 x^{n-2} - \cdots + (-1)^n S_n $$
其中 $S_1 = \sum_{k=1}^{n} k = \frac{n(n+1)}{2}$，
$S_2 = \sum_{1 \leq i < j \leq n} ij$。利用 $(\sum k)^2 = \sum k^2 + 2\sum_{i<j} ij$，得：
$$ S_2 = \frac{1}{2}\left[\left(\frac{n(n+1)}{2}\right)^2 - \frac{n(n+1)(2n+1)}{6}\right] $$
更高阶系数可使用牛顿恒等式（Newton's Identities）由幂和 $p_m = \sum k^m$ 递推得到。
3.3 混合运算中的同步化简
例题 3.3：计算 $\displaystyle\prod_{k=1}^{n} \frac{2k-1}{2k}$当$n \to \infty$ 时的渐进行为
解：先转换为阶乘形式，再用斯特林公式：
$$ \begin{aligned} P_n &= \prod_{k=1}^{n} \frac{2k-1}{2k} = \frac{1 \cdot 3 \cdot 5 \cdots (2n-1)}{2 \cdot 4 \cdot 6 \cdots (2n)} \newline &= \frac{(2n)!}{(2 \cdot 4 \cdots 2n)^2} \cdot \frac{2 \cdot 4 \cdots 2n}{2 \cdot 4 \cdots 2n \cdot (\text{修正})} \end{aligned} $$
更直接的方法是利用 Wallis 乘积的已知结论：
$$ \prod_{k=1}^{n} \frac{2k-1}{2k} \sim \frac{1}{\sqrt{\pi n}} \quad (n \to \infty) $$
推导可用取对数转和 + 积分近似，最终得到上述渐进表达式。
四、含参积分与求和
4.1 积分号下求导法 (Differentiation Under the Integral Sign)
Leibniz 积分法则
$$ \frac{d}{d\alpha} \int_{a(\alpha)}^{b(\alpha)} f(x,\alpha)\thinspace{}dx = \int_{a(\alpha)}^{b(\alpha)} \frac{\partial f}{\partial \alpha}\thinspace{}dx + f(b(\alpha),\alpha) b'(\alpha) - f(a(\alpha),\alpha) a'(\alpha) $$
对于定限积分（$a,b$ 为常数），简化为： $$ \frac{d}{d\alpha} \int_a^b f(x,\alpha)\thinspace{}dx = \int_a^b \frac{\partial f}{\partial \alpha}\thinspace{}dx $$
例题 4.1：利用含参积分求 $\displaystyle\int_0^{\infty} \frac{\sin x}{x}\thinspace{}dx$
解：引入参数 $\alpha$，定义：
$$ I(\alpha) = \int_0^{\infty} e^{-\alpha x} \frac{\sin x}{x}\thinspace{}dx, \quad \alpha \geq 0 $$
目标：求 $I(0) = \int_0^{\infty} \frac{\sin x}{x}\thinspace{}dx$。
对 $\alpha$ 求导（积分号下求导）：
$$ I'(\alpha) = \int_0^{\infty} \frac{\partial}{\partial \alpha}\left(e^{-\alpha x} \frac{\sin x}{x}\right) dx = -\int_0^{\infty} e^{-\alpha x} \sin x\thinspace{}dx $$
计算此积分（两次分部积分或利用 $\sin x = \operatorname{Im}(e^{ix})$）：
$$ \int_0^{\infty} e^{-\alpha x} \sin x\thinspace{}dx = \frac{1}{\alpha^2 + 1} $$
所以 $I'(\alpha) = -\frac{1}{\alpha^2 + 1}$。
积分回去：
$$ I(\alpha) = -\arctan \alpha + C $$
当 $\alpha \to \infty$ 时，$e^{-\alpha x} \to 0$（$x > 0$），故 $I(\infty) = 0$，得 $C = \frac{\pi}{2}$。
因此 $I(0) = \frac{\pi}{2}$：
$$ \boxed{\int_0^{\infty} \frac{\sin x}{x}\thinspace{}dx = \frac{\pi}{2}} $$
4.2 积分表示求和
很多经典的求和可以用积分来表示，从而借助积分的工具来求值。
调和数（Harmonic Numbers）的积分表示：
$$ \boxed{H_n = \sum_{k=1}^{n} \frac{1}{k} = \int_0^1 \frac{1 - x^n}{1 - x}\thinspace{}dx} $$
推导：
$$ \frac{1 - x^n}{1 - x} = 1 + x + x^2 + \cdots + x^{n-1} = \sum_{k=0}^{n-1} x^k $$
积分： $$ \int_0^1 \sum_{k=0}^{n-1} x^k\thinspace{}dx = \sum_{k=0}^{n-1} \int_0^1 x^k\thinspace{}dx = \sum_{k=0}^{n-1} \frac{1}{k+1} = \sum_{k=1}^{n} \frac{1}{k} = H_n $$
二项式系数和的积分表示（利用柯西积分公式的离散版本）：
$$ \sum_{k=0}^{n} \binom{n}{k} = \frac{1}{2\pi} \int_0^{2\pi} (1 + e^{i\theta})^n e^{-i\theta \cdot 0}\thinspace{}d\theta $$
例题 4.2：用积分表示证明 $\displaystyle\sum_{k=0}^{n} \binom{n}{k} = 2^n$
证明：利用二项式定理：
$$ (1 + x)^n = \sum_{k=0}^{n} \binom{n}{k} x^k $$
令 $x = 1$，直接得到 $\sum_{k=0}^{n} \binom{n}{k} = 2^n$。
说明
虽然此题直接代值即可，但在更复杂的场合（如带权重的组合和），积分表示法（利用正交性 $\int_0^{2\pi} e^{im\theta} e^{-in\theta} d\theta = 2\pi \delta_{mn}$）是极其有力的工具。
五、级数展开法
5.1 泰勒级数展开求和 (Taylor Series)
常见函数的泰勒展开是将求和式转化为闭形式（Closed Form）的利器。
| 函数 | 泰勒级数 | 收敛半径 |
|---|---|---|
| $e^x$ | $\displaystyle\sum_{n=0}^{\infty} \frac{x^n}{n!}$ | $\infty$ |
| $\sin x$ | $\displaystyle\sum_{n=0}^{\infty} \frac{(-1)^n x^{2n+1}}{(2n+1)!}$ | $\infty$ |
| $\cos x$ | $\displaystyle\sum_{n=0}^{\infty} \frac{(-1)^n x^{2n}}{(2n)!}$ | $\infty$ |
| $\ln(1+x)$ | $\displaystyle\sum_{n=1}^{\infty} \frac{(-1)^{n-1} x^n}{n}$ | $(-1, 1]$ |
| $\arctan x$ | $\displaystyle\sum_{n=0}^{\infty} \frac{(-1)^n x^{2n+1}}{2n+1}$ | $[-1, 1]$ |
| $\frac{1}{1-x}$ | $\displaystyle\sum_{n=0}^{\infty} x^n$ | $(-1, 1)$ |
例题 5.1：求 $\displaystyle\sum_{n=1}^{\infty} \frac{1}{n \cdot 2^n}$
解：观察级数形式 $\sum \frac{x^n}{n}$，取 $x = \frac{1}{2}$。
已知 $\displaystyle-\ln(1-x) = \sum_{n=1}^{\infty} \frac{x^n}{n}$，$|x| < 1$。
令 $x = \frac{1}{2}$：
$$ \sum_{n=1}^{\infty} \frac{1}{n \cdot 2^n} = -\ln\left(1 - \frac{1}{2}\right) = -\ln\frac{1}{2} = \ln 2 $$
例题 5.2：求 $\displaystyle\sum_{n=0}^{\infty} \frac{(-1)^n}{(2n+1) \cdot 3^n}$
解：已知 $\displaystyle\arctan x = \sum_{n=0}^{\infty} \frac{(-1)^n x^{2n+1}}{2n+1}$。
令 $x = \frac{1}{\sqrt{3}}$，则 $x^{2n+1} = \frac{1}{3^n \sqrt{3}}$：
$$ \sum_{n=0}^{\infty} \frac{(-1)^n}{(2n+1) \cdot 3^n \sqrt{3}} = \arctan\frac{1}{\sqrt{3}} = \frac{\pi}{6} $$
因此：
$$ \boxed{\sum_{n=0}^{\infty} \frac{(-1)^n}{(2n+1) \cdot 3^n} = \frac{\pi \sqrt{3}}{6}} $$
5.2 傅里叶级数展开求和 (Fourier Series)
傅里叶级数是求特殊常数项级数和的经典方法。
例题 5.3：利用傅里叶级数证明 $\displaystyle\sum_{n=1}^{\infty} \frac{1}{n^2} = \frac{\pi^2}{6}$（巴塞尔问题）
推导：考虑函数 $f(x) = x^2$在$[-\pi, \pi]$ 上的傅里叶级数。
$f(x) = x^2$ 是偶函数，傅里叶余弦展开：
$$ f(x) = \frac{a_0}{2} + \sum_{n=1}^{\infty} a_n \cos(nx) $$
计算系数：
$$ a_0 = \frac{2}{\pi} \int_0^{\pi} x^2\thinspace{}dx = \frac{2}{\pi} \cdot \frac{\pi^3}{3} = \frac{2\pi^2}{3} $$
$$ a_n = \frac{2}{\pi} \int_0^{\pi} x^2 \cos(nx)\thinspace{}dx $$
分部积分两次：
$$ \begin{aligned} \int_0^{\pi} x^2 \cos(nx)\thinspace{}dx &= \left[\frac{x^2 \sin(nx)}{n}\right]_0^{\pi} - \frac{2}{n} \int_0^{\pi} x \sin(nx)\thinspace{}dx \newline &= 0 - \frac{2}{n} \left(\left[-\frac{x \cos(nx)}{n}\right]_0^{\pi} + \frac{1}{n} \int_0^{\pi} \cos(nx)\thinspace{}dx\right) \newline &= \frac{2}{n^2} \left[ x \cos(nx) \right]_0^{\pi} - 0 \newline &= \frac{2}{n^2} \cdot \pi \cos(n\pi) = \frac{2\pi (-1)^n}{n^2} \end{aligned} $$
因此 $a_n = \frac{2}{\pi} \cdot \frac{2\pi (-1)^n}{n^2} = \frac{4(-1)^n}{n^2}$。
傅里叶级数为：
$$ x^2 = \frac{\pi^2}{3} + 4 \sum_{n=1}^{\infty} \frac{(-1)^n}{n^2} \cos(nx), \quad x \in [-\pi, \pi] $$
在 $x = \pi$处（傅里叶级数收敛于$\frac{f(\pi^+) + f(\pi^-)}{2} = \pi^2$）：
$$ \pi^2 = \frac{\pi^2}{3} + 4 \sum_{n=1}^{\infty} \frac{(-1)^n}{n^2} \cos(n\pi) $$
由于 $\cos(n\pi) = (-1)^n$，得：
$$ \pi^2 = \frac{\pi^2}{3} + 4 \sum_{n=1}^{\infty} \frac{1}{n^2} $$
解出：
$$ \boxed{\sum_{n=1}^{\infty} \frac{1}{n^2} = \frac{\pi^2}{6}} $$
例题 5.4：证明 $\displaystyle\sum_{n=1}^{\infty} \frac{(-1)^{n+1}}{n^2} = \frac{\pi^2}{12}$
在 $x = 0$ 处代入傅里叶级数：
$$ 0 = \frac{\pi^2}{3} + 4 \sum_{n=1}^{\infty} \frac{(-1)^n}{n^2} $$
故 $\displaystyle\sum_{n=1}^{\infty} \frac{(-1)^n}{n^2} = -\frac{\pi^2}{12}$，即 $\displaystyle\sum_{n=1}^{\infty} \frac{(-1)^{n+1}}{n^2} = \frac{\pi^2}{12}$。
5.3 幂级数的逐项积分与逐项求导
例题 5.5：求 $\displaystyle\sum_{n=1}^{\infty} n x^n$ 的闭形式（Closed Form）
解：从几何级数出发：
$$ \sum_{n=0}^{\infty} x^n = \frac{1}{1-x}, \quad |x| < 1 $$
两边对 $x$ 求导：
$$ \sum_{n=1}^{\infty} n x^{n-1} = \frac{1}{(1-x)^2} $$
乘以 $x$：
$$ \boxed{\sum_{n=1}^{\infty} n x^n = \frac{x}{(1-x)^2}, \quad |x| < 1} $$
例题 5.6：求 $\displaystyle\sum_{n=1}^{\infty} \frac{x^n}{n}$ 的闭形式
解：从 $\frac{1}{1-x} = \sum_{n=0}^{\infty} x^n$出发，两边从$0$到$x$ 积分：
$$ \int_0^x \frac{1}{1-t}\thinspace{}dt = \sum_{n=0}^{\infty} \frac{x^{n+1}}{n+1} = \sum_{n=1}^{\infty} \frac{x^n}{n} $$
左边 = $-\ln(1-x)$，故：
$$ \boxed{\sum_{n=1}^{\infty} \frac{x^n}{n} = -\ln(1-x), \quad -1 \leq x < 1} $$
六、渐进分析与估计
当精确值无法求得时，渐进分析（Asymptotic Analysis）提供主导项近似。
6.1 渐进记号
| 记号 | 定义 | 含义 |
|---|---|---|
| $f(n) = O(g(n))$ | $\exists C, N: \Vert{}f(n)\Vert \leq C\Vert{}g(n)\Vert, \forall n \geq N$ | $f$增长不超过$g$ |
| $f(n) = o(g(n))$ | $\lim_{n\to\infty} f(n)/g(n) = 0$ | $f$远小于$g$ |
| $f(n) \sim g(n)$ | $\lim_{n\to\infty} f(n)/g(n) = 1$ | $f$与$g$ 渐进等价 |
6.2 欧拉-麦克劳林求和公式 (Euler-Maclaurin Formula)
这是连接求和与积分的核心公式：
欧拉-麦克劳林求和公式
$$ \sum_{k=1}^{n} f(k) = \int_1^n f(x)\thinspace{}dx + \frac{f(1)+f(n)}{2} + \sum_{j=1}^{m} \frac{B_{2j}}{(2j)!}\left[f^{(2j-1)}(n) - f^{(2j-1)}(1)\right] + R_m $$ 其中 $B_{2j}$ 是伯努利数（Bernoulli Numbers），$R_m$ 是余项。
伯努利数前几项：$B_2 = \frac{1}{6}$，$B_4 = -\frac{1}{30}$，$B_6 = \frac{1}{42}$，$B_8 = -\frac{1}{30}$，奇数项（除 $B_1$ 外）为零。
例题 6.1：用欧拉-麦克劳林公式估计 $\displaystyle\sum_{k=1}^{n} \sqrt{k}$ 的渐进表达式
解：$f(x) = \sqrt{x} = x^{1/2}$，取 $m = 1$。
计算各项：
积分项：$\displaystyle\int_1^n x^{1/2}\thinspace{}dx = \frac{2}{3}\left(n^{3/2} - 1\right) = \frac{2}{3} n^{3/2} - \frac{2}{3}$
边界项：$\frac{f(1)+f(n)}{2} = \frac{1+\sqrt{n}}{2} = \frac{1}{2} \sqrt{n} + \frac{1}{2}$
一阶导数修正（$B_2 = \frac{1}{6}$）：
$f'(x) = \frac{1}{2\sqrt{x}}$，所以 $$ \frac{B_2}{2!}\left[f'(n) - f'(1)\right] = \frac{1/6}{2}\left(\frac{1}{2\sqrt{n}} - \frac{1}{2}\right) = \frac{1}{24\sqrt{n}} - \frac{1}{24} $$
综合得到：
$$ \sum_{k=1}^{n} \sqrt{k} = \frac{2}{3} n^{3/2} + \frac{1}{2}\sqrt{n} + \left(-\frac{2}{3} + \frac{1}{2} - \frac{1}{24}\right) + \frac{1}{24\sqrt{n}} + \cdots $$
即：
$$ \boxed{\sum_{k=1}^{n} \sqrt{k} = \frac{2}{3} n^{3/2} + \frac{1}{2}\sqrt{n} - \frac{5}{24} + \frac{1}{24\sqrt{n}} + O\left(\frac{1}{n^{3/2}}\right)} $$
6.3 拉普拉斯方法 (Laplace's Method)
用于估计形如 $\int e^{n f(x)} dx$ 的大参数积分。
拉普拉斯方法
若 $f(x)$在$[a,b]$内有唯一最大值点$x_0$（$f'(x_0)=0, f''(x_0)<0$），则当 $n \to \infty$： $$ \int_a^b e^{n f(x)}\thinspace{}dx \sim e^{n f(x_0)} \sqrt{\frac{2\pi}{-n f''(x_0)}} $$
例题 6.2：推导斯特林公式 (Stirling's Formula) 的首项
推导：$n! = \Gamma(n+1) = \int_0^{\infty} x^n e^{-x}\thinspace{}dx$。
令 $x = n t$，则：
$$ n! = n^{n+1} \int_0^{\infty} t^n e^{-nt}\thinspace{}dt = n^{n+1} \int_0^{\infty} e^{n(\ln t - t)}\thinspace{}dt $$
令 $f(t) = \ln t - t$，则 $f'(t) = \frac{1}{t} - 1 = 0$给出$t_0 = 1$，且 $f''(1) = -1$，$f(1) = -1$。
应用拉普拉斯方法：
$$ n! \sim n^{n+1} \cdot e^{-n} \cdot \sqrt{\frac{2\pi}{n \cdot 1}} = \sqrt{2\pi n}\left(\frac{n}{e}\right)^n $$
即斯特林公式：
$$ \boxed{n! \sim \sqrt{2\pi n}\left(\frac{n}{e}\right)^n \quad (n \to \infty)} $$
6.4 鞍点法与最速下降法简介
鞍点法（Saddle Point Method）是拉普拉斯方法在复平面上的推广。对于形如：
$$ \int_C e^{n f(z)}\thinspace{}dz $$
的围道积分，选择通过鞍点（$f'(z_0) = 0$）的最速下降路径（Steepest Descent Path），将积分近似为鞍点处的高斯型积分。该方法在组合数学（生成函数系数提取）和数学物理中有广泛应用。
七、大型运算的数值计算策略
7.1 递推关系 (Recurrence Relations)
利用递推避免重复计算大指数幂和。
例题 7.1：用递推计算 $\displaystyle\sum_{k=1}^{n} k^m$（伯努利递推）
递推公式（参见 幂和公式及推导）：
$$ S_m(n) = \frac{1}{m+1} \left[(n+1)^{m+1} - 1 - \sum_{j=0}^{m-1} \binom{m+1}{j} S_j(n)\right] $$
从 $S_0(n) = n$开始，可逐步递推计算任意$m$ 的幂和。
算法优势
递推只需 $O(m^2)$时间即可求得$S_0, S_1, \dots, S_m$的值，而直接求和需要$O(mn)$。
7.2 分治策略与快速算法
快速傅里叶变换（FFT）加速卷积求和：
对于卷积形式的求和 $c_k = \sum_{i+j=k} a_i b_j$（离散卷积），直接计算需要 $O(n^2)$，而使用 FFT 可降至 $O(n \log n)$。
二分法在数值求和中的应用：
对于单调级数，可通过积分比较进行二分截断。例如估计 $\sum_{k=n+1}^{\infty} \frac{1}{k^2}$：
$$ \int_{n+1}^{\infty} \frac{dx}{x^2} < \sum_{k=n+1}^{\infty} \frac{1}{k^2} < \int_n^{\infty} \frac{dx}{x^2} $$
即 $\frac{1}{n+1} < R_n < \frac{1}{n}$，给出精确的误差界。
7.3 误差控制
截断误差
用有限和 $\sum_{k=1}^{N} a_k$逼近无穷和$\sum_{k=1}^{\infty} a_k$时，余项$R_N = \sum_{k=N+1}^{\infty} a_k$ 需要估计。
常见估计方法：
- 积分判别法：若 $a_k = f(k)$且$f(x)$单调递减，则$\int_{N+1}^{\infty} f(x)dx \leq R_N \leq \int_N^{\infty} f(x)dx$
- 交错级数：若为交错递减，则 $\Vert{}R_N\Vert \leq \Vert{}a_{N+1}\Vert$
- 比值法：若 $\left\Vert\frac{a_{k+1}}{a_k}\right\Vert \leq r < 1$，则几何级数给出余项上界
八、综合例题
综合题 1：极限与积分近似
求 $\displaystyle\lim_{n \to \infty} \frac{1}{n} \sum_{k=1}^{n} \sqrt{\frac{n}{k}}$
解：化简求和式：
$$ \frac{1}{n} \sum_{k=1}^{n} \sqrt{\frac{n}{k}} = \frac{1}{n} \sum_{k=1}^{n} \frac{\sqrt{n}}{\sqrt{k}} = \frac{1}{\sqrt{n}} \sum_{k=1}^{n} \frac{1}{\sqrt{k}} $$
改写为黎曼和的形式：
$$ \frac{1}{\sqrt{n}} \sum_{k=1}^{n} \frac{1}{\sqrt{k}} = \frac{1}{n} \sum_{k=1}^{n} \frac{1}{\sqrt{k/n}} $$
识别为黎曼积分：
$$ \lim_{n \to \infty} \frac{1}{n} \sum_{k=1}^{n} \frac{1}{\sqrt{k/n}} = \int_0^1 \frac{1}{\sqrt{x}}\thinspace{}dx = [2\sqrt{x}]_0^1 = 2 $$
$$ \boxed{\lim_{n \to \infty} \frac{1}{n} \sum_{k=1}^{n} \sqrt{\frac{n}{k}} = 2} $$
综合题 2：交换求和与积分 + 级数展开
计算 $\displaystyle I = \int_0^1 \left(\sum_{k=1}^{\infty} \frac{x^k}{k}\right) dx$
解：内层是已知级数 $\sum_{k=1}^{\infty} \frac{x^k}{k} = -\ln(1-x)$。
但也可以交换次序验证：
$$ \begin{aligned} I &= \int_0^1 \sum_{k=1}^{\infty} \frac{x^k}{k}\thinspace{}dx = \sum_{k=1}^{\infty} \frac{1}{k} \int_0^1 x^k\thinspace{}dx \newline &= \sum_{k=1}^{\infty} \frac{1}{k(k+1)} = \sum_{k=1}^{\infty} \left(\frac{1}{k} - \frac{1}{k+1}\right) \end{aligned} $$
这是裂项相消（Telescoping）：
$$ I = \left(1 - \frac{1}{2}\right) + \left(\frac{1}{2} - \frac{1}{3}\right) + \left(\frac{1}{3} - \frac{1}{4}\right) + \cdots = 1 $$
用 $-\ln(1-x)$ 直接积分验证：
$$ I = \int_0^1 -\ln(1-x)\thinspace{}dx = \int_0^1 -\ln t\thinspace{}dt \quad (t = 1-x) $$
分部积分：$\int_0^1 -\ln t\thinspace{}dt = [-t\ln t + t]_0^1 = 1$。
$$ \boxed{I = 1} $$
综合题 3：乘积极限 → 取对数 → 求和 → 积分近似
求 $\displaystyle\lim_{n \to \infty} \prod_{k=1}^{n} \left(1 + \frac{k}{n^2}\right)$
此题在 3.1 节已详细推导，结果为 $\sqrt{e}$。
核心思路：乘积 → 取对数变求和 → 泰勒展开 → 黎曼和 → 积分 → 指数还原。这是处理乘积极限的标准范式。
综合题 4：证明 $\displaystyle\sum_{n=1}^{\infty} \frac{1}{n^2} = \frac{\pi^2}{6}$（巴塞尔问题）
此题在 5.2 节已有完整傅里叶级数推导。另有一种使用帕塞瓦尔恒等式（Parseval's Identity）的方法：
对 $f(x) = x$在$[-\pi, \pi]$上的傅里叶正弦展开$f(x) = 2\sum_{n=1}^{\infty} \frac{(-1)^{n+1}}{n} \sin(nx)$，应用帕塞瓦尔恒等式：
$$ \frac{1}{\pi} \int_{-\pi}^{\pi} x^2\thinspace{}dx = \sum_{n=1}^{\infty} \frac{4}{n^2} $$
左边 $= \frac{1}{\pi} \cdot \frac{2\pi^3}{3} = \frac{2\pi^2}{3}$，故 $\sum \frac{1}{n^2} = \frac{\pi^2}{6}$。
综合题 5：估计 $\displaystyle\sum_{k=1}^{n} \sqrt{k}$ 的渐进表达式
此题在 6.2 节用欧拉-麦克劳林公式已完整推导，结果为：
$$ \sum_{k=1}^{n} \sqrt{k} = \frac{2}{3} n^{3/2} + \frac{1}{2}\sqrt{n} + \zeta\left(-\frac{1}{2}\right) + o(1) $$
其中常数项与黎曼 $\zeta$ 函数在负半整数点的值有关。
知识图谱链接
| 相关笔记 | 关联说明 |
|---|---|
| 求和式的计算方式 | 求和的基础方法与技巧 |
| 求积式的计算方式 | 求积的基础方法与 $\prod$转$\sum$ |
| 数列与微分方程核心方法：原理、推导及线性代数本质 | 递推与特征根法的统一视角 |
| 微积分 | 积分号下求导、分部积分 |
| 定积分与积分应用 | 黎曼和、含参积分 |
| 幂和公式及推导 | 伯努利数、欧拉-麦克劳林公式 |
| 不等式证明方法综述 | 渐进估计中的放缩技巧 |
| 微分方程 | 积分因子法与含参积分的联系 |
| 伯努利不等式 | 乘积求和中的不等式放缩 |
方法总结
混合大型运算的核心是次序交换和表示转化。面对一个混合运算问题，可按照以下思路链分析：
- 能否交换 $\sum$与$\int$ 的次序？（有限和直接交换 / 无穷和检查一致收敛）
- 能否用级数展开将求和或积分转化为已知函数？（泰勒级数 / 傅里叶级数）
- 乘积能否取对数化为求和？（$\prod \to \sum \ln$）
- 能否引入参数将问题嵌入更一般的含参积分？（积分号下求导）
- 若精确解不可求，能否得到渐进表达式？（欧拉-麦克劳林 / 拉普拉斯方法）
掌握这五条思路链，即可应对绝大多数混合大型运算问题。