KNOWECON WIKI

ARTICLE

伸缩求和

伸缩求和 (Telescoping Sum / Telescoping Series) 伸缩求和（又称 telescoping sum、叠缩求和）是一种求和技术：和式中相邻项的大部分互相抵消，只剩首尾少数几项，如同可伸缩的望远镜筒收起后只露出两端。其核心思想是将通项 a_k 写为差分形式 a_k = b_k+1 - b_k（或 b_k - b_k+1），则和

浏览 0 更新 2025-10-26

伸缩求和 (Telescoping Sum / Telescoping Series)

伸缩求和（又称 telescoping sum、叠缩求和）是一种求和技术：和式中相邻项的大部分互相抵消，只剩首尾少数几项，如同可伸缩的望远镜筒收起后只露出两端。其核心思想是将通项 aka_k 写为差分形式 ak=bk+1−bka_k = b_{k+1} - b_k（或 bk−bk+1b_k - b_{k+1}），则和式大幅简化：

∑k=mn(bk+1−bk)=bn+1−bm\sum_{k=m}^{n} (b_{k+1} - b_k) = b_{n+1} - b_m

类似地，∑k=mn(bk−bk+1)=bm−bn+1\sum_{k=m}^{n} (b_k - b_{k+1}) = b_m - b_{n+1}。该技巧广泛用于数列求和、级数敛散性判定、积分计算及经济学中的几何级数与现值公式推导。

名称由来与直观理解

"Telescoping"一词源自 telescope（望远镜）——可伸缩的镜筒收起时多层嵌套管缩为一段。将和式写出后直观可见：

(b2−b1)+(b3−b2)+(b4−b3)+⋯+(bn+1−bn)=bn+1−b1(b_2 - b_1) + (b_3 - b_2) + (b_4 - b_3) + \cdots + (b_{n+1} - b_n) = b_{n+1} - b_1

中间项 −b2+b2,−b3+b3,…-b_2 + b_2, -b_3 + b_3, \ldots 依次成对抵消，如同望远镜筒逐节缩入。和式"塌缩"为仅含边界项的简单表达，故名。

基础示例

例1（分母为相邻整数乘积）： 利用部分分式分解 1k(k+1)=1k−1k+1\frac{1}{k(k+1)} = \frac{1}{k} - \frac{1}{k+1}：

∑k=1n1k(k+1)=∑k=1n(1k−1k+1)=1−1n+1=nn+1\sum_{k=1}^{n} \frac{1}{k(k+1)} = \sum_{k=1}^{n}\left(\frac{1}{k} - \frac{1}{k+1}\right) = 1 - \frac{1}{n+1} = \frac{n}{n+1}

展开：(1−12)+(12−13)+⋯+(1n−1n+1)(1 - \tfrac{1}{2}) + (\tfrac{1}{2} - \tfrac{1}{3}) + \cdots + (\tfrac{1}{n} - \tfrac{1}{n+1})，中间的 −1k+1-\frac{1}{k+1} 与下一项的 +1k+1+\frac{1}{k+1} 成对消去，仅剩首项 11 与末项 −1n+1-\frac{1}{n+1}。

例2（无穷级数）： 令 n→∞n \to \infty：

∑k=1∞1k(k+1)=lim⁡n→∞(1−1n+1)=1\sum_{k=1}^{\infty} \frac{1}{k(k+1)} = \lim_{n \to \infty} \left(1 - \frac{1}{n+1}\right) = 1

若不用伸缩法，直接判断该级数的收敛性需借助比较判别法或积分判别法，而伸缩法一举给出精确和值。

例3（三项乘积分母）：

1k(k+1)(k+2)=12[1k(k+1)−1(k+1)(k+2)]\frac{1}{k(k+1)(k+2)} = \frac{1}{2}\left[\frac{1}{k(k+1)} - \frac{1}{(k+1)(k+2)}\right]

此时和式本身也是伸缩结构，最终 ∑k=1∞1k(k+1)(k+2)=14\sum_{k=1}^{\infty} \frac{1}{k(k+1)(k+2)} = \frac{1}{4}。

常见伸缩模式

  1. 部分分式分解：1k(k+m)=1m(1k−1k+m)\frac{1}{k(k+m)} = \frac{1}{m}\left(\frac{1}{k} - \frac{1}{k+m}\right)，mm 为正整数。求和时各项间隔 mm 步抵消，剩余 mm 个首项与 mm 个末项——此即"滑动窗口伸缩"，是处理有理分式求和的通用方法。
  2. 阶乘伸缩：利用 k⋅k!=(k+1)!−k!k \cdot k! = (k+1)! - k!： \[ \sum_{k=1}^{n} k \cdot k! = (n+1)! - 1 \] 该恒等式无需任何约分，完全依赖阶乘自身的递推关系 n!⋅(n+1)=(n+1)!n! \cdot (n+1) = (n+1)!。
  3. 对数伸缩：ln⁡k+1k=ln⁡(k+1)−ln⁡k\ln\frac{k+1}{k} = \ln(k+1) - \ln k： \[ \sum_{k=1}^{n} \ln\frac{k+1}{k} = \ln(n+1) - \ln 1 = \ln(n+1) \] 此即对数"商变差"性质在伸缩框架下的直接体现。左端乘积 ∏k=1nk+1k=n+1\prod_{k=1}^{n} \frac{k+1}{k} = n+1，取对数后即为伸缩和。
  4. 三角函数伸缩：利用积化和差构造差分。例如 2sin⁡12sin⁡k=cos⁡(k−12)−cos⁡(k+12)2\sin\frac{1}{2}\sin k = \cos(k-\frac{1}{2}) - \cos(k+\frac{1}{2})： \[ \sum_{k=1}^{n} \sin k = \frac{\sin\frac{n}{2}\sin\frac{n+1}{2}}{\sin\frac{1}{2}} \] 此类技巧在傅里叶级数部分和的 Dirichlet 核推导中起关键作用。
  5. 平方倒数间隔伸缩：1k2−1=12(1k−1−1k+1)\frac{1}{k^2 - 1} = \frac{1}{2}\left(\frac{1}{k-1} - \frac{1}{k+1}\right)，由于间隔两步才抵消，最终 ∑k=2∞1k2−1=34\sum_{k=2}^{\infty} \frac{1}{k^2 - 1} = \frac{3}{4}。这要求仔细追踪首尾未被抵消的"残余项"，是初学者易出错的典型情形。

无穷级数敛散性

伸缩法在判定无穷级数收敛性时极为有力。对于 ∑k=1∞ak\sum_{k=1}^{\infty} a_k，若 ak=bk−bk+1a_k = b_k - b_{k+1}，则部分和 Sn=b1−bn+1S_n = b_1 - b_{n+1}。级数收敛当且仅当 lim⁡n→∞bn+1\lim_{n \to \infty} b_{n+1} 存在且有限：

∑k=1∞(bk−bk+1)=b1−lim⁡n→∞bn+1\sum_{k=1}^{\infty} (b_k - b_{k+1}) = b_1 - \lim_{n \to \infty} b_{n+1}

反过来，若 lim⁡bn\lim b_n 不存在或发散到无穷，则原级数发散。伸缩法因此提供了构造级数敛散性反例的便捷手段——只需选择不同渐近行为的 bnb_n 序列即可生成收敛或发散的伸缩级数。一个深刻的结论是：任何收敛级数未必可写成伸缩形式，但伸缩级数的敛散性总可通过极限 lim⁡bn\lim b_n 直接判定，这使其在教学中成为引入级数理论的理想起点。

与分部求和（Abel求和）的关系

分部求和公式（Summation by Parts，也称 Abel 变换）是伸缩求和的推广：

∑k=1nak(bk+1−bk)=an+1bn+1−a1b1−∑k=1n(ak+1−ak)bk+1\sum_{k=1}^{n} a_k (b_{k+1} - b_k) = a_{n+1} b_{n+1} - a_1 b_1 - \sum_{k=1}^{n} (a_{k+1} - a_k) b_{k+1}

该式类似于分部积分 ∫u dv=uv−∫v du\int u \, dv = uv - \int v \, du 的离散版本。当 ak≡1a_k \equiv 1 时退化为基本伸缩形式。分部求和在级数收敛的 Dirichlet 判别法与 Abel 判别法中扮演核心角色，也是处理 ∑akbk\sum a_k b_k 型（一项有界变差、另一项部分和有界）级数的标准工具。在计量经济学中，涉及时间序列的渐近理论时，常需用 Abel 求和将部分和转化为加权和来处理相依结构。

经济学中的应用

① 几何级数与永续年金： 伸缩求和是推导几何级数公式的最简途径。令 Sn=∑k=0nrkS_n = \sum_{k=0}^{n} r^k，(1−r)Sn=Sn−rSn=1−rn+1(1-r)S_n = S_n - rS_n = 1 - r^{n+1}，本质是错位伸缩：(1+r+⋯+rn)−(r+r2+⋯+rn+1)=1−rn+1(1 + r + \cdots + r^n) - (r + r^2 + \cdots + r^{n+1}) = 1 - r^{n+1}。由此：

∑k=0∞rk=11−r(∣r∣<1)\sum_{k=0}^{\infty} r^k = \frac{1}{1-r} \quad (|r| < 1)

这是所有折现计算的根基——永续年金 PV=C/rPV = C/r、戈登增长模型 P=D/(r−g)P = D/(r-g) 等均建立在此公式之上。

② 期望值的尾概率公式： 对于非负整数值随机变量 XX：

E[X]=∑k=1∞P(X≥k)\mathbb{E}[X] = \sum_{k=1}^{\infty} P(X \ge k)

证明中 ∑k=1∞k⋅P(X=k)=∑k=1∞∑j=1kP(X=k)=∑j=1∞∑k=j∞P(X=k)=∑j=1∞P(X≥j)\sum_{k=1}^{\infty} k \cdot P(X=k) = \sum_{k=1}^{\infty}\sum_{j=1}^{k} P(X=k) = \sum_{j=1}^{\infty}\sum_{k=j}^{\infty} P(X=k) = \sum_{j=1}^{\infty} P(X \ge j)，两次求和次序交换即蕴含伸缩思想。该公式在保险精算与可靠性理论中广泛应用——寿命分布的期望可直接从生存函数积分得到。

③ 动态规划与贝尔曼方程： 前向迭代求解无限期动态规划时，值函数 V(x0)=∑t=0∞βtu(xt)V(x_0) = \sum_{t=0}^{\infty} \beta^t u(x_t) 的部分和本身就是折现累加的伸缩结构，收敛性依赖于横截条件 lim⁡T→∞βTV(xT)=0\lim_{T \to \infty} \beta^T V(x_T) = 0。类似地，迭代预期（Iterated Expectations）中 E[Y]=E[E[Y∣X]]\mathbb{E}[Y] = \mathbb{E}[\mathbb{E}[Y|X]] 可视为条件期望嵌套的伸缩消去。

④ 国民经济核算中的存量-流量关系： 资本存量的永续盘存法 Kt=(1−δ)Kt−1+ItK_t = (1-\delta)K_{t-1} + I_t 迭代展开后：

Kt=(1−δ)tK0+∑s=0t−1(1−δ)sIt−sK_t = (1-\delta)^t K_0 + \sum_{s=0}^{t-1} (1-\delta)^s I_{t-s}

当 t→∞t \to \infty 且 K0K_0 影响衰减殆尽时，资本存量完全由投资流的几何衰减和决定——这本质上是加权伸缩，每一项都是差分 (1−δ)s−1−(1−δ)s(1-\delta)^{s-1} - (1-\delta)^s 的重新组合。

⑤ 价格指数链式加权： 费雪指数或链式拉氏/帕氏指数的逐年乘积形式，取对数后变为伸缩求和，便于分析长期通胀趋势的累积效应。

高维推广与连续类比

伸缩求和可推广至多重求和。例如二阶差分型 ∑i=1m∑j=1n(ai,j−ai−1,j−ai,j−1+ai−1,j−1)\sum_{i=1}^{m}\sum_{j=1}^{n} (a_{i,j} - a_{i-1,j} - a_{i,j-1} + a_{i-1,j-1}) 在有限差分法与格点上的泊松方程数值解中常见。连续类比为微积分基本定理：

∫abf′(x) dx=f(b)−f(a)\int_a^b f'(x)\,dx = f(b) - f(a)

离散的伸缩求和正是该定理的有限差分版本——两者均基于"变化率累积等于净变化"这一核心洞见。由此观之，伸缩求和并非孤立的计算技巧，而是离散微积分（有限差分演算）中与牛顿-莱布尼茨公式对偶的基本定理。

解题策略小结

运用伸缩求和的关键步骤：①识别或构造差分结构，使 ak=bk+1−bka_k = b_{k+1} - b_k（或 bk−bk+1b_k - b_{k+1}）；②验证抵消模式，确认中间项确实成对约去；③写出部分和闭式 Sn=bn+1−b1S_n = b_{n+1} - b_1；④若为无穷级数则取极限。常用构造工具包括部分分式分解、对数恒等式、三角恒等式、阶乘递推关系以及错位相减法（Sn−rSnS_n - rS_n 型）。在经济学建模中，一旦识别出目标量的差分结构，伸缩法往往能将看似复杂的求和立即简化为闭式解析表达式——这是数理经济学推导中的基本技能，也是从离散模型通向连续模型（微分方程）的桥梁。