Varför fakulteter är viktiga
Hamming inleder kapitel 9 med att notera att all ingenjörsdesign lever i n-dimensionellt rum, där n räknar de oberoende parametrarna. För att förstå det rummet måste vi förstå fakulteter — de dyker upp i volymformeln för varje n-dimensionell sfär.
Stirlings approximation
Att beräkna n! direkt blir omöjligt för stora n. Stirlings formel ger en noggrann approximation:
n! ≈ √(2πn) · (n/e)^n
Genom att ta logaritmer (vilket Hamming gör för att omvandla produkten till en summa):
ln(n!) ≈ n·ln(n) − n + 0,5·ln(2πn)
Approximationen förbättras när n växer: förhållandet Stirling(n)/n! → 1 när n → ∞. Ändå växer den absoluta skillnaden utan gräns. Båda fakta gäller samtidigt.
Hammings härledningsväg: approximera summan Σ ln(k) för k=1..n med integralen ∫ ln(x) dx från 1 till n via trapetsregeln, och ta sedan exponentialen. Konstanten √(2π) uppstår från gränsuppförandet av trapeznfelet.
| n | Stirling | True n! | Förhållande | |---|---|---|---| | 5 | 118,02 | 120 | 0,9835 | | 10 | 3 598 696 | 3 628 800 | 0,9917 | | 20 | ~2,423×10^18 | ~2,432×10^18 | 0,9958 |
Att använda Stirlings formel
Stirlings logaritmiska form är mest användbar för förhållande-beräkningar där absolut skala försvinner:
ln(n!) ≈ n·ln(n) − n + 0,5·ln(2πn)
Gamma-funktionen
Fakulteten n! är endast definierad för icke-negativa heltal. Hamming behöver volymformeln för sfären för alla positiva reella n, så han introducerar Gamma-funktionen:
Γ(n) = ∫₀^∞ x^(n−1) · e^(−x) dx (konvergerar för n > 0)
Partiell integration ger reduktionsformeln: Γ(n) = (n−1) · Γ(n−1).
Vid positiva heltal: Γ(n) = (n−1)! så Γ(5) = 4! = 24.
Vid halvheltal: Γ(1/2) = √π ≈ 1,772. Detta uppstår från Gauss-integralen ∫₋∞^∞ e^(−x²) dx = √π.
De värden vi behöver för sfärvolymer: Γ(n/2 + 1) vid halvheltal-argument.
| n | n/2 + 1 | Γ(n/2 + 1) | |---|---|---| | 1 | 3/2 | √π/2 ≈ 0,886 | | 2 | 2 | 1! = 1 | | 3 | 5/2 | 3√π/4 ≈ 1,329 | | 4 | 3 | 2! = 2 | | 5 | 7/2 | 15√π/8 ≈ 3,323 |
Formeln & paradoxen
Med Stirling och Gamma i handen härleder Hamming volymen av en n-dimensionell sfär med radie r:
V_n(r) = C_n · r^n där C_n = π^(n/2) / Γ(n/2 + 1)
Konstanten C_n beror endast på n, inte r. De första värdena:
| n | C_n | |---|---| | 1 | 2 | | 2 | π ≈ 3,142 | | 3 | 4π/3 ≈ 4,189 | | 4 | π²/2 ≈ 4,935 | | 5 | 8π²/15 ≈ 5,264 | | 6 | π³/6 ≈ 5,168 | | 8 | π⁴/24 ≈ 4,059 | | 10 | π⁵/120 ≈ 2,550 |
Paradoxen: C_n stiger till ett maximum nära n=5 (C_5 ≈ 5,264), sedan sjunker den tillbaka mot noll. Enhetssfären i mycket höga dimensioner har väsentligen ingen volym — även om det intuitivt verkar som att lägga till fler dimensioner borde lägga till mer utrymme.
Varför kollapsar volymen?
Nyckeln: volym = C_n · r^n. När r < 1, r^n → 0 exponentiellt. Radiusbegränsningen dödar volymen snabbare än dimensionaliteten växer. Nästan all volym i n-dimensionell enhets-hyperkub ligger i dess hörn, utanför den inskriven sfären.
Hörnparadoxen
I 2D: en enhetskvadrat [−1,1]^2 har area 4. Den inskrivna cirkeln har area π ≈ 3,14. Cirkeln fyller 78% av kvadraten.
I 3D: enhets-kuben [−1,1]^3 har volym 8. Den inskrivna sfären har volym 4π/3 ≈ 4,19. Sfären fyller 52%.
I n dimensioner: enhets-hyperkuben [−1,1]^n har volym 2^n. Den inskrivna sfären har volym C_n. Bråkdelen inuti sfären:
f(n) = C_n / 2^n
När n växer: C_n → 0 medan 2^n → ∞. Så f(n) → 0 snabbt. I 10D fyller sfären mindre än 0,3% av kuben.
Ingenjörskonsekvens: i högt-dimensionell designutrymme, kan du inte sampla genom att välja slumpmässiga punkter. Nästan alla slumpmässiga punkter kommer att landa i hörnen, långt från centrum. Din intuition byggd i 3D misslyckades helt.
Varför 3D-intuition misslyckades
Hammings huvudbudskap i kapitel 9: varje ingenjörssystem med n oberoende parametrar lever i n-dimensionellt rum. Aerodynamik, styrsystem, chipdesign, läkemedelsmolekyler — alla involverar parameterrum med n >> 3.
Tre specifika misslyckanden av 3D-intuition i höga dimensioner:
1. Diagonala avstånd. I 3D har diagonalen för en enhetskub längden √3 ≈ 1,73. I n-dimensionell enhets-hyperkub har diagonalen längden √n. För n=100 är diagonallängden 10 — ändå löper varje koordinat från 0 till 1. Punkter som ser 'närliggande' ut i någon enskild dimension är faktiskt långt ifrån varandra i n-dimensionellt rum.
2. Volymkoncentration. Som visats ovan: volymen koncentreras i hörnen, inte i den centrala sfären. Din intuition att centrum i ett utrymme är typiskt kollapsar.
3. Grannräkning. I 2D har en punkt ungefär πr² grannar inom radie r. I nD skaleras grannantalet som C_n·r^n, vilket för stora n är effektivt noll för små r. Grannskap kollapsar.
Hammings slutsats: 'Du kan helt enkelt inte visualisera vad som händer i n-rum.' Du måste förlita dig på matematik — på formler för volym, avstånd och sannolikhet — inte på fantasi.
Att tillämpa geometrin
Sfär-volymkollapsen har konkreta konsekvenser för modern praktik:
Optimering: gradient descent i högt-dimensionella parameterrum fungerar bättre än slumpmässig sökning just för att den utnyttjar lokal gradientinformation för att navigera strukturen av hörn-och-tomrum.
Maskininlärning: neuronala nätverks viktutrymmen har miljontals dimensioner. Geometrin förutsäger att slumpmässig initialisering sällan landar nära en bra lösning — ändå navigerar träningsprocessen mot en genom strukturerade gradientsteg.
Experiment design: att täcka ett högt-dimensionellt parameterrum med sampel kräver exponentiellt många punkter. Detta motiverar strukturerad experimentdesign (Latin hyperkuber, rymdutfyllande design) över slumpmässig sampling.