积分学
核心观点:积分是微分的逆运算,是计算面积、体积和累积量的工具。
🎯 这 20% 能解决哪些问题
| 你遇到的困惑 | 本质原因 | 马上能改的动作 |
|---|
| 概率密度为什么「可以大于 1」 | 密度不是概率,积分为 1 才归一 | 讨论区间概率,不要拿单点密度值下结论 |
| 期望、互信息这些公式到底怎么算 | 期望是密度与 x 乘积的积分 | 先定积分区间与测度,再推公式 |
| 两个独立变量相加后分布怎么求 | 密度相加就是卷积(一个积分) | 用卷积或特征函数,不靠模拟碰运气 |
| 归一化常数 k 怎么定 | 利用 ∫f = 1 列方程 | 先积出总面积再回代,适合拒绝采样 |
| 高维积分算不动 | 数值积分复杂度随维度爆炸 | 改用蒙特卡洛,误差 O(1/√N) 与维度无关 |
| AUC 为什么能衡量排序 | AUC 是 ROC 曲线下面积(排序的积分) | 用「正例排在负例前面的概率」理解指标 |
| 变上限积分求导易错 | 微分基本定理 + 链式法则 | 先确认上限是变量还是函数,再求导 |
📊 积分基本概念
不定积分
| 概念 | 定义 | 意义 |
|---|
| 不定积分 | ∫f(x)dx = F(x) + C | 原函数族 |
| 被积函数 | f(x) | 要积分的函数 |
| 积分变量 | dx | 积分变量 |
| 积分常数 | C | 任意常数 |
定积分
graph TB
subgraph 定积分
A1["黎曼和<br/>∑f(xᵢ)Δxᵢ"]
A2["极限过程<br/>n→∞"]
A3["积分值<br/>面积/体积"]
A4["牛顿-莱布尼茨<br/>∫ₐᵇf(x)dx = F(b)-F(a)"]
end
A1 --> A2 --> A3 --> A4
style A1 fill:#ffebee
🔢 积分公式
基本积分公式
| 函数 | 积分 | 说明 |
|---|
| xⁿ | xⁿ⁺¹/(n+1) + C | 幂函数 |
| 1/x | ln|x| + C | 对数函数 |
| eˣ | eˣ + C | 指数函数 |
| sinx | -cosx + C | 三角函数 |
| cosx | sinx + C | 三角函数 |
积分方法
graph TB
subgraph 积分方法
A1["换元积分<br/>变量替换"]
A2["分部积分<br/>∫u dv = uv - ∫v du"]
A3["部分分式<br/>有理函数"]
end
A1 & A2 & A3
style A1 fill:#ffebee
📈 微积分基本定理
牛顿-莱布尼茨公式
| 定理 | 公式 | 意义 |
|---|
| 牛顿-莱布尼茨 | ∫ₐᵇf(x)dx = F(b) - F(a) | 微分与积分互逆 |
| 变上限积分 | d/dx∫ₐˣf(t)dt = f(x) | 原函数存在 |
定积分性质
定积分性质:
1. 线性性:∫(af+bg) = a∫f + b∫g
2. 区间可加:∫ₐᵇ = ∫ₐᶜ + ∫ᶜᵇ
3. 保号性:f≥0 → ∫f ≥ 0
4. 中值定理:∫ₐᵇf = f(ξ)(b-a)
🎯 应用
几何应用
| 应用 | 公式 | 说明 |
|---|
| 曲线长度 | L = ∫√(1+(y’)²)dx | 弧长公式 |
| 旋转体积 | V = π∫y²dx | 绕x轴旋转 |
| 面积 | A = ∫ | f(x)-g(x) |
物理应用
graph TB
subgraph 物理应用
A1["功<br/>W = ∫F·ds"]
A2["质心<br/>x̄ = ∫xdm/∫dm"]
A3["转动惯量<br/>I = ∫r²dm"]
end
A1 & A2 & A3
style A1 fill:#ffebee
🤖 机器学习应用
期望与方差
| 概念 | 公式 | 应用 |
|---|
| 期望 | E[X] = ∫xf(x)dx | 期望计算 |
| 方差 | Var(X) = ∫(x-μ)²f(x)dx | 方差计算 |
| 概率 | P(a<X<b) = ∫ₐᵇf(x)dx | 概率计算 |
🎯 核心结论
积分学核心概念
- 不定积分:原函数族
- 定积分:面积/累积量
- 微积分基本定理:微分与积分互逆
- 积分方法:换元、分部、部分分式
- 应用:几何、物理、概率
学习路径
积分学学习四步骤:
1. 不定积分:基本公式、积分方法
2. 定积分:定义、性质
3. 微积分基本定理:牛顿-莱布尼茨
4. 应用:几何、物理、概率
🎓 实战场景(TIL)
- 场景:自定义密度函数采样,统计结果带固定偏差。本质:只在部分区间归一化,尾部被截断。要点:广义积分要验尾部收敛(
p > 1),采样前用数值积分校核总质量。
- 场景:算
E[g(X)] 时解析积分太难。本质:被积函数无初等原函数。要点:蒙特卡洛抽样估计,同时报样本量与估计标准差;方差大时用重要性采样或对偶变量。
- 场景:模型输出概率不合法(总和不接近 1)。本质:没把离散求和/连续积分的归一化条件写进测试。要点:任何概率输出都加一条
sum ≈ 1 的属性测试。
📋 一页速查
| 我要用 | 记住这条 |
|---|
| 微分基本定理 | d/dx ∫_a^x f(t)dt = f(x);上限为函数时再乘链式因子 |
| 定积分求面积 | 上曲线减下曲线;先交点分区间,不要直接相减取绝对值 |
| 换元 vs 分部 | 内函数导数出现 → 换元;两类不同函数相乘 → 分部 |
| 广义积分收敛 | ∫_1^∞ 1/x^p dx 收敛当 p > 1;用于验尾部与归一化 |
| 数值积分选型 | 低维光滑 → 梯形/辛普森;高维/复杂区域 → 蒙特卡洛 |
| 蒙特卡洛误差 | 标准差 σ/√N;要 1% 精度需约万量级样本 |
| Gamma/Beta | 归一化常数常出现于指数族与共轭先验,记住它们就是积分 |
| 卷积 | 独立和的密度 = 密度卷积;正态相加仍是正态(方差相加) |
🔗 相关链接
📚 参考文献
- 《高等数学》- 同济大学
- 《微积分》- James Stewart
- 《普林斯顿微积分读本》
- 《数学分析》- 陈纪修
- 《积分学》
- 《微积分应用》
- 《Calculus Made Easy》
- 《数学分析新讲》- 张筑生