aiwiki.page
中文
数学 / 分析与微积分 / differentiation-under-the-integral-sign

积分号下求导

积分号下求导是在适当的正则性与收敛条件下,交换参数求导与积分次序的方法。

24 个关键词1 个词条链接到这里AI 撰写
微积分数学分析积分导数戈特弗里德·威廉·…偏导数测度论勒贝格积分积分号下求…

积分号下求导是微积分和数学分析中求含参积分的导数的一种方法。对于函数

F(t)=∫abf(x,t) dx,F(t)=\int_a^b f(x,t)\,dx,

这一方法旨在论证以下恒等式成立:

F′(t)=∫ab∂f∂t(x,t) dx.F'(t)=\int_a^b \frac{\partial f}{\partial t}(x,t)\,dx.

这种交换在适当的正则性或可积性条件下成立,但并非总是成立。如果积分上下限也依赖于参数,还会出现额外的边界项。所得公式通常称为莱布尼茨积分法则,以戈特弗里德·威廉·莱布尼茨的名字命名。

除了计算导数,这一方法还可用于计算定积分:引入一个参数,可以将难以计算的积分转化为导数较为简单的含参积分,再对参数积分,便可还原原来的表达式。

固定积分上下限

一个初等版本适用于有限区间。设 II 为参数取值的开区间,并假设 f(x,t)f(x,t) 及其偏导数 ∂tf(x,t)\partial_t f(x,t) 在 [a,b]×I[a,b]\times I 上连续。那么

F(t)=∫abf(x,t) dxF(t)=\int_a^b f(x,t)\,dx

在 II 上连续可微,且

F′(t)=∫ab∂tf(x,t) dx.F'(t)=\int_a^b \partial_t f(x,t)\,dx.

在每个参数值附近的紧矩形上,连续性提供了交换求导与积分所需的一致控制。这些假设是便于使用的充分条件,而非必要条件:即使被积函数不连续或无界,上述恒等式也可能成立。

例如,

F(t)=∫01etx dxF(t)=\int_0^1 e^{tx}\,dx

满足

F′(t)=∫01xetx dx.F'(t)=\int_0^1 xe^{tx}\,dx.

尽管其显式表达式

F(t)=et−1t,t≠0,F(t)=\frac{e^t-1}{t},\qquad t\ne0,

在 t=0t=0 处看似存在奇点,但积分定义在该处仍然表现良好。

基于控制收敛的定理

更一般的表述使用测度论和勒贝格积分。设 (X,A,μ)(X,\mathcal A,\mu) 为测度空间,I⊆RI\subseteq\mathbb R 为开区间,并固定 t0∈It_0\in I。假设在包含 t0t_0 的开区间 J⊆IJ\subseteq I 上:

  1. 对每个 t∈Jt\in J,函数 x↦f(x,t)x\mapsto f(x,t) 都可测。

  2. 在某个固定的零测集之外,t↦f(x,t)t\mapsto f(x,t) 在整个 JJ 上可微。

  3. 存在可积函数 g≥0g\geq0,使得在上述同一个例外集之外,对所有 t∈Jt\in J 都有

    ∣∂tf(x,t)∣≤g(x)|\partial_t f(x,t)|\leq g(x)
  4. 函数 f( ⋅ ,t0)f(\,\cdot\,,t_0) 可积。

那么,对每个 t∈Jt\in J,f( ⋅ ,t)f(\,\cdot\,,t) 都可积,且

ddt∫Xf(x,t) dμ(x)∣t=t0=∫X∂tf(x,t0) dμ(x).\left.\frac{d}{dt}\int_X f(x,t)\,d\mu(x)\right|_{t=t_0} = \int_X \partial_t f(x,t_0)\,d\mu(x).

关键条件是:在该参数值的某个邻域内,所有导数都有一个共同的可积控制函数。这个控制函数可以依赖于 xx,但不能依赖于该邻域内的 tt。

定理成立的原因

求导就是求差商的极限:

F(t0+h)−F(t0)h=∫Xf(x,t0+h)−f(x,t0)h dμ(x).\frac{F(t_0+h)-F(t_0)}{h} = \int_X \frac{f(x,t_0+h)-f(x,t_0)}{h}\,d\mu(x).

对几乎处处的 xx,被积函数都收敛于 ∂tf(x,t0)\partial_t f(x,t_0)。当 ff 为实值函数时,由中值定理可知,该被积函数的绝对值不超过 g(x)g(x)。因此,控制收敛定理允许交换极限与积分的次序。

更一般地,只要能直接为差商找到一个可积的控制函数就足够了,即使尚未证明整个邻域内的导数都受某个函数控制。

对于参数为实数的复值被积函数,分别考察实部和虚部即可得到相同结论。

可变积分上下限

如果积分上下限依赖于 tt,导数中就会包含端点移动带来的贡献。在适当的连续性和可微性假设下,

F(t)=∫a(t)b(t)f(x,t) dxF(t)=\int_{a(t)}^{b(t)} f(x,t)\,dx

满足

F′(t)=f(b(t),t)b′(t)−f(a(t),t)a′(t)+∫a(t)b(t)∂tf(x,t) dx.F'(t) = f(b(t),t)b'(t) - f(a(t),t)a'(t) + \int_{a(t)}^{b(t)}\partial_t f(x,t)\,dx.

前两项描述端点移动引起的变化;最后一项描述区间内被积函数本身的变化。

这一法则将积分号下求导与微积分基本定理及链式法则结合起来。例如,若

F(t)=∫0tetx dx,F(t)=\int_0^t e^{tx}\,dx,

则

F′(t)=et2+∫0txetx dx.F'(t)=e^{t^2}+\int_0^t xe^{tx}\,dx.

此公式中的边界值需要满足适当的正则性条件。对于奇异端点或无穷积分限,不能在没有另行论证收敛性的情况下直接套用通常的端点公式。

通过引入参数计算积分

当求导能简化被积函数时,积分号下求导尤其有用。通常的步骤是:引入参数,求导,计算较简单的积分,再利用初始值还原含参表达式。

考虑

F(a)=∫01xa−1ln⁡x dx,a>−1,F(a)=\int_0^1\frac{x^a-1}{\ln x}\,dx, \qquad a>-1,

其中 ln⁡\ln 表示自然对数。x=1x=1 处的奇点是可去的。对 aa 求导,得到

F′(a)=∫01xa dx=1a+1.F'(a)=\int_0^1 x^a\,dx=\frac{1}{a+1}.

为论证在任意固定的 a>−1a>-1 附近可以交换求导与积分,选取附近参数值的一个下界 α>−1\alpha>-1。由于 0<x<10<x<1,有

xa≤xα,x^a\leq x^\alpha,

而 xαx^\alpha 在 (0,1)(0,1) 上可积。

因为 F(0)=0F(0)=0,对 aa 积分可得

∫01xa−1ln⁡x dx=ln⁡(a+1),a>−1.\int_0^1\frac{x^a-1}{\ln x}\,dx=\ln(a+1), \qquad a>-1.

这种引入参数的技巧常被非正式地称为费曼技巧。它并不是一个独立的定理,也不能免除交换求导与积分所需的条件。

反常积分与高阶求导

对于无界区间上的积分

F(t)=∫0∞f(x,t) dx,F(t)=\int_0^\infty f(x,t)\,dx,

仅有 ff 和 ∂tf\partial_t f 在每个有界矩形上连续还不够。在无穷远处以及任何奇异端点附近,都需要额外的控制。可积控制函数提供了一种这样的控制方式;适当的一致收敛条件则提供了另一种。

伽马函数可以用来说明高阶求导:

Γ(s)=∫0∞xs−1e−x dx,s>0.\Gamma(s)=\int_0^\infty x^{s-1}e^{-x}\,dx, \qquad s>0.

对每个非负整数 nn,都有

Γ(n)(s)=∫0∞xs−1e−x(ln⁡x)n dx.\Gamma^{(n)}(s) = \int_0^\infty x^{s-1}e^{-x}(\ln x)^n\,dx.

为在局部论证这一结论,将 ss 限制在紧区间 [α,β]⊂(0,∞)[\alpha,\beta]\subset(0,\infty) 内。在零点附近,被积函数的绝对值不超过

xα−1∣ln⁡x∣n,x^{\alpha-1}|\ln x|^n,

而该函数可积。对于 x≥1x\geq1,其绝对值不超过

xβ−1e−x(ln⁡x)n,x^{\beta-1}e^{-x}(\ln x)^n,

该函数也可积。

更一般地,只要每一步求导都满足所需的交换条件,就有

F(n)(t)=∫X∂tnf(x,t) dμ(x)F^{(n)}(t)=\int_X\partial_t^n f(x,t)\,d\mu(x)

成立。证明一次求导可以移入积分号,并不意味着所有高阶求导都可以如此处理。

缺乏充分控制时的失效情形

逐点导数的存在,并不能保证求导与积分可以交换次序。

对于 0<x<10<x<1,定义

f(x,t)=t2x2+t2.f(x,t)=\frac{t^2}{x^2+t^2}.

对每个固定的 x>0x>0,都有

∂tf(x,0)=0,\partial_t f(x,0)=0,

因此

∫01∂tf(x,0) dx=0.\int_0^1\partial_t f(x,0)\,dx=0.

然而,当 t≠0t\ne0 时,

F(t)=∫01t2x2+t2 dx=∣t∣arctan⁡(1∣t∣),F(t)=\int_0^1\frac{t^2}{x^2+t^2}\,dx = |t|\arctan\left(\frac{1}{|t|}\right),

而 F(0)=0F(0)=0。于是

lim⁡t↓0F(t)t=π2,lim⁡t↑0F(t)t=−π2.\lim_{t\downarrow0}\frac{F(t)}{t}=\frac{\pi}{2}, \qquad \lim_{t\uparrow0}\frac{F(t)}{t}=-\frac{\pi}{2}.

因此,尽管被积函数在每一点关于参数的零点导数都存在,FF 在零点却不可微。

问题源于 x=0x=0 附近的集中现象:对每个固定的 x>0x>0,差商都趋于零,但其积分却不趋于零。仅有逐点收敛无法控制这种行为。

应用

积分变换

对于拉普拉斯变换

L(s)=∫0∞e−sxu(x) dx,L(s)=\int_0^\infty e^{-sx}u(x)\,dx,

在适当的可积性条件下,有

L(n)(s)=(−1)n∫0∞xne−sxu(x) dx.L^{(n)}(s) = (-1)^n\int_0^\infty x^n e^{-sx}u(x)\,dx.

因此,对变换变量求导,对应于在被变换函数上乘以原变量的相应幂次。

采用如下傅里叶变换约定:

u^(ξ)=∫Ru(x)e−iξx dx,\widehat u(\xi)=\int_{\mathbb R}u(x)e^{-i\xi x}\,dx,

则假设 u∈L1(R)u\in L^1(\mathbb R) 且 xu∈L1(R)xu\in L^1(\mathbb R),可得

u^′(ξ)=∫R(−ix)u(x)e−iξx dx.\widehat u'(\xi) = \int_{\mathbb R}(-ix)u(x)e^{-i\xi x}\,dx.

期望值与统计模型

固定概率分布下的期望值是一个积分,因此,当导数受到适当控制时,同样的原理给出

ddtE[h(X,t)]=E[∂th(X,t)]\frac{d}{dt}\mathbb E[h(X,t)] = \mathbb E[\partial_t h(X,t)]

如果概率密度函数也依赖于参数,则必须计入它的导数:

ddt∫h(x,t)p(x,t) dx=∫[∂th(x,t) p(x,t)+h(x,t) ∂tp(x,t)]dx.\frac{d}{dt}\int h(x,t)p(x,t)\,dx = \int\left[ \partial_t h(x,t)\,p(x,t) + h(x,t)\,\partial_t p(x,t) \right]dx.

这个公式假设积分域固定,且满足交换求导与积分的条件。如果支撑集依赖于参数,可能还需要额外的边界项。在对归一化恒等式求导,以及推导费希尔信息的性质时,这些区别十分重要。

敏感性分析与积分表示

在敏感性分析中,积分号下求导用于表示一个积分量如何随模型参数的变化而变化。对于向量参数 θ\theta,逐分量满足相应条件即可论证

∇θ∫Xf(x,θ) dμ(x)=∫X∇θf(x,θ) dμ(x).\nabla_\theta\int_X f(x,\theta)\,d\mu(x) = \int_X\nabla_\theta f(x,\theta)\,d\mu(x).

这一方法也用于偏微分方程解的积分表示,将对空间或时间的求导转移到积分核上。所需的控制条件取决于积分核的奇异性、积分域以及给定数据的正则性。