重积分 是二元或多元函数在多维空间中某一区域上的积分 。二重积分适用于平面区域上的函数,三重积分适用于三维区域上的函数,更高维的积分则适用于具有任意有限个坐标的空间上的函数。记号
∫ D f ( x ) d x \int_D f(\mathbf{x})\,d\mathbf{x} ∫ D f ( x ) d x
表示在整个区域 D D D 上,以无穷小体积为权重累积 f f f 的函数值。根据具体情境,这种累积可通过有限和的极限来定义,也可用测度论的方法来定义。
重积分是微积分 、几何学、概率论和数学物理的基础工具。它可用于计算面积与体积、质量与转动惯量、涉及多个随机变量的概率,以及随空间位置变化的量的平均值。其主要计算工具是反复进行一元积分和坐标变换。这些方法的有效性依赖于严格的前提条件:当正、负贡献不满足绝对可积条件时,看似无害的积分次序交换也可能失效。
含义、记号与几何解释 对于定义在平面区域 D D D 上的函数 f ( x , y ) f(x,y) f ( x , y ) ,二重积分通常记作
∬ D f ( x , y ) d A . \iint_D f(x,y)\,dA. ∬ D f ( x , y ) d A .
这里,d A dA d A 表示面积元。在笛卡尔坐标系中,面积元表示为 d x d y dx\,dy d x d y ;当积分写成累次积分时,积分的次序就会影响具体的计算过程。类似地,
∭ E g ( x , y , z ) d V \iiint_E g(x,y,z)\,dV ∭ E g ( x , y , z ) d V
表示空间区域 E E E 上的三重积分,其中 d V dV d V 为体积元。在 n n n 维欧几里得空间 中,相应的记号为
∫ D f ( x 1 , … , x n ) d x 1 ⋯ d x n . \int_D f(x_1,\ldots,x_n)\,dx_1\cdots dx_n. ∫ D f ( x 1 , … , x n ) d x 1 ⋯ d x n .
判断一个积分是否为重积分,依据的是积分区域的维数,而不是写出的积分号个数。
若 f ≥ 0 f\geq 0 f ≥ 0 ,二重积分具有直观的几何意义:它表示函数图像 z = f ( x , y ) z=f(x,y) z = f ( x , y ) 下方、区域 D D D 上方的体积。对于可正可负的函数,只要相关体积满足适当的有限性条件,二重积分就表示坐标平面上方的体积减去其下方的体积。非负函数的三重积分同样可以解释为四维体积,不过更常见的解释是:它表示某种密度分布在普通空间中所对应的总量。
对常值函数 1 1 1 积分,就得到区域的大小:
∬ D 1 d A = area ( D ) , ∭ E 1 d V = volume ( E ) . \iint_D1\,dA=\operatorname{area}(D), \qquad \iiint_E1\,dV=\operatorname{volume}(E). ∬ D 1 d A = area ( D ) , ∭ E 1 d V = volume ( E ) .
因此,重积分将几何度量推广为加权度量。如果 f f f 是以千克每平方米为单位的面质量密度,那么它的二重积分就是以千克为单位的质量。因此,在量纲分析中,需要将被积函数与积分元结合起来考虑:d A dA d A 带有长度的二次方量纲,而 d V dV d V 带有长度的三次方量纲。
只要相关积分存在,积分运算就具有线性:
∫ D ( a f + b g ) d x = a ∫ D f d x + b ∫ D g d x . \int_D(af+bg)\,d\mathbf{x} = a\int_Df\,d\mathbf{x}+b\int_Dg\,d\mathbf{x}. ∫ D ( a f + b g ) d x = a ∫ D f d x + b ∫ D g d x .
积分对于互不相交的区域还具有可加性,并且具有单调性:若 f ≤ g f\leq g f ≤ g ,则 ∫ D f ≤ ∫ D g \int_Df\leq\int_Dg ∫ D f ≤ ∫ D g 。对于可积函数,有
∣ ∫ D f d x ∣ ≤ ∫ D ∣ f ∣ d x . \left|\int_D f\,d\mathbf{x}\right| \leq \int_D|f|\,d\mathbf{x}. ∫ D f d x ≤ ∫ D ∣ f ∣ d x .
这些性质体现了积分所蕴含的累积思想,而不依赖于任何特定的计算方法。它们也表明,积分与函数在单个点处的取值不同:积分汇总的是整个区域内各处的贡献。
黎曼和与测度论基础 初等构造从一个矩形盒开始:
R = ∏ j = 1 n [ a j , b j ] . R=\prod_{j=1}^{n}[a_j,b_j]. R = j = 1 ∏ n [ a j , b j ] .
将每个坐标区间划分为更小的区间,得到子盒 R k R_k R k 。在每个子盒中选取一个取样点 ξ k \boldsymbol{\xi}_k ξ k ,构造黎曼和
∑ k f ( ξ k ) vol n ( R k ) . \sum_k f(\boldsymbol{\xi}_k)\,\operatorname{vol}_n(R_k). k ∑ f ( ξ k ) vol n ( R k ) .
如果当所有子盒中最大的直径趋于零时,这些和趋于同一个有限极限,且该极限不依赖于取样点的选择,也不依赖于具体采用哪一种足够精细的划分,那么这个函数就是黎曼可积的。这就是黎曼积分 的多维形式。
闭有界矩形盒上的每个连续函数 都黎曼可积。更一般地,这种矩形盒上的有界函数黎曼可积,当且仅当其不连续点集的勒贝格测度 为零。这一判据解释了为什么许多不连续性并不妨碍积分:函数即使在穿过某条光滑曲线或某个光滑曲面时发生跳跃,也仍然可能可积,因为这些边界在所在维度的空间中所占的体积为零。
对于有界的非矩形区域 D D D ,一种初等方法是将 f f f 在区域外补零,延拓到一个包含该区域的矩形盒上:
f ~ ( x ) = f ( x ) 1 D ( x ) , \widetilde f(\mathbf{x})=f(\mathbf{x})\,1_D(\mathbf{x}), f ( x ) = f ( x ) 1 D ( x ) ,
其中 1 D 1_D 1 D 是 D D D 的示性函数 。于是,D D D 上的积分就是这个延拓函数的积分。在通常的若尔当框架中,有界区域的边界体积为零时,该区域就是可测的。圆盘、多边形、球体以及通常的分片光滑立体都满足这一条件。形状更不规则的可测区域则可能超出这一初等框架的范围。
勒贝格积分 提供了更广泛的基础。它利用测度论 度量集合的大小,并通过越来越精确的简单函数来构造非负可测函数 的积分。对于实值可测函数,写成
f = f + − f − , f + = max ( f , 0 ) , f − = max ( − f , 0 ) . f=f^+-f^-, \qquad f^+=\max(f,0),\quad f^-=\max(-f,0). f = f + − f − , f + = max ( f , 0 ) , f − = max ( − f , 0 ) .
有限的勒贝格积分存在,当且仅当
∫ D ∣ f ∣ d x < ∞ , \int_D|f|\,d\mathbf{x}<\infty, ∫ D ∣ f ∣ d x < ∞ ,
等价地说,其正部和负部的积分都有限。非负函数的积分也允许取值 + ∞ +\infty + ∞ 。
只要有界函数在矩形盒上黎曼可积,这两种理论给出的积分就一致。此外,勒贝格理论在处理无界函数、复杂的可测区域和极限过程时尤其有效。在零测集 上改变被积函数的值,不会改变其勒贝格积分。因此,孤立点处或通常的低维边界上的函数值一般不会影响重积分,但函数在这些集合附近的行为却可能决定积分是否有限。
累次积分与富比尼–托内利定理 累次积分 是逐个变量依次积分得到的。在矩形区域上,表达式
∫ a b ( ∫ c d f ( x , y ) d y ) d x \int_a^b\left(\int_c^d f(x,y)\,dy\right)dx ∫ a b ( ∫ c d f ( x , y ) d y ) d x
先将 x x x 视为参数,对 y y y 积分,再对所得的 x x x 的函数积分。这种计算方式不同于通过二维求和来定义二重积分。因此,将这两种构造联系起来的定理至关重要,而不只是记号上的约定。
托内利定理 指出,对于定义在两个 σ 有限测度空间的乘积空间上的非负可测函数,可以按任一顺序积分,且两个累次积分都等于乘积空间上的积分:
∫ X × Y f d ( μ × ν ) = ∫ X ( ∫ Y f d ν ) d μ = ∫ Y ( ∫ X f d μ ) d ν . \int_{X\times Y}f\,d(\mu\times\nu) = \int_X\left(\int_Yf\,d\nu\right)d\mu = \int_Y\left(\int_Xf\,d\mu\right)d\nu. ∫ X × Y f d ( μ × ν ) = ∫ X ( ∫ Y f d ν ) d μ = ∫ Y ( ∫ X f d μ ) d ν .
这三个值都可以是无穷大。在欧几里得空间中的应用里,所用的测度通常是勒贝格测度,满足所需的 σ 有限性条件。
富比尼定理 给出了绝对可积函数的相应结论。如果
∫ X × Y ∣ f ∣ d ( μ × ν ) < ∞ , \int_{X\times Y}|f|\,d(\mu\times\nu)<\infty, ∫ X × Y ∣ f ∣ d ( μ × ν ) < ∞ ,
那么,对另一个变量的几乎所有取值,相应的截面函数都是可积的,而且按任一顺序积分都会得到相同的有限值。“几乎所有”允许存在例外的参数值,但这些值构成的集合必须具有零测度。该定理可推广到任意有限个因子的乘积空间,允许按不同的坐标顺序依次积分。
例如,在 [ 0 , 1 ] 2 [0,1]^2 [ 0 , 1 ] 2 上,
∫ 0 1 ∫ 0 1 ( x + 2 y ) d y d x = ∫ 0 1 ( x + 1 ) d x = 3 2 . \int_0^1\int_0^1(x+2y)\,dy\,dx = \int_0^1(x+1)\,dx = \frac32. ∫ 0 1 ∫ 0 1 ( x + 2 y ) d y d x = ∫ 0 1 ( x + 1 ) d x = 2 3 .
交换积分次序可得
∫ 0 1 ∫ 0 1 ( x + 2 y ) d x d y = ∫ 0 1 ( 1 2 + 2 y ) d y = 3 2 . \int_0^1\int_0^1(x+2y)\,dx\,dy = \int_0^1\left(\frac12+2y\right)dy = \frac32. ∫ 0 1 ∫ 0 1 ( x + 2 y ) d x d y = ∫ 0 1 ( 2 1 + 2 y ) d y = 2 3 .
函数在该矩形区域上的连续性保证了定理的条件成立。
若不满足绝对可积性,两种积分次序的结果可能不同。在 ( 0 , 1 ) 2 (0,1)^2 ( 0 , 1 ) 2 上,考虑
f ( x , y ) = x 2 − y 2 ( x 2 + y 2 ) 2 . f(x,y)=\frac{x^2-y^2}{(x^2+y^2)^2}. f ( x , y ) = ( x 2 + y 2 ) 2 x 2 − y 2 .
对每个固定的 x > 0 x>0 x > 0 ,都有
∫ 0 1 f ( x , y ) d y = 1 1 + x 2 , \int_0^1 f(x,y)\,dy=\frac{1}{1+x^2}, ∫ 0 1 f ( x , y ) d y = 1 + x 2 1 ,
因为 f = ∂ y [ y / ( x 2 + y 2 ) ] f=\partial_y[y/(x^2+y^2)] f = ∂ y [ y / ( x 2 + y 2 )] 。因此,按这一次序积分得到 π / 4 \pi/4 π /4 。若改为先对 x x x 积分,则得到 − π / 4 -\pi/4 − π /4 。绝对值的积分在原点附近发散,而且正部和负部的积分均为无穷大。因此,这两个结果是两个不同的累次积分值,而不是同一个有限的勒贝格二重积分的两种计算结果。这个例子恰好说明了为什么必须论证所用积分次序的合理性。
描述区域与确定积分限 对于非矩形区域,计算首先要用不等式描述积分区域。沿竖直方向的简单平面区域具有如下形式:
D = { ( x , y ) : a ≤ x ≤ b , ϕ 1 ( x ) ≤ y ≤ ϕ 2 ( x ) } . D=\{(x,y):a\leq x\leq b,\ \phi_1(x)\leq y\leq\phi_2(x)\}. D = {( x , y ) : a ≤ x ≤ b , ϕ 1 ( x ) ≤ y ≤ ϕ 2 ( x )} .
在适当的可积性假设下,
∬ D f d A = ∫ a b ∫ ϕ 1 ( x ) ϕ 2 ( x ) f ( x , y ) d y d x . \iint_D f\,dA = \int_a^b\int_{\phi_1(x)}^{\phi_2(x)} f(x,y)\,dy\,dx. ∬ D f d A = ∫ a b ∫ ϕ 1 ( x ) ϕ 2 ( x ) f ( x , y ) d y d x .
外层积分区间描述区域在 x x x -轴上的投影;内层积分限描述给定 x x x 处的竖直截线。沿水平方向的简单区域可用类似方式描述,此时以 y y y 为外层积分变量。
考虑由 x = 0 x=0 x = 0 、y = 0 y=0 y = 0 和 x + y = 1 x+y=1 x + y = 1 围成的三角形。描述它的不等式既可以写为
0 ≤ x ≤ 1 , 0 ≤ y ≤ 1 − x , 0\leq x\leq1,\qquad 0\leq y\leq1-x, 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1 − x ,
也可以写为
0 ≤ y ≤ 1 , 0 ≤ x ≤ 1 − y . 0\leq y\leq1,\qquad 0\leq x\leq1-y. 0 ≤ y ≤ 1 , 0 ≤ x ≤ 1 − y .
因此,
∬ D x y d A = ∫ 0 1 ∫ 0 1 − x x y d y d x = 1 2 ∫ 0 1 x ( 1 − x ) 2 d x = 1 24 . \iint_Dxy\,dA = \int_0^1\int_0^{1-x}xy\,dy\,dx = \frac12\int_0^1x(1-x)^2\,dx = \frac1{24}. ∬ D x y d A = ∫ 0 1 ∫ 0 1 − x x y d y d x = 2 1 ∫ 0 1 x ( 1 − x ) 2 d x = 24 1 .
这两种积分次序描述的是同一个集合,但需要采用不同的内层积分限。若只交换 d x dx d x 和 d y dy d y ,却不调整依赖于变量的积分限,通常就会改变原来的问题。
交换积分次序还可以解决被积函数没有初等原函数 时的计算困难。例如,
I = ∫ 0 1 ∫ x 1 e y 2 d y d x I=\int_0^1\int_x^1e^{y^2}\,dy\,dx I = ∫ 0 1 ∫ x 1 e y 2 d y d x
中,内层被积函数的原函数不是初等函数。积分区域为 0 ≤ x ≤ y ≤ 1 0\leq x\leq y\leq1 0 ≤ x ≤ y ≤ 1 ,因此
I = ∫ 0 1 ∫ 0 y e y 2 d x d y = ∫ 0 1 y e y 2 d y = e − 1 2 . I=\int_0^1\int_0^y e^{y^2}\,dx\,dy =\int_0^1ye^{y^2}\,dy =\frac{e-1}{2}. I = ∫ 0 1 ∫ 0 y e y 2 d x d y = ∫ 0 1 y e y 2 d y = 2 e − 1 .
这一简化源于积分区域的几何形状,而不是某个新的积分公式。
在三维空间中,沿竖直方向的简单立体区域可表示为
E = { ( x , y , z ) : ( x , y ) ∈ D , u ( x , y ) ≤ z ≤ v ( x , y ) } . E=\{(x,y,z):(x,y)\in D,\ u(x,y)\leq z\leq v(x,y)\}. E = {( x , y , z ) : ( x , y ) ∈ D , u ( x , y ) ≤ z ≤ v ( x , y )} .
于是
∭ E f d V = ∬ D ( ∫ u ( x , y ) v ( x , y ) f ( x , y , z ) d z ) d A . \iiint_E f\,dV = \iint_D\left(\int_{u(x,y)}^{v(x,y)} f(x,y,z)\,dz\right)dA. ∭ E f d V = ∬ D ( ∫ u ( x , y ) v ( x , y ) f ( x , y , z ) d z ) d A .
更复杂的区域可能需要分解为有限个较简单的部分。空洞、悬伸部分以及相交的边界曲面,往往使区域无法用一对截线端点界限来描述。同样的原则也适用于更高维的情形:每个积分限都必须描述在尚未积分的坐标给定时,相应变量所允许的取值范围。
变量替换与雅可比因子 变量替换可以将复杂的积分区域或被积函数化为更简单的形式。设
T : U ⟶ V , x = T ( u ) , T:U\longrightarrow V,\qquad \mathbf{x}=T(\mathbf{u}), T : U ⟶ V , x = T ( u ) ,
是 R n \mathbb{R}^n R n 的两个开子集之间的连续可微双射,其逆映射也连续可微,且雅可比行列式处处非零。换元定理 指出,对于非负可测函数或可积函数 f f f ,有
∫ V f ( x ) d x = ∫ U f ( T ( u ) ) ∣ det D T ( u ) ∣ d u . \int_V f(\mathbf{x})\,d\mathbf{x} = \int_U f(T(\mathbf{u})) \left|\det DT(\mathbf{u})\right|\,d\mathbf{u}. ∫ V f ( x ) d x = ∫ U f ( T ( u )) ∣ det D T ( u ) ∣ d u .
这里,D T DT D T 是雅可比矩阵 ,其行列式 衡量局部体积的缩放比例。
行列式之所以出现在公式中,是因为可微映射在局部可以用线性映射 近似。线性映射将一个小长方体映为平行多面体,其体积变为原体积乘以该映射的行列式的绝对值。取绝对值是必要的,因为通常意义下的体积是非负的:反转定向的变换不应使正的密度产生负的总量。如果某个变换多次覆盖目标区域的某一部分,就必须处理这种覆盖重数,而不能将其忽略。
对于极坐标 ,
x = r cos θ , y = r sin θ , x=r\cos\theta,\qquad y=r\sin\theta, x = r cos θ , y = r sin θ ,
其行列式为 r r r 。因此,在半径为 R R R 的圆盘上,有
∬ x 2 + y 2 ≤ R 2 f ( x , y ) d A = ∫ 0 2 π ∫ 0 R f ( r cos θ , r sin θ ) r d r d θ . \iint_{x^2+y^2\leq R^2}f(x,y)\,dA = \int_0^{2\pi}\int_0^R f(r\cos\theta,r\sin\theta)\,r\,dr\,d\theta. ∬ x 2 + y 2 ≤ R 2 f ( x , y ) d A = ∫ 0 2 π ∫ 0 R f ( r cos θ , r sin θ ) r d r d θ .
该变换在 r = 0 r=0 r = 0 处是奇异的,而角度取值区间首尾相接,也使它在闭参数矩形上不具有全局单射性。这些例外集合的面积为零;处理时,可以先将变换限制在适当的开坐标区域上,再补回可忽略的边界。
在柱坐标中,d V = r d r d θ d z dV=r\,dr\,d\theta\,dz d V = r d r d θ d z 。在球坐标中,以 ϕ \phi ϕ 表示与 z z z 轴正方向的夹角,则
x = ρ sin ϕ cos θ , y = ρ sin ϕ sin θ , z = ρ cos ϕ , x=\rho\sin\phi\cos\theta,\quad y=\rho\sin\phi\sin\theta,\quad z=\rho\cos\phi, x = ρ sin ϕ cos θ , y = ρ sin ϕ sin θ , z = ρ cos ϕ ,
且
d V = ρ 2 sin ϕ d ρ d ϕ d θ . dV=\rho^2\sin\phi\,d\rho\,d\phi\,d\theta. d V = ρ 2 sin ϕ d ρ d ϕ d θ .
必须说明角度符号的约定,因为不同学科对这两个角所用的符号可能恰好相反。
线性替换对于椭球以及变量之间含有交叉项的二次表达式尤其有用。如果 x = A u + b \mathbf{x}=A\mathbf{u}+\mathbf{b} x = A u + b ,那么 d x = ∣ det A ∣ d u d\mathbf{x}=|\det A|\,d\mathbf{u} d x = ∣ det A ∣ d u 。将单位球映为半轴长为 a , b , c a,b,c a , b , c 的椭球,即可直接得到其体积为
4 π 3 a b c . \frac{4\pi}{3}abc. 3 4 π ab c .
恰当选取的变换既能简化积分区域,又能显现被积函数的对称性。
反常积分、奇点与收敛性 重积分可能因积分区域无界,或被积函数在某个点、曲线或曲面附近无界而成为反常积分。这两类困难需要分别分析。函数在某一点具有奇异值,本身并不意味着积分发散;关键在于函数在该点邻域内增长得有多快,以及该邻域的体积有多大。
对于 R n \mathbb{R}^n R n 上的径向函数,若 g ( ∣ x ∣ ) g(|\mathbf{x}|) g ( ∣ x ∣ ) 非负或可积,则积分可化为
∫ R n g ( ∣ x ∣ ) d x = ∣ S n − 1 ∣ ∫ 0 ∞ g ( r ) r n − 1 d r \int_{\mathbb{R}^n}g(|\mathbf{x}|)\,d\mathbf{x} = |\mathbb{S}^{n-1}| \int_0^\infty g(r)r^{n-1}\,dr ∫ R n g ( ∣ x ∣ ) d x = ∣ S n − 1 ∣ ∫ 0 ∞ g ( r ) r n − 1 d r
其中,∣ S n − 1 ∣ |\mathbb{S}^{n-1}| ∣ S n − 1 ∣ 表示单位球面的面积。因子 r n − 1 r^{n-1} r n − 1 起着决定性作用。在原点附近,
∫ ∣ x ∣ < 1 ∣ x ∣ − p d x < ∞ ⟺ p < n , \int_{|\mathbf{x}|<1}|\mathbf{x}|^{-p}\,d\mathbf{x}<\infty \quad\Longleftrightarrow\quad p<n, ∫ ∣ x ∣ < 1 ∣ x ∣ − p d x < ∞ ⟺ p < n ,
而在无穷远处,
∫ ∣ x ∣ > 1 ∣ x ∣ − p d x < ∞ ⟺ p > n . \int_{|\mathbf{x}|>1}|\mathbf{x}|^{-p}\,d\mathbf{x}<\infty \quad\Longleftrightarrow\quad p>n. ∫ ∣ x ∣ > 1 ∣ x ∣ − p d x < ∞ ⟺ p > n .
当 p = n p=n p = n 时,对应的两个径向积分都呈对数发散。
因此,在三维空间中,1 / r 1/r 1/ r 在原点附近局部可积,因为计入体积元后,径向积分中的表达式变成了 r d r r\,dr r d r 的常数倍。相比之下,1 / r 3 1/r^3 1/ r 3 在原点附近并不局部可积。沿子空间出现的奇性则取决于横向方向的个数:若 r r r 表示到一个光滑的余维为 k k k 的子流形的距离,则在通常的局部正则性假设下,1 / r p 1/r^p 1/ r p 型奇性在 p < k p<k p < k 时局部可积。
对于非负函数,在一列递增的可测区域上的积分收敛于这些区域并集上的积分。对于绝对可积的可正可负函数,控制收敛定理 同样保证了常规截断过程所得结果的一致性。然而,若函数并非绝对可积,趋向无穷远或剔除奇点的不同方式可能得到不同的极限。
柯西主值规定了一种特定的对称取极限方式。即使通常意义下的积分不存在,柯西主值仍可能存在。这样的值是一种额外的构造,不能代替对可积性的检验。在多维情形中,对称性可以指采用同心球、成对的半空间或其他指定的区域族;这些取法所得的结果未必一致。
这一区别在位势论和分布理论 中十分重要,因为奇异核往往只有经过抵消或正则化处理后才有意义。被积表达式、积分区域和取极限的约定共同决定了所研究的数学对象。若不作说明,只将发散的正、负贡献相互抵消,并不能据此定义一个有限的重积分。
几何量与物理量 重积分将局部密度规律转化为整体量。对于占据区域 E ⊆ R 3 E\subseteq\mathbb{R}^3 E ⊆ R 3 、质量密度为非负函数 ρ \rho ρ 的物体,其质量为
M = ∭ E ρ ( x , y , z ) d V . M=\iiint_E\rho(x,y,z)\,dV. M = ∭ E ρ ( x , y , z ) d V .
若 0 < M < ∞ 0<M<\infty 0 < M < ∞ 且各一阶矩均有限,则其质心为
x ˉ = 1 M ∭ E x ρ d V , y ˉ = 1 M ∭ E y ρ d V , z ˉ = 1 M ∭ E z ρ d V . \bar x=\frac1M\iiint_E x\rho\,dV,\qquad \bar y=\frac1M\iiint_E y\rho\,dV,\qquad \bar z=\frac1M\iiint_E z\rho\,dV. x ˉ = M 1 ∭ E x ρ d V , y ˉ = M 1 ∭ E y ρ d V , z ˉ = M 1 ∭ E z ρ d V .
当密度均匀时,这些公式就化为几何形心的公式。反射对称性可以使形心的某个坐标为零,但前提是区域和密度都具有这种对称性。
转动力学中用到的是二阶矩。物体绕 z z z -轴的转动惯量为
I z = ∭ E ( x 2 + y 2 ) ρ d V . I_z=\iiint_E(x^2+y^2)\rho\,dV. I z = ∭ E ( x 2 + y 2 ) ρ d V .
更一般地,惯性张量的分量为
I i j = ∭ E ρ ( x ) ( ∣ x ∣ 2 δ i j − x i x j ) d V . I_{ij} = \iiint_E\rho(\mathbf{x}) \bigl(|\mathbf{x}|^2\delta_{ij}-x_ix_j\bigr)\,dV. I ij = ∭ E ρ ( x ) ( ∣ x ∣ 2 δ ij − x i x j ) d V .
非对角项反映了质量分布如何使不同坐标方向之间产生耦合。将这个对称矩阵 对角化,就能确定惯性主轴,从而将积分与线性代数 及刚体动力学联系起来。
重积分也可以通过参数域来计算曲面的面积。若一个正则曲面表示为 r ( u , v ) \mathbf{r}(u,v) r ( u , v ) ,则其面积为
A = ∬ U ∣ r u × r v ∣ d u d v . A=\iint_U \left|\mathbf{r}_u\times\mathbf{r}_v\right|\,du\,dv. A = ∬ U ∣ r u × r v ∣ d u d v .
对于函数图像 z = g ( x , y ) z=g(x,y) z = g ( x , y ) ,这一公式变为
A = ∬ D 1 + g x 2 + g y 2 d x d y . A=\iint_D \sqrt{1+g_x^2+g_y^2}\,dx\,dy. A = ∬ D 1 + g x 2 + g y 2 d x d y .
这个额外因子不可或缺:曲面在坐标平面上的投影面积,不同于倾斜曲面本身的面积。虽然积分使用两个参数,但所研究的几何对象位于三维空间中。
守恒定律将体积分与边界通量联系起来。在适当的光滑性假设下,散度定理 表明
∭ E ∇ ⋅ F d V = ∬ ∂ E F ⋅ n d S . \iiint_E\nabla\cdot\mathbf{F}\,dV = \iint_{\partial E}\mathbf{F}\cdot\mathbf{n}\,dS. ∭ E ∇ ⋅ F d V = ∬ ∂ E F ⋅ n d S .
左侧表示区域内部局部产生或消耗的总量;右侧表示穿过边界向外输运的净量。这一关系是流体流动、传热和电磁学积分表述的基础。
偏微分方程 中也有类似的应用。将方程乘以一个检验函数,在区域上积分,再利用分部积分法 ,便可转移导数,得到弱形式。在有限元法 中,诸如
∫ E ∇ ϕ i ⋅ ∇ ϕ j d V \int_E\nabla\phi_i\cdot\nabla\phi_j\,dV ∫ E ∇ ϕ i ⋅ ∇ ϕ j d V
这样的量构成刚度矩阵的元素。因此,重积分将连续的物理模型与有限维代数方程组联系起来。
概率、边际化与高斯积分 对于连续随机向量 X = ( X 1 , … , X n ) \mathbf{X}=(X_1,\ldots,X_n) X = ( X 1 , … , X n ) ,其联合概率密度函数 p p p 满足
p ( x ) ≥ 0 , ∫ R n p ( x ) d x = 1. p(\mathbf{x})\geq0,\qquad \int_{\mathbb{R}^n}p(\mathbf{x})\,d\mathbf{x}=1. p ( x ) ≥ 0 , ∫ R n p ( x ) d x = 1.
于是,概率可表示为重积分:
Pr ( X ∈ A ) = ∫ A p ( x ) d x . \Pr(\mathbf{X}\in A)=\int_Ap(\mathbf{x})\,d\mathbf{x}. Pr ( X ∈ A ) = ∫ A p ( x ) d x .
这为不规则区域上的积分提供了直观解释:区域表示一个事件,而密度则为体积相同的不同部分赋予不同的权重。
由二元密度 p X , Y p_{X,Y} p X , Y ,可得 X X X 的边际密度
p X ( x ) = ∫ R p X , Y ( x , y ) d y . p_X(x)=\int_{\mathbb{R}}p_{X,Y}(x,y)\,dy. p X ( x ) = ∫ R p X , Y ( x , y ) d y .
托内利定理保证了对非负密度进行边际化的合法性。只要期望有定义,随机向量的函数的期望值 便为
E [ g ( X ) ] = ∫ R n g ( x ) p ( x ) d x , \mathbb{E}[g(\mathbf{X})] = \int_{\mathbb{R}^n}g(\mathbf{x})p(\mathbf{x})\,d\mathbf{x}, E [ g ( X )] = ∫ R n g ( x ) p ( x ) d x ,
期望值有限要求 ∣ g ∣ p |g|p ∣ g ∣ p 可积,这与富比尼定理中的绝对可积条件相同。
当 X X X 和 Y Y Y 具有统计独立性 时,除一个零测集外,它们的联合密度可分解为 p X ( x ) p Y ( y ) p_X(x)p_Y(y) p X ( x ) p Y ( y ) 。在适当的可积性假设下,由此可得
E [ a ( X ) b ( Y ) ] = E [ a ( X ) ] E [ b ( Y ) ] . \mathbb{E}[a(X)b(Y)] = \mathbb{E}[a(X)]\mathbb{E}[b(Y)]. E [ a ( X ) b ( Y )] = E [ a ( X )] E [ b ( Y )] .
通过变量变换,还可以推导出随机变量之和的卷积 公式:
p X + Y ( s ) = ∫ R p X ( t ) p Y ( s − t ) d t . p_{X+Y}(s)=\int_{\mathbb{R}}p_X(t)p_Y(s-t)\,dt. p X + Y ( s ) = ∫ R p X ( t ) p Y ( s − t ) d t .
具体做法是将坐标 ( x , y ) (x,y) ( x , y ) 变换为 ( t , s ) = ( x , x + y ) (t,s)=(x,x+y) ( t , s ) = ( x , x + y ) ,其雅可比行列式的绝对值为 1 1 1 ,再对 t t t 积分,将其消去。
利用二重积分求高斯积分,是一个经典应用。设
J = ∫ − ∞ ∞ e − x 2 d x , J=\int_{-\infty}^{\infty}e^{-x^2}\,dx, J = ∫ − ∞ ∞ e − x 2 d x ,
由托内利定理并采用极坐标可得
J 2 = ∬ R 2 e − ( x 2 + y 2 ) d x d y = ∫ 0 2 π ∫ 0 ∞ e − r 2 r d r d θ = π . J^2 = \iint_{\mathbb{R}^2}e^{-(x^2+y^2)}\,dx\,dy = \int_0^{2\pi}\int_0^\infty e^{-r^2}r\,dr\,d\theta = \pi. J 2 = ∬ R 2 e − ( x 2 + y 2 ) d x d y = ∫ 0 2 π ∫ 0 ∞ e − r 2 r d r d θ = π .
由于 J > 0 J>0 J > 0 ,因此 J = π J=\sqrt{\pi} J = π 。这一计算给出了正态分布 的归一化常数。
更一般地,对于实对称正定矩阵 A A A ,有
∫ R n e − 1 2 x T A x d x = ( 2 π ) n / 2 det A . \int_{\mathbb{R}^n} e^{-\frac12\mathbf{x}^{T}A\mathbf{x}}\,d\mathbf{x} = \frac{(2\pi)^{n/2}}{\sqrt{\det A}}. ∫ R n e − 2 1 x T A x d x = det A ( 2 π ) n /2 .
通过正交对角化,可将该积分化为若干一维高斯积分的乘积。这个公式给出了多元正态分布 的归一化常数,也是协方差计算的核心。在贝叶斯统计中,对参数向量积分同样可以得到边际似然 ;这说明,即使不涉及空间解释,高维积分仍然十分重要。
数值求值与高维计算 多重积分往往无法用闭式表达式求值,因此需要进行数值近似。确定性积分公式在多维情形下通常称为多维求积公式,其形式为
∫ D f ( x ) d x ≈ ∑ k = 1 N w k f ( x k ) . \int_Df(\mathbf{x})\,d\mathbf{x} \approx \sum_{k=1}^{N}w_kf(\mathbf{x}_k). ∫ D f ( x ) d x ≈ k = 1 ∑ N w k f ( x k ) .
积分节点 x k \mathbf{x}_k x k 和权重 w k w_k w k 的选取旨在准确积分某些特定函数类,通常要求公式对不超过指定次数的多项式 给出精确结果。精度取决于函数的光滑性、积分区域的几何形状以及求值点的分布。
张量积公式沿每个坐标方向分别应用一维求积公式。如果每个方向使用 m m m 个节点,那么一个 n n n 维公式就需要 m n m^n m n 个节点。当 m = 10 m=10 m = 10 、n = 8 n=8 n = 8 时,就已经需要进行 10 8 10^8 1 0 8 次函数求值。这种指数增长是维数灾难 的一种表现。自适应细分可以将求值点集中在难以处理的区域,但并不能自动消除这一根本障碍。
稀疏网格方法将分辨率较低的张量积公式组合起来,而不是采用一个处处精细的均匀网格。当被积函数具有足够的混合光滑性时,这类方法可能很有效。其他确定性策略包括对不规则区域进行单纯形剖分、利用对称性,或通过变换使奇异被积函数变得更光滑。没有哪种方法在所有情形下都最优:光滑的低维积分与高度集中的高维积分所带来的问题截然不同。
蒙特卡洛方法 则采用随机采样。如果 D D D 的体积 V V V 有限且为正,且 X 1 , … , X N \mathbf{X}_1,\ldots,\mathbf{X}_N X 1 , … , X N 是从 D D D 中独立均匀抽取的样本,那么
I ^ N = V N ∑ k = 1 N f ( X k ) \widehat I_N=\frac{V}{N}\sum_{k=1}^{N}f(\mathbf{X}_k) I N = N V k = 1 ∑ N f ( X k )
在积分有限时就是无偏估计量。如果 f ( X 1 ) f(\mathbf{X}_1) f ( X 1 ) 的方差 有限,则
Var ( I ^ N ) = V 2 N Var ( f ( X 1 ) ) . \operatorname{Var}(\widehat I_N) = \frac{V^2}{N}\operatorname{Var}(f(\mathbf{X}_1)). Var ( I N ) = N V 2 Var ( f ( X 1 )) .
因此,其均方根误差按 N − 1 / 2 N^{-1/2} N − 1/2 的速率下降。这个指数并不显式地随维数增加而恶化,但方差和采样难度可能会增大。
重要性采样按照密度 q q q 抽样,并对 f ( X ) / q ( X ) f(\mathbf{X})/q(\mathbf{X}) f ( X ) / q ( X ) 取平均;在被积函数对积分有贡献的所有位置,q q q 都必须为正。其效果很大程度上取决于 q q q 与重要区域的匹配程度。拟蒙特卡洛方法使用低差异点集,对于满足适当正则性条件的被积函数,可以提高收敛速度。
可靠的数值分析 还需要区分离散化误差、采样误差和浮点误差。两个近似结果相差很小,并不总能说明结果准确:二者可能都遗漏了某个狭窄的峰,或同一个奇异区域。误差评估必须考虑被积函数的结构以及所选算法的假设。
历史发展与更广泛的推广 多重积分的几何渊源可以追溯到求面积和体积的方法。公元前3世纪,阿基米德 运用穷竭法 及相关的几何论证,得出了有关曲边图形和曲面立体的结论。这些方法并未使用现代意义上的函数、坐标或测度空间,却确立了通过不断细化的近似来确定曲边或曲面所界定之量的原理。
解析几何和17世纪微积分的发展,使人们能够系统地对依赖坐标的量进行积分。戈特弗里德·威廉·莱布尼茨 于1675年在手稿中引入积分符号,并于1686年发表了有关积分学的著作。18世纪,累次积分和坐标代换成为力学、势论及连续分布研究中的重要工具。在这些方法的有效性条件得到完整的现代表述之前,它们就已被成功运用。
19世纪的分析学给出了日益精确的定义。波恩哈德·黎曼 在1854年完成、1867年发表的大学任教资格论文中提出了他的积分理论。亨利·勒贝格1902年的博士论文建立了以测度为基础的更一般的积分,由此得以获得更强的收敛结果,并对例外集进行系统处理。圭多·富比尼1907年的工作和列奥尼达·托内利1909年的工作,推动了乘积空间上现代积分理论的建立。这些进展澄清了非负函数积分与涉及正负抵消的积分之间的区别。
在抽象框架中,坐标长方体被测度空间的笛卡尔积 所取代。在通常的σ有限性假设下,乘积测度在可测矩形上由下式刻画:
( μ × ν ) ( A × B ) = μ ( A ) ν ( B ) , (\mu\times\nu)(A\times B)=\mu(A)\nu(B), ( μ × ν ) ( A × B ) = μ ( A ) ν ( B ) ,
多重积分于是成为关于这一乘积测度的积分。欧几里得体积是其中的一个核心例子,但同一框架也可以将连续变量与离散变量结合起来,或在没有几何坐标的空间上进行积分。
在流形 上,积分通过坐标图以及相应的变换法则来定义。黎曼度量张量 g g g 给出局部体积元
d V g = det ( g i j ) d x 1 ⋯ d x n . dV_g=\sqrt{\det(g_{ij})}\,dx^1\cdots dx^n. d V g = det ( g ij ) d x 1 ⋯ d x n .
这样便可以在弯曲空间上进行积分,而不依赖于某一种特定的坐标描述。微分形式 的积分还保留了定向信息,因此其坐标变换法则使用带符号的雅可比行列式,而不只是体积缩放因子的绝对值。
在这一更广泛的框架下,对于具有适当正则性的定向流形和微分形式,并在满足适当的支集或紧致性假设时,斯托克斯定理 表述为
∫ M d ω = ∫ ∂ M ω \int_M d\omega=\int_{\partial M}\omega ∫ M d ω = ∫ ∂ M ω
它通过边界的几何性质,将不同维数上的积分联系起来。体积测度、曲面测度与有定向的微分形式之间的区别,解释了为什么一些看似相似的累次积分表达式,实际上可能代表不同的几何构造。