Интеграл Эйлера — Пуассона

Интегра́л Э́йлера — Пуассо́на (также га́уссов интегра́л или интегра́л Пуассо́на)[1] — интеграл от гауссовой функции:

Интеграл Эйлера — Пуассона — классический пример сходящегося несобственного интеграла по бесконечному промежутку. Его значение лежит в основе нормировки нормального распределения в теории вероятностей и математической статистике, а также является краеугольным камнем в квантовой механике, статистической физике и квантовой теории поля.

Общие сведения
Интеграл Эйлера — Пуассона
англ. Gaussian integral
Область использования математический анализ, теория вероятностей, математическая физика
Автор понятия Леонард Эйлер, Симеон Дени Пуассон

История

История вычисления интеграла Гаусса тесно переплетена с развитием математического анализа, теории вероятностей и математической физики.

XVIII век: от гамма-функции к теории ошибок

Хотя в русскоязычной литературе интеграл часто называют «эйлеровским», сам Леонард Эйлер в 1729 году в своём письме Кристиану Гольдбаху исследовал не сам гауссов интеграл, а более общую гамма-функцию . Подстановкой она сводится к интегралу от гауссовой экспоненты, но явного вычисления именно интеграла Эйлер в тот момент не производил>[2].

Первым, кто столкнулся с необходимостью вычисления этого интеграла, был Абрахам де Муавр. В 1733 году в работе «Approximatio ad summam binomii…» он вывел нормальное приближение для биномиального распределения. Для доказательства своей теоремы ему потребовалось вычислить площадь под кривой , что он сделал, фактически найдя значение интеграла, хотя и в громоздкой геометрической форме[3][4].

Окончательно интеграл был введён в математический аппарат Пьером-Симоном Лапласом. В 1774 году в мемуаре «Mémoire sur les probabilités des causes par les événements» и позже в 1782 году Лаплас не только заново вычислил интеграл, но и начал систематически использовать его для анализа ошибок наблюдений, заложив основы математической статистики[5][6].

XIX век: Гаусс, Пуассон и строгие доказательства

В 1809 году Карл Фридрих Гаусс в своём фундаментальном труде «Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium» обосновал метод наименьших квадратов. Он показал, что если ошибка измерения распределена по нормальному закону, то наиболее вероятное значение параметра находится именно методом наименьших квадратов. В честь Гаусса нормальное распределение и сам интеграл получили свои современные названия[7][6].

Простой приём вычисления интеграла был опубликован Симеоном Дени Пуассоном в 1823 году в труде «Recherches sur la probabilité des jugements en matière criminelle et en matière civile»[8]. Пуассон предложил возвести интеграл в квадрат и перейти к полярным координатам. Именно из-за этого приёма в литературе (особенно в русской) закрепилось название «интеграл Эйлера — Пуассона» (Эйлер — за связь с гамма-функцией, Пуассон — за метод вычисления).

XX век: бесконечномерные обобщения и квантовая физика

В 1948 году Ричард Фейнман разработал континуальный интеграл (интеграл по траекториям) в квантовой механике. Интегрирование в формулировке Фейнмана для свободных частиц представляет собой бесконечномерный аналог интеграла Гаусса.

В 1960-х годах в квантовой теории поля возникла необходимость описывать фермионы (частицы с полуцелым спином), которые подчиняются принципу Паули. Феликс Березин ввёл интеграл по антикоммутирующим переменным (грассмановым переменным). Интеграл Березина от гауссовой экспоненты для фермионов даёт не , а , что кардинально меняет знаки в диаграммах Фейнмана для фермионных петель и является основой суперсимметрии.

XXI век

Сегодня вычисление гауссовых интегралов и их обобщений составляет математический фундамент современных исследований в области струнных теорий, физики конденсированного состояния и машинного обучения (где гауссовы процессы и байесовские методы опираются на те же принципы). Развитие численных методов (методы Монте-Карло, квази-Монте-Карло) для вычисления многомерных гауссовых интегралов остаётся активной областью исследований в вычислительной математике.

Доказательства

Обобщения и вариации

Масштабирование и многомерность

Гауссовы интегралы от масштабированной функции и многомерные интегралы с диагональной квадратичной формой элементарно сводятся к одномерному случаю заменой переменных:

Интегралы с квадратичными формами (матричный вид)

В линейной алгебре и физике наиболее часто встречается интеграл от многомерной гауссовой экспоненты с произвольной квадратичной формой. Пусть  — симметричная положительно определённая матрица размера , а  — вектор-столбец:

Этот результат доказывается диагонализацией матрицы ортогональным преобразованием (при котором якобиан равен 1) и сведением к предыдущему случаю.

Часто используется более общий вид с линейным членом (выделение полного квадрата):

где  — внешний вектор-источник. Эта формула является основой для вычисления производящих функционалов в квантовой теории поля.

Интегралы с полиномами

Интегралы вида вычисляются дифференцированием по параметру или с помощью гамма-функции:

Применение

Интеграл Гаусса и его обобщения находят применение практически во всех разделах современной математики, физики и инженерных дисциплин.

Теория вероятностей и статистика

Интеграл Гаусса является математическим фундаментом теории вероятностей и математической статистики. Без его точного значения было бы невозможно корректно определить нормальное распределение — центральное понятие всей вероятностной науки.

Нормировка нормального распределения

Нормальное распределение (также называемое распределением Гаусса) задаётся плотностью вероятности вида:

где  — математическое ожидание (параметр сдвига), а  — стандартное отклонение (параметр масштаба).

Главное требование к любой плотности вероятности — условие нормировки:

Проверка этого условия напрямую опирается на интеграл Гаусса. Действительно, делая замену переменной , получаем , и интеграл сводится к стандартному:

Таким образом, нормировочный множитель возникает именно из значения интеграла Гаусса[13].

Функция распределения и функция ошибок

Функция распределения (CDF) нормальной случайной величины выражается через функцию ошибок , которая по определению является нормированным интегралом Гаусса:

Функция распределения стандартного нормального закона связана с соотношением:

Значения табулированы и используются повсеместно — от вычисления вероятностей попадания в интервал до построения доверительных интервалов.

Вычисление моментов

Математическое ожидание, дисперсия и высшие моменты нормального распределения вычисляются через гауссовы интегралы с полиномиальным множителем:

Для стандартного нормального распределения (, ) нечётные моменты равны нулю в силу нечётности подынтегральной функции, а чётные моменты выражаются через двойные факториалы:

В частности, дисперсия , а эксцесс и асимметрия вычисляются через моменты четвёртого и третьего порядков соответственно.

Характеристическая функция

Характеристическая функция нормального распределения — ещё один объект, вычисляемый через гауссов интеграл, но уже в комплексной области:

Этот интеграл берётся выделением полного квадрата в показателе экспоненты и является частным случаем обобщённого интеграла Гаусса с комплексным линейным членом. Характеристическая функция полностью определяет распределение и является ключевым инструментом при доказательстве центральной предельной теоремы[14].

Центральная предельная теорема

Центральная предельная теорема (ЦПТ) — фундамент всей прикладной статистики — утверждает, что сумма большого числа независимых одинаково распределённых случайных величин с конечной дисперсией сходится по распределению к нормальному закону. Формально, если  — независимые случайные величины с и , то:

Именно ЦПТ объясняет, почему нормальное распределение встречается в природе повсеместно: от роста людей и результатов физических измерений до теплового шума в электронных схемах и флуктуаций на финансовых рынках. Любая величина, формирующаяся как сумма множества слабых независимых воздействий, будет распределена приблизительно по Гауссу[15][16].

Доверительные интервалы и квантили

В математической статистике интеграл Гаусса лежит в основе построения доверительных интервалов для математического ожидания. Для уровня доверия критические значения определяются из условия:

что сводится к вычислению интеграла от гауссовой плотности. Например, для -ного доверительного интервала , для -ного — .

Статистические критерии

Многие классические статистические критерии опираются на нормальное распределение и его производные:

Метод максимального правдоподобия

В методе максимального правдоподобия (ММП) для нормально распределённой выборки функция правдоподобия имеет вид:

Максимизация логарифма правдоподобия приводит к классическим оценкам:

то есть к выборочному среднему и выборочной дисперсии. Нормировочный множитель , возникающий из интеграла Гаусса, критически важен для корректного построения функции правдоподобия и последующего вычисления информационных критериев (AIC, BIC)[17].

Многомерное нормальное распределение

В многомерном случае плотность многомерного нормального распределения в имеет вид:

где  — ковариационная матрица. Нормировка этого распределения опирается на многомерный интеграл Гаусса с квадратичной формой:

что является прямым обобщением одномерного случая и доказывается диагонализацией симметричной положительно определённой матрицы [18].

Статистическая физика и термодинамика

В статистической физике распределение Максвелла — Больцмана для скоростей молекул идеального газа имеет гауссов вид:

Средняя кинетическая энергия молекул, среднеквадратичная скорость и другие макроскопические характеристики вычисляются именно через интегралы Гаусса.

Статистическая сумма (partition function) классического гармонического осциллятора и идеального газа также вычисляется через многомерные интегралы Гаусса и является отправной точкой для вывода всех термодинамических потенциалов[19].

Квантовая механика

В квантовой механике волновая функция основного состояния квантового гармонического осциллятора является гауссовой:

Матричные элементы операторов, коэффициенты прохождения через барьеры в ВКБ-приближении и когерентные состояния Глаубера — всё это опирается на вычисление гауссовых интегралов[20][21].

Квантовая теория поля

В квантовой теории поля (КТП) вычисление фейнмановских интегралов для свободных полей сводится к вычислению бесконечномерных гауссовых интегралов. Теорема Вика позволяет сводить вычисление функций Грина и корреляционных функций взаимодействующих полей к комбинациям гауссовых интегралов.

Интеграл по траекториям для свободного скалярного поля имеет вид:

где  — пропагатор Фейнмана, являющийся бесконечномерным аналогом матрицы .

Для описания фермионов (частиц с полуцелым спином, подчиняющихся принципу Паули) используется интеграл Березина по грассмановым переменным. Интеграл Березина от гауссовой экспоненты для фермионов даёт не , а , что кардинально меняет знаки в диаграммах Фейнмана для фермионных петель и является основой суперсимметрии[22][23].

Обработка сигналов и изображений

В обработке сигналов и обработке изображений гауссово ядро используется в качестве основного сглаживающего фильтра (фильтр Гаусса):

Алгоритм пирамиды Гаусса, детектор границ Кэнни и SIFT-дескрипторы в компьютерном зрении основаны на свёртке с гауссианой, нормировка которой обеспечивается интегралом Гаусса.

Преобразование Фурье от гауссовой функции снова является гауссовой функцией, что делает её собственным элементом преобразования Фурье. Это свойство широко используется в оптике Фурье, лазерной физике (гауссовы пучки) и теории информации[24].

Машинное обучение

В машинном обучении гауссовы процессы (Gaussian Processes) используются как универсальный байесовский инструмент для регрессии и классификации. Гауссовы смеси (Gaussian Mixture Models, GMM) — один из основных алгоритмов кластеризации.

В глубоком обучении инициализация весов (инициализация Ксавье, инициализация Хэ) опирается на нормировку гауссовского распределения. Вариационные автоэнкодеры (VAE) минимизируют расхождение Кульбака — Лейблера между апостериорным распределением и стандартной гауссовской априорной, что также требует знания интеграла Гаусса[25].

Финансы и экономика

В математической экономике и количественных финансах модель Блэка — Шоулза для ценообразования опционов опирается на гауссовское распределение логарифмических доходностей. Формула Блэка — Шоулза содержит функцию распределения стандартного нормального закона и , вычисляемую через интеграл Гаусса[26].

Баллистика и геодезия

Исторически первым прикладным применением интеграла Гаусса была теория ошибок наблюдений в астрономии и геодезии. Закон Гаусса для ошибок измерений, положенный в основу метода наименьших квадратов, использует нормировку через интеграл Гаусса для вычисления вероятностей попадания ошибок в заданные интервалы[27].

Примечания

  1. Пуассона интеграл — статья из Большой советской энциклопедии
  2. Edwards C. H. The Historical Development of the Calculus. — New York: Springer, 1979. — С. 270—275. — ISBN 978-0-387-90313-2.
  3. de Moivre A. Approximatio ad summam binomii in seriem infinitam. — Londini, 1733.
  4. Todhunter I. A History of the Mathematical Theory of Probability from the Time of Pascal to that of Laplace. — Cambridge: Macmillan, 1865. — С. 566—571.
  5. Laplace P.-S. Théorie analytique des probabilités. — 3e éd.. — Paris: Ve Courcier, 1820. — Vol. 1—2.
  6. 1 2 Stigler S. M. The History of Statistics: The Measurement of Uncertainty before 1900. — Cambridge (MA): Harvard University Press, 1986. — С. 100—105. — ISBN 978-0-674-40340-1.
  7. Gauss C. F. Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium. — Hamburg: Perthes et Besser, 1809.
  8. Poisson S.-D. Recherches sur la probabilité des jugements en matière criminelle et en matière civile. — Paris: Bachelier, 1823. — С. 130—131.
  9. Фихтенгольц Г. М. Т. 2 // Курс дифференциального и интегрального исчисления. — М.: Физматлит, 2001. — С. 660—662. — ISBN 5-9221-0157-9.
  10. Неклюдов А. В. Некоторые нестандартные доказательства и задачи в курсе математического анализа // Инженерный журнал: наука и инновации. — 2013. — № 5 (17). — С. 2—5.
  11. Пискунов Н. С. Дифференциальное и интегральное исчисления для втузов. — 13-е. — М.: Наука, Главная редакция физико-математической литературы, 1985. — Т. 2. — С. 172—174.
  12. Зорич В. А. Математический анализ. — 9-е изд., испр.. — М.: МЦНМО, 2019. — Т. Ч. 2. — С. 203—402. — ISBN 978-5-4439-1305-6.
  13. Ширяев А. Н. Вероятность. — 3-е изд., перераб. и доп.. — М.: МЦНМО, 2004. — Т. 1. — С. 89, 197. — ISBN 5-94057-105-0.
  14. Ширяев А. Н. Вероятность. — 3-е изд., перераб. и доп.. — М.: МЦНМО, 2004. — Т. 2. — С. 352—380. — ISBN 5-94057-105-0.
  15. Шуленин В. П. Математическая статистика. Ч. 3. Робастная статистика: учебник. — Томск: Издательство НТЛ, 2012. — С. 476—478.
  16. Вентцель Е. С., Овчаров Л. А. Теория вероятностей и её инженерные приложения. — 2-е изд., стер.. — М.: Высшая школа, 2000. — С. 413—429. — ISBN 5-06-003830-0.
  17. Никулин М. С. Отношения правдоподобия критерий // Математическая энциклопедия / Виноградов И. М. (гл. ред.). — М.: Советская энциклопедия, 1984. — Т. 4. — С. 151.
  18. Ширяев А. Н. Вероятность. — 3-е изд., перераб. и доп.. — М.: МЦНМО, 2004. — Т. 1. — С. 56, 201. — ISBN 5-94057-105-0.
  19. Савельев И. В. Курс физики, Т. 1. — СПб., М.: Наука, 1982. С.321-324.
  20. Ландау Л. Д., Лифшиц Е. М. Теоретическая физика. Т. III. Квантовая механика. — 5-е изд., стер.. — М.: Физматлит, 2004. — 800 с. — ISBN 5-9221-0530-2.
  21. Мессиа А. Квантовая механика. — М.: Наука, 1978—1979. — Т. 1—2. — 480+624 с.
  22. Попов В. Н. Континуальные интегралы в квантовой теории поля И статистической физике. М., Атомиздат, 1976, — 256 с.
  23. Фейнман Р., Хиббс А. Квантовая механика и интегралы по траекториям. — М.: Мир, 1968. — 382 с.
  24. Гонсалес Р., Вудс Р. Цифровая обработка изображений. — 3-е изд.. — М.: Техносфера, 2012. — 1104 с. — ISBN 978-5-94836-331-8.
  25. Rasmussen C. E., Williams C. K. I. Gaussian Processes for Machine Learning. — Cambridge (MA): MIT Press, 2006. — 248 с. — ISBN 0-262-18253-X.
  26. Black, Fischer; Myron Scholes. The Pricing of Options and Corporate Liabilities (англ.) // Journal of Political Economy[англ.] : journal. — 1973. — Vol. 81, no. 3. — P. 637—654. — doi:10.1086/260062
  27. Математика XIX века / Под ред. А. Н. Колмогорова и А. П. Юшкевича. — М.: Наука, 1978. — С. 196—199.

Литература

  • Вентцель Е.С., Овчаров Л.А. Теория вероятностей и её инженерные приложения. — 2-е изд.. — Москва: Высшая школа, 2000. — ISBN 5-06-003830-0.
  • Зорич В.А. Математический анализ. — 9-е изд.. — Москва: МЦНМО, 2019. — Т. Ч. 2. — ISBN 978-5-4439-1305-6.
  • Пискунов Н.С. Дифференциальное и интегральное исчисления для втузов. — 13-е изд.. — Москва: Наука, 1985. — Т. 2.
  • Фихтенгольц Г.М. Курс дифференциального и интегрального исчисления. — 6-е изд.. — Москва: Физматлит, 2001. — Т. 2. — ISBN 5-9221-0157-9.
  • Ширяев А.Н. Вероятность. — 3-е изд.. — Москва: МЦНМО, 2004. — Т. 1. — ISBN 5-94057-105-0.
  • Stigler S.M. The History of Statistics: The Measurement of Uncertainty before 1900 (англ.). — Cambridge (MA): Harvard University Press, 1986. — ISBN 978-0-674-40341-3.
  • Weisstein, Eric W. Gaussian Integral (англ.) на сайте Wolfram MathWorld.