积分号下求导：从直觉到正态分布的应用

概要

本文回答一个问题：为什么有时候可以把求导移进积分号里面。完全先不讲严格数学，只用几个非常简单的例子建立直觉，最后回到它在正态分布推导中真正漂亮的应用：对参数 $k$ 求导，把藏在指数里的 $x^2$ “拽”出来。

---

1. 最简单的例子：一堆数加起来

先不要看积分。

假设有：

$$F(k)=f_1(k)+f_2(k)+f_3(k)$$

比如：

$$F(k)=k^2+3k+5k^3$$

那么对 $k$ 求导：

$$F^{\prime }(k)=2k+3+15k^2$$

你也可以写成：

$$F^{\prime }(k)=\frac{d}{dk}{k}^2+\frac{d}{dk}3k+\frac{d}{dk}5k^3$$

也就是说：

逐项求导

一个”大加法”的导数，可以分别对里面每一项求导，再加起来。

这是我们后面理解积分的关键。

---

2. 把”加起来”换成”很多小块加起来”

积分本质上也可以先理解成：

把无数个很小的东西加起来。

例如：

$$F(k)={\int }_0^{1}f(x,k)dx$$

先把区间 $0\sim 1$ 切成很多小段。假设粗略切成 4 段：

$$F(k)\approx f(x_1,k)\Delta x+f(x_2,k)\Delta x+f(x_3,k)\Delta x+f(x_4,k)\Delta x$$

这其实就是：

$$F(k)\approx \sum _{i}f(x_i,k)\Delta x$$

现在对 $k$ 求导：

$$F^{\prime }(k)\approx \frac{d}{dk}\left[\sum _{i}f(x_i,k)\Delta x\right]$$

因为 $\Delta x$ 和 $k$ 没关系，所以：

$$F^{\prime }(k)\approx \sum _i\frac{\partial f(x_i,k)}{\partial k}\Delta x$$

而这又是什么？它重新变成了一个积分：

$$\boxed{F^{\prime }(k)={\int }_0^1\frac{\partial f(x,k)}{\partial k}dx}$$

核心直觉

积分就是”很多小东西加起来”，而求导可以逐项进行，所以求导可以进入积分内部。

---

3. 一个更具体的例子

假设：

$$F(k)={\int }_0^{1}kxdx$$

方法一：先积分再求导。

$$F(k)=k{\int }_0^{1}xdx$$

所以：

$$F(k)=\frac{k}{2}$$

然后求导：

$$F^{\prime }(k)=\frac{1}{2}$$

方法二：先在积分里面对 $k$ 求导。

$$\frac{\partial }{\partial k}(kx)=x$$

所以：

$${\int }_0^1\frac{\partial }{\partial k}(kx)dx={\int }_0^{1}xdx=\frac{1}{2}$$

两种方法得到完全一样的结果：

$$\boxed{\frac{d}{dk}{\int }_0^{1}kxdx={\int }_0^1\frac{\partial }{\partial k}(kx)dx}$$

---

4. 再换一个更直观的：面积在变化

想象一个矩形：

• 宽度固定为 $1$
• 高度是 $k$

那么面积：

$$F(k)={\int }_0^{1}kdx=k$$

现在问：当 $k$ 增加一点点，面积增加多快？

当然：

$$F^{\prime }(k)=1$$

但是从积分里面看：每一个位置 $x$，高度都是 $k$。

高度对 $k$ 的变化率：

$$\frac{\partial k}{\partial k}=1$$

所以整个面积变化率就是：

$${\int }_0^{1}1dx=1$$

几何图像

先观察每一个小面积块怎么变化，再把所有小面积块的变化加起来。

---

5. 一个非常重要的例子：为什么它能产生 $x^2$

这就回到我们推导正态分布的地方。

我们定义：

$$F(k)={\int }_{-\infty }^{\infty }{e}^{-k{x}^2/2}dx$$

我们想计算：

$${\int }_{-\infty }^{\infty }{x}^2{e}^{-k{x}^2/2}dx$$

问题是：这个 $x^2$ 从哪里来？

看积分里面这个东西，对 $k$ 求导。根据链式法则：

$$\frac{\partial }{\partial k}{e}^{-k{x}^2/2}=e^{-k{x}^2/2}\left(-\frac{x^2}{2}\right)$$

也就是：

$$\boxed{\frac{\partial }{\partial k}{e}^{-k{x}^2/2}=-\frac{x^2}{2}{e}^{-k{x}^2/2}}$$

巧妙之处

我们原来想要 $x^2{e}^{-k{x}^2/2}$。结果：对参数 $k$ 求一次导，自动把一个 $x^2$ “变”出来了。

所以：

$$F^{\prime }(k)=-\frac{1}{2}{\int }_{-\infty }^{\infty }{x}^2{e}^{-k{x}^2/2}dx$$

于是：

$$\boxed{{\int }_{-\infty }^{\infty }{x}^2{e}^{-k{x}^2/2}dx=-2F^{\prime }(k)}$$

这就是我们为什么引入”积分号下求导”。

---

6. 可以把它想象成一个”提取器”

这个技巧可以有一个非常直观的理解。

我们手里有：

$$e^{-k{x}^2/2}$$

里面藏着一个 $x^2$，但是它被藏在指数里面，我们不好直接拿出来。

于是我们发现：$\frac{\partial }{\partial k}$ 这个操作刚好可以把它”拽”出来：

$$e^{-k{x}^2/2}\stackrel{\frac{\partial }{\partial k}}{\to }-\frac{x^2}{2}{e}^{-k{x}^2/2}$$

再求一次：

$$\frac{{\partial }^2}{\partial k^2}{e}^{-k{x}^2/2}=\frac{x^4}{4}{e}^{-k{x}^2/2}$$

所以：

$$\boxed{\text{对 }k\text{ 求一次导}\to x^2}$$ $$\boxed{\text{对 }k\text{ 求两次导}\to x^4}$$

继续下去：

$$\frac{{\partial }^3}{\partial k^3}{e}^{-k{x}^2/2}=-\frac{x^6}{8}{e}^{-k{x}^2/2}$$

于是：求三次导 $\to x^6$。

更深远的意义

通过对参数 $k$ 求导，可以系统地计算正态分布的各种偶数阶矩。

---

7. 为什么”求导移进去”不是理所当然的？

这里要稍微留一个伏笔。

我们刚才说：

$$\frac{d}{dk}\int f(x,k)dx=\int \frac{\partial f(x,k)}{\partial k}dx$$

直觉上很好理解，因为：

积分 = 很多小块相加
求导 = 可以对每个小块分别求导

但是数学上有一个问题：

交换不是无条件的

如果这些”小块”在无限多、无限大的情况下表现得非常糟糕，就不一定能交换。

严格数学里需要额外条件，保证：

• 积分本身存在；
• 求导后的东西也足够”规矩”；
• 极限过程不会出现异常。

这就是为什么正态分布推导中要写”在满足相应条件时，可以把求导移入积分号”。这个”满足条件”不是废话，而是一个真正的数学条件。

---

总结

直觉版

$$\boxed{\text{积分是大量小块的加法，所以求导通常可以逐块进行。}}$$

在正态分布推导中的作用

$$\boxed{F(k)=\int e^{-k{x}^2/2}dx}$$

对 $k$ 求导：

$$\boxed{F^{\prime }(k)=-\frac{1}{2}\int x^2{e}^{-k{x}^2/2}dx}$$

真正漂亮的地方

于是原本难算的 $x^2$ 积分，就变成了对一个已经知道的高斯积分求导。

---

相关笔记

• 正态分布的完整推导-从概率密度到高斯积分
• 从概率密度到最小二乘-完整推导