Chapter 09
積分
積分は微分の逆演算です。曲線の下の面積・累積量を求め、確率・期待値で使います。
home.mathDiagramTitle
home.mathDiagramDescription
直線形と曲線の間のすき間は、区間を細かくするほど減り、極限で正確な面積(積分)になります。
定積分は曲線の下の面積を表します。原始関数を求め、上端・下端を代入して引きます。
積分とは
一言で積分は微分の逆演算です。微分した結果を「戻す」操作で、記号は を使います。区間 の定積分は と書きます。
面積と結びつきます。曲線と 軸、、 で囲まれた面積を定積分で定義します。正の関数なら「曲線の下の面積」になります。
定積分は、積分の中身を「微分する前の形」に戻した関数を求め、上端・下端を代入した差で計算します。基本公式: のとき です。この を の原始関数といいますが、「戻した関数」と思って大丈夫です。
日常でも使います。速度が変わる時の総移動距離は速度を積分した値です。時間とともに溜まる総量(物流、電力消費など)も区間を積分して求めます。
確率では、連続分布の「ある区間に入る確率」は、その区間で確率密度を積分した値です。天気の「気温20〜25度の確率」、品質管理の「許容範囲内の確率」などです。
人工知能・深層学習では積分が欠かせません。連続確率分布を使うモデル(画像生成、音声、予測)では区間確率や期待値はすべて積分で計算されます。VAE、正規化フロー、ベイズニューラルネットなど分布を扱うモデルは積分なしには説明できず、強化学習でも累積報酬の期待値が積分です。Ch10–Ch12 の確率・分布で自然に登場します。
物理では、距離・仕事・電荷・流量など「累積量」を積分で求めます。加速度を積分すると速度、速度を積分すると距離になります。
経済では、時間に対する需要・コストをまとめるときに積分を使うこともあります。連続的に変わる流れを一つの値にまとめるときです。
人工知能ではこう使われます。(1) 生成モデル — VAE、拡散モデルなどは連続分布の期待値・対数尤度を積分で計算します。(2) ベイズ推定 — 事後分布の平均・確率は積分です。(3) 強化学習 — 方策の期待報酬は報酬関数の積分です。(4) 連続出力 — 予測が区間のとき「その区間に入る確率」も積分です。ここで定積分・原始関数を押さえると Ch10 以降の確率・AI がずっと楽になります。
定積分は ① 上端・下端の確認 → ②「戻した関数」を求める → ③ (上端での値) − (下端での値) の順で求めます。
「原始関数」って何? — 積分の中身を微分する前の形に戻した関数です。例: を微分すると だから、逆に「 を積分すると?」→ 。だから の原始関数は です。難しく考えず、「上端・下端に代入して引くときに使う関数」と思えば十分です。
1段階: 上端・下端の確認 — では が下端、 が上端です。 なら下端 1、上端 3 です。
2段階: 戻した関数(原始関数)を求める — 積分の中身を「微分する前」に戻した関数を一つ求めます。よく使うもの: → 、定数 → 、 → 。項が複数なら項ごとに戻して足します。
3段階: 上端・下端を代入して引く — 求めた に上端 を代入した値から下端 を代入した値を引きます。 が答えです。
検算・注意 — 求めた関数を微分すると積分の中身に戻るか確認しましょう。引き算の順は常に です。
「不定積分」とは? — 上端・下端がなく、戻した関数 + C だけを書く積分を不定積分といいます。例:。 は任意の定数です。「 での値は?」と聞かれたら に を代入すればよく、このコースでは として計算します。不定積分は定積分で使う「戻した関数」に をつけたものと考えるとよいです。
「原始関数に与えた値を代入した結果」の問題 — のように戻した関数が与えられ「 での値は?」と聞かれたときは、その式に 2 を代入すればよいです。 なら が答えです。
例題と段階ごとの解答です。(定積分は ①·②·③、不定積分の代入は ①·② のみ。)
例1.
① 下端 0、上端 2.
② を戻した関数 .
③ → 6
例2.
① 下端 1、上端 3.
② を戻した関数 .
③ → 8
例3.
① 下端 0、上端 2.
② →、→ より .
③ → 4
例4. のとき での値?
① 不定積分 に を代入.
② なら → 4