[数学] 一般正态曲线函数的积分怎么求？为什么总是1？

1、问题说明

在通信原理的判决门限和数字图像处理的阈值处理中，经常会遇到关于正态函数的积分值讨论。我们知道，标准正态分布$N\sim (1,0)$的函数积分值是1，即：

$$\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{\infty }{e}^{-\frac{x^2}{2}}dx=1$$

证明过程如第2部分所示。

对于一般的情形$N\sim (\mu ,{\sigma }^2)$，积分的结果又如何呢？这一点我们在第3部分讨论。
 

---

2、$N\sim (1,0)$的函数积分值

记概率密度函数
$$f(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}\text{\hspace{1em}(1)}$$

记$f(x)$在$(-\infty ,\infty )$上的积分值为
$$I={\int }_{-\infty }^{+\infty }f(x)dx\text{\hspace{1em}(2)}$$

由于积分值与变量名无关，将 $x$ 换为 $y$ ，得
$$I={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{y^2}{2}}dy\text{\hspace{1em}(3)}$$

由于 $x$ 与 $y$ 相互独立，可由(3)得
$$I^2={\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx\times {\int }_{-\infty }^{+\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{y^2}{2}}dy$$

$$I^2=\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }{e}^{-\frac{x^2+y^2}{2}}dxdy\text{\hspace{1em}(4)}$$

对 $x$ 和 $y$ 进行变量替换，
$$x=rcos\theta ,y=rsin\theta$$

根据雅可比行列式计算出变量替换后的微分项：
$$dxdy=\left|\frac{\partial (x,y)}{\partial (r,\theta )}\right|drd\theta =\left|\begin{array}{ll}\frac{\partial x}{\partial r}& \frac{\partial y}{\partial r}\\ \frac{\partial x}{\partial \theta }& \frac{\partial y}{\partial \theta }\end{array}\right|drd\theta =\left|\begin{array}{cc}\cos \theta & \sin \theta \\ -r\sin \theta & r\cos \theta \end{array}\right|drd\theta =rdrd\theta$$

则(4)经过变量替换后，得到
$$I^2=\frac{1}{2\pi }{\int }_0^{2\pi }{\int }_0^{\infty }{e}^{-\frac{r^2}{2}}rdrd\theta$$

$$I^2=(\frac{1}{2\pi }{\int }_0^{2\pi }d\theta )({\int }_0^{\infty }{e}^{-\frac{r^2}{2}}rdr)$$

$$I^2=\frac{1}{2}{\int }_0^{\infty }{e}^{-\frac{r^2}{2}}d{r}^2=1$$

又由于显然有 $I>0$ ，因此可知
$$I=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{\infty }{e}^{-\frac{x^2}{2}}dx=1\text{\hspace{1em}(5)}$$

 

---

3、$N\sim (\mu ,{\sigma }^2)$的函数积分值

对于一般的正态分布函数
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}\text{\hspace{1em}(6)}$$

对 $x$ 进行变量替换，用 $z$ 表示
$$z=\frac{x-\mu }{\sigma },dx=\sigma dz$$

则该函数的积分值为
$$I=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^{+\infty }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^{+\infty }{e}^{-\frac{z^2}{2}}\sigma dz=1\text{\hspace{1em}(7)}$$

上式中最后一步利用了(5)中的结果。
 

---

4、分析与讨论

    可以看出，不管$\sigma$的值为多少，正态分布密度函数在$(-\infty ,\infty )$上的积分值都为1，函数$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$中前面系数的分母上的$\sigma$起到了归一化的作用。$\sigma$越大，曲线越矮胖，表示数值的分布越分散，这也与$\sigma$本身的含义一致——标准差。
    但是，如果缺少了前面分母中的$\sigma$，则该函数的积分值与$\sigma$成正比。这需要根据具体的应用场景来确定。