Si bien es cierto que los dibujos no demuestran nada, como bien dice el refrán: una imagen dice más de $1.000$ palabras. Por ello he hecho estos GIFs animados que ayudan a entender visualmente las integrales de Riemann, y de Lebesgue. Definamos los subintervalos $I_k = [x_{k-1},x_k] $ que pertenecen a la partición $\mathcal{P}\big([a,b]\big)$ .
Integral de Riemann
La suma asociada de Riemann, $\sigma(f,\mathcal{P}_n,T)$ , es la suma de las áreas de los rectángulos-verticales que aproximan la función $f$ en cada subintervalo $I_k$ . En cada subintervalo $I_k$ se considera un nodo $t_k$ tal que el valor de la función $f$ evaluada en dicho nodo, $f(t_k)$, sea una buena aproximación de la altura media de la función en dicho subintervalo. Según se aumenta el número de subintervalos $n$ , mejor se aproxima al valor del área bajo la función $f$ . Se denota por $T$ a la colección de todos los nodos $t_k$ , es decir, $T=\left\{t_k \; /\; k=1,\cdots,n\right\}$ , mientras que el par $(\mathcal{P}_n,T)$ a veces se escribe como $\dot{\mathcal{P}}_n$ . $$ \begin{matrix} \displaystyle \sigma(f,\mathcal{P}_n,T) \overset{\text{def}}{=} \sum_{k=1}^n f(t_k)\Delta x_k \implies \displaystyle \int_a^b f(x) \,\text{d}x \overset{\text{def}}{=} \lim_{\|\mathcal{P}_n\hspace{1pt}\|\to 0}\!\!\! \sigma(f,\mathcal{P}_n,T) \\ \displaystyle \sigma(f,\dot{\mathcal{P}}_n) \overset{\text{def}}{=} \sum_{k=1}^n f(t_k)\Delta x_k \implies \displaystyle \int_a^b f(x) \,\text{d}x \overset{\text{def}}{=} \lim_{\|\dot{\mathcal{P}}_n\hspace{1pt}\|\to 0}\!\!\! \sigma(f,\dot{\mathcal{P}}_n) \end{matrix} $$
Integral de Riemann - variando los nodos
Aquí vemos variando el nodo $t_k$ en cada subintervalo $I_k$ (tomando cada uno con la misma definición respecto a los extremos del subintervalo). Así pues pasamos de una suma de Riemann por la izquierda ( $\lambda=0$ ) a una del punto medio ( $\lambda=0.5$ ) y finalmente a una por la derecha ( $\lambda=1$ ). $$ \lambda_k\in[0,1] \,/\, t_k \overset{\text{def}}{=} (1-\lambda_k)x_{k-1}+\lambda_k x_k\in I_k \in \mathcal{P}_n\big([a,b]\big) \implies \sigma(f,\dot{\mathcal{P}}_n) = \sum_{k=1}^n f\big((1-\lambda)x_{k-1}+\lambda x_k\big) \Delta x_k $$
Refinando la secuencia de nodos de ordenadas o $\varepsilon$ se encuentra una aproximación mejor.
Autor: Đɑvɪẟ Ƒernández-De la Cruʒ.
Integral de Riemann
La suma asociada de Riemann, $\sigma(f,\mathcal{P}_n,T)$ , es la suma de las áreas de los rectángulos-verticales que aproximan la función $f$ en cada subintervalo $I_k$ . En cada subintervalo $I_k$ se considera un nodo $t_k$ tal que el valor de la función $f$ evaluada en dicho nodo, $f(t_k)$, sea una buena aproximación de la altura media de la función en dicho subintervalo. Según se aumenta el número de subintervalos $n$ , mejor se aproxima al valor del área bajo la función $f$ . Se denota por $T$ a la colección de todos los nodos $t_k$ , es decir, $T=\left\{t_k \; /\; k=1,\cdots,n\right\}$ , mientras que el par $(\mathcal{P}_n,T)$ a veces se escribe como $\dot{\mathcal{P}}_n$ . $$ \begin{matrix} \displaystyle \sigma(f,\mathcal{P}_n,T) \overset{\text{def}}{=} \sum_{k=1}^n f(t_k)\Delta x_k \implies \displaystyle \int_a^b f(x) \,\text{d}x \overset{\text{def}}{=} \lim_{\|\mathcal{P}_n\hspace{1pt}\|\to 0}\!\!\! \sigma(f,\mathcal{P}_n,T) \\ \displaystyle \sigma(f,\dot{\mathcal{P}}_n) \overset{\text{def}}{=} \sum_{k=1}^n f(t_k)\Delta x_k \implies \displaystyle \int_a^b f(x) \,\text{d}x \overset{\text{def}}{=} \lim_{\|\dot{\mathcal{P}}_n\hspace{1pt}\|\to 0}\!\!\! \sigma(f,\dot{\mathcal{P}}_n) \end{matrix} $$
 |
| Nótese que según $n$ aumenta, llega un momento que (al menos visualmente) son indistinguibles |
Integral de Riemann - variando los nodos
Aquí vemos variando el nodo $t_k$ en cada subintervalo $I_k$ (tomando cada uno con la misma definición respecto a los extremos del subintervalo). Así pues pasamos de una suma de Riemann por la izquierda ( $\lambda=0$ ) a una del punto medio ( $\lambda=0.5$ ) y finalmente a una por la derecha ( $\lambda=1$ ). $$ \lambda_k\in[0,1] \,/\, t_k \overset{\text{def}}{=} (1-\lambda_k)x_{k-1}+\lambda_k x_k\in I_k \in \mathcal{P}_n\big([a,b]\big) \implies \sigma(f,\dot{\mathcal{P}}_n) = \sum_{k=1}^n f\big((1-\lambda)x_{k-1}+\lambda x_k\big) \Delta x_k $$
Integral asociada de Lebesgue
Recordemos los conjuntos que acuñé en la última entrada como conjuntos elementales de Riemann-Lebesgue (conjuntos elementales asociados de Lebesgue) y desagamos el valor absoluto suponiendo que $f(x)\geqslant 0$:
$$ E_n = \Big\{ x\in\Omega \;\big/\; 0\leqslant\big|f(x)-y_n\big|\lneq\varepsilon \Big\} \subseteq\bigcup_{n=1} \hspace{ -10.125pt }\raise-1.2ex\hbox{|} \hspace{ 2.5mm }E_n \subseteq \Omega
$$
Es decir,
$$ y_n-\varepsilon\lneq f(x) \lneq y_n+\varepsilon \quad \forall x\in E_n$$
Por lo que podemos reescribir la cotas $y_n\pm\varepsilon$ como funciones escalonadas $ (y_n\pm\varepsilon)\chi\raise-.5ex\hbox{}_{E_n}(x)$ , que valen exactamente $y_n\pm\varepsilon$ en $E_n$ y "fuera" no aporta nada.
$$ (y_n-\varepsilon)\chi\raise-.5ex\hbox{}_{E_n}(x)\lneq f(x) \lneq (y_n+\varepsilon)\chi\raise-.5ex\hbox{}_{E_n}(x) \iff \bigg| f(x)-y_n\chi\raise-.5ex\hbox{}_{E_n}(x) \bigg| \lneq \varepsilon\chi\raise-.5ex\hbox{}_{E_n}(x)$$
Aplicando la monotonía de la integral se tiene que:
$$ (y_n-\varepsilon)\mu(E_n) \lneq \int\limits_{E_n} \! f(x)\ \,\text{d}\mu(x) \lneq (y_n+\varepsilon)\mu(E_n) \implies \Bigg| \int\limits_{E_n} \! f(x)\ \,\text{d}\mu(x)-y_n\mu(E_n) \Bigg| \lneq \varepsilon\mu(E_n)$$
Esto es para un único $E_n$, por lo que si se considera la unión de todos los ubconjuntos, el supraconjunto $E$ , se tiene que:
$$ \sum_{n=1} (y_n-\varepsilon)\mu(E_n) \lneq \int\limits_{E_n} \! f(x)\ \,\text{d}\mu(x) \lneq \sum_{n=1} (y_n+\varepsilon)\mu(E_n) \implies \Bigg| \int\limits_{E_n} \! f(x)\ \,\text{d}\mu(x)-\sum_{n=1}y_n\mu(E_n) \Bigg| \lneq \varepsilon\mu(E) $$
¿Hemos terminado? Realmente sí. Hemos encontrado una función escalonada $\displaystyle \phi_n(x)\overset{\text{def}}{=} \sum_{n=1} y_n\chi\raise-.5ex\hbox{}_{E_n}(x)$ que dista de $f(x)$ a lo sumo tan poco como queramos, $\varepsilon$ , y que sendas integrales también distan tan poco como queramos, $\varepsilon\mu(E)$ . A este valor (de la integral de $\phi_n(x)$) lo acuño como suma o integral asociada de Lebesgue.$$ \int\limits_{[a,b]} \! f(x) \,\text{d}\mu(x) \overset{\text{def}}{=} \int\limits_{[a,b]} \! \phi_n(x) \,\text{d}\mu(x) \triangleq \sum_{n=1} y_n\,\mu(E_n) $$
 |
| Integral asociada de Lebesgue |
Refinando la secuencia de nodos de ordenadas o $\varepsilon$ se encuentra una aproximación mejor.
 |
| Integral asociada de Lebesgue - variando la secuencia de los $y_n$ |
Autor: Đɑvɪẟ Ƒernández-De la Cruʒ.
