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.