如何理解与学习数学分析——第二部分——数学分析中的基本概念——第9章——可积性

数学分析简明教程第二版-邓东皋-完整课后作业解答 本文还有配套的精品资源,点击获取 简介:《数学分析简明教程第二版》由邓东皋与尹小铃编写,是一本针对大学本科生的数学分析教材,强调基础概念、理论与方法的系统性介绍。课后作业作为学习的关键部分,旨在加深理解、巩固知识并提升分析问题的能力。本书提供的课后作业答案,不仅帮助学生检验自己的解题正确性,而且能够作为解决数学问题的参考和启发。学生应利用这些答案来反思和改进自己的解题方法,... 阅读详情

第2 部分:数学分析中的基本概念

(Concepts in Analysis)

9. 可积性(Integrability)

本章讨论了可积性(integrability)的概念(它不同于积分过程)。研究了反导数(antiderivative,或称原函数)和函数图像下面积之间的关系,然后通过对面积的近似建立了可积性的定义。给出了一个不可积函数的例子,并展示了如何在证明中使用Riemann条件(可积性验证)。最后解释了微积分基本定理。

9.1 何谓可积性(What is integrability)?

本章是关于可积性的(integrability),而不是关于积分的(integration)。这是因为,正如第 3.3 节所讨论的,分析是关于早期数学的基础理论。对于可积性,这可能并不明显。关于积分,你可能受教的是——积分是反微分(微分的“对立面”)。这没错(尽管最好说微分和积分是互逆的运算)。你还可能被教授积分是关于求取函数图像下的面积。这也没有错。但它留下了很多问题。

首先,为什么微分和积分应该是逆运算?为什么求梯度或斜率与求函数图像下的面积“相反”?(注:如前几章所述,英国人使用“梯度(gradient)”一词,而美国人使用“斜率(slope)”一词来表示相同的意思。) 如果老师这么说,而你相信了,那也无妨。但如果你从未认真考虑过这种关系,那么现在就应该考虑一下。许多人在认真考虑时都认为这很惊人。梯度和面积究竟为什么会相关?它们似乎涉及完全不同的概念。但数学不是任意的——这种关系的存在不是因为某些权威随意规定它应该存在——所以一定有原因。而原因不明显这一事实意味着,一定有一些深奥的数学知识需要学习。

在另一方面,早期对微分和积分的研究通常涉及由单个公式定义的简单函数。但第 7 章和第 8 章介绍了具有更复杂规范的函数,这提出了微分和积分可能并不总是以无问题的方式进行互逆运算的可能性。例如,考虑下面显示的函数(您很快就会明白为什么我使用 t 作为变量而不是 x ) (注:这是明确的,因为由f (t) = 3t 给出的函数与由 f (x) = 3x 或 f (j) = 3j 或此模式的任何其它变量给出的函数是完全一样的。我们经常使用标准字母来表示标准事物,因为它可以帮助每个人更快地掌握新的思想,但如果有充分的理由使用不同的符号,我们不必坚持使用特定的符号。)

此函数在 t = 1 时不可微。因此,在这种情况下,积分不能直接与微分“相反”。不过,讨论 0 和 2 之间或 0 和一般点 x ∈ [0, 2] 之间的函数图像下面积似乎是合理的。可以使用下图和公式计算该面积(为什么我用 t 而不是 x ?)。想象一下 x 在轴上滑动,并使用简单的几何图形来验证公式是否有效。

 

这个结果与函数 f 的直接公式积分有何关系?试试看。许多学生认为分段定义的函数可以通过简单地积分两个部分来实现积分,但事实并非如此。如果你读过第 8.6 节,你就会知道,这样的函数在“连接”处可能不可微;这个函数的分段性质不会破坏可积性,但我们确实需要谨慎对待积分常数。

         然而,有些函数的可积性是一个问题,比如这个:

许多人都认为,考虑这个函数的“函数图像下的面积”是没有意义的。所以我们应该期待一个可积性定义,将这个函数归类为不可积。我们将在第 9.5 节中验证这一点。

9.2 面积和反导数(Areas and antiderivatives)

         在定义可积性之前,我想先解释一下反导数和函数图像下面积之间的关系。我们倾向于谈论一个函数有“一个”反导数,比如 “  x^{2} 的反导数是   x^{3}/3 + c ”。但这不是单个函数,而是无限函数族,每个 c 值都有一个函数。这也许是件好事,因为在特定的图像下,不仅仅只有一个面积(译注:可能存在多个面积)——从 a 到 x 的函数图像下的面积通常不会与从另一个数 b 到 x 的函数图像下的面积相同:

那么,不定积分(译注:或反导数)和面积到底如何结合起来呢?你可能以前想过这个问题,但许多分析专业的新生在计算上花费的时间比在概念理解上花费的时间多,因此他们无法给出好的答案。现在暂停一下,看看你是否可以,然后继续阅读。

         为了理清这种关系,我们首先要求得面积。例如,考虑由 f (x) = 3x  给出的简单函数 f :ℝ ⟶ ℝ ,其中从 0 到一般点 x 的积分只是三角形的面积:

因此,积分与我们使用反导数求得的结果相符。但是求取面积仅会给出一个反导数——常数恰好等于 0 的那个(译注:反导数和求取面积的区别)。如果我们不是从零开始,而是在另一个固定数 a 和可变数 x 之间对f 进行积分,会发生什么?为了简单起见,让一切都保持正数,并且 x > a,得到以下结果:

 

 

从 a 开始而不是从 0 开始会切掉一点面积。但是这部分被切掉的面积是固定的,因此其表现出来的效果就是通过一个常数调整积分(如果 a 为负,会发生什么?)。这解释了为什么反导数应该是一组仅相差一个常数的函数。

         另一种方法是思考 x 动态变化时会发生什么。从定点 x_{1} 移动到定点 x_{2} 就增加了一个确定的面积(译注:指的是不定积分中的常数)——无论我们从哪里开始,我们总是收集这两定点之间相同数量的面积(译注:应指从 x_{1} 之前任意位置扫过这两点,这两定点之间的面积不变)。这意味着在任何特定点,增长面积的变化率都是固定的。行进速率并不在任何地方都相同——在下图中, x_{3} 和 x_{4} 之间增加的面积大于  x_{1}  和 x_{2} 之间增加的面积。但 x_{1} 处的变化率是一个有意义的量, x_{3}  处的(更大)变化率也是如此。

 

这意味着我们不仅可以考虑函数图像下的面积,还可以考虑该面积相对于 x 的变化率。当然,变化率是使用导数建模的。因此,面积和导数应该紧密相关,这开始变得合理。在建立适当的定义后,我们将在第 9.8 节中确切说明如何建立这种关系。

        

9.3 近似面积(Approximating areas)

第 9.2 节中的图形下的面积具有简单的形状,我们希望能够处理更复杂的函数,包括具有曲线图的函数。如果您首先想到的是我们应该使用积分,那则请小心。这会导致循环论证,因为它相当于说我们通过计算面积来找到积分,我们通过计算积分来找到面积。因此,从哲学上讲,理清面积测量问题很重要,并认识到尽管我们对讨论函数曲线图下的面积的含义有直观的认识,但获得该面积的数值测量并不是一件容易的事——它不能通过简单的乘法来完成。

数学家通过近似的方法来解决面积计算问题。对于 \int_{a}^{b}f(x)dx ,他们考虑如下图所示的估算值,其中矩形的总面积提供了一个低估(左侧)和一个高估。

越窄的矩形(通常)能给出越接近的近似:

 

并没有哪个近似值可以给出准确的面积,但其思想是,如果低估和高估都可以尽可能地接近某个特定数 A,那么 A 就是函数图像下的面积。类似的推理在分析中随处可见——我们考虑尽可能地接近极限值。在这里,这让我们摆脱了哲学上存在问题的循环推理:数学家从有意义的区域(矩形的区域)开始,并使用它们来定义具有弯曲边缘的形状的面积的含义(注:您可能知道更复杂的近似积分方法,例如使用梯形法测(trapezium rule)或Simpson法则。但使用矩形的方法在代数上更简单,而且效果很好,所以这可能是您在分析中首先遇到的方法)。

    大多数学生发现,用矩形和近似值进行这种工作在直觉上是合理的。所以我们需要做的就是将其规范化。不幸的是,这样做需要引入大量符号,这意味着许多学生最终认为可积性很难。但这并不难。事实上,早期的可积性工作在逻辑上比早期的连续性工作更简单(例如)。所以我希望说服你,符号只是体现了上面概述的直观思想。

    规范化的第一步是考虑受限域上的可积性。如果你读过第 7 章和第 8 章,你就不会感到惊讶——连续性和可微性都是首先在某个点上定义的。讨论某个点上的可积性是没有意义的,但同样的一般思想也适用,因为存在一些函数在数轴的某些部分可积,但在其他部分不可积。所以数学家通常将函数描述为在区间[a, b]上可积或不可积。建立这一点后,策略是构造:

• 如何分割区间 [a, b]的表达式;

• 单个矩形面积的表达式;

• 单个高估的表达式,正式地称为上和(您认为低估叫什么?);

• 通过将面积 A 与上和关联来指定面积 A 的表达式;

• 区间可积性的定义。

每个步骤都会引入符号,学生有时会感到困惑,因为他们无法理解某个步骤或混淆了两个步骤。在范范化之后,我将重复列表,以便您可以复习整个构造。

        

9.4 可积性定义(Integrability definition)

分割区间 [a, b] 通常涉及将最左边的点标记为 x_{0} ,然后以显而易见的方式标记其他点并将最后一个点标记为 x_{n} 。您可能会看到下面的定义;在附图中,n = 5,矩形的总面积给出了与分区 \{ x_{0}, . . . , x_{5} \} 相关的高估。

定义:集合 [a, b] 的一个分割是点 \{ x_{0}, . . . , x_{5} \} 的使得 a = x_{0} < x_{1} < ... < x_{n-1} < x_{n }= b  的一个有限集。(注:你会惊讶地发现,有多少人在考试时因错把“一个有限点的集合”写成了“点的一个有限集合”而丢了分。所有点都是有限的,所以前者实际上什么也没说。一如既往,要注意细节。)

分割的定义是否指定所有子区间都具有相同的宽度?不。您经常会看到数学论证使它们相等,但这只是为了计算方便。

    求矩形的面积很简单。第一个矩形的宽度为  x_{1} - x_{0} ,并且始终如此。在上图中,它的高度恰好是 f(x_{1}) ,但不一定总是如此——看看其他一些矩形就知道为什么了。对于一般子区间  [x_{j-1}, x_{j}] ,高度是子区间上 f (x) 的最大值(注:这假设函数在子区间上确实具有最大值,这意味着函数必须有界。有时有界性的要求被纳入与可积性相关的定义中)。 我们经常给这个高度起个名字,比如

令  M_{j} = \sup \{ f (x)| x_{j-1} \leq x \leq x_{j} \} 。

这里的“sup”是 supremum 的缩写,因此可以大声读作“ 让M_{j } 等于  x_{j-1} 和  x_{j}   之间 x 的 f (x) 值的上确界”。 上确界的定义可以在第 10.5 节中找到;在这里,您可以继续非正式地将 M_{j }  视为子区间 [x_{j-1}, x_{j}] 上 f 的最大值,尽管这相对于定义来说有点不精确(阅读第 10.5 节以了解原因)。无论如何,第一个矩形的面积是 M_{1}(x_{1} - x_{0}) 。您会在图表的垂直轴上标记 M_{1}, M_{2},M_{3},M_{4} 和 M_{5} 的位置在哪里?其他矩形的面积是多少?为什么 M_{j} 的定义使用“≤”符号而不是“<”符号很重要?

求得矩形面积之后,我们希望把它们加起来以获得对 \int_{a}^{b}f(x)dx 的高估。高估用 “U(f;P)”表示,可以大声地读作“f关于分割P的上和(upper sum)”,其求取公式为(注:“Σ”是大写的希腊字母“sigma”):

U( f ; P ) = \sum_{j=1}^{n}M_{j} (x_{j},x_{j-1}) (M_{j} = \sup \{ f (x)| x_{j-1} \leq x \leq x_{j} \}) 。

请记住,当你看到 “Σ” 符号时,通常最好将表达式完整地写出来(译注:仅限于项数比较少的情况)。对于我们的图像,这给出了预期的总和

U( f;P ) = \sum_{j=1}^{5}M_{j} (x_{j},x_{j-1}) \\ \\ = M_{1}(x_{1} - x_{0}) + M_{2}(x_{2} - x_{1}) + M_{3}(x_{3} - x_{2}) + M_{4}(x_{4} - x_{3}) + M_{5}(x_{5} - x_{4}) 。

低估的等价一般表达式为:

L( f ; P ) = \sum_{j=1}^{n}m_{j} (x_{j},x_{j-1}) (m_{j} = \inf \{ f (x)| x_{j-1} \leq x \leq x_{j} \}) 。

“inf”是“infimum”(下确界)的缩写(同样,参见10.5节)。

    这种东西的符号略有不同;例如,你的老师或教科书可能会使用不同的符号来表示 U( f;p )。此外,也可以用不同的方式指定矩形。但原理总是相似的,所以你应该能够弄清楚这些思法(以及本章中的其他思想)是在你的课程中是如何用任何变体体现的。

    无论如何,这些定义都指定了一个上和或一个下和。而一个上和只是一个数;该公式体现了大量计算,但它得出一个总面积。跟踪这一点很重要,因为有许多不同的可能分割,每个分区都有自己的上和。也许一个上和是 17,另一个是 18,另一个是 18.5,等等。这些上和都是函数图像下面积的近似值,但该面积与它们有何关系?首先,积分 A 将小于或等于每个上和。其次,积分是所有可能上和集合的最大下限,也称为上和的最小值(同样参见第 10.5 节):

A = inf { L( f;P )|P是[a, b]的一个分割}

A 应该与所有下和怎样关联以及我们应该记为什么?

    最后,所有这些推理都假设面积 A 是有意义的。但仅当无论我们使用下和还是上和进行计算都能得到相同的 A 值时,这些推理才有意义。因此可积性的定义是:

定义:对于定义于闭间 [a, b] 上的函数 f ,当且仅当

         inf{ L( f;P )|P是[a, b]的一个分割} = sup{ L( f;P )|P是[a, b]的一个分割}

时,则称其可积。

    总结本节,以下是承诺的构造列表的回顾。你能画出图表并重建所有表达式而无需查看吗?

• 如何分割区间 [a, b]的表达式;

• 单个矩形面积的表达式;

• 单个高估的表达式,正式地称为上和(您认为低估叫什么?);

• 通过将面积 A 与上和关联来指定面积 A 的表达式;

• 区间可积性的定义。

9.5 一个不可积函数(A non-integrable function)

    在第 9.1 节中,我发现讨论下图中函数的图像下方面积似乎没有意义(该图像无法准确绘制,但如第 7.3 节所述,虚线提供了一些直觉)。

本节解释此断言与正式定义的关系。在继续阅读之前,请尝试通过思考如何定义可积性来预测论证。在哪一步我们会遇到麻烦?

         为了考虑可积性,我们需要一个区间 [a, b](我们假设 a ≠ b)。假设我们用分割 a = x_{0} < x_{1} < ... < x_{n-1} < x_{n} = b 将区间拆分。上下和分别是什么?上和定义为  

 U( f ; P ) = \sum_{j=1}^{n}M_{j} (x_{j},x_{j-1}) (M_{j} = \sup \{ f (x)| x_{j-1} \leq x \leq x_{j} \}) ,

并且每一个子区间都包含比率数(rational number),因此,每一个 M_{j} 一定等于 1 (译注:根据定义,这个高度就是f (x) 在该点的函数值)。这意味着当我们展开 U( f;P )的时候,很多项就抵消掉了:

\begin{array}{rlc} U( f ; P )&= 1(x_{1} - x_{0}) + 1(x_{2} - x_{1}) + ... + 1(x_{n-1} - x_{n-2}) + 1(x_{n} - x_{n-1}) \\ \\ &= x_n - x_0 \\ \\ &= b - a \end{array} 。

因为这个分割并无特别之处,每一个其它分割都会产生上和(b - a),因此上界和的最小界是 (b - a) 。用符号表示,

            inf { L( f;P )|P是[a, b]的一个分割} = b - a  。

f 关于P 的下和定义为

L( f ; P ) = \sum_{j=1}^{n}m_{j} (x_{j},x_{j-1}) (m_{j} = \inf \{ f (x)| x_{j-1} \leq x \leq x_{j} \}) 。

这一次,每一个 m_{j} 一定等于 0 。为什么?为什么这意味着

inf{ L( f;P )|P是[a, b]的一个分割} = 0 ?

最后,从可积性定义的角度来看,这一切意味着什么?上和的下确界是 (b - a),下和的上确界为零,因此

inf{ L( f;P )|P是[a, b]的一个分割}≠ sup{ U( f;P )|P是[a, b]的一个分割} 。

这意味着,f 在[a, b]上不可积。

您是否认为可以使用类似的论证来证明每个非连续函数都一定不可积?如果函数仅在一个点不连续会怎样?我们将在下一节中讨论这种情况。

9.6  Riemann条件(Riemann’s condition)

如果您的课程对可积性的定义如上所述,则定义可能不仅会说“f 是可积的”,还说“f 是Riemann可积的”(注:“Riemann”是一个德国名字,因此读作“Reeman”)。这反映了这样一个事实:还有其他定义可积性和积分的方法。这些方法往往出现在更高级的课程中,因此我不会在这里讨论它们,但我确实想提请您注意其他以Riemann命名的东西。

定理(Riemann条件):对于函数 f ,当且仅当对于每一个ε > 0 ,都存在 [a, b]的一个分割P ,使得 U( f;P ) - L( f;P ) < ε ,则其在[a, b]上是(Riemann)可积的。

表达式 “U( f;P ) - L( f;P )” 是上和与对应的下和之差,其在下图中表示为灰色框的总面积。

非正式地说,Riemann条件表明,对于某个函数,当且仅当通过考虑不同的分割,我们都可以将这个差最小化到我们想要的程度时,这个函数才是可积的。我不会在这里证明Riemann条件是有效的——尽管你应该考虑它与定义的关系——但我将说明如何应用它,并强调人们在考虑上和与下和时有时会忽略的一个细节。考虑如下具体的函数  f :[0,2]⟶ ℝ 。对于分割  \{0 ,\frac{1}{3} ,\frac{2}{3} ,1,\frac{4}{3} ,\frac{5}{3} ,2 \} ,上下和分别是多少?它们之差是多少?

 

您说差为零吗?那是错的。这显然是错的,所以如果您这么说,那么您的想法就没有什么奇怪的,但您被图表的整体外观误导了。继续之前请再想一想。

         下图是上和的一个可视化表示,如果你说是零,你可以看出为什么是错误的吗?关键是子区间 [\frac{1}{3},1] 。点 1 包含于子区间中,且 f (1) = 2 ,因此 \sup \{ f (x)| \frac{2}{3} \leq x \leq 1 \} = 2 且 U( f;P ) - L( f;P ) = \frac{1}{3} 。

 

我们可以使用不同的分割以使得 U( f;P ) - L( f;P ) 如我们所愿地小吗?答案是肯定的,你可能想思考如何写出一个完整、令人信服的证明(完整并不一定意味着很长)。因此 Riemann 条件得到满足,并且该函数在区间 [0, 2] 上可积。因此函数可以不连续而可积。

         在更高层次上,这里有一些关于数学理论结构需要注意的地方。我将Riemann条件表述为定理,你可能会看到它被证明。然而,该定理具有“当且仅当”结构,这意味着该条件在逻辑上等价于可积性的定义。因此,从技术上讲,我们可以使用Riemann条件作为定义,并将原定义证明为定理。当这种情况发生时,数学家会决定将什么视为基本概念,将什么视为可导出的结果。通常每个人都同意数学家们的这些决定,但你可能会看到某些概念的变体,它们也许出现在不同的教科书中。但这并不意味着不同来源的概念是错误的或过时的——它只是反映了这种逻辑的等价关系。

9.7  涉及可积函数的定理(Theorems involving integrable functions)

         早期关于可积性的许多工作都属于第 3.2 节中讨论的类型。例如,它涉及证明如果 f 和 g 都可以在 [a, b] 上积,那么 f + g 也可以。这类事情的证明往往看起来很长,但它们通常只需要将适当的信息放入下和与上和的定义中,然后将它们相加即可。下面是这样的断言和证明,供阅读练习使用。

断言:若 f 在 [a, b] 上可积,则 3 f在 [a, b] 上可积。

证明:假设 f 在 [a, b] 上可积,并令ε > 0 为任意值。

根据 Riemann 条件,存在 [a, b] 的一个分割P,使得 U( f;P ) - L( f;P ) < \frac{\epsilon}{3}  。

现在, 根据定义,

U( 3f ; P ) = \sum_{j=1}^{n}M_{j} (x_{j},x_{j-1}) (M_{j} = \sup \{ 3f (x)| x_{j-1} \leq x \leq x_{j} \})

和

L( 3f ; P ) = \sum_{j=1}^{n}m_{j} (x_{j},x_{j-1}) (m_{j} = \inf \{ 3f (x)| x_{j-1} \leq x \leq x_{j} \}) 。

根据上确界(suprema)和下确界(infima)的一般属性,对 ∀j ∈{1,...,n}, 我们有

\sup \{ 3f (x)| x_{j-1} \leq x \leq x_{j} \} = 3 \sup \{ f (x)| x_{j-1} \leq x \leq x_{j} \} 

和

\inf \{ 3f (x)| x_{j-1} \leq x \leq x_{j} \} = 3 \inf \{ f (x)| x_{j-1} \leq x \leq x_{j} \} 。

因此,U(3 f ;P ) = 3U( f ;P ) 和 L(3 f ;P ) = 3L( f ;P )。

因此, U(3 f;P ) - L(3 f;P ) = 3(U( f;P ) - L( f;P )) < 3 \frac{\epsilon}{3} = \epsilon 。

故 3 f  在 [a, b] 上满足 Riemann 条件。

从而 3 f 在[a, b] 上是 Riemann 可积的。

像往常一样,你应该思考这个断言和证明如何推广。如果 3 被 6、-3 或一般常数 c 取代,结果会怎样?为什么关于上确界(suprema)和下确界(infima)的一般性质的结果有效(注:“supremum”是单数,“suprema”是其复数,类似与“maximum”和“maxima”)?我们如何证明,如果 f 和 g 都在 [a, b] 上可积,那么 f + g 也一样(有关启发,请参阅第 5.10 节中收敛序列求和法则的证明)?

         接下来,是一个涉及更多概念的定理。

定理:若 f 在 [a, b] 有界且递增。则f 在 [a, b]上是 Riemann 可积的。

我喜欢这个定理,因为基于Riemann条件的标准证明可以用下图非常优雅地表示出来。论点是,上和与下和之间的差值(灰色框的总面积)与右侧矩形的面积相同。矩形的面积是其宽度的 f (b) – f (a) 倍,因此,只要将宽度缩小到足够小,它就可以小于任何特定的 ε 。因此,Riemann条件得到满足,定理一定正确。

定理:若 f 在 [a, b] 有界且递增。则f 在 [a, b]上是 Riemann 可积的。

证明:令 ε > 0 为任意值。

注意,f (b) – f (a) > 0 ,因为 f 在 [a, b]上是递增的。选择 N ∈ ℕ ,使得 \frac{b-a}{N}(f (b) - f (a) ) < \epsilon 。令 P_{N} 为分割  \{ x_{1},x_{2}, . . . , x_{N}\} 且对于∀ j∈{ 1 ,...,N } 有 x_{j} - x_{j-1} = \frac{b-a}{N} 。因为 f 是递增的,因此对于 ∀ j∈{ 1 ,...,N },我们有

\sup \{ f (x):x_{j-1} \leq x \leq x_{j} \} = f (x_{j})

和

\inf \{ f (x):x_{j-1} \leq x \leq x_{j} \} = f (x_{j-1}) 。

因此,U( f;P_{N} ) = \sum_{j=1}^{N}f (x_{j})(x_{j} - x_{j-1}) = \frac{b-a}{N}\sum_{j=1}^{N}f (x_{j}) 

和 

L( f;P_{N} ) = \sum_{j=1}^{N}f (x_{j-1})(x_{j} - x_{j-1}) = \frac{b-a}{N}\sum_{j=1}^{N}f (x_{j-1}) 。

因此, 

 \begin{array}{rlc}U( f;P_{N} ) -L( f;P_{N} ) & =\frac{b-a}{N}\left ( \sum_{j=1}^{N}f (x_{j})- \sum_{j=1}^{N}f (x_{j-1}) \right ) \\ \\ &=\frac{b-a}{N}\left ( f(x_{N})-f(x_{0}) \right ) \\ \\ &=\frac{b-a}{N}\left (f(a)-f(b) \right ) \\ \\ &< \epsilon \end{array} 。

因此,此函数满足 Riemann可积条件,其在 [a, b] 上可积。

         如果 f 在 [a, b] 上递减,这个定理的结论是否仍然成立?如果是这样,证明需要如何改变?这个定理中的函数必须是连续的吗?即使你已经见过很多非连续函数,你的大脑也会默认连续函数,因为它们更熟悉。所以要时不时地提醒自己,要超越显而易见的情况去思考。

9.8  微积分基本定理(The Fundamental Theorem of Calculus)

本章首先非正式地讨论了积分和微分之间的关​​系。这种关系由微积分基本定理(通常缩写为“FTC”)正式描述。如果你学过很多微积分,你可能已经看过 FTC 的证明。然而,微积分课程中的证明往往会做出许多假设。毫不奇怪,分析课程将在定义和早期定理的基础上正确地建立一切。然而,分析课程往往进展得相当快,许多学生在真正理解定理之前就匆匆完成了 FTC 的证明。在这里,我想确保你既理解 FTC 所说的内容,又理解证明它需要什么。

定理(积分基本定理):假设 f 在 [a, b]上可积,并令  F(x) = \int_{a}^{x}f(t)dt 。则

(1) F 在 [a, b]连续;

(2) 若 f 在 [a, b] 上连续,则 F 在 [a, b] 可微且   F^{'}(x) = f (x) 。

通过检查说明 f 和 F 之间关系的图表,我们可以理解定理前提中的符号:

使用相同的符号,通过思考一般函数 f 和相关 F 的近似值,可以非正式地了解为什么积分和微分是逆运算。从第 8.4 节中,F 在 x 处的导数定义如下。

定义: \displaystyle F^{'}(x) = \lim_{h \rightarrow 0} \frac{F(x+h)-F(x)}{h} (假设这个极限存在)。

然后,考虑这个图和论证。在极限中,当 h ⟶ 0 时就获得了更好的近似, F^{'}(x) = f (x) 合理。

 

 

因此,FTC 与积分和微分是逆运算的说法一致。但该定理显然说了比这更精确和更复杂的东西——它关于函数 f 与其积分 F 之间关系的结论取决于 f 的性质,这可能不是你以前考虑过的东西。

    为了准确地理解 FTC 所指,我发现考察具体的例子是有帮助的,例如,考虑由

给出的函数 f :[0,2]⟶ ℝ 。

    第 9.6 节确定,尽管此函数在 1 处不连续,但它在 [0, 2] 上可积。因此 FTC 适用。考虑相应积分 F 的图可以阐明 FTC 两个部分的含义。

首先,请确保您确信 F 被正确显示。我发现观察以下情况很有帮助:在区间 [0, 1] 上,f 图像下的面积以恒定速率增加,并且积分 F 在 x = 1 时一定达到 1。在区间 [1, 2] 上,f 图形下的面积也以恒定速率增加,但现在该速率加倍,并且积分 F 在 x = 2 时一定达到 3。

    然后考虑 FTC 的第 1 部分,它简单地说,如果 f 是可积的,则 F 是连续的。f 的图在 x = 1 处有一个“跳跃”,但这不会导致 F 中出现相应的跳跃,因为当 x 经过值 1 时,面积不会瞬间跳转到新值。因此,即使 f 不是连续的,F 也是连续的。这应该有助于您理解为什么 FTC 的第 1 部分是合理的。

    FTC 第 2 部分指出,如果 f 是连续的,则 F 是可微的。在我们的例子中,f 在 1 处不连续,F 不可微:F 的图在 x = 1 处有一个“角”。这应该可以解释为什么 FTC 在第 2 部分需要额外的连续性条件:如果 f 不连续,则 F 的梯度/斜率可能会发生急剧变化。总的来说,这是一个微分和积分不是直接逆运算的例子。由于他们早期学习的微分和积分中的大多数函数在任何地方都是连续的,因此这种思想对大多数分析学生来说都是新的。

    证明 FTC 提供了一个机会来整合极限、连续性、可微性和可积性的概念。为了证明第 1 部分,即 F 是连续的,我们需要证明 F 满足连续性的定义(参见第 7.4 和 7.5 节)。这意味着证明对于每一个 c ∈ [a, b],有以下事实:

    ∀ε > 0 ∃δ > 0使得若 |x – c| < δ 则 |F(x) – F(c)| < ε 。

为了证明第二部分,即 F可微且对于每一个c ∈ [a, b] 都有 F^{'}(c) = f (c) ,我们需要证明这些量恰当地符合可微性的定义(见第 8.4 节)。这意味着证明对于每-个 c ∈ (a, b),有 

\displaystyle \lim_{x \rightarrow c}\frac{F(x)-F(c)}{x-c}= f (c) 。

进一步利用极限的定义(见第 7.10 节)进行解释,这意味着我们需要证明对于每个 c ∈ (a, b),有

∀ε > 0 ∃δ > 0使得若 0< |x – c| < δ 则  \displaystyle \bigg | \frac{F(x)-F(c)}{x-c} -f(c) \bigg | < \epsilon 。

证明最后这个陈述并不像看起来那么难——最后一个表达式可以通过思考 F(x)–F(c) 的含义并使用一些巧妙的代数来简化。还有一些微妙之处需要处理,这些细节可能会在你看到证明之前在你的课程中被考虑。但我们刚刚完成的整理所需内容的工作应该会让你看到的任何证明都更容易理解。

9.9  前瞻(Look ahead)

    与往常一样,分析课程将详细介绍本章的内容,并填补许多空白。如第 9.4 节所述,它可能会使用定义的变体,但使用近似的方法几乎肯定相似。但是,定义的引入可能会有所不同。在这里,我已经抽象地处理了函数和图形,但您的老师可能会鼓励您首先在应用环境中工作,也许根据有关速度随时间变化的方式的信息来近似行进的距离,或者根据有关施加的力在拉伸时变化的方式的信息来近似拉伸弹簧所需的能量。您现在可能想思考这些概念与本章中提出的抽象思想有何关联。

    后面的课程将扩展可积性的概念。有些课程会将其扩展到其他领域。在本章中,所有域都是实数的闭区间子集;多变量微积分课程可能会考虑更多变量函数的积分。例如,函数 f :\mathbb{R}^{2} \rightarrow \mathbb{R} 以形式为 (x, y) 的点作为输入,并返回实数作为输出,这意味着它的图像可以被认为是三维表面。在这种情况下,积分的域是平面的子集,积分可以被认为是表面下的体积。你认为上和与下和将如何计算?

在另一个方向进行扩展,也可以定义函数 f : ℂ ⟶ ℂ,这为积分开辟了更多的可能性。在复分析课程中,您将学习沿复平面中的曲线进行积分,这自然会引入更多变化,因为有许多不同的曲线连接任何两点。复分析非常优雅,事实证明,对于重要的函数类,无论采用哪种路径,积分都是相同的,这意味着围绕以同一点为起点和终点的曲线的积分一定为零。对于某些函数,只需计算某些点的函数值即可评估积分。这些结果导致了实值函数的应用:一些通常难以计算的实积分可以通过在复平面中围绕半圆进行积分来求得,其直边是实线的一部分,然后取极限使边缘成为实线的整体,并从复积分推断出沿实线的积分。

    最后,如第 9.6 节所述,您可能会了解不同类型的可积性。例如,在测度理论课程中,您可能会了解 Lebesgue 可积性。一些不是Riemann可积的函数是 Lebesgue 可积的,包括第 9.5 节中的这个函数:

 我们证明了这在任何区间 [a, b] 上都不是Riemann可积的。但它是Lebesgue可积的,并且由于与数轴上有理数的分布有关的原因,其Lebesgue积分为零。这些主题更高级,但我们将在第 10 章对比率数(rational numbers)进行一些初步研究。

内容来源:

<<how to think about analysis>> lara alcock ,Mathematics Education Centre, Loughborough University,Oxford University Press。

深入探究数学分析:华师版第7章解析实数完备性 在数学领域中,实数完备性是一个基础且核心的概念,它不仅是微积分学和数学分析的基石,更是现代数学多个分支不可或缺的组成部分。为了深入理解实数完备性,我们首先需要回顾实数系统的基本构成,随后探讨数列与函数极限的定义,最终在这些概念的基础上提出完备性原理。在数学分析中,数列是按照一定顺序排列的一组实数或复数。 阅读详情

相关推荐

《数学分析》第二版中英文版 - 深度解析与应用

数学分析的诞生与微积分的发展密切相关,其核心在于研究变量之间的关系和变化规律。它通过极限的引入和应用,为我们分析各种动态现象提供了强有力的数学工具。实数系统是通过完备有理数系统来构造的,一种常见的方法是使用戴德金切割。戴德金切割是将有理数集分为两个非空部分,其中左边的部分包含的每个数都小于右边部分的数。所有这样的切割都对应一个实数,从而构成了完整的实数系统。完备性是指一个度量空间中的每一个柯西序列都有极限存在于该空间内。实数系统满足这个条件,这使得实数集合成为研究微积分和连续函数的一个坚实基础。

weixin_34598113的博客 577

【信息学奥赛一本通】3180:【例30.1】 平方根

题目要求使用迭代法计算平方根近似值。给定正整数x和迭代次数n,算法从初始值y0=1开始,通过公式yn=(yn-1 + x/yn-1)/2进行n次迭代。最终输出保留三位小数的结果。示例输入4和10次迭代后输出2.000,验证了该方法的有效性。代码简洁地实现了这个算法,通过循环完成指定次数的迭代计算。

qq_57667335的博客 285

华东师范大学版数学分析教程详解与实践

数学分析是研究函数、序列、极限、微分、积分等概念的数学分支。它为现代数学的许多领域提供了基础工具和理论框架。数学分析的核心是实数系统,它是建立在一套公理基础上的完整体系。实数系统由有理数和无理数组成,它具有完备性,意味着任何有界的实数序列都存在极限。在实际数学分析中,我们通过戴德金分割或柯西序列来定义实数,确保了实数系统的连续性质。函数是描述两个变量之间依赖关系的数学对象,通常表示为y=f(x),其中x是自变量,y是因变量。如果对于每一个x。

weixin_42581003的博客 1458

微积分基础1-微分篇

本文详细介绍了微积分的基础知识,包括极限的定义(数列极限与函数极限)、邻域的概念及其作用,以及等价无穷小替换。接着,深入探讨了导数的定义、导函数、微分的几何意义,以及高阶导数。还讨论了利用导数研究函数的单调性、极值、凹凸性等性态。此外,涵盖了洛必达法则、泰勒公式及其在近似计算中的应用。通过对这些概念的深入理解,有助于掌握微积分的基本思想和方法。

让你爱上电路设计 8468

LTR-390UV-01对比VEML6075:5个真实项目中的选型避坑指南

本文对比了LTR-390UV-01和VEML6075两款环境光传感器在5个真实项目中的表现,提供了选型避坑指南。通过智能手环、农业温室、紫外线消毒柜等场景的实测数据,分析了动态范围、抗干扰性、温度稳定性等关键差异,帮助开发者在成本与性能间做出最优选择。

weixin_28733777的博客 220

基于bootstrap+Java的图书管理系统(任务书)

10] 倪甜弟,周晓波,王相喜.基于JSP图书馆自习室预约系统的设计与实现[J].现代计算机, 2024, 30(9):117-120.DOI:10.3969/j.issn.1007-1423.2024.09.023.[2] 陈明雪,赵勇,周小丽,等.基于Node.js和Bootstrap的图书管理系统设计与研究[J].现代信息科技, 2021, 5(24):4.[9] 杨婷婷.基于VOSviewer的图书馆管理系统研究的可视化分析[J].现代信息科技, 2023, 7(3):123-126.

毕业作品网站 649

高等数学之可微,可导,可积与连续之间的关系

在高等数学中,我们研究函数的性质和行为,其中包括了一些关键的概念,如连续性、可导性、可积性和可微性。可导性是连续性的更高级形式,它描述了函数在某点处的切线和斜率。一个函数在某点可导,意味着在该点附近可以进行微分运算,即可以计算导数。如果一个函数在某个区间上可积,那么它的定积分在该区间上存在。连续性是函数性质的基础,它描述了函数在某点的光滑性和连贯性。更具体地说,对于函数。可微性要求导数在该点连续存在,因此可微的函数一定是连续的。如果函数在其定义域内的每个点都连续,我们称函数在整个定义域上是连续的。

weixin_51458326的博客 3484

Doris副本修复实战:从状态机到手动修复的完整指南

在分布式数据库系统中,多副本机制是实现高可用与数据一致性的核心技术。其原理是通过在不同节点存储数据的多个拷贝,确保部分节点故障时服务仍可继续。这项技术的核心价值在于保障数据可靠性,并支撑在线分析处理(OLAP)等对数据一致性要求高的应用场景。当副本出现损坏、丢失或版本不一致时,系统通常依赖自动修复机制,但在元数据损坏、多副本同时故障等复杂场景下,自动修复可能失效,需要深入理解副本状态机并借助手动工具介入。本文将聚焦Doris数据库,解析Tablet副本状态流转(如BAD、VERSION_ERROR),并详细

weixin_32288959的博客 471

四种均值计算方法:算术平均、几何平均、调和平均、平方平均

本文介绍了四种常用的均值计算方法:算术平均、几何平均、调和平均和平方平均。算术平均是最基础的计算方式,适用于描述数据集中趋势;几何平均适合处理增长率、比率等乘积关系数据;调和平均则适用于速率、比率等反比关系数据;平方平均(均方根)常用于处理波动较大的数据。每种方法各有特点和应用场景,选择合适的方法取决于数据类型和分析目的。文章详细阐述了各种均值的数学原理、计算方法和典型应用,并提供了Python实现示例,为数据分析和统计计算提供了实用参考。

qq_42758052的博客 1万+

遗传算法详解 附python代码实现

遗传算法 遗传算法是用于解决最优化问题的一种搜索算法。从名字来看,遗传算法借用了生物学里达尔文的进化理论:”适者生存,不适者淘汰“,将该理论以算法的形式表现出来就是遗传算法的过程。 问题引入 上面提到遗传算法是用来解决最优化问题的,下面我将以求二元函数: def F(x, y): return 3*(1-x)**2*np.exp(-(x**2)-(y+1)**2)- 10*(x/5 - x**3......

ha_ha_ha233的博客 22万+

具身智能的边缘计算核心构成方案

摘要: 具身智能(Embodied Intelligence)依赖物理实体与环境交互,而边缘计算(Edge Computing)通过本地化数据处理降低延迟、提升实时性。两者结合的核心方案包含五层架构:传感器层采集环境数据,边缘处理单元执行本地计算,通信模块实现低延迟传输,决策引擎运行轻量AI模型,执行器接口转化动作为物理操作。该方案以“边缘优先”为原则,满足毫秒级响应(如延迟<50ms),同时优化能效(功耗降低30%)和隐私保护。适用于机器人、自动驾驶等场景,通过分层闭环设计确保在资源受限环境中的可靠

老郑的博客 814

求一个任意实数c的算术平方根g_七下数学实数章节专题知识点,看完别忘了做检测题(含答案)。...

知识点一、平方根1、平方根(1)平方根的定义:如果一个数x的平方等于a,那么这个数x就叫做a的平方根.即:如果x2=a,那么x叫做a的平方根.(2)开平方的定义:求一个数的平方根的运算,叫做开平方.开平方运算的被开方数必须是非负数才有意义。(3)平方与开平方互为逆运算:±3的平方等于9,9的平方根是±3(4)一个正数有两个平方根,即正数进行开平方运算有两个结果;一个负数没有平方根,即负数不能进行开...

weixin_39549852的博客 686

Prism 入门02,区域介绍

什么是区域(Region)?区域,在Prism 框架中,区域是模块化的核心的功能之一,其主要作用是降低应用程序和模块之间的耦合度。使用方式:在应用程序的界面中,划分出某块区域,并为这个区域定义一个唯一的区域名称。那么通过这个区域名称,应用程序就可以找到指定的区域。并为这个区域动态放置一些容器或控件,从而呈现在界面中。

build2024 1127

如何理解与学习数学分析——第二部分——数学分析中的基本概念——第8章——可微性

数学分析中的基本概念——可微性

ComputerInBook的专栏 2767

嵌入式编程模型 | 原型模式

本文介绍了原型模式在嵌入式传感器网络中的应用。原型模式通过复制现有对象创建新实例,避免了重复初始化开销,适用于设备配置克隆、状态复制等场景。文章以传感器网络为例,展示了原型模式的结构(抽象原型类、具体原型类、客户端)和实现方式,通过C语言代码演示了温度/湿度传感器的克隆过程。该模式能有效提升嵌入式系统资源复用效率,实现快速部署相似配置的传感器节点,同时保持内存优化和配置灵活性。

嵌入式大杂烩 148

2022年8月27日全国青少年信息素养大赛Python编程小学组决赛真题+答案解析

2022年8月27日全国青少年信息素养大赛Python编程小学组决赛真题+答案解析

伶俐角少儿编程 456

如何理解与学习数学分析——第二部分——数学分析中的基本概念——第6章——级数

数学分析中的基本概念——级数

ComputerInBook的专栏 1860

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

如何理解与学习数学分析——第二部分——数学分析中的基本概念——第7章——连续性

数学分析中的基本概念——连续性

ComputerInBook的专栏 3615

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

如何理解与学习数学分析——第一部分——数学分析概观

如何理解与学习数学分析

ComputerInBook的专栏 2436

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

如何理解与学习数学分析——第二部分——数学分析中的基本概念——第5章——序列

数学分析中的基本概念——序列

ComputerInBook的专栏 2490

如何理解与学习数学分析——第二部分——数学分析中的基本概念——第10章——实数

数学分析中的基本概念——实数

ComputerInBook的专栏 2458

USTC数学分析2习题答案1

USTC数学分析2习题答案1 去发现同类优质开源项目:https://gitcode.com/ 本资源提供了中国科学技术大学(USTC)数学分析第二部分的习题解答,专注于深入理解空间解析几何、向量代数、坐标系统以及多变量函数的微积分概念。这份文档对于学习高等数学,特别是针对空间几何和多元微积分部分的学生来说,是一个宝贵的辅助材料。 目录概览 第 8 章 空间解析几何与向量 涵盖了空间中的点、...

gitblog_06647的博客 849

数学分析 入门 书籍

数学分析 入门 书籍

青少年趣味编程 3008

数学分析卓里奇第二册:深入理解数学分析的利器

数学分析卓里奇第二册:深入理解数学分析的利器 去发现同类优质开源项目:https://gitcode.com/ 在数学分析与计算机科学领域,经典教材往往能引导学习者走向深入理解和掌握知识的大门。《数学分析 卓里奇 第二册》就是这样一本备受推崇的教材,下面我们来一探究竟。 项目介绍 《数学分析 卓里奇 第二册》是一本广受欢迎的数学分析教材,被誉为计算机领域及数学专业的“mark”之作。本书由俄罗斯数...

gitblog_06792的博客 923

数学分析书籍(2026.07.13)

数学分析书籍(2024.02.19)

青少年趣味编程 4769

数学分析学习利器:裴礼文经典教材高清提示版

数学分析学习利器:裴礼文经典教材高清提示版 【下载地址】数学分析中的典型问题与方法有提示版高清版裴礼文.pdf分享 数学分析中的典型问题与方法 有提示版 高清版裴礼文.pdf 项目地址: https://gitcode.com/O...

gitblog_06660的博客 1103
上一篇: 如何理解与学习数学分析——第二部分——数学分析中的基本概念——第8章——可微性
下一篇: 如何理解与学习数学分析——第二部分——数学分析中的基本概念——第10章——实数
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值