定积分的概念

定积分的概念

小象实战讲义 · 人工智能数学基础

在学习了导数和微分之后，我们掌握了如何分析函数在某一点处的瞬时变化率。然而，在科学和工程领域，我们常常需要处理“累积”或“总量”的问题，例如计算曲线下的面积、变速运动的总路程、变力所做的功等。本节将引入定积分的概念，它为我们提供了一种强大的数学工具，用以精确计算这类“总量”。理解定积分的定义、几何意义及其核心思想，是后续学习积分计算和应用的基础。

💡 核心导读

本节将带你构建定积分的完整知识框架：

1. 从分割到求和：学习如何通过“分割、近似、求和、取极限”的步骤，将一个复杂的总量问题转化为无数个简单问题的和。
2. 黎曼和的精确定义：掌握定积分的严格数学定义，理解“任意分割”和“任意取点”这两个关键条件的重要性。
3. 几何意义的直观理解：明确定积分在几何上代表的是有向面积，即x轴上方面积为正，下方面积为负。
4. 可积性初探：了解并非所有函数都可积，并通过狄利克雷函数的例子，体会定义中“任意性”的必要性。

从面积问题到黎曼和

我们从一个经典的几何问题出发：如何计算由连续曲线 $y = f(x)$，直线 $x = a$， $x = b$ 以及 $x$ 轴所围成的曲边梯形的面积 $S$？

对于矩形、三角形等规则图形，我们有现成的面积公式。但对于曲边梯形，其“顶边”是弯曲的，无法直接套用公式。数学家们想出了一个精妙的方法：化整为零，积零为整。

1. 分割：在积分区间 $[a, b]$ 内任意插入 $n-1$ 个分点： $$a = x_0 < x_1 < x_2 < \cdots < x_{n-1} < x_n = b$$ 这样就把整个区间 $[a, b]$ 分割成了 $n$ 个小区间 $[x_{0}, x_{1}], [x_{1}, x_{2}], \ldots, [x_{n-1}, x_{n}]$。这一系列分点的集合称为区间的一个分割，记作 $T$。 每个小区间的长度记为 $\Delta x_i = x_i - x_{i-1} \ (i=1,2,\ldots,n)$。所有小区间长度中的最大值，称为该分割的模或网格直径，记作 $\lambda(T) = \max\limits_{1 \le i \le n} {\Delta x_i}$。这个值衡量了分割的“精细”程度，$\lambda(T)$ 越小，分割越细。

2. 近似：在每个小区间 $[x_{i-1}, x_i]$ 上任意选取一点 $\xi_i$。以这个小区间为底，以 $f(\xi_i)$ 为高，构造一个小矩形。这个小矩形的面积 $f(\xi_i) \Delta x_i$ 就可以作为该小区间上对应那一小条曲边梯形面积的近似值。

3. 求和：把所有这些小矩形的面积加起来，就得到了曲边梯形面积 $S$ 的一个近似值： $$S \approx \sum_{i=1}^{n} f(\xi_i) \Delta x_i$$ 这个和式被称为函数 $f(x)$ 在区间 $[a, b]$ 上关于分割 $T$ 和取点 ${\xi_i}$ 的黎曼和。

下图直观展示了这一过程：

        y|
         |        /\
         |       /  \ 
         |      /    \
         |     /      \
         |    /        \
         |___/__________\______ x
         a=x0 x1 x2 ... xn=b

在每个小区间上，我们用矩形面积（阴影部分）来近似代替曲边梯形的面积。

定积分的定义与几何意义

显然，仅凭一次分割得到的黎曼和，其近似程度是粗糙的。为了得到精确的面积 $S$，一个自然的想法是：让分割无限加密，即让每个小区间的长度都趋近于零。这意味着分割的模 $\lambda(T) \to 0$。

定义（定积分）： 设函数 $f(x)$ 在区间 $[a, b]$ 上有定义。如果存在一个确定的实数 $I$，使得对于区间 $[a, b]$ 的任意分割 $T$，以及在每个小区间上任意选取的点 $\xi_i \in [x_{i-1}, x_i]$，只要分割的模 $\lambda(T) \to 0$，相应的黎曼和的极限都存在且等于 $I$，即 $$\lim_{\lambda(T) \to 0} \sum_{i=1}^{n} f(\xi_i) \Delta x_i = I$$ 则称函数 $f(x)$ 在 $[a, b]$ 上黎曼可积，简称可积，并称此极限值 $I$ 为 $f(x)$ 在 $[a, b]$ 上的定积分，记作 $$\int_{a}^{b} f(x) , dx = I$$ 其中，符号 $\int$ 称为积分号，$a$ 和 $b$ 分别称为积分下限和积分上限，$[a, b]$ 称为积分区间，$x$ 称为积分变量，$f(x)$ 称为被积函数，$f(x)dx$ 称为被积表达式。

关于定义的几点重要说明：

• 两个“任意”是关键：定义要求极限 $I$ 的存在性与分割方式 ($T$) 和取点方式 (${\xi_i}$) 无关。这是定积分定义严谨性的核心，也是判断函数是否可积的重要依据。
• 积分上下限的约定：为统一起见，我们规定：
  • 当积分下限 $a$ 大于上限 $b$ 时，$\int_a^b f(x)dx = -\int_b^a f(x)dx$。
  • 当上下限相等时，$\int_a^a f(x)dx = 0$。
• $\varepsilon$-$\delta$ 语言描述：上述极限的严格表述为：$\forall \varepsilon > 0, \exists \delta > 0$，使得对于任意分割 $T$ 和任意取点 ${\xi_i}$，只要 $\lambda(T) < \delta$，就有 $$\left| \sum_{i=1}^{n} f(\xi_i) \Delta x_i - I \right| < \varepsilon$$

几何意义： 当被积函数 $f(x) \ge 0$ 时，定积分 $\int_a^b f(x)dx$ 在几何上表示由曲线 $y=f(x)$、直线 $x=a$、$x=b$ 与 $x$ 轴所围成的曲边梯形的面积。 当 $f(x)$ 在区间 $[a, b]$ 上有正有负时，定积分表示曲边梯形各部分面积的代数和，即 $x$ 轴上方图形的面积取正号，$x$ 轴下方图形的面积取负号。 $$\int_a^b f(x)dx = A_{\text{上方}} - A_{\text{下方}}$$ 因此，定积分的结果是一个有向面积，它可以是正数、负数或零。

可积性探讨

一个自然的问题是：是否所有函数都是可积的？答案是否定的。定积分的定义对函数施加了条件。

一个著名的不可积例子：狄利克雷函数 $$D(x) = \begin{cases} 1, & x \in \mathbb{Q} \quad (\text{有理数}), \ 0, & x \notin \mathbb{Q} \quad (\text{无理数}). \end{cases}$$ 我们考虑它在区间 $[0, 1]$ 上的可积性。

• 如果我们总是在每个小区间上选取有理点 $\xi_i$，那么黎曼和 $\sum_{i=1}^n D(\xi_i)\Delta x_i = \sum_{i=1}^n 1 \cdot \Delta x_i = 1$。当 $\lambda(T) \to 0$ 时，该黎曼和的极限为 $1$。
• 如果我们总是在每个小区间上选取无理点 $\xi_i$，那么黎曼和 $\sum_{i=1}^n D(\xi_i)\Delta x_i = \sum_{i=1}^n 0 \cdot \Delta x_i = 0$。当 $\lambda(T) \to 0$ 时，该黎曼和的极限为 $0$。

由于极限值依赖于取点方式（不满足“任意取点”的条件），因此狄利克雷函数的黎曼和极限不存在，它在任何区间上都不可积。这个例子也反过来说明了定义中“任意取点”这一要求的必要性。历史上，柯西等数学家最初的定义并未强调“任意”，后来才被黎曼等人完善。

那么，哪些函数是可积的呢？这里给出两个在应用数学中非常实用的充分条件（证明略）：

1. 闭区间 $[a, b]$ 上的连续函数一定可积。
2. 闭区间 $[a, b]$ 上只有有限个间断点的有界函数也可积。

对于我们课程和人工智能领域中遇到的大多数“行为良好”的函数（如多项式、指数函数、对数函数、三角函数及其组合等），它们在其定义域内的闭区间上通常都是可积的。

📝 动手练一练

1. 几何意义理解 已知函数 $f(x)$ 在区间 $[0, 5]$ 上的图像如下，其中各部分面积已标出。请根据定积分的几何意义，写出 $\int_0^5 f(x)dx$ 的值。

       y
       ^
       |     A1=4
       |   ______
       |  |      |
       |  |      |      A3=2
       |  |      |   ______
       |  |      |  |      |
   -----+--+------+--+------+-----> x
       |  0      2  3      5
       |      A2=3

   参考答案： 根据定积分的几何意义，$\int_0^5 f(x)dx = A_1 - A_2 + A_3 = 4 - 3 + 2 = 3$。

2. 黎曼和计算 考虑函数 $f(x) = x^2$ 在区间 $[0, 1]$ 上。 a) 将区间 $n$ 等分，求分割 $T$ 的模 $\lambda(T)$。 b) 取每个小区间的右端点 $\xi_i = x_i = i/n$，写出对应的黎曼和 $R_n$ 的表达式。 c) 利用公式 $\sum_{i=1}^n i^2 = \frac{n(n+1)(2n+1)}{6}$，化简 $R_n$ 并观察当 $n \to \infty$ 时 $R_n$ 的极限。

   参考答案： a) $n$ 等分，则 $\Delta x_i = \frac{1}{n}$，$\lambda(T) = \frac{1}{n}$。 b) $R_n = \sum_{i=1}^{n} f(\xi_i) \Delta x_i = \sum_{i=1}^{n} \left( \frac{i}{n} \right)^2 \cdot \frac{1}{n} = \frac{1}{n^3} \sum_{i=1}^{n} i^2$。 c) $R_n = \frac{1}{n^3} \cdot \frac{n(n+1)(2n+1)}{6} = \frac{(n+1)(2n+1)}{6n^2}$。 当 $n \to \infty$ 时，$\lim_{n \to \infty} R_n = \lim_{n \to \infty} \frac{(1+\frac{1}{n})(2+\frac{1}{n})}{6} = \frac{1 \cdot 2}{6} = \frac{1}{3}$。 这个极限 $\frac{1}{3}$ 就是定积分 $\int_0^1 x^2 dx$ 的值。

本章小结

本节我们建立了定积分的核心概念体系：

• 核心思想：通过“分割—近似—求和—取极限”的步骤，将求总量（如曲边梯形面积）的问题转化为计算一个结构和极限。
• 精确定义：定积分是黎曼和在分割模趋于零时的极限，且该极限必须与分割方式和取点方式无关。记作 $\int_a^b f(x)dx$。
• 几何意义：定积分表示有向面积，是$x$轴上方正面积与下方负面积的代数和。
• 可积性：连续函数和有有限个间断点的有界函数在闭区间上可积。狄利克雷函数是不可积的典型例子。

行动清单 学完本节，你可以立即着手：

1. 可视化理解：任选一个简单函数（如 $y=x$），在纸上对其在 $[0,1]$ 区间进行分割、作矩形图，直观感受黎曼和逼近定积分的过程。
2. 代码验证：使用下面的Python代码，数值化验证对于 $f(x)=x^2$，随着分割数 $n$ 增大，黎曼和 $R_n$ 如何逼近理论积分值 $1/3$。
3. 概念辨析：思考“不定积分”与“定积分”在符号、含义和性质上的根本区别，为下一节学习微积分基本定理打下基础。

import numpy as np

def riemann_sum(func, a, b, n, method='right'):
    """
    计算函数在区间[a, b]上的黎曼和。
    
    参数:
    func: 被积函数
    a, b: 积分上下限
    n: 分割的子区间数量
    method: 取点方法，'left'左端点，'right'右端点，'mid'中点
    
    返回:
    R_n: 黎曼和的近似值
    """
    # 创建等距分割点
    x = np.linspace(a, b, n+1)
    # 计算每个小区间的长度 (所有区间等长)
    delta_x = (b - a) / n
    
    # 根据取点方法选择样本点 xi
    if method == 'left':
        xi = x[:-1]  # 所有左端点，除了最后一个点b
    elif method == 'right':
        xi = x[1:]   # 所有右端点，除了第一个点a
    elif method == 'mid':
        xi = (x[:-1] + x[1:]) / 2  # 每个区间的中点
    else:
        raise ValueError("方法必须是 'left', 'right' 或 'mid'")
    
    # 计算函数值并求和
    f_values = func(xi)
    R_n = np.sum(f_values) * delta_x
    return R_n

# 定义被积函数 f(x) = x^2
def f(x):
    return x**2

# 积分区间 [0, 1]
a, b = 0, 1
# 理论积分值
theoretical_value = 1/3

print("用黎曼和逼近 ∫₀¹ x² dx (理论值 = {:.6f})".format(theoretical_value))
print("-" * 60)
print(f"{'分割数 n':<10} {'左端点法和':<12} {'右端点法和':<12} {'中点法和':<12} {'绝对误差(中点法)':<18}")
print("-" * 60)

for n in [5, 10, 50, 100, 1000]:
    R_left = riemann_sum(f, a, b, n, 'left')
    R_right = riemann_sum(f, a, b, n, 'right')
    R_mid = riemann_sum(f, a, b, n, 'mid')
    error = abs(R_mid - theoretical_value)
    print(f"{n:<10} {R_left:<12.6f} {R_right:<12.6f} {R_mid:<12.6f} {error:<18.6e}")

运行这段代码，你将看到随着分割数 n 的增加，不同取点法得到的黎曼和都越来越接近理论值 1/3，并且中点法的收敛速度通常较快。这直观地验证了定积分定义的合理性。

— 小象教研组