定积分与面积在几何直观上的一致性

对于定积分,高中教材里有如下引例:

(高中教材本身就不严谨,这无所谓,但是我对这个例题印象太深了,所以拿它举例说明问题)

小矩形面积和的极限,等不等于曲线下方的面积?这是一个很迷的问题。

有人会说,面积不就是用积分定义的吗?可是你怎么保证你这样定义的面积跟几何直观上是一致的呢?

换句话说,图中小矩形面积之和,从几何直观上来看,是小于曲线下方的面积的。(整体大于部分)

如果极限存在,那么这个极限(也就是 \(\frac{1}{3}\))可能等于曲线下方的面积,也可能小于曲线下方的面积。(即不大于曲线下方的面积)

你怎么知道它就是等于,不是小于呢?

其实是可以证明它是等于的。这里要借用一下古希腊阿基米德的方法。

在遥远的古希腊,根本没有微积分的概念。但是阿基米德还是用微积分的思想严格导出了圆的面积和球的体积的公式。

他是如何保证严格的呢?思路是这样的。比如说现在要求圆的面积,就先证明圆内接正多边形的面积小于 \(\pi r^2\) 且收敛于圆的面积,再证明圆外接正多边形的面积大于 \(\pi r^2\) 且收敛于圆的面积。这样,如果假设圆的面积大于 \(\pi r^2\) 就跟第一条矛盾;如果假设圆的面积小于 \(\pi r^2\) 就跟第二条矛盾。所以圆的面积就只能是 \(\pi r^2\).

按照这个思路,我们已经得出了极限不大于曲线下方的面积,所以只需要再证该极限值不小于曲线下方的面积即可。

取每个小区间右端点的函数值作为小矩形的高并对面积(图中虚线包含的部分)求和,再取极限,同样会得到 \(\frac{1}{3}\) (注意这跟用前一种取高方法求出的极限是相等的). 而且此时小矩形的面积和从几何直观上看是大于曲线下方的面积的,所以极限 \(\frac{1}{3}\) 是不小于曲线下方的面积的。结合上面一点(极限 \(\frac{1}{3}\) 不大于曲线下方的面积)可知,该极限一定等于曲线下方的面积。这就从几何直观上把积分和面积对应起来了。

由此就可以得出,「可积」的意思就是可以用积分的方法求面积。因为可积的第一充要条件说,上和与下和的极限相等就可积(反过来也成立),而且这个极限就等于积分的值。

这就相当于是在说:上和不小于面积,下和不大于面积,极限又一致,所以极限就等于面积。如果极限不一致,就不能用这种方法求出面积。

时间: 2024-10-13 16:02:21

定积分与面积在几何直观上的一致性的相关文章

线代笔记 #01# 几何水平上的理解 VS. 数值水平上的理解

源: 线性代数的本质 内容来自字幕. Let me quote without further comment from Dieudonné's "Foundations of Modern Analysis, Vol. 1" There is hardly any theory which is more elementary than linear algebra, in spite of the fact that generations of professors and te

椭圆面积的几何证法

定积分求面积

http://acm.hdu.edu.cn/showproblem.php?pid=1071 #include<stdio.h> #include<string.h> int main() { //freopen("in.txt","r",stdin); int t; scanf("%d",&t); while(t--) { double x1,y1,x2,y2,x3,y3; double k,t,a,b,c; s

圆的面积凭什么是 πr&#178;

为什么圆的面积 \( S = \pi r^2 \)? 怎么证? 这个公式很重要,因为它是求一切旋转体(圆柱,圆锥,圆台,球,等等)体积的基础,最好能比较严格地证出,而不是近似一下算完. 证法可以有很多,但是那些广为人知的「证法」多多少少都有问题. 小学的证法 切西瓜片?太不严密,不能令人信服: 人家圆弧明明是弯的,你凭什么说人家是直的?无论你分成多少份,那圆弧始终都是弯的,拼起来永远都不可能成为平行四边形.逼近也得讲道理,不然对了也是碰巧对了. 要说逼近都是对的的话,用类似的逻辑,也可以证明 \

(转载)SVM-基础(一)

支持向量机: Maximum Margin Classifier  by pluskid, on 2010-09-08, in Machine Learning     87 comments 本文是"支持向量机系列"的第一篇,参见本系列的其他文章. 支持向量机即 Support Vector Machine,简称 SVM .我最开始听说这头机器的名号的时候,一种神秘感就油然而生,似乎把 Support 这么一个具体的动作和 Vector 这么一个抽象的概念拼到一起,然后再做成一个 M

(转载)SVM-基础(二)

支持向量机: Support Vector  by pluskid, on 2010-09-10, in Machine Learning     52 comments 本文是"支持向量机系列"的第二篇,参见本系列的其他文章. 上一次介绍支持向量机,结果说到 Maximum Margin Classifier ,到最后都没有说"支持向量"到底是什么东西.不妨回忆一下上次最后一张图: 可以看到两个支撑着中间的 gap 的超平面,它们到中间的 separating h

支持向量机: Maximum Margin Classifier

支持向量机即 Support Vector Machine,简称 SVM .我最开始听说这头机器的名号的时候,一种神秘感就油然而生,似乎把 Support 这么一个具体的动作和 Vector 这么一个抽象的概念拼到一起,然后再做成一个 Machine ,一听就很玄了! 不过后来我才知道,原来 SVM 它并不是一头机器,而是一种算法,或者,确切地说,是一类算法,当然,这样抠字眼的话就没完没了了,比如,我说 SVM 实际上是一个分类器 (Classifier) ,但是其实也是有用 SVM 来做回归

支持向量机通俗导论(理解SVM的三层境界)

作者:July.pluskid :致谢:白石.JerryLead 出处:结构之法算法之道blog. 前言 动笔写这个支持向量机(support vector machine)是费了不少劲和困难的,原因很简单,一者这个东西本身就并不好懂,要深入学习和研究下去需花费不少时间和精力,二者这个东西也不好讲清楚,尽管网上已经有朋友写得不错了(见文末参考链接),但在描述数学公式的时候还是显得不够.得益于同学白石的数学证明,我还是想尝试写一下,希望本文在兼顾通俗易懂的基础上,真真正正能足以成为一篇完整概括和介

支持向量机入门到精通

转自:http://blog.csdn.net/macyang/article/details/38782399 第一层.了解SVM 1.0.什么是支持向量机SVM 要明白什么是SVM,便得从分类说起. 分类作为数据挖掘领域中一项非常重要的任务,它的目的是学会一个分类函数或分类模型(或者叫做分类器),而支持向量机本身便是一种监督式学习的方法(至于具体什么是监督学习与非监督学习,请参见此系列Machine L&Data Mining第一篇),它广泛的应用于统计分类以及回归分析中. 支持向量机(SV