Свойства определённого интеграла ⚖️

В прошлом уроке ты построил определённый интеграл с нуля — через разбиения отрезка, интегральные суммы Римана и предельный переход при измельчении разбиения. Это была тяжёлая, но необходимая работа: ты получил строгий объект $\int_a^b f(x)\,dx$, за которым стоит не интуитивная «площадь под кривой», а точное предельное определение. Проблема в том, что вычислять интеграл напрямую по этому определению — то есть каждый раз строить разбиения, суммировать бесконечно много слагаемых и брать предел — практически невозможно уже для сколько-нибудь сложной функции. Нужен инструмент попроще.

Именно этим инструментом и станут сегодняшние свойства. Давай разберёмся: свойства интеграла — это не набор разрозненных формул для заучивания, а маленький, но исключительно мощный «конструктор», который позволяет собирать сложные интегралы из простых, не трогая исходное определение через суммы вообще. Разбить интеграл на кусочки, вынести константу за скобки, оценить его значение без точного вычисления, найти «типичное» значение функции на отрезке — всё это делается за секунды, если знать шесть базовых правил игры.

Есть и более глубокая причина внимательно отнестись к этому уроку. Каждое из свойств, которые ты сегодня разберёшь, — это не изолированный факт матанализа, а прямой аналог какого-то фундаментального свойства теории вероятностей и статистики. Линейность интеграла — это ровно то же самое, что линейность математического ожидания $E[aX+bY]=aE[X]+bE[Y]$, одно из самых часто используемых тождеств в машинном обучении: на нём держится несмещённость оценок, разложение дисперсии, анализ ансамблей моделей и десятки других результатов. Теорема о среднем значении интеграла — это теоретическая основа самого понятия «среднего значения» непрерывной случайной величины. Оценка интеграла через границы подынтегральной функции — это тот же самый инструмент, которым в ML получают верхние границы вероятностей и оценки ошибки обобщения.

И наконец, в конце урока мы сделаем первый шаг к следующей большой теме курса — формуле Ньютона-Лейбница. Ты увидишь, что свойства из этого урока не просто удобны сами по себе: они естественным образом подводят к идее, что определённый интеграл и первообразная — это два взгляда на один и тот же объект. Но обо всём по порядку.

История: откуда это взялось?

Определённый интеграл как предел интегральных сумм формализовал Бернхард Риман в середине XIX века — но интуитивные представления о том, что «площадь под кривой» обладает какими-то естественными правилами арифметики, гораздо старше. Ещё Архимед в III веке до нашей эры, вычисляя площадь параболического сегмента методом исчерпывания, фактически пользовался идеей аддитивности: он разбивал фигуру на всё более мелкие треугольники и складывал их площади, полагая без доказательства (но совершенно верно), что площадь целого равна сумме площадей частей. Это интуитивное свойство работало на практике за две тысячи лет до того, как кто-либо строго его сформулировал для произвольных функций.

Когда в XVII веке Ньютон и Лейбниц создавали дифференциальное и интегральное исчисление, свойства интеграла воспринимались скорее как «здравый смысл геометрии», чем как теоремы, требующие доказательства. Если ты растягиваешь фигуру по вертикали вдвое, её площадь удваивается — какой смысл это доказывать? Только позже, когда Огюстен Коши в 1820-х годах дал первое по-настоящему строгое определение интеграла через суммы, а Риман довёл эту идею до совершенства, стало ясно: свойства линейности, аддитивности и монотонности требуют доказательства, потому что сам объект — интеграл как предел сумм — устроен куда тоньше, чем «площадь на глаз». Не для всякой функции этот предел вообще существует, и то, что интуитивно очевидные свойства площади действительно сохраняются для строго определённого предела, — это содержательный математический факт, а не тавтология.

Теорема о среднем значении интеграла имеет отдельную и по-своему красивую историю. Она является прямым родственником теоремы Лагранжа о среднем значении для производных (которую ты видел несколькими уроками раньше) — и обе эти теоремы, при всей разнице формулировок, выражают одну и ту же глубокую идею: у непрерывного процесса всегда есть момент, когда его «мгновенное» поведение в точности совпадает с его «усреднённым» поведением за весь промежуток. Для интегралов эта идея была явно сформулирована в работах Коши и позже вошла в стандартный курс анализа как один из важнейших инструментов — сегодня теорема о среднем значении интеграла лежит в основе доказательства самой формулы Ньютона-Лейбница, к которой мы подойдём в конце урока.

Линейность: интеграл суммы и произведения на константу

Интуиция: интеграл — это «умное суммирование», и сложение работает как обычно

Представь, что ты складываешь два столбика чисел, а потом складываешь результаты — и получаешь то же самое, что если бы сразу сложил числа парами и просуммировал всё за один проход. Это настолько базовое свойство арифметики, что мы даже не задумываемся о его существовании. Интегральная сумма — это, по сути, очень длинная сумма произведений $f(\xi_i)\,\Delta x_i$, и раз в обычной сумме можно менять порядок сложения и группировки слагаемых как угодно, разумно ожидать, что то же самое верно и для предела этой суммы — то есть для самого интеграла.

Давай разберёмся чуть подробнее, откуда это берётся. Возьмём интегральную сумму для функции $\alpha f(x)+\beta g(x)$ на некотором разбиении отрезка $[a,b]$ с отмеченными точками $\xi_i$:

Это чистая алгебра — раскрытие скобок и перегруппировка конечной суммы, здесь пока нет ничего про пределы. А теперь возьмём предел при измельчении разбиения (когда максимальная длина отрезков разбиения стремится к нулю). Слева получится по определению интеграл от $\alpha f+\beta g$. Справа — по свойству пределов «предел суммы равен сумме пределов, а константу можно вынести за знак предела» — получится $\alpha$ умножить на интеграл от $f$ плюс $\beta$ умножить на интеграл от $g$. Вот и всё доказательство: линейность интеграла — это прямое следствие линейности предела, унаследованное от линейности конечной суммы.

Свойство (линейность определённого интеграла). Пусть функции $f$ и $g$ интегрируемы на отрезке $[a,b]$, а $\alpha$ и $\beta$ — произвольные действительные константы. Тогда функция $\alpha f(x)+\beta g(x)$ тоже интегрируема на $[a,b]$, и

$$\int_a^b \bigl[\alpha f(x)+\beta g(x)\bigr]\,dx = \alpha\int_a^b f(x)\,dx + \beta\int_a^b g(x)\,dx$$

Разбор примеров

Пример 1 (лёгкий). Вычислить $\int_0^2 (3x^2-2x+1)\,dx$, используя линейность.

Раскладываем на три слагаемых и выносим константы:

Каждый из этих трёх интегралов — стандартный (их значения ты уже умеешь получать из геометрического смысла или из формулы Ньютона-Лейбница, которую формально докажем чуть позже, а пока просто используем как известный факт): $\int_0^2 x^2\,dx=\dfrac83$, $\int_0^2 x\,dx=2$, $\int_0^2 1\,dx=2$.

Ответ: $6$.

Пример 2 (средний). Известно, что $\int_0^1 f(x)\,dx=5$ и $\int_0^1 g(x)\,dx=-2$. Найти $\int_0^1 \bigl[2f(x)-3g(x)\bigr]\,dx$.

Здесь линейность работает как чистая алгебра, без всякого вычисления конкретных первообразных — тебе даже не нужно знать, что такое $f$ и $g$ на самом деле:

Ответ: $16$.

Пример 3 (сложный, машинное обучение). Пусть непрерывная случайная величина $X$ имеет плотность распределения $f(x)$ на отрезке $[a,b]$ (то есть $f(x)\ge0$ и $\int_a^b f(x)\,dx=1$). По определению математическое ожидание линейной функции от $X$ равно $E[aX+b]=\int_a^b (ax+b)f(x)\,dx$. Вывести формулу $E[aX+b]=a\,E[X]+b$, используя только линейность определённого интеграла.

Раскрываем подынтегральное выражение и применяем линейность (здесь роль «$f$» и «$g$» из свойства играют функции $xf(x)$ и $f(x)$, а константы — это $a$ и $b$):

Первое слагаемое — это по определению $a\cdot E[X]$ (интеграл $\int_a^b xf(x)\,dx$ — это и есть математическое ожидание $X$). Второе слагаемое — это $b$, умноженное на интеграл от плотности по всей области определения, а он равен $1$ по условию нормировки.

Ответ: $E[aX+b]=a\,E[X]+b$. Обрати внимание: этот вывод дословно обобщается на сумму двух случайных величин. Если рассмотреть совместную плотность $f(x,y)$ пары $(X,Y)$ и записать $E[aX+bY]=\iint (ax+by)f(x,y)\,dx\,dy$, то та же самая линейность (только уже для двойного интеграла) даёт знаменитую формулу $E[aX+bY]=a\,E[X]+b\,E[Y]$ — причём эта формула верна вообще без каких-либо предположений о независимости $X$ и $Y$, что часто оказывается неожиданностью для тех, кто впервые сталкивается с этим результатом.

Почему это важно

Линейность математического ожидания — один из самых эксплуатируемых фактов во всей статистике и машинном обучении, и теперь ты видишь его настоящую природу: это не отдельная аксиома теории вероятностей, а прямое следствие линейности определённого интеграла, применённой к конкретному интегралу $\int xf(x)\,dx$. Именно на линейности ожидания держится доказательство несмещённости выборочного среднего как оценки истинного среднего, разложение среднеквадратичной ошибки модели на смещение и дисперсию, вывод формулы для матожидания суммы результатов независимых испытаний (например, суммарной ошибки по батчу примеров) и множество других базовых конструкций. Когда в следующих курсах ты встретишь фразу «по линейности математического ожидания», знай: за ней стоит буквально то же самое свойство, которое ты только что доказал для интеграла суммы и произведения на константу.

Аддитивность и порядок пределов интегрирования

Интуиция: интеграл можно «резать» в любой точке, а направление обхода имеет значение

Давай разберёмся с ещё одной геометрически очевидной идеей: если ты хочешь посчитать площадь фигуры от точки $a$ до точки $c$, можно сначала посчитать площадь от $a$ до какой-то промежуточной точки $b$, а затем — от $b$ до $c$, и просто сложить результаты. Это работает для любой промежуточной точки $b$, а не только для той, что лежит строго между $a$ и $c$ — и в этом кроется небольшая тонкость, которую стоит разобрать аккуратно.

Представь одометр в машине — счётчик пройденного пути. Если ты едешь из точки $A$ в точку $C$ через промежуточную точку $B$, то показания одометра на участке $A\to C$ равны сумме показаний на участках $A\to B$ и $B\to C$ — независимо от того, где именно находится $B$: раньше $A$, позже $C$ или строго между ними. Но у определённого интеграла, в отличие от одометра, есть ещё и направление: интеграл «от $a$ до $b$» и интеграл «от $b$ до $a$» — это разные объекты, потому что при построении интегральной суммы разности $\Delta x_i = x_i - x_{i-1}$ меняют знак, если ты проходишь отрезок в обратную сторону. Именно поэтому определение интеграла расширяют так, чтобы свойство «резать в любой точке» выполнялось всегда, без исключений.

Свойство (аддитивность по промежутку интегрирования). Если функция $f$ интегрируема на наибольшем из отрезков, определяемых точками $a$, $b$, $c$, то для любого взаимного расположения этих трёх точек выполняется

$$\int_a^c f(x)\,dx = \int_a^b f(x)\,dx + \int_b^c f(x)\,dx$$

Свойство (перестановка пределов интегрирования). По определению для любых $a$ и $b$

$$\int_a^b f(x)\,dx = -\int_b^a f(x)\,dx$$

В частности, если верхний и нижний пределы совпадают, промежуток интегрирования вырождается в точку, а интеграл по нему равен нулю:

$$\int_a^a f(x)\,dx = 0$$

Это соглашение о знаке — не произвольная прихоть, а единственный способ сохранить аддитивность при любом расположении точек $a,b,c$. Если бы интеграл «в обратную сторону» считался бы просто равным интегралу «в прямую сторону» (без смены знака), равенство $\int_a^c=\int_a^b+\int_b^c$ ломалось бы в тот момент, когда $b$ оказывается за пределами отрезка $[a,c]$ — то есть для точки $b$, лежащей левее $a$ или правее $c$.

Разбор примеров

Пример 1 (лёгкий). Известно, что $\int_1^6 f(x)\,dx=10$ и $\int_1^4 f(x)\,dx=3$. Найти $\int_4^6 f(x)\,dx$.

По аддитивности $\int_1^6 = \int_1^4+\int_4^6$, откуда

Ответ: $7$.

Пример 2 (средний, работа с обратным порядком пределов). Известно, что $\int_2^8 f(x)\,dx=15$ и $\int_5^2 f(x)\,dx=-6$. Найти $\int_5^8 f(x)\,dx$.

Здесь точка $2$ лежит вне отрезка $[5,8]$ — но аддитивность всё равно работает, потому что она верна для любого расположения точек:

Ответ: $9$. Обрати внимание: если бы аддитивность требовала обязательного условия $a

Пример 3 (сложный). Функция $f(x)=|x-1|$ задана на отрезке $[-2,3]$. Вычислить $\int_{-2}^{3} f(x)\,dx$, разбив интеграл в точке $x=1$, где модуль меняет своё аналитическое выражение.

На отрезке $[-2,1]$ выполняется $x-1\le0$, поэтому $|x-1|=1-x$. На отрезке $[1,3]$ выполняется $x-1\ge0$, поэтому $|x-1|=x-1$. По аддитивности:

Первый интеграл: $\left[x-\dfrac{x^2}{2}\right]_{-2}^{1} = \left(1-\dfrac12\right)-\left(-2-2\right) = \dfrac12-(-4)=\dfrac92$.

Второй интеграл: $\left[\dfrac{x^2}{2}-x\right]_{1}^{3} = \left(\dfrac92-3\right)-\left(\dfrac12-1\right) = \dfrac32-\left(-\dfrac12\right)=2$.

Ответ: $\dfrac92+2=\dfrac{13}{2}=6{,}5$. Геометрически это сумма площадей двух прямоугольных треугольников: один с катетами $3$ и $3$ (на участке от $-2$ до $1$), второй с катетами $2$ и $2$ (на участке от $1$ до $3$) — их площади равны $\dfrac{3\cdot3}{2}=4{,}5$ и $\dfrac{2\cdot2}{2}=2$, что в сумме даёт те же самые $6{,}5$.

Почему это важно

Аддитивность — это тот инструмент, который позволяет интегрировать функции по кускам, заданным разными формулами (как в примере с модулем выше), не выдумывая для них единую аналитическую запись. В машинном обучении ровно эта идея всплывает при работе с кусочно-линейными функциями активации нейронов (популярная функция активации, равная нулю для отрицательных значений и самому аргументу — для положительных, у которой на разных участках разное аналитическое выражение) и при вычислении интегральных характеристик функций потерь, заданных по-разному в разных режимах (например, гибридная функция потерь, которая ведёт себя как квадратичная вблизи нуля и как линейная — вдали от него). А соглашение о знаке при перестановке пределов интегрирования — это то, что делает формулу Ньютона-Лейбница универсальной: она будет работать одинаково, даже если верхний предел интегрирования окажется меньше нижнего, без каких-либо оговорок и отдельных случаев.

Монотонность и оценка интеграла

Интуиция: «больше функция — больше площадь», и из этого рождается вилка значений

Давай разберёмся с ещё одним интуитивно понятным фактом: если одна кривая целиком лежит не ниже другой на всём отрезке, то и площадь под ней не может быть меньше. Представь два бегуна на дистанции: если скорость одного бегуна в каждый момент времени не меньше скорости другого, то и суммарный пройденный путь у первого не может оказаться меньше, чем у второго — как бы ни менялась скорость на протяжении дистанции. Это и есть монотонность интеграла в чистом виде.

Из монотонности сразу вытекает удобный практический приём — оценка интеграла. Если ты не можешь (или не хочешь) вычислять интеграл точно, но знаешь, что функция на отрезке ограничена сверху и снизу константами, ты можешь зажать значение интеграла между интегралами от этих констант — а интеграл от константы считается мгновенно, это просто константа, умноженная на длину отрезка. Получается вилка значений, которая часто оказывается достаточной, если тебе не нужен точный ответ, а нужна лишь оценка порядка величины или доказательство какого-то неравенства.

Свойство (монотонность интеграла). Если функции $f$ и $g$ интегрируемы на $[a,b]$, $a\le b$, и $f(x)\le g(x)$ для всех $x\in[a,b]$, то

$$\int_a^b f(x)\,dx \le \int_a^b g(x)\,dx$$

Следствие (оценка интеграла). Если $m\le f(x)\le M$ для всех $x\in[a,b]$, то

$$m(b-a) \le \int_a^b f(x)\,dx \le M(b-a)$$

Следствие (модульное неравенство). Для $a\le b$

$$\left|\int_a^b f(x)\,dx\right| \le \int_a^b |f(x)|\,dx$$

Модульное неравенство стоит запомнить отдельно, потому что интуиция здесь чуть более тонкая: слева стоит модуль от суммы (площадь с учётом знака, а значит положительные и отрицательные «куски» могут компенсировать друг друга), а справа — сумма модулей (все куски уже сделаны положительными до суммирования, компенсации быть не может). Поэтому неравенство, вообще говоря, строгое — равенство достигается ровно тогда, когда функция не меняет знак на всём отрезке.

Разбор примеров

Пример 1 (лёгкий). Оценить $\int_1^4 \sqrt{x}\,dx$, зная, что $1\le\sqrt{x}\le2$ на отрезке $[1,4]$.

По следствию об оценке:

Точное значение (для проверки): $\left[\dfrac23x^{3/2}\right]_1^4 = \dfrac23(8-1)=\dfrac{14}{3}\approx4{,}67$ — и это число действительно лежит внутри полученной вилки.

Ответ: $3\le I\le6$, точное значение $\dfrac{14}{3}$.

Пример 2 (средний). Доказать, что $\int_0^1 x^3\,dx < \int_0^1 x^2\,dx$, используя монотонность (а не прямое вычисление).

На интервале $(0,1)$ для любого $x$ выполняется $0 $$\int_0^1 x^3\,dx < \int_0^1 x^2\,dx$$

Ответ: неравенство доказано; для проверки точные значения действительно подтверждают его: $\dfrac14<\dfrac13$.

Пример 3 (сложный, машинное обучение). Функция потерь задана как $L(w)=(w-2)^2$ на отрезке $w\in[0,4]$. Требуется оценить интеграл $\int_0^4 L(w)\,dw$ без точного вычисления, используя только информацию о границах функции на отрезке.

Функция $L(w)=(w-2)^2$ на $[0,4]$ достигает минимума $0$ в точке $w=2$ и максимума на краях отрезка: $L(0)=L(4)=4$. Значит $0\le L(w)\le4$ для всех $w\in[0,4]$, и по следствию об оценке:

Точное значение для сравнения: $\left[\dfrac{(w-2)^3}{3}\right]_0^4 = \dfrac83-\left(-\dfrac83\right)=\dfrac{16}{3}\approx5{,}33$ — заметно ближе к нижней границе вилки, потому что функция большую часть отрезка проводит вблизи своего минимума.

Ответ: $0\le\int_0^4L(w)\,dw\le16$, точное значение $\dfrac{16}{3}$. Такая грубая, но мгновенная оценка широко используется в машинном обучении там, где точное значение интеграла (например, ожидаемого значения функции потерь по распределению данных) недоступно, но известны границы самой функции потерь — оценки такого рода лежат в основе доказательств границ обобщающей способности моделей и оценок регрета в задачах онлайн-обучения.

Почему это важно

Монотонность и оценка интеграла — это твой основной инструмент, когда точное вычисление невозможно или бессмысленно тратить на него время. В статистике этот же принцип используется для получения верхних границ вероятностей: если плотность случайной величины ограничена сверху константой $M$, то вероятность попадания в любой интервал длины $L$ не может превышать $ML$ — это прямое следствие оценки интеграла, и ты разберёшь его подробно в практике ниже. В численных методах монотонность используется для контроля ошибки приближённого интегрирования, а в теории оптимизации — для получения границ на значение функции потерь до того, как обучение модели вообще завершится.

Теорема о среднем значении: геометрический смысл

Интуиция: у любой неровной кривой есть точка, где её высота совпадает со «средней высотой»

Представь себе горный хребет неправильной формы — где-то высокий, где-то низкий. Теорема о среднем значении утверждает удивительную вещь: всегда найдётся хотя бы одна точка на хребте, высота которой в точности равна средней высоте всего хребта. Это не приближение и не оценка — это гарантированное существование такой точки, если хребет описывается непрерывной функцией.

Геометрически теорема о среднем значении говорит следующее: площадь под графиком непрерывной функции $f$ на отрезке $[a,b]$ можно в точности заменить площадью прямоугольника с тем же основанием $b-a$, если подобрать подходящую высоту. Эта высота называется средним значением функции на отрезке, и теорема гарантирует, что она обязательно достигается функцией $f$ в какой-то точке $c$ внутри отрезка — то есть неровную, изгибающуюся кривую всегда можно «выпрямить» в прямоугольник равной площади, не меняя при этом основания.

Теорема (о среднем значении определённого интеграла). Если функция $f$ непрерывна на отрезке $[a,b]$, то существует точка $c\in[a,b]$ такая, что

$$\int_a^b f(x)\,dx = f(c)\cdot(b-a)$$

Эквивалентно, величина

$$f_{\text{ср}} = \frac{1}{b-a}\int_a^b f(x)\,dx$$

называется средним значением функции $f$ на отрезке $[a,b]$, и теорема утверждает, что $f_{\text{ср}}$ обязательно совпадает со значением $f$ в некоторой точке этого отрезка.

Доказательство опирается ровно на два факта, которые ты уже видел в курсе раньше. Во-первых, непрерывная на отрезке функция достигает на нём своего минимума $m$ и максимума $M$ (теорема Вейерштрасса). Во-вторых, по свойству оценки интеграла среднее значение $f_{\text{ср}}$ лежит между $m$ и $M$: $m\le f_{\text{ср}}\le M$. А раз непрерывная функция принимает на отрезке любое промежуточное значение между $m$ и $M$ (теорема о промежуточном значении, она же теорема Больцано-Коши), то среди этих промежуточных значений обязательно найдётся и $f_{\text{ср}}$ — а значит, найдётся и точка $c$, где $f(c)=f_{\text{ср}}$.

Разбор примеров

Пример 1 (лёгкий). Найти среднее значение функции $f(x)=x^2$ на отрезке $[0,3]$ и указать точку $c$, где это значение достигается.

Точка $c$ находится из уравнения $c^2=3$, откуда $c=\sqrt3\approx1{,}73$ — и эта точка действительно лежит внутри отрезка $[0,3]$.

Ответ: $f_{\text{ср}}=3$, достигается в точке $c=\sqrt3$.

Пример 2 (средний, физический смысл). Скорость тела меняется по закону $v(t)=2t+1$ (м/с) на промежутке времени $t\in[0,4]$ (сек). Найти среднюю скорость и проверить результат через пройденный путь.

Проверка через путь: если средняя скорость равна $5$ м/с на промежутке в $4$ секунды, пройденный путь должен составить $5\cdot4=20$ метров. С другой стороны, $v(t)$ — линейная функция, и площадь под её графиком на $[0,4]$ — это площадь трапеции с основаниями $v(0)=1$ и $v(4)=9$ и высотой $4$: $\dfrac{(1+9)}{2}\cdot4=20$ метров. Результаты совпадают.

Ответ: средняя скорость равна $5$ м/с, пройденный путь — $20$ метров, что подтверждается прямым вычислением площади.

Пример 3 (сложный, машинное обучение). Пусть случайная величина $X$ распределена равномерно на отрезке $[a,b]$, то есть её плотность постоянна и равна $f(x)=\dfrac{1}{b-a}$. Показать, что математическое ожидание $E[X]$ — это в буквальном смысле среднее значение функции $g(x)=x$ на отрезке $[a,b]$ в смысле теоремы о среднем, и найти точку, где это среднее достигается.

По определению математического ожидания:

Но выражение $\dfrac{1}{b-a}\int_a^b x\,dx$ — это в точности среднее значение функции $g(x)=x$ на отрезке $[a,b]$ по определению из этого раздела. Вычисляем:

Ответ: $E[X]=\dfrac{a+b}{2}$, и точка, где функция $g(x)=x$ принимает это значение, — это $c=\dfrac{a+b}{2}$, то есть ровно середина отрезка. Это не просто похожая аналогия: математическое ожидание непрерывной случайной величины определяется через тот же самый интеграл-усреднение, что и среднее значение функции в теореме о среднем. Теорема о среднем гарантирует, что для любой непрерывной плотности и любой непрерывной функции $g$ всегда найдётся точка, в которой $g$ принимает значение, равное её «типичному», усреднённому по распределению значению — а именно на этом факте строится интуиция, почему математическое ожидание вообще можно называть «средним» или «типичным» значением случайной величины, а не абстрактным числом без содержательного смысла.

Почему это важно

Теорема о среднем значении — это не просто изящный геометрический факт, а фундамент самого понятия среднего для непрерывных величин. Когда специалист по данным говорит «средняя цена товара» или «ожидаемое время отклика сервера», он неявно опирается именно на эту конструкцию: интеграл функции (плотности, взвешенной на значение величины) по всей области определения, поделённый на длину этой области (или, в случае произвольной плотности, само определение математического ожидания). А сама теорема гарантирует нечто важное для интуиции: усреднённая характеристика — это не абстракция, а значение, которое непрерывный процесс действительно принимает где-то внутри своей области определения, а не какое-то «фиктивное» число, лежащее вне диапазона реальных значений.

От свойств к формуле Ньютона-Лейбница

Интуиция: интеграл как функция верхнего предела внезапно оказывается первообразной

Давай разберёмся, к чему на самом деле готовят все свойства, разобранные выше. Рассмотрим интеграл $\int_a^x f(t)\,dt$ не как число, а как функцию от своего верхнего предела $x$ — обозначим её $\Phi(x)$. Раз для каждого конкретного $x$ этот интеграл даёт конкретное число, $\Phi$ — вполне законная функция, и естественный вопрос: как она устроена? Оказывается, свойства аддитивности и теорема о среднем значении, которые ты только что изучил, вместе дают неожиданно сильный ответ.

По аддитивности приращение этой функции при переходе от $x$ к $x+h$ можно записать как отдельный интеграл:

А теперь применим к этому новому интегралу теорему о среднем значении: найдётся точка $c$ между $x$ и $x+h$, такая что $\int_x^{x+h}f(t)\,dt = f(c)\cdot h$. Подставляем и делим на $h$:

Когда $h\to0$, точка $c$ неизбежно «зажимается» между $x$ и $x+h$ и тоже стремится к $x$, а значит по непрерывности $f$ получаем $f(c)\to f(x)$. Но левая часть равенства — это в точности определение производной функции $\Phi$ в точке $x$! Получаем поразительный результат:

То есть интеграл с переменным верхним пределом оказывается первообразной для подынтегральной функции. Это и есть зерно формулы Ньютона-Лейбница — центральной теоремы всего интегрального исчисления, которая связывает определённый интеграл (объект, построенный через суммы и пределы) с неопределённым интегралом, то есть с первообразной (объектом, построенным через обращение дифференцирования). Полное доказательство и точную формулировку $\int_a^b f(x)\,dx = F(b)-F(a)$, где $F$ — любая первообразная $f$, мы разберём подробно в следующем уроке — а пока важно, что ты своими руками увидел, откуда эта связь вообще берётся: она прямое следствие аддитивности и теоремы о среднем значении, изученных сегодня.

Разбор примеров

Пример 1 (лёгкий). Проверить, что для функции $\Phi(x)=\int_0^x 2t\,dt$ действительно выполняется $\Phi'(x)=f(x)$, где $f(t)=2t$.

Интеграл $\int_0^x 2t\,dt$ вычисляется напрямую: $\Phi(x)=\left[t^2\right]_0^x = x^2$. Дифференцируя, получаем $\Phi'(x)=2x$ — и это в точности совпадает с $f(x)=2x$.

Ответ: $\Phi'(x)=2x=f(x)$ — предсказание из общей идеи подтверждается прямым вычислением.

Пример 2 (средний). Заглядывая на шаг вперёд (используя формулу Ньютона-Лейбница как уже известный факт), вычислить $\int_0^\pi \sin x\,dx$, а затем обсудить, почему этот ответ было бы затруднительно получить только свойствами линейности и аддитивности, без знания первообразной.

Первообразная синуса — это $-\cos x$ (поскольку $(-\cos x)'=\sin x$). По формуле Ньютона-Лейбница:

Ответ: $2$. Заметь: свойства линейности и аддитивности сами по себе позволяют комбинировать уже известные интегралы, но не дают способа получить новое числовое значение интеграла с нуля — для этого нужна связь с первообразной, то есть именно формула Ньютона-Лейбница. Свойства этого урока — это инструменты обращения с интегралами, а формула Ньютона-Лейбница — это инструмент их фактического вычисления.

Пример 3 (сложный). Известно, что при всех $b\ge0$ выполняется $\int_0^b f(x)\,dx = b^3$. Найти функцию $f(x)$.

Используем только что доказанный факт $\Phi'(x)=f(x)$, где в данном случае $\Phi(b)=b^3$ по условию. Дифференцируя обе части равенства по верхнему пределу:

Ответ: $f(x)=3x^2$. Это классическая «обратная» задача: вместо того чтобы находить интеграл по известной функции, мы восстанавливаем саму функцию по известному поведению интеграла как функции верхнего предела — и решается она мгновенно именно благодаря факту $\Phi'(x)=f(x)$, доказанному в этом разделе.

Почему это важно

Идея интеграла с переменным верхним пределом — это не техническое отступление, а прямой мост к следующему уроку и одна из самых важных конструкций всего курса. Она объясняет, почему определённый и неопределённый интегралы, при всём различии в определениях (один — предел сумм, другой — обращение дифференцирования), оказываются двумя гранями одного и того же объекта. В приложениях эта конструкция встречается регулярно: функция распределения непрерывной случайной величины $F(x)=\int_{-\infty}^x f(t)\,dt$ определяется буквально как интеграл с переменным верхним пределом, и факт $F'(x)=f(x)$ — то есть что производная функции распределения равна плотности — это прямое следствие той же самой теоремы, которую ты только что вывел.

Практика: 30 заданий

Базовые задания (1–10)

Задание 1: Известно, что $\int_2^5 f(x)\,dx=8$. Найти $\int_5^2 f(x)\,dx$.

Задание 2: Известно, что $\int_0^3 f(x)\,dx=4$ и $\int_3^7 f(x)\,dx=6$. Найти $\int_0^7 f(x)\,dx$.

Задание 3: Вычислить $\int_{-3}^{-3} (x^2+5)\,dx$.

Задание 4: Известно, что $\int_1^6 f(x)\,dx=10$ и $\int_1^4 f(x)\,dx=3$. Найти $\int_4^6 f(x)\,dx$.

Задание 5: Вычислить $\int_0^2 (3x^2-2x+1)\,dx$, используя линейность.

Задание 6: Известно, что $\int_0^1 f(x)\,dx=5$ и $\int_0^1 g(x)\,dx=-2$. Найти $\int_0^1 [2f(x)-3g(x)]\,dx$.

Задание 7: Оценить $\int_0^5 (x+1)\,dx$, зная, что $1\le x+1\le6$ на $[0,5]$, а затем найти точное значение.

Задание 8: Дано, что $f(x)\ge0$ на отрезке $[a,b]$. Доказать, что в этом случае модульное неравенство $\left|\int_a^bf(x)\,dx\right|\le\int_a^b|f(x)|\,dx$ обращается в точное равенство. Применимо ли это к $f(x)=\sin x$ на $[0,\pi]$?

Задание 9: Найти среднее значение постоянной функции $f(x)=4$ на отрезке $[1,5]$.

Задание 10: Известно, что $\int_2^5 f(x)\,dx=7$. Вычислить $\int_5^5 f(x)\,dx + \int_2^5 f(x)\,dx$.

Средние задания (11–20)

Задание 11: Известно, что $\int_1^4 f(x)\,dx=5$ и $\int_1^4 h(x)\,dx=-2$. Пусть $g(x)=3f(x)-2h(x)$. Найти $\int_1^4 g(x)\,dx$.

Задание 12: Вычислить $\int_{-2}^{3}|x-1|\,dx$, используя аддитивность.

Задание 13: Доказать, что $\int_0^1 x^3\,dx < \int_0^1 x^2\,dx$, используя монотонность, и вычислить оба интеграла.

Задание 14: Оценить $\int_0^{\pi/2}\sin^2x\,dx$, используя $0\le\sin^2x\le1$ на $[0,\pi/2]$, и сравнить с точным значением $\dfrac\pi4$.

Задание 15 (машинное обучение): Случайная величина $X$ имеет $E[X]=3$. Пусть $Y=2X+5$. Используя доказанную ранее формулу $E[aX+b]=aE[X]+b$ (следствие линейности интеграла), найти $E[Y]$.

Задание 16: Найти среднее значение функции $f(x)=\sqrt x$ на отрезке $[0,4]$ и указать точку, где оно достигается.

Задание 17: Функция $f$ непрерывна и неотрицательна на $[a,b]$, и $\int_a^b f(x)\,dx=0$. Доказать, что $f(x)\equiv0$ на всём отрезке $[a,b]$.

Задание 18: Скорость тела меняется по закону $v(t)=3t^2$ (м/с) на отрезке $t\in[0,2]$ (сек). Найти среднюю скорость и точку, где она достигается.

Задание 19: Известно, что $\int_0^2 f(x)\,dx=6$ и $\int_2^0 g(x)\,dx=-4$. Найти $\int_0^2 [f(x)-g(x)]\,dx$.

Задание 20: Оценить $\left|\int_0^1 \dfrac{\sin x}{1+x^2}\,dx\right|$, используя $|\sin x|\le1$ и $\dfrac1{1+x^2}\le1$ на $[0,1]$.

Продвинутые задания (21–30)

Задание 21 (машинное обучение): Пусть $X$ — непрерывная случайная величина с плотностью $f(x)$ на $[a,b]$, и $g(x)=c_1g_1(x)+c_2g_2(x)$ для некоторых функций $g_1,g_2$ и констант $c_1,c_2$. Используя определение $E[g(X)]=\int_a^b g(x)f(x)\,dx$ и линейность интеграла, доказать, что $E[g(X)]=c_1E[g_1(X)]+c_2E[g_2(X)]$.

Задание 22: Найти среднее значение функции $f(x)=x^2$ на отрезке $[1,3]$ и точку, где оно достигается.

Задание 23: Функция $f$ непрерывна и нечётна на $[-a,a]$ (то есть $f(-x)=-f(x)$). Доказать, что $\int_{-a}^{a}f(x)\,dx=0$.

Задание 24: Оценить $\int_1^{2}\dfrac1x\,dx$ сверху и снизу через монотонность, а затем сравнить с точным значением $\ln2$.

Задание 25: Найти среднее значение функции $f(x)=e^x$ на отрезке $[0,1]$ и точку, где оно достигается (используя формулу Ньютона-Лейбница как известный факт).

Задание 26 (машинное обучение): Используя дважды линейность определённого интеграла (через определение математического ожидания $E[X^2]=\int x^2f(x)\,dx$ и уже доказанную формулу $E[aX+b]=aE[X]+b$), вывести формулу $\mathrm{Var}(aX+b)=a^2\,\mathrm{Var}(X)$.

Задание 27: Доказать, что $\int_0^1 e^{-x^2}\,dx < 1$, не вычисляя этот интеграл точно (напомним: он не выражается через элементарные функции).

Задание 28: Известно, что $\int_2^8 f(x)\,dx=15$ и $\int_5^2 f(x)\,dx=-6$. Найти $\int_5^8 f(x)\,dx$, используя то, что аддитивность работает при любом расположении точек.

Задание 29: Пусть $\Phi(x)=\int_0^x t^2\,dt$. Используя теорему о среднем значении (а не прямое вычисление интеграла), найти $\Phi'(x)$.

Задание 30 (машинное обучение): Плотность некоторой случайной величины $X$ на отрезке $[0,10]$ ограничена сверху константой $M$, то есть $f(x)\le M$ для всех $x$. Используя оценку интеграла, показать, что вероятность попадания $X$ в любой интервал $[a,a+L]\subset[0,10]$ не превышает $ML$.

Частые ошибки

Разберём типичные ошибки, которые встречаются почти у каждого, кто только осваивает свойства определённого интеграла.

• Применять аддитивность только при условии $a На самом деле $\int_a^c=\int_a^b+\int_b^c$ работает при любом расположении точек $a$, $b$, $c$ — в том числе когда $b$ лежит вне отрезка $[a,c]$, — именно поэтому и вводится соглашение о знаке при перестановке пределов интегрирования.

• Путать линейность интеграла с несуществующим «интегралом произведения». Равенство $\int_a^b[\alpha f(x)+\beta g(x)]\,dx = \alpha\int_a^bf(x)\,dx+\beta\int_a^bg(x)\,dx$ верно только для суммы и умножения на константу — для произведения функций $\int_a^b f(x)g(x)\,dx$ никакого аналогичного разложения в общем случае не существует.

• Считать, что $\left|\int_a^bf(x)\,dx\right|=\int_a^b|f(x)|\,dx$ всегда. Это неравенство, а не тождество: равенство достигается только тогда, когда функция не меняет знак на всём отрезке, — если функция и положительна, и отрицательна на разных участках, положительные и отрицательные площади компенсируют друг друга слева, но не справа.

• Забывать, что монотонность требует $a\le b$. Свойство $f(x)\le g(x)\Rightarrow\int_a^bf\le\int_a^bg$ сформулировано именно для случая, когда нижний предел не превышает верхний; при обратном порядке пределов знак неравенства меняется на противоположный из-за свойства перестановки пределов.

• Считать, что теорема о среднем значения указывает конкретную точку $c$. Теорема гарантирует только существование хотя бы одной такой точки, но не даёт явной формулы для её нахождения — точку $c$ приходится находить отдельно, решая уравнение $f(c)=f_{\text{ср}}$, и в общем случае это не проще, чем сам исходный интеграл.

• Применять теорему о среднем значении к разрывной функции. Условие непрерывности здесь не формальность: для функции с разрывом теорема, вообще говоря, может не выполняться, потому что теряется сразу два необходимых ингредиента доказательства — гарантия достижения минимума и максимума (теорема Вейерштрасса) и гарантия принятия всех промежуточных значений (теорема о промежуточном значении).

• Путать среднее значение функции на отрезке с простым средним арифметическим её значений в нескольких точках. Среднее значение $f_{\text{ср}}=\dfrac1{b-a}\int_a^bf(x)\,dx$ учитывает поведение функции на всём отрезке, а не в конечном наборе выбранных точек — это принципиально разные операции, хотя интуиция «усреднения» у них общая.