UNIVERSIDAD AUTÓNOMA DE ZACATECAS

UNIDAD ACADÉMICA DE MATEMÁTICAS

Análisis Matemático II
Dr. Juan Martínez Ortiz
Proyecto 2: Aplicaciones de la integral de
Riemann-Stieltjes

NOMBRE DEL ALUMNO: ALEXIS GARCÍA DURÁN

GRUPO: SÉPTIMO “E”

FECHA: 24 DE SEPTIEMBRE DEL 2018

Índice
1. Introducción ......................................................................................................................................................3
2. Definición de la integral de Riemann-Stieltjes ...............................................................................................3
3. Propiedades .......................................................................................................................................................4
4. Aplicaciones.......................................................................................................................................................5
4.1 Teoría de la probabilidad ........................................................................................................................5
5. Producto de Cauchy .......................................................................................... Error! Bookmark not defined.
6. Referencias ........................................................................................................................................................8

2
1. Introducción
En el cálculo elemental, uno de los dos problemas más importantes a resolver es el de encontrar el
área delimitada por una curva. Como se podrá recordar, la forma de resolver esta problemática es por
medio de un paso al límite, un proceso llamado integración que fue profundamente estudiado por el
matemático Bernhard Riemann (1826 - 1866) quien dio la definición más formal de integral en el año
de 1853, así como las condiciones necesarias y suficientes para que una función acotada y definida en
[𝑎, 𝑏] fuera integrable.
La integral de Riemann tiene muchas otras aplicaciones incluyendo el cálculo de áreas entre dos
curvas, longitud de arco, volumen de solidos de revolución, trabajo realizado por una fuerza variable,
momentos y centros de masa, valores esperados y variación.
Cuarenta y un años después, en 1894, Thomas Joannes Stieltjes (1856 - 1894) da una
generalización de la integral de Riemann que lleva por nombre: la integral de Riemann Stieltjes.
El objetivo de este proyecto es mostrar algunas de las aplicaciones de la integral de Riemann-
Stieltjes en áreas como las matemáticas, la estadística, mecánica y problemas de la vida real como el
crecimiento poblacional.

2. Definición de la integral de Riemann-Stieltjes

Primero veamos una definición más intuitiva dada por Hong [1] de la integral de Riemann-
Stieltjes:

𝑏
"We defined the Riemann Integral ∫𝑎 𝑓(𝑥)𝑑𝑥 to be the limit as we refined
the tagged partition 𝑥 = ((𝑥0 , … , 𝑥𝑛 )(𝑡1 , … , 𝑡𝑛 )) of the Riemann Sum 𝑓(𝑥) =
∑𝑛𝑖=1 𝑓(𝑡𝑖 )(𝑥𝑖 − 𝑥𝑖−1 ). But why did we multiply by (𝑥𝑖 − 𝑥𝑖−1 )? Well, that
was the width of a rectangular strip we were using to approximate part of the
area under the graph of 𝑓. But why should we automatically use that diference
as the “width”?
Let's imagine we're walking past a fence. Sometimes we walk faster, and
sometimes we walk slower, but at time 𝑡 we can measure the height of the
fence right next to us: 𝑓(𝑡). So what's the area of the fence? If we just
integrated 𝑓(𝑡) we'd get the wrong answer . The samples we made when
walking fast made fat rectangles, while the samples we made when we were
walking slowly got paired with skinny rectangles, but we gave them same
weight if they took the same time to get through that segment of the partition.
We need to reweight our sums to compensate for how fast we're walking!
Okay, so how wide should we make the rectangles? Let's say that at time
t we're at position 𝑡 along the fence. Then in the segment of the partition times
𝑥𝑖−1 and 𝑥𝑖 we move from position 𝛼(𝑥𝑖−1 ) to the position 𝛼(𝑥𝑖 ), so we

3
 should make the width come out to (𝛼(𝑥𝑖−1 ) − 𝛼(𝑥𝑖 )). I'll put this into our
formalism before and get the “Riemann-Stieltjes Sum”:

𝑛
𝑓𝛼,𝑥 = ∑ 𝑓(𝑡𝑖 )(𝛼(𝑥𝑖−1 ) − 𝛼(𝑥𝑖 )).
𝑖=1

And now I can take the limit over tagged partitions as before to get the
“Riemann-Stieltjes Integral”:
𝑏
∫ 𝑓(𝑥)𝑑𝛼(𝑥)
𝑎

Nótese como Hong hace la comparación de la integral de Riemann con la de Riemann-Stieltjes

haciendo notar que la primera es un caso particular de la segunda.
Ahora demos la definición formal de esta integral.

Definición (integral de Riemann-Stieltjes) 2.1. Sea 𝑃 = {𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 } una partición de [𝑎, 𝑏]

y sea 𝑡𝑖 un punto del subintervalo [𝑥𝑖 − 𝑥𝑖−1 ], una suma de la forma

𝑆(𝑃, 𝑓, 𝛼) = ∑ 𝑓(𝑡𝑖 )∆𝛼𝑖

𝑖=1

Se llama una suma de Riemann-Stieltjes de 𝑓 respecto de 𝛼. Diremos que 𝑓 es Riemann integrable

respecto de 𝛼 en [𝑎, 𝑏] y escribiremos “𝑓 ∈ 𝑅(𝛼) en [𝑎, 𝑏]”, si existe un número 𝐴 que satisface la
siguiente propiedad: para cada 𝜀 > 0, existe una partición 𝑃, de [𝑎, 𝑏] tal que, para cada partición 𝑃
más fina que 𝑃𝜀 y para cada elección de los puntos 𝑡𝑖 del intervalo [𝑥𝑖 − 𝑥𝑖−1 ] se tiene
|𝑆(𝑃, 𝑓, 𝛼) − 𝐴| < 𝜀
𝑏
Cuando el número 𝐴 existe, es único y se representa por medio de ∫𝑎 𝑓(𝑥)𝑑𝛼(𝑥). Las funciones 𝑓
y 𝛼, se denominan, respectivamente, integrando e integrador.

Nótese como, según la definición, si 𝛼(𝑥) = 𝑥 se obtiene la ya conocida integral de Riemann.

3. Propiedades

Demos algunas de las propiedades que cumple la integral de Riemann-Stieltjes que nos serán de
utilidad.[3]

Teorema 3.1. Si 𝑓, 𝑔 ∈ 𝑅(𝛼) en [𝑎, 𝑏], entonces 𝑐1 𝑓 + 𝑐2 𝑔 ∈ 𝑅(𝛼) en [𝑎, 𝑏] para todo par de
constantes 𝑐1 y 𝑐2 y se tiene

4
 𝑏 𝑏 𝑏

∫ 𝑐1 𝑓 + 𝑐2 𝑔𝑑𝛼 = 𝑐1 ∫ 𝑓𝑑𝛼 + 𝑐2 ∫ 𝑔𝑑𝛼

𝑎 𝑎 𝑎

4. Aplicaciones

4.1 Teoría de la probabilidad

En este apartado se utilizará la integral de Riemann-Stieltjes para definir la esperanza de una

variable aleatoria y una función de varias variables aleatorias.
La razón principal para definir el valor esperado con la Integral de Riemann-Stieltjes, en lugar de
con una Integral de Riemann ordinaria, es que genera una fórmula general que se mantiene para las
variables aleatorias discretas, continuas y también para las mezclas de las dos. Por lo tanto, ofrece un
enfoque más único para la teoría de variables aleatorias.
En este trabajo, consideramos la recta real como nuestro espacio de muestra. Comenzamos por
definir algunos conceptos importantes de la teoría de la probabilidad. Nuestra base es un espacio de
probabilidad que incluye un conjunto de todos los resultados posibles, llamado espacio de resultados
Ω, y una medida de probabilidad 𝑃, que especifica la probabilidad de que ocurra un evento.

Definición 4.1.1. Dado un experimento aleatorio con un espacio de resultados Ω, definimos una
variable aleatoria 𝑋 como una función medible que asigna exactamente un número real 𝑋(𝜔) = 𝑥 a
cada elemento 𝜔 ∈ Ω.

Una variable aleatoria puede ser discreta, solo suponiendo un número contable de valores reales,
o continua, suponiendo teóricamente un número infinito de valores reales en intervalos finitos de Ω.
Una variable aleatoria discreta puede ser, por ejemplo, una tirada de un par de dados, y una variable
aleatoria continua podría ser la altura de una persona. Supondremos que cada variable aleatoria se
define desde el espacio de resultados Ω hasta una dimensión real dada. Las probabilidades de las
variables aleatorias se miden con el uso de la función de distribución.

Definición 4.1.2. Para una variable aleatoria 𝑋 definimos la función de distribución acumulada de
𝑋 como 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥).
𝑃(𝑋 ≤ 𝑥) representa la probabilidad del evento de que la variable aleatoria 𝑋 sea igual o no mayor
que un valor dado de 𝑥. Del mismo modo, la probabilidad del evento de que una variable aleatoria 𝑋
pertenezca a un intervalo (𝑥𝑖 − 𝑥𝑖−1 ] está dado por 𝑃(𝑥𝑖−1 ≤ 𝑋 ≤ 𝑥𝑖 ) = 𝐹𝑋 (𝑥𝑖 ) − 𝐹𝑋 (𝑥𝑖−1 )

En el caso discreto, la función de distribución es el área bajo la función de probabilidad. La función

de probabilidad es constante en cada resultado posible, por lo que la función de distribución se
convierte en una suma de funciones con saltos en cada probabilidad. En el caso continuo, la función
de distribución, que se evalúa en un punto 𝑥, es el área bajo una función integrable llamada función
de densidad de probabilidad, desde −∞ hasta 𝑥.

5
 Para variables aleatorias que son una mezcla de variables aleatorias discretas y continuas, la
función de distribución será una combinación de dos tipos tal que será continua en todas partes,
excepto en los puntos de probabilidad positiva, donde tendrá saltos discontinuos con una altura igual
a la probabilidad correspondiente. Común a todos los tipos de funciones de distribución es que son
funciones no decrecientes de cero a uno.
A menudo queremos estimar la probabilidad de un evento conectado a una variable aleatoria. Esto
se hace calculando la esperanza de una variable aleatoria. Recordemos que el valor esperado es un
promedio ponderado de todos los valores posibles, donde los pesos son las probabilidades de que
ciertos eventos ocurran. La expectativa es un operador lineal que, por definición, existe siempre que
la expresión de la función de distribución sea finita o converja absolutamente.
Si la esperanza existe, entonces el valor esperado de una variable aleatoria 𝑋 viene dado por

∞
∑ 𝑥𝑖 𝑃(𝑋 ≤ 𝑥) 𝑠𝑖 𝑋 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝑖=1
𝐸(𝑋) = ∞
∫ 𝑥𝑓𝑋 (𝑥) 𝑑𝑥 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
{ −∞

Donde 𝑓𝑋 (𝑥) es la función de densidad de probabilidad de 𝑋. Esta función está relacionada con la
función de distribución acumulada por 𝐹′𝑋 = 𝑓𝑋 , si 𝑓𝑋 es continua en 𝑥.
La integral anterior es una integración integral de Riemann en la cual la integración se realiza al
sumar:
𝑛

lim ∑ 𝑡𝑖 𝑓𝑋 (𝑡𝑖 )(𝑥𝑖 − 𝑥𝑖−1 )

𝑚𝑎𝑥|𝑥𝑖 −𝑥𝑖−1 |→0
𝑖=1

Donde 𝑡𝑖 ∈ (𝑥𝑖 − 𝑥𝑖−1 ). Al reconocer que 𝑓𝑋 (𝑡𝑖 )(𝑥𝑖 − 𝑥𝑖−1 ) es una aproximación de la
probabilidad 𝑃(𝑥𝑖−1 ≤ 𝑋 ≤ 𝑥𝑖 ) podemos reescribir esta expresión como 𝑥𝑓𝑋 (𝑡𝑖 )(𝑥𝑖 − 𝑥𝑖−1 ) ≈
𝑡𝑖 𝑃(𝑥𝑖−1 ≤ 𝑋 ≤ 𝑥𝑖 ) = 𝑡𝑖 (𝐹𝑋 (𝑥𝑖 ) − 𝐹𝑋 (𝑥𝑖−1 )).
En el límite, esta aproximación se vuelve exacta. Como todas las funciones de distribución tienen
la propiedad de ser monótona y acotada en cada subintervalo (𝑥𝑖 − 𝑥𝑖−1 ], nuestra suma satisface las
condiciones para una suma de Riemann-Stieltjes y podemos escribir

𝐸(𝑋) = lim ∑ 𝑡𝑖 (𝐹𝑋 (𝑥𝑖 ) − 𝐹𝑋 (𝑥𝑖−1 ))

𝑚𝑎𝑥|𝑥𝑖 −𝑥𝑖−1 |→0
𝑖=1

Definición 4.1.3. Para una variable aleatoria 𝑋 con la función de distribución 𝐹𝑋 , definimos la
esperanza de 𝑋 como

∞
𝐸(𝑋) = ∫ 𝑥𝑑𝑓𝑋 (𝑥)
−∞

6
 Expresando la esperanza de una variable aleatoria por su función de distribución, se genera una
fórmula general, que es válida tanto para variables aleatorias continuas como discretas, así como para
mezclas de las dos.
Por lo tanto, hemos demostrado que esto se puede hacer utilizando la Integral de Riemann-Stieltjes,
y es por eso que proporciona una definición tan buena de la esperanza de una variable aleatoria.

4.2 Análisis Funcional

Si 𝑔: [𝑎, 𝑏] → ℝ es de variación acotada, entonces hay una 𝐼𝑔 funcional lineal asociada en

c[𝑎, 𝑏] dado por

𝐼𝑔 (𝑓) ≡ ∫ 𝑓𝑑𝑔
𝑎

La cual es la integral de Riemann-Stieltjes de 𝑓 respecto de 𝛼. Para todas las funciones 𝑓 ∈ 𝑐[𝑎, 𝑏]

y 𝑔 ∈ 𝐵𝑉[𝑎, 𝑏], 𝑓 es Riemann-Stieltjes Integrable con respecto a 𝑔, por lo que la 𝐼𝑔 está bien definida.

Teorema (The Riesz representation) 4.2.1. Si 𝐼𝑔 es un funcional lineal acotado en 𝐶[𝑎, 𝑏],
entonces existe una función 𝑔 ∈ 𝐵𝑉[𝑎, 𝑏],

Demostración
Definamos 𝐴𝑛 = ∑n𝑘=1 𝑎𝑘 , 𝐵𝑛 = ∑n𝑘=1 𝑏𝑘 , 𝐶𝑛 = ∑n𝑘=1 𝑐𝑘 donde 𝑐𝑘 está dado como en la definición
de producto de Cauchy. 𝑑𝑛 = 𝐵 − 𝐵𝑛 y 𝑒𝑛 = ∑𝑛𝑘=1 𝑎𝑘 𝑏𝑛−𝑘 . Entonces

𝑝 𝑛 𝑝 𝑛

𝐶𝑝 = ∑ ∑ 𝑎𝑘 𝑏𝑛−𝑘 = ∑ ∑ 𝑓𝑛 (𝑘)
𝑛=0 𝑘=0 𝑛=0 𝑘=0

en donde

𝑎𝑘 𝑏𝑛−𝑘 , 𝑠𝑖 𝑛 ≥ 𝑘
𝑓𝑛 (𝑘) = {
0, 𝑠𝑖 𝑛 < 𝑘

Entonces 𝐶𝑝 se convierte en

𝑝 𝑝 𝑝 𝑝 𝑝 𝑝−𝑘

𝐶𝑝 = ∑ ∑ 𝑓𝑛 (𝑘) = ∑ ∑ 𝑎𝑘 𝑏𝑛−𝑘 = ∑ 𝑎𝑘 ∑ 𝑏𝑚 =
𝑘=0 𝑛=0 𝑘=0 𝑛=𝑘 𝑘=0 𝑚=0

7
 𝑝 𝑝

= ∑ 𝑎𝑘 𝐵𝑝−𝑘 = ∑ 𝑎𝑘 (𝐵 − 𝑑𝑝−𝑘 ) = 𝐴𝑝 𝐵 − 𝑒𝑝
𝑘=0 𝑘=0

Para completar la demostración, es suficiente probar que 𝑒𝑝 → 0 cuando 𝑝 → ∞. La sucesión {𝑑𝑛 }

converge hacia cero, ya que ∑∞𝑛=1 𝑏𝑛 = 𝐵. Elegimos 𝑀 > 0 tal que |𝑑𝑛 | ≤ 𝑀 para todo 𝑛 y sea 𝐾 =
∞ 𝜀
∑𝑛=1|𝑎𝑛 |. Dado 𝜀 > 0, elegimos 𝑛 tal que 𝑛 > 𝑁 implique |𝑑𝑛 | < y además que
2𝐾

∞
𝜀
∑ |𝑎𝑛 | <
2𝑀
𝑛=N+1

Entonces para 𝑝 > 2𝑁 podemos escribir

𝑛 𝑝 N p
𝜀
|𝑒𝑝 | ≤ ∑|𝑎𝑘 𝑑𝑝−𝑘 | + ∑ |𝑎𝑘 𝑑𝑝−𝑘 | ≤ ∑|𝑎𝑘 | + 𝑀 ∑ |𝑎𝑘 |
2𝑀
𝑘=0 𝑘=𝑁+1 𝑘=0 𝑘=N+1
∞ ∞
𝜀 𝜀 𝜀
≤ ∑|𝑎𝑘 | + 𝑀 ∑ |𝑎𝑘 | < + = 𝜀
2𝑀 2 2
𝑘=0 𝑘=N+1

Esto demuestra que 𝑒𝑝 → 0 cuando 𝑝 → ∞, y por lo tanto que 𝐶𝑛 → 𝐴𝐵 cuando 𝑝 → ∞.[4] ∎

5. Referencias

[1] Thomas Hong (1996): The Riemann Integral in Calculus: Students Processes and
Concepts
[2] Ordóñez, Pablo Martín (2004-09). «Sucesiones y series». Cálculo. Delta Publicaciones. p.
165.
[3] Apostol, Tom M. (1974), Mathematical Analysis (2nd edición), Addison Wesley, pp.
248-249.