数值分析基础:向量的范数

范数的概念

向量的范数是一种用来刻画向量大小的一种度量。实数的绝对值,复数的模,三维空间向量的长度,都是抽象范数概念的原型。上述三个对象统一记为 [公式] ,衡量它们大小的量记为 [公式] (我们用单竖线表示绝对值,双竖线表示范数),显然它们满足以下三条性质:
数值分析基础:向量的范数_第1张图片
随着以后的学习我们可以知道,长度是范数的一个特例。事实上,二范数对应的就是长度。我们在线性空间中定义内积时,就是把这三条性质作为公理来定义内积的。

我们下面给出向量范数的一些性质:
数值分析基础:向量的范数_第2张图片
我们对于第四条性质给出证明。该性质我们可以理解为两边之差小于第三边。
数值分析基础:向量的范数_第3张图片
我们下面具体考虑一个范数证明的题:
数值分析基础:向量的范数_第4张图片
我们下面就二范数进行证明。

虽然前两个性质貌似是显然的,但是我们并不能这么说,我们现在用数学语言来描述一下。
数值分析基础:向量的范数_第5张图片
关于三角不等式的证明需要用到柯西不等式,我们先来讲解一下柯西不等式。柯西不等式说的就是
在这里插入图片描述
这样就把向量的内积和范数联系起来了。
我们在课本24页定义向量的长度的时候是这样定义的: 在这里插入图片描述
现在我们知道,这实际上是二范数的一种表示方式。我们下面给出柯西不等式的证明:
数值分析基础:向量的范数_第6张图片
下面结合柯西不等式我们给出三角不等式的证明:
数值分析基础:向量的范数_第7张图片

P范数的定义及证明

我们下面来引入更一般的范数定义:
数值分析基础:向量的范数_第8张图片
我们要证明他的确是范数需要做诸多的准备工作。在证明过程中就用到了Young不等式和Holder不等式。虽然我们还没有证明,不过我们先引入这个概念和这种记法,因为在接下来的证明过程中会反复的用到。希望大家在看后面的证明过程中不要忘了开头提到的这一点。(就是P范数的定义形式)

我们下面来介绍一下Young不等式,这个不等式的介绍为Holder不等式的证明提供了一个快捷的途径。
数值分析基础:向量的范数_第9张图片
该引理(Young不等式)证明如下,其思路就是矩形面积uv不会超过两个曲边梯形面积之和。注意这里会用到了变积分限。对u是在x轴上积分。对v就变成了y轴。

这里我们的曲线公式完全可以写成 在这里插入图片描述
,我们应当注意到,积分与符号无关这一点,因此可以写成下图这种形式。
数值分析基础:向量的范数_第10张图片
我们有了Young不等式之后,下面来证明Holder不等式。我们首先给出Holder不等式的定义:
数值分析基础:向量的范数_第11张图片
下面正面该结论成立:
数值分析基础:向量的范数_第12张图片
数值分析基础:向量的范数_第13张图片
在这里提醒大家一下,不要忘了开头P范数的定义,因此这里会有: 在这里插入图片描述
数值分析基础:向量的范数_第14张图片
我们给出课本上一道例题:
数值分析基础:向量的范数_第15张图片
我们之前只对1范数,2范数和无穷范数进行过证明。我们现在要证明的是如果一个运算,只要满足这个性质。那么它就是一个范数。

下面我们给出证明过程,注意这个证明过程少了正定性和齐次性的证明,只证明了三角不等式。关于正定性和齐次性的证明可以参考之前的证明。
数值分析基础:向量的范数_第16张图片
数值分析基础:向量的范数_第17张图片
是不是大家已经看晕了,一坨又一坨。接下来的证明写的不是很详细,我写一个更详细的版本。
数值分析基础:向量的范数_第18张图片
数值分析基础:向量的范数_第19张图片

向量的范数

为了实现在n维空间中的度量,我们必须 将向量的概念和范数进行结合。直接上定理:

数值分析基础:向量的范数_第20张图片
在这里插入图片描述
数值分析基础:向量的范数_第21张图片
实际上这个定理想表达这样一种思想:m维空间中的范数通过矩阵A映射到了n维空间上。有的时候一个空间中的范数我们不好度量,这时候我们可以在另外一个n维空间中进行度量,只需要找到这样的映射矩阵就可以了。

我们下面给出向量序列收敛的定义:
数值分析基础:向量的范数_第22张图片
数值分析基础:向量的范数_第23张图片
我们下面介绍一下向量范数等价:
数值分析基础:向量的范数_第24张图片
在这里插入图片描述
数值分析基础:向量的范数_第25张图片
我们给出一个定理来具体说明一下:

数值分析基础:向量的范数_第26张图片
再给出一个例题:
数值分析基础:向量的范数_第27张图片
数值分析基础:向量的范数_第28张图片
通过这个例题我们可以看到通过范数来证明收敛的优越性所在,这也是为什么我们有了长度之和还要定义长度的一个原因。

审稿大人辛苦了,这篇文章有点长。

你可能感兴趣的:(数值分析)