重学泛函分析笔记(1)--Hahn-Banach定理证明的理解

   ​Hahn-Banach定理是泛函分析中的一个重要定理,它的详细证明在泛函分析的书籍上都能找到,比如孙炯老师的《泛函分析》,张恭庆老师的《泛函分析讲义(上)》等。证明过程分为两个主要部分:

  1. 在实的赋范线性空间中证明保范延拓存在。
      (1.1)对于 X \ G X\backslash G X\G中的任意一点 x 1 x_1 x1,证明 f f f可以保范延拓到 x 1 x_1 x1 G G G张成的空间.
     (1.2)利用Zorn引理,证明在全空间 X X X上存在 f f f的保范延拓(有点类似数学归纳法的意思).
  2. 在复的赋范线性空间中证明保范延拓存在.

​    ​ 以前学的时候感觉都懂了,最近重新看,有些细节上似懂非懂,所以用我们熟悉的欧式空间来加深Hahn-Banach定理证明步骤中(1.1)的理解。(1.2)和第二步的证明都是比较容易看懂的。

​    ​现考虑的 X X X R 3 \mathbb{R}^3 R3 空间, G = R G=\mathbb{R} G=R X X X的子空间, f f f G G G上的有界线性泛函,对于我们这里考虑的一维欧式空间, f f f就是我们熟知的线性函数 f = k x , x ∈ G f=kx, x\in G f=kx,xG. 下面看如何来构造 f f f G G G上的保范延拓。 由于 G G G X X X的线性子空间,所以可以取 x 1 ∈ X \ G x_1 \in X\backslash G x1X\G (若不然, G = X G=X G=X,定理自然成立)。我们设 x 1 x_1 x1为向量 x 1 = ( ξ 1 , ξ 2 ) x_1 =(\xi_1,\xi_2) x1=(ξ1,ξ2),考虑 x 1 x_1 x1 G G G张成的子空间
G 1 = { x + α x 1 ∣ x ∈ G , α ∈ R } G_1=\{x+\alpha x_1| x\in G,\alpha \in \mathbb{R}\} G1={x+αx1xG,αR}
所以对于某一点 x x x G 1 G_1 G1对应的元素为向量 η = ( x + α ξ 1 , α ξ 2 ) \eta=(x+\alpha \xi_1, \alpha \xi_2) η=(x+αξ1,αξ2),如图所示。从图中可以看到,固定一点 x x x η \eta η的端点都落在直线 L 1 L_1 L1上,让 x x x取遍 R \mathbb{R} R中的值, G 1 G_1 G1就是整个 R 2 \mathbb{R}^2 R2空间。
Alt
   ​ 在 G 1 G_1 G1上定义函数
f 1 ( x + α x 1 ) = f ( x ) + α β ( x ∈ G , α ∈ R ) f_1(x+\alpha x_1)=f(x)+\alpha\beta (x\in G, \alpha \in \mathbb{R}) f1(x+αx1)=f(x)+αβ(xG,αR)
β \beta β选择合适,可以证明 f 1 f_1 f1 f f f G 1 G_1 G1上的保范延拓。看下图, f = k x f=kx f=kx由直线 L 1 L_1 L1来表示。
在这里插入图片描述
先对于 G G G中固定的一个 x x x来看, f 1 f_1 f1是终点在 L 1 L_1 L1上的向量的函数,所有 f 1 f_1 f1的值,构成了直线 L 3 L_3 L3。 再将 x x x取遍 R \mathbb{R} R,则 f 1 f_1 f1的值就构成了由 L 2 L_2 L2 L 3 L_3 L3所张成的那个平面 Σ \Sigma Σ。所以 f f f G 1 G_1 G1上的延拓,在图像上理解,就是过 L 2 L_2 L2并有一定倾角(角度与 β \beta β的选择有关,后面会说)的平面 Σ \Sigma Σ

​    ​ 前面提到 β \beta β的选择要合适, f 1 f_1 f1才是 f f f的保范延拓,这是怎么理解的呢? 因为就利用 R n \mathbb{R}^n Rn向量空间中的2范数为例来理解,
∣ f 1 ( η ) ∣ = f ( x ) + α β = k x + α β , ∣ ∣ η ∣ ∣ 2 2 = ( x + α ξ 1 ) 2 + ( α ξ 2 ) 2 |f_1(\eta)|=f(x)+\alpha \beta=kx+\alpha \beta ,\\ | |\eta||^2_2=(x+\alpha\xi_1)^2+(\alpha\xi_2)^2 f1(η)=f(x)+αβ=kx+αβ,η22=(x+αξ1)2+(αξ2)2
根据线性泛函范数的定义
∣ ∣ f ∣ ∣ = max ⁡ η ≠ 0 ∣ f ( η ) ∣ ∣ ∣ η ∣ ∣ ||f||=\max_{\eta\neq 0}\frac{|f(\eta)|}{||\eta||} f=η=0maxηf(η)
可以知道在这里具体的例子中 ∣ ∣ f ∣ ∣ = ∣ k ∣ ||f||=|k| f=k,我们分析
∣ f 1 ( η ) ∣ 2 ∣ ∣ η ∣ ∣ 2 2 = ( k x + α β ) 2 ( x + α ξ 1 ) 2 + ( α ξ 2 ) 2 = k 2 + ( k x + α β ) 2 − k 2 ∣ ∣ η ∣ ∣ 2 2 ∣ ∣ η ∣ ∣ 2 2 \frac{|f_1(\eta)|^2}{||\eta||^2_2}=\frac{(kx+\alpha \beta)^2}{(x+\alpha\xi_1)^2+(\alpha\xi_2)^2}=k^2+\frac{(kx+\alpha \beta)^2-k^2||\eta||^2_2}{||\eta||^2_2} η22f1(η)2=(x+αξ1)2+(αξ2)2(kx+αβ)2=k2+η22(kx+αβ)2k2η22
所以 f 1 f_1 f1要能够保范,则要求 ( k x + α β ) 2 − k 2 ∣ ∣ η ∣ ∣ 2 2 (kx+\alpha \beta)^2-k^2||\eta||^2_2 (kx+αβ)2k2η22的值最大为0(这里 ξ 1 , ξ 2 \xi_1, \xi_2 ξ1,ξ2固定, x ∈ G , α ∈ R x\in G, \alpha\in \mathbb{R} xG,αR). g ( β ) = ( k x + α β ) 2 − k 2 ∣ ∣ η ∣ ∣ 2 2 g(\beta)=(kx+\alpha \beta)^2-k^2||\eta||^2_2 g(β)=(kx+αβ)2k2η22是关于 β \beta β的二次函数,并且最小值为 − k 2 ∣ ∣ η ∣ ∣ 2 2 -k^2||\eta||^2_2 k2η22是小于等于零的(一定有根),函数的图像如下图。
在这里插入图片描述
g ( β ) = 0 g(\beta)=0 g(β)=0的两个根为 β 1 ≤ β 2 \beta_1\leq\beta_2 β1β2。所以 β \beta β的取值不能取 ( − ∞ , β 1 ) ∪ ( β 2 , ∞ ) (-\infty,\beta_1)\cup(\beta_2,\infty) (,β1)(β2,)。因此要求 g ( β ) g(\beta) g(β)的最大值为0, β \beta β需要在 [ β 1 , β 2 ] [\beta_1, \beta_2] [β1,β2]范围内。容易得到 g ( β ) = 0 g(\beta)=0 g(β)=0的根为
β 1 = 1 α ( − k x − ∣ k ∣ ∣ ∣ η ∣ ∣ 2 ) , β 2 = 1 α ( − k x + ∣ k ∣ ∣ ∣ η ∣ ∣ 2 ) , α > 0 , 或 β 1 = 1 α ( − k x + ∣ k ∣ ∣ ∣ η ∣ ∣ 2 ) , β 2 = 1 α ( − k x − ∣ k ∣ ∣ ∣ η ∣ ∣ 2 ) , α < 01 ) (() \beta_1=\frac{1}{\alpha}(-kx-|k|||\eta||_2) ,\quad \beta_2=\frac{1}{\alpha}(-kx+|k|||\eta||_2) ,\quad \alpha > 0 ,\\ 或 \beta_1=\frac{1}{\alpha}(-kx+|k|||\eta||_2) ,\quad \beta_2=\frac{1}{\alpha}(-kx-|k|||\eta||_2) ,\quad \alpha < 0 \tag(1) β1=α1(kxkη2),β2=α1(kx+kη2),α>0,β1=α1(kx+kη2),β2=α1(kxkη2),α<01)(()
α = 0 \alpha =0 α=0时, f 1 ( x ) = f ( x ) , x ∈ G f_1(x)=f(x),x\in G f1(x)=f(x)xG,范数显然相同。对(1)式做一些处理,把 α \alpha α吸收进去,回忆 ∣ ∣ η ∣ ∣ 2 = ( x + α ξ 1 ) 2 + ( α ξ 2 ) 2 | |\eta||_2=\sqrt{(x+\alpha\xi_1)^2+(\alpha\xi_2)^2} η2=(x+αξ1)2+(αξ2)2 ,有
β 1 = k ( − x α ) − ∣ k ∣ ( − x α − ξ 1 ) 2 + ( ξ 2 ) 2 , β 2 = − k x α + ∣ k ∣ ( x α + ξ 1 ) 2 + ( ξ 2 ) 2 , α > 0 , 或 β 1 = − k ( x α ) − ∣ k ∣ ( x α + ξ 1 ) 2 + ( ξ 2 ) 2 , β 2 = k ( − x α ) + ∣ k ∣ ( − x α − ξ 1 ) 2 + ( ξ 2 ) 2 , α < 0 \beta_1=k(-\frac{x}{\alpha})-|k|\sqrt{(-\frac{x}{\alpha}-\xi_1)^2+(\xi_2)^2} ,\quad \beta_2=-k\frac{x}{\alpha}+|k|\sqrt{(\frac{x}{\alpha}+\xi_1)^2+(\xi_2)^2} ,\quad \alpha > 0 ,\\ 或 \beta_1=-k(\frac{x}{\alpha})-|k|\sqrt{(\frac{x}{\alpha}+\xi_1)^2+(\xi_2)^2} ,\quad \beta_2= k(-\frac{x}{\alpha})+|k|\sqrt{(-\frac{x}{\alpha}-\xi_1)^2+(\xi_2)^2} ,\quad \alpha < 0 β1=k(αx)k(αxξ1)2+(ξ2)2 ,β2=kαx+k(αx+ξ1)2+(ξ2)2 ,α>0,β1=k(αx)k(αx+ξ1)2+(ξ2)2 ,β2=k(αx)+k(αxξ1)2+(ξ2)2 ,α<0
考虑到 x ∈ G x\in G xG,则 x α , − x α ∈ G \frac{x}{\alpha}, -\frac{x}{\alpha} \in G αx,αxG,所以上面关于 β \beta β的取值范围和书本上一般情况 β \beta β的取值范围(下式)是吻合的。
sup ⁡ x ∈ G { f ( x ) − ∣ ∣ f ∣ ∣ G ∣ ∣ x − x 1 ∣ ∣ } ≤ β ≤ inf ⁡ x ∈ G { ∣ f ∣ ∣ G ∣ ∣ x + x 1 ∣ ∣ − f ( x ) } \sup_{x\in G}\{f(x)-||f||_G||x-x_1||\}\leq \beta\leq\inf_{x\in G}\{|f||_G||x+x_1||-f(x)\} xGsup{f(x)fGxx1}βxGinf{fGx+x1f(x)}

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值