一种特殊的函数——范数

一、范数定义

1、定义：设$\mathbb{X}$是数域$\mathbb{K}$上的线性空间，函数$\Vert \bullet \Vert :\mathbb{X}\to \mathbb{R}满足：$
(1)$\forall x\in \mathbb{R},\Vert x\Vert \ge 0$(非负性)
(2)$\Vert x\Vert =0当且仅当x=0$(正定性)
(3)$\forall x\in \mathbb{X},\alpha \in \mathbb{K},\Vert ax\Vert =|a|\Vert x\Vert$(正齐次)
(4)$\forall x,y\in \mathbb{K},\Vert x+y\Vert \le \Vert x\Vert +\Vert y\Vert$(三角不等式性)
则称$\Vert \bullet \Vert 是$$\mathbb{X}$上的一个范数.   ~  定义了范数的线性空间我们称为赋范线性空间，记为$(\mathbb{X},\Vert \bullet \Vert )$，或简记为$X$
2、由范数可以定义距离：
$$d(x,y)=\Vert x-y\Vert$$
容易证明$d(x,y)$是一个距离，因此赋范空间一定是距离空间，如无特殊说明，赋范空间的距离都是范数诱导的距离。

二、向量范数

以上只是一般空间上范数的定义，如果范数作用在向量空间上，我们就得到向量范数。下面我们将给出几种具体的$l_p$向量范数

1、向量的$1-范数$
$$\Vert x{\Vert }_1=\sum _{i=1}^n|x_i|$$
2、向量的$2-范数$
$$\Vert x{\Vert }_2=(\sum _{i=1}^n{x}_i^2{)}^{\frac{1}{2}}$$
3、向量的$\infty -范数$
$$\Vert x{\Vert }_{\infty }=\underset{1\le i\le n}{\max }|x_i|$$
4、向量的$p-范数$
$$\Vert x{\Vert }_p=(\sum _{i=1}^n|x_i{|}^p{)}^{\frac{1}{p}}p\in [1,\infty ]$$
5、我们可以证明上面定义的四种函数都是范数，虽然我们开始直接表明了就是范数，这个是需要证明的，证明的过程很机械，就是按照范数的定义再结合函数的定义。

6、为了配合下面的知识，我们给出一种常识，向量序列收敛的定义。
设$\left\{x^k\right\}$为${\mathbb{R}}^n$中的向量序列，$x^{\ast }\in {\mathbb{R}}^n$，记$x^k=(x_1^k,x_2^k,\dots ,x_n^k{)}^T，x^{\ast }=(x_1^{\ast },x_2^{\ast },\dots ,x_n^{\ast })$.如果$\underset{k\to \infty }{\lim }{x}_i^k=x_i^{\ast }(i=1,2,\dots ,n)$，则称$x^k$收敛于向量$x^{\ast }$
$$\underset{k\to \infty }{\lim }{x}^k=x^{\ast }$$
7、(向量范数的连续性)   ~  设非负函数$N(x)=\Vert x\Vert$为${\mathbb{R}}^n$上任一向量范数，则$N(x)是x$的分量$x_1,x_2,\dots ,x_n$的连续函数。
证明：设$x=\sum _{i=1}^n{x}_i{e}_i$,$y=\sum _{i=1}^n{y}_i{e}_i$,其中$e_i=(0,\dots ,1,0,\dots ,0{)}^T$
我们只需证明当$x\to y$时$N(x)\to N(y)$即成，实际上
$$\begin{array}{rl}|N(x)-N(y)|& =|\Vert x\Vert -\Vert y\Vert |\le \Vert x-y\Vert \\ & =\Vert \sum _{i=1}^n(x_i-y_i)e_i\Vert \le \sum _{i=1}^n|x_i-y_i|\Vert e_i\Vert \\ & \le \Vert x-y{\Vert }_{\infty }\sum _{i=1}^n\Vert e_i\Vert \end{array}$$
即
$$|N(x)-n(y)|\le c\Vert x-y{\Vert }_{\infty }\to 0(当x\to y时)c=\sum _{i=1}^n\Vert e_i\Vert$$

8、(向量范数的等价性)   ~  设$\Vert x{\Vert }_s,\Vert x{\Vert }_t$为${\mathbb{R}}^n$上向量的任意两种范数，则存在常数$c_1,c_2>0$,使得对一切的$x\in {\mathbb{R}}^n$有
$$c_1\Vert x{\Vert }_s\le \Vert x{\Vert }_t\le c_2\Vert x{\Vert }_s$$
证明：我个人觉得这个证明很经典
我们就$\Vert x{\Vert }_s=\Vert x{\Vert }_{\infty }$,证明上式成立即可，即证明存在常数$c_1,c_2>0$,使
$$c_1\le \frac{\Vert x{\Vert }_t}{\Vert x{\Vert }_{\infty }}\le c_2,对一切{\mathbb{R}}^n且x\ne 0$$
考虑函数
$$f(x)=\Vert x{\Vert }_t\ge 0,x\in {\mathbb{R}}^n$$
记   S = { x ∣ ∥ x ∥ ∞ = 1 , x ∈ R n }   ~S=\left\{x|\Vert x\Vert_{\infty}=1,x\in\mathbb{R}^n\right\}~  S={x∣∥x∥∞​=1,x∈Rn} ,则$S$是一个有界闭集。根据上面的知识，我们知道$f(x)$为$S$上的连续函数，所以$f(x)$在$S$上达到最大最小值，即存在$x^{{}^{\prime }},,x^{{}^{\prime \prime }}\in S$使得
$$f(x^{{}^{\prime }})=\underset{x\in S}{\min }f(x)=c_1,f(x^{{}^{\prime \prime }})=\underset{x\in S}{\min }f(x)=c_2$$
设$x\in {\mathbb{R}}^n且x\ne 0$,则$\frac{x}{\Vert x{\Vert }_{\infty }}\in S$,从而有
$$c_1\le f(\frac{x}{\Vert x{\Vert }_{\infty }})\le c_2$$
显然$c_1,c_2>0$,上式为
$$c_1\le \Vert \frac{x}{\Vert x{\Vert }_{\infty }}{\Vert }_t\le c_2$$,
即
$$c_1\Vert x{\Vert }_{\infty }\le \Vert x{\Vert }_t\le c_2\Vert x{\Vert }_{\infty },对一切x\in {\mathbb{R}}^n$$
注：此性质不能推广到无穷维线性空间，因为不能保证其中$S$是有界闭集

9、$\underset{k\to \infty }{\lim }{x}^k=x^{\ast }\iff \underset{k\to \infty }{\lim }\Vert x^k-x^{\ast }\Vert =0$,其中$\Vert \bullet \Vert$为向量的任一范数。
证明：显然，$\underset{k\to \infty }{\lim }{x}^k=x^{\ast }\iff \underset{k\to \infty }{\lim }\Vert x^k-x^{\ast }{\Vert }_{\infty }=0$，而对于${\mathbb{R}}^n$上的任何一种范数$\Vert \bullet \Vert$，由向量范数的等价性，我们很容易证明此性质。

三、矩阵范数

1、(矩阵范数)   ~  如果矩阵$A\in {\mathbb{R}}^{n\times n}$的某个非负的实值函数$N(A)=\Vert A\Vert$，满足条件：
(1)   ~   $\Vert A\Vert \ge 0(\Vert A\Vert =0\iff A=0)$（正定性条件）
(2)   ~   $\Vert cA\Vert =|c|\Vert A\Vert$,$c$为实数（齐次性条件）
(3)   ~   $\Vert A+B\Vert \le \Vert A\Vert +\Vert B\Vert$（三角不等式）
(4)   ~   $\Vert AB\Vert \le \Vert A\Vert \Vert B\Vert$（相容性条件）
则称$N(A)$是${\mathbb{R}}^{n\times n}$上的矩阵范数(或模)
注：在很多书上也是要求矩阵范数仅仅是满足前三条即可，如果四条性质都满足，我们才称这种范数是相容范数。在此，我们采用大多数书上关于矩阵范数的定义，矩阵范数就已经满足相容性。

2、在实际运算当中，矩阵和向量会同时参与讨论，所以希望引进一种矩阵的范数，使其与向量范数想联系。如要求对任何向量$x\in {\mathbb{R}}^n$及$A\in {\mathbb{R}}^{n\times n}‘$都成立
$$\Vert Ax\Vert \le \Vert A\Vert \Vert x\Vert$$
这时称矩阵范数和向量范数相容，为此我们引进算子范数
(矩阵的算子范数)   ~  设$x\in {\mathbb{R}}^n$，$A\in {\mathbb{R}}^{n\times n}$,我们给出一种向量范数$\Vert x{\Vert }_v$（如$v=1,2或\infty$）,相应地定义一个矩阵的非负函数
$$\Vert A\Vert =\underset{x\ne 0}{\max }\frac{\Vert Ax{\Vert }_v}{\Vert x{\Vert }_v}$$
我们其实可以很容易验证它是满足矩阵范数的前三条定义的，至于第四条是否满足，我们下面再证明

3、设$\Vert x{\Vert }_v$是${\mathbb{R}}^n$上的一个向量范数，则$\Vert A{\Vert }_v$是${\mathbb{R}}^{n\times n}$上的矩阵范数，且满足矩阵和向量的相容性条件
$$\Vert Ax{\Vert }_v\le \Vert A{\Vert }_v\Vert x{\Vert }_v$$
证明：由算子范数的定义，我们知矩阵和向量的相容性条件是显然的，则有
$$\Vert ABx{\Vert }_v\le \Vert A{\Vert }_v\Vert Bx{\Vert }_v\le \Vert A\Vert \Vert B{\Vert }_v\Vert x{\Vert }_v$$
当$x\ne 0$时有
$$\frac{\Vert ABx{\Vert }_v}{\Vert x{\Vert }_v}\le \Vert A{\Vert }_v\Vert B{\Vert }_v$$
故
$$\Vert AB\Vert =\underset{x\ne 0}{\max }\frac{\Vert ABx{\Vert }_v}{\Vert x{\Vert }_v}\le \Vert A{\Vert }_v\Vert B{\Vert }_v$$

4、常见的矩阵范数
(1)   ~   (Frobenius范数)
$$F(A)=\Vert A{\Vert }_F=(\sum _{i,j=1}^n{a}_{ij}^2{)}^{\frac{1}{2}}=[tr(A^{T}A){]}^{\frac{1}{2}}$$
(2)   ~   ($l_1$诱导的矩阵范数或列和范数)
∥ A ∥ 1 = max ⁡ j { ∥ a . j ∥ 1 } = max ⁡ j ∑ i = 1 n ∣ a i j ∣ \Vert A\Vert_1=\max\limits_j\left\{\Vert a_{.j}\Vert_1\right\}=\max\limits_j\sum\limits_{i=1}^n\vert a_{ij}\vert ∥A∥1​=jmax​{∥a.j​∥1​}=jmax​i=1∑n​∣aij​∣
其中：$a_{.j}$表示第$j$列
(3)   ~   ($l_2$诱导的矩阵范数或谱范数)
$$\Vert A{\Vert }_2=({\lambda }_{A^{T}A}{)}^{\frac{1}{2}}$$
其中${\lambda }_{A^{T}A}$表示$A^{T}A$的最大特征值
(4)   ~   ($l_{\infty }$诱导的矩阵范数或行和范数)
∥ A ∥ ∞ = max ⁡ i { ∥ a i . ∥ 1 } = max ⁡ i ∑ j = 1 n ∣ a i j ∣ \Vert A\Vert_{\infty}=\max\limits_i\left\{\Vert a_{i.}\Vert_{1}\right\}=\max\limits_i\sum\limits_{j=1}^n\vert a_{ij}\vert ∥A∥∞​=imax​{∥ai.​∥1​}=imax​j=1∑n​∣aij​∣
其中：$a_{i.}$表示第$i$行

5、现在我想证明$Frobenius$范数不是算子范数，而前面的$(2)、(3)、(4)$定义的范数是算子范数
证明：首先$(1)$中的定义是范数，这个按照定义证明即可。现在用反证法，假设$Frobenius$范数是算子范数
不妨考虑$n$阶单位矩阵$E$的算子范数，由算子范数的定义
$$\Vert E{\Vert }_F=\underset{x\ne 0}{\max }\frac{\Vert Ex{\Vert }_v}{\Vert x{\Vert }_v}=1$$
而$E$的$Frobenius$范数：$\Vert E{\Vert }_F=\sqrt{n}$
很显然，当$n\ge 2$时，肯定不相等，故$Frobenius$范数不是算子范数

下面证明$(3)、(4)$是算子范数，同理可以证明$(2)$
先证明(3)定义的范数是算子范数
由于对一切$x\in {\mathbb{R}}^n$，$\Vert Ax{\Vert }_2^2=(Ax,Ax)\ge 0$,从而$A^{T}A$的特征值为非负实数，设为
$${\lambda }_1\ge {\lambda }_2\ge \dots {\lambda }_n\ge 0$$
$A^{T}A$为对称矩阵，设$u_1,u_2,\dots ,u_n$为$A^{T}A$的相应于上面特征值的特征向量且$(u_i,u_j)={\delta }_{ij}$，又设$x\in {\mathbb{R}}^n$为任一非零向量，于是有
$$x=\sum _{i=1}^n{c}_i{u}_i$$
其中$c_i$为组合系数，则、
$$\frac{\Vert Ax{\Vert }_2^2}{\Vert x{\Vert }_2^2}=\frac{(A^{T}Ax,x)}{(x,x)}=\frac{\sum _{i=1}^n{c}_i^2{\lambda }_i}{\sum _{i=1}^n{c}_i^2}\le {\lambda }_1$$
另一方面，取$x=u_1$，则上式等号成立，故
$$\Vert A{\Vert }_2=\underset{x\ne 0}{\max }\frac{\Vert Ax{\Vert }_2}{\Vert x{\Vert }_2}=\sqrt{{\lambda }_1}=\sqrt{{\lambda }_{max}(A^{T}A)}$$

证明$4$定义的范数是算子范数
设$x=(x_1,x_2,\dots ,x_n{)}^T\ne 0$，不妨设$A\ne 0$,记
$$t=\Vert x{\Vert }_{\infty }=\underset{1\le i\le n}{\max }|x_i|,u=\underset{1\le i\le n}{\max }\sum _{j=1}^n|a_{ij}|$$
则
$$\Vert Ax{\Vert }_{\infty }=\underset{1\le i\le n}{\max }\sum _{j=1}^n|a_{ij}|\le \underset{i}{\max }\sum _{j=1}^n|a_{ij}|\Vert x_j\Vert \le t\underset{i}{\max }\sum _{j=1}^n|a_{ij}|$$
这说明对任何非零向量$x\in {\mathbb{R}}^n$,有
$$\frac{\Vert Ax{\Vert }_{\infty }}{\Vert x{\Vert }_{\infty }}\le u$$
下面来说明有一向量$x_0\ne 0$,使得$\frac{\Vert A{x}_0{\Vert }_{\infty }}{\Vert x{\Vert }_{\infty }}=u$，设$u=\sum _{j=1}^n|a_{ij}|$，取向量$x_0=(x_1,x_2,\dots ,x_n{)}^T$,其中$x_j=sgn(a_{i_{0}j})$（$j=1,2\dots ,n$）显然$\Vert x_0\Vert =1$且$A{x}_0$的第$i_0$个分量为$\sum _{i=1}^n{a}_{i_{0}j}{x}_j=\sum _{j=1}^n|a_{i_{0}j}|$，这说明
$$\Vert A{x}_0{\Vert }_{\infty }=\underset{1\le i\le n}{\max }|\sum _{j=1}^n{a}_{ij}{x}_j|=\sum _{j=1}^n|a_{i_{0}j}|=u$$

6、由定义可知，矩阵的$2-范数$$\Vert A{\Vert }_2$在计算上不方便，但是矩阵的$2-范数$具有许多好的性质，它在理论上是非常有用的。
(1)   ~  它是正交不变范数，这是很容易证明的，($Frobenius范数也是正交不变范数$)
即是对任意的$A\in {\mathbb{R}}^{n\times n}$，设$Q$为正交矩阵，则有
$$\Vert QA{\Vert }_2=\Vert A{\Vert }_2,\Vert QA{\Vert }_F=\Vert A{\Vert }_F$$
(2)   ~  对于复矩阵(即$A\in C^{n\times n}$),我们定义谱范数
$$\Vert A{\Vert }_2=\underset{x\ne 0}{\max }(\frac{x^H{A}^{H}Ax}{x^{H}x}{)}^{\frac{1}{2}}=\sqrt{{\lambda }_{max}(A^{H}A)}$$

7、对任何$A\in {\mathbb{R}}^{n\times n}$,$\Vert \bullet \Vert$为任意算子范数，则
$$\rho (A)\le \Vert A\Vert (对\Vert A{\Vert }_F也成立)$$
反之，对任意实数$\epsilon >0$,至少存在一种算子范数$\Vert \bullet {\Vert }_{\epsilon }$,使
$$\Vert A{\Vert }_{\epsilon }\le \rho (A)+\epsilon$$
证明：设$\lambda$为$A$的任一特征值，$x\ne 0$使得$Ax=\lambda x$，由相容性条件得
$$|\lambda |\Vert x\Vert =\Vert \lambda x\Vert =\Vert Ax\Vert \le \Vert A\Vert \Vert x\Vert$$
注意到$\Vert x\Vert \ne 0$,则得$|\lambda |\le \Vert A\Vert$,即$\rho (A)\le \Vert A\Vert$
定理后半部分的证明要用到$Jordan$标准型，这个证明会在《矩阵分析》书中出现。

8、如果$A\in {\mathbb{R}}^{n\times n}$为对称矩阵，则$\Vert A{\Vert }_2=\rho (A)$
证明：$\rho (A)=\sqrt{{\lambda }_{max}{A}^{T}A}$，若${\lambda }_1$为$A$的谱半径，且A为对称矩阵，则${\lambda }_1^2$为$A^{T}A$的特征值，故命题就得证

9、如果$\Vert B\Vert <1$，则$E\pm B$为非奇异矩阵，且
$$\Vert (E\pm B{)}^{-1}\Vert \le \frac{1}{1-\Vert B\Vert }$$
其中$\Vert \bullet \Vert$是指矩阵的算子范数
证明：其实由$7$，我们可知$E\pm B$为非奇异矩阵。
我们在此给出另外一个有意思的证明，采取反证法
若$det(E-B)=0$，则$(E-B)x=0$有非零解，即存在$x_0\ne 0$使$B{x}_0=x_0$,那么就有$\frac{\Vert B{x}_0\Vert }{\Vert x_0\Vert }=1$，故$\Vert B\Vert \ge 1$,与假设矛盾.
又由$(E-B)(E-B{)}^{-1}=E$，从而$(E-B{)}^{-1}=E+B(E-B{)}^{-1}$,
从而
$$\Vert (E\pm B{)}^{-1}\Vert \le \Vert E\Vert +\Vert B\Vert \Vert (E\pm B{)}^{-1}\Vert$$
$$\Vert (E-B{)}^{-1}\Vert \le \frac{1}{1-\Vert B\Vert }$$

四、范数不等式

1、$Cauchy-Schwarz$不等式：
$$|x^{T}y|\le \Vert x\Vert \Vert y\Vert$$
当且仅当$x$和$y$线性相关时，等号成立.
注：$Cauchy-Schwarz$不等式其实是$Holder$不等式的特例，在此还是证明一下
证明：若$y=0$,显然成立
若$y\ne 0$,根据内积的定义，则$(x+ty,x+ty)\ge 0$,对任意的$t$都成立，则有
$$(x,x)+2t(x,y)+t^2(y,y)\ge 0$$
则有$4(x,y{)}^2-4(x,x)(y,y)\le 0$,从而$(x,y{)}^2\le (x,x)(y,y)=\Vert x{\Vert }^2\Vert y{\Vert }^2$
当$x与y$线性相关时，等号显然成立
上面等号成立，要么$y=0$,要么$x=\frac{(x,y)}{(y,y)}y$，即$x和y线性相关$
从而命题得证

2、设$A$是$n\times n$正定矩阵，则
$$|x^{T}Ay|\le \Vert x{\Vert }_A\Vert y{\Vert }_A$$
当且仅当$x$和$y$线性相关时，等式成立
证明：由于正定矩阵一定会合同于单位矩阵，故存在可逆矩阵$P$,使得$P^{T}AP=E$
对于任意的矩阵$x,y$,一定存在$x_1,y_1$,使得$x=P{x}_1,y=P{y}_1$
要证明$|x^{T}Ay|\le \Vert x{\Vert }_A\Vert y{\Vert }_A$,即是证明$x^{T}Ay{y}^{T}Ax\le x^{T}Ax{y}^{T}Ay$
代入即是要证明$x_1^T{P}^{T}AP{y}_1{y}_1^T{P}^{T}AP{x}_1\le x_1^T{P}^{T}AP{x}_1{y}_1^T{P}^{T}AP{y}_1$
即是要证明$x_1^T{y}_1{y}_1^T{x}_1\le x_1^T{x}_1{y}_1^T{y}_1$
由上面的$Cauchy-Schwarz$不等式，知上面不等式是显然成立的
至于后面的线性相关性和上面的证明一样

3、设$A$是$n\times n$正定矩阵，则
$$|x^{T}y|\le \Vert x{\Vert }_A\Vert x{\Vert }_{A^{-1}}$$
当且仅当$x$和$A^{-1}y$线性相关时，等号成立
证明;我感觉和上面证明差不多，由于正定矩阵一定会合同于单位矩阵，故存在可逆矩阵$P$,使得$P^{T}AP=E$
对于任意的矩阵$x,y$,一定存在$x_1,y_1$,使得$x=P{x}_1,y=P{y}_1$
要证明$|x^{T}Ay|\le \Vert x{\Vert }_A\Vert y{\Vert }_{A^{-1}}$,即是证明$x^{T}Ay{y}^{T}Ax\le x^{T}Ax{y}^T{A}^{-1}y$
代入即是要证明$x_1^T{P}^{T}AP{y}_1{y}_1^T{P}^{T}AP{x}_1\le x_1^T{P}^{T}AP{x}_1{y}_1^T{P}^T{A}^{-1}P{y}_1$
本人太笨了，我也不会证明了

4、(   ~  Young   ~  不等式)：假定$p和q$都是大于$1$的实数，$\frac{1}{p}+\frac{1}{q}=1$，如果$x$和$y$是实数，则
$$xy\le \frac{x^p}{p}+\frac{y^q}{q}$$
当且仅当$x^p=y^q$时，等号成立.
证明：令$s=x^p,t=y^q$,由算术$-$几何不等式
$$xy=s^{\frac{1}{p}}{t}^{\frac{1}{q}}\le \frac{s}{p}+\frac{t}{q}=\frac{x^p}{p}+\frac{y^q}{q}$$
此外，当且仅当$s=t$时，即$x^p=y^q$，等式成立
注：其中的算术几何不等式的证明，我在这里也不想证明了，方法有两种，一种是在《测度论》课本中利用伯努利不等式，另一种是在《百度百科》中利用琴生不等式。

5、(   ~  Holder   ~  不等式)：假定$p和q$都是大于$1$的实数，$\frac{1}{p}+\frac{1}{q}=1$，如果$x$和$y$是实数，则
$$|x^{T}y|\le \Vert x{\Vert }_p\Vert y{\Vert }_q=(\sum _{i=1}^n|x_i{|}^p{)}^{\frac{1}{p}}(\sum _{i=1}^n|y_i{|}^q{)}^{\frac{1}{q}}$$
证明：若$x=0或y=0$，则不等式显然成立，若$x$和$y$均不为零，记
$$\Vert x{\Vert }_p=(\sum _{i=1}^n|x_i{|}^p{)}^{\frac{1}{p}},\Vert y{\Vert }_q=(\sum _{i=1}^n|y_i{|}^q{)}^{\frac{1}{q}}$$
由$Young$不等式，有
$$\frac{|x_i{y}_i|}{\Vert x{\Vert }_p\Vert y{\Vert }_q}\le \frac{1}{p}\frac{|x_i{|}^p}{\Vert x{\Vert }_p^p}+\frac{1}{q}\frac{|y_i{|}^q}{\Vert y{\Vert }_q^q},i=1,2\dots ,n$$
上述不等式两边关于$i$求和，得
$$\frac{1}{\Vert x{\Vert }_p\Vert y{\Vert }_q}\sum _{i=1}^n|x_i{y}_i|\le \frac{1}{p\Vert x{\Vert }_p^p}\sum _{i=1}^n|x_i{|}^p+\frac{1}{q\Vert x{\Vert }_q^q}\sum _{i=1}^n|x_i{|}^q=\frac{1}{p}+\frac{1}{q}=1$$
两边同时乘以$\Vert x{\Vert }_p^p\Vert y{\Vert }_q^q$,即得结果

6、(   ~  Minkowski   ~  不等式)
$$\Vert x+y{\Vert }_p\le \Vert x{\Vert }_p+\Vert y{\Vert }_p$$
即
$$(\sum _{i=1}^n|x_i+y_i{|}^p{)}^{\frac{1}{p}}\le (\sum _{i=1}^n|x_i{|}^p{)}^{\frac{1}{p}}+(\sum _{i=1}^n|y_i{|}^p{)}^{\frac{1}{p}}$$
其中，$p>1$
证明：如果$x$或$y$为零向量，则不等式显然成立。故假定$x\ne 0,y\ne 0$
若$p=1$，由于$|x_i+y_i|\le |x_i|+|y_i|,i=1,2,\dots ,n$,则得结果
现设$p>1$,考虑函数
$$\varphi (t)=t^p,t>0$$
由于
$${\varphi }^{{}^{\prime \prime }}(t)=p(p-1)t^{p-2}>0$$
故函数$\varphi (t)$是严格凸的.   ~  注意到
$$\frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}=1$$
于是，由凸函数的定义得到
$$\begin{array}{rl}& (\frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\frac{|x_i|}{\Vert x{\Vert }_p}+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\frac{|y_i|}{\Vert y{\Vert }_p}{)}^p\\ & \le \frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}(\frac{|x_i|}{\Vert x{\Vert }_p}{)}^p+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}(\frac{|y_i|}{\Vert y{\Vert }_p}{)}^p\end{array}$$
因此，
$$\begin{array}{rl}& \sum _{i=1}^n(\frac{|x_i+y_i|}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}{)}^p\le \sum _{i=1}^n(\frac{|x_i\Vert +\Vert y_i|}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}{)}^p\\ & \le \sum _{i=1}^n(\frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}(\frac{|x_i|}{\Vert x{\Vert }_p}{)}^p+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}(\frac{|y_i|}{\Vert y{\Vert }_p}{)}^p)\\ & =\frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\sum _{i=1}^n(\frac{|x_i|}{\Vert x{\Vert }_p}{)}^p+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\sum _{i=1}^n(\frac{|y_i|}{\Vert y{\Vert }_p}{)}^p\\ & =\frac{\Vert x{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\frac{\Vert x{\Vert }_p^p}{\Vert x{\Vert }_p^p}+\frac{\Vert y{\Vert }_p}{\Vert x{\Vert }_p+\Vert y{\Vert }_p}\frac{\Vert x{\Vert }_p^p}{\Vert x{\Vert }_p^p}\\ & =1\end{array}$$
这样，我们得到
$$\sum _{i=1}^n|x_{+}{y}_i{|}^p\le (\Vert x{\Vert }_p+\Vert y{\Vert }_p{)}^p$$
上式两边取$p$次根即得结果