泛函分析（空间部分）知识点总结

最近为补充数学知识，在小破站学习了内蒙古大学孙炯老师《泛函分析》, 本文是前半部分（距离空间、赋范空间、内积空间）部分知识点的一个小总结.

泛函分析（空间部分）

距离空间

距离、距离空间的定义

非空集合$A$中任意两个元素$x,y$, $d(x,y)$满足

1. 正定: $\forall x,y\in A,d(x,y)>0$, 且$d(x,y)=0\iff x=y$
2. 对称: $\forall x,y\in A,d(x,y)=d(y,x)$
3. 三角不等式: $\forall x,y,z,d(x,y)\le d(x,z)+d(y,z)$

称$(X,d)$是距离空间, $d(\cdot ,\cdot )$是距离.

距离空间例

R n = { ( x 1 , x 2 , ⋯   , x n ) ∣ x i ∈ R } \R ^ n = \{(x_1, x_2, \cdots, x_n) | x_i \in \R\} Rn={(x1​,x2​,⋯,xn​)∣xi​∈R}, $d(x,y)$可定义欧式距离、哈密顿距离等

l ∞ = { x = ( ξ 1 , ξ 2 , ⋯   , ξ n , ⋯   ) , ∣ ξ n ∣ ≤ c x } l^\infty= \{x = (\xi_1, \xi_2, \cdots, \xi_n, \cdots), |\xi_n| \leq c_x\} l∞={x=(ξ1​,ξ2​,⋯,ξn​,⋯),∣ξn​∣≤cx​}: 所有有界序列组成的元素, $d(x,y)={\sup }_{j\in {\mathbb{N}}^{\ast }}|{\xi }_j-{\eta }_j|$

$C[a,b]$: 所有在$[a,b]$区间上连续的函数, $d(x,y)={\max }_{a\le t\le b}|x(t)-y(t)|$

离散距离空间: $\forall A\ne \varnothing ,\forall x,y\in A,d(x,y)=\mathbb{I}(x\ne y)$

距离空间中的收敛性

有了距离空间，就可以引入极限的概念.

定义$(X,d)$的序列 { x n } n = 1 ∞ \{x_n\}_{n=1}^\infty {xn​}n=1∞​在$n\to \infty$时$d(x_n,x_0)\to 0$为 { x n } \{x_n\} {xn​}以$x_0$为极限.

{ x n } \{x_n\} {xn​}极限唯一, { x n } \{x_n\} {xn​}的子列也收敛到$x_0$.

$d(x,y)$是二元连续函数.

内点、开集、邻域

开球: $(X,d)$空间中 B ( x , r ) = { x ∈ X ∣ d ( x 0 , x ) < r } B(x, r) = \{x\in X|d(x_0, x) < r\} B(x,r)={x∈X∣d(x0​,x)<r}

内点: $x\in G\subseteq X$是$G$的内点$\iff \exists \epsilon >0,B(g,\epsilon )\subseteq G$

开集: 所有点都是内点的集合. 如开球是开集.

拓扑定义下的开集: 空集全集, 任意并, 有限交

等价距离

两个距离是等价的，$\exists C_1,C_2,\forall x,y,C_1{d}_1\le d_2\le C_2{d}_1\iff d_1\sim d_2$

连续函数

$T:(X,d)\to (X_1,d_1)$满足$\forall \epsilon >0,\exists \delta >0,\forall x,d(x,x_0)<\delta \to d_2(Tx,T{x}_0)<\epsilon$

等价叙述:

1. $\forall \epsilon >0,\exists \delta >0,TB(x_0,\delta )\subseteq B(T(x_0),\epsilon )$

2. 开集的原象是开集

3. $T$可与求极限运算交换顺序: ${\lim }_{n\to \infty }T{x}_n=T{\lim }_{n\to \infty }{x}_n$

闭集

闭集定义: $A$是$(X,d)$中闭集$\stackrel{△}{=}{\complement }_{X}A$是开集

$A$的接触点: 任意邻域中有$A$的点（聚点: 将“邻域”改成“去心邻域”）

定义$d(x,A)={\inf }_{a\in A}d(x,a)$, 则接触点即与$A$距离为$0$的点.

闭包: A ˉ = △ { x ∣ d ( x , A ) = 0 } \bar A \overset \triangle = \{x | d(x, A) = 0\} Aˉ=△{x∣d(x,A)=0}

$A$是闭集$\iff A=\bar{A}\iff A$中收敛点列极限在$A$中.

可分距离空间

$A$在$B$上稠密 $\stackrel{△}{=}$ $\bar{B}=A$

等价描述: ∀ b ∈ B , ∃ { a n } n = 1 ∞ , lim ⁡ n → ∞ a n = b \forall b \in B, \exists \{a_n\}_{n=1}^\infty, \lim_{n\to \infty}a_n = b ∀b∈B,∃{an​}n=1∞​,limn→∞​an​=b

可分: 存在可数稠密子集

列紧距离空间

序列紧(Wierstrass定理), Borel紧(开覆盖) (两种紧性等价)

$A$是$(X,d)$子集，若$A$中每个无穷点列存在收敛点列，则称$A$是列紧的.

列紧且闭: 自列紧(收敛到自己) ，自列紧推出“有界且闭”

列紧集的子集有界

自列紧空间上的实值函数可取得极大、极小值.

完备

所有柯西列收敛

完备空间的闭子空间完备

列紧空间是完备的

距离空间的完备化

所有距离空间都可以完备化

压缩映射原理

$(X,d)$完备, $T:X\to X$满足$\exists \theta \in (0,1),d(Tx,Ty)\le \theta d(x,y)$, 则$T$有唯一不动点(这个收敛是指数速度的)

应用:

1. 压缩型矩阵方程

2. 微分方程、积分方程

   • 一般微分方程

   $$\{\begin{array}{l}x(t_0)=x_0\\ \frac{\mathrm{d}x}{\mathrm{d}t}=f(x,t)\end{array}\Rightarrow x={\int }_{t_0}^{t}f(x,\tau )\mathrm{d}\tau$$

   • Fredhom积分方程
     $$x(t)=\phi (t)+\mu {\int }_a^{b}k(t,s)x(s)\mathrm{d}s$$

   • Volterra积分方程
     $$x(t)=\phi (t)+\mu {\int }_a^{t}k(t,s)x(s)\mathrm{d}s$$

线性赋范空间

赋范空间的定义和基本性质

$X$是数域$\mathbb{K}$上线性空间, $\Vert \cdot \Vert :X\to \mathbb{R}$满足$\forall x,y\in X,\alpha \in \mathbb{K}$

1. $\Vert x\Vert \ge 0$ 且 $\Vert x\Vert =0\iff x=0$
2. $\Vert \alpha x\Vert =|\alpha |\Vert x\Vert$
3. $\Vert x+y\Vert \le \Vert x\Vert +\Vert y\Vert$

称为范数

范数诱导的距离空间: $d(x,y)=\Vert x-y\Vert$

$\Vert \cdot \Vert$是连续函数, 可以和极限运算交换顺序.

距离空间不一定是赋范空间

满足$d(x,y)=d(x+z,y+z),d(\alpha x,\alpha y)=|\alpha |d(x,y)$时$d(\cdot ,0)$是范数

完备的赋范线性空间称为Banach空间.

$L^p$空间

$f(x)$是$E$上可测函数, 并且$1\le p<\infty$,
$$L^p(E)=\left\{f:E\to \mathbb{R}|{\int }_E|f(x){|}^p\mathrm{d}x<\infty \right\},\Vert x{\Vert }_p={\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}$$
三角不等式的导出

1. Hoelder不等式: $\forall p,q>0,1/p+1/q=1$,
   $${\int }_E|x(t)y(t)|\mathrm{d}t\le {\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}{\left({\int }_E|x(t){|}^q\mathrm{d}t\right)}^{\frac{1}{q}}$$

2. Minkowski不等式:
   $${\left({\int }_E|x(t)+y(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}\le {\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}+{\left({\int }_E|y(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}$$

完备(Banach)，可分(有理系数多项式)，连续函数在其上稠密

$L^{\infty }$

除去一个测度为$0$的集合外剩下部分有界的函数组成的空间
$$L^{\infty }(E)=\left\{f:E\to \mathbb{R}|\underset{\mathrm{m}{E}_0=0}{\inf }\underset{E\backslash E_0}{\sup }|x(t)|\right\}$$
范数定义为本性上确界
$$\Vert x\Vert =\underset{\mathrm{m}{E}_0=0}{\inf }\underset{E\backslash E_0}{\sup }|x(t)|\stackrel{△}{=}\mathrm{e}\mathrm{s}\mathrm{s}\underset{E}{\sup }|x(t)|$$
完备(Banach), 不可分.

收敛性: 除去一个$0$测度集之外处处收敛.

$l^p$空间、$l^{\infty }$空间

l p = { x = { ξ n } ∣ ∑ k = 1 ∞ ∣ ξ k ∣ p < ∞ } l^p = \{x = \{\xi_n\}|\sum_{k=1}^\infty |\xi_k|^p<\infty\} lp={x={ξn​}∣∑k=1∞​∣ξk​∣p<∞}仍可建立Hoelder不等式和Minkowski不等式，范数
$$\Vert x\Vert =\sum _{k=1}^{\infty }|{\xi }_k{|}^p<\infty$$
是$p<\infty$时是可分的、完备的

l ∞ = { x = ( ξ 1 , ξ 2 , ⋯   , ξ n , ⋯   ) , ∣ ξ n ∣ ≤ c x } l^\infty= \{x = (\xi_1, \xi_2, \cdots, \xi_n, \cdots), |\xi_n| \leq c_x\} l∞={x=(ξ1​,ξ2​,⋯,ξn​,⋯),∣ξn​∣≤cx​}, 范数
$$\Vert x\Vert =\underset{k}{\sup }|{\xi }_k|$$
$l^{\infty }$是不可分的、完备的

凸集

定义: $A$是线性空间$X$的子集, 若$\forall x,y\in A,\alpha \in (0,1)$, $\alpha x+(1-\alpha )y\in A$, 则称$A$为凸集.

$\forall B\in X$, 定义包含$B$的所有凸集的交为$B$的凸包, $\mathrm{C}\mathrm{o}(A)$

子空间

赋范空间d额真子空间不可能是开的

${\mathbb{R}}^n$中所有子空间是闭的(因为是完备的)

但$\infty$维时子空间不一定是闭的

Riesz引理

设$(X,\Vert \cdot \Vert )$是赋范线性空间, $X_0$是$X$的真闭子空间, 则$\forall \epsilon >0,\exists x_0\in X,\Vert x_0\Vert =1$且$\forall x\in X_0$
$$\Vert x-x_0\Vert >1-\epsilon$$
描述了赋范空间下的“垂直”属性，但是$>1-\epsilon$不能改成$\ge 1$

等价范数

$(X,\Vert \cdot {\Vert }_1),(X,\Vert \cdot {\Vert }_2)$是同一线性空间上两个不同的范数, 若$\exists C,D>0,\forall a\in X$
$$C\Vert a{\Vert }_1\le \Vert a{\Vert }_2\le D\Vert a{\Vert }_1$$
则称两个范数$\Vert \cdot {\Vert }_1,\Vert \cdot {\Vert }_2$等价

有限维范数

有限维赋范空间与${\mathbb{R}}^n$代数同构、拓扑同胚

有限维赋范空间中任意两个范数等价

赋范空间$X$是有限维的$\iff X$中一切有界集是列紧的$\iff$$X$上单位球面是列紧的

级数

$$\begin{gathered} \sum _{k=1}^{\infty }{x}_n=x_1+x_2+x_3+\cdots \\ {S}_n=\sum _{k=1}^n{x}_k \end{gathered}$$

级数收敛↔部分和序列收敛: $\Vert S_n-S\Vert \to 0(n\to \infty )$, $S$是级数的和.

对于完备空间, 若${\sum }_{k=1}^n\Vert x_k\Vert$收敛，则$\Vert {\sum }_{k=1}^n{x}_k\Vert$收敛，且
$$\Vert \sum _{k=1}^n{x}_k\Vert \le \sum _{k=1}^n\Vert x_k\Vert$$
而“若${\sum }_{k=1}^n\Vert x_k\Vert$收敛，则$\Vert {\sum }_{k=1}^n{x}_k\Vert$收敛”也蕴含完备.

商空间

$M$是$X$的线性子空间，$\forall x_1,x_2\in X$，若$x_1-x_2\in M$则称$x_1,x_2$关于$M$等价. $\tilde{x}$定义为与$x$等价的所有元素, $\tilde{X}=X/M$

商空间中的范数: $\Vert \tilde{x}\Vert ={\inf }_{y\in \tilde{x}}\Vert y\Vert$

完备空间对闭子空间的商空间总是完备的.

内积空间

内积定义

线性空间$X$上定义$(\cdot ,\cdot ):X\times X\to \mathbb{K}$, 满足$\forall a,b,c,\in X$

1. $(a,a)\ge 0$, 且$(a,a)=0\iff a=0$
2. $(a,b)=\overline{(b,a)}$
3. $(\alpha a,b)=\alpha (a,b)$
4. $(a+b,c)=(a,c)+(b,c)$

为$X$上一个内积.

Schwartz不等式: $|(x,y){|}^2\le (x,x)(y,y)$

$\Vert x\Vert =(x,x)$是范数, 三角不等式由Schwartz不等式证明.

范数与内积的关系: 内积空间是赋范空间，但赋范空间不一定是内积空间. 只有范数满足平行四边形法则
$$\Vert x+y\Vert +\Vert x-y\Vert =2(\Vert x{\Vert }^2+\Vert y{\Vert }^2)$$
时才可以定义
$$(x,y)=\frac{1}{4}(\Vert x+y{\Vert }^2-\Vert x-y{\Vert }^2+\mathrm{i}\Vert x+\mathrm{i}y\Vert -\mathrm{i}\Vert x-\mathrm{i}y\Vert )$$
完备的的赋范线性空间称为Hilbert空间

$H$是Hilbert空间，$Y\subseteq H$是线性子空间， 则$Y$是闭的$\iff$$Y$是完备的. $L^p,l^p$空间中，仅$p=2$是内积空间.

正交、正交分解

正交: $x\perp y\iff (x,y)=0$

勾股定理: $x\perp y\Rightarrow \Vert x+y{\Vert }^2=\Vert x{\Vert }^2+\Vert y{\Vert }^2$

点与集合正交: $x\perp M\stackrel{△}{=}\forall y\in M,x\perp y$

集合与集合正交: $M\perp N\stackrel{△}{=}\forall x\in M,y\in N,x\perp y$

正交补集

$M\subseteq X$, $X$中与$M$中所有元素都正交的所有元素构成的集合
M ⊥ = { y ∈ X ∣ ∀ x ∈ M , ( x , y ) = 0 } M^\perp = \{y\in X | \forall x \in M, (x,y)=0\} M⊥={y∈X∣∀x∈M,(x,y)=0}
性质:

1. $0\in M^{\perp }$
2. $M^{\perp }$中的非$0$元素不可能在$M$中
3. { 0 } ⊥ = X , X ⊥ = { 0 } \{0\}^\perp = X, X^\perp = \{0\} {0}⊥=X,X⊥={0}
4. 含开球的集合$M$的正交补是 { 0 } \{0\} {0}
5. 若$N\subseteq M$, 则$M^{\perp }\subseteq N^{\perp }$
6. $M\subseteq M^{\perp }$

$X$是内积空间, $M\subseteq X$, 则$M^{\perp }$是$X$的闭子空间.

$M$是内积空间, $M$是$X$的子空间，则$x\in M^{\perp }$等价于$\forall y\in M\Vert x-y\Vert \ge x$

最佳逼近

内积空间是严格凸的赋范空间.

严格凸的空间上, 凸集与其外一点的最佳逼近点存在且唯一.

Hilbert 空间最佳逼近点

正交分解: $H$是Hilbert空间, $M$是$H$的闭子空间, 则$\forall x\in H,\exists !x_0\in M,y\in M^{\perp },x=x_0+y$

Hilbert空间$H$中任意闭线性子空间$X$满足: $(X^{\perp }{)}^{\perp }=X$, 由此可推出

1. Hilbert空间$H$中任意线性子空间$X$满足: $(X^{\perp }{)}^{\perp }=\overline{X}$
2. $X^{\perp }=0\iff X$ 在$H$中稠密.

正交系、标准正交系

{ x α } α ∈ I \{x_\alpha\}_{\alpha \in I} {xα​}α∈I​是内积空间中非0元素组成的集合，且在$\alpha \ne \beta$时, $(x_{\alpha },x_{\beta })=0$, 则 { x α } α ∈ I \{x_\alpha\}_{\alpha \in I} {xα​}α∈I​是一个正交系.

若$\forall \alpha \in I,\Vert x_{\alpha }\Vert =1$则成为标准正交系.

标准正交系张成的空间中$x={\sum }_n(x,e_n)e_n$, 其线性组合系数易于表示.

如果 { x α } α ∈ I \{x_\alpha\}_{\alpha \in I} {xα​}α∈I​是内积空间的正交系, 则它是线性无关的.

内积空间中, 正交基不唯一.

设 { e k } \{e_k\} {ek​}是内积空间$X$上的标准正交系, $x\in X$, $a_1,\cdots ,a_n$是$n$个数. 则$\Vert x-{\sum }_{k=1}^n{a}_k{e}_k\Vert$取得最小值$\iff \forall k,a_k=(x,e_k)$

Fourier级数

从微积分中的Fourier正余弦级数得到.

定义: { e n } n = 1 ∞ \{e_n\}_{n=1}^\infty {en​}n=1∞​是内积空间中正交系, 称${\sum }_{n=1}^{\infty }(x,e_n)e_n$为关于 { e n } \{e_n\} {en​}的Fourier级数, $(x,e_n)$为Fourier系数.

Bessel 不等式: { e k } k = 1 ∞ \{e_k\}_{k=1}^\infty {ek​}k=1∞​是内积空间$X$的标准正交列, 则$\forall x\in X$, ${\sum }_{k=1}^{\infty }|(x,e_k){|}^2\le \Vert x{\Vert }^2$

由 Bessel 不等式, Fourier 级数一定是收敛的, 从而在$n\to \infty$时$(x,e_n)\to 0$, 由此可推出 Fourier 三角级数的 Riemann-Lebesgue 引理.

$${\int }_{-\pi }^{\pi }x(t)\sin (t)\mathrm{d}t\stackrel{n\to \infty }{\to }0$$

在完备的Hilbert空间中, ${\sum }_{n=1}^{\infty }{a}_k{e}_n$收敛 ⇔ ∑ k ∣ a k ∣ 2 < ∞ ⇔ { α n } n = 1 ∞ ∈ l 2 \Lrarr \sum_k |a_k|^2 < \infty \Lrarr \{\alpha_n\}_{n=1}^\infty \in l^2 ⇔∑k​∣ak​∣2<∞⇔{αn​}n=1∞​∈l2, 有

$$\sum _{n=1}^{\infty }{a}_k{e}_n\le \sum _{n=1}^{\infty }|a_k{|}^2$$

从而 Fourier 级数总是收敛的, 并且收敛是按范数收敛

正交基

正交基: 所张成空间在全空间稠密的正交基:

s p a n ‾ { x α } = X \overline{\mathrm{span}}\{x_{\alpha}\} = X span​{xα​}=X

内积空间中, Parseval 等式: ${\sum }_{k=1}^{\infty }|(x,e_k){|}^2=\Vert x{\Vert }^2$空间中所有元素成立的正交基$\stackrel{△}{=}$完备的正交基.

Hilbert 空间中的正交基完备性

Hilbert 空间 $H$ 中的正交基完备的等价描述

1. { e n } ⊥ = { 0 } \{e_n\}^\perp = \{0\} {en​}⊥={0}
2. $\forall x\in H,x={\sum }_{k=1}^{\infty }(x,e_k)e_k$ (Fourier 级数收敛)
3. s p a n ‾ { x α } = H \overline{\mathrm{span}}\{x_{\alpha}\} = H span​{xα​}=H
4. $\forall x\in H,\Vert x{\Vert }^2={\sum }_{n=1}^{\infty }|(x,e_n){|}^2$

其中第1条和第3条通常容易验证一些.

完备例: 三角多项式、Legendre 多项式

一个 Hilbert 空间可有多组正交基.

可分 Hilbert 空间

Hilbert 空间 $H$ 可分 $\iff$ $H$有至多可数的正交基.

可分的 Hilbert 空间 $H$ 同构于 ${\mathbb{K}}^N(N<\infty )$ 或 $l^2(N=\infty )$

泛函分析（各空间特点总结）

${\mathbb{R}}^n$

R n = { ( x 1 , x 2 , ⋯   , x n ) ∣ x i ∈ R } \R ^ n = \{(x_1, x_2, \cdots, x_n) | x_i \in \R\} Rn={(x1​,x2​,⋯,xn​)∣xi​∈R}, $d(x,y)$可定义为欧式距离、哈密顿距离等.

${\mathbb{R}}^n$中按欧式距离收敛$\equiv$按坐标收敛.

完备

$C[a,b]$

$C[a,b]$: 所有在$[a,b]$区间上连续的函数, 定义一致距离

$$d(x,y)=\underset{a\le t\le b}{\max }|x(t)-y(t)|$$
$C[a,b]$中的收敛$\equiv$一致收敛

是可分空间

列紧集: 一致有界且等度连续(Arzela定理)

完备

范数定义是
$$\Vert x\Vert =\underset{a\le t\le b}{\max }|x(t)|$$
诱导出一致距离.

$l^{\infty }$

l ∞ = { x = ( ξ 1 , ξ 2 , ⋯   , ξ n , ⋯   ) , ∣ ξ n ∣ ≤ c x } l^\infty= \{x = (\xi_1, \xi_2, \cdots, \xi_n, \cdots), |\xi_n| \leq c_x\} l∞={x=(ξ1​,ξ2​,⋯,ξn​,⋯),∣ξn​∣≤cx​}: 所有有界实数序列, 定义距离
$$d(x,y)=\underset{j\in {\mathbb{N}}^{\ast }}{\sup }|{\xi }_j-{\eta }_j|$$
不可分，不列紧，完备

是赋范空间, 范数
$$\Vert x\Vert =\underset{k}{\sup }|{\xi }_k|$$

$s$

s = { { ξ n } n = 1 ∞ ∣ ∀ i ∈ N , ξ n ∈ R } s = \{\{\xi_n\}_{n=1}^\infty | \forall i \in \N, \xi_n \in \R \} s={{ξn​}n=1∞​∣∀i∈N,ξn​∈R}: 所有的实数列. 对 x = { ξ n } n = 1 ∞ x = \{\xi_n\}_{n=1}^{\infty} x={ξn​}n=1∞​和 y = { η n } n = 1 ∞ y = \{\eta_n\}_{n=1}^{\infty} y={ηn​}n=1∞​定义距离
$$d(x,y)=\sum _{n=1}^{\infty }\frac{1}{2^n}\frac{|{\xi }_n-{\eta }_n|}{1+|{\xi }_n-{\eta }_n|}$$
$s$中的收敛: 按坐标收敛.

可分

$d$不能定义范数

$S[E]$

$S[E]$是Lebesgue可测集$E$上几乎处处有限的可测的函数, 其中$\mathrm{m}E<\infty$, 定义
$$d(x,y)={\int }_E\frac{|x(t)-y(t)|}{1+|x(t)-y(t)|}$$
$S[E]$中的收敛是依测度收敛.

$L^p$空间

$f(x)$是$E$上可测函数, 并且$1\le p<\infty$,
$$L^p(E)=\left\{f:E\to \mathbb{R}|{\int }_E|f(x){|}^p\mathrm{d}x<\infty \right\},\Vert x{\Vert }_p={\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}$$
三角不等式的导出

1. Hoelder不等式: $\forall p,q>0,1/p+1/q=1$,
   $${\int }_E|x(t)y(t)|\mathrm{d}t\le {\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}{\left({\int }_E|x(t){|}^q\mathrm{d}t\right)}^{\frac{1}{q}}$$

2. Minkowski不等式:
   $${\left({\int }_E|x(t)+y(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}\le {\left({\int }_E|x(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}+{\left({\int }_E|y(t){|}^p\mathrm{d}t\right)}^{\frac{1}{p}}$$

完备(Banach)，可分(有理系数多项式)，连续函数在其上稠密

$L^{\infty }(E)$

除去一个测度为$0$的集合外剩下部分有界的函数组成的空间
$$L^{\infty }(E)=\left\{f:E\to \mathbb{R}|\underset{\mathrm{m}{E}_0=0}{\inf }\underset{E\backslash E_0}{\sup }|x(t)|\right\}$$
范数定义为本性上确界
$$\Vert x\Vert =\underset{\mathrm{m}{E}_0=0}{\inf }\underset{E\backslash E_0}{\sup }|x(t)|\stackrel{△}{=}\mathrm{e}\mathrm{s}\mathrm{s}\underset{E}{\sup }|x(t)|$$
完备(Banach), 不可分.

收敛性: 除去一个$0$测度集之外处处收敛.

$c,c_0$

$c$: 所有收敛的数列, 可分

$c_0$: 所有收敛于$0$的数列, 是$l^{\infty }$的闭子空间, 可分

$l^2$

$l^p$空间中$p=2$, 它是内积空间，且是Hilbert空间
$$(x,y)=\sum _{k=1}^{\infty }{x}_k\overline{y_k}$$

$L^2$

$L^p$空间中$p=2$, 它是内积空间，且是Hilbert空间
$$(x,y)={\int }_{E}x(t)\overline{y(t)}\mathrm{d}t$$
诱导范数
$$\Vert x\Vert ={\int }_E|x(t){|}^2\mathrm{d}t$$