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.
Contents
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 A A中任意两个元素 x , y x, y x,y, d ( x , y ) d(x, y) d(x,y)满足
- 正定: ∀ x , y ∈ A , d ( x , y ) > 0 \forall x, y \in A, d(x, y) > 0 ∀x,y∈A,d(x,y)>0, 且 d ( x , y ) = 0 ⇔ x = y d(x, y) = 0 \Leftrightarrow x = y d(x,y)=0⇔x=y
- 对称: ∀ x , y ∈ A , d ( x , y ) = d ( y , x ) \forall x, y \in A, d(x, y) = d(y, x) ∀x,y∈A,d(x,y)=d(y,x)
- 三角不等式: ∀ x , y , z , d ( x , y ) ≤ d ( x , z ) + d ( y , z ) \forall x, y, z, d(x, y) \leq d(x, z) + d(y, z) ∀x,y,z,d(x,y)≤d(x,z)+d(y,z)
称 ( X , d ) (X, d) (X,d)是距离空间, d ( ⋅ , ⋅ ) d(\cdot,\cdot) d(⋅,⋅)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 ) d(x, y) 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 ∈ N ∗ ∣ ξ j − η j ∣ d(x, y) = \sup_{j\in \N^*} | \xi_j - \eta_j| d(x,y)=supj∈N∗∣ξj−ηj∣
C [ a , b ] C[a, b] C[a,b]: 所有在 [ a , b ] [a, b] [a,b]区间上连续的函数, d ( x , y ) = max a ≤ t ≤ b ∣ x ( t ) − y ( t ) ∣ d(x, y) = \max_{a \leq t\leq b} |x(t) - y(t)| d(x,y)=maxa≤t≤b∣x(t)−y(t)∣
离散距离空间: ∀ A ≠ ∅ , ∀ x , y ∈ A , d ( x , y ) = I ( x ≠ y ) \forall A \neq \varnothing, \forall x, y \in A, d(x, y) = \mathbb{I}(x \neq y) ∀A=∅,∀x,y∈A,d(x,y)=I(x=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 ) (X, d) (X,d)的序列 { x n } n = 1 ∞ \{x_n\}_{n=1}^\infty {xn}n=1∞在 n → ∞ n\to \infty n→∞时 d ( x n , x 0 ) → 0 d(x_n, x_0)\to 0 d(xn,x0)→0为 { x n } \{x_n\} {xn}以 x 0 x_0 x0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 x_0 x0.
d ( x , y ) d(x, y) d(x,y)是二元连续函数.
内点、开集、邻域
开球: ( X , d ) (X, d) (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 ∈ G ⊆ X x \in G\subseteq X x∈G⊆X是 G G G的内点 ⇔ ∃ ε > 0 , B ( g , ε ) ⊆ G \Lrarr \exists \varepsilon > 0, B(g, \varepsilon) \subseteq G ⇔∃ε>0,B(g,ε)⊆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, ∃ C 1 , C 2 , ∀ x , y , C 1 d 1 ≤ d 2 ≤ C 2 d 1 ⇔ d 1 ∼ d 2 \exists C_1, C_2, \forall x, y, C_1 d_1 \leq d_2 \leq C_2 d_1 \Lrarr d_1 \sim d_2 ∃C1,C2,∀x,y,C1d1≤d2≤C2d1⇔d1∼d2
连续函数
T : ( X , d ) → ( X 1 , d 1 ) T:(X, d)\rarr (X_1, d_1) T:(X,d)→(X1,d1)满足 ∀ ε > 0 , ∃ δ > 0 , ∀ x , d ( x , x 0 ) < δ → d 2 ( T x , T x 0 ) < ε \forall \varepsilon > 0, \exists \delta > 0, \forall x, d(x,x_0) < \delta \rightarrow d_2(Tx, Tx_0) < \varepsilon ∀ε>0,∃δ>0,∀x,d(x,x0)<δ→d2(Tx,Tx0)<ε
等价叙述:
-
∀ ε > 0 , ∃ δ > 0 , T B ( x 0 , δ ) ⊆ B ( T ( x 0 ) , ε ) \forall \varepsilon > 0, \exists \delta > 0, TB(x_0, \delta) \subseteq B(T(x_0), \varepsilon) ∀ε>0,∃δ>0,TB(x0,δ)⊆B(T(x0),ε)
-
开集的原象是开集
-
T T T可与求极限运算交换顺序: lim n → ∞ T x n = T lim n → ∞ x n \lim_{n\to \infty}Tx_n = T\lim_{n\to \infty}x_n limn→∞Txn=Tlimn→∞xn
闭集
闭集定义: A A A是 ( X , d ) (X, d) (X,d)中闭集 = △ ∁ X A \overset{\triangle}= \complement_XA =△∁XA是开集
A A A的接触点: 任意邻域中有 A A A的点(聚点: 将“邻域”改成“去心邻域”)
定义 d ( x , A ) = inf a ∈ A d ( x , a ) d(x, A) = \inf_{a \in A} d(x, a) d(x,A)=infa∈Ad(x,a), 则接触点即与 A A A距离为 0 0 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 A A是闭集 ⇔ A = A ˉ ⇔ A \Lrarr A = \bar A \Lrarr A ⇔A=Aˉ⇔A中收敛点列极限在 A A A中.
可分距离空间
A A A在 B B B上稠密 = △ \overset \triangle = =△ B ˉ = A \bar B = A Bˉ=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 A A是 ( X , d ) (X, d) (X,d)子集,若 A A A中每个无穷点列存在收敛点列,则称 A A 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 ) (X, d) (X,d)完备, T : X → X T: X \to X T:X→X满足 ∃ θ ∈ ( 0 , 1 ) , d ( T x , T y ) ≤ θ d ( x , y ) \exists \theta \in (0, 1), d(Tx, Ty) \leq \theta d(x, y) ∃θ∈(0,1),d(Tx,Ty)≤θd(x,y), 则 T T T有唯一不动点(这个收敛是指数速度的)
应用:
-
压缩型矩阵方程
-
微分方程、积分方程
- 一般微分方程
{ x ( t 0 ) = x 0 d x d t = f ( x , t ) ⇒ x = ∫ t 0 t f ( x , τ ) d τ \begin{cases} x(t_0) = x_0 \\ \displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = f(x, t) \end{cases} \Rightarrow x = \int_{t_0}^t f(x, \tau) \mathrm d \tau ⎩⎨⎧x(t0)=x0dtdx=f(x,t)⇒x=∫t0tf(x,τ)dτ
-
Fredhom积分方程
x ( t ) = φ ( t ) + μ ∫ a b k ( t , s ) x ( s ) d s x(t) = \varphi(t) + \mu \int_{a}^b k(t, s) x(s) \mathrm{d}s x(t)=φ(t)+μ∫abk(t,s)x(s)ds -
Volterra积分方程
x ( t ) = φ ( t ) + μ ∫ a t k ( t , s ) x ( s ) d s x(t) = \varphi (t) + \mu \int_{a}^{t} k(t, s) x(s) \mathrm{d} s x(t)=φ(t)+μ∫atk(t,s)x(s)ds
线性赋范空间
赋范空间的定义和基本性质
X X X是数域 K \mathbb{K} K上线性空间, ∥ ⋅ ∥ : X → R \|\cdot \|: X\to \R ∥⋅∥:X→R满足 ∀ x , y ∈ X , α ∈ K \forall x, y \in X, \alpha \in \mathbb K ∀x,y∈X,α∈K
- ∥ x ∥ ≥ 0 \|x\| \geq 0 ∥x∥≥0 且 ∥ x ∥ = 0 ⇔ x = 0 \|x\|=0 \Lrarr x =0 ∥x∥=0⇔x=0
- ∥ α x ∥ = ∣ α ∣ ∥ x ∥ \|\alpha x \| = |\alpha| \|x\| ∥αx∥=∣α∣∥x∥
- ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \|x + y\| \leq \|x\| + \|y\| ∥x+y∥≤∥x∥+∥y∥
称为范数
范数诱导的距离空间: d ( x , y ) = ∥ x − y ∥ d(x, y) = \|x - y\| d(x,y)=∥x−y∥
∥ ⋅ ∥ \|\cdot \| ∥⋅∥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 ( α x , α y ) = ∣ α ∣ d ( x , y ) d(x, y) = d(x + z, y + z), d(\alpha x, \alpha y) = |\alpha| d(x, y) d(x,y)=d(x+z,y+z),d(αx,αy)=∣α∣d(x,y)时 d ( ⋅ , 0 ) d(\cdot, 0) d(⋅,0)是范数
完备的赋范线性空间称为Banach空间.
L p L^p Lp空间
f
(
x
)
f(x)
f(x)是
E
E
E上可测函数, 并且
1
≤
p
<
∞
1 \leq p < \infty
1≤p<∞,
L
p
(
E
)
=
{
f
:
E
→
R
∣
∫
E
∣
f
(
x
)
∣
p
d
x
<
∞
}
,
∥
x
∥
p
=
(
∫
E
∣
x
(
t
)
∣
p
d
t
)
1
p
L^p(E) = \left\{f: E\to \R\Bigg|\int_E|f(x)|^p\mathrm{d}x< \infty\right\}, \quad \|x\|_p = \left(\int_E|x(t)|^p\mathrm d t\right)^{\frac{1}{p}}
Lp(E)={f:E→R∣∣∣∣∣∫E∣f(x)∣pdx<∞},∥x∥p=(∫E∣x(t)∣pdt)p1
三角不等式的导出
-
Hoelder不等式: ∀ p , q > 0 , 1 / p + 1 / q = 1 \forall p, q > 0, 1/p+1/q = 1 ∀p,q>0,1/p+1/q=1,
∫ E ∣ x ( t ) y ( t ) ∣ d t ≤ ( ∫ E ∣ x ( t ) ∣ p d t ) 1 p ( ∫ E ∣ x ( t ) ∣ q d t ) 1 q \int_E |x(t)y(t)|\mathrm{d}t \leq \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}} ∫E∣x(t)y(t)∣dt≤(∫E∣x(t)∣pdt)p1(∫E∣x(t)∣qdt)q1 -
Minkowski不等式:
( ∫ E ∣ x ( t ) + y ( t ) ∣ p d t ) 1 p ≤ ( ∫ E ∣ x ( t ) ∣ p d t ) 1 p + ( ∫ E ∣ y ( t ) ∣ p d t ) 1 p \left(\int_E |x(t)+y(t)|^p\mathrm{d}t\right)^{\frac{1}{p}} \leq \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}} (∫E∣x(t)+y(t)∣pdt)p1≤(∫E∣x(t)∣pdt)p1+(∫E∣y(t)∣pdt)p1
完备(Banach),可分(有理系数多项式),连续函数在其上稠密
L ∞ L^{\infty} L∞
除去一个测度为
0
0
0的集合外剩下部分有界的函数组成的空间
L
∞
(
E
)
=
{
f
:
E
→
R
∣
inf
m
E
0
=
0
sup
E
\
E
0
∣
x
(
t
)
∣
}
L^{\infty}(E) = \left\{f: E\to \R \Bigg| \inf_{\mathrm m E_0 = 0}\sup_{E\backslash{E_0}} |x(t)| \right\}
L∞(E)={f:E→R∣∣∣∣∣mE0=0infE\E0sup∣x(t)∣}
范数定义为本性上确界
∥
x
∥
=
inf
m
E
0
=
0
sup
E
\
E
0
∣
x
(
t
)
∣
=
△
e
s
s
sup
E
∣
x
(
t
)
∣
\|x\| = \inf_{\mathrm m E_0 = 0}\sup_{E\backslash{E_0}} |x(t)| \overset \triangle =\mathrm{ess} \sup_E |x(t)|
∥x∥=mE0=0infE\E0sup∣x(t)∣=△essEsup∣x(t)∣
完备(Banach), 不可分.
收敛性: 除去一个 0 0 0测度集之外处处收敛.
l p l^p lp空间、 l ∞ l^\infty l∞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
∥
x
∥
=
∑
k
=
1
∞
∣
ξ
k
∣
p
<
∞
\|x\| = \sum_{k=1}^\infty |\xi_k|^p<\infty
∥x∥=k=1∑∞∣ξk∣p<∞
是
p
<
∞
p < \infty
p<∞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
∥
x
∥
=
sup
k
∣
ξ
k
∣
\|x\| = \sup_k |\xi_k|
∥x∥=ksup∣ξk∣
l
∞
l^{\infty}
l∞是不可分的、完备的
凸集
定义: A A A是线性空间 X X X的子集, 若 ∀ x , y ∈ A , α ∈ ( 0 , 1 ) \forall x, y \in A, \alpha \in (0, 1) ∀x,y∈A,α∈(0,1), α x + ( 1 − α ) y ∈ A \alpha x + (1-\alpha) y \in A αx+(1−α)y∈A, 则称 A A A为凸集.
∀ B ∈ X \forall B \in X ∀B∈X, 定义包含 B B B的所有凸集的交为 B B B的凸包, C o ( A ) \mathrm{Co} (A) Co(A)
子空间
赋范空间d额真子空间不可能是开的
R n \R^n Rn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
,
∥
⋅
∥
)
(X, \|\cdot\|)
(X,∥⋅∥)是赋范线性空间,
X
0
X_0
X0是
X
X
X的真闭子空间, 则
∀
ε
>
0
,
∃
x
0
∈
X
,
∥
x
0
∥
=
1
\forall \varepsilon > 0, \exists x_0 \in X, \|x_0\| = 1
∀ε>0,∃x0∈X,∥x0∥=1且
∀
x
∈
X
0
\forall x \in X_0
∀x∈X0
∥
x
−
x
0
∥
>
1
−
ε
\|x - x_0\| > 1-\varepsilon
∥x−x0∥>1−ε
描述了赋范空间下的“垂直”属性,但是
>
1
−
ε
>1-\varepsilon
>1−ε不能改成
≥
1
\geq 1
≥1
等价范数
(
X
,
∥
⋅
∥
1
)
,
(
X
,
∥
⋅
∥
2
)
(X, \|\cdot\|_1), (X, \|\cdot \|_2)
(X,∥⋅∥1),(X,∥⋅∥2)是同一线性空间上两个不同的范数, 若
∃
C
,
D
>
0
,
∀
a
∈
X
\exists C, D > 0, \forall a \in X
∃C,D>0,∀a∈X
C
∥
a
∥
1
≤
∥
a
∥
2
≤
D
∥
a
∥
1
C\|a\|_1 \leq \|a\|_2 \leq D\|a\|_1
C∥a∥1≤∥a∥2≤D∥a∥1
则称两个范数
∥
⋅
∥
1
,
∥
⋅
∥
2
\|\cdot\|_1, \|\cdot\|_2
∥⋅∥1,∥⋅∥2等价
有限维范数
有限维赋范空间与 R n \R^n Rn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 X X是有限维的 ⇔ X \Leftrightarrow X ⇔X中一切有界集是列紧的 ⇔ \Lrarr ⇔ X X X上单位球面是列紧的
级数
∑ k = 1 ∞ x n = x 1 + x 2 + x 3 + ⋯ S n = ∑ k = 1 n x k \sum_{k=1}^\infty x_n = x_1 + x_2 + x_3 + \cdots \\ S_n = \sum_{k=1}^n x_k k=1∑∞xn=x1+x2+x3+⋯Sn=k=1∑nxk
级数收敛↔部分和序列收敛: ∥ S n − S ∥ → 0 ( n → ∞ ) \|S_n - S\| \to 0 (n \to \infty) ∥Sn−S∥→0(n→∞), S S S是级数的和.
对于完备空间, 若
∑
k
=
1
n
∥
x
k
∥
\sum_{k=1}^n\|x_k\|
∑k=1n∥xk∥收敛,则
∥
∑
k
=
1
n
x
k
∥
\|\sum_{k=1}^nx_k\|
∥∑k=1nxk∥收敛,且
∥
∑
k
=
1
n
x
k
∥
≤
∑
k
=
1
n
∥
x
k
∥
\left\|\sum_{k=1}^nx_k\right\| \leq \sum_{k=1}^n\|x_k\|
∥∥∥∥∥k=1∑nxk∥∥∥∥∥≤k=1∑n∥xk∥
而“若
∑
k
=
1
n
∥
x
k
∥
\sum_{k=1}^n\|x_k\|
∑k=1n∥xk∥收敛,则
∥
∑
k
=
1
n
x
k
∥
\|\sum_{k=1}^nx_k\|
∥∑k=1nxk∥收敛”也蕴含完备.
商空间
M M M是 X X X的线性子空间, ∀ x 1 , x 2 ∈ X \forall x_1, x_2\in X ∀x1,x2∈X,若 x 1 − x 2 ∈ M x_1-x_2 \in M x1−x2∈M则称 x 1 , x 2 x_1, x_2 x1,x2关于 M M M等价. x ~ \tilde x x~定义为与 x x x等价的所有元素, X ~ = X / M \tilde X = X/M X~=X/M
商空间中的范数: ∥ x ~ ∥ = inf y ∈ x ~ ∥ y ∥ \|\tilde x\| = \inf_{y\in \tilde x} \|y\| ∥x~∥=infy∈x~∥y∥
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 X X上定义 ( ⋅ , ⋅ ) : X × X → K (\cdot, \cdot): X\times X\to \mathbb K (⋅,⋅):X×X→K, 满足 ∀ a , b , c , ∈ X \forall a, b, c, \in X ∀a,b,c,∈X
- ( a , a ) ≥ 0 (a, a) \geq 0 (a,a)≥0, 且 ( a , a ) = 0 ⇔ a = 0 (a, a) = 0 \Lrarr a = 0 (a,a)=0⇔a=0
- ( a , b ) = ( b , a ) ‾ (a, b) = \overline{(b, a)} (a,b)=(b,a)
- ( α a , b ) = α ( a , b ) (\alpha a, b) = \alpha (a, b) (αa,b)=α(a,b)
- ( a + b , c ) = ( a , c ) + ( b , c ) (a + b, c) = (a, c) + (b, c) (a+b,c)=(a,c)+(b,c)
为 X X X上一个内积.
Schwartz不等式: ∣ ( x , y ) ∣ 2 ≤ ( x , x ) ( y , y ) |(x, y)|^2 \leq (x, x) (y, y) ∣(x,y)∣2≤(x,x)(y,y)
∥ x ∥ = ( x , x ) \|x\|=(x, x) ∥x∥=(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
∥
x
+
y
∥
+
∥
x
−
y
∥
=
2
(
∥
x
∥
2
+
∥
y
∥
2
)
\|x + y\| + \|x-y\| = 2(\|x\|^2+\|y\|^2)
∥x+y∥+∥x−y∥=2(∥x∥2+∥y∥2)
时才可以定义
(
x
,
y
)
=
1
4
(
∥
x
+
y
∥
2
−
∥
x
−
y
∥
2
+
i
∥
x
+
i
y
∥
−
i
∥
x
−
i
y
∥
)
(x, y) = \frac{1}{4}(\|x+y\|^2-\|x-y\|^2+\mathrm{i} \|x+\mathrm iy\| -\mathrm{i} \|x-\mathrm iy\|)
(x,y)=41(∥x+y∥2−∥x−y∥2+i∥x+iy∥−i∥x−iy∥)
完备的的赋范线性空间称为Hilbert空间
H H H是Hilbert空间, Y ⊆ H Y\subseteq H Y⊆H是线性子空间, 则 Y Y Y是闭的 ⇔ \Lrarr ⇔ Y Y Y是完备的. L p , l p L^p, l^p Lp,lp空间中,仅 p = 2 p=2 p=2是内积空间.
正交、正交分解
正交: x ⊥ y ⇔ ( x , y ) = 0 x \perp y \Lrarr (x, y) = 0 x⊥y⇔(x,y)=0
勾股定理: x ⊥ y ⇒ ∥ x + y ∥ 2 = ∥ x ∥ 2 + ∥ y ∥ 2 x\perp y \Rarr \|x + y\|^2 = \|x\|^2 + \|y\|^2 x⊥y⇒∥x+y∥2=∥x∥2+∥y∥2
点与集合正交: x ⊥ M = △ ∀ y ∈ M , x ⊥ y x\perp M \overset\triangle = \forall y \in M, x\perp y x⊥M=△∀y∈M,x⊥y
集合与集合正交: M ⊥ N = △ ∀ x ∈ M , y ∈ N , x ⊥ y M \perp N \overset\triangle = \forall x \in M, y \in N, x\perp y M⊥N=△∀x∈M,y∈N,x⊥y
正交补集
M
⊆
X
M\subseteq X
M⊆X,
X
X
X中与
M
M
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:
- 0 ∈ M ⊥ 0 \in M^\perp 0∈M⊥
- M ⊥ M^\perp M⊥中的非 0 0 0元素不可能在 M M M中
- { 0 } ⊥ = X , X ⊥ = { 0 } \{0\}^\perp = X, X^\perp = \{0\} {0}⊥=X,X⊥={0}
- 含开球的集合 M M M的正交补是 { 0 } \{0\} {0}
- 若 N ⊆ M N\subseteq M N⊆M, 则 M ⊥ ⊆ N ⊥ M^\perp \subseteq N^\perp M⊥⊆N⊥
- M ⊆ M ⊥ M \subseteq M^{\perp} M⊆M⊥
X X X是内积空间, M ⊆ X M \subseteq X M⊆X, 则 M ⊥ M^{\perp} M⊥是 X X X的闭子空间.
M M M是内积空间, M M M是 X X X的子空间,则 x ∈ M ⊥ x \in M^{\perp} x∈M⊥等价于 ∀ y ∈ M ∥ x − y ∥ ≥ x \forall y \in M \|x - y\| \geq x ∀y∈M∥x−y∥≥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 H H是Hilbert空间, M M M是 H H H的闭子空间, 则 ∀ x ∈ H , ∃ ! x 0 ∈ M , y ∈ M ⊥ , x = x 0 + y \forall x \in H, \exists ! x_0 \in M, y \in M^{\perp}, x = x_0 + y ∀x∈H,∃!x0∈M,y∈M⊥,x=x0+y
Hilbert空间 H H H中任意闭线性子空间 X X X满足: ( X ⊥ ) ⊥ = X (X ^\perp) ^\perp = X (X⊥)⊥=X, 由此可推出
- Hilbert空间 H H H中任意线性子空间 X X X满足: ( X ⊥ ) ⊥ = X ‾ (X ^\perp) ^\perp = \overline X (X⊥)⊥=X
- X ⊥ = 0 ⇔ X X ^\perp = 0 \Lrarr X X⊥=0⇔X 在 H H 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 α ≠ β \alpha \neq \beta α=β时, ( x α , x β ) = 0 (x_\alpha, x_\beta) = 0 (xα,xβ)=0, 则 { x α } α ∈ I \{x_\alpha\}_{\alpha \in I} {xα}α∈I是一个正交系.
若 ∀ α ∈ I , ∥ x α ∥ = 1 \forall \alpha \in I, \|x_\alpha\| = 1 ∀α∈I,∥xα∥=1则成为标准正交系.
标准正交系张成的空间中 x = ∑ n ( x , e n ) e n x = \sum_{n} (x, e_n) e_n x=∑n(x,en)en, 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 X X上的标准正交系, x ∈ X x\in X x∈X, a 1 , ⋯ , a n a_1, \cdots, a_n a1,⋯,an是 n n n个数. 则 ∥ x − ∑ k = 1 n a k e k ∥ \|x - \sum_{k=1}^n a_ke_k\| ∥x−∑k=1nakek∥取得最小值 ⇔ ∀ k , a k = ( x , e k ) \Leftrightarrow \forall k, a_k = (x, e_k) ⇔∀k,ak=(x,ek)
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 ∑ n = 1 ∞ ( x , e n ) e n \sum_{n=1}^\infty (x, e_n) e_n ∑n=1∞(x,en)en为关于 { e n } \{e_n\} {en}的Fourier级数, ( x , e n ) (x, e_n) (x,en)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 X X的标准正交列, 则 ∀ x ∈ X \forall x\in X ∀x∈X, ∑ k = 1 ∞ ∣ ( x , e k ) ∣ 2 ≤ ∥ x ∥ 2 \sum_{k=1}^\infty |(x, e_k)|^2 \leq \|x\|^2 ∑k=1∞∣(x,ek)∣2≤∥x∥2
由 Bessel 不等式, Fourier 级数一定是收敛的, 从而在 n → ∞ n\rarr \infty n→∞时 ( x , e n ) → 0 (x, e_n) \to 0 (x,en)→0, 由此可推出 Fourier 三角级数的 Riemann-Lebesgue 引理.
∫ − π π x ( t ) sin ( t ) d t → n → ∞ 0 \int_{-\pi}^{\pi} x(t) \sin(t) \mathrm{d}t \xrightarrow{n\to \infty} 0 ∫−ππx(t)sin(t)dtn→∞0
在完备的Hilbert空间中, ∑ n = 1 ∞ a k e n \sum_{n=1}^\infty a_k e_n ∑n=1∞aken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
∑ n = 1 ∞ a k e n ≤ ∑ n = 1 ∞ ∣ a k ∣ 2 \sum_{n=1}^\infty a_k e_n \leq \sum_{n=1}^\infty |a_k|^2 n=1∑∞aken≤n=1∑∞∣ak∣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: ∑ k = 1 ∞ ∣ ( x , e k ) ∣ 2 = ∥ x ∥ 2 \sum_{k=1}^\infty |(x, e_k)|^2 = \|x\|^2 ∑k=1∞∣(x,ek)∣2=∥x∥2空间中所有元素成立的正交基 = △ \overset \triangle = =△完备的正交基.
Hilbert 空间中的正交基完备性
Hilbert 空间 H H H 中的正交基完备的等价描述
- { e n } ⊥ = { 0 } \{e_n\}^\perp = \{0\} {en}⊥={0}
- ∀ x ∈ H , x = ∑ k = 1 ∞ ( x , e k ) e k \forall x \in H, x = \sum_{k=1}^\infty (x, e_k) e_k ∀x∈H,x=∑k=1∞(x,ek)ek (Fourier 级数收敛)
- s p a n ‾ { x α } = H \overline{\mathrm{span}}\{x_{\alpha}\} = H span{xα}=H
- ∀ x ∈ H , ∥ x ∥ 2 = ∑ n = 1 ∞ ∣ ( x , e n ) ∣ 2 \forall x \in H, \|x\|^2 = \sum_{n=1}^\infty |(x, e_n)|^2 ∀x∈H,∥x∥2=∑n=1∞∣(x,en)∣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 H H 可分 ⇔ \Leftrightarrow ⇔ H H H有至多可数的正交基.
可分的 Hilbert 空间 H H H 同构于 K N ( N < ∞ ) \mathbb K^N (N < \infty) KN(N<∞) 或 l 2 ( N = ∞ ) l^2 (N = \infty) l2(N=∞)
泛函分析(各空间特点总结)
R n \R^n Rn
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 ) d(x, y) d(x,y)可定义为欧式距离、哈密顿距离等.
R n \R^n Rn中按欧式距离收敛 ≡ \equiv ≡按坐标收敛.
完备
C [ a , b ] C[a, b] C[a,b]
C [ a , b ] C[a, b] C[a,b]: 所有在 [ a , b ] [a, b] [a,b]区间上连续的函数, 定义一致距离
d
(
x
,
y
)
=
max
a
≤
t
≤
b
∣
x
(
t
)
−
y
(
t
)
∣
d(x, y) = \max_{a \leq t\leq b} |x(t) - y(t)|
d(x,y)=a≤t≤bmax∣x(t)−y(t)∣
C
[
a
,
b
]
C[a, b]
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
∥
x
∥
=
max
a
≤
t
≤
b
∣
x
(
t
)
∣
\|x\| = \max_{a \leq t \leq b} |x(t)|
∥x∥=a≤t≤bmax∣x(t)∣
诱导出一致距离.
l ∞ l^\infty l∞
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
)
=
sup
j
∈
N
∗
∣
ξ
j
−
η
j
∣
d(x, y) = \sup_{j\in \N^*} | \xi_j - \eta_j|
d(x,y)=j∈N∗sup∣ξj−ηj∣
不可分,不列紧,完备
是赋范空间, 范数
∥
x
∥
=
sup
k
∣
ξ
k
∣
\|x\| = \sup_k |\xi_k|
∥x∥=ksup∣ξk∣
s s 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
)
=
∑
n
=
1
∞
1
2
n
∣
ξ
n
−
η
n
∣
1
+
∣
ξ
n
−
η
n
∣
d(x, y) = \sum_{n=1}^\infty \frac{1}{2^n}\frac{|\xi_n - \eta_n|}{1 + |\xi_n - \eta_n|}
d(x,y)=n=1∑∞2n11+∣ξn−ηn∣∣ξn−ηn∣
s
s
s中的收敛: 按坐标收敛.
可分
d d d不能定义范数
S [ E ] S[E] S[E]
S
[
E
]
S[E]
S[E]是Lebesgue可测集
E
E
E上几乎处处有限的可测的函数, 其中
m
E
<
∞
{\rm m}E<\infty
mE<∞, 定义
d
(
x
,
y
)
=
∫
E
∣
x
(
t
)
−
y
(
t
)
∣
1
+
∣
x
(
t
)
−
y
(
t
)
∣
d(x, y) = \int_E \frac{|x(t)-y(t)|}{1+|x(t)-y(t)|}
d(x,y)=∫E1+∣x(t)−y(t)∣∣x(t)−y(t)∣
S
[
E
]
S[E]
S[E]中的收敛是依测度收敛.
L p L^p Lp空间
f
(
x
)
f(x)
f(x)是
E
E
E上可测函数, 并且
1
≤
p
<
∞
1 \leq p < \infty
1≤p<∞,
L
p
(
E
)
=
{
f
:
E
→
R
∣
∫
E
∣
f
(
x
)
∣
p
d
x
<
∞
}
,
∥
x
∥
p
=
(
∫
E
∣
x
(
t
)
∣
p
d
t
)
1
p
L^p(E) = \left\{f: E\to \R\Bigg|\int_E|f(x)|^p\mathrm{d}x< \infty\right\}, \quad \|x\|_p = \left(\int_E|x(t)|^p\mathrm d t\right)^{\frac{1}{p}}
Lp(E)={f:E→R∣∣∣∣∣∫E∣f(x)∣pdx<∞},∥x∥p=(∫E∣x(t)∣pdt)p1
三角不等式的导出
-
Hoelder不等式: ∀ p , q > 0 , 1 / p + 1 / q = 1 \forall p, q > 0, 1/p+1/q = 1 ∀p,q>0,1/p+1/q=1,
∫ E ∣ x ( t ) y ( t ) ∣ d t ≤ ( ∫ E ∣ x ( t ) ∣ p d t ) 1 p ( ∫ E ∣ x ( t ) ∣ q d t ) 1 q \int_E |x(t)y(t)|\mathrm{d}t \leq \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}} ∫E∣x(t)y(t)∣dt≤(∫E∣x(t)∣pdt)p1(∫E∣x(t)∣qdt)q1 -
Minkowski不等式:
( ∫ E ∣ x ( t ) + y ( t ) ∣ p d t ) 1 p ≤ ( ∫ E ∣ x ( t ) ∣ p d t ) 1 p + ( ∫ E ∣ y ( t ) ∣ p d t ) 1 p \left(\int_E |x(t)+y(t)|^p\mathrm{d}t\right)^{\frac{1}{p}} \leq \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}} (∫E∣x(t)+y(t)∣pdt)p1≤(∫E∣x(t)∣pdt)p1+(∫E∣y(t)∣pdt)p1
完备(Banach),可分(有理系数多项式),连续函数在其上稠密
L ∞ ( E ) L^{\infty}(E) L∞(E)
除去一个测度为
0
0
0的集合外剩下部分有界的函数组成的空间
L
∞
(
E
)
=
{
f
:
E
→
R
∣
inf
m
E
0
=
0
sup
E
\
E
0
∣
x
(
t
)
∣
}
L^{\infty}(E) = \left\{f: E\to \R \Bigg| \inf_{\mathrm m E_0 = 0}\sup_{E\backslash{E_0}} |x(t)| \right\}
L∞(E)={f:E→R∣∣∣∣∣mE0=0infE\E0sup∣x(t)∣}
范数定义为本性上确界
∥
x
∥
=
inf
m
E
0
=
0
sup
E
\
E
0
∣
x
(
t
)
∣
=
△
e
s
s
sup
E
∣
x
(
t
)
∣
\|x\| = \inf_{\mathrm m E_0 = 0}\sup_{E\backslash{E_0}} |x(t)| \overset \triangle =\mathrm{ess} \sup_E |x(t)|
∥x∥=mE0=0infE\E0sup∣x(t)∣=△essEsup∣x(t)∣
完备(Banach), 不可分.
收敛性: 除去一个 0 0 0测度集之外处处收敛.
c , c 0 c, c_0 c,c0
c c c: 所有收敛的数列, 可分
c 0 c_0 c0: 所有收敛于 0 0 0的数列, 是 l ∞ l^\infty l∞的闭子空间, 可分
l 2 l^2 l2
l
p
l^p
lp空间中
p
=
2
p=2
p=2, 它是内积空间,且是Hilbert空间
(
x
,
y
)
=
∑
k
=
1
∞
x
k
y
k
‾
(x, y) = \sum_{k=1}^\infty x_k \overline {y_k}
(x,y)=k=1∑∞xkyk
L 2 L^2 L2
L
p
L^p
Lp空间中
p
=
2
p=2
p=2, 它是内积空间,且是Hilbert空间
(
x
,
y
)
=
∫
E
x
(
t
)
y
(
t
)
‾
d
t
(x, y) = \int_{E} x(t)\overline{y(t)} \mathrm{d} t
(x,y)=∫Ex(t)y(t)dt
诱导范数
∥
x
∥
=
∫
E
∣
x
(
t
)
∣
2
d
t
\|x\| = \int_{E} |x(t)|^2\mathrm{d}t
∥x∥=∫E∣x(t)∣2dt