分析数学中常用的等价定义

集合的线性生成（linear span）

定义一： 设 V 是 k维向量空间，M是V的子集且非空，则M的linear span的显示表达式为
s p a n   M = { ∑ i = 1 r α i v 1 ∣ r ∈ N , α i ∈ k , v i ∈ M , i = 1 , … , r } span\, M= \{\sum_{i=1}^{r} \alpha_i v_1 \vert r \in N, \alpha_i \in k, v_i \in M, i=1,\dots,r \} spanM={i=1∑r​αi​v1​∣r∈N,αi​∈k,vi​∈M,i=1,…,r}
定义二： 设 V 是 k维向量空间，M是V的子集且非空，则M的linear span的定义为
$$spanM={\cap }_{\genfrac{}{}{0ex}{}{M\subseteq U}{UisasubspaceofV}}U$$
根据定义二可以推出span算子是hull算子，V的所有子空间构成的集合是它的包系统。

集合的闭包（包含集合M的最小闭集）

定义一：在向量空间V中，$cl:2^V\to 2^V$定义为
$$clM={\cap }_{\genfrac{}{}{0ex}{}{M\subseteq N}{N\subset V且为闭集}}N$$
根据定义一可以推断出闭包算子是包算子。
定义二： 在向量空间V中，$cl:2^V\to 2^V$定义为
c l   M = { x ∣ ∀ ε > 0 , B ε ( x ) ∩ M ≠ ∅ } cl\, M=\{ x \vert \forall \varepsilon>0, B_{\varepsilon}(x) \cap M \neq \empty \} clM={x∣∀ε>0,Bε​(x)∩M​=∅}
定义三： 在向量空间V中，$clM$等价于集合$M$的极限点的集合。
c l   M = { x ∣ ∃ { x k } ⊆ M , s . t .   lim ⁡ k → ∞ x k = x } cl \, M=\{ x \vert \exists \{ x_k \} \subseteq M, s.t.\, \lim_{k \to \infty} x^k=x \} clM={x∣∃{xk​}⊆M,s.t.k→∞lim​xk=x}
定义四： 在向量空间V中，$clM$等于
$$clM={\cap }_{\epsilon >0}(M+\epsilon B)$$

集合（或向量）的仿射包（包含此集合或向量最小的仿射集）

定义一：对于集合$M\subset R^n$，它的仿射包被定义为
$$affM={\cap }_{\genfrac{}{}{0ex}{}{M\subset S}{Saffine}}S$$
也就是说 aff M是包含M的最小仿射集。
可以证明仿射包是包算子。
定义二：对于非空集合$M\subset E$的所有包组合集合记为$A(M)$
A ( M ) = { ∑ i = 1 r α i v i ∣ r ∈ N , v i ∈ M , α i ∈ R , i = 1 … , r , ∑ i = 1 r α i = 1 } A(M)=\{ \sum_{i=1}^{r} \alpha_i v_i \vert r \in N, v_i \in M, \alpha_i \in R, i=1\dots,r, \sum_{i=1}^{r} \alpha_i=1 \} A(M)={i=1∑r​αi​vi​∣r∈N,vi​∈M,αi​∈R,i=1…,r,i=1∑r​αi​=1}
aff M是M中点的所有包组合，即
$$affM=A(M)$$
定义三：对于$x_0,x_1,\dots ,x_k\in E$，则
a f f { x 0 , x 1 , … , x k } = x 0 + s p a n { x 1 − x 0 , … , x k − x 0 } aff\{ x_0,x_1,\dots,x_k \}=x_0 + span\{ x_1-x_0,\dots,x_k-x_0 \} aff{x0​,x1​,…,xk​}=x0​+span{x1​−x0​,…,xk​−x0​}
如果 { x 0 , … , x k } \{x_0, \dots, x_k\} {x0​,…,xk​}包含0，则
a f f { x 0 , x 1 , … , x k } = s p a n { x 0 ， x 1 , … , x k } aff\{ x_0,x_1,\dots,x_k \}=span\{ x_0，x_1,\dots,x_k \} aff{x0​,x1​,…,xk​}=span{x0​，x1​,…,xk​}

仿射独立

定义一：向量$x_0,\dots ,x_k\in E$是仿射独立的，当且仅当$x_1-x_0,\dots ,x_k-x_0$是线性独立的。
定义二：向量$x_0,\dots ,x_k\in E$是仿射独立的，当且仅当$(x_0,1),\dots ,(x_p,1)\in E\otimes R$是线性独立的。（扩展向量线性独立）
定义三：向量$x_0,\dots ,x_k\in E$是仿射独立的，当且仅当等式
$$0=\sum _{i=0}^p{\alpha }_i{x}_i,0=\sum _{i=0}^p{\alpha }_i$$
有唯一解${\alpha }_0=\cdots ={\alpha }_p=0$

（仿射）超平面

定义一：
H = { x ∈ R n : α T x = r } H=\{ x\in R^n:\alpha ^T x=r \} H={x∈Rn:αTx=r}
满足上式的所有x组成的集合称为$R^n$中的仿射超平面。 其中$\alpha$被称为法向量，因为在仿射场面的任意一个向量都垂直于$\alpha$，${\alpha }^T(x_1-x_2)=0$， $x_1,x_2\in H$。
定义二：R 的维数为$1-n$ 的仿射集H 称为$R^n$中的超平面。
两个定义的等价性证明见组合数学第四章讲义。

凸包

定义一：令$M\in E$是非空集合。定义$M$的凸包为
$$convM={\cap }_{\genfrac{}{}{0ex}{}{M\subseteq C}{Cconvex}}C$$
定义二：集合M的凸包等于集合元素的凸组合
c o n v    M = { ∑ i = 1 r λ i x i ∣ r ∈ N , λ i ∈ Δ r , x i ∈ M , i = 1 , … , r } conv\; M=\{ \sum_{i=1}^{r} \lambda_i x_i \vert r \in N, \lambda_i \in \Delta_r, x_i \in M, i=1,\dots,r \} convM={i=1∑r​λi​xi​∣r∈N,λi​∈Δr​,xi​∈M,i=1,…,r}
定义三：（Caratheodory’s theorem）令$M\subseteq E$非空, $N=|E|$。则每个M的凸包的元素可以写为M中至多N+1个元素的凸组合。
c o n v    M = { ∑ i = 1 N + 1 λ i x i ∣ λ i ∈ Δ N + 1 , x i ∈ M , i = 1 , … , N + 1 } conv\; M=\{ \sum_{i=1}^{N+1} \lambda_i x_i \vert \lambda_i \in \Delta_{N+1}, x_i \in M, i=1,\dots,N+1 \} convM={i=1∑N+1​λi​xi​∣λi​∈ΔN+1​,xi​∈M,i=1,…,N+1}

注：E代表任意的欧式空间
${\Delta }_r$ 代表r阶单纯形