文章目录
欧氏空间
n维向量空间
描述n元函数的自变量,需要考虑n个有序的实数组:
( x 1 , x 2 , . . . , x n ) (x_1,x_2,...,x_n) (x1,x2,...,xn)
以及由全体这样的数组组成的集合:
R n = { ( x 1 , x 2 , . . . , x n ) ∣ x j ∈ R , j = 1 , 2 , . . . , n } \mathbb{R}^n=\{(x_1,x_2,...,x_n)\mid x_j\in\mathbb{R},j=1,2,...,n\} Rn={(x1,x2,...,xn)∣xj∈R,j=1,2,...,n}
我们把每个数组 ( x 1 , x 2 , . . . , x n ) (x_1,x_2,...,x_n) (x1,x2,...,xn)称为 R n \mathbb{R}^n Rn中的一个点。
称 R n \mathbb{R}^n Rn为n维向量空间。
内积
设 x ⃗ = ( x 1 , x 2 , . . . , x n ) ∈ R n , y ⃗ = ( y 1 , y 2 , . . . , y n ) ∈ R n ,则 x ⃗ 与 y ⃗ 的内积定义为 \vec x=(x_1,x_2,...,x_n)\in\mathbb R^n, \vec y=(y_1,y_2,...,y_n)\in\mathbb R^n,则\vec x与\vec y的内积定义为 x=(x1,x2,...,xn)∈Rn,y=(y1,y2,...,yn)∈Rn,则x与y的内积定义为
x ⃗ y ⃗ = ∑ i = 1 n x i y i ∈ R \vec x\vec y=\sum_{i=1}^n x_i y_i\in\mathbb R xy=i=1∑nxiyi∈R
内积的基本性质:
- 正定性: ∀ x ⃗ , y ⃗ ∈ R n , 有 x ⃗ x ⃗ ≥ 0 ,当且仅当 x ⃗ = 0 ⃗ 时等号成立 \forall \vec x,\vec y\in\mathbb R^n,有\vec x\vec x\geq0,当且仅当\vec x=\vec 0时等号成立 ∀x,y∈Rn,有xx≥0,当且仅当x=0时等号成立
- 对称性: x ⃗ y ⃗ = y ⃗ x ⃗ \vec x\vec y=\vec y\vec x xy=yx
- 分配律: x ⃗ ( y ⃗ + z ⃗ ) = x ⃗ y ⃗ + x ⃗ z ⃗ \vec x(\vec y+\vec z)=\vec x\vec y+\vec x\vec z x(y+z)=xy+xz
- 数乘: ∀ α ∈ R , ∀ x ⃗ , y ⃗ ∈ R n , 有 ( α x ⃗ ) y ⃗ = α ( x ⃗ y ⃗ ) \forall\alpha\in\mathbb R,\forall \vec x,\vec y\in\mathbb R^n,有(\alpha\vec x)\vec y=\alpha(\vec x\vec y) ∀α∈R,∀x,y∈Rn,有(αx)y=α(xy)
欧氏空间的定义
向量空间 R n 有了内积运算后,称 R n 为欧几里得空间或欧氏空间 向量空间\mathbb R^n有了内积运算后,称\mathbb R^n为欧几里得空间或欧氏空间 向量空间Rn有了内积运算后,称Rn为欧几里得空间或欧氏空间
向量的模与两个向量的距离
使用内积运算,我们定义向量 x ⃗ ∈ R n 的模: 使用内积运算,我们定义向量\vec x\in\mathbb R^n的模: 使用内积运算,我们定义向量x∈Rn的模:
∣ ∣ x ∣ ∣ = x ⃗ x ⃗ = ∑ i = 1 n x i 2 \mid\mid x\mid\mid=\sqrt{\vec x\vec x}=\sqrt{\sum_{i=1}^n x_i^2} ∣∣x∣∣=xx=i=1∑nxi2
设 x ⃗ = ( x 1 , x 2 , . . . , x n ) ∈ R n , y ⃗ = ( y 1 , y 2 , . . . , y n ) ∈ R n ,则 x ⃗ 与 y ⃗ 的距离定义为 \vec x=(x_1,x_2,...,x_n)\in\mathbb R^n, \vec y=(y_1,y_2,...,y_n)\in\mathbb R^n,则\vec x与\vec y的距离定义为 x=(x1,x2,...,xn)∈Rn,y=(y1,y2,...,yn)∈Rn,则x与y的距离定义为