数学基础-线性代数

转载自AI算法工程师

一、基本知识

1. 本书中所有的向量都是列向量的形式：

   $\vec{\mathbf{x}}=(x_1,x_2,\cdots ,x_n{)}^T=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right]$

   本书中所有的矩阵 $\mathbf{X}\in {\mathbb{R}}^{m\times n}$ 都表示为：

   $\mathbf{X}=\left[\begin{array}{cccc}{x}_{1,1}& x_{1,2}& \cdots & x_{1,n}\\ x_{2,1}& x_{2,2}& \cdots & x_{2,n}\\ ⋮& ⋮& \ddots & ⋮\\ x_{m,1}& x_{m,2}& \cdots & x_{m,n}\end{array}\right]$

   简写为：$(x_{i,j}{)}_{m\times n}$或者 $[x_{i,j}{]}_{m\times n}$。

2. 矩阵的F范数：设矩阵$\mathbf{A}=(a_{i,j}{)}_{m\times n}$，则其F 范数为：$||\mathbf{A}|{|}_F=\sqrt{{\sum }_{i,j}{a}_{i,j}^2}$。

   它是向量的 $L_2$ 范数的推广。

3. 矩阵的迹：设矩阵$\mathbf{A}=(a_{i,j}{)}_{m\times n}$，则 $\mathbf{A}$的迹为： $tr(\mathbf{A})={\sum }_i{a}_{i,i}$。

   迹的性质有：

   • $\mathbf{A}$ 的F 范数等于$\mathbf{A}{\mathbf{A}}^T$ 的迹的平方根：$||\mathbf A||_F=\sqrt{tr(\mathbf A \mathbf A^{T})} $。
   • $\mathbf{A}$ 的迹等于$\mathbf A^T $的迹：$tr(\mathbf A)=tr(\mathbf A^{T})$ 。
   • 交换律：假设$\mathbf{A}\in {\mathbb{R}}^{m\times n},\mathbf{B}\in {\mathbb{R}}^{n\times m}，$则有：$tr(\mathbf{A}\mathbf{B})=tr(\mathbf{B}\mathbf{A})$ 。
   • 结合律：$tr(\mathbf{A}\mathbf{B}\mathbf{C})=tr(\mathbf{C}\mathbf{A}\mathbf{B})=tr(\mathbf{B}\mathbf{C}\mathbf{A})。$

二、向量操作

1. 一组向量${\vec{\mathbf{v}}}_1,{\vec{\mathbf{v}}}_2,\cdots ,{\vec{\mathbf{v}}}_n$是线性相关的：指存在一组不全为零的实数$a_1,a_2,\cdots ,a_n$使得： ${\sum }_{i=1}^n{a}_i{\vec{\mathbf{v}}}_i=\vec{0}$。

   一组向量${\vec{\mathbf{v}}}_1,{\vec{\mathbf{v}}}_2,\cdots ,{\vec{\mathbf{v}}}_n$是线性无关的，当且仅当 $a_i=0,i=1,2,\cdots ,n$时，才有：${\sum }_{i=1}^n{a}_i{\vec{\mathbf{v}}}_i=\vec{0}$。

2. 一个向量空间所包含的最大线性无关向量的数目，称作该向量空间的维数。

3. 三维向量的点积：$\vec{\mathbf{u}}\cdot \vec{\mathbf{v}}=u_x{v}_x+u_y{v}_y+u_z{v}_z=|\vec{\mathbf{u}}||\vec{\mathbf{v}}|\cos (\vec{\mathbf{u}},\vec{\mathbf{v}})$。

   

4. 三维向量的叉积：

   $\vec{\mathbf{w}}=\vec{\mathbf{u}}\times \vec{\mathbf{v}}=\left[\begin{array}{ccc}\vec{\mathbf{i}}& \vec{\mathbf{j}}& \vec{\mathbf{k}}\\ u_x& u_y& u_z\\ v_x& v_y& v_z\end{array}\right]$

   其中$\vec{\mathbf{i}},\vec{\mathbf{j}},\vec{\mathbf{k}}$ 分别为$ x,y,z $轴的单位向量。

   $\vec{\mathbf{u}}=u_x\vec{\mathbf{i}}+u_y\vec{\mathbf{j}}+u_z\vec{\mathbf{k}},\vec{\mathbf{v}}=v_x\vec{\mathbf{i}}+v_y\vec{\mathbf{j}}+v_z\vec{\mathbf{k}}$

   • $\vec{\mathbf{u}}$和$\vec{\mathbf{v}}$的叉积垂直于 $\vec{\mathbf{u}},\vec{\mathbf{v}}$构成的平面，其方向符合右手规则。
   • 叉积的模等于$\vec{\mathbf{u}},\vec{\mathbf{v}}$构成的平行四边形的面积
   • $\vec{\mathbf{u}}\times \vec{\mathbf{v}}=-\vec{\mathbf{v}}\times \vec{\mathbf{u}}$
   • $\vec{\mathbf{u}}\times (\vec{\mathbf{v}}\times \vec{\mathbf{w}})=(\vec{\mathbf{u}}\cdot \vec{\mathbf{w}})\vec{\mathbf{v}}-(\vec{\mathbf{u}}\cdot \vec{\mathbf{v}})\vec{\mathbf{w}}$

   

5. 三维向量的混合积：

   $$\begin{gathered} [\vec{\mathbf{u}}\vec{\mathbf{v}}\vec{\mathbf{w}}]=(\vec{\mathbf{u}}\times \vec{\mathbf{v}})\cdot \vec{\mathbf{w}}=\vec{\mathbf{u}}\cdot (\vec{\mathbf{v}}\times \vec{\mathbf{w}}) \\ =\left|\begin{array}{ccc}{u}_x& u_y& u_z\\ v_x& v_y& v_z\\ w_x& w_y& w_z\end{array}\right|=\left|\begin{array}{ccc}{u}_x& v_x& w_x\\ u_y& v_y& w_y\\ u_z& v_z& w_z\end{array}\right| \end{gathered}$$

   其物理意义为：$以\vec{\mathbf{u}},\vec{\mathbf{v}},\vec{\mathbf{w}}$为三个棱边所围成的平行六面体的体积。 当$\vec{\mathbf{u}},\vec{\mathbf{v}},\vec{\mathbf{w}}$构成右手系时，该平行六面体的体积为正号。

6. 两个向量的并矢：给定两个向量$\vec{\mathbf{x}}=(x_1,x_2,\cdots ,x_n{)}^T,\vec{\mathbf{y}}=(y_1,y_2,\cdots ,y_m{)}^T$，则向量的并矢记作：

   $\vec{\mathbf{x}}\vec{\mathbf{y}}=\left[\begin{array}{cccc}{x}_1{y}_1& x_1{y}_2& \cdots & x_1{y}_m\\ x_2{y}_1& x_2{y}_2& \cdots & x_2{y}_m\\ ⋮& ⋮& \ddots & ⋮\\ x_n{y}_1& x_n{y}_2& \cdots & x_n{y}_m\end{array}\right]$

   也记作$\vec{\mathbf{x}}\otimes \vec{\mathbf{y}}$ 或者$\vec{\mathbf{x}}{\vec{\mathbf{y}}}^T$。

三、矩阵运算

1. 给定两个矩阵$\mathbf{A}=(a_{i,j})\in {\mathbb{R}}^{m\times n},\mathbf{B}=(b_{i,j})\in {\mathbb{R}}^{m\times n}$ ，定义：

   • 阿达马积Hadamard product（又称作逐元素积）：

     $\mathbf{A}\circ \mathbf{B}=\left[\begin{array}{cccc}{a}_{1,1}{b}_{1,1}& a_{1,2}{b}_{1,2}& \cdots & a_{1,n}{b}_{1,n}\\ a_{2,1}{b}_{2,1}& a_{2,2}{b}_{2,2}& \cdots & a_{2,n}{b}_{2,n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m,1}{b}_{m,1}& a_{m,2}{b}_{m,2}& \cdots & a_{m,n}{b}_{m,n}\end{array}\right]$

   • 克罗内积Kronnecker product：

     $\mathbf{A}\otimes \mathbf{B}=\left[\begin{array}{cccc}{a}_{1,1}\mathbf{B}& a_{1,2}\mathbf{B}& \cdots & a_{1,n}\mathbf{B}\\ a_{2,1}\mathbf{B}& a_{2,2}\mathbf{B}& \cdots & a_{2,n}\mathbf{B}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m,1}\mathbf{B}& a_{m,2}\mathbf{B}& \cdots & a_{m,n}\mathbf{B}\end{array}\right]$

2. 设$\vec{\mathbf{x}},\vec{\mathbf{a}},\vec{\mathbf{b}},\vec{\mathbf{c}}$为 n 阶向量，$\mathbf{A},\mathbf{B},\mathbf{C},\mathbf{X}$为 n 阶方阵，则有：

   $\frac{\partial ({\vec{\mathbf{a}}}^T\vec{\mathbf{x}})}{\partial \vec{\mathbf{x}}}=\frac{\partial ({\vec{\mathbf{x}}}^T\vec{\mathbf{a}})}{\partial \vec{\mathbf{x}}}=\vec{\mathbf{a}}$

   $\frac{\partial ({\vec{\mathbf{a}}}^T\mathbf{X}\vec{\mathbf{b}})}{\partial \mathbf{X}}=\vec{\mathbf{a}}{\vec{\mathbf{b}}}^T=\vec{\mathbf{a}}\otimes \vec{\mathbf{b}}\in {\mathbb{R}}^{n\times n}$

   $\frac{\partial ({\vec{\mathbf{a}}}^T{\mathbf{X}}^T\vec{\mathbf{b}})}{\partial \mathbf{X}}=\vec{\mathbf{b}}{\vec{\mathbf{a}}}^T=\vec{\mathbf{b}}\otimes \vec{\mathbf{a}}\in {\mathbb{R}}^{n\times n}$

   $\frac{\partial ({\vec{\mathbf{a}}}^T\mathbf{X}\vec{\mathbf{a}})}{\partial \mathbf{X}}=\frac{\partial ({\vec{\mathbf{a}}}^T{\mathbf{X}}^T\vec{\mathbf{a}})}{\partial \mathbf{X}}=\vec{\mathbf{a}}\otimes \vec{\mathbf{a}}$

   $\frac{\partial ({\vec{\mathbf{a}}}^T{\mathbf{X}}^T\mathbf{X}\vec{\mathbf{b}})}{\partial \mathbf{X}}=\mathbf{X}(\vec{\mathbf{a}}\otimes \vec{\mathbf{b}}+\vec{\mathbf{b}}\otimes \vec{\mathbf{a}})$

   $\frac{\partial [(\mathbf{A}\vec{\mathbf{x}}+\vec{\mathbf{a}}{)}^T\mathbf{C}(\mathbf{B}\vec{\mathbf{x}}+\vec{\mathbf{b}})]}{\partial \vec{\mathbf{x}}}={\mathbf{A}}^T\mathbf{C}(\mathbf{B}\vec{\mathbf{x}}+\vec{\mathbf{b}})+{\mathbf{B}}^T\mathbf{C}(\mathbf{A}\vec{\mathbf{x}}+\vec{\mathbf{a}})$

   $\frac{\partial ({\vec{\mathbf{x}}}^T\mathbf{A}\vec{\mathbf{x}})}{\partial \vec{\mathbf{x}}}=(\mathbf{A}+{\mathbf{A}}^T)\vec{\mathbf{x}}$

   $\frac{\partial [(\mathbf{X}\vec{\mathbf{b}}+\vec{\mathbf{c}}{)}^T\mathbf{A}(\mathbf{X}\vec{\mathbf{b}}+\vec{\mathbf{c}})]}{\partial \mathbf{X}}=(\mathbf{A}+{\mathbf{A}}^T)(\mathbf{X}\vec{\mathbf{b}}+\vec{\mathbf{c}}){\vec{\mathbf{b}}}^T$

   $\frac{\partial ({\vec{\mathbf{b}}}^T{\mathbf{X}}^T\mathbf{A}\mathbf{X}\vec{\mathbf{c}})}{\partial \mathbf{X}}={\mathbf{A}}^T\mathbf{X}\vec{\mathbf{b}}{\vec{\mathbf{c}}}^T+\mathbf{A}\mathbf{X}\vec{\mathbf{c}}{\vec{\mathbf{b}}}^T$

3. 如果 f 是一元函数，则：

   • 其逐元向量函数为：$f(\vec{\mathbf{x}})=(f(x_1),f(x_2),\cdots ,f(x_n){)}^T$ 。

   • 其逐矩阵函数为：

     $f(\mathbf{X})=\left[\begin{array}{cccc}f(x_{1,1})& f(x_{1,2})& \cdots & f(x_{1,n})\\ f(x_{2,1})& f(x_{2,2})& \cdots & f(x_{2,n})\\ ⋮& ⋮& \ddots & ⋮\\ f(x_{m,1})& f(x_{m,2})& \cdots & f(x_{m,n})\end{array}\right]$

   • 其逐元导数分别为：

     $$\begin{gathered} f^{\prime }(\vec{\mathbf{x}})=(f^{\prime }(x1),f^{\prime }(x2),\cdots ,f^{\prime }(x_n){)}^T \\ {f}^{\prime }(\mathbf{X})=\left[\begin{array}{cccc}{f}^{\prime }(x_{1,1})& f^{\prime }(x_{1,2})& \cdots & f^{\prime }(x_{1,n})\\ f^{\prime }(x_{2,1})& f^{\prime }(x_{2,2})& \cdots & f^{\prime }(x_{2,n})\\ ⋮& ⋮& \ddots & ⋮\\ f^{\prime }(x_{m,1})& f^{\prime }(x_{m,2})& \cdots & f^{\prime }(x_{m,n})\end{array}\right] \end{gathered}$$

4. 各种类型的偏导数：

   • 标量对标量的偏导数： $\frac{\partial u}{\partial v}$。

   • 标量对向量（n 维向量）的偏导数 ：$\frac{\partial u}{\partial \vec{\mathbf{v}}}=(\frac{\partial u}{\partial v_1},\frac{\partial u}{\partial v_2},\cdots ,\frac{\partial u}{\partial v_n}{)}^T$ 。

   • 标量对矩阵($m\times n$阶矩阵)的偏导数：

     $\frac{\partial u}{\partial \mathbf{V}}=\left[\begin{array}{cccc}\frac{\partial u}{\partial V_{1,1}}& \frac{\partial u}{\partial V_{1,2}}& \cdots & \frac{\partial u}{\partial V_{1,n}}\\ \frac{\partial u}{\partial V_{2,1}}& \frac{\partial u}{\partial V_{2,2}}& \cdots & \frac{\partial u}{\partial V_{2,n}}\\ ⋮& ⋮& \ddots & ⋮\\ \frac{\partial u}{\partial V_{m,1}}& \frac{\partial u}{\partial V_{m,2}}& \cdots & \frac{\partial u}{\partial V_{m,n}}\end{array}\right]$

   • 向量（m 维向量）对标量的偏导数：$\frac{\partial \vec{\mathbf{u}}}{\partial v}=(\frac{\partial u_1}{\partial v},\frac{\partial u_2}{\partial v},\cdots ,\frac{\partial u_m}{\partial v}{)}^T$。

   • 向量（m 维向量）对向量 (n 维向量) 的偏导数（雅可比矩阵，行优先）

     $\frac{\partial \vec{\mathbf{u}}}{\partial \vec{\mathbf{v}}}=\left[\begin{array}{cccc}\frac{\partial u_1}{\partial v_1}& \frac{\partial u_1}{\partial v_2}& \cdots & \frac{\partial u_1}{\partial v_n}\\ \frac{\partial u_2}{\partial v_1}& \frac{\partial u_2}{\partial v_2}& \cdots & \frac{\partial u_2}{\partial v_n}\\ ⋮& ⋮& \ddots & ⋮\\ \frac{\partial u_m}{\partial v_1}& \frac{\partial u_m}{\partial v_2}& \cdots & \frac{\partial u_m}{\partial v_n}\end{array}\right]$

     如果为列优先，则为上面矩阵的转置。

   • 矩阵($m\times n$阶矩阵)对标量的偏导数

   $\frac{\partial \mathbf{U}}{\partial v}=\left[\begin{array}{cccc}\frac{\partial U_{1,1}}{\partial v}& \frac{\partial U_{1,2}}{\partial v}& \cdots & \frac{\partial U_{1,n}}{\partial v}\\ \frac{\partial U_{2,1}}{\partial v}& \frac{\partial U_{2,2}}{\partial v}& \cdots & \frac{\partial U_{2,n}}{\partial v}\\ ⋮& ⋮& \ddots & ⋮\\ \frac{\partial U_{m,1}}{\partial v}& \frac{\partial U_{m,2}}{\partial v}& \cdots & \frac{\partial U_{m,n}}{\partial v}\end{array}\right]$

5. 对于矩阵的迹，有下列偏导数成立：

   $\frac{\partial [tr(f(\mathbf{X}))]}{\partial \mathbf{X}}=(f^{\prime }(\mathbf{X}){)}^T$

   $\frac{\partial [tr(\mathbf{A}\mathbf{X}\mathbf{B})]}{\partial \mathbf{X}}={\mathbf{A}}^T{\mathbf{B}}^T$

   $\frac{\partial [tr(\mathbf{A}{\mathbf{X}}^T\mathbf{B})]}{\partial \mathbf{X}}=\mathbf{B}\mathbf{A}$

   $\frac{\partial [tr(\mathbf{A}\otimes \mathbf{X})]}{\partial \mathbf{X}}=tr(\mathbf{A})\mathbf{I}$

   $\frac{\partial [tr(\mathbf{A}\mathbf{X}\mathbf{B}\mathbf{X})]}{\partial \mathbf{X}}={\mathbf{A}}^T{\mathbf{X}}^T{\mathbf{B}}^T+{\mathbf{B}}^T\mathbf{X}{\mathbf{A}}^T$

   $\frac{\partial [tr({\mathbf{X}}^T\mathbf{B}\mathbf{X}\mathbf{C})]}{\partial \mathbf{X}}=\mathbf{B}\mathbf{X}\mathbf{C}+{\mathbf{B}}^T\mathbf{X}{\mathbf{C}}^T$

   $\frac{\partial [tr({\mathbf{C}}^T{\mathbf{X}}^T\mathbf{B}\mathbf{X}\mathbf{C})]}{\partial \mathbf{X}}=({\mathbf{B}}^T+\mathbf{B})\mathbf{X}\mathbf{C}{\mathbf{C}}^T$

   $\frac{\partial [tr(\mathbf{A}\mathbf{X}\mathbf{B}{\mathbf{X}}^T\mathbf{C})]}{\partial \mathbf{X}}={\mathbf{A}}^T{\mathbf{C}}^T\mathbf{X}{\mathbf{B}}^T+\mathbf{C}\mathbf{A}\mathbf{X}\mathbf{B}$

   $\frac{\partial [tr((\mathbf{A}\mathbf{X}\mathbf{B}+\mathbf{C})(\mathbf{A}\mathbf{X}\mathbf{B}+\mathbf{C}))]}{\partial \mathbf{X}}=2{\mathbf{A}}^T(\mathbf{A}\mathbf{X}\mathbf{B}+\mathbf{C}){\mathbf{B}}^T$

6. 假设$\mathbf{U}=f(\mathbf{X})$是关于 $\mathbf{X}$ 的矩阵值函数$（f:{\mathbb{R}}^{m\times n}\to {\mathbb{R}}^{m\times n}）$，且 $g(\mathbf{U})$是关于$\mathbf{U}$的实值
   函数$(g:{\mathbb{R}}^{m\times n}\to \mathbb{R})$，则下面链式法则成立：

$\frac{\partial g(\mathbf{U})}{\partial \mathbf{X}}={\left(\frac{\partial g(\mathbf{U})}{\partial x_{i,j}}\right)}_{m\times n}=\left[\begin{array}{cccc}\frac{\partial g(\mathbf{U})}{\partial x_{1,1}}& \frac{\partial g(\mathbf{U})}{\partial x_{1,2}}& \cdots & \frac{\partial g(\mathbf{U})}{\partial x_{1,n}}\\ \frac{\partial g(\mathbf{U})}{\partial x_{2,1}}& \frac{\partial g(\mathbf{U})}{\partial x_{2,2}}& \cdots & \frac{\partial g(\mathbf{U})}{\partial x_{2,n}}\\ ⋮& ⋮& \ddots & ⋮\\ \frac{\partial g(\mathbf{U})}{\partial x_{m,1}}& \frac{\partial g(\mathbf{U})}{\partial x_{m,2}}& \cdots & \frac{\partial g(\mathbf{U})}{\partial x_{m,n}}\end{array}\right]$
=${\left({\sum }_k{\sum }_l\frac{\partial g(\mathbf{U})}{\partial u_{k,l}}\frac{\partial u_{k,l}}{\partial x_{i,j}}\right)}_{m\times n}={\left(tr\left[{\left(\frac{\partial g(\mathbf{U})}{\partial \mathbf{U}}\right)}^T\frac{\partial \mathbf{U}}{\partial x_{i,j}}\right]\right)}_{m\times n}$

四、特殊函数

1. 这里给出机器学习中用到的一些特殊函数。

4.1 sigmoid 函数

1. sigmoid函数：

   $\sigma (x)=\frac{1}{1+\exp (-x)}$

   • 该函数可以用于生成二项分布的 $\varphi$参数。
   • 当 x 很大或者很小时，该函数处于饱和状态。此时函数的曲线非常平坦，并且自变量的一个较大的变化只能带来函数值的一个微小的变化，即：导数很小。

   

4.2 softplus 函数

1. softplus函数：$\zeta (x)=\log (1+\exp (x))$。

   • 该函数可以生成正态分布的 ${\sigma }^2$参数。
   • 它之所以称作softplus，因为它是下面函数的一个光滑逼近：$x^{+}=\max (0,x)$。

   

2. 如果定义两个函数：

   $$\begin{gathered} x^{+}=\max (0,x) \\ {x}^{-}=\max (0,-x) \end{gathered}$$

   则它们分布获取了 y=x 的正部分和负部分。

   根据定义有：$x=x^{+}-x^{-}$ 。而 $\zeta (x)$逼近的是$x^{+}$， $\zeta (-x)$逼近的是 $x^{-}$，于是有：

   $\zeta (x)-\zeta (-x)=x$

3. sigmoid和softplus函数的性质：

   $$\begin{gathered} \sigma (x)=\frac{\exp (x)}{\exp (x)+\exp (0)} \\ \frac{d}{dx}\sigma (x)=\sigma (x)(1-\sigma (x)) \\ 1-\sigma (x)=\sigma (-x) \\ \log \sigma (x)=-\zeta (-x) \\ \frac{d}{dx}\zeta (x)=\sigma (x) \\ \forall x\in (0,1),{\sigma }^{-1}(x)=\log (\frac{x}{1-x}) \\ \forall x>0,{\zeta }^{-1}(x)=\log (\exp (x)-1) \\ \zeta (x)={\int }_{-\infty }^x\sigma (y)dy \\ \zeta (x)-\zeta (-x)=x \end{gathered}$$

   其中$f^{-1}(\cdot )$为反函数。

   ${\sigma }^{-1}(x)$也称作logit函数。

   

4.3 伽马函数

1. 伽马函数定义为：

   $$\begin{gathered} \Gamma (x)={\int }_0^{+\infty }{t}^{x-1}{e}^{-t}dt,x\in \mathbb{R} \\ or.\Gamma (z)={\int }_0^{+\infty }{t}^{z-1}{e}^{-t}dt,z\in \mathbb{Z} \end{gathered}$$

   

   性质为：

   • 对于正整数 n 有：$\Gamma (n)=(n-1)!$。

   • $\Gamma (x+1)=x\Gamma (x)$，因此伽马函数是阶乘在实数域上的扩展。

   • 与贝塔函数的关系：

     $B(m,n)=\frac{\Gamma (m)\Gamma (n)}{\Gamma (m+n)}$

   • 对于 $x\in (0,1)$ 有：

     $\Gamma (1-x)\Gamma (x)=\frac{\pi }{\sin \pi x}$

     则可以推导出重要公式： $\Gamma (\frac{1}{2})=\sqrt{\pi }$。

   • 对于 $x>0$，伽马函数是严格凹函数。

2. 当 x 足够大时，可以用Stirling 公式来计算Gamma函数值：$\Gamma (x)\sim \sqrt{2\pi }{e}^{-x}{x}^{x+1/2}$。

4.4 贝塔函数

1. 对于任意实数$ m,n \gt 0 $，定义贝塔函数：

   $B(m,n)={\int }_0^1{x}^{m-1}(1-x{)}^{n-1}dx$

   其它形式的定义：

   $$\begin{gathered} B(m,n)=2{\int }_0^{\frac{\pi }{2}}{\sin }^{2m-1}(x){\cos }^{2n-1}(x)dx \\ B(m,n)={\int }_0^{+\infty }\frac{x^{m-1}}{(1+x{)}^{m+n}}dx \\ B(m,n)={\int }_0^1\frac{x^{m-1}+x^{n-1}}{(1+x{)}^{m+n}}dx \end{gathered}$$

2. 性质：

   • 连续性：贝塔函数在定义域$ m\gt0,n\gt0$ 内连续。

   • 对称性：B(m,n)=B(n,m) 。

   • 递个公式：

     $$\begin{gathered} B(m,n)=\frac{n-1}{m+n-1}B(m,n-1),m>0,n>1 \\ B(m,n)=\frac{m-1}{m+n-1}B(m-1,n),m>1,n>0 \\ B(m,n)=\frac{(m-1)(n-1)}{(m+n-1)(m+n-2)}B(m-1,n-1),m>1,n>1 \end{gathered}$$

   • 当 m,n 较大时，有近似公式：

     $B(m,n)=\frac{\sqrt{(2\pi )m^{m-1/2}{n}^{n-1/2}}}{(m+n{)}^{m+n-1/2}}$

   • 与伽马函数关系：

     • 对于任意正实数 m,n ，有：

       $B(m,n)=\frac{\Gamma (m)\Gamma (n)}{\Gamma (m+n)}$

     • $B(m,1-m)=\Gamma (m)\Gamma (1-m)。$