為甚麼完備性重要
有限維線性代數中,越來越精確的近似序列往往在所研究的空間裏有極限;到了無限維,這一點必須證明。泛函分析將函數或序列相加的代數運算,與極限是否仍屬於同一空間的度量問題區分開來。這個區別是近似和求解算子方程的基礎。
定義 1.1.1
(範數、Cauchy 序列與 Banach 空間)
設純量域為 F = R \mathbb F=\mathbb R F = R 或 C \mathbb C C 。向量空間 X X X 上的範數 是映射 ∥ ⋅ ∥ : X → [ 0 , ∞ ) \|\cdot\|:X\to[0,\infty) ∥ ⋅ ∥ : X → [ 0 , ∞ ) ,滿足 ∥ x ∥ = 0 \|x\|=0 ∥ x ∥ = 0 當且僅當 x = 0 x=0 x = 0 ,∥ a x ∥ = ∣ a ∣ ∥ x ∥ \|ax\|=|a|\|x\| ∥ a x ∥ = ∣ a ∣∥ x ∥ ,以及 ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \|x+y\|\leq\|x\|+\|y\| ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ 。它誘導度量 d ( x , y ) = ∥ x − y ∥ d(x,y)=\|x-y\| d ( x , y ) = ∥ x − y ∥ 。
若對每個 ε > 0 \varepsilon>0 ε > 0 都存在 N N N ,使 m , n ≥ N m,n\geq N m , n ≥ N 時 ∥ x n − x m ∥ < ε \|x_n-x_m\|<\varepsilon ∥ x n − x m ∥ < ε ,則稱序列 ( x n ) (x_n) ( x n ) 為 Cauchy 序列 。
若賦範空間中的每個 Cauchy 序列都依此範數收斂到空間內的元素,則該空間是 Banach 空間 。
範數是結構的一部分:即使底層向量空間不變,改變範數也可能改變完備性。
例:不完備的賦範空間
在 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上取積分範數 ∥ f ∥ 1 = ∫ 0 1 ∣ f ( t ) ∣ d t \|f\|_1=\int_0^1|f(t)|\,dt ∥ f ∥ 1 = ∫ 0 1 ∣ f ( t ) ∣ d t 。對 n ≥ 2 n\geq2 n ≥ 2 ,令 f n f_n f n 在 [ 0 , 1 / 2 ] [0,1/2] [ 0 , 1/2 ] 上為零,在 [ 1 / 2 + 1 / n , 1 ] [1/2+1/n,1] [ 1/2 + 1/ n , 1 ] 上為一,中間線性連接。它與階躍函數 g = 1 ( 1 / 2 , 1 ] g=\mathbf 1_{(1/2,1]} g = 1 ( 1/2 , 1 ] 的積分距離是底為 1 / n 1/n 1/ n 、高為一的三角形面積,即 1 / ( 2 n ) 1/(2n) 1/ ( 2 n ) 。故 ∥ f n − f m ∥ 1 ≤ 1 / ( 2 n ) + 1 / ( 2 m ) \|f_n-f_m\|_1\leq1/(2n)+1/(2m) ∥ f n − f m ∥ 1 ≤ 1/ ( 2 n ) + 1/ ( 2 m ) ,所以 ( f n ) (f_n) ( f n ) 是 Cauchy 序列,儘管 g g g 不連續。
若 f n f_n f n 依此範數收斂到連續函數 f f f ,則 ∥ f − g ∥ 1 ≤ ∥ f − f n ∥ 1 + ∥ f n − g ∥ 1 → 0 \|f-g\|_1\leq\|f-f_n\|_1+\|f_n-g\|_1\to0 ∥ f − g ∥ 1 ≤ ∥ f − f n ∥ 1 + ∥ f n − g ∥ 1 → 0 ,即 ∫ ∣ f − g ∣ = 0 \int|f-g|=0 ∫ ∣ f − g ∣ = 0 。連續性會迫使 f f f 在 [ 0 , 1 / 2 ) [0,1/2) [ 0 , 1/2 ) 上為零、在 ( 1 / 2 , 1 ] (1/2,1] ( 1/2 , 1 ] 上為一,與 1 / 2 1/2 1/2 處的連續性矛盾。因此,各項連續並不足以保證 Cauchy 序列在此空間中收斂。
相反,C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 配上上確界範數是 Banach 空間。事實上,範數 Cauchy 序列逐點收斂,因為純量域完備;讓 Cauchy 估計中的一個指標趨於無窮,便得到一致收斂,而連續函數的一致極限仍連續。證明同時用到了純量的完備性和一致極限定理。
有限維空間為何不同
同一向量空間上的兩個範數 ∥ ⋅ ∥ a \|\cdot\|_a ∥ ⋅ ∥ a 與 ∥ ⋅ ∥ b \|\cdot\|_b ∥ ⋅ ∥ b 稱為等價 ,如果存在正常數 c , C c,C c , C ,對所有 x x x 都有 c ∥ x ∥ a ≤ ∥ x ∥ b ≤ C ∥ x ∥ a c\|x\|_a\leq\|x\|_b\leq C\|x\|_a c ∥ x ∥ a ≤ ∥ x ∥ b ≤ C ∥ x ∥ a 。
兩個範數於是互相控制,具有相同的收斂序列和 Cauchy 序列。這裏的常數必須對所有向量同時有效;依賴於 x x x 的界不足以證明等價。
有限維實或複向量空間上的任意兩個範數都等價。因此,每個有限維賦範空間都完備,賦範空間的每個有限維子空間都閉,且從有限維賦範空間到任意賦範空間的每個線性映射都有界。
零維情形顯然。否則選取基 e 1 , … , e n e_1,\ldots,e_n e 1 , … , e n ,寫 x = ∑ a i e i x=\sum a_i e_i x = ∑ a i e i ,令 ∣ x ∣ 2 = ( ∑ ∣ a i ∣ 2 ) 1 / 2 |x|_2=(\sum|a_i|^2)^{1/2} ∣ x ∣ 2 = ( ∑ ∣ a i ∣ 2 ) 1/2 。對任意範數 ∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ ,三角不等式和 Cauchy–Schwarz 不等式給出
∥ x ∥ ≤ ∑ i ∣ a i ∣ ∥ e i ∥ ≤ A ∣ x ∣ 2 , A = ( ∑ i ∥ e i ∥ 2 ) 1 / 2 . \|x\|\leq\sum_i|a_i|\|e_i\|\leq A|x|_2,
\qquad A=\left(\sum_i\|e_i\|^2\right)^{1/2}. ∥ x ∥ ≤ i ∑ ∣ a i ∣∥ e i ∥ ≤ A ∣ x ∣ 2 , A = ( i ∑ ∥ e i ∥ 2 ) 1/2 . 因此 ∣ ∥ x ∥ − ∥ y ∥ ∣ ≤ ∥ x − y ∥ ≤ A ∣ x − y ∣ 2 |\|x\|-\|y\||\leq\|x-y\|\leq A|x-y|_2 ∣∥ x ∥ − ∥ y ∥∣ ≤ ∥ x − y ∥ ≤ A ∣ x − y ∣ 2 ,即 x ↦ ∥ x ∥ x\mapsto\|x\| x ↦ ∥ x ∥ 對座標歐氏(Euclid)範數連續。座標單位球面是緊緻的;複數情形可將 C n \mathbb C^n C n 視為 R 2 n \mathbb R^{2n} R 2 n 。所以連續函數 ∥ x ∥ \|x\| ∥ x ∥ 在球面上達到最小值 a a a 。球面上沒有零向量,故 a > 0 a>0 a > 0 。縮放得到對所有 x x x 有 a ∣ x ∣ 2 ≤ ∥ x ∥ ≤ A ∣ x ∣ 2 a|x|_2\leq\|x\|\leq A|x|_2 a ∣ x ∣ 2 ≤ ∥ x ∥ ≤ A ∣ x ∣ 2 。分別應用於兩個範數便得等價;這裏沒有循環地假設未知範數下的緊緻性。
∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ 下的 Cauchy 序列在座標範數下也是 Cauchy,故由純量域完備性逐座標收斂;上界保證它也依 ∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ 收斂。因此該有限維空間是 Banach 空間。如果它是賦範空間 X X X 的子空間,則其中在 X X X 中收斂的序列依繼承範數為 Cauchy,因而收斂到子空間內一點;極限的唯一性說明此點就是它在 X X X 中的極限。最後,對線性映射 T T T ,令 B = ( ∑ i ∥ T e i ∥ 2 ) 1 / 2 B=(\sum\limits_i\|Te_i\|^2)^{1/2} B = ( i ∑ ∥ T e i ∥ 2 ) 1/2 ,則有 ∥ T x ∥ ≤ ∑ i ∣ a i ∣ ∥ T e i ∥ ≤ B ∣ x ∣ 2 ≤ ( B / a ) ∥ x ∥ \|Tx\|\leq\sum\limits_i|a_i|\|Te_i\|\leq B|x|_2\leq(B/a)\|x\| ∥ T x ∥ ≤ i ∑ ∣ a i ∣∥ T e i ∥ ≤ B ∣ x ∣ 2 ≤ ( B / a ) ∥ x ∥ ,所以 T T T 有界。
證明透視
有限維在哪裏起作用 上界 ∥ x ∥ ≤ A ∣ x ∣ 2 \|x\|\leq A|x|_2 ∥ x ∥ ≤ A ∣ x ∣ 2 只用三角不等式,但需要展開式 x = ∑ a i e i x=\sum a_ie_i x = ∑ a i e i 是有限和,A A A 才是有限數。這個上界是關鍵一步:它使未知範數對歐氏拓撲連續,而歐氏拓撲中的緊緻集由 Heine–Borel 定理完全掌握。有限維第二次出現,是斷言歐氏單位球面為緊緻;範數公理「只有 x = 0 x=0 x = 0 時 ∥ x ∥ = 0 \|x\|=0 ∥ x ∥ = 0 」則保證最小值 a a a 嚴格為正。三個推論不再需要緊緻性:完備性和閉性由雙向估計從座標轉移過來,T T T 的有界性則是把同一上界估計用於向量 T e i Te_i T e i 。在無限維中兩處都失效:c 00 c_{00} c 00 的向量 e n e_n e n 滿足 ∥ e n − e m ∥ 2 = 2 \|e_n-e_m\|_2=\sqrt2 ∥ e n − e m ∥ 2 = 2 ,所以歐氏球面上有沒有收斂子序列的序列。
定理確實需要維數假設,下例說明這一點。
反例模式
同一空間上兩個不等價的範數 斷言:向量空間上任意兩個範數都等價。在有限支撐純量序列空間 c 00 c_{00} c 00 上,∥ x ∥ 1 = ∑ ∣ x k ∣ \|x\|_1=\sum|x_k| ∥ x ∥ 1 = ∑ ∣ x k ∣ 和 ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1 / 2 \|x\|_2=(\sum|x_k|^2)^{1/2} ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1/2 都是範數。令 u ( n ) u^{(n)} u ( n ) 的前 n n n 項均為 1 / n 1/n 1/ n ,其餘為零,則 ∥ u ( n ) ∥ 1 = n ⋅ ( 1 / n ) = 1 \|u^{(n)}\|_1=n\cdot(1/n)=1 ∥ u ( n ) ∥ 1 = n ⋅ ( 1/ n ) = 1 ,但 ∥ u ( n ) ∥ 2 = ( n ⋅ 1 / n 2 ) 1 / 2 = 1 / n → 0 \|u^{(n)}\|_2=(n\cdot1/n^2)^{1/2}=1/\sqrt n\to0 ∥ u ( n ) ∥ 2 = ( n ⋅ 1/ n 2 ) 1/2 = 1/ n → 0 。因此不存在對所有 x x x 成立的 ∥ x ∥ 1 ≤ C ∥ x ∥ 2 \|x\|_1\leq C\|x\|_2 ∥ x ∥ 1 ≤ C ∥ x ∥ 2 ,而且 u ( n ) u^{(n)} u ( n ) 在一個範數下趨於零、在另一個範數下不然。正確的敘述必須要求有限維;在無限維中,改變範數甚至可能改變收斂的含義。
閉性推論在後續論證中最常用,因為它不需要外層空間完備。
快速檢查
(為甚麼從有限維空間出發的線性映射的像是閉的,即使其陪域不完備?)
解答 · 答案 像本身有限維,依繼承範數完備。其中在陪域裏收斂的序列依繼承範數為 Cauchy,故也收斂到像中一點;由極限的唯一性,兩個極限相同,所以極限屬於像。
線性算子及其範數
賦範空間之間的線性映射 T : X → Y T:X\to Y T : X → Y 稱為有界 ,如果存在 C ≥ 0 C\geq0 C ≥ 0 ,對每個 x x x 都有 ∥ T x ∥ ≤ C ∥ x ∥ \|Tx\|\leq C\|x\| ∥ T x ∥ ≤ C ∥ x ∥ 。其算子範數 為
∥ T ∥ = sup ∥ x ∥ ≤ 1 ∥ T x ∥ . \|T\|=\sup_{\|x\|\leq1}\|Tx\|. ∥ T ∥ = ∥ x ∥ ≤ 1 sup ∥ T x ∥.
對賦範空間之間的線性映射 T : X → Y T:X\to Y T : X → Y ,以下三者等價:T T T 有界;T T T 在零點連續;T T T 處處連續。
有界性給出 ∥ T x − T y ∥ = ∥ T ( x − y ) ∥ ≤ C ∥ x − y ∥ \|Tx-Ty\|=\|T(x-y)\|\leq C\|x-y\| ∥ T x − T y ∥ = ∥ T ( x − y ) ∥ ≤ C ∥ x − y ∥ ,所以 T T T 處處(Lipschitz)連續,特別是在零點連續。反過來,由零點連續性,存在 δ > 0 \delta>0 δ > 0 ,使 ∥ x ∥ < δ \|x\|<\delta ∥ x ∥ < δ 時 ∥ T x ∥ < 1 \|Tx\|<1 ∥ T x ∥ < 1 。將非零 x x x 縮放為範數 δ / 2 \delta/2 δ /2 的向量 δ x / ( 2 ∥ x ∥ ) \delta x/(2\|x\|) δ x / ( 2∥ x ∥ ) ,便得到 ∥ T x ∥ ≤ 2 ∥ x ∥ / δ \|Tx\|\leq2\|x\|/\delta ∥ T x ∥ ≤ 2∥ x ∥/ δ 。
在配上上確界範數的 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上,T f ( x ) = ∫ 0 x f ( t ) d t Tf(x)=\int_0^x f(t)\,dt T f ( x ) = ∫ 0 x f ( t ) d t 滿足 ∣ T f ( x ) ∣ ≤ x ∥ f ∥ ∞ ≤ ∥ f ∥ ∞ |Tf(x)|\leq x\|f\|_\infty\leq\|f\|_\infty ∣ T f ( x ) ∣ ≤ x ∥ f ∥ ∞ ≤ ∥ f ∥ ∞ ,故 ∥ T f ∥ ∞ ≤ ∥ f ∥ ∞ \|Tf\|_\infty\leq\|f\|_\infty ∥ T f ∥ ∞ ≤ ∥ f ∥ ∞ 。取 f = 1 f=1 f = 1 時 T f ( x ) = x Tf(x)=x T f ( x ) = x 的上確界為一,等號成立,所以 ∥ T ∥ = 1 \|T\|=1 ∥ T ∥ = 1 。
配上上確界範數的 C 1 [ 0 , 1 ] C^1[0,1] C 1 [ 0 , 1 ] 上的求導算子是線性但無界的:f n ( x ) = sin ( n x ) f_n(x)=\sin(nx) f n ( x ) = sin ( n x ) 的範數至多為一,而 f n ′ ( x ) = n cos ( n x ) f_n'(x)=n\cos(nx) f n ′ ( x ) = n cos ( n x ) 給出 ∥ f n ′ ∥ ∞ = n \|f_n'\|_\infty=n ∥ f n ′ ∥ ∞ = n 。沒有常數 C C C 能對所有 n n n 滿足 n ≤ C n\leq C n ≤ C 。無限維時,線性本身不能保證連續。
算子範數使有界線性映射空間 B ( X , Y ) \mathcal B(X,Y) B ( X , Y ) 成為賦範空間,而它是否完備只取決於目標空間。
若 Y Y Y 是 Banach 空間,則對任意賦範空間 X X X ,B ( X , Y ) \mathcal B(X,Y) B ( X , Y ) 配上算子範數是 Banach 空間。
設 ( T n ) (T_n) ( T n ) 按算子範數為 Cauchy。對每個 x x x ,∥ T n x − T m x ∥ ≤ ∥ T n − T m ∥ ∥ x ∥ \|T_nx-T_mx\|\leq\|T_n-T_m\|\|x\| ∥ T n x − T m x ∥ ≤ ∥ T n − T m ∥∥ x ∥ ,故 ( T n x ) (T_nx) ( T n x ) 在 Y Y Y 中為 Cauchy,可定義 T x = lim n T n x Tx=\lim\limits_nT_nx T x = n lim T n x 。在 T n ( a x + b y ) = a T n x + b T n y T_n(ax+by)=aT_nx+bT_ny T n ( a x + b y ) = a T n x + b T n y 中取極限可知 T T T 線性。給定 ε > 0 \varepsilon>0 ε > 0 ,選 N N N 使 m , n ≥ N m,n\geq N m , n ≥ N 時 ∥ T n − T m ∥ ≤ ε \|T_n-T_m\|\leq\varepsilon ∥ T n − T m ∥ ≤ ε 。在 ∥ T n x − T m x ∥ ≤ ε ∥ x ∥ \|T_nx-T_mx\|\leq\varepsilon\|x\| ∥ T n x − T m x ∥ ≤ ε ∥ x ∥ 中令 m → ∞ m\to\infty m → ∞ ,對所有 x x x 得到 ∥ T n x − T x ∥ ≤ ε ∥ x ∥ \|T_nx-Tx\|\leq\varepsilon\|x\| ∥ T n x − T x ∥ ≤ ε ∥ x ∥ 。於是 T − T n T-T_n T − T n 有界且範數至多為 ε \varepsilon ε ;因此 T = T n + ( T − T n ) T=T_n+(T-T_n) T = T n + ( T − T n ) 有界,且 T n T_n T n 按算子範數收斂到 T T T 。
證明中的 ∥ T n − T ∥ → 0 \|T_n-T\|\to0 ∥ T n − T ∥ → 0 來自算子範數 Cauchy 這個假設,而不是來自對每個 x x x 都有 T n x → T x T_nx\to Tx T n x → T x 。單有逐點收斂較弱。在 ℓ 2 \ell^2 ℓ 2 上,令 P n P_n P n 保留前 n n n 個座標、其餘設為零。對每個 x x x ,∥ x − P n x ∥ 2 2 = ∑ k > n ∣ x k ∣ 2 → 0 \|x-P_nx\|_2^2=\sum\limits_{k>n}|x_k|^2\to0 ∥ x − P n x ∥ 2 2 = k > n ∑ ∣ x k ∣ 2 → 0 ;但 ∥ ( I − P n ) e n + 1 ∥ 2 = 1 \|(I-P_n)e_{n+1}\|_2=1 ∥ ( I − P n ) e n + 1 ∥ 2 = 1 ,所以對每個 n n n 都有 ∥ I − P n ∥ = 1 \|I-P_n\|=1 ∥ I − P n ∥ = 1 。
內積與投影
內積空間帶有內積 ⟨ x , y ⟩ \langle x,y\rangle ⟨ x , y ⟩ ;這裏約定它對第一變量線性、對第二變量共軛線性,並滿足正定性和共軛對稱性。它誘導範數 ∥ x ∥ = ⟨ x , x ⟩ \|x\|=\sqrt{\langle x,x\rangle} ∥ x ∥ = ⟨ x , x ⟩ 。依此範數完備的內積空間稱為 Hilbert 空間 。
Cauchy–Schwarz 不等式 ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ∥ y ∥ |\langle x,y\rangle|\leq\|x\|\|y\| ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥∥ y ∥ 保證內積聯合連續。平行四邊形恆等式
∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2 ∥ x ∥ 2 + 2 ∥ y ∥ 2 \|x+y\|^2+\|x-y\|^2=2\|x\|^2+2\|y\|^2 ∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2∥ x ∥ 2 + 2∥ y ∥ 2
是範數來自內積的必要條件。例如 R 2 \mathbb R^2 R 2 的 ℓ 1 \ell^1 ℓ 1 範數在 ( 1 , 0 ) (1,0) ( 1 , 0 ) 和 ( 0 , 1 ) (0,1) ( 0 , 1 ) 處不滿足此恆等式:左邊是 2 2 + 2 2 = 8 2^2+2^2=8 2 2 + 2 2 = 8 ,右邊是 4 4 4 ,所以它不是任何內積所誘導的範數。
內積估計從何而來
這個不等式不僅方便計算:它有助於證明 ℓ 2 \ell^2 ℓ 2 內積級數收斂,也保證向量的小變化只引起內積的小變化。證明只用正定性,不需要完備性。
定理 1.1.10
(Cauchy–Schwarz 不等式)
在實或複內積空間中,∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ∥ y ∥ |\langle x,y\rangle|\leq\|x\|\|y\| ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥∥ y ∥ 。當 y ≠ 0 y\ne0 y = 0 時,等號恰好在 x = a y x=ay x = a y (某個純量 a a a ,包括 x = 0 x=0 x = 0 )時成立;y = 0 y=0 y = 0 時對每個 x x x 都有等號。
若 y = 0 y=0 y = 0 ,兩邊都是零。否則令 a = ⟨ x , y ⟩ / ∥ y ∥ 2 a=\langle x,y\rangle/\|y\|^2 a = ⟨ x , y ⟩ /∥ y ∥ 2 ,按第一變量線性、第二變量共軛線性展開:
0 ≤ ∥ x − a y ∥ 2 = ∥ x ∥ 2 − ∣ ⟨ x , y ⟩ ∣ 2 ∥ y ∥ 2 . 0\leq\|x-ay\|^2=\|x\|^2-\frac{|\langle x,y\rangle|^2}{\|y\|^2}. 0 ≤ ∥ x − a y ∥ 2 = ∥ x ∥ 2 − ∥ y ∥ 2 ∣ ⟨ x , y ⟩ ∣ 2 . 整理即得結論,而等號恰好在 ∥ x − a y ∥ = 0 \|x-ay\|=0 ∥ x − a y ∥ = 0 ,即 x = a y x=ay x = a y 時成立。展開 ∥ x + y ∥ 2 \|x+y\|^2 ∥ x + y ∥ 2 並用此不等式控制交叉項的實部,即得三角不等式,因此內積確實誘導一個範數。
若 x n → x x_n\to x x n → x 且 y n → y y_n\to y y n → y ,則 ( y n ) (y_n) ( y n ) 有界,並且
∣ ⟨ x n , y n ⟩ − ⟨ x , y ⟩ ∣ ≤ ∥ x n − x ∥ ∥ y n ∥ + ∥ x ∥ ∥ y n − y ∥ ⟶ 0. |\langle x_n,y_n\rangle-\langle x,y\rangle|
\leq\|x_n-x\|\,\|y_n\|+\|x\|\,\|y_n-y\|\longrightarrow0. ∣ ⟨ x n , y n ⟩ − ⟨ x , y ⟩ ∣ ≤ ∥ x n − x ∥ ∥ y n ∥ + ∥ x ∥ ∥ y n − y ∥ ⟶ 0.
這證明了聯合連續性。有界因子不可忽略:兩個向量都在變化時,仍須用估計控制它們的乘積。
由序列構造 Hilbert 空間
令 ℓ 2 \ell^2 ℓ 2 為滿足 ∑ k = 1 ∞ ∣ x k ∣ 2 < ∞ \sum\limits_{k=1}^{\infty}|x_k|^2<\infty k = 1 ∑ ∞ ∣ x k ∣ 2 < ∞ 的實或複序列 x = ( x k ) x=(x_k) x = ( x k ) 所成的空間。對 x , y ∈ ℓ 2 x,y\in\ell^2 x , y ∈ ℓ 2 ,有限維 Cauchy–Schwarz 不等式說明 ∑ ∣ x k y k ∣ \sum |x_ky_k| ∑ ∣ x k y k ∣ 的每個有限部分和都不超過 ∥ x ∥ 2 ∥ y ∥ 2 \|x\|_2\|y\|_2 ∥ x ∥ 2 ∥ y ∥ 2 。這些非負部分和遞增且有上界,所以 ∑ x k y k ‾ \sum x_k\overline{y_k} ∑ x k y k 絕對收斂。它定義了一個對第一變量線性的內積,其誘導範數為 ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1 / 2 \|x\|_2=(\sum|x_k|^2)^{1/2} ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1/2 。有限截斷上的三角不等式取極限也表明 x + y ∈ ℓ 2 x+y\in\ell^2 x + y ∈ ℓ 2 。
定理 1.1.11
(序列空間 ℓ 2 \ell^2 ℓ 2 是完備的)
配上內積 ⟨ x , y ⟩ = ∑ k x k y k ‾ \langle x,y\rangle=\sum\limits_k x_k\overline{y_k} ⟨ x , y ⟩ = k ∑ x k y k ,空間 ℓ 2 \ell^2 ℓ 2 是 Hilbert 空間。
設 x ( n ) x^{(n)} x ( n ) 在此範數下為 Cauchy。因為 ∣ x k ( n ) − x k ( m ) ∣ ≤ ∥ x ( n ) − x ( m ) ∥ 2 |x^{(n)}_k-x^{(m)}_k|\leq\|x^{(n)}-x^{(m)}\|_2 ∣ x k ( n ) − x k ( m ) ∣ ≤ ∥ x ( n ) − x ( m ) ∥ 2 ,每個座標都是 Cauchy 序列;記其純量極限為 x k x_k x k 。給定 ε > 0 \varepsilon>0 ε > 0 ,取 N N N 使 m , n ≥ N m,n\geq N m , n ≥ N 時 ∥ x ( n ) − x ( m ) ∥ 2 ≤ ε \|x^{(n)}-x^{(m)}\|_2\leq\varepsilon ∥ x ( n ) − x ( m ) ∥ 2 ≤ ε 。對每個有限的 K K K ,先在有限和中令 m → ∞ m\to\infty m → ∞ :
∑ k = 1 K ∣ x k ( n ) − x k ∣ 2 ≤ ε 2 ( n ≥ N ) . \sum_{k=1}^K|x^{(n)}_k-x_k|^2\leq\varepsilon^2\qquad(n\geq N). k = 1 ∑ K ∣ x k ( n ) − x k ∣ 2 ≤ ε 2 ( n ≥ N ) . 再令 K → ∞ K\to\infty K → ∞ ,可知 x ( n ) − x ∈ ℓ 2 x^{(n)}-x\in\ell^2 x ( n ) − x ∈ ℓ 2 且其範數至多為 ε \varepsilon ε 。由於 x ( N ) ∈ ℓ 2 x^{(N)}\in\ell^2 x ( N ) ∈ ℓ 2 ,可得 x = x ( N ) − ( x ( N ) − x ) ∈ ℓ 2 x=x^{(N)}-(x^{(N)}-x)\in\ell^2 x = x ( N ) − ( x ( N ) − x ) ∈ ℓ 2 ;同一估計說明 x ( n ) x^{(n)} x ( n ) 按範數收斂到 x x x 。
常見錯誤
(逐座標收斂不等於在 ℓ 2 \ell^2 ℓ 2 中收斂)
求出座標極限 x k x_k x k 只是證明的第一步。標準向量 e n e_n e n 的每個座標都趨於零,但對每個 n n n 都有 ∥ e n ∥ 2 = 1 \|e_n\|_2=1 ∥ e n ∥ 2 = 1 ,所以 e n e_n e n 在 ℓ 2 \ell^2 ℓ 2 中並不收斂到 0 0 0 。完成證明的是一致的 Cauchy 界,它同時控制所有座標;而且它先用於有限和,再令 m → ∞ m\to\infty m → ∞ ,所以不需要交換兩個極限。
快速檢查
(令 s ( N ) = ( 1 , 1 / 2 , … , 1 / N , 0 , … ) s^{(N)}=(1,1/2,\ldots,1/N,0,\ldots) s ( N ) = ( 1 , 1/2 , … , 1/ N , 0 , … ) 。( s ( N ) ) (s^{(N)}) ( s ( N ) ) 在 ℓ 2 \ell^2 ℓ 2 中收斂嗎?極限是甚麼?在有限支撐子空間 c 00 c_{00} c 00 中又如何?)
把 s ( N ) s^{(N)} s ( N ) 與完整序列 ( 1 / k ) (1/k) ( 1/ k ) 比較。
解答 · 答案 收斂。因為 ∑ 1 / k 2 \sum 1/k^2 ∑ 1/ k 2 收斂,x = ( 1 / k ) x=(1/k) x = ( 1/ k ) 屬於 ℓ 2 \ell^2 ℓ 2 ,而 ∥ x − s ( N ) ∥ 2 2 = ∑ k > N 1 / k 2 → 0 \|x-s^{(N)}\|_2^2=\sum\limits_{k>N}1/k^2\to0 ∥ x − s ( N ) ∥ 2 2 = k > N ∑ 1/ k 2 → 0 。同一序列在 c 00 c_{00} c 00 中是 Cauchy 序列,卻在其中沒有極限,因為唯一可能的極限 x x x 有無窮多個非零項。這說明 c 00 c_{00} c 00 不完備。
完備性正是閉子空間中最近點存在的原因。
設 M M M 是 Hilbert 空間 H H H 的非空閉線性子空間。每個 x ∈ H x\in H x ∈ H 都有唯一的 p ∈ M p\in M p ∈ M 使 ∥ x − p ∥ \|x-p\| ∥ x − p ∥ 最小;其特徵條件為 x − p ⊥ M x-p\perp M x − p ⊥ M 。
令 d = inf m ∈ M ∥ x − m ∥ d=\inf\limits_{m\in M}\|x-m\| d = m ∈ M inf ∥ x − m ∥ ,取 m n ∈ M m_n\in M m n ∈ M 使 ∥ x − m n ∥ → d \|x-m_n\|\to d ∥ x − m n ∥ → d 。對 x − m n x-m_n x − m n 與 x − m k x-m_k x − m k 使用平行四邊形恆等式,得
∥ m n − m k ∥ 2 = 2 ∥ x − m n ∥ 2 + 2 ∥ x − m k ∥ 2 − 4 ∥ x − m n + m k 2 ∥ 2 . \|m_n-m_k\|^2=2\|x-m_n\|^2+2\|x-m_k\|^2-4\left\|x-\frac{m_n+m_k}{2}\right\|^2. ∥ m n − m k ∥ 2 = 2∥ x − m n ∥ 2 + 2∥ x − m k ∥ 2 − 4 x − 2 m n + m k 2 . 由於 ( m n + m k ) / 2 ∈ M (m_n+m_k)/2\in M ( m n + m k ) /2 ∈ M ,最後一項中的範數至少為 d d d ,所以右邊至多為 2 ∥ x − m n ∥ 2 + 2 ∥ x − m k ∥ 2 − 4 d 2 → 0 2\|x-m_n\|^2+2\|x-m_k\|^2-4d^2\to0 2∥ x − m n ∥ 2 + 2∥ x − m k ∥ 2 − 4 d 2 → 0 ,( m n ) (m_n) ( m n ) 是 Cauchy 序列。由完備性和閉性,它收斂到某個 p ∈ M p\in M p ∈ M ;連續性給出 ∥ x − p ∥ = d \|x-p\|=d ∥ x − p ∥ = d 。對任意 v ∈ M v\in M v ∈ M ,實函數 t ↦ ∥ x − p − t v ∥ 2 = ∥ x − p ∥ 2 − 2 t Re ⟨ x − p , v ⟩ + t 2 ∥ v ∥ 2 t\mapsto\|x-p-tv\|^2=\|x-p\|^2-2t\operatorname{Re}\langle x-p,v\rangle+t^2\|v\|^2 t ↦ ∥ x − p − t v ∥ 2 = ∥ x − p ∥ 2 − 2 t Re ⟨ x − p , v ⟩ + t 2 ∥ v ∥ 2 在 t = 0 t=0 t = 0 處取最小值,故 Re ⟨ x − p , v ⟩ = 0 \operatorname{Re}\langle x-p,v\rangle=0 Re ⟨ x − p , v ⟩ = 0 ;複數情形再以 i v iv i v 代替 v v v ,得到 Im ⟨ x − p , v ⟩ = 0 \operatorname{Im}\langle x-p,v\rangle=0 Im ⟨ x − p , v ⟩ = 0 ,從而正交。反之,若 x − p ⊥ M x-p\perp M x − p ⊥ M ,則對 m ∈ M m\in M m ∈ M ,Pythagoras 恆等式給出 ∥ x − m ∥ 2 = ∥ x − p ∥ 2 + ∥ p − m ∥ 2 \|x-m\|^2=\|x-p\|^2+\|p-m\|^2 ∥ x − m ∥ 2 = ∥ x − p ∥ 2 + ∥ p − m ∥ 2 ,所以 p p p 是唯一的極小點。這也證明了唯一性。
證明透視
平行四邊形恆等式帶來甚麼 極小化序列在任何度量情形下都存在;困難在於它未必收斂。關鍵一步是平行四邊形恆等式:它把「m n m_n m n 與 m k m_k m k 都接近最優」轉化為「兩者彼此接近」。這裏用到中點 ( m n + m k ) / 2 (m_n+m_k)/2 ( m n + m k ) /2 仍屬於 M M M ,所以這一步只需要 M M M 凸。接著 H H H 的完備性提供極限,M M M 的閉性使極限留在 M M M 中;每個假設恰好用一次。特徵條件是沿每個方向 v v v 的另一個一階論證;實數 t t t 只控制 ⟨ x − p , v ⟩ \langle x-p,v\rangle ⟨ x − p , v ⟩ 的實部,所以複數情形還要測試 i v iv i v 。唯一性則由 Pythagoras 恆等式直接得到。沒有內積時,存在性可能仍成立,唯一性卻可以失效:在配上 ∥ ( s , t ) ∥ ∞ = max ( ∣ s ∣ , ∣ t ∣ ) \|(s,t)\|_\infty=\max(|s|,|t|) ∥ ( s , t ) ∥ ∞ = max ( ∣ s ∣ , ∣ t ∣ ) 的 R 2 \mathbb R^2 R 2 中,每個滿足 ∣ t ∣ ≤ 1 |t|\leq1 ∣ t ∣ ≤ 1 的點 ( t , 0 ) (t,0) ( t , 0 ) 到 ( 0 , 1 ) (0,1) ( 0 , 1 ) 的距離都是一,這正是到水平軸的最小距離。
閉性假設不能去掉,下面用一個具體的點說明問題所在。
反例模式
稠密子空間沒有最近點 斷言:Hilbert 空間的每個線性子空間都含有到任一 x x x 的最近點。取 H = ℓ 2 H=\ell^2 H = ℓ 2 、M = c 00 M=c_{00} M = c 00 、x = ( 1 / k ) x=(1/k) x = ( 1/ k ) 。截斷 s ( N ) ∈ M s^{(N)}\in M s ( N ) ∈ M 滿足 ∥ x − s ( N ) ∥ 2 2 = ∑ k > N 1 / k 2 → 0 \|x-s^{(N)}\|_2^2=\sum\limits_{k>N}1/k^2\to0 ∥ x − s ( N ) ∥ 2 2 = k > N ∑ 1/ k 2 → 0 ,所以 inf m ∈ M ∥ x − m ∥ = 0 \inf\limits_{m\in M}\|x-m\|=0 m ∈ M inf ∥ x − m ∥ = 0 。每個 m ∈ M m\in M m ∈ M 只有有限多個非零項,而 x x x 有無窮多個,所以 x − m ≠ 0 x-m\ne0 x − m = 0 ,∥ x − m ∥ 2 > 0 \|x-m\|_2>0 ∥ x − m ∥ 2 > 0 。下確界不能達到。投影定理要求 M M M 是閉的;這裏 M M M 是稠密真子空間。
對閉子空間,記 P M x = p P_Mx=p P M x = p ,則 x = P M x + ( x − P M x ) x=P_Mx+(x-P_Mx) x = P M x + ( x − P M x ) ,第二項屬於 M ⊥ M^\perp M ⊥ 。此分解證明 P M P_M P M 線性且 ∥ P M x ∥ ≤ ∥ x ∥ \|P_Mx\|\leq\|x\| ∥ P M x ∥ ≤ ∥ x ∥ ;當 M ≠ { 0 } M\ne\{0\} M = { 0 } 時其範數為一。
Hilbert 空間 H H H 上每個有界線性泛函 f : H → F f:H\to\mathbb F f : H → F 都可唯一寫成 f ( x ) = ⟨ x , y ⟩ f(x)=\langle x,y\rangle f ( x ) = ⟨ x , y ⟩ (對所有 x x x ),其中 y ∈ H y\in H y ∈ H ,並且 ∥ f ∥ = ∥ y ∥ \|f\|=\|y\| ∥ f ∥ = ∥ y ∥ 。
若 f = 0 f=0 f = 0 ,取 y = 0 y=0 y = 0 。否則 M = ker f M=\ker f M = ker f 是閉的,因為 f f f 連續。可選 z ∈ M ⊥ z\in M^\perp z ∈ M ⊥ 使 f ( z ) = 1 f(z)=1 f ( z ) = 1 :先取 f f f 值非零的向量 w w w ,注意 w − P M w ∈ M ⊥ w-P_Mw\in M^\perp w − P M w ∈ M ⊥ 且 f ( w − P M w ) = f ( w ) ≠ 0 f(w-P_Mw)=f(w)\ne0 f ( w − P M w ) = f ( w ) = 0 ,再縮放。對任意 x x x ,x − f ( x ) z ∈ M x-f(x)z\in M x − f ( x ) z ∈ M ,故 ⟨ x − f ( x ) z , z ⟩ = 0 \langle x-f(x)z,z\rangle=0 ⟨ x − f ( x ) z , z ⟩ = 0 ,即 ⟨ x , z ⟩ = f ( x ) ∥ z ∥ 2 \langle x,z\rangle=f(x)\|z\|^2 ⟨ x , z ⟩ = f ( x ) ∥ z ∥ 2 。取 y = z / ∥ z ∥ 2 y=z/\|z\|^2 y = z /∥ z ∥ 2 即得表示。Cauchy–Schwarz 給出 ∥ f ∥ ≤ ∥ y ∥ \|f\|\leq\|y\| ∥ f ∥ ≤ ∥ y ∥ ;若 y ≠ 0 y\ne0 y = 0 ,在 y / ∥ y ∥ y/\|y\| y /∥ y ∥ 處取值即得等號。若兩個向量都表示 f f f ,則它們的差與每個向量(包括它自己)的內積均為零,因而差為零。
概念視角 幾何
把泛函看成一族平行超平面 當 f ≠ 0 f\ne0 f = 0 時,表示向量把 f f f 轉化為幾何對象。水平集 { x : f ( x ) = c } = { x : ⟨ x , y ⟩ = c } \{x:f(x)=c\}=\{x:\langle x,y\rangle=c\} { x : f ( x ) = c } = { x : ⟨ x , y ⟩ = c } 是一族以 y y y 為公共法向量的平行閉超平面,而 ker f = y ⊥ \ker f=y^\perp ker f = y ⊥ 。若 f ( x ) = 1 f(x)=1 f ( x ) = 1 ,則 x − y / ∥ y ∥ 2 ⊥ y x-y/\|y\|^2\perp y x − y /∥ y ∥ 2 ⊥ y ,由 Pythagoras 恆等式得 ∥ x ∥ ≥ 1 / ∥ y ∥ \|x\|\geq1/\|y\| ∥ x ∥ ≥ 1/∥ y ∥ ,且在 x = y / ∥ y ∥ 2 x=y/\|y\|^2 x = y /∥ y ∥ 2 處取等號。因此
∥ f ∥ = 1 dist ( 0 , { x : f ( x ) = 1 } ) : \|f\|=\frac{1}{\operatorname{dist}(0,\{x:f(x)=1\})}: ∥ f ∥ = dist ( 0 , { x : f ( x ) = 1 }) 1 : 範數大的泛函,就是水平集排列得緊密的泛函。
例題 1.1.14
(ℓ 2 \ell^2 ℓ 2 上的一個泛函及其表示向量)
在 ℓ 2 \ell^2 ℓ 2 上令 f ( x ) = ∑ n ≥ 1 x n / n f(x)=\sum\limits_{n\geq1}x_n/n f ( x ) = n ≥ 1 ∑ x n / n 。取 y = ( 1 / n ) ∈ ℓ 2 y=(1/n)\in\ell^2 y = ( 1/ n ) ∈ ℓ 2 ,Cauchy–Schwarz 給出 ∑ ∣ x n ∣ / n ≤ ∥ x ∥ 2 ∥ y ∥ 2 \sum|x_n|/n\leq\|x\|_2\|y\|_2 ∑ ∣ x n ∣/ n ≤ ∥ x ∥ 2 ∥ y ∥ 2 ,所以級數絕對收斂,且 ∣ f ( x ) ∣ ≤ ∥ y ∥ 2 ∥ x ∥ 2 |f(x)|\leq\|y\|_2\|x\|_2 ∣ f ( x ) ∣ ≤ ∥ y ∥ 2 ∥ x ∥ 2 。由於 y y y 是實的,f ( x ) = ∑ x n y n ‾ = ⟨ x , y ⟩ f(x)=\sum x_n\overline{y_n}=\langle x,y\rangle f ( x ) = ∑ x n y n = ⟨ x , y ⟩ ,故 y y y 是表示向量。定理給出 ∥ f ∥ = ∥ y ∥ 2 = ( ∑ 1 / n 2 ) 1 / 2 = π / 6 \|f\|=\|y\|_2=(\sum 1/n^2)^{1/2}=\pi/\sqrt6 ∥ f ∥ = ∥ y ∥ 2 = ( ∑ 1/ n 2 ) 1/2 = π / 6 ,並在 x = y / ∥ y ∥ 2 x=y/\|y\|_2 x = y /∥ y ∥ 2 處達到,此時 f ( x ) = ∥ y ∥ 2 f(x)=\|y\|_2 f ( x ) = ∥ y ∥ 2 。
在這裏的約定下,表示向量放在第二個位置,並以共軛形式出現。對 H = C H=\mathbb C H = C 、⟨ x , y ⟩ = x y ‾ \langle x,y\rangle=x\overline y ⟨ x , y ⟩ = x y 上的 f ( x ) = i x f(x)=ix f ( x ) = i x ,表示向量是 y = − i y=-i y = − i ,因為 x ( − i ) ‾ = i x x\overline{(-i)}=ix x ( − i ) = i x ;若猜 y = i y=i y = i ,得到的是 x i ‾ = − i x = − f ( x ) x\overline{i}=-ix=-f(x) x i = − i x = − f ( x ) 。同理,在複 ℓ 2 \ell^2 ℓ 2 上,泛函 f ( x ) = ∑ a n x n f(x)=\sum a_nx_n f ( x ) = ∑ a n x n (其中 ( a n ) ∈ ℓ 2 (a_n)\in\ell^2 ( a n ) ∈ ℓ 2 )的表示向量是 ( a n ‾ ) (\overline{a_n}) ( a n ) ,而不是 ( a n ) (a_n) ( a n ) 。範數 ∥ f ∥ = ∥ y ∥ \|f\|=\|y\| ∥ f ∥ = ∥ y ∥ 不受影響。
練習與解答
練習 1.1.15
(設 M M M 是 Banach 空間 X X X 的閉子空間。證明 M M M 配上繼承的範數也是 Banach 空間。)
基礎 證明
解答 (4) 1 從 M M M 中的 Cauchy 序列開始
設 ( x n ) (x_n) ( x n ) 在 M M M 中為 Cauchy。M M M 的範數就是 X X X 的範數,所以 ( x n ) (x_n) ( x n ) 在 X X X 中也是 Cauchy。
2 使用 X X X 的完備性
存在 x ∈ X x\in X x ∈ X 使 ∥ x n − x ∥ → 0 \|x_n-x\|\to0 ∥ x n − x ∥ → 0 。
依據: X X X 是 Banach 空間。
3 使用 M M M 的閉性
關鍵一步
由於每個 x n x_n x n 都屬於 M M M ,極限 x x x 也屬於 M M M 。
依據: 閉集包含其中收斂序列的極限。
4 得出結論
序列依繼承範數收斂到 x ∈ M x\in M x ∈ M 。M M M 中每個 Cauchy 序列都在 M M M 中收斂,所以 M M M 是 Banach 空間。
∎ 看下一步 (2/4) 全部展開
練習 1.1.16
(在配上上確界範數的 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上,令 L ( f ) = f ( 0 ) − 2 f ( 1 ) L(f)=f(0)-2f(1) L ( f ) = f ( 0 ) − 2 f ( 1 ) 。求 ∥ L ∥ \|L\| ∥ L ∥ 。)
核心
解答 (3) 1 用三角不等式估計 L L L
∣ L ( f ) ∣ ≤ ∣ f ( 0 ) ∣ + 2 ∣ f ( 1 ) ∣ ≤ 3 ∥ f ∥ ∞ |L(f)|\leq|f(0)|+2|f(1)|\leq3\|f\|_\infty ∣ L ( f ) ∣ ≤ ∣ f ( 0 ) ∣ + 2∣ f ( 1 ) ∣ ≤ 3∥ f ∥ ∞ ,故 ∥ L ∥ ≤ 3 \|L\|\leq3 ∥ L ∥ ≤ 3 。
2 找出達到上界的函數
關鍵一步
對 f ( t ) = 1 − 2 t f(t)=1-2t f ( t ) = 1 − 2 t ,∥ f ∥ ∞ = 1 \|f\|_\infty=1 ∥ f ∥ ∞ = 1 且 L ( f ) = 1 − 2 ( − 1 ) = 3 L(f)=1-2(-1)=3 L ( f ) = 1 − 2 ( − 1 ) = 3 。
依據: 當 ∥ f ∥ ∞ = 1 \|f\|_\infty=1 ∥ f ∥ ∞ = 1 且 f ( 0 ) = 1 f(0)=1 f ( 0 ) = 1 、f ( 1 ) = − 1 f(1)=-1 f ( 1 ) = − 1 時估計取等號。
看下一步 (2/3) 全部展開
練習 1.1.17
(在 ℓ 2 \ell^2 ℓ 2 中,求 x = ( 1 , 1 / 2 , 1 / 3 , … ) x=(1,1/2,1/3,\ldots) x = ( 1 , 1/2 , 1/3 , … ) 在 e 1 + e 2 e_1+e_2 e 1 + e 2 生成的子空間中的最近點,以及 x x x 到該子空間的距離。)
核心
解答 (3) 1 投影到直線上
令 v = e 1 + e 2 v=e_1+e_2 v = e 1 + e 2 。則 ⟨ x , v ⟩ = 1 + 1 / 2 = 3 / 2 \langle x,v\rangle=1+1/2=3/2 ⟨ x , v ⟩ = 1 + 1/2 = 3/2 ,∥ v ∥ 2 = 2 \|v\|^2=2 ∥ v ∥ 2 = 2 ,故 p = 3 4 v = ( 3 / 4 , 3 / 4 , 0 , … ) p=\tfrac34v=(3/4,3/4,0,\ldots) p = 4 3 v = ( 3/4 , 3/4 , 0 , … ) 。
依據: 對由 v v v 生成的一維子空間,投影為 ⟨ x , v ⟩ v / ∥ v ∥ 2 \langle x,v\rangle v/\|v\|^2 ⟨ x , v ⟩ v /∥ v ∥ 2 。
2 驗證正交條件
關鍵一步
x − p = ( 1 / 4 , − 1 / 4 , 1 / 3 , 1 / 4 , 1 / 5 , … ) x-p=(1/4,-1/4,1/3,1/4,1/5,\ldots) x − p = ( 1/4 , − 1/4 , 1/3 , 1/4 , 1/5 , … ) ,且 ⟨ x − p , v ⟩ = 1 / 4 − 1 / 4 = 0 \langle x-p,v\rangle=1/4-1/4=0 ⟨ x − p , v ⟩ = 1/4 − 1/4 = 0 。
依據: 投影定理以 x − p ⊥ M x-p\perp M x − p ⊥ M 刻畫最近點。
3 計算距離
由 Pythagoras 恆等式,∥ x − p ∥ 2 2 = ∥ x ∥ 2 2 − ∥ p ∥ 2 2 = π 2 / 6 − 9 / 8 \|x-p\|_2^2=\|x\|_2^2-\|p\|_2^2=\pi^2/6-9/8 ∥ x − p ∥ 2 2 = ∥ x ∥ 2 2 − ∥ p ∥ 2 2 = π 2 /6 − 9/8 。最近點是 ( 3 / 4 , 3 / 4 , 0 , … ) (3/4,3/4,0,\ldots) ( 3/4 , 3/4 , 0 , … ) ,距離為 ( π 2 / 6 − 9 / 8 ) 1 / 2 (\pi^2/6-9/8)^{1/2} ( π 2 /6 − 9/8 ) 1/2 。
看下一步 (2/3) 全部展開