赋范空间
赋范空间(Normed Space)
- 定义
- 依赖深度 layer 9
- 分析学
- 多元微分
def.normed-space · 定义 · 泛函 · 范数
陈述
设 是 -向量空间( 或 )。映射 叫 上的范数,当且仅当对一切 、:
配了范数的 叫赋范空间。它按 成为度量空间,于是「收敛」「连续」「完备」「紧」这些说法全都继承过来。
说明
⭐ 范数是「长度」的公理化。三条公理里只有三角不等式不是逐点的 —— 它管的是「能不能绕路」,也正是它把范数与凸性绑在一起(单位球是凸的)。
⭐ 与内积的关系是单向的:内积 范数(def.induced-norm),但范数来自内积当且仅当满足平行四边形法则 。所以「有长度」比「有夹角」弱。
⚠ 有限维时所有范数等价(诱导同一个拓扑、同一套收敛列);无限维则不然 —— 这正是泛函分析开始变难的地方。
⭐ 本图在凝聚态那一片另有 def.semi-normed-ab-group(半范数阿贝尔群):那里的系数不是向量空间而是拓扑阿贝尔群,所以只能要半范数。
谁指向它(入边)
定义引用 1
-
范数定义在 -向量空间上 —— 要先有线性结构,才谈得上「齐次性」。
参考
- Rudin, Functional Analysis, Ch. 1
- Lang, Real and Functional Analysis, Ch. I
同一星团的其他概念 25 个
- 梯度layer 11
- 浸入 / 淹没 / 嵌入layer 12
- 压缩映射layer 14
- Banach 空间layer 15
- 压缩映射原理layer 15
- 偏导数layer 16
- 方向导数layer 17
- Hessian 矩阵layer 17
- 可微与全微分layer 18
- Jacobi 矩阵layer 19
- 多元链式法则layer 20
- 多元中值定理layer 22
- 混合偏导相等layer 22
- 逆映射定理layer 23
- 多元 Taylor 公式layer 23
- 隐函数定理layer 24
- 逆映射定理(Banach 版)layer 24
- Morse 引理layer 24
- Sard 定理layer 24
- 极值判别(Hessian 判据)layer 24
- 常秩定理layer 25
- 隐函数定理(Banach 版)layer 25
- 正则值原像定理layer 25
- Lagrange 乘子法layer 26