【转载请注明出处】http://www.cnblogs.com/mashiqi

2017/02/16

Minkowski不等式:

设$f$是$\mathbb{R}^n \times \mathbb{R}^n$上的Lebesgue可测函数,则对任意$1 \leq p < +\infty$,有$$\left( \int_{\mathbb{R}^n} \left| \int_{\mathbb{R}^n} f(x,y)\mathrm{d}y \right|^p \mathrm{d}x \right)^{1/p} \leq \int_{\mathbb{R}^n}  \left( \int_{\mathbb{R}^n} \left| f(x,y) \right|^p \mathrm{d}x \right)^{1/p} \mathrm{d}y.$$

如何理解这个不等式呢?我们将$f(x,y)$中的$y$看作给定,于是$f(x,y)$就是关于$x$的函数。对于固定的数$y_1, \cdots, y_m$,我们可以得到$m$个关于$x$的函数$f(\cdot,y_1), \cdots, f(\cdot,y_m)$。由于$p-$范数$\|\cdot\|_{L^p(\mathbb{R}^n)}$满足三角不等式,因此我们有$$\|f(\cdot,y_1) + \cdots + f(\cdot,y_m)\|_{L^p(\mathbb{R}^n)} \leq \|f(\cdot,y_1)\|_{L^p(\mathbb{R}^n)} + \cdots + \|f(\cdot,y_m)\|_{L^p(\mathbb{R}^n)}.$$将这个式子写成积分形式,就是$$\left( \int_{\mathbb{R}^n} \left| \sum_{i=1}^m f(x,y_i) \right|^p \mathrm{d}x \right)^{1/p} \leq \sum_{i=1}^m  \left( \int_{\mathbb{R}^n} \left| f(x,y_i) \right|^p \mathrm{d}x \right)^{1/p}.$$

现在,我们将“对变量$y_i$从1到$m$的求和”推广为“对变量$y$在整个空间$\mathbb{R}^n$上的求和(也就是对$\mathbb{R}^n$上的积分)”,于是我们就可以得到$$\left( \int_{\mathbb{R}^n} \left| \int_{\mathbb{R}^n} f(x,y)\mathrm{d}y \right|^p \mathrm{d}x \right)^{1/p} \leq \int_{\mathbb{R}^n}  \left( \int_{\mathbb{R}^n} \left| f(x,y) \right|^p \mathrm{d}x \right)^{1/p} \mathrm{d}y.$$

(注:以上并不是对Minkowski不等式的严谨的证明,而只是帮助理解的解释而已。不过严谨的证明就是从上面这个思路来的。)

如何理解Minkowski不等式的更多相关文章

  1. 从Jensen不等式到Minkowski不等式

    整理即证 参考资料: [1].琴生不等式及其加权形式的证明.Balbooa.https://blog.csdn.net/balbooa/article/details/79357839.2018.2 ...

  2. 【学习笔记】Minkowski和

    这还是个被我咕了N久的玩意 Minkowski和是一个奇怪的玩意 他长这样 $S={a+b \| a \in A , b \in B}$ AB可以是点集也可是向量集(显然) 他可以处理一些奇怪的东西 ...

  3. POJ2217 Secretary 后缀数组&&高度数组

    学后缀数组后的一道裸题.先来讲讲收获,作为字符串初学者,后缀数组也是刚刚在学,所幸的是有一篇好的论文<后缀数组--处理字符串的有力工具>by 罗穗骞,里面非常详尽地介绍了有关后缀数组的概念 ...

  4. SVM及其对偶

    引自 http://my.oschina.net/wangguolongnk/blog/111349 1. 支持向量机的目的是什么? 对于用于分类的支持向量机来说,给定一个包含正例和反例(正样本点和负 ...

  5. <转>E-M算法

    转自http://blog.csdn.net/zouxy09/article/details/8537620/ 机器学习十大算法之一:EM算法.能评得上十大之一,让人听起来觉得挺NB的.什么是NB啊, ...

  6. 自定义圆形头像CircleImageView的使用和源码分析

    http://www.jcodecraeer.com/a/anzhuokaifa/androidkaifa/2015/0806/3268.html tools:context="com.ex ...

  7. 概率图模型之EM算法

    一.EM算法概述 EM算法(Expectation Maximization Algorithm,期望极大算法)是一种迭代算法,用于求解含有隐变量的概率模型参数的极大似然估计(MLE)或极大后验概率估 ...

  8. 【整理】深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件

    在求解最优化问题中,拉格朗日乘子法(Lagrange Multiplier)和KKT(Karush Kuhn Tucker)条件是两种最常用的方法.在有等式约束时使用拉格朗日乘子法,在有不等约束时使用 ...

  9. 【CSS3】 理解CSS3 transform中的Matrix(矩阵)

    理解CSS3 transform中的Matrix(矩阵) by zhangxinxu from http://www.zhangxinxu.com 本文地址:http://www.zhangxinxu ...

随机推荐

  1. Python 静态方法,类方法,属性方法

    方法的使用 静态方法 - 只是名义上归类管理,实际上在静态方法里访问不了类或实例中的任何属性. class Dog(object): def __init__(self,name): self.nam ...

  2. CentOS 6.5优化开机启动服务

    使用chkconfig命令列举出所有服务,配合管道筛选出开机默认启动的服务,再去掉level0(关机).level4(无意义)和level6(重启)的显示,使结果更直观. chkconfig | gr ...

  3. Pandas 学习笔记

    Pandas 学习笔记 pandas 由两部份组成,分别是 Series 和 DataFrame. Series 可以理解为"一维数组.列表.字典" DataFrame 可以理解为 ...

  4. 清华集训2017 Day 2简要题解

    *注意:这套题目题面请在loj / uoj查看 从这里开始 题目列表(loj) Problem A 小 Y 和地铁 Problem B 小 Y 和二叉树 Problem C 小 Y 和恐怖的奴隶主 训 ...

  5. log4net:ERROR ConfigureFromXml called with null 'element' parameter

    场景重现 ASP.NET Core 下集成 log4net 时, 运行时报错如下: log4net:ERROR ConfigureFromXml called with null 'element' ...

  6. .gitlab-ci.yml简介

    关键字   script 由Runner执行的Shell脚本. image 使用docker镜像,  image:name service 使用docker  services镜像, services ...

  7. TensorFlow 官方文档中文版 --技术文档

    1.文档预览 2.文档下载 TensorFlow官方文档中文版-v1.2.pdf 提取码:pt7p

  8. linux存储管理之基本分区

    基本分区管理 ====================================================================================基本分区(MBR| ...

  9. yii2框架中获取添加元素的主键

    控制器层: 模型层: 返回结果是:

  10. springcloud入门-什么是springcloud

    1.单体应用架构存在的问题 一个归档包(例如war)包含所有功能的应用程序,通常称为单体应用. 相信很多项目都是从单体应用开始的,单体应用比较容易部署和测试,项目的初期,项目可以很好的运行,然而,随着 ...