【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. HDU4745--区间DP+回文串

    这题的题意为,给你一个环状的字符串,有两只兔子分别从某任意的石头上开始跳跃.一只顺时针跳.一只逆时针跳.两只兔子每一次落脚处石头的质量都相同.兔子要一步一步的跳,且不能跳到之前跳到过的地方.总的来说, ...

  2. memcpy的函数

    网新恒天2014校园招聘笔试编程题 已知memcpy的函数为: void* memcpy(void *dest , const void* src , size_t count)其中dest是目的指针 ...

  3. Selenium如何在谷歌浏览器模拟H5页面

    一.基于java语言(转载:http://www.mamicode.com/info-detail-1972340.html) public class runtest { WebDriver dri ...

  4. 巧用同步请求处理react页面刷新问题

    很多时候,我们会遇到这种情况,组件加载需要请求后台数据,然后填充组件.那么我们一般会这样处理:如[使用异步请求的方式]代码: 加载组价的时候,未获得数据,render一个空的div: 然后异步请求数据 ...

  5. 构建oracle12c的Docker镜像

    1. 准备工作 需要下载oracle相关的东东,例如安装文件,dockerfile.这些都可以从oracle 的github 上面找到.https://github.com/oracle/docker ...

  6. 网络模型 —— OSI七层模型,TCP五层模型,以及区分

    1. OSI七层模型 OSI层  介绍 功能 TCP/IP协议 应用层 操作系统或网络应用程序提供访问网络服务的接口. 文件传输.浏览器.电子邮件 HTTP, FTP, TFTP, SNMP, DNS ...

  7. 『TensorFlow』卷积层、池化层详解

    一.前向计算和反向传播数学过程讲解

  8. codeforces727E. Games on a CD

    题意:给一个n*k的循环字符串可能从任意地方断开,然后m个长度k的字符串,问你能不能用下面的字符串(每个最多用一次)构成上面的字符串,能循环移位 题解:对下面的串建ac自动机,记录字符串最后一个位置, ...

  9. sparse_tensor feed_dict的时候十分不方便。

    假如说,你再处理文本的时候,写tfrecord的时候用的变长的类型, example = tf.train.Example(features=tf.train.Features(feature={ ' ...

  10. android:Internet(volley)

    public void getStringFromCloud(View view) { /*创建请求队列*/ RequestQueue queue = Volley.newRequestQueue(t ...