فضای متریک القاشده از نرم (Norm-Induced Metric Space)، در ریاضیات (Mathematics)
انواع فضاهای متریک (Metric Space) را در آموزش زیر شرح دادیم :
فضای متریک القاشده از نرم (Norm-Induced Metric Space) :
تعریف: اگر
\[ V \]یک فضای برداری نرم دار با نرم
\[ \|\cdot\| \]باشد، آن گاه می توان یک متریک روی
\[ V \]به صورت زیر تعریف کرد:
\[ d(x, y) = \|x - y\| \]توضیح مفهومی: هر نرم روی یک فضای برداری یک متریک القا می کند. این متریک دارای ویژگی های اضافی ناشی از ساختار خطی فضا است: پایایی تحت انتقال (
\[ d(x+z, y+z) = d(x, y) \]) و همگنی (
\[ d(\lambda x, \lambda y) = |\lambda| d(x, y) \]برای نرم های همگن). فضاهای برداری نرم دار (و به ویژه فضاهای باناخ، یعنی فضاهای نرم دار کامل) مهم ترین کلاس فضاهای متریک در آنالیز تابعی هستند.
ویژگی های اصلی:
متریک ناشی از نرم همواره پایای انتقالی است:
\[ d(x+z, y+z) = d(x, y) \].
همچنین همگن است:
\[ d(\lambda x, \lambda y) = |\lambda| d(x, y) \]برای نرم های همگن.
گوی های باز و بسته در این فضاها محدب هستند (چون نرم محدب است).
اگر فضای نرم دار کامل باشد (فضای باناخ)، آن گاه فضای متریک حاصل کامل است.
این فضاها به طور موضعی محدب هستند (چون گوی ها محدبند).
مثال های مهم:
فضاهای
\[ l^p \]: برای
\[ 1 \leq p \leq \infty \]، با نرم
\[ \|x\|_p = (\sum |x_i|^p)^{1/p} \](برای
\[ p < \infty \]) و
\[ \|x\|_\infty = \sup_i |x_i| \].
فضاهای
\[ L^p \]: فضاهای توابع با نرم
\[ L^p \].
فضاهای سوبولف
\[ W^{k,p} \]: با نرم ترکیبی از تابع و مشتقاتش.
فضاهای هیلبرت: فضاهای با ضرب داخلی که نرم آنها از ضرب داخلی می آید.
متریک های ناشی از نرم در مقابل متریک های دیگر: همه متریک های روی فضاهای برداری از نرم نمی آیند. مثلا متر
\[ d(x, y) = |x - y|/(1 + |x - y|) \]روی
\[ \mathbb{R} \]از هیچ نرمی نمی آید، زیرا همگن نیست.
شرط لازم و کافی: یک متریک روی فضای برداری
\[ V \]از یک نرم می آید اگر و فقط اگر پایای انتقالی و همگن باشد و گوی های واحد محدب باشند (در واقع شرایط بیشتری لازم است).
فضاهای باناخ: فضاهای نرم دار کامل (باناخ) نقش اساسی در آنالیز تابعی دارند. قضایای مهمی مانند قضیه هان-باناخ، قضیه باناخ-اشتاینهوس، و قضیه نگاشت باز در این فضاها برقرارند.
کاربردها: فضاهای متریک القاشده از نرم در آنالیز تابعی، معادلات دیفرانسیل، نظریه تقریب، بهینه سازی، و فیزیک ریاضی کاربرد گسترده ای دارند.
📌 مثال ساده:
\[ \mathbb{R}^2 \]با نرم
\[ l^1 \]:
\[ \|(x, y)\|_1 = |x| + |y| \]متر منهتن را القا می کند:
\[ d((x_1, y_1), (x_2, y_2)) = |x_1 - x_2| + |y_1 - y_2| \].
\[ \mathbb{R}^2 \]با نرم
\[ l^\infty \]:
\[ \|(x, y)\|_\infty = \max(|x|, |y|) \]متر چبیشف را القا می کند:
\[ d((x_1, y_1), (x_2, y_2)) = \max(|x_1 - x_2|, |y_1 - y_2|) \].
