快乐泛函每一天！内积空间

摘要：在泛函分析与线性代数中，赋范线性空间解决了"长度"与"距离"的问题，但缺少了"角度"的概念。为了在无限维空间中引入正交性、投影等几何概念，我们需要引入内积空间。本文将系统梳理内积的定义与性质、详细推导核心的柯西-施瓦茨不等式，并严谨证明内积如何诱导范数。

1. 为什么需要内积空间？

在仅有范数的空间（如 L p L^p Lp 空间）中，我们可以讨论向量的长度（ ∥ x ∥ \|x\| ∥x∥）和两点间的距离（ ∥ x − y ∥ \|x-y\| ∥x−y∥），但我们无法讨论两个向量是否垂直。

内积空间的引入，本质上是为了在抽象的线性空间中恢复欧几里得空间的几何直观，使得"夹角"、"正交"、"投影"等几何概念得以在无限维空间中推广。它是通往 Hilbert 空间（完备内积空间）的基石。

2. 内积的定义与基本性质

2.1 内积的严格定义

设 X X X 是数域 K \mathbb{K} K（实数域 R \mathbb{R} R 或复数域 C \mathbb{C} C）上的线性空间。若存在一个映射 ⟨ ⋅ , ⋅ ⟩ : X × X → K \langle \cdot, \cdot \rangle : X \times X \to \mathbb{K} ⟨⋅,⋅⟩:X×X→K，满足以下四条公理，则称其为 X X X 上的内积，称 ( X , ⟨ ⋅ , ⋅ ⟩ ) (X, \langle \cdot, \cdot \rangle) (X,⟨⋅,⋅⟩) 为内积空间：

第一变元线性 ：对任意 x , y , z ∈ X x, y, z \in X x,y,z∈X 和标量 α , β ∈ K \alpha, \beta \in \mathbb{K} α,β∈K，有
⟨ α x + β y , z ⟩ = α ⟨ x , z ⟩ + β ⟨ y , z ⟩ \langle \alpha x + \beta y, z \rangle = \alpha \langle x, z \rangle + \beta \langle y, z \rangle ⟨αx+βy,z⟩=α⟨x,z⟩+β⟨y,z⟩
共轭对称性 ：对任意 x , y ∈ X x, y \in X x,y∈X，有
⟨ x , y ⟩ = ⟨ y , x ⟩ ‾ \langle x, y \rangle = \overline{\langle y, x \rangle} ⟨x,y⟩=⟨y,x⟩
(注：在实数域中，这退化为对称性 ⟨ x , y ⟩ = ⟨ y , x ⟩ \langle x, y \rangle = \langle y, x \rangle ⟨x,y⟩=⟨y,x⟩)
正定性 ：对任意 x ∈ X x \in X x∈X，有 ⟨ x , x ⟩ ≥ 0 \langle x, x \rangle \ge 0 ⟨x,x⟩≥0；
非负定性 ： ⟨ x , x ⟩ = 0 ⟺ x = θ \langle x, x \rangle = 0 \iff x = \theta ⟨x,x⟩=0⟺x=θ（零向量）。

细节说明 ：在数学约定中，通常规定第一变元线性，第二变元共轭线性。但在部分物理教材中，规定恰恰相反。本文采用泛函分析主流的第一变元线性约定。

2.2 内积的导出性质

由上述公理，可以直接推导出以下重要性质：

第二变元共轭线性 ：
⟨ x , α y + β z ⟩ = α ‾ ⟨ x , y ⟩ + β ‾ ⟨ x , z ⟩ \langle x, \alpha y + \beta z \rangle = \overline{\alpha} \langle x, y \rangle + \overline{\beta} \langle x, z \rangle ⟨x,αy+βz⟩=α⟨x,y⟩+β⟨x,z⟩
与零向量的内积 ：
⟨ x , θ ⟩ = ⟨ θ , x ⟩ = 0 \langle x, \theta \rangle = \langle \theta, x \rangle = 0 ⟨x,θ⟩=⟨θ,x⟩=0

2.3 极化恒等式

内积本质上是一个双变量函数，但 ⟨ x , x ⟩ \langle x, x \rangle ⟨x,x⟩ 只能给出向量的"平方长度"。如果已知长度的信息，能否反推内积？极化恒等式回答了这个问题。

实内积空间 ：
⟨ x , y ⟩ = 1 4 ( ∥ x + y ∥ 2 − ∥ x − y ∥ 2 ) \langle x, y \rangle = \frac{1}{4} \left( \|x+y\|^2 - \|x-y\|^2 \right) ⟨x,y⟩=41(∥x+y∥2−∥x−y∥2)
复内积空间 ：
⟨ x , y ⟩ = 1 4 ( ∥ x + y ∥ 2 − ∥ x − y ∥ 2 + i ∥ x + i y ∥ 2 − i ∥ x − i y ∥ 2 ) \langle x, y \rangle = \frac{1}{4} \left( \|x+y\|^2 - \|x-y\|^2 + i\|x+iy\|^2 - i\|x-iy\|^2 \right) ⟨x,y⟩=41(∥x+y∥2−∥x−y∥2+i∥x+iy∥2−i∥x−iy∥2)

极化恒等式在证明"某个范数是否能由内积诱导"时极为关键，它建立了范数与内积的桥梁。

3. Schwarz 不等式

在内积空间中，最重要的不等式莫过于柯西-施瓦茨不等式。它是证明三角不等式、定义向量夹角的基础。

3.1 定理陈述

设 X X X 为内积空间，对于任意的 x , y ∈ X x, y \in X x,y∈X，都有：

∣ ⟨ x , y ⟩ ∣ ≤ ⟨ x , x ⟩ ⟨ y , y ⟩ = ∥ x ∥ ∥ y ∥ |\langle x, y \rangle| \le \sqrt{\langle x, x \rangle} \sqrt{\langle y, y \rangle} = \|x\| \|y\| ∣⟨x,y⟩∣≤⟨x,x⟩ ⟨y,y⟩ =∥x∥∥y∥

等号成立当且仅当 x x x 与 y y y 线性相关（即存在不全为零的标量使 α x + β y = θ \alpha x + \beta y = \theta αx+βy=θ）。

3.2 详细证明过程

这里给出经典的代数构造法证明，展示如何利用正定性巧妙构造不等式。

证明：

若 y = θ y = \theta y=θ，结论显然成立（ 0 ≤ 0 0 \le 0 0≤0）。故不妨设 y ≠ θ y \neq \theta y=θ，此时 ⟨ y , y ⟩ > 0 \langle y, y \rangle > 0 ⟨y,y⟩>0。

对任意复数 λ ∈ C \lambda \in \mathbb{C} λ∈C，根据内积的正定性，有：

⟨ x − λ y , x − λ y ⟩ ≥ 0 \langle x - \lambda y, x - \lambda y \rangle \ge 0 ⟨x−λy,x−λy⟩≥0

将其展开（利用第一变元线性，第二变元共轭线性）：

⟨ x , x ⟩ − λ ⟨ y , x ⟩ − λ ‾ ⟨ x , y ⟩ + ∣ λ ∣ 2 ⟨ y , y ⟩ ≥ 0 \langle x, x \rangle - \lambda \langle y, x \rangle - \overline{\lambda} \langle x, y \rangle + |\lambda|^2 \langle y, y \rangle \ge 0 ⟨x,x⟩−λ⟨y,x⟩−λ⟨x,y⟩+∣λ∣2⟨y,y⟩≥0

此时，关键构造 来了：为了消去交叉项，我们令 λ = ⟨ x , y ⟩ ⟨ y , y ⟩ \lambda = \frac{\langle x, y \rangle}{\langle y, y \rangle} λ=⟨y,y⟩⟨x,y⟩。

注意此时 λ ‾ = ⟨ x , y ⟩ ‾ ⟨ y , y ⟩ = ⟨ y , x ⟩ ⟨ y , y ⟩ \overline{\lambda} = \frac{\overline{\langle x, y \rangle}}{\langle y, y \rangle} = \frac{\langle y, x \rangle}{\langle y, y \rangle} λ=⟨y,y⟩⟨x,y⟩=⟨y,y⟩⟨y,x⟩，且 ∣ λ ∣ 2 = ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ 2 |\lambda|^2 = \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle^2} ∣λ∣2=⟨y,y⟩2∣⟨x,y⟩∣2。

将 λ \lambda λ 代入不等式得：

⟨ x , x ⟩ − ⟨ x , y ⟩ ⟨ y , x ⟩ ⟨ y , y ⟩ − ⟨ y , x ⟩ ⟨ x , y ⟩ ⟨ y , y ⟩ + ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ 2 ⟨ y , y ⟩ ≥ 0 \langle x, x \rangle - \frac{\langle x, y \rangle \langle y, x \rangle}{\langle y, y \rangle} - \frac{\langle y, x \rangle \langle x, y \rangle}{\langle y, y \rangle} + \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle^2} \langle y, y \rangle \ge 0 ⟨x,x⟩−⟨y,y⟩⟨x,y⟩⟨y,x⟩−⟨y,y⟩⟨y,x⟩⟨x,y⟩+⟨y,y⟩2∣⟨x,y⟩∣2⟨y,y⟩≥0

由于 ⟨ x , y ⟩ ⟨ y , x ⟩ = ∣ ⟨ x , y ⟩ ∣ 2 \langle x, y \rangle \langle y, x \rangle = |\langle x, y \rangle|^2 ⟨x,y⟩⟨y,x⟩=∣⟨x,y⟩∣2，合并同类项得：

⟨ x , x ⟩ − ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ − ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ + ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ ≥ 0 \langle x, x \rangle - \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle} - \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle} + \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle} \ge 0 ⟨x,x⟩−⟨y,y⟩∣⟨x,y⟩∣2−⟨y,y⟩∣⟨x,y⟩∣2+⟨y,y⟩∣⟨x,y⟩∣2≥0

化简即得：

⟨ x , x ⟩ − ∣ ⟨ x , y ⟩ ∣ 2 ⟨ y , y ⟩ ≥ 0 \langle x, x \rangle - \frac{|\langle x, y \rangle|^2}{\langle y, y \rangle} \ge 0 ⟨x,x⟩−⟨y,y⟩∣⟨x,y⟩∣2≥0

两边同乘 ⟨ y , y ⟩ > 0 \langle y, y \rangle > 0 ⟨y,y⟩>0，并移项得：

∣ ⟨ x , y ⟩ ∣ 2 ≤ ⟨ x , x ⟩ ⋅ ⟨ y , y ⟩ |\langle x, y \rangle|^2 \le \langle x, x \rangle \cdot \langle y, y \rangle ∣⟨x,y⟩∣2≤⟨x,x⟩⋅⟨y,y⟩

两边开方，即得 Schwarz 不等式：

∣ ⟨ x , y ⟩ ∣ ≤ ⟨ x , x ⟩ ⟨ y , y ⟩ |\langle x, y \rangle| \le \sqrt{\langle x, x \rangle} \sqrt{\langle y, y \rangle} ∣⟨x,y⟩∣≤⟨x,x⟩ ⟨y,y⟩

证毕。

几何直观：Schwarz不等式告诉我们，两个向量的内积（包含长度与夹角余弦值的信息）的绝对值，不会超过它们各自长度的乘积。这就好比矩形的对角线长度不会超过两邻边长度之和。

4. 内积诱导范数

有了内积，我们自然可以定义向量的"长度"。我们要证明，由内积定义的长度，完全满足赋范线性空间中范数的三条公理。

4.1 诱导范数的定义

设 X X X 是内积空间，定义映射 ∥ ⋅ ∥ : X → R \|\cdot\|: X \to \mathbb{R} ∥⋅∥:X→R 为：

∥ x ∥ = ⟨ x , x ⟩ \|x\| = \sqrt{\langle x, x \rangle} ∥x∥=⟨x,x⟩

我们需要证明，这个映射确实是一个范数。

4.2 范数公理的验证

非负性 ：由内积的正定性 ⟨ x , x ⟩ ≥ 0 \langle x, x \rangle \ge 0 ⟨x,x⟩≥0 且 ⟨ x , x ⟩ = 0 ⟺ x = θ \langle x, x \rangle = 0 \iff x = \theta ⟨x,x⟩=0⟺x=θ，直接可得 ∥ x ∥ ≥ 0 \|x\| \ge 0 ∥x∥≥0 且 ∥ x ∥ = 0 ⟺ x = θ \|x\| = 0 \iff x = \theta ∥x∥=0⟺x=θ。
齐次性 ：对任意标量 α ∈ K \alpha \in \mathbb{K} α∈K，有

∥ α x ∥ = ⟨ α x , α x ⟩ = α α ‾ ⟨ x , x ⟩ = ∣ α ∣ 2 ⟨ x , x ⟩ = ∣ α ∣ ∥ x ∥ \|\alpha x\| = \sqrt{\langle \alpha x, \alpha x \rangle} = \sqrt{\alpha \overline{\alpha} \langle x, x \rangle} = \sqrt{|\alpha|^2 \langle x, x \rangle} = |\alpha| \|x\| ∥αx∥=⟨αx,αx⟩ =αα⟨x,x⟩ =∣α∣2⟨x,x⟩ =∣α∣∥x∥
三角不等式（Minkowski 不等式） ：这是最难证的一条。要证 ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \|x+y\| \le \|x\| + \|y\| ∥x+y∥≤∥x∥+∥y∥。

证明：

考察 ∥ x + y ∥ 2 \|x+y\|^2 ∥x+y∥2：

∥ x + y ∥ 2 = ⟨ x + y , x + y ⟩ = ⟨ x , x ⟩ + ⟨ x , y ⟩ + ⟨ y , x ⟩ + ⟨ y , y ⟩ \|x+y\|^2 = \langle x+y, x+y \rangle = \langle x, x \rangle + \langle x, y \rangle + \langle y, x \rangle + \langle y, y \rangle ∥x+y∥2=⟨x+y,x+y⟩=⟨x,x⟩+⟨x,y⟩+⟨y,x⟩+⟨y,y⟩

由于 ⟨ y , x ⟩ = ⟨ x , y ⟩ ‾ \langle y, x \rangle = \overline{\langle x, y \rangle} ⟨y,x⟩=⟨x,y⟩，所以 ⟨ x , y ⟩ + ⟨ y , x ⟩ = 2 Re ⁡ ⟨ x , y ⟩ \langle x, y \rangle + \langle y, x \rangle = 2 \operatorname{Re} \langle x, y \rangle ⟨x,y⟩+⟨y,x⟩=2Re⟨x,y⟩。

由 Schwarz 不等式可知： Re ⁡ ⟨ x , y ⟩ ≤ ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ∥ y ∥ \operatorname{Re} \langle x, y \rangle \le |\langle x, y \rangle| \le \|x\| \|y\| Re⟨x,y⟩≤∣⟨x,y⟩∣≤∥x∥∥y∥。

代入上式得：

∥ x + y ∥ 2 ≤ ∥ x ∥ 2 + 2 ∥ x ∥ ∥ y ∥ + ∥ y ∥ 2 = ( ∥ x ∥ + ∥ y ∥ ) 2 \|x+y\|^2 \le \|x\|^2 + 2\|x\|\|y\| + \|y\|^2 = (\|x\| + \|y\|)^2 ∥x+y∥2≤∥x∥2+2∥x∥∥y∥+∥y∥2=(∥x∥+∥y∥)2

两边开平方（因范数非负），即得三角不等式 ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \|x+y\| \le \|x\| + \|y\| ∥x+y∥≤∥x∥+∥y∥。

结论：因此， ∥ x ∥ = ⟨ x , x ⟩ \|x\| = \sqrt{\langle x, x \rangle} ∥x∥=⟨x,x⟩ 确实是 X X X 上的范数。这意味着任何内积空间，天然就是一个赋范线性空间。

5. 平行四边形公式：内积空间的特征

一个自然的问题是：是否所有赋范线性空间的范数，都能由某个内积诱导出来？

答案是否定的。范数能由内积诱导的充要条件 是它满足平行四边形公式 ：

∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2 ( ∥ x ∥ 2 + ∥ y ∥ 2 ) \|x+y\|^2 + \|x-y\|^2 = 2(\|x\|^2 + \|y\|^2) ∥x+y∥2+∥x−y∥2=2(∥x∥2+∥y∥2)

理论意义 ：在泛函分析中，我们常利用这个公式来反证某个空间"不是"内积空间。例如，在 L p L^p Lp 空间中，只有当 p = 2 p=2 p=2 时，范数才能由内积诱导；当 p ≠ 2 p \neq 2 p=2 时（如 L 1 L^1 L1 或 L ∞ L^\infty L∞），它只是赋范空间，不是内积空间，因此无法讨论向量间的正交性。

6. 经典内积空间举例

有限维欧几里得空间 R n \mathbb{R}^n Rn ：

对于 x = ( x 1 , ... , x n ) x = (x_1, \dots, x_n) x=(x1,...,xn) 和 y = ( y 1 , ... , y n ) y = (y_1, \dots, y_n) y=(y1,...,yn)，定义标准内积：

⟨ x , y ⟩ = ∑ i = 1 n x i y i \langle x, y \rangle = \sum_{i=1}^n x_i y_i ⟨x,y⟩=i=1∑nxiyi

诱导出的范数即欧氏范数 ∥ x ∥ 2 = ∑ x i 2 \|x\|_2 = \sqrt{\sum x_i^2} ∥x∥2=∑xi2 。
平方可和序列空间 l 2 l^2 l2 ：

对于复数序列 x = ( x 1 , x 2 , ... ) x = (x_1, x_2, \dots) x=(x1,x2,...) 满足 ∑ i = 1 ∞ ∣ x i ∣ 2 < ∞ \sum_{i=1}^\infty |x_i|^2 < \infty ∑i=1∞∣xi∣2<∞，定义内积：

⟨ x , y ⟩ = ∑ i = 1 ∞ x i y i ‾ \langle x, y \rangle = \sum_{i=1}^\infty x_i \overline{y_i} ⟨x,y⟩=i=1∑∞xiyi

该内积诱导出 l 2 l^2 l2 范数 ∥ x ∥ 2 = ∑ ∣ x i ∣ 2 \|x\|_2 = \sqrt{\sum |x_i|^2} ∥x∥2=∑∣xi∣2 。
平方可积函数空间 L 2 $a , b$ L^2 $a,b$ L2 $a,b$ ：

对于区间 $a , b$ $a,b$ $a,b$ 上的平方可积函数 f ( x ) , g ( x ) f(x), g(x) f(x),g(x)，定义内积：

⟨ f , g ⟩ = ∫ a b f ( x ) g ( x ) ‾ d x \langle f, g \rangle = \int_a^b f(x) \overline{g(x)} \, dx ⟨f,g⟩=∫abf(x)g(x)dx

该内积诱导出的范数正好是 L 2 L^2 L2 空间中的标准 L 2 L^2 L2 范数。这使得 L 2 L^2 L2 空间成为无限维空间中几何性质最优良的空间（完备可分内积空间，即 Hilbert 空间）。

7. 总结

本文系统梳理了内积空间的基础理论，核心逻辑链条如下：

公理出发：定义了满足线性、共轭对称性、正定性的内积映射。
核心定理 ：利用正定性和巧妙的构造 λ \lambda λ，证明了 Schwarz 不等式，确立了向量内积的上界。
空间升级 ：利用内积定义 ⟨ x , x ⟩ \sqrt{\langle x, x \rangle} ⟨x,x⟩ ，并在 Schwarz 不等式的辅助下证明了其满足三角不等式，从而诱导出范数。
本质特征：引入平行四边形公式，作为判定一个赋范空间是否可升级为内积空间的唯一试金石。

掌握内积、Schwarz 不等式与诱导范数，是进一步学习 Hilbert 空间中的正交分解定理（投影定理）、Fourier 级数展开以及算子谱理论的必备基石。

快乐泛函每一天！内积空间