夹逼定理加放缩法,将和式放缩为最值

  |  

摘要: 夹逼定理+放缩法

【对算法,数学,计算机感兴趣的同学,欢迎关注我哈,阅读更多原创文章】
我的网站:潮汐朝夕的生活实验室
我的公众号:算法题刷刷
我的知乎:潮汐朝夕
我的github:FennelDumplings
我的leetcode:FennelDumplings


在文章 由p范数诱导的距离,当p趋于无穷时为切比雪夫距离 中,我们主要证明了 p 范数诱导的距离当 $p \rightarrow\infty$ 时为切比雪夫距离。

证明过程用到了洛必达法则,复合函数求导法则,指数函数的导数等微积分的结论。后来一位群友提出了用夹逼定理会更优雅,并且给出了放缩的思路

我一看发现确实可以,而且只用了夹逼定理,没有用到微积分的其它结论,且过程更加简洁。这种放缩应该是一种通用的思路,在处理将和式转换为最值的问题时可以考虑。

下面将这位群友的思路分享给各位。

结论

在 p 范数中,当 $p \rightarrow\infty$ 时,其诱导出的距离,也就是 $\infty$ 范数距离,正是切比雪夫距离,也就是:

证明 (放缩法+夹逼定理)

考虑和式 $S_{n} = \sum\limits_{i=1}\limits^{n}a_{i}$,其中各个项均非负,即 $a_{i} \geq 0$。

假设各个项中的最大值为 $a_{k} = \max\limits_{1 \leq i \leq n} a_{i}$,那么将各个项均改成 $a_{k}$,所得的结果自然大于 $S_{n}$,也就是 $S_{n} \leq na_{k}$,即:

将和式中原有的最大值的项 $a_{k}$ 保留,其余的均改为 0,所得的结果自然小于 $S_{n}$,也就是 $a_{k} \leq S_{n}$,即:

上面两个显然的不等式就是我们放缩的基础。可以看到经过上面两步放缩之后,原本的和式变成了最值。

代入到本题的情况,即 $a_{i} = |x_{i} - y_{i}|^{p}$,这里显然满足 $a_{i} \geq 0$,于是有:

令 $\max\limits_{1\leq i \leq n}|x_{i} - y_{i}|^{p} = |x_{k} - y_{k}|^{p}$,并上式同时进行 $\frac{1}{p}$ 次的乘方,得到:

上式最左边是一个常数 $|x_{k} - y_{k}|$,因此当 $p\rightarrow +\infty$ 时,极限还是它自己。

上式最右边是一个常数 $|x_{k} - y_{k}|$ 乘以一个函数 $n^{\frac{1}{p}}$,由于 $\lim\limits_{p\rightarrow +\infty}n^{\frac{1}{p}} = 1$,因此当 $p\rightarrow +\infty$ 时,右边的极限依然是 $|x_{k} - y_{k}|$。

于是由夹逼定理,当 $p\rightarrow +\infty$ 时,中间项的极限也是 $|x_{k} - y_{k}|$,即:

夹逼定理

函数 $f, g, h$ 在 $x_{0}$ 附近满足 $g(x) \leq f(x) \leq h(x)$,且 $\lim\limits_{x\rightarrow x_{0}}g(x) = \lim\limits_{x\rightarrow x_{0}}h(x) = a$,则有 $\lim\limits_{x\rightarrow x_{0}}f(x) = a$。

$\Box$


Share