最后更新: 2026-01-10 10:51 查看: 67 次纠错评论(0) 课件开VIP

Binet-Cauchy 比内-柯西公式

## Binet-Cauchy 比内-柯西公式
Binet-Cauchy 公式是行列式乘法公式的推广，核心思想是：
> **两个非方阵乘积的行列式，等于它们所有可能的“匹配”子矩阵行列式乘积之和**。

它揭示了行列式与组合选择之间的深刻联系，是线性代数中一个优美而强大的工具。

### 比内-柯西公式
设 $A$ 是一个 $m \times n$ 矩阵，$B$ 是一个 $n \times m$ 矩阵，且 $m \le n$， 则
$$
\boxed{
\det(AB) = \sum_{1 \le i_1 < i_2 < \dots < i_m \le n} \det(A_{[i_1,\dots,i_m]}) \cdot \det(B_{[i_1,\dots,i_m]})
}
$$
其中：
- $A_{[i_1,\dots,i_m]}$ 表示取 $A$ 的列下标为 $i_1, \dots, i_m$ 所构成的 $m \times m$ 子矩阵。
- $B_{[i_1,\dots,i_m]}$ 表示取 $B$ 的行下标为 $i_1, \dots, i_m$ 所构成的 $m \times m$ 子矩阵。

换句话说，$\det(AB)$ 等于所有从 $A$ 中选 $m$ 列、从 $B$ 中选相同序号的 $m$ 行所构成的 $m\times m$ 子矩阵的行列式乘积之和。

**特殊情况：$m = n$**

如果 $m = n$，那么 $A$ 和 $B$ 都是方阵，并且只能选一组指标 $i_1=1, i_2=2, \dots, i_m=m$（因为必须选全部列/行）。

于是：
$$
\boxed{
\det(AB) = \det(A) \cdot \det(B)
}
$$
这就是我们熟知的**行列式的乘法公式**，它是 Binet-Cauchy 公式在方阵情况下的特例。

## 简单例题
本内容需要用户已经了解了[拉普拉斯公式](https://kb.kmath.cn/kbase/detail.aspx?id=3424),下面先通过一个例题介绍比内-柯西公式的使用，然后再进行理论证明。

`例` 设
$$
A = \begin{pmatrix}
1 & 2 & 3 \\
4 & 5 & 6
\end{pmatrix}_{2\times 3}, \quad
B = \begin{pmatrix}
7 & 8 \\
9 & 10 \\
11 & 12
\end{pmatrix}_{3\times 2}.
$$
计算 $\det(AB)$。

#### **方法 1：直接算 $AB$**
$$
AB = \begin{pmatrix}
1\cdot 7 + 2\cdot 9 + 3\cdot 11 & 1\cdot 8 + 2\cdot 10 + 3\cdot 12 \\
4\cdot 7 + 5\cdot 9 + 6\cdot 11 & 4\cdot 8 + 5\cdot 10 + 6\cdot 12
\end{pmatrix}
= \begin{pmatrix}
58 & 64 \\
139 & 154
\end{pmatrix}.
$$
$$
\det(AB) = 58\cdot 154 - 64\cdot 139 = 8932 - 8896 = 36.
$$

#### **方法 2：Binet-Cauchy 公式**

**步骤1：确认 Binet-Cauchy 公式的适用条件**
矩阵 $A$ 是 $2\times3$，矩阵 $B$ 是 $3\times2$，满足 $m=2 \le n=3$，可以直接套用公式：
$$
\det(AB)=\sum_{1\le i_1<i_2\le3}\det\left(A\binom{1,2}{i_1,i_2}\right)\cdot\det\left(B\binom{i_1,i_2}{1,2}\right)
$$
其中 $A\binom{1,2}{i_1,i_2}$ 表示取 $A$ 的第 $i_1,i_2$ 列构成的 2 阶子矩阵，$B\binom{i_1,i_2}{1,2}$ 表示取 $B$ 的第 $i_1,i_2$ 行构成的 2 阶子矩阵。

**步骤2：列出 $A$ 的所有 2 阶子式（列组合 $\{1,2\},\{1,3\},\{2,3\}$）**
1.  取列 $\{1,2\}$：
$$
\det\begin{pmatrix}1&2\\4&5\end{pmatrix}=1\times5 - 2\times4=5-8=-3
$$
2.  取列 $\{1,3\}$：
$$
\det\begin{pmatrix}1&3\\4&6\end{pmatrix}=1\times6 - 3\times4=6-12=-6
$$
3.  取列 $\{2,3\}$：
$$
\det\begin{pmatrix}2&3\\5&6\end{pmatrix}=2\times6 - 3\times5=12-15=-3
$$

**步骤3：列出 $B$ 对应的 2 阶子式（行组合与 $A$ 的列组合一致）**
1.  取行 $\{1,2\}$：
$$
\det\begin{pmatrix}7&8\\9&10\end{pmatrix}=7\times10 - 8\times9=70-72=-2
$$
2.  取行 $\{1,3\}$：
$$
\det\begin{pmatrix}7&8\\11&12\end{pmatrix}=7\times12 - 8\times11=84-88=-4
$$
3.  取行 $\{2,3\}$：
$$
\det\begin{pmatrix}9&10\\11&12\end{pmatrix}=9\times12 - 10\times11=108-110=-2
$$

**步骤4：代入公式求和计算 $\det(AB)$**
$$
\begin{align*}
\det(AB)&=(-3)\times(-2)+(-6)\times(-4)+(-3)\times(-2) \\
&=6 + 24 + 6 \\
&=36
\end{align*}
$$

## 定理
**定理2.7.1（Cauchy－Binet 公式）** 设 $\boldsymbol{A}=\left(a_{i j}\right)$ 是 $m \times n$ 矩阵， $\boldsymbol{B}=\left(b_{i j}\right)$ 是 $n \times m$ 矩阵。 $\boldsymbol{A}\left(\begin{array}{lll}i_1 & \cdots & i_s \\ j_1 & \cdots & j_s\end{array}\right)$ 表示 $\boldsymbol{A}$ 的一个 $s$ 阶子式，它由 $\boldsymbol{A}$ 的第 $i_1, \cdots, i_s$行与第 $j_1, \cdots, j_s$ 列交点上的元素按原次序排列组成的行列式．同理可定义 $\boldsymbol{B}$ 的 $s$ 阶子式．
（1）若 $m>n$ ，则必有 $|A B|=0$ ；

（2）若 $m \leq n$ ，则必有

$$
|\boldsymbol{A} \boldsymbol{B}|=\sum_{1 \leq j_1<j_2<\cdots<j_m \leq n} \boldsymbol{A}\left(\begin{array}{cccc}
1 & 2 & \cdots & m \\
j_1 & j_2 & \cdots & j_m
\end{array}\right) \boldsymbol{B}\left(\begin{array}{cccc}
j_1 & j_2 & \cdots & j_m \\
1 & 2 & \cdots & m
\end{array}\right) .
$$

证明 令 $\boldsymbol{C}=\left(\begin{array}{cc}\boldsymbol{A} & \boldsymbol{O} \\ -\boldsymbol{I}_n & \boldsymbol{B}\end{array}\right)$ ．我们将用不同的方法来计算行列式 $|\boldsymbol{C}|$ ．
首先，对 $C$ ．进行第三类分块初等变换得到矩阵 $M=\left(\begin{array}{cc}O & A B \\ -I_n & B\end{array}\right)$ ．事实上， $\boldsymbol{M}$ 可写为

$$
\boldsymbol{M}=\left(\begin{array}{cc}
\boldsymbol{I}_m & \boldsymbol{A} \\
\boldsymbol{O} & \boldsymbol{I}_n
\end{array}\right) \boldsymbol{C}
$$

因此 $|\boldsymbol{M}|=|\boldsymbol{C}|$ ．用 Laplace 定理来计算 $|\boldsymbol{M}|$ ，按前 $m$ 行展开得

$$
|\boldsymbol{M}|=(-1)^{(n+1+n+2+\cdots+n+m)+(1+2+\cdots+m)}\left|-\boldsymbol{I}_n\right||\boldsymbol{A} \boldsymbol{B}|=(-1)^{n(m+1)}|\boldsymbol{A} \boldsymbol{B}| .
$$

再来计算 $|\boldsymbol{C}|$ ，用 Laplace 定理按前 $m$ 行展开．这时若 $m>n$ ，则前 $m$ 行中任意一个 $m$ 阶子式都至少有一列全为零，因此行列式值等于零，即 $|\boldsymbol{A B}|=0$ 。若 $m \leq n$ ，则由 Laplace 定理得

$$
|\boldsymbol{C}|=\sum_{1 \leq j_1<j_2<\cdots<j_m \leq n} \boldsymbol{A}\left(\begin{array}{cccc}
1 & 2 & \cdots & m \\
j_1 & j_2 & \cdots & j_m
\end{array}\right) \widehat{\boldsymbol{C}}\left(\begin{array}{cccc}
1 & 2 & \cdots & m \\
j_1 & j_2 & \cdots & j_m
\end{array}\right),
$$

其中 $\widehat{\boldsymbol{C}}\left(\begin{array}{cccc}1 & 2 & \cdots & m \\ j_1 & j_2 & \cdots & j_m\end{array}\right)$ 是 $\boldsymbol{A}\left(\begin{array}{cccc}1 & 2 & \cdots & m \\ j_1 & j_2 & \cdots & j_m\end{array}\right)$ 在矩阵 $\boldsymbol{C}$ 中的代数余子式．显然

$$
\widehat{C}\left(\begin{array}{cccc}
1 & 2 & \cdots & m \\
j_1 & j_2 & \cdots & j_m
\end{array}\right)=(-1)^{\frac{1}{2} m(m+1)+\left(j_1+j_2+\cdots+j_m\right)}\left|-e_{i_1},-e_{i_2}, \cdots,-e_{i_{n-m}}, B\right|,
$$

其中 $i_1, i_2, \cdots, i_{n-m}$ 是 $\boldsymbol{C}$ 中前 $n$ 列去掉 $j_1, j_2, \cdots, j_m$ 列后余下的列序数。 $\boldsymbol{e}_{i_1}$ ， $e_{i_2}, \cdots, e_{i_{n-m}}$ 是相应的 $n$ 维标准单位列向量（标准单位向量定义参见本章复习题 1）．记

$$
|\boldsymbol{N}|=\left|-\boldsymbol{e}_{i_1},-\boldsymbol{e}_{i_2}, \cdots,-\boldsymbol{e}_{i_{n-m}}, \boldsymbol{B}\right|
$$

现来计算 $|N| .|N|$ 用 Laplace 定理按前 $n-m$ 列展开．注意只有一个子式非零，其值等于 $\left|-\boldsymbol{I}_{n-m}\right|=(-1)^{n-m}$ 。而这个子式的余子式为

$$
\boldsymbol{B}\left(\begin{array}{cccc}
j_1 & j_2 & \cdots & j_m \\
1 & 2 & \cdots & m
\end{array}\right) .
$$

因此

$$
|N|=(-1)^{(n-m)+\left(i_1+i_2+\cdots+i_{n-m}\right)+(1+2+\cdots+n-m)} B\left(\begin{array}{cccc}
j_1 & j_2 & \cdots & j_m \\
1 & 2 & \cdots & m
\end{array}\right) .
$$

注意到 $\left(i_1+i_2+\cdots+i_{n-m}\right)+\left(j_1+j_2+\cdots+j_m\right)=1+2+\cdots+n$ ．综合上面的结论，通过简单计算不难得到

> **几何意义**  $\det(AA^T)$（当 $m \le n$）可以看作 格拉姆Gram 行列式，表示 $A$ 的列向量张成的平行多面体体积的平方。  Binet-Cauchy 公式说明：这个体积平方等于所有可能的 $m$ 个列向量子集与对应行子集构成的 Gram 行列式的和。

## 推广
下面的定理是 Cauchy－Binet 公式的进一步推广，它告诉我们如何求矩阵乘积的 $r$ 阶子式．

**定理2.7.2** 设 $\boldsymbol{A}=\left(a_{i j}\right)$ 是 $m \times n$ 矩阵， $\boldsymbol{B}=\left(b_{i j}\right)$ 是 $n \times m$ 矩阵，$r$ 是一个正整数且 $r \leq m$ ．
（1）若 $r>n$ ，则 $\boldsymbol{A} \boldsymbol{B}$ 的任意一个 $r$ 阶子式等于零；
（2）若 $r \leq n$ ，则 $\boldsymbol{A} \boldsymbol{B}$ 的 $r$ 阶子式

$$
\begin{gathered}
\boldsymbol{A} \boldsymbol{B}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right) \\
=\sum_{1 \leq k_1<k_2<\cdots<k_r \leq n} \boldsymbol{A}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
k_1 & k_2 & \cdots & k_r
\end{array}\right) \boldsymbol{B}\left(\begin{array}{cccc}
k_1 & k_2 & \cdots & k_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right) .
\end{gathered}
$$

证明 设 $\boldsymbol{C}=\boldsymbol{A B}$ ，则 $\boldsymbol{C}=\left(c_{i j}\right)$ 是 $m$ 阶矩阵且

$$
c_{i j}=a_{i 1} b_{1 j}+a_{i 2} b_{2 j}+\cdots+a_{i n} b_{n j} .
$$

因此
$$
\begin{aligned} 
&C\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right)=\left(\begin{array}{cccc}
a_{i_1 1} & a_{i_1 2} & \cdots & a_{i_1 n} \\
a_{i_2 1} & a_{i_2 2} & \cdots & a_{i_2 n} \\
\vdots & \vdots & & \vdots \\
a_{i_r 1} & a_{i_r 2} & \cdots & a_{i_r n}
\end{array}\right)\left(\begin{array}{cccc}
b_{1 j_1} & b_{1 j_2} & \cdots & b_{1 j_r} \\
b_{2 j_1} & b_{2 j_2} & \cdots & b_{2 j_r} \\
\vdots & \vdots & & \vdots \\
b_{n j_1} & b_{n j_2} & \cdots & b_{n j_r}
\end{array}\right)
\end{aligned}
$$

由定理2.7.1 可知：当 $r > n$ 时

$$
C\left(\begin{array}{llll}
i_1 & i_2 & \cdots & i_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right)=0
$$

当 $ r \leq n $ 时

$$
 \boldsymbol{C}\left(\begin{array}{llll}
i_1 & i_2 & \cdots & i_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right) 
$$

$$
=\sum_{1 \leq k_1<k_2<\cdots<k_r \leq n} \boldsymbol{A}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
k_1 & k_2 & \cdots & k_r
\end{array}\right) \boldsymbol{B}\left(\begin{array}{cccc}
k_1 & k_2 & \cdots & k_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right) .
$$

### 主子式 
矩阵 $\boldsymbol{A}$ 的子式

$$
\boldsymbol{A}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
j_1 & j_2 & \cdots & j_r
\end{array}\right) .
$$

如果满足条件 $i_1=j_1, i_2=j_2, \cdots, i_r=j_r$ ，则称为**主子式**。

**推论2.7.1** 设 $\boldsymbol{A}$ 是 $m \times n$ 实矩阵，则矩阵 $\boldsymbol{A} \boldsymbol{A}^{\prime}$ 的任一主子式都非负．
证明 若 $r \leq n$ ，则由定理 2．7．2 得到

$$
\boldsymbol{A} \boldsymbol{A}^{\prime}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
i_1 & i_2 & \cdots & i_r
\end{array}\right)=\sum_{1 \leq k_1<k_2<\cdots<k_r \leq n} \boldsymbol{A}\left(\begin{array}{cccc}
i_1 & i_2 & \cdots & i_r \\
k_1 & k_2 & \cdots & k_r
\end{array}\right)^2 \geq 0 ;
$$

若 $r>n$ ，则 $\boldsymbol{A} \boldsymbol{A}^{\prime}$ 的任一 $r$ 阶主子式都等于零，结论也成立．

### 应用
下面介绍 Cauchy－Binet 公式的两个重要应用．它们分别是著名的 Lagrange （拉格朗日）恒等式和 Cauchy－Schwarz（柯西－许瓦兹）不等式．这两个结论也可以用其他方法证明，但用矩阵方法显得非常简洁。
 
`例`证明 Lagrange 恒等式（ $n \geq 2$ ）：

$$
\left(\sum_{i=1}^n a_i^2\right)\left(\sum_{i=1}^n b_i^2\right)-\left(\sum_{i=1}^n a_i b_i\right)^2=\sum_{1 \leq i<j \leq n}\left(a_i b_j-a_j b_i\right)^2 .
$$

证明 左边的式子等于

$$
\left|\begin{array}{cc}
\sum_{i=1}^n a_i^2 & \sum_{i=1}^n a_i b_i \\
\sum_{i=1}^n a_i b_i & \sum_{i=1}^n b_i^2
\end{array}\right|,
$$

这个行列式对应的矩阵可化为

$$
\left(\begin{array}{cccc}
a_1 & a_2 & \cdots & a_n \\
b_1 & b_2 & \cdots & b_n
\end{array}\right)\left(\begin{array}{cc}
a_1 & b_1 \\
a_2 & b_2 \\
\vdots & \vdots \\
a_n & b_n
\end{array}\right) .
$$

用 Cauchy－Binet 公式得

$$
\left|\begin{array}{cc}
\sum_{i=1}^n a_i^2 & \sum_{i=1}^n a_i b_i \\
\sum_{i=1}^n a_i b_i & \sum_{i=1}^n b_i^2
\end{array}\right|=\sum_{1 \leq i<j \leq n}\left|\begin{array}{cc}
a_i & a_j \\
b_i & b_j
\end{array}\right|\left|\begin{array}{cc}
a_i & b_i \\
a_j & b_j
\end{array}\right|=\sum_{1 \leq i<j \leq n}\left(a_i b_j-a_j b_i\right)^2 .
$$

### 理解：拉格朗日恒等式

1. 基本形式（三维向量）

对于三维空间中的向量 $\mathbf{a}, \mathbf{b}$，Lagrange 恒等式为：

$$
(\mathbf{a} \cdot \mathbf{b})^2 + |\mathbf{a} \times \mathbf{b}|^2 = |\mathbf{a}|^2 \, |\mathbf{b}|^2
$$

或者写成：

$$
(a_1 b_1 + a_2 b_2 + a_3 b_3)^2 + (a_2 b_3 - a_3 b_2)^2 + (a_3 b_1 - a_1 b_3)^2 + (a_1 b_2 - a_2 b_1)^2
= (a_1^2 + a_2^2 + a_3^2)(b_1^2 + b_2^2 + b_3^2)
$$

**推导（三维）**

设  
$$
\mathbf{a} = (a_1,a_2,a_3), \quad \mathbf{b} = (b_1,b_2,b_3)
$$  
点积：  
$$
\mathbf{a} \cdot \mathbf{b} = a_1 b_1 + a_2 b_2 + a_3 b_3
$$  
叉积的模平方：  
$$
|\mathbf{a} \times \mathbf{b}|^2 = (a_2 b_3 - a_3 b_2)^2 + (a_3 b_1 - a_1 b_3)^2 + (a_1 b_2 - a_2 b_1)^2
$$  
左边第一项 $(\mathbf{a} \cdot \mathbf{b})^2$ 加上第二项 $|\mathbf{a} \times \mathbf{b}|^2$ 正好等于右边 $|\mathbf{a}|^2 |\mathbf{b}|^2$。

2. 与 Cauchy–Schwarz 不等式的关系

由 Lagrange 恒等式：
$$
(\mathbf{a} \cdot \mathbf{b})^2 = |\mathbf{a}|^2 |\mathbf{b}|^2 - |\mathbf{a} \times \mathbf{b}|^2 \le |\mathbf{a}|^2 |\mathbf{b}|^2
$$
即得 Cauchy–Schwarz 不等式：
$$
(\mathbf{a} \cdot \mathbf{b})^2 \le |\mathbf{a}|^2 |\mathbf{b}|^2
$$
等号成立当且仅当 $\mathbf{a} \times \mathbf{b} = \mathbf{0}$（即两向量共线）。
 
 3. 高维推广（行列式形式）

对于 $n$ 维向量，Lagrange 恒等式可以写成 **格拉姆Gram 行列式** 的形式：

设 $\mathbf{a}_1, \dots, \mathbf{a}_m$ 是 $n$ 维向量（$n \ge m$），定义 Gram 矩阵 $G = (\mathbf{a}_i \cdot \mathbf{a}_j)_{m\times m}$，则  
$$
\det(G) = \sum_{1\le i_1<\dots<i_m\le n} \det[\mathbf{a}_{i_1} \cdots \mathbf{a}_{i_m}]^2
$$
其中 $\det[\mathbf{a}_{i_1} \cdots \mathbf{a}_{i_m}]$ 是把这些向量作为列构成的 $m\times m$ 矩阵的行列式（当 $m=n$ 时就是普通行列式）。

特别地，当 $m=2$ 时，设 $\mathbf{a} = (a_1,\dots,a_n)$，$\mathbf{b} = (b_1,\dots,b_n)$，则  
$$
(\mathbf{a} \cdot \mathbf{b})^2 + \sum_{1\le i<j\le n} (a_i b_j - a_j b_i)^2 = (\mathbf{a} \cdot \mathbf{a})(\mathbf{b} \cdot \mathbf{b})
$$
这是三维情形的自然推广。
 
4. 矩阵形式的 Lagrange 恒等式

设 $A$ 是 $m\times n$ 矩阵，$B$ 是 $m\times n$ 矩阵，考虑 $m=2$ 的特殊情况（与 Binet–Cauchy 相关）：

对于 $2\times n$ 矩阵 $X = \begin{pmatrix} \mathbf{x}_1 \\ \mathbf{x}_2 \end{pmatrix}$，$Y = \begin{pmatrix} \mathbf{y}_1 \\ \mathbf{y}_2 \end{pmatrix}$，有恒等式：
$$
\det(X X^T) \det(Y Y^T) = \det\left( \begin{pmatrix} \mathbf{x}_1\cdot \mathbf{y}_1 & \mathbf{x}_1\cdot \mathbf{y}_2 \\ \mathbf{x}_2\cdot \mathbf{y}_1 & \mathbf{x}_2\cdot \mathbf{y}_2 \end{pmatrix} \right)^2 + \text{(其他项)}
$$
更常见的矩阵 Lagrange 恒等式是 **Sylvester 恒等式** 的一种，但经典 Lagrange 恒等式在矩阵上的体现是：
$$
(AA^T)(BB^T) - (A B^T)(B A^T) = \text{某个非负定矩阵}
$$
不过更常用的表述是 **Frobenius 内积** 下的恒等式。

**例子（三维数值验证）**

取 $\mathbf{a} = (1,2,3)$，$\mathbf{b} = (4,5,6)$。

点积：$\mathbf{a} \cdot \mathbf{b} = 4+10+18=32$，平方 $=1024$。

叉积：
$$
\mathbf{a} \times \mathbf{b} = (2\cdot 6 - 3\cdot 5, \; 3\cdot 4 - 1\cdot 6, \; 1\cdot 5 - 2\cdot 4) = (-3, 6, -3)
$$
模平方：$(-3)^2 + 6^2 + (-3)^2 = 9+36+9=54$。

左边：$1024 + 54 = 1078$。

右边：$|\mathbf{a}|^2 = 1+4+9=14$，$|\mathbf{b}|^2=16+25+36=77$，乘积 $14\times 77 = 1078$。成立。

> **总结**：Lagrange 恒等式是连接点积与叉积（或高维外积）的基本恒等式，揭示了内积空间中长度、角度与“垂直部分”平方和的关系，是 Cauchy–Schwarz 的基础。

`例`设 $a_i, b_i$ 都是实数，证明 Cauchy－Schwarz 不等式：

$$
\left(\sum_{i=1}^n a_i^2\right)\left(\sum_{i=1}^n b_i^2\right) \geq\left(\sum_{i=1}^n a_i b_i\right)^2 .
$$

证明 由例1，恒等式右边总非负，即得结论．

### 柯西–施瓦茨不等式的几何意义
在实数向量空间 $\mathbb{R}^n$ 中，设 $\mathbf{u}, \mathbf{v}$ 是两个向量，柯西–施瓦茨不等式为：
$$
|\mathbf{u} \cdot \mathbf{v}| \le \|\mathbf{u}\| \, \|\mathbf{v}\|
$$
其中：
- $\mathbf{u} \cdot \mathbf{v} = \|\mathbf{u}\| \|\mathbf{v}\| \cos\theta$（$\theta$ 是两向量夹角）
- $\|\mathbf{u}\|, \|\mathbf{v}\|$ 是向量的长度（模）

点积与夹角的关系

由定义：
$$
\mathbf{u} \cdot \mathbf{v} = \|\mathbf{u}\| \|\mathbf{v}\| \cos\theta
$$
代入不等式：
$$
|\|\mathbf{u}\| \|\mathbf{v}\| \cos\theta| \le \|\mathbf{u}\| \|\mathbf{v}\|
$$
假设 $\mathbf{u}, \mathbf{v}$ 都不是零向量，两边同时除以 $\|\mathbf{u}\| \|\mathbf{v}\|$：
$$
|\cos\theta| \le 1
$$
这正是三角函数的基本性质！

因此，

> **柯西–施瓦茨不等式的几何本质就是： 任意两个非零向量的夹角的余弦值绝对值不超过1**

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇： Laplace 拉普拉斯展开式

下一篇：没有了

本文对您是否有用？有用 (0) 无用 (0)