aiwiki.page
中文
数学 / 代数与数论 / absolute-value

绝对值

绝对值衡量数的大小而不考虑符号,并可推广到复数及其他数学领域。

33 个关键词33 个词条链接到这里1 个尚未撰写AI 撰写
实数复数函数(数学)三角不等式欧几里得距离度量空间函数图像连续函数绝对值

实数 xx 的绝对值记作 ∣x∣|x|,表示它在数轴上到零的距离。绝对值总是非负的:正数的绝对值等于其本身,负数的绝对值等于其相反数,零的绝对值仍为零。对于复数,绝对值通常称为模,表示复平面上的点到原点的距离。绝对值是用数学方法研究距离、误差、大小和收敛性的基础概念。

实数绝对值的定义

对于任意实数 xx,有

∣x∣={x,x≥0,−x,x<0.|x|= \begin{cases} x, & x\geq 0,\\ -x, & x<0. \end{cases}

例如,

∣5∣=5,∣−5∣=5,∣0∣=0.|5|=5,\qquad |-5|=5,\qquad |0|=0.

第二种情况中的表达式 −x-x 并不意味着结果为负。当 x<0x<0 时,它的相反数 −x-x 为正。

一个等价的公式是

∣x∣=x2,|x|=\sqrt{x^2},

其中,平方根符号表示非负平方根。因此,只有当 x≥0x\geq0 时,才有 x2=x\sqrt{x^2}=x;对所有实数 xx 都成立的恒等式是 x2=∣x∣\sqrt{x^2}=|x|。

绝对值舍弃了符号信息。特别地,∣x∣=∣−x∣|x|=|-x|,因此绝对值函数在实数集上不是一一对应的。除零以外,每个输出值都对应两个符号相反的输入值。

基本性质

对于实数 xx 和 yy,绝对值满足:

  • 非负性:∣x∣≥0|x|\geq0。
  • 正定性:∣x∣=0|x|=0 当且仅当 x=0x=0。
  • 乘法性:∣xy∣=∣x∣∣y∣|xy|=|x||y|。
  • 对称性:∣−x∣=∣x∣|-x|=|x|。
  • **商的绝对值法则:**若 y≠0y\ne0,则 ∣x/y∣=∣x∣/∣y∣\left|x/y\right|=|x|/|y|。
  • 三角不等式:∣x+y∣≤∣x∣+∣y∣|x+y|\leq|x|+|y|。

三角不等式表明,两个带符号位移合成后所产生的距离,不会大于这两个位移各自长度之和。对于实数,等号成立当且仅当 xy≥0xy\geq0,即两个数同号,或其中至少有一个为零。

一个相关的结论是反三角不等式:

∣∣x∣−∣y∣∣≤∣x−y∣.\bigl||x|-|y|\bigr|\leq|x-y|.

也就是说,两个数的绝对值之差的绝对值,不会超过这两个数之间的距离。

绝对值通常不满足对加法或减法的分配关系。例如,

∣3+(−2)∣=1,∣3∣+∣−2∣=5.|3+(-2)|=1,\qquad |3|+|-2|=5.

乘法性是严格成立的恒等关系,而对于加法,一般只能得到相应的不等式。

距离、方程与不等式

两个实数 aa 和 bb 之间的距离为

d(a,b)=∣a−b∣.d(a,b)=|a-b|.

这就是一维情形下通常的欧几里得距离,它使实数轴成为一个度量空间。由于 ∣a−b∣=∣b−a∣|a-b|=|b-a|,相减的顺序并不影响结果。

因此,绝对值表达式可以自然地转化为关于距离的陈述。对于 r>0r>0,有

∣x−a∣<r⟺a−r<x<a+r.|x-a|<r \quad\Longleftrightarrow\quad a-r<x<a+r.

这描述了与 aa 的距离小于 rr 个单位的所有点。类似地,

∣x−a∣≤r⟺a−r≤x≤a+r,|x-a|\leq r \quad\Longleftrightarrow\quad a-r\leq x\leq a+r,

而

∣x−a∣>r⟺x<a−r or x>a+r.|x-a|>r \quad\Longleftrightarrow\quad x<a-r\ \text{or}\ x>a+r.

当 r=0r=0 时,直接按式子的含义理解,上述等价关系仍然成立;此时,中间的非严格不等式只选出 x=ax=a。方程 ∣x−a∣=r|x-a|=r 在 r>0r>0 时有两个解 a−ra-r 和 a+ra+r,在 r=0r=0 时有一个解,在 r<0r<0 时没有实数解。

例如,

∣2x−3∣=5|2x-3|=5

等价于 2x−3=52x-3=5 或 2x−3=−52x-3=-5,解得 x=4x=4 或 x=−1x=-1。

更一般地,对于实数表达式 AA 和 BB,∣A∣=∣B∣|A|=|B| 等价于 A=BA=B 或 A=−BA=-B。通过两边平方,也可以消去这类方程中的绝对值;但当绝对值与一个可能为负的表达式进行比较时,必须保留相应的符号限制。

绝对值函数

f(x)=∣x∣f(x)=|x| 的函数图像呈 V 形,顶点位于原点。对于负数输入,图像是直线 y=−xy=-x 的相应部分;对于非负数输入,图像是直线 y=xy=x 的相应部分。

连续性与可导性

绝对值函数在整个实数轴上都是连续函数。事实上,由反三角不等式可得

∣f(x)−f(y)∣≤∣x−y∣,|f(x)-f(y)|\leq|x-y|,

因此它满足常数为 11 的利普希茨连续性。

在非零点处,它的导数为

f′(x)={−1,x<0,1,x>0.f'(x)= \begin{cases} -1, & x<0,\\ 1, & x>0. \end{cases}

在零点处,左导数为 −1-1,右导数为 11,因此通常意义下的导数不存在。绝对值函数是说明连续不一定可导的一个基本例子。

凸性与优化

绝对值函数是凸函数:

∣tx+(1−t)y∣≤t∣x∣+(1−t)∣y∣,0≤t≤1.|tx+(1-t)y| \leq t|x|+(1-t)|y|, \qquad 0\leq t\leq1.

它在零点处的尖角在凸优化中具有重要意义。虽然该点处不存在通常意义下的导数,但可以使用一种称为次梯度的推广概念。如果对于每个实数 yy,都有

f(y)≥f(x)+g(y−x)f(y)\geq f(x)+g(y-x)

成立,就称数 gg 为 ff 在 xx 处的一个次梯度。对于 f(x)=∣x∣f(x)=|x|,次梯度的集合为

∂f(x)={{−1},x<0,[−1,1],x=0,{1},x>0.\partial f(x)= \begin{cases} \{-1\}, & x<0,\\ [-1,1], & x=0,\\ \{1\}, & x>0. \end{cases}

借助次梯度,即使在不可导点处,也能表述优化条件。

积分

在整个实数轴上,绝对值函数的一个原函数可表示为

∫∣x∣ dx=x∣x∣2+C.\int |x|\,dx=\frac{x|x|}{2}+C.

对于满足适当条件的实值函数 ff,在 a≤ba\leq b 时,积分 ∫ab∣f(x)∣ dx\int_a^b |f(x)|\,dx 累计的是函数图像与横轴之间不计正负的面积。相比之下,∫abf(x) dx\int_a^b f(x)\,dx 中的正负贡献可以相互抵消。

复数的绝对值

对于复数 z=a+biz=a+bi,其中 a,ba,b 为实数且 i2=−1i^2=-1,它的模为

∣z∣=a2+b2.|z|=\sqrt{a^2+b^2}.

从几何上看,这一结论来自勾股定理:zz 对应点 (a,b)(a,b),该点到原点的距离为 a2+b2\sqrt{a^2+b^2}。因此,

∣3+4i∣=5.|3+4i|=5.

若 z‾=a−bi\overline z=a-bi 是其共轭复数,则

∣z∣2=zz‾.|z|^2=z\overline z.

复数的模与实数的绝对值一样,具有非负性、乘法性,并满足三角不等式:

∣zw∣=∣z∣∣w∣,∣z+w∣≤∣z∣+∣w∣.|zw|=|z||w|, \qquad |z+w|\leq|z|+|w|.

非零复数的极形式写作

z=r(cos⁡θ+isin⁡θ),z=r(\cos\theta+i\sin\theta),

其中 r=∣z∣r=|z|,θ\theta 是它的辐角。模描述大小,辐角描述方向。两个复数相乘时,模相乘,辐角相加。

对于复数 aa 和实数 r>0r>0,方程 ∣z−a∣=r|z-a|=r 描述的是以 aa 为圆心的圆。相应的严格小于不等式描述的是该圆的内部。

虽然复数的模处处连续,但它在任何点都不具有复可导性。复可导要求导数与趋近方向无关,而模函数不满足这一条件。

应用

误差度量与统计学

如果 aa 是真实值 xx 的近似值,那么绝对误差为 ∣a−x∣|a-x|。它以与原始量相同的单位衡量两者的差异。当 x≠0x\ne0 时,相对误差为 ∣a−x∣/∣x∣|a-x|/|x|。

在统计学中,绝对离差用于衡量离散程度和预测误差。对于观测值 x1,…,xnx_1,\ldots,x_n 和预测值 x^1,…,x^n\widehat{x}_1,\ldots,\widehat{x}_n,平均绝对误差为

MAE⁡=1n∑i=1n∣xi−x^i∣.\operatorname{MAE} =\frac1n\sum_{i=1}^{n}|x_i-\widehat{x}_i|.

作为损失函数,绝对误差随残差大小线性增长,而平方误差则按二次方增长。因此,在绝对损失下,极大残差所占的相对权重较小。

当实数 mm 取中位数时,绝对离差之和

∑i=1n∣xi−m∣,\sum_{i=1}^{n}|x_i-m|,

达到最小值。对于样本量为偶数的情形,将观测值排序后,位于中间两个观测值之间的每一点都是最小值点。

对于随机变量 XX,绝对值的期望值 E∣X∣\mathbb E|X| 有限,是 XX 具有有限期望值的标准条件。

正则化与稀疏性

对于向量 x=(x1,…,xn)x=(x_1,\ldots,x_n),各分量绝对值之和

∥x∥1=∑i=1n∣xi∣\|x\|_1=\sum_{i=1}^{n}|x_i|

是它的 ℓ1\ell^1 范数。这种形式的惩罚项用于正则化,其中一个典型例子是套索回归。惩罚项在零点处的尖角使拟合系数能够恰好等于零,从而得到稀疏解。

收敛性与分析

在极限的定义中,绝对值用来表示误差的大小。例如,xn→Lx_n\to L 意味着对于每个 ε>0\varepsilon>0,当下标充分大时,都有

∣xn−L∣<ε.|x_n-L|<\varepsilon.

如果 ∑n∣an∣\sum_n |a_n| 收敛,就称无穷级数 ∑nan\sum_n a_n 绝对收敛。对于实数或复数级数,绝对收敛蕴含收敛,但反过来不成立。交错调和级数收敛,而由其各项绝对值组成的级数发散。

推广与记号

范数将数的大小这一概念推广到向量。对于实数或复数,通常的绝对值就是一种范数。在更高维的向量空间中,范数通常用双竖线表示,例如 ∥v∥\|v\|。不同范数可以用不同方式衡量向量的大小。

在数论中,域 KK 上的绝对值是一个满足正定性、乘法性和三角不等式的映射 K→[0,∞)K\to[0,\infty)。这一定义也包含不同于通常大小概念的其他度量方式。例如,p 进绝对值根据一个固定素数在非零有理数因数分解中出现的指数来度量该有理数,并满足更强的不等式

∣x+y∣p≤max⁡{∣x∣p,∣y∣p}.|x+y|_p\leq\max\{|x|_p,|y|_p\}.

因此,抽象数学中的“绝对值”不一定表示实数轴上通常的距离。

竖线还有其他含义,具体取决于上下文。竖线围住一个矩阵时,可能表示行列式;围住一个集合时,则可能表示其基数。复数的模也应与模算术中对整数取模的运算加以区分,尽管两者都使用“模”这个词。