27.10.2014 Views

(pdf), nem végleges kézirat - Széchenyi István Egyetem

(pdf), nem végleges kézirat - Széchenyi István Egyetem

(pdf), nem végleges kézirat - Széchenyi István Egyetem

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

2.4. Skaláris szorzat és norma R n -ben<br />

2. lecke, 1. oldal<br />

2-5. Definíció: Az x := (x 1 ,x 2 ,...,x n ) ∈ R n , y := (y 1 ,y 2 ,...,y n ) ∈ R n vektorok skaláris szorzatának a<br />

következő számot nevezzük:<br />

〈x,y〉 :=<br />

n∑<br />

x k y k = x 1 y 1 + x 2 y 2 + ... + x n y n<br />

k=1<br />

2-6. Definíció: Az x ∈ R n vektor normája vagy abszolút értéke:<br />

||x|| := √ ∑<br />

〈x,x〉 = √ n x 2 k<br />

√x = 2 1 + x2 2 + ... + x2 n<br />

k=1<br />

2-7. Definíció: Az x,y ∈ R n vektorok távolságának pedig az ||x − y|| számot nevezzük.<br />

Következésképp ||x|| az x vektor távolsága a 0 zérusvektortól.<br />

Ezekkel a fogalmakkal a már ismert Cauchy-egyenlőtlenség az alábbi tömör alakba írható:<br />

|〈x,y〉| ≤ ||x|| · ||y||<br />

A skaláris szorzatnak és a normának síkbeli vektorok esetén szemléletes jelentése van. Legyenek<br />

x = (x 1 ,x 2 ), y = (y 1 ,y 2 ) ∈ R 2 tetszőleges vektorok. Kifejezve a vektorok koordinátáit a vektorok hosszával és<br />

irányszögével:

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!