Евклидово расстояние

Евклидово расстояние — это метрика, определяющая расстояние между двумя точками в евклидовом пространстве, вычисляемое как квадратный корень из суммы квадратов разностей соответствующих координат этих точек. В математике и её приложениях евклидово расстояние является наиболее распространённым способом измерения длины отрезка, соединяющего две точки, и служит основой для многих геометрических, физических и статистических моделей. В двумерном и трёхмерном пространствах оно соответствует интуитивному представлению о расстоянии, которое можно измерить линейкой.

Определение и формула

В общем случае, для двух точек A и B в \(n\)-мерном евклидовом пространстве с координатами \(A = (a_1, a_2, \dots, a_n)\) и \(B = (b_1, b_2, \dots, b_n)\) евклидово расстояние \(d(A, B)\) определяется как:

\[ d(A, B) = \sqrt{\sum_{i=1}^{n} (a_i - b_i)^2} \]

Частные случаи

• Одномерное пространство: для точек на прямой с координатами \(x_1\) и \(x_2\) евклидово расстояние равно модулю разности: \(d = |x_1 - x_2|\).
• Двумерное пространство (плоскость): для точек \(A = (x_1, y_1)\) и \(B = (x_2, y_2)\) формула принимает вид: \(d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}\), что является прямым следствием теоремы Пифагора.
• Трёхмерное пространство: для точек \(A = (x_1, y_1, z_1)\) и \(B = (x_2, y_2, z_2)\): \(d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2 + (z_2 - z_1)^2}\).

Свойства

Евклидово расстояние удовлетворяет аксиомам метрики, что делает его частным случаем метрического пространства:

1. Неотрицательность: \(d(A, B) \ge 0\), причём \(d(A, B) = 0\) тогда и только тогда, когда \(A = B\).
2. Симметричность: \(d(A, B) = d(B, A)\).
3. Неравенство треугольника: для любых трёх точек \(A, B, C\) выполняется \(d(A, C) \le d(A, B) + d(B, C)\).

Кроме того, евклидово расстояние инвариантно относительно параллельных переносов и вращений системы координат, что отражает его геометрическую природу. Оно также является частным случаем \(L_2\)-нормы разности векторов.

История

Понятие расстояния, соответствующего современному евклидову, восходит к античной геометрии. В «Началах» Евклида (около 300 г. до н. э.) было сформулировано определение прямой линии как кратчайшего расстояния между двумя точками, хотя строгой алгебраической формулы не существовало. Математическая запись расстояния через координаты появилась после введения декартовой системы координат в XVII веке. В 1637 году Рене Декарт в своей работе «Геометрия» заложил основы аналитической геометрии, что позволило выражать геометрические величины алгебраически. Формула для расстояния на плоскости была известна ещё в античности как теорема Пифагора, но её обобщение на многомерные пространства стало возможным в XIX веке благодаря работам Бернхарда Римана, Германа Грассмана и других математиков, развивавших теорию многомерных евклидовых пространств. Термин «евклидово расстояние» закрепился в математической литературе в XX веке для отличия от других метрик, таких как манхэттенское расстояние или расстояние Чебышёва.

Применение

Евклидово расстояние широко используется в различных областях науки и техники благодаря своей простоте и геометрической интерпретации.

Математика и геометрия

• Геометрические задачи: вычисление длины отрезка, периметра и площади фигур, расстояния от точки до прямой или плоскости.
• Анализ данных: в методах кластеризации (например, k-средних) и классификации (k-ближайших соседей) евклидово расстояние является стандартной мерой сходства между объектами.
• Машинное обучение: в алгоритмах, основанных на расстояниях, таких как метод опорных векторов (SVM) с радиальными базисными функциями.

Физика и инженерия

• Классическая механика: расчёт траекторий, дальности полёта, длины пути.
• Компьютерная графика: определение расстояний между объектами в трёхмерном пространстве для коллизий, освещения и рендеринга.
• Навигация и геодезия: хотя на больших расстояниях на поверхности Земли используется сферическая геометрия, евклидово расстояние применяется для локальных измерений (например, в строительстве).

Информатика и обработка сигналов

• Компьютерное зрение: сравнение изображений по евклидову расстоянию между векторами признаков (например, гистограммами цветов).
• Кодирование и сжатие: в задачах векторного квантования.
• Поиск информации: ранжирование документов по близости векторов в пространстве терминов (например, в латентно-семантическом анализе).

Статистика и эконометрика

• Многомерное шкалирование: визуализация данных путём проецирования точек в пространство меньшей размерности с сохранением евклидовых расстояний.
• Метод главных компонент: евклидово расстояние используется для оценки разброса данных.

Сравнение с другими метриками

В отличие от других метрик, евклидово расстояние обладает свойством вращательной инвариантности, что делает его естественным выбором для задач, где важна геометрическая ориентация. Однако в некоторых случаях оно может быть менее подходящим.

В задачах, где данные имеют разный масштаб (например, рост в сантиметрах и вес в килограммах), евклидово расстояние может давать некорректные результаты, если не провести нормализацию. В таких случаях часто применяют взвешенное евклидово расстояние или переходят к другим метрикам.

Интересные факты

• Евклидово расстояние является частным случаем \(L_p\)-нормы при \(p=2\). При \(p=1\) получается манхэттенское расстояние, а при \(p \to \infty\) — расстояние Чебышёва.
• В многомерных пространствах (например, с размерностью более 100) евклидово расстояние теряет свою различительную способность из-за явления «проклятия размерности»: все точки становятся примерно одинаково удалёнными друг от друга.
• В квантовой механике евклидово расстояние используется в пространстве состояний, но с комплексными координатами, что приводит к понятию метрики Фубини — Штуди.
• В компьютерной графике для ускорения вычислений евклидова расстояния часто применяют квадрат расстояния (без извлечения корня), так как сравнение квадратов даёт тот же порядок.

Источники

• «Начала» Евклида (книги I–VI), перевод с древнегреческого.
• Декарт Р. «Геометрия» (1637).
• Колмогоров А. Н., Фомин С. В. «Элементы теории функций и функционального анализа» (1976).
• Боровков А. А. «Математическая статистика» (1984).
• Hastie T., Tibshirani R., Friedman J. «The Elements of Statistical Learning» (2009).