标签：Phi partial bold 映射 vec 几何 直观 行列式

note 2020-07-26搬运 老早以前写的，很大一部分就是摘抄课本，语言稚嫩且缺少条理,格式七拼八凑不够正式

摘要

由平行四边形面积、平行六面体体积、行列式之间的简单联系谈及盒维数、微分是线性映射、度规系数、重积分变量代换定理。夹杂一些几何直观。

引言

在笛卡尔坐标系下，由矢量代数或其他什么方法容易得出：以向量\(（a,b）\), \((c, d)\)为邻边的平行四边形面积为\(|a d-b c|\)；以向量\(（a ,b ,c）\),\((d ,e ,f )\) ,\((g ,h , i )\)为平行六面体某顶点相交的三条棱，则平行六面体体积是\(Abs[\left|\begin{matrix}a\ b\ c\\ d\ e\ f \\ g\ h\ i \end{matrix} \right|]\).形式上就像相应的2阶行列式、3阶行列式再套上绝对值.(对有向面积、体积求绝对值)

对这一联系的本原的简单探索引导我写下此文.

正文

我们知道数学概念不是凭空定义出来的，行列式的定义也必有其道理所在.

从一个与行列式关系密切的定理出发：

在线性代数中我们有定理：对可逆线性变换\(\bold{A}\)，有体积关系：

\[μ(\bold{A}(C))=| det\bold{A}| μ(C) \]

这里\(\mu\)是若尔当体积（即用不断细小的“网格”测出来收敛的“体积”）（感兴趣还可以移步若尔当容度、盒维数）

举个例子：

在笛卡尔坐标系下，由单位基矢\(\hat{i},\hat{j},\hat{k}\) “围成”的立体体积是1；对点\(（1,0,0）^T\)，\(（0,1,0）^T\)，\(（0,0,1）^T\)做A对应的线性变换(左乘A对应的3*3矩阵)，得到对应的，\(\bold{x1}=（a_{11},a_{12},a_{13}）^T\), \(\bold{x2}=(a_{21},a_{22},a_{23})^T\),\(\bold{x3}=(a_{31},a_{32},a_{33})^T\).而O经过变换仍停留在O；应用介绍里的公式：向量Ox1,Ox2,Ox3围成的立体体积为|a11(a22a33-a23a32)+a12(a23a31-a21a33)+a13(a21a32-a22a31)| =|det（A）|.

结合线性变换的线性性质（几何直观上体现为翻转、旋转、剪切、伸缩等），我们似乎有（猜测），相应的n维空间有向体积的伸缩因子正是行列式，对原像区域上不同的地方（小块）的伸缩因子都等同。（这也可以从几何直观上来看）事实上这也就是正文开始提到的定理.这也就回答了正文开始的问题.

更长远地，

我们知道：\(\fbox{微分是线性映射}\)

对于一个函数f：\(R^N→R\)

其弗雷歇微分（一种微分符号而已）被称为一个线性映射：

\(d f(x):R^N→R\)

它对每一个\(\vec{h}\in R^N\)分配了一个实数\(d f(x)\vec{h}\),并对所有\(\alpha,\beta\in R\)和所有\(\vec{h},\vec{k}\in R^N\)满足线性条件

\(df(x)(\alpha\vec{h}+\beta\vec{k})=\alpha df(x)\vec{h}+\beta df(x)\vec{k}\) 【2】

由以上思想可知，一个映射\(\Phi\) 的作用在一点\(x_0\)邻域范围内可以近似看做是一个局部线性映射\(L(x)=\Phi(x_0)+\Phi^{'}(x)(x-x_0)\).

稍微精确一些描述，取定小立方体C 的中心点\(x_0\)，那么当C 充分小时，线

性变换\(L(x)=\Phi(x_0)+\Phi^{'}(x)(x-x_0)\)与变换\(\Phi(x)\)相差高阶无穷小量。也就说处理问题时，Φ(x)局部上可由线性变换近似代替，微分的精华思想也在于此。

如下图所示，直观上，当网格取得足够小时，网格的“扭曲”程度就不那么严重，就可以看做十分小的局域的线性映射。

(图片来自【1】)

事实上，我们有重积分代换定理：

设\(\Omega\sub R_m\)是一个开集，\(\Phi：\Omega\rightarrow R_m\)是一个连续可微映射，\(E\sub\Omega\)是一个闭若尔当可测集。如果

(1)雅可比行列式\(det\ D(\Phi)\neq0,\forall t\in int\ E\)

(2)\(\Phi\)在\(int\ E\)中是单射。

那么\(\Phi(E)\)也是一个闭若尔当可测集，并且对于任何\(\Phi(E)\)上连续的函数\(f(x)\)都有

\(\int_{\Phi(x)}f(x)dx=\int_Ef(\Phi(t))|det(D(\Phi(t)))|dt\)

其中\(D(\Phi(t))\)表示雅可比矩阵，例如二维的例子：\((x,y)\)映射到\((u,v)\)，\(\left(\begin{matrix} \frac{\partial u}{\partial x}\ \frac{\partial u}{\partial y}\\ \frac{\partial v}{\partial x}\ \frac{\partial v}{\partial y}\end{matrix} \right)\)

定理的严格证明已经超出了笔者的能力范围，但是证明过程中闪现出的灵感火花，在思维疆域的驰骋让人神往。（感兴趣可以移步数分教材或【1】）

相关联的是矢量理论中三维空间不同正交曲线坐标系下的“体积”变换：

在这样的坐标系下，部分坐标可能是角度，由角度的变换量求得长度的变换量需要引入度规系数(或称尺度因子)\(h\):

\[\begin{equation} \frac{\partial \bold{r_P}}{\partial v_i}=h_i\widehat{v_l}(i=1,2,3) \end{equation} \]

\(\bold{r_P}\)是位置矢量，\(v_i\)是正交曲线坐标系下的相应坐标

平凡地，\((v_1,v_2,v_3)=(x,y,z),(h_1,h_2,h_3)=(1,1,1)\)

(图片来自【3】)

\(|J|=h_1h_2h_3\)

参考

【1】电子书《我的数学分析积木》（修订版） ，SCIbird

【2】《数学指南——实用数学手册》，埃博哈德·蔡德勒，科学出版社

【3】《矢量分析新理论及其应用》 盛克敏 唐晋生 冯 菊 ，科学出版社

感谢 David Clay《线性代数及其应用》 ,机械工业出版社

在思想上的启发。

除了指明的，其余图片来自网络。

标签：Phi,partial,bold,映射,vec,几何,直观,行列式
来源： https://blog.51cto.com/u_15247503/2871597

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。