جایگزینی


 

23.1 مقدمه

23.1.1 آشکارسازی اولین فرم بنیادی

ما یک مفهوم کلی از مشتق d r یک تابع از r : m n معرفی کرده‌ایم. دترمینان | det ( d r T d r ) | عامل اعوجاج نامیده شد. در مورد یک نگاشت از n n با همان بعد، عامل اعوجاج به سادگی | det ( d r ) | است زیرا ماتریس مربعی d r T دترمینانی برابر با d r دارد و دترمینان ضرب‌پذیر است. اولین فرم بنیادی g = d r T d r همچنین تانسور متریک نامیده می‌شود. در نسبیت عام نقش مهمی ایفا می‌کند. قبل از شروع، بگذارید بگوییم که به جای استفاده از r : R S به عنوان یک تغییر مختصات، از Φ : R S استفاده خواهیم کرد، دلیل آن این است که r در مختصات قطبی استفاده خواهد شد.

شکل 1. تغییرات مختصات حتی به اخبار主流 راه پیدا می‌کنند. این یک صفحه از NBCnews در سال 2011 است که در مورد "پیچ‌خوردگی فضا-زمان" گزارش می‌دهد. گرانش‌سنج B (فعال بین 2004 و 2010) دو ژیروسکوپ را به سمت یک ستاره نشانه گرفته بود. ژیروسکوپ‌ها تغییرات چرخش اسپین کوچکی را تجربه کردند که با پیش‌بینی‌های نسبیت عام مطابقت داشت.

23.1.2 عامل اعوجاج و انتگرال‌گیری، دوباره

این یک فضا را توصیف می‌کند که در آن فواصل پیچ خورده‌اند: این ماده در فضا است که یک تغییر مختصات ایجاد می‌کند که متریک را تغییر می‌دهد. چگونگی این اتفاق توسط یک معادله دیفرانسیل جزئی پیچیده، معادلات اینشتین، توصیف می‌شود. ما در اینجا دوباره به عامل اعوجاج نگاه می‌کنیم. دلیل این است که وقتی در مختصات دیگر انتگرال‌گیری می‌کنیم، عامل اعوجاج وارد می‌شود. ما در اینجا یاد خواهیم گرفت که چگونه در مختصات قطبی یا مختصات کروی انتگرال بگیریم.

23.2 سخنرانی

23.2.1 قضیه تغییر متغیر

اگر Φ : R S , [ u v ] [ x ( u , v ) y ( u , v ) ] یک تغییر مختصات باشد، آنگاه عامل اعوجاج به صورت | d Φ | = | det ( d Φ ) | تعریف شد، که در آن d Φ ( u , v ) = [ u x ( u , v ) v x ( u , v ) u y ( u , v ) v y ( u , v ) ] . قضیه تغییر متغیر در همه ابعاد یکسان است. در اثبات زیر، فرض می‌کنیم که Φ از کلاس C 2 است. به دلیل هاینه-کانتور، می‌دانیم که M n 0 وجود دارد به طوری که | d 2 d t 2 Φ ( u 0 + t v , v 0 + t w ) | M n برای v 2 + w 2 1 / n و همه ( u 0 , v 0 ) R .1

قضیه 1. R f ( Φ ( u , v ) ) | d Φ ( u , v ) | d u d v = S f ( x , y ) d x d y .

اثبات. S را با مکعب‌های Q i j مانند سخنرانی قبل بپوشانید. سپس S f ( x , y ) d x d y = Q i j Q i j S f ( x , y ) d x d y i , j f ( i n , j n ) 1 n 2 . مربع‌های تبدیل‌شده Φ ( Q i j ) نزدیک به متوازی‌الاضلاع‌های d Φ ( Q i j ) هستند که مساحت | d Φ ( i / n , j / n ) | / n 2 دارند. اکنون یک بسط تیلور درجه دوم در ( x 0 , y 0 ) = ( i / n , j / n ) انجام دهید، که در آن | d 2 Φ ( x 0 , y 0 ) ( x x 0 , y y 0 ) 2 | M n . فرض کنید F = max ( x , y ) R ( | f ( x , y ) | ) . با اعمال تیلور با باقیمانده در هر جهت، می‌بینیم | Φ ( Q i j S ) f ( x , y ) d x d y f ( Φ ( i n , j n ) ) | d Φ ( i n , j n ) | 1 n 2 | M n F n 2 از آنجایی که تعداد مربع‌هایی که به R برخورد می‌کنند با A n 2 + 4 L n محدود می‌شود که در آن A مساحت R و L طول مرز R است، مجموع خطاهای غیرخطی بنابراین با ( A n 2 + 4 L n ) M n F / n 2 محدود می‌شود که برای n به صفر می‌گراید. ◻

23.2.2 انتگرال‌گیری یک دیسک با تغییر متغیر

در اینجا یک مثال است: اگر Φ : R = [ 0 , 1 ] × [ 0 , 2 π ] S = { x 2 + y 2 1 } به صورت Φ ( r , θ ) = [ r cos ( θ ) , r sin ( θ ) ] T داده شود، آنگاه d Φ ( r , θ ) = r . اگر f ( x , y ) = x 2 + y 2 = r 2 ، آنگاه R r 2 r d r d θ = S ( x 2 + y 2 ) d x d y . انتگرال اول برابر است با 2 π / 4 .

23.2.3 معکوس کردن جهت‌گیری

فرض کنید Φ : [ 0 , 1 ] × [ 0 , 1 ] [ 0 , 1 ] × [ 0 , 1 ] به صورت Φ ( x , y ) = ( y , x ) داده شود. اکنون det ( d Φ ) = 1 و | d Φ | = 1 . در حالی که معمولاً می‌توانیم از بحث در مورد جهت‌گیری صرف‌نظر کنیم، در اینجا واضح است که در انتگرال‌هایی که تاکنون در نظر گرفته‌ایم، به جهت‌گیری فضا اهمیتی نمی‌دهیم. اگر تغییر مختصات جهت‌گیری را عوض کند، انتگرال حاصل تغییر نمی‌کند.

23.2.4 تغییرات مختصات و انتگرال‌های مساحت بیضی

قاعده زنجیره‌ای تضمین می‌کند که ترکیب دو تغییر مختصات Φ و Ψ ، یک تغییر مختصات جدید با d ( Ψ Φ ) ( x ) = d Ψ ( Φ ( x ) ) d Φ ( x ) . به عنوان مثال اگر Ψ ( x , y ) = [ a x , b y ] T و Φ ( r , θ ) = [ r cos ( θ ) , r sin ( θ ) ] T به مختصات قطبی تغییر کند، آنگاه Ψ ( Φ ( r , θ ) ) = [ a r cos ( θ ) , b r sin ( θ ) ] T . اکنون تصویر R = [ 0 , 1 ] × [ 0 , 2 π ] بیضی S = { x 2 / a 2 + y 2 / b 2 1 } است و مساحت بیضی برابر است با A = R a b r d r d θ زیرا det ( d Φ ) = r و det ( d Ψ ) = a b . نتیجه این است: 0 1 0 2 π a b r d θ d r = π a b .

شکل 2. تغییر مختصات.

23.2.5 آشکارسازی مساحت سطح با پارامتری‌سازی

پیش‌نمایش: هفته آینده به موارد کلی‌تری مانند r : R 2 3 از یک سطح پارامتری شده نگاه خواهیم کرد، که در آن عامل اعوجاج برابر است با | d r | = det ( d r T d r ) = | r u × r v | و مساحت سطح برابر است با R | r u × r v | d u d v = S 1 d A .

23.2.6 تغییر متغیر و جایگزینی

این قضیه جایگزینی را تعمیم می‌دهد اگر Φ ( c ) = a و Φ ( d ) = b . ما معمولاً اصرار داریم که Φ به طور یکنواخت افزایشی است و می‌نویسیم u = Φ ( x ) ، تا محاسباتی مانند 0 π / 2 sin ( x 2 ) 2 x d x = 0 π / 2 sin ( u ) d u , به دست آوریم، که در آن Φ ( x ) = x 2 . به عنوان یک ترفند، می‌توان فرمول را به حالتی تعمیم داد که Φ می‌تواند کاهشی باشد، در این صورت بازه [ a , b ] به بازه منفی [ b , a ] با a < b تبدیل می‌شود.
مثال: فرض کنید Φ ( x ) = 2 2 x که دارد، آنگاه 1 / 2 1 ( 2 2 x ) 2 | ( 2 ) | d x = 0 1 x 2 d x . در حسابان تک متغیره، می‌توان با حالت علامت منفی نیز کار کرد و 1 1 / 2 ( 2 2 x ) 2 ( 2 ) d x را محاسبه کرد که اگر 1 1 / 2 = 1 / 2 1 کار می‌کند، اما این سازگار نیست با انتگرال ریمان تعریف شده: ما از "جمع‌بندی صفحه گسترده" استفاده می‌کنیم و تفاوتی قائل نمی‌شویم که مقادیر تابع را از چپ به راست جمع کنیم یا از راست به چپ.

23.2.7 فوبینی و تغییر ترتیب انتگرال‌گیری

می‌توانیم دوباره به مثال نقض فوبینی نگاه کنیم x 2 + y 2 1 x 2 y 2 ( x 2 + y 2 ) 2 d x d y = 0 1 0 2 π cos ( 2 θ ) r d θ d r = 0. ما نمی‌توانیم ترتیب انتگرال‌گیری را تغییر دهیم زیرا نمی‌توانیم 0 1 1 / r d r را انتگرال بگیریم. مشکل در سیستم مختصات جدید نیز ادامه می‌یابد و حتی چشمگیرتر است.

23.2.8 از قاعده زنجیره‌ای تا حاصلضرب ماتریس‌ها

اگر Φ : x A x و Ψ : x B x دو تغییر مختصات خطی باشند، آنگاه Ψ Φ = B A حاصلضرب ماتریس است و قاعده زنجیره‌ای به ما می‌گوید | d ( Ψ Φ ) | = | det ( A B ) | که با حاصلضرب | d Ψ | | d Φ | = | det ( A ) | | det ( B ) | مطابقت دارد. ما می‌توانیم تأیید فرمول کوشی-بینه det ( A B ) = det ( A ) det ( B ) را مستقیماً انجام دهیم. اگر A = [ a b c d ] و B = [ p q r s ] , آنگاه A B = [ a p + b r a q + b s c p + d r c q + d s ] و می‌توانید فرمول دترمینان را بررسی کنید.

23.2.9 مسئله باز: معکوس‌های تغییرات مختصات چندجمله‌ای

در اینجا یک مسئله باز معروف در مورد تغییرات مختصات است. به آن حدس ژاکوبین می‌گویند. این مسئله به تغییرات مختصات چندجمله‌ای می‌پردازد، که در آن x ( u , v ) و y ( u , v ) چندجمله‌ای‌هایی بر حسب u و v هستند.

حدس: اگر Φ چندجمله‌ای باشد و | d Φ | ثابت و غیرصفر باشد، آنگاه Φ یک معکوس چندجمله‌ای دارد.

مشخص است که اگر حدس نادرست باشد، آنگاه یک مثال نقض با چندجمله‌ای‌های صحیح و دترمینان ژاکوبین 1 وجود دارد. این حدس حداقل از سال 1939 باز است. یک مثال از یک تبدیل مختصات با دترمینان 1 و چندجمله‌ای‌های صحیح، نگاشت‌های هنون از سخنرانی 16 هستند. اگر Φ ( [ u , v ] T ) = [ x , y ] T = [ u 2 u 4 v , u ] T , آنگاه Φ 1 ( [ x , y ] T ) = [ y , y 2 y 4 x ] T .

23.3 مثال‌ها

مثال 1. مسئله: مساحت تصویر S = Φ ( R ) چقدر است اگر Φ ( [ u , v ] ) = [ u 2 v 2 + 1 , 2 u v + 2 ] T و R = { 1 u 3 ,   0 v 1 } ؟ (این Φ ( z ) = z 2 + c با c = 1 + 2 i در مختلط است).
راه‌حل: داریم d Φ ( u , v ) = [ 2 u 2 v 2 v 2 u ] و | d Φ ( u , v ) | = 4 u 2 + 4 v 2 . از فرمول تغییر متغیر می‌بینیم که مساحت برابر است با 0 1 1 3 ( 4 u 2 + 4 v 2 ) d u d v = 112 / 3.

مثال 2. مسئله: ممان اینرسی R ( x 2 + y 2 ) d x d y چقدر است، که در آن R ناحیه قطبی داده شده در مختصات قطبی به صورت r 2 + sin ( 3 θ ) است.
راه‌حل: با استفاده از تغییر متغیر مختصات قطبی Φ با | d Φ | = r ، به دست می‌آوریم 0 2 π 0 2 + sin ( 3 θ ) r 2 r d r d θ = 0 2 π ( 2 + sin ( 3 θ ) ) 4 / 4 d θ . ما در کلاس توضیح می‌دهیم که چگونه به سرعت به پاسخ 227 π / 4 برسیم.

مثال 3. مسئله: در اینجا یک مسئله معروف است. آنقدر محبوب است که حتی به هالیوود هم راه یافته است: 2 e x 2 y 2 d x d y را محاسبه کنید.
راه‌حل: این مسئله در ابتدا دشوار به نظر می‌رسد زیرا نمی‌توانیم نسبت به x یا y انتگرال بگیریم. تابع e x 2 هیچ پادمشتق مقدماتی ندارد. این انتگرال ناسره در مختصات قطبی قابل انجام است زیرا برابر است با 0 2 π 0 e r 2 r d r d θ = π . بخش داخلی 0 e r 2 r d r است که یک انتگرال ناسره است. با تقریب با آن برخورد می‌شود. برای هر L متناهی داریم 0 L e r 2 r d r = e r 2 / 2 | 0 L = 1 / 2 e L 2 / 2. این به خوبی به 1 / 2 برای L همگرا می‌شود. نتیجه می‌شود (و این نکته اصلی است) که e x 2 d x = π .

تمرین‌ها

تمرین ۱. با توجه به یک دیسک R = { x 2 + y 2 1 } ، می‌توانیم این را به یک فضای احتمال تبدیل کنیم و امید ریاضی یک تابع f را به صورت E [ f ] = R f d x d y / π تعریف کنیم. امید ریاضی متغیرهای تصادفی f ( x , y ) = x n نمونه‌هایی از گشتاورها هستند. E [ x ] ، E [ x 2 ] ، E [ x 3 ] و E [ x 4 ] را بیابید.

تمرین ۲. حجم جسم محدود شده توسط z = f ( x , y ) = x 2 + y 2 و z = g ( x , y ) = 8 x 2 y 2 چقدر است؟ می‌توانید این را به صورت یک انتگرال دوگانه R ( g ( x , y ) f ( x , y ) ) d x d y روی یک ناحیه مناسب بنویسید.

تمرین ۳. فیدجت اسپینر اکنون خیلی " 2017 " است. چیزی که اکنون داغ است اسپینر 22 ریاضی با 23 بلبرینگ است! ممان اینرسی G ( x 2 + y 2 ) d x d y ناحیه اسپینر فیدجت 22 ریاضی G که در مختصات قطبی به صورت 1 / 2 r 2 + cos ( 22 θ ) داده شده است، چقدر است؟ برای حفظ بلبرینگ‌هایمان، بلبرینگ‌ها را حساب نمی‌کنیم.

تمرین ۴. زیست‌شناس پیت گیلیس زمانی نواحی قطبی را برای توصیف اشکال بیولوژیکی مانند سلول‌ها، برگ‌ها، ستاره‌های دریایی یا پروانه‌ها ثبت اختراع کرد. هنگام یافتن مساحت پروانه زیر نگران نقض قوانین ثبت اختراع نباشید r ( t ) | 8 sin ( t ) + 2 sin ( 3 t ) + 2 sin ( 5 t ) sin ( 7 t ) + 3 cos ( 2 t ) 2 cos ( 4 t ) | . (این می‌تواند پروانه‌هایی در شکم شما ایجاد کند اما ترفندهایی برای انجام سریع آن وجود دارد. مثلاً با اسپینر فیدجت ریاضی 22 استراحت کنید!)

شکل ۳. اسپینر ریاضی 22 و پروانه.

تمرین ۵.

  1. حدس ژاکوبی را برای نگاشت‌های خطی Φ ( x ) = A x ، که در آن A یک ماتریس 2 × 2 است، اثبات کنید.
  2. یک تغییر مختصات خطی Φ ( x , y ) بیابید که دترمینان ژاکوبی آن 1 باشد. باید به این معنا غیربدیهی باشد که فقط یک ماتریس قطری d Φ نمی‌خواهیم.
  3. یک مثال نقض برای حدس ژاکوبی برای چندجمله‌ای‌های درجه سه بیابید (فقط شوخی می‌کنم). یک مثال برای حدس ژاکوبی بیابید که در آن هر دو چندجمله‌ای خطی نباشند!

  1. برای حالت C 1 ، به J. Schwartz, Mathematical Monthly 61, 1954، یا P.D. Lax, Monthly 108, 2001 مراجعه کنید.↩︎