漫步数学分析三十一——矩阵表示

$\textbf{定义2}$ $\partial f_j/\partial x_i$存在的话，定义如下：

$$\frac{\partial f_j}{\partial x_i}(x_1,\ldots,x_n)=\lim_{h\to 0}\left\{\frac{f_j(x_1,\ldots,x_i+h,\ldots,x_n)-f_j(x_1,\ldots,x_n)}{h}\right\}$$

在上篇文章中，我们看到对于$f:R\to R$而言$Df(x)$只是线性映射，这个事实可以推广到下面的定理。

$\textbf{定理2}$ 假设$A\subset R^n$是一个开集并且$f:A\to R^m$是可微的，那么偏微分$\partial f_j\partial x_i$存在且线性映射$Df(x)$对于$R^n,R^m$ 中标准基的矩阵为

$$\begin{pmatrix} \frac{\partial f_1}{\partial x_1}&\frac{\partial f_1}{\partial x_2}&\cdots&\frac{\partial f_1}{\partial x_n}\\ \frac{\partial f_2}{\partial x_1}&\frac{\partial f_2}{\partial x_2}&\cdots&\frac{\partial f_2}{\partial x_n}\\ \cdot&\cdot&&\cdot\\ \cdot&\cdot&&\cdot\\ \cdot&\cdot&&\cdot\\ \frac{\partial f_m}{\partial x_1}&\frac{\partial f_m}{\partial x_2}&\cdots&\frac{\partial f_m}{\partial x_n} \end{pmatrix}$$

其中每个偏导数都是在$x=(x_1,\ldots,x_n)$处计算出来的，这个矩阵称为$f$ 的雅克比(Jacobian) 矩阵。

在实际计算中我们通常可以很容易的计算雅克比矩阵。

当$m=1$时我们得到其特殊情况，此时我们有一个$n$变量的实值函数，那么$Df$ 存在矩阵

$$\left(\frac{\partial f}{x_1}\cdots\frac{\partial f}{\partial x_n}\right)$$

将导数应用到向量$e=(a_1,\ldots,a_n)$上得

$$Df(x)\cdot e=\sum_{i=1}^n\frac{\partial f}{\partial x_i}a_i$$

需要强调的是$Df$在每个$x\in A$处都是线性映射并且$Df(x)$的定义与所用的基无关。如果我们从标准基变到其他即，那么矩阵元素自然会改变。如果查看线性变换矩阵的定义，那么我们将看到矩阵对于新基的列就是导数$Df(x)$应用到$R^n$的新基上，当然线性映射$Df(x)$在不同基之间变换时自身不会发生变化。当$m=1$时$Df(x)$是一个$1\times n$矩阵，元素与$Df(x)$相同的向量称为$f$ 的梯度(gradient)，表示成$\text{grad}\ f$或$\nabla f$，因此对于

$$f:A\subset R^n\to R,\text{grad}\ f=\left(\frac{\partial f}{\partial x_1},\cdots,\frac{\partial f}{\partial x_n}\right)$$

(有时我们说$\text{grad}\ f$仅仅是$\nabla f$中插入逗号！)

当$f=L$是线性的时候，我们就得到一个非常重要的特殊情况，根据定义可以看出$DL=L$，这是因为线性映射的最佳仿射近似就是线性映射本身，从而在这种情况下$L$的雅克比矩阵就是$L$ 本身的矩阵。另一种有趣的情况是常数映射，实际上我们会看到常数映射导数为零；零是线性映射$f:R^n\to R^m$，满足对所有的$x\in R^n,f(x)=0=(0,\ldots,0)$。

$\textbf{例1：}$令$f:R^2\to R^3,f(x,y)=(x^2,x^3y,x^4y^2)$，计算$Df$。

$\textbf{解：}$根据定理2，$Df(x,y)$是线性映射，其矩阵是

$$\begin{pmatrix} \frac{\partial f_1}{\partial x}&\frac{\partial f_1}{\partial y}\\ \frac{\partial f_2}{\partial x}&\frac{\partial f_2}{\partial y}\\ \frac{\partial f_3}{\partial x}&\frac{\partial f_3}{\partial y} \end{pmatrix}= \begin{pmatrix} 2x&0\\ 3x^2y&x^3\\ 4x^3y^2&2x^4y \end{pmatrix}$$

其中$f_1(x,y)=x^2,f_2(x,y)=x^3y,f_3(x,y)=x^4y^2$。

$\textbf{例2：}$令$L:R^n\to R^m$是线性映射(即$L(x+y)=L(x)+L(y),L(\alpha x)=\alpha L(x)$)，说明$DL(x)=L$。

$\textbf{解：}$给定$x_0,\varepsilon>0$，我们必须找到$\delta>0$使得$\Vert x-x_0\Vert<\delta$意味着

$$\Vert L(x)-L(x_0)-DL(x)\cdot(x-x_0)\Vert\leq\varepsilon\Vert x-x_0\Vert$$

但是$DL(x)=L$，所以左边变为

$$\Vert L(x)-L(x_0)-L(x-x_0)\Vert$$

根据$L$的线性可知，$L(x-x_0)=L(x)-L(x_0)$，所以上式等于零，从而$DL(x)=L$满足定义(对任意$\delta>0$)。

$\textbf{例3：}$令$f(x,y,z)=x(\sin y)/z$，计算$\text{grad}\ f$。

$\textbf{解：}$$\text{grad}\ f=(\partial f/\partial x,\partial f/\partial y,\partial f/\partial z)$，对该例来说

$$\frac{\partial f}{\partial x}=\frac{(\sin y)}{z},\quad\frac{\partial f}{\partial y}=\frac{z(\cos y)}{z},\quad\frac{\partial f}{\partial z}=-\frac{x(\sin y)}{z^2}$$

所以

$$\text{grad}\ f(x,y,z)=\left(\frac{(\sin y)}{z},\frac{x(\cos y)}{z},-\frac{x(\sin y)}{z^2}\right)$$