数学分析(二十一)-重积分09：在一般条件下重积分变量变换公式的证明

本文链接：https://blog.csdn.net/u013250861/article/details/135888019

本文详细证明了在函数 x(u,v), y(u,v) 只有一阶连续偏导数的情况下，重积分变量变换公式的正确性。通过四个步骤，证明了在一般条件下二重积分的变量变换公式，即区域 D 的面积可以通过积分 |J(u,v)| du dv 来计算，其中 J(u,v) 是函数的雅可比行列式。该证明适用于更广泛的情况，降低了对函数偏导数的限制。" 128356577,5564205,Python实现报文解压缩 - 华为机试真题解析,"['Python', '算法', '数据结构', '华为机试', '字符串']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

§9 在一般条件下重积分变量变换公式的证明
我们在本章 $§4$ 中证明了重积分变量变换公式 (定理 21.13). 在证明中引用了
$§4$ 中的引理. 此引理需要较强条件: $x (u, v), y (u, v)$ 有二阶连续偏导数.
本节将在 $x (u, v)$ , $y (u, v)$ 仅有一阶连续偏导数的条件下来证明 $§4$
中的引理, 这样我们就完成了在一般条件下二重积分的变量变换公式.
为此,我们把这个引理重新叙述如下.
引理设变换 $T : x = x (u, v), y = y (u, v)$ 把 $uv$
平面上的由分段光滑封闭曲线所围的闭区域 $\Delta$ 一对一地映成 $x y$
平面上的闭区域 $D$ , 函数 $x = x (u, v), y = y (u, v)$ 在 $\Delta$
上分别具有一阶连续偏导数且它们的函数行列式
$v)=\frac{\partial(x, y)}{\partial(u, v)} \neq 0,(u, v) \in \Delta,$
则区域 $D$ 的面积
$\mu(D)=\iint_{\Delta}|J(u, v)| \mathrm{d} u \mathrm{~d} v .$
证证明分以下 4 步:
第 1 步: 对任意 $\left(u_{0}, v_{0}\right) \in$ int $\Delta$ ,任意
$\varepsilon>0$ , 存在 $\left(u_{0}, v_{0}\right)$ 的邻域 $G$ , 当正方形
$\subset G$ 且 $\left(u_{0}, v_{0}\right) \in I$ 时,
$\mu(T(I)) \leqslant \iint_{I}|J(u, v)| \mathrm{d} u \mathrm{~d} v+\varepsilon \mu(I) .$
第 2 步: 对任意正方形
$\subset \operatorname{int} \Delta, \mu(T(I)) \leqslant \iint_{I}|J(u, v)| \mathrm{d} u \mathrm{~d} v$ .
第 3 步:
$\mu(D) \leqslant \iint_{\Delta}|J(u, v)| \mathrm{d} u \mathrm{~d} v$ .
第 4 步: $\mu(D)=\iint_{\Delta}|J(u, v)| \mathrm{d} u \mathrm{~d} v$ .
第 1 步的证明设 $\left(u_{0}, v_{0}\right) \in$ int $\Delta$ , 对任意
$\varepsilon>0$ , 取正数 $\eta<\left|J\left(u_{0}, v_{0}\right)\right|$
满足
$(1+\eta)^{2}\left|J\left(u_{0}, v_{0}\right)\right|<\left|J\left(u_{0}, v_{0}\right)\right|-\eta+\varepsilon .$
由于 $∣ J (u, v) ∣$ 在点 $\left(u_{0}, v_{0}\right)$ 上连续, 因此存在
$\left(u_{0}, v_{0}\right)$ 的邻域
$G_{1} \subset \operatorname{int} \Delta$ , 使得当 $(u, v)$ $\in G_{1}$
时,
$v)|>\left|J\left(u_{0}, v_{0}\right)\right|-\eta .$
定义映射
$L:\left\{\begin{array}{l} \hat{x}(u, v)=x\left(u_{0}, v_{0}\right)+x_{u}\left(x_{0}, v_{0}\right)\left(u-u_{0}\right)+x_{v}\left(u_{0}, v_{0}\right)\left(v-v_{0}\right), \\ \hat{y}(u, v)=y\left(u_{0}, v_{0}\right)+y_{u}\left(u_{0}, v_{0}\right)\left(u-u_{0}\right)+y_{v}\left(u_{0}, v_{0}\right)\left(v-v_{0}\right), \end{array}\right.$
即
$v)=\left(\begin{array}{l} \hat{x}(u, v) \\ \hat{y}(u, v) \end{array}\right)=\left(\begin{array}{l} x\left(u_{0}, v_{0}\right) \\ y\left(u_{0}, v_{0}\right) \end{array}\right)+\boldsymbol{J}_{r}\left(u_{0}, v_{0}\right)\left(\begin{array}{l} u-u_{0} \\ v-v_{0} \end{array}\right),$
其中
$\boldsymbol{J}_{T}\left(u_{0}, v_{0}\right)=\left(\begin{array}{ll}x_{u}\left(u_{0}, v_{0}\right) & x_{*}\left(u_{0}, v_{0}\right) \\ y_{u}\left(u_{0}, v_{0}\right) & y_{v}\left(u_{0}, v_{0}\right)\end{array}\right)$ .
由于 $x (u, v), y (u, v)$ 在 $\left(u_{0}, v_{0}\right)$ 处可微,因此
$\begin{aligned} & |x(u, v)-\hat{x}(u, v)| \\ = & \left|x(u, v)-x\left(u_{0}, v_{0}\right)-x_{u}\left(u_{0}, v_{0}\right)\left(u-u_{0}\right)-x_{v}\left(u_{0}, v_{0}\right)\left(v-v_{0}\right)\right| \\ = & o(\rho)(\rho \rightarrow 0), \\ & |y(u, v)-\hat{y}(u, v)| \\ = & \left|y(u, v)-y\left(u_{0}, v_{0}\right)-y_{u}\left(u_{0}, v_{0}\right)\left(u-u_{0}\right)-y_{v}\left(u_{0}, v_{0}\right)\left(v-v_{0}\right)\right| \\ = & o(\rho)(\rho \rightarrow 0), \end{aligned}$
其中
$\rho=\sqrt{\left(u-u_{0}\right)^{2}+\left(v-v_{0}\right)^{2}} .$