转换器之雅可比式

---

前言

最近发现了一个有意思的工具，世人称其雅可比式，其作为基础工具，他的出现确实提高了生产效率。下面将介绍雅可比的几个运用场景。

一、简介

雅可比行列式通常称为雅可比式，它是以n个n元函数的偏导数为元素的行列式。事实上，在函数都连续可微（即偏导数都连续）的前提下，它就是函数组的微分形式下的系数矩阵（即雅可比矩阵）的行列式。

二、隐函数求导法

1. 一个方程的场景

设 $F(x,y,z)=0$，$P_0(x_0,y_0,z_0)$，若满足 ① $F(P_0)=0$；② $F_z^{\prime }(P_0)\ne 0$，则在 $P_0$ 的某邻域内可确定 $z=z(x,y)$，且有 $$\frac{\partial z}{\partial x}=-\frac{F_x^{\prime }}{F_z^{\prime }},\frac{\partial z}{\partial y}=-\frac{F_y^{\prime }}{F_z^{\prime }}$$

2. 方程组的场景

设 $\{\begin{array}{ll}F(x,y,u,v)=0& \\ G(x,y,u,v)=0& \end{array}$ 若记 $\left|\begin{array}{cc}\frac{\partial F}{\partial u}& \frac{\partial F}{\partial v}\\ & \\ \frac{\partial G}{\partial u}& \frac{\partial G}{\partial v}\end{array}\right|=\frac{\partial (F,G)}{\partial (u,v)}$（以后同），当满足 $\frac{\partial (F,G)}{\partial (u,v)}\ne 0$时，可确定$\{\begin{array}{ll}u=u(x,y)& \\ v=v(x,y)& \end{array}$，即有 $$\frac{\partial u}{\partial x}=-\frac{\frac{\partial (F,G)}{\partial (x,v)}}{\frac{\partial (F,G)}{\partial (u,v)}},\frac{\partial u}{\partial y}=-\frac{\frac{\partial (F,G)}{\partial (y,v)}}{\frac{\partial (F,G)}{\partial (u,v)}}$$ $$\frac{\partial v}{\partial x}=-\frac{\frac{\partial (F,G)}{\partial (u,x)}}{\frac{\partial (F,G)}{\partial (u,v)}},\frac{\partial v}{\partial y}=-\frac{\frac{\partial (F,G)}{\partial (u,y)}}{\frac{\partial (F,G)}{\partial (u,v)}}$$

三、积分换元法

$$\underset{{\Omega }_{xyz}}{\iiint }f(x,y,z)dxdydz\underset{z=z(u,v,w)}{\overset{\genfrac{}{}{0ex}{}{x=x(u,v,w)}{y=y(u,v,w)}}{=}}\underset{{\Omega }_{uvw}}{\iiint }f[x(u,v,w),y(u,v,w),z(u,v,w)]\left|\begin{array}{c}\frac{\partial (x,y,z)}{\partial (u,v,w)}\end{array}\right|dudvdw.$$
① $f(x,y,z)\to f[x(u,v,w),y(u,v,w),z(u,v,w)]$
② $\underset{{\Omega }_{xyz}}{\iiint }\to \underset{{\Omega }_{uvw}}{\iiint }$
③ $dxdydz\to \left|\begin{array}{c}\frac{\partial (x,y,z)}{\partial (u,v,w)}\end{array}\right|dudvdw$
其中
a. $\{\begin{array}{l}x=x(u,v,w)\\ y=y(u,v,w)\\ z=z(u,v,w)\end{array}$ 是空间 $(x,y,z)$ 到空间 $(u,v,w)$ 的一一映射。
b. $x=x(u,v,w),y=y(u,v,w),z(u,v,w)$，有一阶连续偏导数，且$$\frac{\partial (x,y,z)}{\partial (u,v,w)}=\left|\begin{array}{ccc}\frac{\partial (x)}{\partial (u)}& \frac{\partial (x)}{\partial (v)}& \frac{\partial (x)}{\partial (w)}\\ \frac{\partial (y)}{\partial (u)}& \frac{\partial (y)}{\partial (v)}& \frac{\partial (y)}{\partial (w)}\\ \frac{\partial (z)}{\partial (u)}& \frac{\partial (z)}{\partial (v)}& \frac{\partial (z)}{\partial (w)}\end{array}\right|\ne 0$$

1、直角坐标系转柱面坐标系

① 设：$\{\begin{array}{l}x=r\cos \vartheta \\ y=r\sin \vartheta \\ z=z\end{array}$
② 坐标系转换：$$\begin{gathered} \underset{{\Omega }_{xyz}}{\iiint }f(x,y,z)dxdydz=\underset{{\Omega }_{r\vartheta z}}{\iiint }f(r\cos \vartheta ,r\sin \vartheta ,z)\left|\begin{array}{c}\frac{\partial (x,y,z)}{\partial (r,\vartheta ,z)}\end{array}\right|drd\vartheta dz \\ =\underset{{\Omega }_{r\vartheta z}}{\iiint }f(r\cos \vartheta ,r\sin \vartheta ,z)|\left|\begin{array}{ccc}\frac{\partial (x)}{\partial (r)}& \frac{\partial (x)}{\partial (\vartheta )}& \frac{\partial (x)}{\partial (z)}\\ \frac{\partial (y)}{\partial (r)}& \frac{\partial (y)}{\partial (\vartheta )}& \frac{\partial (y)}{\partial (z)}\\ \frac{\partial (z)}{\partial (r)}& \frac{\partial (z)}{\partial (\vartheta )}& \frac{\partial (z)}{\partial (z)}\end{array}\right||drd\vartheta dz \\ =\underset{{\Omega }_{r\vartheta z}}{\iiint }f(r\cos \vartheta ,r\sin \vartheta ,z)|\left|\begin{array}{ccc}\cos \vartheta & -r\sin \vartheta & 0\\ \sin \vartheta & r\cos \vartheta & 0\\ 0& 0& 1\end{array}\right||drd\vartheta dz \\ =\underset{{\Omega }_{r\vartheta z}}{\iiint }f(r\cos \vartheta ,r\sin \vartheta ,z)rdrd\vartheta dz \end{gathered}$$

2、直角坐标系转球面坐标系

① 设：$\{\begin{array}{l}x=r\sin \phi \cos \vartheta \\ y=r\sin \phi \sin \vartheta \\ z=r\cos \phi \end{array}$
② 坐标系转换：$$\begin{gathered} \underset{{\Omega }_{xyz}}{\iiint }f(x,y,z)dxdydz=\underset{{\Omega }_{r\vartheta \phi }}{\iiint }f(r\sin \phi \cos \vartheta ,r\sin \phi \sin \vartheta ,r\cos \phi )\left|\begin{array}{c}\frac{\partial (x,y,z)}{\partial (r,\vartheta ,\phi )}\end{array}\right|drd\vartheta d\phi \\ =\underset{{\Omega }_{r\vartheta \phi }}{\iiint }f(r\sin \phi \cos \vartheta ,r\sin \phi \sin \vartheta ,r\cos \phi )|\left|\begin{array}{ccc}\frac{\partial (x)}{\partial (r)}& \frac{\partial (x)}{\partial (\vartheta )}& \frac{\partial (x)}{\partial (\phi )}\\ \frac{\partial (y)}{\partial (r)}& \frac{\partial (y)}{\partial (\vartheta )}& \frac{\partial (y)}{\partial (\phi )}\\ \frac{\partial (z)}{\partial (r)}& \frac{\partial (z)}{\partial (\vartheta )}& \frac{\partial (z)}{\partial (\phi )}\end{array}\right||drd\vartheta d\phi \\ =\underset{{\Omega }_{r\vartheta \phi }}{\iiint }f(r\sin \phi \cos \vartheta ,r\sin \phi \sin \vartheta ,r\cos \phi )|\left|\begin{array}{ccc}\sin \phi \cos \vartheta & -r\sin \phi \sin \vartheta & r\cos \phi \cos \vartheta \\ \sin \phi \sin \vartheta & r\sin \phi \cos \vartheta & r\cos \phi \sin \vartheta \\ \cos \phi & 0& -r\sin \phi \end{array}\right||drd\vartheta d\phi \\ =\underset{{\Omega }_{r\vartheta \phi }}{\iiint }f(r\sin \phi \cos \vartheta ,r\sin \phi \sin \vartheta ,r\cos \phi )r^2\sin \phi drd\vartheta d\phi \end{gathered}$$

四、二维正态分布判断

$(X,Y)$ 服从二维正态分布（注：概率密度方程见附1） $⟹(X,Y)\cdot A$ 也服从二维正态分布，其中 $A$ 为二阶可逆矩阵。证明如下：
① 设二维随机变量 $(X,Y)$ 有连续的联合概率密度 $f_{(X,Y)}(x,y)$，变换 $\{\begin{array}{l}u=u(x,y)\\ v=v(x,y)\end{array}$ 有唯一的反函数 $\{\begin{array}{l}x=x(u,v)\\ y=y(u,v)\end{array}$，$x(u,v)$，$y(u,v)$ 有连续偏导数
② 二维随机变量 $(U,V)=(U(X,Y),V(X,Y))$ 的联合概率密度为 $$f_{(U,V)}(u,v)=f_{(X,Y)}(x(u,v),y(u,v))\cdot |J|$$ 其中 $J$ 为雅可比行列式，且 $$J=\frac{\partial (x,y)}{\partial (u,v)}=\left|\begin{array}{cc}\frac{\partial (x)}{\partial (u)}& \frac{\partial (x)}{\partial (v)}\\ \frac{\partial (y)}{\partial (u)}& \frac{\partial (y)}{\partial (v)}\end{array}\right|\ne 0$$ 因此 $(U,V)$ 服从二维正态分布。

1、经典例题

设 $(X,Y)\sim N({\mu }_1,{\mu }_2,{\sigma }_1,{\sigma }_2;\rho )$，令 $U=\frac{X-{\mu }_1}{{\sigma }_1}$，$V=\frac{Y-{\mu }_2}{{\sigma }_2}$，证明：$(U,V)$ 服从二维（标准）正态分布。
证明：
① 因为 $\{\begin{array}{l}x={\sigma }_{1}u+{\mu }_1\\ y={\sigma }_{2}v+{\mu }_2\end{array}$
② 因此 $$J=\frac{\partial (x,y)}{\partial (u,v)}=\left|\begin{array}{cc}\frac{\partial (x)}{\partial (u)}& \frac{\partial (x)}{\partial (v)}\\ \frac{\partial (y)}{\partial (u)}& \frac{\partial (y)}{\partial (v)}\end{array}\right|=\left|\begin{array}{cc}{\sigma }_1& 0\\ 0& {\sigma }_2\end{array}\right|={\sigma }_1{\sigma }_2$$
③ 故可得 $$f_{(U,V)}(u,v)=f_{(X,Y)}({\sigma }_{1}u+{\mu }_1,{\sigma }_{2}v+{\mu }_2)\cdot {\sigma }_1{\sigma }_2=\frac{1}{2\pi \sqrt{1-{\rho }^2}}{e}^{-\frac{1}{2(1-{\rho }^2)}\cdot (u^2-2\rho uv+v^2)}$$
即 $(U,V)\sim N(0,0,1,1;\rho )$。

---

总结

雅克比式如同一个转换器，当运用于积分时，可以将基于某个参考系的积分转换为基于另一个方便计算的参考系而不用思考其转换细节。雅克比式屏蔽掉了复杂的转换过程，将不同的转换思维过程抽象为了计算雅克比行列式。如本文中阐述的，将直角坐标系下的积分分别转换为柱面坐标系下的积分和球面坐标系下的积分。通过雅克比式转换就可以忽略掉柱面坐标系下的积分和球面坐标系下的积分的具体过程。

附录

附1：

$(X,Y)$ 服从二维正态分布，即 $(X,Y)\sim N({\mu }_1,{\mu }_2,{\sigma }_1,{\sigma }_2;\rho )$，则 $(X,Y)$ 的概率密度为：
f ( X , Y ) ( x , y ) = 1 2 π σ 1 σ 2 1 − ρ 2 exp ⁡ { − 1 2 ( 1 − ρ 2 ) ⋅ [ ( x − μ 1 ) 2 σ 1 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 + ( y − μ 2 ) 2 σ 2 2 ] } f_{(X,Y)}(x,y)=\frac{1}{2\pi\sigma_{1}\sigma_{2}\sqrt{1-\rho^2}} \exp\{{\frac{-1}{2(1-\rho^2)} \sdot [\frac{(x-\mu_{1})^2}{\sigma_{1}^2}-\frac{2\rho(x-\mu_{1})(y-\mu_{2})}{\sigma_{1}\sigma_{2}}+\frac{(y-\mu_{2})^2}{\sigma_{2}^2}]}\} f(X,Y)​(x,y)=2πσ1​σ2​1−ρ2 ​1​exp{2(1−ρ2)−1​⋅[σ12​(x−μ1​)2​−σ1​σ2​2ρ(x−μ1​)(y−μ2​)​+σ22​(y−μ2​)2​]}