TURUNAN
Dalam kalkulus satu-variabel, derivatif adalah batas dari perbedaan quotients, tetapi ide ini tidak
menyamaratakan banyak variabel. Definisi multivariabel dari derivatif yang akan diberikan
dalam bab ini memiliki tiga fitur penting:
Bagian 4.1 menunjukkan bahwa definisi familiar dari turunan satu variabel tidak dapat
menskalakan banyak variabel. Bagian 4.2 memperkenalkan skema notasi pan-dimensi yang
menggambarkan berbagai kedekatan pendekatan. Paket notasi berbagai ide yang muncul dalam
kalkulus, menangani mereka secara uni-formly. Bagian 4.3 meninjau kembali turunan satu
variabel, mengulanginya dalam skema baru, dan kemudian menskalakannya ke banyak variabel.
Sifat dasar turunan yang mudah diikuti segera. Bagian 4.4 memperoleh beberapa hasil dasar
tentang turunannya secara intrinsik, khususnya Aturan Rantai. Bagian 4.5 menghitung dengan
koordinat untuk menghitung turunan dengan mempertimbangkan satu variabel pada satu waktu
dan menggunakan teknik kalkulus satu variabel. Bagian ini juga mendapatkan versi Aturan
Rantai berbasis koordinat. Bagian 4.6 mempelajari rekan-rekan multivariabel derivatif orde
tinggi dari satu-variabel calculus. Bagian 4.7 membahas optimalisasi fungsi banyak variabel.
Akhirnya, bagian 4.8 membahas laju perubahan fungsi dari banyak variabel ketika inputnya
bergerak dalam arah yang tetap, tidak harus sejajar dengan sumbu koordinat
Tetapi ini bahkan tidak dapat diterima secara gramatika - tidak ada gagasan pembagian oleh
vektor h. Artinya, definisi standar dari derivatif tidak mengeneralisasi untuk lebih dari satu
variabel input. Penguraian di sini tidak dapat diperbaiki dengan patch mudah apa pun. Kita harus
memikirkan kembali turunannya sama sekali untuk memperluasnya ke banyak variabel.
Untungnya, rekonseptualisasi sangat bermanfaat.
Latihan
Untuk pemetaan f : R n - → R m dan untuk suatu titik Sebuah dari R n , upaya
perbaikan mendefinisikan f ′ (a) sebagai
lim f (a + h) − f (a)
h→0n |h|
secara gramatikal masuk akal. Apakah itu mereproduksi turunan biasa jika n = m = 1?
• Untuk setiap c> 0, betapapun kecilnya, cukup dekat dengan asal-usul grafik o
(1) -pemetaan terletak antara l ines horizontal pada tinggi ± c, meskipun
kedekatan yang diperlukan dari h ke 0 dapat berubah ketika c semakin kecil.
• Untuk setiap c> 0, betapapun kecilnya, cukup dekat dengan asal grafik
pemetaan o (h) terletak di dalam y = ± cx bow-tie, meskipun kedekatan h yang
diperlukan ke 0 dapat berubah ketika c semakin kecil.
ϕ
1/2
ϕ1
ϕ3
Karena Definisi 4.2.1 menetapkan batas pertumbuhan, hasil berikut ini adalah im-mediate.
Proposisi 4.2.3 (Prinsip Dominasi untuk Ruang Landau). Misalkan ϕ be o (1), dan misalkan itu |
ψ (h) | ≤ | ϕ (h) | untuk semua cukup kecil h. Kemudian juga ψ adalah o (1). Dan juga untuk O (h)
dan untuk o (h).
Misalnya, fungsi
adalah o (h) meskipun berosilasi lebih cepat karena h mendekati 0, karena | ψ | ≤ | ϕ2 | di mana
ϕ2 (h) = h2 adalah o (h) oleh Proposition 4.2.2. Pembaca harus menggambar sketsa situasi ini.
Fakta lain yang berguna adalah sifat componentwise dari kondisi o (1) dan O (h) dan o (h).
Biarkan ϕ: B (0n, ε) - → Rm memiliki fungsi komponen ϕ1,. . . , ϕm. Anggaplah ϕ adalah o (h),dan
biarkan c> 0 diberikan. Demikian| ϕ (h) | ≤ c | h | untuk semua h yang cukup kecil, sehingga sisi
kiri Batas Ukuran mengatakan bahwa untuk setiap i ∈ {1,. . . , m},| ϕi (h) | ≤ c | h | untuk semua
cukup kecil h.
Artinya, masing-masing ϕi adalah o (h). Sebaliknya, biarkan setiap ϕi menjadi o (h), dan biarkan
c> 0 diberikan. Kemudian untuk masing-masing i ∈ {1,. . . , m}, | ϕi (h) | ≤ (c / m) | h | untuk
semua h yang cukup kecil, dan begitu sisi kanan Batas Ukuran mengatakan itu | ϕ (h) | ≤ c | h |
untuk semua cukup kecil h.
Artinya, ϕ adalah o (h). Argumen bahwa kondisi o (1) dan O (h) memiliki sifat componentwise
yang serupa (latihan 4.2.2). Sifat componentwise dari kondisi (1) mengkodekan sifat
keberlanjutan secara componentwise.
o(1) dan O (h) dan o (h) kondisi menimbulkan sifat penutupan diprediksi Proposisi 4.2.4 (Vektor
Ruang Properties dari Space Landau). Untuk setiap bola-domain B (0n, ε) dan ruang-ruang-kode
Rm, o (1) -membentuk bentuk ruang vektor, dan O (h) membentuk subruang, di mana o (h)
membentuk sub-ruang gantinya. Secara simbolis,
o(1) + o(1) = o(1), R o(1) = o(1),
O(h) + O(h) =O(h), R O(h) = O(h),
o(h) + o(h) = o(h), R o(h) = o(h),
i.e., o (1) dan O (h) dan o (h) menyerap penambahan dan penggandaan skalar.
Fakta bahwa o (1) membentuk ruang vektor mengkodekan aturan yang jumlahnya dan kelipatan
konstan dari pemetaan kontinyu lagi terus menerus.
.
Bukti (Sketsa). Pertimbangkan ϕ, ψ ∈ o (1). Untuk c> 0, | ϕ (h) | ≤ c / 2 dan | ψ (h) | ≤ c / 2 untuk
semua h yang cukup kecil, dan oleh Segitiga Ketidaksetaraan,| (ϕ + ψ) (h) | ≤ c untuk semua
cukup kecil h.
(Versi argumen yang sepenuhnya terkuantifikasi adalah sebagai berikut. Misalkan c> 0
diberikan. Terdapat δϕ> 0 sehingga | ϕ (h) | ≤ c / 2 jika | h | ≤ δϕ, dan di sana ada δψ> 0
sehingga
| ψ (h) | ≤ c / 2 jika | h | ≤ δψ. Biarkan δ = min {δϕ, δψ}. Kemudian | (ϕ + ψ) (h) | ≤ c if | h | ≤ δ.)
Demikian pula, untuk setiap bukan nol α ∈ R,
| ϕ (h) | ≤ c / | α | untuk semua h yang cukup kecil, sehingga karena modulusnya absolut-
homogen, | (αϕ) (h) | ≤ c untuk semua cukup kecil h.Jika gantinya ϕ, ψ ∈ O (h) maka untuksemua h
yang cukup kecil,
| ϕ (h) | ≤ c | h | dan | ψ (h) | ≤ c ′ | h | untuk beberapa c, c ′> 0,
Tempat pemetaan linear dalam skema notasi Landau adalah lurus ke depan, menjelaskan intuisi
yang disebutkan sebelumnya bahwa kondisi O (h) menggambarkan pertumbuhan paling-linier
dan kondisi o (h) menggambarkan pertumbuhan yang lebih kecil dari pertumbuhan linear.
Dalil 4.2.5. Setiap pemetaan linier adalah O (h). Satu-satunya o (h) linear map-ping adalah
pemetaan nol.
Bukti. Misalkan T: Rn - → Rm menjadi pemetaan linier. Sphere unit di Rn adalah kompak dan T
kontinu, sehingga gambar dari bola unit di bawah T adalah kompak lagi, maka dibatasi. Artinya,
beberapa c ∈ R positif ada sehingga | T (ho) | ≤ c setiap kali | ho | = 1. Homogenitas T
menunjukkan bahwa | T (h) | ≤ c | h | untuk semua nol h: membiarkan ho = h / | h |,
Dan ketidaksetaraan berlaku untuk h = 0 juga. Jadi T adalah O (h). Sekarang asumsikan bahwa T
bukan pemetaan nol. Jadi T (ho) adalah nol untuk beberapa bukan nol ho, dan kita dapat
mengambil
| ho | = 1. Biarkan c = | T (ho) | / 2, bilangan real positif. Untuk skalar beberapa
h = αho ho, betapapun kecilnya, menghitung (mencatat untuk langkah terakhir itu
| h | = | α |) | T (h) | = | T (αho) | = | αT (ho) | = | α | | T (ho) | = 2c | α | = 2c | h |.
Artinya,
| T (h) | > c | h | untuk beberapa nilai-nilai kecil yang sewenang-wenang, yaitu, tidak demikian
halnya | T (h) | ≤ c | h | untuk semua cukup kecil h. Jadi T gagal dalam definisi o (h) untuk
konstanta tertentu c = | T (ho) | / 2.
Untuk fungsi bernilai skalar, properti produk berguna untuk dimiliki.
Dalil 4.2.6 (Properti Produk untuk Fungsi Landau). Pertimbangan dua fungsi skalar bernilai
dan fungsi produk mereka, ϕ, ψ, ϕψ: B (0n, ε) - → R. Jika ϕ adalah o (1) dan ψ adalah O (h)
maka ϕψ adalah o (h). Bukti. Biarkan c> 0 diberikan. Untuk beberapa d> 0, untuk semua h
cukup dekat ke 0n, | ϕ (h) | ≤ c / d dan | ψ (h) | ≤ d | h |, dan sebagainya | (ϕψ) (h) | ≤ c | h |.
Di luar sifat ruang vektor ruang Landau, kami tertarik pada properti komposisi. Jika ϕ: B (0n, ε) -
→ Rm dan ψ: B (0m, ρ) - → Rℓ keduanya o (1), kemudian setelah mengecilkan ε jika perlu,
komposisi ψ ◦ ϕ: B (0n, ε) - → Rℓ juga didefinisikan. Yaitu, komposisi o (1) -pembentukan
didefinisikan setelah menyusutnya bola-domain yang sesuai. Mulai sekarang kita mengecilkan
domain-bola seperlunya tanpa komentar lebih lanjut.
Dalil 4.2.7 (Properti Komposisi dari Ruang Landau). Komposisi o (1) –memetakan lagi
adalah o (1) –pemetaan . Juga, komposisi O (h) –memetakan lagi-lagi merupakan penghubung O
(h). Selanjutnya, komposisi dari O (h) –memetakan dan o (h) –memetakan , dalam urutan baik,
sekali lagi adalah o (h). Secara simbolis
o(o(1)) = o(1),
O(O(h)) = O(h),
o(O(h)) = o(h),
O(o(h)) = o(h).
Yaitu, o (1) dan O (h) menyerap diri, dan o (h) menyerap O (h) dari kedua sisi.
Bukti. Misalnya, untuk memverifikasi aturan ketiga, anggap bahwa ϕ: B (0n, ε) - → Rm adalah O
(h) dan bahwa ψ: B (0m, ρ) - → Rℓ adalah o (k). Kemudian
untuk beberapa c> 0, | ϕ (h) | ≤ c | h | untuk semua cukup kecil h.
Jadi jika h kecil maka begitu juga ϕ (h), sehingga untuk setiap d>
0, | ψ (ϕ (h)) | ≤ d | ϕ (h) | untuk semua cukup kecil h.
Karena c adalah bilangan positif tertentu dan d dapat berupa bilangan positif, cd lagi dapat
berupa bilangan positif. Yaitu, membiarkan e = cd dan menggabungkan dua tampilan
sebelumnya,
untuk setiap e> 0, | (ψ ◦ ϕ) (h) | ≤ e | h | untuk semua cukup kecil h. Maka ψ ◦ ϕ
adalah o (h) seperti yang diinginkan. (Versi argumentasi yang sepenuhnya terkuantifikasi adalah
sebagai berikut.
Hipotesisnya adalah itu terdapat c> 0 dan δ> 0 sehingga | ϕ (h) | ≤ c | h | jika | h | ≤
δ dan bahwa untuk setiap d> 0 terdapat εd> 0 sehingga | ψ (k) | ≤ d | k | jika | k | ≤ εd.
Sekarang biarkan e> 0 diberikan. Definisikan d = e / c dan ρe = min {δ, εd / c}.
Seandainya| h | ≤ρe.
Kemudian| ϕ (h) | ≤c | h | ≤ εd sejak | h | ≤ δ dan | h | ≤ εd / c, dan sebagainya
| ψ (ϕ (h)) | ≤ d | ϕ (h) | ≤ cd | h | sejak | ϕ (h) | ≤ εd dan | ϕ (h) | ≤ c | h |. Itu adalah,
(a) Anggaplah bahwa e> 0. Biarkan c> 0 diberikan. Jika | h | ≤ c1 / e lalu apa yang kita
ketahui tentang | ϕe (h) | dibandingkan dengan c? Apa artinya ini memberitahu kita
tentang ϕe?
(b) Misalkan e ≥ 1. Jika | h | ≤ 1 lalu apa yang kita ketahui tentang | ϕe (h) | dibandingkan
dengan | h | Apa artinya ini memberitahu kita tentang ϕe?
(c) Misalkan e> 1. Tunjukkan bahwa ise adalah o (h).
Menetapkan sifat componentwise dari kondisi (1), dan menetapkan sifat componentwise dari
kondisi O (h).
Dengan analogi dengan Definisi 4.2.1, berikan definisi yang tepat dari O (1) -pemetaan. Apa
interpretasi geometrik dari definisi tersebut? Butuh O (1) -mapping ambil 0 ke 0?
Lengkapi bukti Dalil 4.2.4.
Lengkapi bukti Dalil 4.2.7.
Jadi g mengambil 0 hingga 0, dan grafik g dekat asal adalah seperti grafik f dekat (a, f (a))
tetapi dengan garis kemiringan t dikurangi. Untuk menegaskan kembali, gagasan bahwa f
memiliki kemiringan singgung t pada (a, f (a)) telah dinormalisasi ke ide tidier bahwa g
memiliki kemiringan 0 pada titik asal. Di sini idenya adalah:
Untuk mengatakan bahwa grafik g horisontal pada titik asal adalah untuk mengatakan bahwa
untuk bilangan real positif c, betapapun kecilnya, daerah antara garis kemiringan ± c berisi
grafik g cukup dekat dengan titik asal.
Itu adalah:
Kondisi intuitif untuk grafik g menjadi horizontal pada titik asal adalah tepatnya g adalah o (h).
Sifat horizontal grafik g di bagian asal berkonotasi bahwa grafik f memiliki garis singgung t
pada (a, f (a)).
Sambungan simbolis antara karakterisasi derivatif dan definisi konstruktif ini
adalah segera. Seperti biasa, definisi f memiliki turunan f ′ (a) pada a adalah
Yang berarti,
(a + h) − f (a) − f ′(a)h = 0,
lim f
h→0 h
dan memang inilah kondisi o (h) pada g. Gambar 4.2 mengilustrasikan gagasan bahwa ketika h
kecil, tidak hanya jarak vertikal f (a + h) - f (a) - f ′ (a) h dari garis singgung ke kurva kecil juga,
tetapi kecil bahkan relatif terhadap jarak horizontal h.
f (x)
f (a + h)
f (a) + f ′(a)h
f (a)
x
a a+h
Kita perlu meningkatkan ide-ide ini hingga banyak dimensi. Alih-alih melihat turunan satu-
variabel sebagai skalar f ′ (a), anggap saja sebagai pemetaan linier terkait Ta: R - → R, perkalian
dengan f ′ (a). Artinya, anggap saja sebagai pemetaan
Ta(h) = f ′(a)h untuk semua h ∈ R.
Gambar 4.3 menggabungkan ide ini. Angka ini mirip dengan gambar 4.2, tetapi ini menunjukkan
perkiraan dekat dalam sistem koordinat lokal yang berpusat pada titik singgung, dan dalam
sistem koordinat lokal garis singgung memang grafik pemetaan linier Ta. Poros-bagian yang
diarsir pada gambar adalah h secara horizontal dan g (h) = f (a + h) - f (a) - f ′ (a) h secara
vertikal, dan fakta bahwa bagian vertikal jauh lebih kecil mengilustrasikan bahwa g (h) adalah o
(h).
Kami hampir siap untuk menulis ulang definisi turunan secara pan-dimensi. Masalah
awal yang tersisa adalah memperhitungkan sifat lokal dari kondisi karakter: tergantung pada
perilaku f hanya pada bola-ε tentang a, tetapi di sisi lain, ia memang membutuhkan seluruh bola-
ε. Dengan demikian definisi berikut sesuai untuk tujuan kita.
Ta(h)
f (a + h) − f (a)
Ta(h)
h h
Definisi 4.3.1 (Titik Interior). Misalkan A menjadi bagian dari Rn, dan biarkan menjadi titik A.
Kemudian a adalah titik interior A jika beberapa ε-bola tentang a adalah bagian dari A. Yaitu, a
adalah titik interior A jika B (a, ε) ⊂ A untuk beberapa ε> 0.
Sekarang kita dapat mendefinisikan turunan dengan cara yang mencakup banyak
variabel dan sesuai dengan lokal.
Sekali lagi, pernyataan apa pun bahwa pemetaan dapat dibedakan pada titik memiliki
konotasi bahwa titik tersebut merupakan titik interior dari domain pemetaan. Yaitu, jika
f berbeda pada saat itu B (a, ε) ⊂ A untuk beberapa ε> 0. Dalam kasus khusus n = 1 kita
tidak memberikan turunan pada titik akhir domain.
Domain pemetaan linier Ta tidak dibatasi bahkan jika f itu sendiri hanya didefinisikan
secara lokal tentang a. Memang, definisi linearitas mengharuskan pemetaan linier
memiliki semua Rn sebagai domainnya. Setiap pemetaan linear sangat seragam sehingga
dalam hal apapun perilaku pada semua Rn ditentukan oleh perilaku pada setiap ε-bola
tentang 0n (latihan 4.3.1). Dalam istilah geometrik, grafik istilah T, objek singgung yang
mendekati grafik f pada (a, f (a)), meluas tanpa terikat, bahkan jika grafik f itu sendiri
terbatas pada titik-titik dekat (a, f (a) ). Tetapi perkiraan grafik oleh objek singgung harus
dekat hanya dekat titik singgung. Kembali ke gagasan derivatif sebagai pemetaan linier,
ketika n = 2
Kembali ke gagasan derivatif sebagai pemetaan linier, ketika n = 2 dan m = 1 fungsi f: A - → R
dapat berubah pada titik interior (a, b) A jika untuk nilai skalar kecil h dan k, f (a + h, b + k) - f
(a, b) diaproksimasi dengan baik oleh fungsi linear
T (h, k) = αh + βk
untuk beberapa skalar α, β, dan γ. Karena h bervariasi melalui R, f (a) + T (h) melintasi garis ℓ =
ℓ (f (a), (α, β, γ)) dalam R3 yang bersinggungan di f (a) ke kurva output . (Lihat gambar 4.5.) Di
sini Dfa (h) = h dan matriks Jacobian yang sesuai adalah Perhatikan bahwa gambar tidak
menunjukkan domain f, jadi mungkin membantu untuk memikirkan f sebagai lintasan waktu
yang bergantung pada kurva daripada sebagai kurva itu sendiri. Angka tersebut tidak memiliki
ruang untuk (h, Dfa (h)) - sistem koordinat (yang 4-dimensi), tetapi DFa (h) -sistem koordinat
memiliki asal pada titik f (a)
f (a)
ℓ
Untuk memverifikasi ini, kita perlu memeriksa Definisi 4.3.2. Titik yang ditulis dalam definisi
secara intrinsik sebagai (di mana a adalah vektor) ditulis di sini dalam koordinat sebagai (a, b)
(di mana a dan b adalah skalar), dan juga vektor h dalam definisi ditulis (h , k) di sini, karena
definisi adalah intrinsik sedangkan di sini kita akan menghitung. Untuk memeriksa definisi,
perhatikan terlebih dahulu bahwa setiap titik (a, b) dari A adalah titik interior; fakta bahwa setiap
titik A adalah interior tidak pantas mendapatkan bukti mendetail sekarang, hanya komentar
singkat. Kedua, konfirmasikan properti karakteristik turunan (4.1) dengan menghitungnya.
f (a + h, b + k) − f (a, b) − T(a,b)(h, k)
= (a + h)2 − (b + k)2 − a2 + b2 − 2ah + 2bk
= h2 − k2.
Misal |h2 | = |h|2 ≤ |(h, k)|2 oleh Batas Ukuran, dan karena | (h, k) | 2 = ϕ2 (h, k) adalah o (h, k) (di
mana ϕe adalah contoh dari Proposition 4.2.2), juga h2 adalah o (h, k ) oleh Prinsip Dominasi
(Proposisi 4.2.3). Demikian pula untuk k2, sehingga sifat ruang vektor dari o (h, k) melengkapi
argumen bahwa f (a + h, b + k) −f (a, b) −T (a, b) (h, k) adalah o (h, k) seperti yang diinginkan.
Juga, perhitungan secara diam-diam menunjukkan bagaimana derivatif itu ditemukan bagi kami
untuk memverifikasi: perbedaan f (a + h, b + k) −f (a, b) adalah 2ah − 2bk + h2 −k2, yang sebagai
fungsi dari dan k memiliki bagian linier 2ah − 2bk dan bagian kuadrat. h2 - k2 yang jauh lebih
kecil ketika h dan k kecil. Pendekatan linear dari perbedaan adalah turunan.
Sebelum melanjutkan, kita perlu menyelesaikan masalah gramatikal. Definisi 4.3.2 mengacu
pada pemetaan linier apapun yang memenuhi kondisi (4.1) sebagai turunan dari f pada a.
Untungnya, turunan, jika ada, adalah unik, membenarkan artikel yang pasti. Keunikannya secara
geometrik masuk akal: jika dua objek lurus (misalnya, garis atau bidang) mendekati grafik f juga
dekat (a, f (a)), maka mereka juga harus mendekati satu sama lain dengan cukup baik sehingga
kekuatan memaksa mereka bertepatan. Jumlah argumen kuantitatif untuk mengingat bahwa satu-
satunya linear pemetaan o (h) adalah nol.
Dalil 4.3.3 (Keunikan Derivatif). Biarkan f: A - → R (di mana A ⊂ Rn) dapat berubah menjadi
a. Maka hanya ada satu pemetaan linier memuaskan definisi Df.
Bukti. Anggaplah pemetaan linear Ta, ˜ Ta: Rn - → Rm adalah turunandari f pada a. Kemudian
dua pemetaan
keduanya o (h). Dengan sifat ruang vektor dari o (h), begitu juga perbedaan mereka ˜ Ta - Ta,
dan karena pemetaan linear dari Rn ke Rm membentuk ruang vektor juga, perbedaannya lagi
linear. Tetapi satu-satunya pemetaan linear (h) adalah pemetaan nol, jadi ˜ Ta = Ta seperti yang
diinginkan. Akhirnya, hasil lain instan dalam pengaturan kami.
Dalil 4.3.4. Jika f berbeda pada saat f adalah terus menerus pada a.
Bukti. Hitung, menggunakan diferensial of dari f pada a dan fakta bahwa pemetaan linear adalah
O (h), kemudian penahanan o (h) ⊂ O (h) dan penutupan O (h) di bawah penjumlahan, dan
akhirnya penahanan O ( h) ⊂ o (1), itu
f (a + h) −f (a) = f (a + h) −f (a) −Ta (h) + Ta (h) = o (h) + O (h) = O (h) = o (1).
Karena kondisi o (1) menggambarkan kontinuitas, argumennya lengkap
Kami akan mempelajari turunan melalui dua rute. Di satu sisi, pemetaan linier Dfa: Rn → Rm
ditentukan oleh entri skalar dari matriks f ′ (a), dan dengan demikian menghitung turunan sama
dengan menentukan skalar ini dengan menggunakan koordinat. Di sisi lain, mengembangkan
teorema konseptual tanpa tersesat dalam koefisien dan indeks membutuhkan ide intrinsik dari
derivatif sebagai pemetaan linier yang mendekati dengan baik.
LATIHAN
Biarkan T: Rn - → Rm menjadi pemetaan linier. Tunjukkan bahwa untuk setiap ε> 0, perilaku T
pada B (0n, ε) menentukan perilaku T di mana-mana.
Berikan interpretasi geometrik dari turunan ketika n = m = 2. Berikan interpretasi geometrik dari
turunan ketika n = 1 dan m = 2.
Biarkan f: A - → Rm (di mana A ⊂ Rn) memiliki fungsi komponen f1, · · ·, fm, dan biarkan
menjadi titik interior A. Biarkan T: Rn - → Rm menjadi linier pemetaan dengan fungsi
komponen T1, · · · , Tm. Menggunakan componentwise sifat dari kondisi o (h), yang ditetapkan
dalam bagian 4.2, menunjukkan componentwise sifat terdiferensiasi: f terdiferensiasi pada
dengan derivatif T jika dan hanya jika setiap komponen fi dapat terdiferensiasi pada dengan Ti
derivatif.
Biarkan f (x, y) = (x2 − y2, 2xy). Tunjukkan bahwa Df (a, b) (h, k) = (2ah − 2bk, 2bh + 2ak)
untuk semua (a, b) ∈ R2. (Dengan masalah sebelumnya, Anda dapat bekerja sesuai komponen.)
(a) Biarkan g (x, y) = xey. Tunjukkan bahwa Dg (a, b) (h, k) = heb + kaeb untuk semua
(a, b) ∈ R2. (Perhatikan bahwa 1 = e0. Salah satu metode adalah dengan menggunakan properti
karakterisasi turunan satu variabel dari ek pada k = 0; yang lain adalah menggunakan Teorema
Nilai Mean dan Properti Produk untuk fungsi Landau.) (B) Biarkan saya jadilah interval terbuka
di R, biarkan menjadi titik I, dan anggap bahwa f: I - → R dapat terdiferensiasi pada a dan bahwa
f ′ (a) positif. Gunakan properti karakterisasi derivatif untuk menunjukkan bahwa
f (a - h) <f (a) <f (a + h) untuk semua h positif yang cukup kecil. Dapatkah hasil ini dibuktikan
dengan menggunakan Teorema Nilai Rata-rata, bukan properti yang mencirikan?
Tunjukkan bahwa jika f: Rn - → Rm memuaskan | f (x) | ≤ | x | 2 untuk semua x ∈ Rn maka f
terdiferensiasi pada 0n.
Tunjukkan bahwa fungsi f (x, y) = p | xy | untuk semua (x, y) ∈ R2 tidak terdiferensiasi pada (0,
0). (Pertama lihat apa Df (0,0) (h, 0) dan Df (0,0) (0, k) perlu
menjadi.)
Anda mungkin ingin kontras seberapa baik pengaturan topologi kami bekerja di awal bukti ini
dengan contoh menjengkelkan yang kami temui sehubungan dengan Aturan Sum untuk
pemetaan kembali di bagian 2.5.
Pemetaan yang rumit dibuat dengan menyusun yang lebih sederhana. The-the-rem berikutnya
adalah hasil penting bahwa turunan dari komposisi adalah komposisi derivatif. Yaitu, pendekatan
linear terbaik dari komposisi adalah komposisi perkiraan linear terbaik.
pemetaan. Dengan demikian komposisi g ◦f: A - → Rℓ didefinisikan. Jika f berbeda pada titik a
∈ A, dan g berbeda pada titik f (a) ∈ B, maka komposisi g is f dapat berubah pada titik a, dan
turunannya ada
Dalam hal matriks Jacobian, karena matriks komposisi adalah produk dari matriks, Aturan
Rantai adalah
(g ◦ f )′(a) = g′(f (a)) f ′(a).
Fakta bahwa kita dapat membuktikan bahwa turunan dari komposisi adalah komposisi derivatif
tanpa formula eksplisit untuk derivatif adalah mirip dengan fakta dalam bab sebelumnya yang
dapat kita buktikan bahwa deter-minant produk adalah produk dari determinan tanpa formula
eksplisit untuk determinan.
Bukti. Untuk menampilkan isu-isu nyata dari argumen dengan jelas, kami mengurangi masalah
ke situasi normal. Pemeriksaan cepat menunjukkan bahwa terjemahan yang digantikan dan
terjemahan yang ditangguhkan hanya memengaruhi turunan hanya dengan cara-cara minor yang
sudah diketahui dari kalkulus satu-variabel, dan ini mengurangi Aturan Rantai untuk kasus
pemetaan f dan g yang mengambil 0 hingga 0 (latihan 4.4.3 ). Jadi, kita diberi itu
f (h) = S(h) + o(h),
g(k) = T (k) + o(k),
dan kita tahu bahwa
(g ◦ f )(h) = (T ◦ S)(h) + o(h).
Compute that
g(f (h)) = g(Sh + o(h)) by the first given
= T Sh + T (o(h)) + o(Sh + o(h)) by the second.
Kita tahu bahwa T k = O (k) dan Sh = O (h), jadi tampilan sebelumnya memberi
persis seperti yang diinginkan. Inti masalahnya adalah bahwa o (h) menyerap O (h) dari kedua
sisi. Dua aplikasi cepat dari Aturan Rantai muncul secara alami untuk nilai skalar fungsi.
Diberikan dua fungsi seperti itu, tidak hanya jumlah mereka didefinisikan, tetapi karena R adalah
sebuah bidang (tidak seperti Rm untuk m> 1), begitu juga produk mereka dan begitu pula hasil
bagi mereka pada titik-titik di mana g adalah bukan nol.Dengan bantuan dari Aturan Rantai ,
hukum turunan untuk produk dan bagi-bagi mengikuti dengan mudah dari perhitungan dasar.
Dalil 4.4.5 (Peraturan Produk dan Kuota Multivariabel). Membiarkan f: A - → R (di mana A
⊂ Rn) dan g: B - → R (di mana B ⊂ Rn) berfungsi, dan biarkan f dan g terdiferensiasi pada.
Kemudian
(1) fg terdiferensiasi dengan derivatif
D (fg) a = f (a) Dga + g (a) Dfa.
(2) Jika g (a) 6 = 0 maka f / g terdiferensiasi dengan derivatif
Bukti. (1) Sebagaimana dijelaskan dalam bukti Proposisi 4.4.2, a adalah titik interior dari domain
A ∩B dari g, jadi kita hanya perlu untuk menghitung. Fungsi produk f g adalah komposisi p ◦ (f,
g), di mana (f, g): A ∩ B - → R2 adalah pemetaan dengan fungsi komponen f dan g. Untuk setiap
h ∈ Rn, Aturan Rantai dan sifat componentwise dari diferensiasi (ini adalah latihan 4.3.3)
berikan Ini membuktikan (1) karena h bersifat arbitrer. (2) serupa (latihan 4.4.5) tetapi dengan
kerutan yang perlu ditunjukkan bahwa sejak g (a) 6 = 0 dan karena Dga ada, maka itu adalah titik
interior dari domain f / g. Di sini relevan bahwa g harus berkesinambungan pada, dan oleh
karena prinsip Ketekunan Ketidaksetaraan (Proposisi 2.3.10), g adalah nol pada beberapa ε-bola
pada yang diinginkan.
Dengan hasil yang terkumpul sejauh ini, kita dapat menghitung turunan dari pemetaan apa pun
yang fungsi komponennya diberikan oleh ekspresi rasional dalam skalar masukan komponennya.
Dengan sifat componentwise dari enti erentiabil-ity, itu su untuk menemukan turunan dari fungsi
komponen. Karena ini adalah komposisi dari jumlah, produk, dan timbal balik dari konstanta dan
fungsi linear, turunannya dapat dihitung dengan mesin yang ada.
Anggaplah, misalnya, bahwa f (x, y) = (x2 - y) / (y + 1) untuk semua (x, y) ∈ R2 sedemikian
hingga y≠ −1. Perhatikan bahwa setiap titik dari domain f adalah titik interior. Tulis ulang f
sebaga
di mana X adalah fungsi linear X (x, y) = x pada R2 dan juga Y (x, y) = y. Penerapan Aturan
Rantai dan hampir setiap hasil lain pada turunan sejauh ini menunjukkan bahwa pada titik mana
saja (a, b) dalam domain f, derivatif Df (a, b)
diberikan oleh (membenarkan langkah-langkah)
Dalam prakteknya metode ini terlalu berat untuk fungsi apa pun selain yang paling sederhana,
dan dalam hal apapun itu hanya berlaku untuk pemetaan dengan fungsi komponen rasional.
Tetapi di sisi lain, tidak ada alasan untuk mengharapkan banyak cara hasil komputasi dari
metode kami sejauh ini, karena kami telah mempelajari turunan berdasarkan karakterisasi
intrinsiknya. Pada bagian berikutnya kita akan membangun turunan dalam koordinat,
memungkinkan kita untuk menghitung dengan mudah dengan menggambar pada hasil kalkulus
satu-variabel.
Untuk aplikasi lain dari Aturan Rantai, biarkan A dan B menjadi himpunan bagian dari Rn, dan
anggap bahwa f: A - → B dapat dibalik dengan inverse g: B - → A. Anggap lebih lanjut bahwa f
adalah dapat diartikan pada ∈ A dan bahwa berbeda pada f (a). Komposisi g ◦f adalah pemetaan
identitas idA: A - → A, yang merupakan pembatasan pemetaan linier, memiliki pemetaan linier
sebagai turunannya pada a. Karena itu,
id = D (idA) a = D (g ◦ f) a = Dgf (a) ◦ Dfa.
Argumen ini sebagian menunjukkan bahwa untuk pembalik seperti yang dijelaskan, Dfa peta-
ping linear juga dapat dibalik. (Argume n simetris melengkapi bukti dengan menunjukkan
bahwa juga id = Dfa ◦ Dgf (a).) Karena kita memiliki metode yang tersedia untuk memeriksa
keterbalikan dari peta linear, kita dapat menerapkan kriteria ini setelah kita tahu cara menghitung
turunan.
Namun, tidak terlalu banyak yang harus dibuat dari hasil ini; hipotesanya terlalu kuat. Bahkan
dalam kasus satu variabel fungsi f (x) = x3 dari R ke R dapat dibalik dan memiliki turunan
noninvertible 0 pada x = 0. (inverse, g (x) = 3 x tidak berbeda pada 0, sehingga kondisi di atas
tidak terpenuhi.) Selain itu, kami lebih memilih pernyataan sebaliknya, bahwa jika derivatif
dapat dibalik maka begitu juga pemetaan. Pernyataan sebaliknya tidak benar, tetapi kita akan
melihat di Bab 5 bahwa itu benar secara lokal, yaitu, memang benar di kecil.
Latihan
(c) Tinjau bukti dari Aturan Rantai yang dinormalisasi dan kemudian, tanpa melihat lebih jauh,
ulangi argumennya bahwa jika
Kemudian
(c) Ketika , apa yang dikatakan dalam latihan ini tentang Determinan?
Perhitungan Turunan
Melihat dari Definisi 4.3.2 dari turunan multivariabel tanpa menggunakan koordinat telah
menghasilkan beberapa hasil yang mudah dan satu yang lebih sulit — Aturan Rantai —tapi tidak ada
deskripsi eksplisit dari turunan kecuali dalam kasus-kasus sederhana. Kami bahkan tidak tahu bahwa
ada turunan multivariabel kecuali untuk pemetaan dengan fungsi koefisien rasional.
Mengikuti prinsip umum bahwa kondisi yang diperlukan lebih mudah diperoleh daripada yang
memadai, kita asumsikan bahwa turunan itu ada dan tidak menentukan apa yang seharusnya.
Geometri memberikan wawasan. Seperti biasa argumen componentwise, tidak ada kerugian dalam
mempelajari fungsi dengan output skalar, yaitu kita dapat mengambil . Ketetapan
cocok dengan grafik dalam dimana kita dapat melihatnya. Dengan demikian ambil
dimana .
Anggaplah bahwa adalah tidak penting pada titik . Kemudian grafik memiliki bidang
singgung pada titik seperti yang ditunjukkan pada Gambar 4.4. Untuk menentukan
bidang ini, kita memerlukan dua garisnya melalui Garis asal untuk dipertimbangkan
adalah garis bayangan berjalan di arah dan . Sebut mereka dan . (Lihat gambar 4.6.)
Garis bersinggungan dengan penampang melintang dari grafik . Untuk melihat penampang
lintang ini, bekukan variabel pada nilai dan lihat fungsi yang dihasilkan dari satu variabel,
. Kemiringan pada bidang vertikal adalah tepatnya . Masalah
sedikit halus di sini adalah bahwa karena adalah titik interior , juga merupakan titik interior
domain .
Demikian pula, memiliki kemiringan di mana Fungsi linear yang
mendekati untuk kecil sekarang ditetapkan sebagai
. Dengan demikian memiliki matriks . Sejak itu
entri dari matriks ini hanyalah turunan satu variabel, ini adalah sesuatu yang dapat kita hitung.
jika batas ada dan tidak diambil di titik akhir domain dari pembagian hasil.
Turunan parsial mudah dihitung: tepatnya semua kecuali satu variabel, dan kemudian mengambil
turunan satu variabel dengan memperhatikan variabel yang sisa. Misalnya jika
Kemudian
Bukti. Pikir untuk membaca entri ke dari dengan mempelajari ke fungsi komponen dari
dan misalkanlah sepanjang arah koordinat ke pada properti penentu (4.1) dari turunan.
Perhitungan berikutnya akan mengulangi argumen cepat di bagian 4.3 bahwa karakterisasi turunan
mengandungi konstruksi dalam kasus satu variabel.
Turunan dari fungsi komponen terhadap dijelaskan oleh ke baris . Katakanlah entri
baris . Menunjukkan baris dalam mode ini memiliki konsekuensi operasional
untuk semua
Misalkan dengan variabel bilangan real, sehingga sebagai . Sejak
ada, kita memiliki sebagai contoh khusus dari karakterisasi terdefinisi bahwa
adalah ,
Sehingga,
Pernyataan sebelumnya mengatakan dengan tepat bahwa ada dan sama dengan .
Jadi keberadaan turunan membuat perlu adanya semua turunan parsial dari semua fungsi
komponen terhadap . Pertanyaan al adalah apakah keberadaan mereka juga cukup untuk
keberadaan . Bukan itu. Bukti Teorema 4.5.2 sama dengan The Straight Line Test dari bagian 2.3:
kondisi umum khusus untuk , yaitu, untuk membiarkan mendekati hanya di
sepanjang sumbu. Spesialisasi mari kita tunjukkan bahwa entri matriks turunan adalah turunan parsial
dari fungsi-fungsi komponen dari . Tetapi nilai untuk informasi spesifik ini adalah hilangnya
generalitas. Generalitas yang hilang bahwa kondisi yang diperlukan tidak mencukupi.
Sebagai contoh, fungsi
dan juga ; tetapi seperti yang dibahas dalam bab 2, tidak kontinyu pada asalnya, jika
turunannya lebih sedikit. Namun, contoh ini adalah mengusahakan, semacam fungsi yang hanya
dilihat di pelajaran matematika, dan faktanya dengan hipotesis yang sedikit lebih kuat, pernyataan dari
Teorema 4.5.2 tetap berlaku.
Kita dapat mengambil cukup kecil bahwa turunan parsial ada di semua titik dalam jarak
dari . Di sini kita menggunakan hipotesis bahwa turunan parsial ada dimana-mana dekat .
Ide pertama adalah untuk pindah dari ke dalam langkah-langkah, mengubah satu
koordinat pada ,
Karena turunan parsial ada, kita dapat menerapkan properti karakterisasi turunan satu variabel di
setiap arah,
Juga, pertama dalam tampilan sebelumnya adalah fungsi dari dan akibatnya
fungsi , dan juga untuk kedua dalam pajangan. Jadi sekarang kita punya
‘
Selanjutnya, dan adalah , dan adalah Jadi, setelah
mengumpulkan persyaratan
Perhatikan bagaimana semua ini dibandingkan dengan diskusi tentang determinan di bab sebelumnya.
Di sana kami menginginkan determinan untuk memenuhi sifat-sifat karakterisasi, kami menemukan
satu-satunya fungsi yang mungkin dapat memuaskan mereka, dan kemudian kami memverifikasi
bahwa itu memang benar. Di sini kami menginginkan turunan untuk memenuhi properti yang
memberi ciri, dan kami menemukan satu-satunya kemungkinan untuk turunan — pemetaan linier
yang matriksnya terdiri atas turunan parsial, yang harus ada jika derivatif itu ada. Tapi analisis lebih
halus daripada aljabar: pemetaan linier ini tidak perlu memuaskan karakteristik turunan dari turunan
kecuali kita menambahkan asumsi lebih lanjut. Teorema turunan-eksistensi, Teorema 4.5.3, adalah
hasil yang paling substansial sejauh ini dalam bab ini. Kita telah melihat sebuah tandingan terhadap
kebalikan dari Teorema 4.5.3, di mana pembedaan gagal karena bahkan kontinuitas gagal (halaman
155). Untuk kebalikan satu dimensi dengan Teorema 4.5.3 di mana kontinu dan belum
terdiferensialkan masih gagal, lihat latihan 4.5.3.
Untuk menunjukkan ide-ide dari bagian sejauh ini, pertimbangkan fungsinya
Rumus teratas dalam definisi menggambarkan fungsi rasional dari dan pada bidang terdistorsi
. Setiap fungsi rasional dan semua turunan parsialnya adalah kontinu pada domainnya
(merasa bebas untuk meminta hasil ini), dan lebih jauh lagi setiap titik menjauh dari
terletak pada beberapa ε-bola yang juga jauh dari . Artinya, untuk setiap titik
turunan parsial ada di dan sekitar dan kontinu pada Dengan demikian kondisi untuk
Teorema 4.5.3 terpenuhi, dan kesimpulannya mengikuti: terdiferensiasi pada Sekarang
Teorema 4.5.2 mengatakan bahwa matriks derivatif pada adalah matriks derivatif parsial,
Akibatnya turunan dari pada setiap nol adalah yang sesuai peta linier
Namun, analisis ini rusak pada titik Di sini satu-satunya jalan keluar kami adalah
untuk mencari tahu apakah ada turunan calon dan kemudian menguji apakah itu berhasil. Turunan
parsial pertama dari pada adalah
dan juga . Jadi oleh Teorema 4.5.2, satu-satunya kemungkinan untuk turunan pada
adalah peta nol. Sekarang pertanyaannya adalah apakah
adalah
Matriks memiliki determinan , dan karenanya selalu dapat dibalik. Di sisi lain,
pemetaan mengambil nilai yang sama pada titik dan jadi sudah pasti tidak dapat
dibalik.
Dengan matriks Jacobian yang dijelaskan secara eksplisit, versi yang lebih perhitungan dari
Aturan Rantai tersedia.
untuk
Bukti. Komposisi ini berbeda dengan Aturan Rantai intrinsik. Matriks Jacobian dari terhadap
(baris , kolom )
dan matriks Jacobian dari terhadap
(baris , kolom )
dan matriks Jacobian dari terhadap
(baris , kolom )
Jika pada gilirannya fungsi dan maka formulasi klasik dari Aturan Rantai akan (rumus
(4.2))
Rumus aturan rantai mudah divisualisasikan tergantungan dari ke dalam diagram di mana panah
berarti memberikan kontribusi untuk :
Sayangnya, untuk semua keuntungan mnemoniknya, notasi klasik adalah ranjau yang benar-benar
salah tafsir. Formula (4.2) tidak menunjukkan di mana berbagai turunan parsial harus dievaluasi,
untuk satu hal. Menentukan variabel diferensiasi dengan nama alih-alih posisi juga menjadi
membingungkan ketika simbol yang berbeda digantikan untuk variabel yang sama, terutama karena
simbol itu sendiri dapat menunjukkan nilai spesifik atau variabel lain. Misalnya satu dapat
menafsirkan banyak makna yang berbeda untuk ekspresi
Menafsirkan perbedaan antara fungsi dan variabel yang menunjukkan output mereka bahkan lebih
bermasalah. Jika seseorang memiliki, katakanlah,
kemudian mengejar semua jalur dari kembali ke memberi
dengan yang berarti sesuatu yang berbeda pada setiap sisi persamaan. Sementara formula
klasik berguna dan mungkin lebih sederhana untuk diterapkan dalam situasi dasar, mereka tidak
terlalu kuat sampai seseorang memiliki pemahaman yang kuat tentang Aturan Rantai. Di sisi lain,
formula klasik bekerja dengan baik dalam aplikasi yang sederhana, sehingga beberapa latihan
diutarakan dalam bahasa yang lebih tua untuk memberi Anda berlatih dengannya.
Latihan
Jelaskan secara diskusi, mengapa pada bagian ini bidang P bersinggungan dengan semua titik
di mana .
Latihan ini menunjukkan bahwa semua turunan parsial suatu fungsi bisa ada di dan sekitar titik
tanpa kontinyu pada titik itu. Tentukan oleh
Tunjukkan bahwa ada untuk semua tetapi tidak kontinus pada . Jelaskan
bagaimana hal ini menyangkal kebalikan Teorema 4.5.3
Diskusikan turunan dari pemetaan berikut ini.
(Setelah Anda selesai, bandingkan upaya untuk menyelesaikan masalah sekarang dengan upaya
melakukannya seperti yang kami lakukan pada akhir bagian 4.4.)
(b) pada pada generik dengan
Untuk sisa dari latihan-latihan ini, asumsikan sebanyak mungkin fleksibilitas yang diperlukan.
Untuk pemetaan turunan diagonal matriks untuk semua ?(
matriks diagonal adalah matriks yang entri ke untuk semua adalah .)
Tunjukkan jika kemudian dan memenuhi persamaan diferensial
Misalkan
ada dan diturunkan dengan , turunan parsialnya berkenaan dengan yang diperoleh dengan
meneruskan turunan melalui integral ,
(Langkah "!" Membutuhkan pembenaran, tetapi dalam keadaan yang wajar hal itu dapat
dilakukan.) Definisikan suatu fungsi
Jadi, mempengaruhi dalam dua cara: sebagai parameter untuk integran, dan sebagai
Curiga banyak dari pertandingan ini. Hasil dua atau tiga perbedaan sebagian tampaknya hanya
bergantung pada berapa banyak yang diambil sehubungan dengan dan berapa banyak yang
berkaitan dengan , bukan pada urutan di mana mereka diambil.
Untuk menganalisa situasi, perlu mempertimbangkan hanya dua perbedaan. Sederhanakan notasi
dengan menulis sebagai . (Subskrip mungkin terlihat terbalik, tetapi membaca dari
kiri ke kanan sebagai D-satu-dua menunjukkan urutan sesuai dari turunan.) Definisi untuk
dan serupa. Keempat fungsi disebut urutan kedua turunan parsial , dan khususnya dan
adalah urutan kedua dicampur turunan parsial. Lebih umum, ke orde turunan parsial dari
fungsi adalah berasal dari berbagai diferensiasi. fungsi adalah fungsi yang mana semua ke
orde turunan parsial ada dan kontinu. Teorema adalah bahwa dengan kontinuitas yang cukup, urutan
diferensiasi tidak menjadi masalah. Artinya, setuju adanya turunan parsial campuran.
dan juga
Jika urutan mengambil batas tidak penting maka kita memiliki hasil yang diinginkan. Namun, jika
bukan fungsi maka urutan mengambil batas sebenarnya bisa berarti, yaitu, dua turunan parsial
campuran keduanya bisa ada tetapi tidak sama (lihat latihan 4.6.1 untuk contoh). Jadi, bukti yang
benar dari Teorema 4.6.1 membutuhkan sedikit perhatian. Teorema ini mirip dengan Teorema Taylor
dari bagian 1.3 karena keduanya dinyatakan sepenuhnya dalam bentuk turunan, tetapi mereka paling
mudah dibuktikan dengan menggunakan integral. Bukti berikut menggunakan integral untuk
menunjukkan bahwa adalah nilai rata-rata dari kedua dan dekat , dan
kemudian memisalkan dan mengecil menjadi memaksa dan untuk menyetujui
seperti yang diinginkan. Artinya, buktinya menunjukkan bahwa dua kuantitas pada tampilan
sebelumnya sama dengan menunjukkan bahwa masing-masing sama dengan kuantitas ketiga umum.
Bukti. Ketika adalah fungsi pada , setiap titik dari adalah interior. Ambil saja titik
. Kemudian beberapa kotak terletak pada . Hitung integral
atau
sebagai
Tetapi juga, membalik urutan integrasi dan turunan parsial memberikan perhitungan simetris
dan
Memperluas Teorema 4.6.1 ke lebih variabel banyak dan ke derivatif yang lebih tinggi sangatlah
mudah dengan ketentuan bahwa satu persediaan cukup kontinuitas. Hipotesis teorema dapat
dilemahkan sedikit, dalam hal ini bukti yang lebih halus diperlukan, tetapi teknis seperti itu lebih
mengganggu daripada berguna.
Turunan tingkat tinggi ditulis dalam banyak cara. Jika suatu fungsi diuraikan dengan persamaan
maka juga dinotasikan
Seperti dengan satu turunan, ini menggabungkan keuntungan mnemonik dengan bahaya konseptual.
Perhitungan menggunakan turunan tingkat tinggi dan Aturan Rantai mengubah persamaan
Laplace dari kartesian ke koordinat kutub. kuantitas tergantung pada variabel
Cartesian dan memenuhi persamaan Laplace 's jika (mengaburkan perbedaan antara dan )
Jika sebagai gantinya dilihat sebagai fungsi dari variabel polar dan lalu bagaimana
persamaan Laplace diekspresikan?
Koordinat kartesius dalam hal koordinat kutub adalah
dan kemudian, karena dan juga bergantung pada dan melalui dan , Aturan Rantai
memberikan perluasan dari dan , dan kalkulasi berlanjut,
Perhatikan penggunaan persamaan turunan parsial campuran. Perhitungan yang sama dengan
bukannya memberi
Ingat bahwa bentuk kartesius dari persamaan Laplace adalah . Sekarang bentuk kutub
berikut:
Itu adalah,
Poin dari perhitungan yang terlibat ini adalah bahwa setelah melakukannya sekali, dan hanya sekali,
kita sekarang dapat memeriksa secara langsung apakah ada fungsi dari variabel polar dan
memenuhi persamaan Laplace . Kami tidak lagi perlu mengubah masing-masing ke
dalam koordinat kartesian sebelum diperiksa.
Latihan
Latihan ini menunjukkan bahwa kesinambungan diperlukan untuk persamaan turunan parsial
campuran. Misalkan
Jauh dari , rasional dan kontinu dan semua turunan parsial ada dan kontinu.
Tunjukkan: (a) kontinu pada , (b) dan ada dan kontinu pada , (c)
.
Untuk sisa dari latihan-latihan ini, asumsikan sebanyak mungkin fleksibilitas yang diperlukan.
Seharusnya , sebagai fungsi dari dan , memenuhi persamaan diferensial . Buat
perubahan variabel . Apa persamaan diferensial yang sesuai yang
Anda penuhi jika dilihat sebagai fungsi dari dan ? (Artinya, temukan hubungan nontrivial
yang melibatkan setidaknya satu dari dan .)
(Persamaan gelombang) (a) Misalkan menjadi konstan, diam-diam dipahami untuk
menunjukkan kecepatan cahaya. Tunjukkan jika (di mana dan
yang berwenand di fungsi dari satu variabel) kemudian .
(b) Sekarang misalkan (baik dan konstanta), dan tentukan variabel ruang dan
waktu baru dalam hal yang lama dengan transformasi Lorentz,
di mana
Tunjukkan bahwa
Nilai Ekstrim
Dalam kalkulus satu variabel, turunan digunakan untuk menemukan nilai maksimum dan minimum
(ekstrema) dari fungsi yang berbeda. Ingat kembali fakta-fakta yang bermanfaat berikut ini.
(Teorema Nilai Ekstrim.) Jika adalah kontinyu maka mengasumsikan maksimum dan
minimum pada interval
(Teorema Titik Kritis.) Anggaplah adalah yang berbeda pada dan bahwa
mengasumsikan maksimum atau minimum pada titik interior Kemudian
(Tes Turunan Kedua.) Misalkan adalah pada dan bahwa
pada titik interior . Jika maka adalah lokal minumum dari , dan jika maka
adalah lokalmaksimum.
menentukan parabola terbaik. Ketika garis singgung adalah horisontal dan tanda
menentukan apakah parabola membuka ke atas atau ke bawah. Ketika dan ,
parabola berdegenerasi garis singgung horizontal, dan turunan kedua tidak memberikan informasi.
(Lihat gambar 4.8.)
Bagian ini menggeneralisasikan fakta-fakta ini ke fungsi dari variabel. Teorema Nilai Ekstrim
telah digeneralisasikan sebagai Teorema 2.4.15: fungsi kontinyu pada subset ringkas
membutuhkan nilai maksimum dan minimum. Teorema Titik Kritis juga mudah digeneralisasi untuk
mengatakan bahwa setiap nilai ekstrim fungsi yang terjadi pada titik di mana adalah
turunan pada titik kritis dari , yang berarti titik yang mana adalah fungsi nol.
Teorema 4.7.1 (Teorema Titik Kritis Multivariabel). Anggaplah bahwa fungsi (di mana
) mengambil nilai ekstrim pada sebuah titik dari , dan anggap bahwa turunan terhadap
. Maka semua turunan parsial adalah nol.
Bukti. Untuk setiap , nilainya adalah nilai ekstrim untuk fungsi satu- variabel
dari definisi 4.5.1 dari turunan parsial . Dengan Teorema Titik Kritis satu variabel,
. Kemudian
Generalisasi tes turunan kedua lebih rumit. Mulai sekarang, semua fungsi diasumsikan
menjadi tipe pada interior domain mereka, yang berarti bahwa semua orde turunan parsial kedua
ada dan kontinu.
Definisi 4.7.2 (Matriks Turunan Kedua). Misalkan (di mana ) suatu fungsi dan
misalkan menjadi satu titik pada interior . Itu matriks turunan kedua dari di adalah by
entri matriks yang ke dalam urutan turunan parsial kedua . Dengan demikian
Dengan persamaan turunan parsial campuran, matriks turunan kedua adalah simetris, yaitu,
. Perhatikan matriks turunan kedua dan matriks Jacobian: matriks turunan kedua
adalah matriks persegi yang hanya didefinisikan untuk fungsi bernilai skalar dan entrinya adalah
urutan kedua turunan parsial, sedangkan untuk fungsi bernilai skalar matriks Jacobian adalah vektor
baris turunan parsial pertama.
Irksomely, f '' Bukan (f ′)′ . Masalahnya adalah peta yang tampaknya masuk akal f ′ : A -
→ R n mengambil setiap poin a ∈ A sampai f ′(A) tidak cocok dengan benar ke dalam konvensi kami:
masing-masing f '(A) secara khusus deretan-vector, tapi kami melihat unsur-unsur R n baik sebagai
daftar memerintahkan tanpa bentuk sama sekali atau sebagai kolom-vektor. Dengan demikian
( f ′ ) ′ Bahkan tidak ada. Koreksinya adalah bahwa peta f ′ T : A - → R n mengambil setiap
poin a ∈ A sampai f ′ ( A ) T tidak sesuai dengan skema kami, dan memang
Kepedihan masalah ini memperjelas bahwa pada akhirnya kita harus melonggarkan konvensi kita dan
secara bebas mentransformasikan vektor dan matriks seperti yang disebut oleh konteks, karena
memang banyak paket perangkat lunak yang melakukannya. Tetapi karena konvensi dapat membantu
untuk siswa yang melihat materi untuk pertama kalinya, kami mempertahankannya untuk saat ini dan
dengan enggan menerima transpose di sini.
dan
QM : Rn → R , Q M(h) = hT M h.
Di sini h dilihat sebagai vektor kolom. Jika M memiliki entri mij dan h=( h 1 ,. . . , H n) maka aturan
perkalian matriks menunjukkan bahwa
Fungsi Q M adalah homogen derajat 2, yang berarti bahwa setiap istilah yang memiliki derajat 2 di h
maka aturan perkalian matriks menunjukkan bahwa
adalah homogen derajat 2, yang berarti bahwa masing-masing istilahnya memiliki
derajat 2 dalam entri h dan karena itu dan
Ketika M adalah matriks turunan kedua dari fungsi f pada suatu titik, fungsi kuadrat yang sesuai
dinotasikan Qfa daripada Qf ''(a). Sama seperti f (a) + Df a(h)memberikan pendekatan afinitas terbaik
dari f (a + h) untuk h kecil, memberikan pendekatan kuadrat terbaik.
Dalam contoh f (x, y) = sin2 x + x2y + y2, matriks derivatif kedua pada suatu titik (a, b)
mendefinisikan fungsi kuadrat
Anggaplah bahwa f: A - → R (di mana A ⊂ R2) memiliki titik kritis pada (a, b), yaitu, f ′ (a, b) =
[0 0]. Bekerja dalam koordinat lokal, kita akan mendekati f dengan fungsi kuadratik pada R2 yang
memiliki titik kritis pada (0,0). Grafik dari sembilan fungsi kuadrat seperti ditunjukkan pada Gambar
4.9. Jika aproksimasi kuadrat terbaik dari f pada (a, b) adalah sebuah mangkuk maka f harus memiliki
minimum pada (a, b). Demikian pula untuk mangkok terbalik dan maksimal. Jika aproksimasi
kuadratik terbaik adalah pelana maka harus ada titik (x, y) dekat (a, b) di mana f (x, y)> f (a, b) dan
titik (x ′, y ′) dekat (a, b) di mana f (x ′, y ′) <f (a, b). Dalam hal ini (a, b) disebut untuk alasan yang
jelas titik pelana dari f.
Gambar 4.9. Dua mangkuk, dua sadel, empat halfpipes, dan bidang
Kembali ke contoh f(x,y) = sin2x + x2y + y2 ,, perhatikan bahwa (0,0) adalah titik kritis f sejak f ′
(0,0) ) = [0 0]. Matriks turunan kedua f ′ ′ (0,0) adalah sehingga fungsi kuadrat Qf(0,0)
diberikan oleh
Dengan demikian grafik f tampak seperti mangkuk dekat (0,0) dan f (0,0) harus minimum lokal.
Diskusi ini belum teliti. Membenarkan ide-ide dan membuktikan teorema yang tepat akan
menempati sisa bagian ini. Tugas pertama adalah mempelajari aproksimasi kuadrat dari fungsi-fungsi
C2.
Proposisi 4.7.3 (Kasus Khusus Teorema Taylor). Misalkan I menjadi interval terbuka dalam R yang
berisi [0,1]. Misalkan φ: I - → R menjadi fungsi C2. Kemudian
Proposisi berikut dari Teorema Taylor umum di bagian 1.3 sejak tingkat pertama Taylor
polinomial φ pada 0 adalah jadi khususnya
Teorema 4.7.4 (Quadratic Taylor Approximation). Biarkan f: A - → R (di mana A ⊂ Rn) menjadi
fungsi C2 pada titik-titik interior A. Biarkan titik interior A. Kemudian untuk semua cukup kecil h ∈
Rn,
Jadi, untuk
mempelajari f dekat titik kritis a ∈ Rn di mana Dfa adalah nol, kita perlu melihat tanda Qfa + ch( h)
untuk vektor kecil h. Urutan selanjutnya dari bisnis adalah untuk mendiskusikan nilai-nilai yang
diambil oleh fungsi kuadrat homogen.
Definisi 4.7.5 (Definite Definite, Negative Definite, Indefinite Ma-trix). Matriks kuadrat persegi n-
oleh-n M disebut :
adalah tak tentu.aljabar linear simetris terlalu panjang untuk kasus ini. (Lihat latihan 4.7.10
untuk hasil tanpa bukti.) Namun, dalam kasus khusus n = 2, metode dasar memberikan jawabannya.
Ingat bahwa polinomial kuadrat αh2 + 2βh + δ mengambil nilai positif dan negatif jika dan hanya jika
memiliki akar nyata yang berbeda, yaitu,
αδ - β2 <0.
Proposisi 4.7.6 (tes definit dua oleh dua). mengingat matriks
Bukti. Karena untuk semua t bilangan real, penskalaan vektor input (h, k)
oleh bilangan real bukan nol tidak mempengaruhi tanda keluaran. Entri k yang kedua oleh karena itu
dapat ditingkatkan ke 0 atau 1, dan jika k = 0 maka entri pertama h dapat diskalakan ke 1. Oleh karena
itu, untuk menunjukkan (1), alasan bahwa
Definite positive, definite negatif, atau tidak terbatas dari matriks dipertahankan jika entri matriks
bervariasi dengan jumlah yang cukup kecil. Sekali lagi kami membatasi diskusi kami dengan kasus 2-
oleh-2. Di sini hasilnya masuk akal secara geometris, karena dikatakan bahwa jika matriks M (a, b)
mendefinisikan fungsi yang grafiknya (misalnya) mangkuk, maka matriks yang dekat dengan M (a, b)
harus mendefinisikan fungsi dengan grafik, yang dengan demikian masih harus berbentuk mangkuk.
Persistensi yang sama berlaku untuk pelana, tetapi halfpipe dapat langsung berubah bentuk menjadi
mangkuk atau pelana, dan demikian pula dengan bidang.
Proposisi 4.7.7 (Ketekunan Keteguhan). Misalkan A menjadi subset dari R2, dan misalkan pemetaan
bernilai-matriks
Menjadi kontinu . Misalkan (a, b) menjadi titik interior A. Anggaplah bahwa matriks M (a, b) adalah
definitif positif. Kemudian untuk semua (x, y) dalam beberapa ε-bola tentang (a, b), matriks M (x, y)
juga pasti positif. Pernyataan serupa berlaku untuk matriks definitif dan tak tentu yang negatif.
Bukti. Dengan prinsip Ketahanan Ketidakmerataan (Proposisi 2.3.10), kriteria α> 0 dan αδ −β2> 0
tetap berlaku jika x dan y bervariasi dengan jumlah yang cukup kecil. Pernyataan lain juga sama.
Ketika fungsi f memiliki orde parsial derivatif orde kedua, entri dari matriks turunan kedua f ′′(a)
bervariasi terus menerus dengan a. Hasil akhir dari proposisi terakhir adalah bahwa kita dapat
mengganti gagasan Qfa + ch
untuk beberapa c dengan fungsi eksplisit Qfa
.
Proposition 4.7.8 (Tes Max / Menit Dua-variabel). Biarkan f: A - → R (di mana A ⊂ R2) menjadi C2
pada titik-titik interiornya. misalkan (a, b) menjadi titik interior A, dan anggaplah bahwa f ′ (a, b) = [0
0]. misalkan
f ′′(a, b) =
. Kemudian
(1) Jika α> 0 dan αδ - β2> 0 maka f (a, b) adalah minimum lokal.
(2) Jika α <0 dan αδ - β2> 0 maka f (a, b) adalah maksimum lokal.
(3) Jika αδ - β2 <0 maka f (a, b) adalah titik sadel.
Bukti. Ini mengikuti dari Teorema 4.7.4, Proposisi 4.7.6 dan Proposisi 4.7.7.
Sekali lagi, tes tidak memberikan informasi jika αδ - β2 = 0. Kembali sekali lagi ke contoh
f(x,y) = sin2x + x2y + y2 ,dengan titik kritisnya (0,0) dan turunan kedua matriks f ′′(0, 0) =
Karena R2 tidak kompak, tidak ada jaminan bahwa f memiliki ekstrem. Bahkan, untuk x besar, f (x, 0)
menjadi besar secara sewenang-wenang, dan untuk y besar, f (0, y) menjadi kecil (di mana kecil
berarti negatif, bukan epsilontik). Jadi f tidak memiliki ekstrem global.
Meskipun demikian mungkin ada yang lokal. Setiap titik R2 adalah interior, jadi itu sudah cukup
untuk memeriksa titik-titik kritis dari f. Turunan parsial adalah
dan satu-satunya titik di mana keduanya menghilang adalah (x,y)=(1,1) matriks turunan kedua adalah
f ′′(1,1)= jadi titik kritis (1,1) adalah titik keseimbangan.. Fungsi f tidak memiliki ekstrim,
local atau global.
Latihan
Hitung aproksimasi kuadrat terbaik f (x, y) = ex cos y pada titik (0,0),
f (h, k) ≈ f (0,0) + Df(0,0)(h, k) + 1/2Qf(0,0)(h, k).
Hitung aproksimasi kuadrat terbaik f (x, y) = ex + 2y pada titik (0,0).
Jelaskan, membuat asumsi apa pun yang masuk akal tampaknya membantu, mengapa analogi
konseptual n-dimensi pada gambar 4.9 harus memiliki gambar 3n. Bagaimana ini berhubungan
dengan angka 4.8?
Temukan nilai ekstrim yang diambil oleh f (x, y) = xy (4x2 + y2 - 16) pada ellipse kuartal E
= {(x, y) ∈ R2: x ≥ 0, y ≥ 0,4x2 + y2 ≤ 16} .
Temukan extrema lokal dari fungsi f (x, y) = x2 + xy − 4x + 3/2y2−7y pada R2.
Tentukan sifat pada setiap titik kritisnya.
Apakah ada ekstrem global?
Temukan titik-titik kritis. Apakah mereka maxima, minimum, atau poin sadel? (Tes maks / min tidak
akan selalu membantu.)
F (x, y) = x2y + xy2 g (x, y) = ex + y h (x, y) = x5y + xy5 + xy.
Diskusikan ekstrem lokal dan global pada bola terbuka B ((0,0); 1)
dalam R2.
Grafik fungsi m (x, y) = 6xy2 - 2x3 - 3y4 disebut monkey saddle. Temukan tiga titik penting m dan
mengklasifikasikan masing-masing sebagai maksimum, minimum atau pelana. (Tes max / min akan
bekerja pada dua. Studi m (x, 0) dan m (0, y) untuk mengklasifikasikan ketiga.) Jelaskan nama sadel
monyet - perangkat lunak grafik komputer dapat membantu.
Aljabar linier siap menjawab pertanyaan apakah matriks n-oleh-n adalah definitif positif, negatif
pasti, atau tidak terbatas.
Definisi4.7.9 (Karakteristik Polinomial). Misal M menjadi n-oleh-n matriks, polinomial
karakteristiknya adalah
pM(λ) = det (M - λI),
polinomial karakteristik M adalah polinomial derajat n dalam variabel skalar λ.
Sedangkan akar dari polinomial dengan koefisien nyata secara umum com- plex, akar polinomial
karakteristik dari matriks simetris di Mn(R) dijamin untuk menjadi nyata. karakterisasi yang kita
inginkan adalah
Teorema 4.7.10 (Deskripsi Definite / tak tentu matriks). Misalkan M matriks simetris dalam
Mn(R). Kemudian
(1) M adalah positif pasti jika dan hanya jika semua akar pM(λ) adalah positif.
(2) M adalah negatif pasti jika dan hanya jika semua akar pM(λ ) negatif.
(3) M adalah tidak pasti jika dan hanya jika pM(λ) memiliki akar positif dan akar negatif.
Dengan hasil ini seseorang dapat memperpanjang metode di bagian untuk fungsi lebih dari dua
variabel.
Generalisasi Proposisi 4.7.7 juga berlaku, karena akar dari sebuah poli- nomial berubah terus
menerus dengan koefisien polinomial. Proposisi umum mengarah ke
Proposition 4.7.11 (General Max / min Test). Misalkan f: A → R (di mana A ⊂ Rn) menjadi C2 pada
titik-titik interiornya. Biarkan titik interior A, dan anggaplah bahwa f ′ (a) = 0n Misalkan matriks
turunan kedua f ′′(a) memiliki karakteristik polinomial p (λ).
(1) Jika semua akar p (λ) positif maka f (a) adalah minimum lokal.
(2) Jika semua akar p (λ) negatif maka f (a) adalah maksimum lokal.
(3) Jika p (λ) memiliki akar positif dan negatif maka f (a) adalah titik sadel.
Derivatif Directional dan Gradien
Misalkan fungsi skalar bernilai, f: A → R di mana A ⊂ Rn, dan asumsikan bahwa f terdiferensiasi
pada titik a dari A. Sementara derivatif Dfa adalah objek yang agak abstrak — pemetaan linear yang
memberikan pendekatan terbaik f (a + h) - f (a) untuk h kecil — turunan parsial Djf(a) mudah
dimengerti. Turunan parsial j f pada a,
mengukur laju perubahan f pada saat inputnya bervariasi dalam arah j. Secara visual, Djf(a)
memberikan kemiringan dari penampang ke-j melalui grafik dari f.
Rumus analog mengukur tingkat perubahan f pada saat inputnya bervariasi dalam arah yang tidak
selalu paralel dengan sumbu koordinat. Arah dalam Rn ditentukan oleh vektor satuan d, yaitu vektor d
sedemikian sehingga | d | = 1. Sebagai input ke f bergerak jarak t dalam arah d, f perubahan dengan f
(a + td) - f (a). Dengan demikian definisi berikut ini alami.
Definisi 4.8.1 (Directional Derivative). Misalkan f: A → R (di mana A ⊂ Rn) berfungsi, biarkan titik
interior A, dan biarkan d ∈ Rn menjadi vektor satuan. Turunan directional dari f pada arah d adalah
atau, karena peta linear Dfa memiliki matriks [D1f (a), ..., Dnf (a)],
Gambar 4.11. Kemiringan arah umum yang ditentukan oleh lereng sumbu-arah
Definisi 4.8.3 (Level Set). Biarkan f: A - → R (di mana A ⊂ Rn) menjadi fungsi. Satu set level f
adalah himpunan titik-titik dalam A bahwa peta di bawah f ke beberapa nilai tetap b di R,
L = {x ∈ A: f (x) = b}.
Kurva pada peta topografi adalah level set dari fungsi ketinggian. Isoterm pada peta cuaca adalah
set level dari fungsi temperatur, dan isobar pada peta cuaca adalah set level dari fungsi tekanan. Kurva
indiferen dalam ekonomi adalah level set fungsi utilitas, dan iso- is adalah set level dari fungsi
produksi. Permukaan potensial konstan dalam fisika adalah level set dari fungsi potensial.
Misalnya, di gunung
f: R2 → R, f (x, y) = 9 - x2 - 2y2,
tingkat yang ditetapkan untuk b = 5 adalah elips dalam bidang,
L = {(x, y) ∈ R2 : x2 + 2y2 = 4}.
Dan juga set level adalah elips untuk bilangan real b hingga 9. Seperti yang baru saja disebutkan,
merencanakan set level dari fungsi f dari dua variabel memberikan deskripsi peta topografi dari f.
Geometri berbeda untuk fungsi satu variabel: setiap tingkat yang ditetapkan adalah bagian dari garis.
Sebagai contoh, perhatikan pembatasan fungsi sinus,
f: (0, π) → R, f (x) = sin (x).
Set level yang diambil oleh f hingga 1/2 terdiri dari dua poin,
L = {π / 6,5π / 6}.
Adapun fungsi dari tiga variabel, setiap tingkat yang ditetapkan adalah bagian dari ruang. Sebagai
contoh, jika a, b, dan c adalah bilangan positif, dan fungsinya adalah
f: R3 → R, f (x, y, z) = (x / a) 2 + (y / b) 2 + (z / c) 2,
maka set levelnya adalah ellipsoids. Khususnya, untuk setiap r positif, tingkat yang ditetapkan
poin yang diambil oleh f ke r adalah ellipsoid dari x-radius
Peluru ketiga dalam Teorema 4.8.2 mengatakan bahwa gradien adalah normal untuk set level.
Fakta ini mungkin tampak mengejutkan, karena gradien adalah versi turunan, dan kami memikirkan
turunan sebagai menggambarkan objek singgung ke grafik. Alasan mengapa derivatif telah menjadi
objek normal adalah bahwa
level set berbeda dari grafik.
Satu set level f adalah subset dari domain f, sedangkan grafik f, yang secara bersamaan menunjukkan
domain dan jangkauan f, adalah bagian dari ruang yang satu dimensi lebih besar. Misalnya, jika kita
menganggap f sebagai pengukur elevasi, maka grafik f adalah medan dalam ruang tiga dimensi,
sementara satu set tingkat f adalah set poin di pesawat yang terletak di bawah dataran pada ketinggian
konstan; set level biasanya berupa kurva. Gambar 4.12 menggambarkan perbedaan dalam kasus
fungsi gunung. Perhatikan bahwa di bagian kiri gambar, gradiennya ortogonal terhadap elips yang
dimulai. Demikian pula, gambar 4.13 mengilustrasikan perbedaan dalam kasus fungsi sinus terbatas
dari paragraf sebelumnya. Pada gambar, sumbu x menunjukkan set titik dua titik dari paragraf
sebelumnya, dan gradien f pada masing-masing dua titik. Fakta bahwa satu titik gradien yang tepat
menunjukkan bahwa untuk menaiki grafik f di atas titik itu, orang harus bergerak ke kanan, dan
kemiringan yang akan dihadapi pada grafik akan menjadi panjang gradien pada sumbu. Demikian
pula, titik-titik gradien lain yang tersisa karena memanjat grafik di atas titik lainnya, orang harus
pindah ke kiri. Di sini setiap gradien adalah ortogonal sepele ke set level, karena set level terdiri dari
titik-titik yang terisolasi. Untuk fungsi tiga variabel dari paragraf sebelumnya, kita masih dapat
melihat level set — mereka adalah ellipsoids konsentris — tetapi bukan grafik, yang akan
membutuhkan empat dimensi. Sebagai gantinya, kita dapat memahami fungsi sebagai mengukur suhu
dalam ruang, dan gradien sebagai penunjuk arah untuk bergerak untuk laju kenaikan suhu terbesar,
dengan panjang gradien adalah laju itu. Gambar 4.14 menunjukkan tingkat yang ditetapkan untuk
fungsi temperatur, dan beberapa gradien, terlihat ortogonal ke tingkat yang ditetapkan.
Gambar 4.13. Set level dan gradien untuk fungsi sinus
Meskipun Theorem 4.8.2 telah menyatakan bahwa gradien adalah orthogonal terhadap level yang
ditetapkan, kita sekarang memperkuat argumen. Biarkan f: A → R (di mana A ⊂ Rn) diberikan, dan
asumsikan bahwa itu terdiferensiasi. Biarkan a menjadi titik A, dan biarkan b = f (a). Pertimbangkan
set level f yang berisi,
L = {x ∈ A: f (x) = b} ⊂ Rn,
dan pertimbangkan setiap kurva halus dari beberapa interval ke set level, melewati a,
γ: (−ε, ε ) - → L, γ (0) = a.
Fungsi gabungan
f ◦ γ: (−ε, ε) - → R
adalah fungsi konstan b, sehingga turunannya pada 0 adalah 0. Dengan Aturan Rantai relasi ini adalah
∇ f (a ) · Γ ′ (0) = 0.
Setiap vektor singgung untuk L pada bentuk mengambil γ ′ (0) untuk beberapa γ dari jenis yang
sedang kita pertimbangkan. Oleh karena itu, ∇ f (a) adalah ortogonal terhadap setiap vektor singgung
untuk L pada a, yaitu, ∇ f (a) adalah normal untuk L pada a.
Sebelum terus bekerja dengan gradien, kami berhenti untuk berkomentar bahwa set level dan
grafik terkait. Untuk satu hal:
Grafik dari fungsi apa pun juga merupakan level set dari fungsi yang berbeda.
Untuk melihat ini, biarkan n> 1, misalkan A0 menjadi subset dari Rn − 1, dan misalkan f: A0→ R
menjadi fungsi apa pun. Dengan informasi ini, misalkan A = A0× R dan tentukan fungsi kedua g: A
→ R,
Sebagai contoh, grafik fungsi gunung f (x, y) = 9 − x2−2y2 juga merupakan level set fungsi g (x, y, z)
= 9 − x2 - 2y2 −z. Tetapi berbeda dengan metode cepat yang mendefinisikan g secara eksplisit dalam
hal f untuk menunjukkan bahwa setiap grafik adalah level set, pertanyaan sebaliknya jauh lebih halus:
Sejauh mana beberapa level tertentu juga mengatur grafik?
Sebagai contoh, level set fungsi gunung f adalah elips (seperti yang ditunjukkan pada gambar 4.12),
tetapi elips bukan grafik y sebagai fungsi dari x atau sebaliknya. Pertanyaan sebaliknya akan dibahas
oleh Teorema Fungsi Implisit di bab berikutnya.
Kembali ke gradien, fakta geometri yang normal ke set tingkat membuatnya mudah untuk
menemukan bidang singgung ke permukaan dua dimensi di R3. Sebagai contoh, perhatikan
permukaan
H = {(x, y, z) ∈ R3: x2 + y2 - z2 = 1}.
(Permukaan ini adalah hiperboloid dari satu lembar.) Titik (2√2,3,4) milik H. Perhatikan bahwa H
sebagai satu set tingkat fungsi f (x, y, z) = x2 + y2 −z2 , dan hitung gradien
∇ f (2√2,6, −8). Karena ini adalah vektor normal untuk H pada (2√2,3,4), persamaan bidang tangen
pada akhir bagian 3,10 menunjukkan bahwa persamaan dari bidang singgung ke H di (2√2,3,4) yaitu
Jika fungsi f: Rn → R memiliki gradien kontinyu, maka dari titik awal mana ∈ Rn di mana gradien
∇ f (a) adalah nol, ada jalur kenaikan curam dari f (disebut kurva integral dari ∇ f) dimulai pada a. Jika
n = 2 dan grafik f dilihat sebagai permukaan dalam 3-ruang, maka kurva integral dari titik (a, b) ∈ R2
adalah bayangan jalan yang diikuti oleh partikel yang mendaki grafik, dimulai pada ( a, b, f (a, b)).
Jika n = 2 atau n = 3 dan f dilihat sebagai suhu, maka kurva integral adalah jalur yang diikuti oleh bug
pencarian panas.
Untuk menemukan kurva integral, kami menyiapkan persamaan yang mendeskripsikannya. Idenya
adalah untuk memperlakukan vektor gradien sebagai tongkat pengilah dan mengikutinya mulai dari a.
Melakukan hal itu menghasilkan jalur di Rn yang menggambarkan gerakan tergantung waktu, selalu
dalam arah gradien, dan selalu dengan kecepatan yang sama dengan modulus gradien. Menghitung
jumlah jalur untuk mencari interval I ⊂ R yang mengandung 0 dan pemetaan
γ: I - → Rn
yang memenuhi persamaan diferensial dengan kondisi awal
γ ′ (t) = ∇ f (γ (t)), γ (0) = Sebuah. (4.3)
Apakah (dan bagaimana) seseorang dapat menyelesaikan ini untuk γ tergantung pada data f dan a.
Dalam kasus fungsi gunung f (x, y) = 9 − x2 - 2y2, dengan gradien ∇ f (x, y) = (- 2x, −4y), jalur γ
memiliki dua komponen γ1dan γ2, and the differential equation and initial conditions (4.3) become
dan begitu kurva integral terletak pada parabola. (Parabola merosot jika titik awal (a, b) terletak pada
salah satu sumbu.) Setiap parabola yang membentuk kurva integral untuk fungsi gunung bertemu
secara ortogonal dengan setiap elips yang membentuk set level. (Lihat gambar 4.15.) Secara umum,
menyelesaikan persamaan vektor diferensial (4.3) untuk menemukan kurva integral γ dari fungsi f
dapat menjadi sulit.
Gambar 4.15. Tingkat set dan kurva integral untuk gunung parabola
Untuk contoh lain, misalkan suhu dalam ruang diberikan oleh T (x, y, z) = 1 / (x2 + y2 + z2). (Fungsi
ini meledak pada titik asal, jadi kita tidak bekerja di sana.) Set level dari fungsi ini adalah bola dan
kurva integral adalah sinar menuju ke asalnya. Set level yang melewati titik (a, b, c) dalam ruang
adalah lagi orthogonal ke kurva integral melalui titik yang sama.
4.9 Ringkasan
Derivatif multivariabel didefinisikan sebagai pemetaan linier oleh karakterisasi intrinsik. Karakterisasi
menunjukkan bahwa derivatif itu unik dan memenuhi Aturan Rantai. Melihat penampang lintang
menunjukkan bahwa jika derivatif ada maka entri matriksnya adalah turunan parsial dari fungsi
komponen. Sebaliknya, jika derivatif parsial ada dan berperilaku baik maka derivatif itu ada. Turunan
dalam koordinat memberikan Aturan Rantai dalam koordinat. Angka turunan multivariabel dalam
memecahkan berbagai macam masalah: