- 定理
线性变换
等同于乘以一个唯一确定的矩阵;也就是说,存在一个唯一的矩阵
使得

- 证明
我们设定列向量

其中
是
的标准基。然后我们由此定义

并注意到对于任何向量
of
我们得到

因此,我们已经证明了存在性。为了证明唯一性,假设存在另一个矩阵
具有性质
。那么特别地,

这已经意味着
(因为两个矩阵的所有列都相同)。
如何将导数推广到更高维数,这不是直接就能明白的。因为,如果我们取一个点
处的导数定义

并插入向量来代替
和
,我们将把整个式子除以一个向量。但这没有定义。
因此,我们将重新表述导数的定义,并将其转化为可以推广到更高维数的形式。
- 定理
设
是一个一维函数,设
。那么
在
处可微当且仅当存在一个线性函数
使得

我们注意到,根据上述,线性函数
由一个
-矩阵,即一个标量,进行乘法运算。
- 证明
首先假设
在
处可微。我们设置
并得到

根据
的定义,该式收敛到 0。
现在假设我们得到一个
,使得

令
为与
相关的标量。那么,通过类似的计算,
。
利用上述定理中关于可微性的后一种表述,我们可以很容易地将其推广到更高维度,因为向量欧几里得范数的除法是可以定义的,并且线性映射在更高维度也是可以定义的。
- 定义
如果一个函数
在点
可 **微分** 或 **全微分**,当且仅当存在一个线性函数
使得

我们已经证明,这个定义在单变量情况 (
) 与通常的定义一致。
我们有以下定理
- 定理
令
为一个集合,令
为
的一个内点,令
为在
可微的函数。那么使得

的线性映射
是唯一的,也就是说,只存在一个这样的映射
。
- 证明
由于
是
的内部点,我们发现
使得
。现在令
是任何具有以下性质的线性映射:

我们注意到,对于标准基的所有向量
,数字
对于
都包含在
中。因此,通过三角不等式,我们得到

令
,我们可以看到
。因此,
和
在所有基向量上重合,并且由于所有其他向量都可以表示为这些向量的线性组合,根据
和
的线性,我们得到
。
因此,以下定义是合理的
- 定义
设
为一个函数(其中
是
的一个子集),并设
是
的一个内点,使得
在
处可微。那么,唯一的线性函数
使得

被称为
在
处的 **微分**,记为
。
我们首先定义方向导数。
- 定义
设
为一个函数,并设
为一个向量。如果极限

存在,则称其为
在方向
上的 **方向导数**。我们记为
。
以下定理将方向导数与全微分函数的微分联系起来
- 定理
令
是在
处完全可微的函数,并令
是一个非零向量。那么
存在且等于
。
- 证明
根据完全可微性的定义,

因此,

通过将以上方程乘以
。注意到

定理得证。
方向导数的一种特殊情况是偏导数。
- 定义
设
是
的标准正交基,设
,设
是一个函数,使得方向导数
都存在。我们设置

并称之为
方向上的 **偏导数**。
事实上,通过写下
的定义,我们可以看到,
方向上的偏导数,不过是函数
在变量
处的导数。也就是说,例如,如果

那么

也就是说,在求偏导数时,我们将其他变量视为常数,只对我们所考虑的变量进行求导。
从上面我们知道,函数
的微分有一个与之相关的矩阵,代表着由此定义的线性映射。在一定条件下,我们可以从分量函数的偏导数中确定这个矩阵。
- 定理
设
是一个函数,其所有偏导数在
处存在,并且在
上的每个分量上连续,其中
可能很小,但为正数。那么
在
处完全可微,
的微分由矩阵左乘给出

其中
。
矩阵
被称为雅可比矩阵。
- 证明
|
|
|
|
现在我们将证明最后一个和式中所有被加数都趋于 0。
实际上,令
。再次写成
,我们通过一维中值定理得到以下方程序列,首先应用于第一个变量,然后应用于第二个变量,依此类推:




对于适当选择的
。现在我们可以将所有这些方程加在一起,得到

现在令
。利用
在
上的连续性,我们可以选择
使得

对于
,鉴于
(我们可以假设为
)。因此,我们得到

因此定理得证。
- 推论
如果
在
处连续可微,且
,那么

- 证明

