超平面的定向

贡献者：叶月2_; addis

预备知识　外导数

未完成：需新增条目：流形上的定向

假设现在我们有一

n

维光滑流形

M

，超平面则是其余维数为 1 的子流形。为了得到超平面上的定向，我们首先需要设计一种能把

n

形式映射到超平面上

n - 1

形式的方法。缩并映射就是符合我们需求的线性映射。

1. 缩并

定义 1　

　　设 $V$ 为有限维线性空间， $X \in V$ ，定义线性映射 $i_{X} : Γ^{n} V \to Γ^{n - 1} V$ ，使得¹

\begin{matrix} (1) & i_{X} ω (Y_{1}, \dots, Y_{k - 1}) = ω (X, Y_{1}, \dots, Y_{k - 1}), \end{matrix}

则称

i_{X}

为内乘或缩并映射（interior multiplication or contraction），有时为了表示简洁，也用

X ⌟

表示。

　　其线性是显而易见的，我们还可以证明缩并映射满足以下性质：

引理 1　

　　 $x \in V$ ， $V$ 为有限维线性空间，则

$i_{X} \circ i_{X} = 0$ .
$i_{X}$ 有与外代数类似的反对称性质。若 $ω$ 是 $k$ 阶余切向量， $η$ 是 $l$ 阶余切向量，则
$\begin{matrix} (2) & i_{X} (ω \land η) = (i_{X} ω) \land η + (- 1)^{k} ω \land (i_{X} η) . \end{matrix}$

　　 证明：

　　第一条利用交错张量的性质即可得。

　　对于第二条，令 $ω = ω_{1} \land . . . ω_{k}$ ， $η = η_{1} \land . . . η_{l}$ 。那么下式可以保证式 2 成立：

\begin{matrix} (3) & \begin{array}{r} i_{X} (ω^{1} \land \dots \land ω^{k}) = \sum_{i = 1}^{k} (- 1)^{i - 1} ω^{i} (X) ω^{1} \land \dots \land {\hat{ω}}^{i} \land \dots \land ω^{k}, \end{array} \end{matrix}

其中

{\hat{ω}}^{i}

表示排列中已删掉

ω_{i}

。因为如果式 3 成立，则

\begin{matrix} (4) & \begin{aligned} i_{X} (ω \land η) & = i_{X} (ω^{1} \land . . . \land ω^{k} \land η^{1} \land . . . \land η^{l}) \\ = \sum_{i = 1}^{k} (- 1)^{i - 1} ω^{i} (X) ω^{1} \land . . . \land {\hat{ω}}^{i} \land . . . \land ω^{k} \land η^{1} \land . . . \land η^{i} \land . . . \land η^{l} \\ + (- 1)^{k} \sum_{i = 1}^{l} (- 1)^{i - 1} η^{i} (X) ω^{1} \land . . . \land ω^{k} \land η^{1} \land . . . \land {\hat{η}}^{i} \land . . . \land η^{l}, \end{aligned} \end{matrix}

整理一下即为式 2 。

　　现在证明式 3 确实成立。

　　设 $X_{i} \in V, X = X_{1}$ 。两边同时作用 $(X_{2}, X_{3} . . . X_{k})$ ，则有

\begin{matrix} (5) & i_{X} (ω^{1} \land \dots \land ω^{k}) (X_{2}, X_{3} . . . X_{k}) = ω^{1} \land \dots \land ω^{k} (X, X_{2} . . . X_{k}) . \end{matrix}

由外代数定义可知，上式结果为行列式，

i

行

j

列的矩阵元为

ω^{i} (X_{j})

，设对应的矩阵为

M

。现在我们再来看式 3 右侧，

\begin{matrix} (6) & \begin{array}{r} \sum_{i = 1}^{k} (- 1)^{i - 1} ω^{i} (X) ω^{1} \land \dots \land {\hat{ω}}^{i} \land \dots \land ω^{k} (X_{2}, . . . X_{k}) = \sum_{i = 1}^{k} (- 1)^{i - 1} ω^{i} (X) \det X_{j}^{i}, \end{array} \end{matrix}

其中

\det X_{j}^{i}

赫然是

M

中去掉

i

行

1

列的行列式，整个式子为

M

的代数余子式展开，于是得证。

2. 诱导超平面的定向

未完成：……

1. ^ 因为微分形式有两种定义，因此缩并的另一种定义是： ${\overset{―}{i}}_{X} ω (Y_{1}, \dots, Y_{k - 1}) = k ω (X, Y_{1}, \dots, Y_{k - 1}) .$

致读者：小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。因此，我们请求广大读者热心打赏 ，使网站得以健康发展。如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损，并在接下来的一年里向所有读者继续免费提供优质内容。但遗憾的是只有不到 1% 的读者愿意捐款，他们的付出帮助了 99% 的读者免费获取知识，我们在此表示感谢。