KNOWECON WIKI

ARTICLE

坐标变换

坐标变换 (Coordinate Transformation) 坐标变换 (Coordinate Transformation) 是数学中一种将一个坐标系下的点、向量或函数表达式映射到另一个坐标系下的操作。它在 线性代数、多元微积分、统计学 和 计量经济学 中具有广泛的应用。 基本概念 在 n 维空间中，坐标变换通常通过一组可逆的映射函数来描述。设原始坐标

浏览 0 更新 2025-12-23

坐标变换 (Coordinate Transformation)

坐标变换 (Coordinate Transformation) 是数学中一种将一个坐标系下的点、向量或函数表达式映射到另一个坐标系下的操作。它在 线性代数、多元微积分、统计学 和 计量经济学 中具有广泛的应用。

基本概念

在 nn 维空间中，坐标变换通常通过一组可逆的映射函数来描述。设原始坐标系为 (x1,x2,…,xn)(x_1, x_2, \ldots, x_n)，目标坐标系为 (y1,y2,…,yn)(y_1, y_2, \ldots, y_n)，则坐标变换可表示为：

yi=fi(x1,x2,…,xn),i=1,2,…,ny_i = f_i(x_1, x_2, \ldots, x_n), \quad i = 1, 2, \ldots, n

其中各 fif_i 是连续可微函数，且变换的 雅可比矩阵 (Jacobian Matrix) 非奇异，以保证变换的可逆性。

线性坐标变换

线性变换是最简单且最重要的坐标变换形式。它可以用矩阵乘法来表示：

y=Ax\mathbf{y} = A \mathbf{x}

其中 AA 是一个 n×nn \times n 的可逆矩阵，x\mathbf{x} 和 y\mathbf{y} 分别为原始和变换后的坐标向量。线性变换包括以下几类：

  • 旋转 (Rotation)：保持向量长度和内积不变的正交变换，相应的变换矩阵满足 A⊤A=IA^\top A = I。
  • 缩放 (Scaling)：沿坐标轴方向拉伸或压缩，对应的矩阵为对角矩阵。
  • 剪切 (Shear)：使图形发生倾斜变形的线性变换。
  • 反射 (Reflection)：关于某个超平面作镜像映射。

雅可比矩阵与变换的局部性质

对于非线性坐标变换，雅可比矩阵刻画了变换在局部范围内的线性近似行为。设变换 F:Rn→RnF: \mathbb{R}^n \to \mathbb{R}^n，其雅可比矩阵定义为：

JF=∂(y1,y2,…,yn)∂(x1,x2,…,xn)=(∂y1∂x1∂y1∂x2⋯∂y1∂xn∂y2∂x1∂y2∂x2⋯∂y2∂xn⋮⋮⋱⋮∂yn∂x1∂yn∂x2⋯∂yn∂xn)J_F = \frac{\partial(y_1, y_2, \ldots, y_n)}{\partial(x_1, x_2, \ldots, x_n)} = \begin{pmatrix} \frac{\partial y_1}{\partial x_1} & \frac{\partial y_1}{\partial x_2} & \cdots & \frac{\partial y_1}{\partial x_n} \\ \frac{\partial y_2}{\partial x_1} & \frac{\partial y_2}{\partial x_2} & \cdots & \frac{\partial y_2}{\partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial y_n}{\partial x_1} & \frac{\partial y_n}{\partial x_2} & \cdots & \frac{\partial y_n}{\partial x_n} \end{pmatrix}

雅可比矩阵的行列式 ∣det⁡(JF)∣|\det(J_F)| 称为 雅可比行列式，它表示变换在对应点处对体积元的伸缩因子。

概率论与统计学中的应用

在 概率论 中，坐标变换是处理随机变量函数的分布的核心工具。设连续随机向量 X\mathbf{X} 具有联合概率密度函数 fX(x)f_{\mathbf{X}}(\mathbf{x})，通过可逆变换 Y=g(X)\mathbf{Y} = g(\mathbf{X}) 得到新随机向量 Y\mathbf{Y}，则 Y\mathbf{Y} 的联合密度函数为：

fY(y)=fX(g−1(y))⋅∣det⁡(Jg−1)∣f_{\mathbf{Y}}(\mathbf{y}) = f_{\mathbf{X}}\left(g^{-1}(\mathbf{y})\right) \cdot \left|\det\left(J_{g^{-1}}\right)\right|

这一公式称为 变量变换法 (Change-of-Variables Formula)。它在 极大似然估计、Bayes统计 和参数估计中频繁出现。

典型示例：正态分布的线性变换

设 X∼Nn(μ,Σ)\mathbf{X} \sim \mathcal{N}_n(\boldsymbol{\mu}, \Sigma) 为 nn 维正态随机向量，经过线性变换 Y=AX+b\mathbf{Y} = A\mathbf{X} + \mathbf{b} 后，Y\mathbf{Y} 服从：

Y∼Nn(Aμ+b, AΣA⊤)\mathbf{Y} \sim \mathcal{N}_n\left(A\boldsymbol{\mu} + \mathbf{b},\, A\Sigma A^\top\right)

这一性质是 回归分析 和 因子分析 中许多推导的理论基础。

计量经济学中的应用

在 计量经济学 中，坐标变换有多种重要应用：

  1. 变量标准化 (Standardization)：通过 Z=(X−μ)/σZ = (X - \mu)/\sigma 将变量转换为均值为 0、方差为 1 的标准形式，便于比较不同量纲的变量。
  2. 主成分分析 (PCA)：通过正交变换将原始变量转换为一组互不相关的综合变量，实现降维。
  3. Box-Cox 变换：一种面向因变量的非线性变换族，用于处理 异方差性 和非正态性。
  4. 差分变换：在 时间序列分析 中，通过差分运算消除趋势和季节性。

极坐标与球坐标变换

在多元积分和优化问题中，常用的坐标变换包括：

  • 极坐标变换 (Polar Coordinates)：x=rcos⁡θ,  y=rsin⁡θx = r\cos\theta,\; y = r\sin\theta，雅可比行列式为 rr。
  • 柱坐标变换 (Cylindrical Coordinates)：x=rcos⁡θ,  y=rsin⁡θ,  z=zx = r\cos\theta,\; y = r\sin\theta,\; z = z，雅可比行列式为 rr。
  • 球坐标变换 (Spherical Coordinates)：x=rsin⁡ϕcos⁡θ,  y=rsin⁡ϕsin⁡θ,  z=rcos⁡ϕx = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi，雅可比行列式为 r2sin⁡ϕr^2 \sin\phi。

这些变换常用于简化多重积分的计算或处理具有对称性的经济模型。

数值计算的注意事项

在实际应用中，坐标变换的数值实现需注意以下问题：

  • 奇异性 (Singularity)：当雅可比矩阵接近奇异时，变换的数值稳定性下降，可能导致计算误差放大。
  • 计算效率：对于大规模数据，线性变换的矩阵乘法复杂度为 O(n2)O(n^2)，高维场景下需借助稀疏矩阵或近似方法优化。
  • 可逆性保证：非奇异雅可比矩阵是可逆变换的必要条件，在建模时应确保变换函数的光滑性和一一对应性。

总结

坐标变换是连接不同数学表述体系的桥梁。从线性代数中的基变换到概率论中的变量替换，从多元积分的换元到计量经济学中的数据预处理，坐标变换无处不在。掌握其核心原理——特别是雅可比矩阵的作用和变换前后量纲的变化——对于深入理解经济学和统计学中的许多模型具有重要意义。