Scroll Top
19th Ave New York, NY 95822, USA

物理代写| The Volume Element 相对论代考

物理代写| The Volume Element 相对论代考

物理代写

3.6.1 Determinant of the Metric Tensor
Determinant of the covariant metric tensor $g_{i j}$, denoted by $g$, is a very useful quantity. Since $g^{i j}$ is the inverse matrix of $g_{i j}$, the determinant of $g^{i j}$ is $1 / g$.
Since the metric tensor transforms as
$$
g_{k l}^{\prime}=\frac{\partial x^{i}}{\partial x^{\prime k}} \frac{\partial x^{j}}{\partial x^{l l}} g_{i j},
$$
and, determinant of product of matrices is the product of determinant of matrices, by taking determinant of both sides one gets
$$
g^{\prime}=J^{2} g
$$
Here the Jacobian $J^{\prime}=\operatorname{det}\left(\partial x^{i} / \partial x^{\prime k}\right)$ which is the determinant of the inverse Jacobian matrix in Eq. (3.3.9).

Quantities which transform as tensors under coordinate transformation, except for a factor which is a function of the Jacobian, are called tensor densities and the power of the Jacobian in the factor is called the weight of the density (A. K. Raychaudhuri (1992)). Thus, $g$ transforms as a scalar density of weight $+2$.

The differential of the determinant of the metric, $\mathrm{d} g$, is also a frequently used quantity. In the differential of $g$, the coefficient of a given element $\mathrm{d} g_{i j}$, is the cofactor $G^{i j}$ of $g_{i j}$ in the determinant $g$. However, the inverse matrix is $g^{i j}=G^{i j} / g$. Therefore we obtain,
$$
\mathrm{d} g=G^{i j} d g_{i j}=g g^{i j} \mathrm{~d} g_{i j}=-g g_{i j} \mathrm{~d} g^{i j}
$$
The last step follows from the fact that $\mathrm{d}\left(g^{i j} g_{j k}\right)=\mathrm{d} \delta_{k}^{i}=0$. This result could also be derived starting from the differential of the determinant of $g^{i j}$, where $d g$ would have to be replaced by $\mathrm{d}(1 / g)=-\mathrm{d} g / g^{2}$.
The above equation can be cast into other useful forms,
$$
g^{i j} \mathrm{~d} g_{i j}=\frac{\mathrm{d} g}{g}=\mathrm{d} \ln g ; \quad \frac{1}{2} g^{i j} \mathrm{~d} g_{i j}=\frac{1}{2} \frac{\mathrm{d} g}{g}=\mathrm{d} \ln \sqrt{|g|}=\frac{\mathrm{d} \sqrt{|g|}}{\sqrt{|g|}} .
$$

物理代写| The Volume Element 相对论代考

物理代考

3.6.1 度量张量的行列式
用 $g$ 表示的协变度量张量 $g_{i j}$ 的行列式是一个非常有用的量。由于$g^{i j}$ 是$g_{i j}$ 的逆矩阵,$g^{i j}$ 的行列式是$1 / g$。
由于度量张量变换为
$$
g_{kl}^{\prime}=\frac{\partial x^{i}}{\partial x^{\prime k}} \frac{\partial x^{j}}{\partial x^{ll }} g_{ij},
$$
并且,矩阵乘积的行列式是矩阵行列式的乘积,通过取两边的行列式得到
$$
g^{\素数}=J^{2} g
$$
这里的雅可比 $J^{\prime}=\operatorname{det}\left(\partial x^{i} / \partial x^{\prime k}\right)$ 是逆雅可比矩阵的行列式方程。 (3.3.9)。

在坐标变换下变换为张量的量,除了作为雅可比函数的因子外,称为张量密度,雅可比在因子中的幂称为密度的权重 (A. K. Raychaudhuri (1992))。因此,$g$ 转换为权重 $+2$ 的标量密度。

度量行列式的微分 $\mathrm{d} g$ 也是一个常用的量。在$g$ 的微分中,给定元素$\mathrm{d} g_{i j}$ 的系数是行列式$g$ 中$g_{i j}$ 的余因子$G^{i j}$。然而,逆矩阵是$g^{i j}=G^{i j} / g$。因此我们得到,
$$
\mathrm{d} g=G^{ij} d g_{ij}=gg^{ij} \mathrm{~d} g_{ij}=-g g_{ij} \mathrm{~d} g^{ij }
$$
最后一步源于$\mathrm{d}\left(g^{i j} g_{j k}\right)=\mathrm{d} \delta_{k}^{i}=0$这一事实。这个结果也可以从 $g^{ij}$ 行列式的微分开始,其中 $dg$ 必须被 $\mathrm{d}(1 / g)=-\mathrm{d} g / g^{2}$。
上面的方程可以转换成其他有用的形式,
$$
g^{i j} \mathrm{~d} g_{i j}=\frac{\mathrm{d} g}{g}=\mathrm{d} \ln g ; \quad \frac{1}{2} g^{ij} \mathrm{~d} g_{ij}=\frac{1}{2} \frac{\mathrm{d} g}{g}=\mathrm {d} \ln \sqrt{|g|}=\frac{\mathrm{d} \sqrt{|g|}}{\sqrt{|g|}} 。

物理代考|Schr¨odinger Equation 量子力学代写

物理代考Gravity and Curvature of Space-Time 代写 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。

电磁学代考

物理代考服务:
物理Physics考试代考、留学生物理online exam代考、电磁学代考、热力学代考、相对论代考、电动力学代考、电磁学代考、分析力学代考、澳洲物理代考、北美物理考试代考、美国留学生物理final exam代考、加拿大物理midterm代考、澳洲物理online exam代考、英国物理online quiz代考等。

光学代考

光学(Optics),是物理学的分支,主要是研究光的现象、性质与应用,包括光与物质之间的相互作用、光学仪器的制作。光学通常研究红外线、紫外线及可见光的物理行为。因为光是电磁波,其它形式的电磁辐射,例如X射线、微波、电磁辐射及无线电波等等也具有类似光的特性。

大多数常见的光学现象都可以用经典电动力学理论来说明。但是,通常这全套理论很难实际应用,必需先假定简单模型。几何光学的模型最为容易使用。

相对论代考

上至高压线,下至发电机,只要用到电的地方就有相对论效应存在!相对论是关于时空和引力的理论,主要由爱因斯坦创立,相对论的提出给物理学带来了革命性的变化,被誉为现代物理性最伟大的基础理论。

流体力学代考

流体力学力学的一个分支。 主要研究在各种力的作用下流体本身的状态,以及流体和固体壁面、流体流体之间、流体与其他运动形态之间的相互作用的力学分支。

随机过程代写

随机过程,是依赖于参数的一组随机变量的全体,参数通常是时间。 随机变量是随机现象的数量表现,其取值随着偶然因素的影响而改变。 例如,某商店在从时间t0到时间tK这段时间内接待顾客的人数,就是依赖于时间t的一组随机变量,即随机过程

Matlab代写

Related Posts

Leave a comment