在向量分析 中,雅可比矩陣 (也稱作Jacobi矩陣 ,英語:Jacobian matrix )是函數 的一階偏導數 以一定方式排列成的矩陣 。
當其為方形矩陣時,其行列式 稱為雅可比行列式 (Jacobi determinant)。要注意的是,在英文中雅可比矩陣跟雅可比行列式都可稱作Jacobian 。[ 1]
其重要性在於,如果函數f : ℝn → ℝm 在點 x 可微的話,在點 x 的雅可比矩陣即為該函數在該點的最佳線性逼近,也代表雅可比矩陣是單變數實數函數的微分在向量值多變數函數的推廣,在這種情況下,雅可比矩陣也被稱作函數 f 在點 x 的微分 或者導數 。
在代數幾何 中,代數曲線 的雅可比行列式表示雅可比簇 :伴隨該曲線的一個代數群 ,曲線可以嵌入其中。
它們全部都以普魯士 數學家 卡爾·雅可比 命名。
假設某函數從 f : ℝn → ℝm , 從 x ∈ ℝn 映射到 向量 f (x ) ∈ ℝm , 其雅可比矩陣是一 m ×n 的矩陣,換句話講也就是從 ℝn 到 ℝm 的線性映射,其重要意義在於它表現了一個多變數向量函數的最佳線性逼近。因此,雅可比矩陣類似於單變數函數的導數。
此函數 f 的雅可比矩陣 J 為 m ×n 的矩陣,一般由以下方式定義:
J
=
[
∂
f
∂
x
1
⋯
∂
f
∂
x
n
]
=
[
∂
f
1
∂
x
1
⋯
∂
f
1
∂
x
n
⋮
⋱
⋮
∂
f
m
∂
x
1
⋯
∂
f
m
∂
x
n
]
{\displaystyle \mathbf {J} ={\begin{bmatrix}{\dfrac {\partial \mathbf {f} }{\partial x_{1}}}&\cdots &{\dfrac {\partial \mathbf {f} }{\partial x_{n}}}\end{bmatrix}}={\begin{bmatrix}{\dfrac {\partial f_{1}}{\partial x_{1}}}&\cdots &{\dfrac {\partial f_{1}}{\partial x_{n}}}\\\vdots &\ddots &\vdots \\{\dfrac {\partial f_{m}}{\partial x_{1}}}&\cdots &{\dfrac {\partial f_{m}}{\partial x_{n}}}\end{bmatrix}}}
矩陣的分量可表示成:
J
i
j
=
∂
f
i
∂
x
j
{\displaystyle \mathbf {J} _{ij}={\frac {\partial f_{i}}{\partial x_{j}}}}
雅可比矩陣的其他常用符號還有:
D
f
{\displaystyle Df}
、
D
f
{\displaystyle \mathrm {D} \mathbf {f} }
、
J
f
(
x
1
,
…
,
x
n
)
{\displaystyle \mathbf {J} _{\mathbf {f} }(x_{1},\ldots ,x_{n})}
或者
∂
(
f
1
,
…
,
f
m
)
∂
(
x
1
,
…
,
x
n
)
{\displaystyle {\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}}
此矩陣的第
i
{\displaystyle i}
列是由函數
f
i
{\displaystyle f_{i}}
的梯度函數所表示的,
1
≤
i
≤
m
{\displaystyle 1\leq i\leq m}
。
如果
p
{\displaystyle p}
是
R
n
{\displaystyle \mathbb {R} ^{n}}
中的一點,
f
{\displaystyle f}
在
p
{\displaystyle p}
點可微分,根據數學分析 ,
J
f
(
p
)
{\displaystyle \mathbf {J} _{\mathbf {f} }(p)}
是在這點的導數 。在此情況下,
J
f
(
p
)
{\displaystyle \mathbf {J} _{\mathbf {f} }(p)}
這個線性映射即
f
{\displaystyle f}
在點
p
{\displaystyle p}
附近的最優線性逼近,也就是說當
x
{\displaystyle x}
足夠靠近點
p
{\displaystyle p}
時,我們有
f
(
x
)
≈
f
(
p
)
+
J
f
(
p
)
⋅
(
x
−
p
)
{\displaystyle f(x)\approx f(p)+\mathbf {J} _{\mathbf {f} }(p)\cdot (x-p)}
講更詳細點也就是:
f
(
x
)
=
f
(
p
)
+
J
f
(
p
)
(
x
−
p
)
+
o
(
‖
x
−
p
‖
)
{\displaystyle \mathbf {f} (\mathbf {x} )=\mathbf {f} (\mathbf {p} )+\mathbf {J} _{\mathbf {f} }(\mathbf {p} )(\mathbf {x} -\mathbf {p} )+o(\|\mathbf {x} -\mathbf {p} \|)}
其中,o 代表小o符號 ,‖x − p ‖ 為 x 與 p 之間的距離。
由球坐標系 到直角坐標系的轉化由 F : ℝ+ × [0, π ) × [0, 2π ) → ℝ3 函數給出,其分量為:
x
=
r
sin
θ
cos
φ
;
y
=
r
sin
θ
sin
φ
;
z
=
r
cos
θ
{\displaystyle {\begin{aligned}x&=r\sin \theta \cos \varphi ;\\y&=r\sin \theta \sin \varphi ;\\z&=r\cos \theta \end{aligned}}}
此坐標變換的雅可比矩陣是
J
F
(
r
,
θ
,
φ
)
=
[
∂
x
∂
r
∂
x
∂
θ
∂
x
∂
φ
∂
y
∂
r
∂
y
∂
θ
∂
y
∂
φ
∂
z
∂
r
∂
z
∂
θ
∂
z
∂
φ
]
=
[
sin
θ
cos
φ
r
cos
θ
cos
φ
−
r
sin
θ
sin
φ
sin
θ
sin
φ
r
cos
θ
sin
φ
r
sin
θ
cos
φ
cos
θ
−
r
sin
θ
0
]
{\displaystyle \mathbf {J} _{\mathbf {F} }(r,\theta ,\varphi )={\begin{bmatrix}{\dfrac {\partial x}{\partial r}}&{\dfrac {\partial x}{\partial \theta }}&{\dfrac {\partial x}{\partial \varphi }}\\[1em]{\dfrac {\partial y}{\partial r}}&{\dfrac {\partial y}{\partial \theta }}&{\dfrac {\partial y}{\partial \varphi }}\\[1em]{\dfrac {\partial z}{\partial r}}&{\dfrac {\partial z}{\partial \theta }}&{\dfrac {\partial z}{\partial \varphi }}\end{bmatrix}}={\begin{bmatrix}\sin \theta \cos \varphi &r\cos \theta \cos \varphi &-r\sin \theta \sin \varphi \\\sin \theta \sin \varphi &r\cos \theta \sin \varphi &r\sin \theta \cos \varphi \\\cos \theta &-r\sin \theta &0\end{bmatrix}}}
其雅可比行列式為 r 2 sin θ 。以體積元變換爲例,由於 dV = dx dy dz ,如果做變數變換,則其體積元(Volume element,dV ),會變成:dV = r 2 sin θ dr dθ dφ 。
F : ℝ3 → ℝ4 ,其各分量為
y
1
=
x
1
{\displaystyle y_{1}=x_{1}\,}
y
2
=
5
x
3
{\displaystyle y_{2}=5x_{3}\,}
y
3
=
4
x
2
2
−
2
x
3
{\displaystyle y_{3}=4x_{2}^{2}-2x_{3}\,}
y
4
=
x
3
sin
x
1
{\displaystyle y_{4}=x_{3}\sin x_{1}\,}
其雅可比矩陣為:
J
F
(
x
1
,
x
2
,
x
3
)
=
[
∂
y
1
∂
x
1
∂
y
1
∂
x
2
∂
y
1
∂
x
3
∂
y
2
∂
x
1
∂
y
2
∂
x
2
∂
y
2
∂
x
3
∂
y
3
∂
x
1
∂
y
3
∂
x
2
∂
y
3
∂
x
3
∂
y
4
∂
x
1
∂
y
4
∂
x
2
∂
y
4
∂
x
3
]
=
[
1
0
0
0
0
5
0
8
x
2
−
2
x
3
cos
x
1
0
sin
x
1
]
{\displaystyle J_{F}(x_{1},x_{2},x_{3})={\begin{bmatrix}{\frac {\partial y_{1}}{\partial x_{1}}}&{\frac {\partial y_{1}}{\partial x_{2}}}&{\frac {\partial y_{1}}{\partial x_{3}}}\\[3pt]{\frac {\partial y_{2}}{\partial x_{1}}}&{\frac {\partial y_{2}}{\partial x_{2}}}&{\frac {\partial y_{2}}{\partial x_{3}}}\\[3pt]{\frac {\partial y_{3}}{\partial x_{1}}}&{\frac {\partial y_{3}}{\partial x_{2}}}&{\frac {\partial y_{3}}{\partial x_{3}}}\\[3pt]{\frac {\partial y_{4}}{\partial x_{1}}}&{\frac {\partial y_{4}}{\partial x_{2}}}&{\frac {\partial y_{4}}{\partial x_{3}}}\\\end{bmatrix}}={\begin{bmatrix}1&0&0\\0&0&5\\0&8x_{2}&-2\\x_{3}\cos x_{1}&0&\sin x_{1}\end{bmatrix}}}
此例子說明雅可比矩陣不一定為方陣。
如果 m = n ,那麼 F 是從 ℝn 映射到 ℝn 的函數,且它的雅可比矩陣是一個方陣 。於是我們可以取它的行列式,稱為雅可比行列式 。
在某個給定點的雅可比行列式提供了 F 在接近該點時的表現的重要資訊。例如,如果連續可微函數 F 在 p 點的Jacobi行列式不等於零,那麼它在該點附近有 F 的反函數 。這稱為反函數定理 。更進一步,如果 p 點的Jacobi行列式是正數 ,則 F 在 p 點保持定向(preserves orientation);如果是負數,則 F 逆轉定向(reverses orientation)。而從Jacobi行列式的絕對值 ,就可以知道函數 F 在 p 點附近是放大或縮小體積;這就是它出現在換元積分法 中的原因。
設有函數 F : ℝ3 → ℝ3 ,其分量為:
y
1
=
5
x
2
{\displaystyle y_{1}=5x_{2}\,}
y
2
=
4
x
1
2
−
2
sin
(
x
2
x
3
)
{\displaystyle y_{2}=4x_{1}^{2}-2\sin(x_{2}x_{3})\,}
y
3
=
x
2
x
3
{\displaystyle y_{3}=x_{2}x_{3}\,}
則它的Jacobi行列式為:
|
0
5
0
8
x
1
−
2
x
3
cos
(
x
2
x
3
)
−
2
x
2
cos
(
x
2
x
3
)
0
x
3
x
2
|
=
−
8
x
1
⋅
|
5
0
x
3
x
2
|
=
−
40
x
1
x
2
{\displaystyle {\begin{vmatrix}0&5&0\\8x_{1}&-2x_{3}\cos(x_{2}x_{3})&-2x_{2}\cos(x_{2}x_{3})\\0&x_{3}&x_{2}\end{vmatrix}}=-8x_{1}\cdot {\begin{vmatrix}5&0\\x_{3}&x_{2}\end{vmatrix}}=-40x_{1}x_{2}}
從中我們可以看到,當 x 1 和 x 2 同號時,F 逆轉定向;該函數處處具有反函數,除了在 x 1 = 0 或 x 2 = 0 的點。
這是一個與巴塞爾問題
∑
n
=
1
∞
1
n
2
=
π
2
6
{\displaystyle \sum _{n=1}^{\infty }{\frac {1}{n^{2}}}={\frac {\pi ^{2}}{6}}}
較為相似的級數
∑
n
=
0
∞
1
(
2
n
+
1
)
2
=
π
2
8
{\displaystyle \sum _{n=0}^{\infty }{\frac {1}{(2n+1)^{2}}}={\frac {\pi ^{2}}{8}}}
的求解方法,首先可以轉化為二重積分 (在這裡 D 1 指 x 與 y 皆為從 0 到 1 的正方形區域):
∑
n
=
0
∞
1
(
2
n
+
1
)
2
=
∬
D
1
∑
n
=
1
∞
(
x
y
)
2
n
d
x
d
y
=
∬
D
1
d
x
d
y
1
−
x
2
y
2
{\displaystyle \sum _{n=0}^{\infty }{\frac {1}{(2n+1)^{2}}}=\iint \limits _{D_{1}}\sum _{n=1}^{\infty }(xy)^{2n}\mathrm {d} x\mathrm {d} y=\iint \limits _{D_{1}}{\frac {\mathrm {d} x\mathrm {d} y}{1-x^{2}y^{2}}}}
此時定義映射 F : ℝ2 → ℝ2 ,滿足:
{
u
=
arctan
(
x
1
−
y
2
1
−
x
2
)
v
=
arctan
(
y
1
−
x
2
1
−
y
2
)
⟺
{
x
=
sin
u
cos
v
y
=
sin
v
cos
u
{\displaystyle {\begin{cases}u=\arctan \left(x{\sqrt {\dfrac {1-y^{2}}{1-x^{2}}}}\right)\\v=\arctan \left(y{\sqrt {\dfrac {1-x^{2}}{1-y^{2}}}}\right)\end{cases}}\iff {\begin{cases}x={\dfrac {\sin u}{\cos v}}\\y={\dfrac {\sin v}{\cos u}}\end{cases}}}
於是有相應的雅可比行列式:
|
∂
x
∂
u
∂
x
∂
v
∂
y
∂
u
∂
y
∂
v
|
=
|
cos
u
cos
v
sin
u
sin
v
cos
2
v
sin
u
sin
v
cos
2
u
cos
v
cos
u
|
=
1
−
sin
2
u
sin
2
v
cos
2
u
cos
2
v
=
1
−
x
2
y
2
{\displaystyle {\begin{vmatrix}{\dfrac {\partial x}{\partial u}}&{\dfrac {\partial x}{\partial v}}\\{\dfrac {\partial y}{\partial u}}&{\dfrac {\partial y}{\partial v}}\end{vmatrix}}={\begin{vmatrix}{\dfrac {\cos u}{\cos v}}&{\dfrac {\sin u\sin v}{\cos ^{2}v}}\\{\dfrac {\sin u\sin v}{\cos ^{2}u}}&{\dfrac {\cos v}{\cos u}}\end{vmatrix}}=1-{\frac {\sin ^{2}u\sin ^{2}v}{\cos ^{2}u\cos ^{2}v}}=1-x^{2}y^{2}}
因此
d
x
d
y
=
(
1
−
x
2
y
2
)
d
u
d
v
{\displaystyle \mathrm {d} x\mathrm {d} y=(1-x^{2}y^{2})\mathrm {d} u\mathrm {d} v}
,並且將正方形 D 1 映射成 u >0、v >0、u +v <π/2 的等腰直角三角形,記為 D 2 ,得到:
∬
D
1
d
x
d
y
1
−
x
2
y
2
=
∬
D
2
d
u
d
v
=
∫
0
π
2
(
∫
0
π
2
−
v
d
u
)
d
v
=
π
2
8
{\displaystyle \iint \limits _{D_{1}}{\frac {\mathrm {d} x\mathrm {d} y}{1-x^{2}y^{2}}}=\iint \limits _{D_{2}}\mathrm {d} u\mathrm {d} v=\int _{0}^{\frac {\pi }{2}}\left(\int _{0}^{{\frac {\pi }{2}}-v}\mathrm {d} u\right)\mathrm {d} v={\frac {\pi ^{2}}{8}}}
^ W., Weisstein, Eric. Jacobian . mathworld.wolfram.com. [2 May 2018] . (原始內容存檔 於3 November 2017).