在向量分析中,雅可比矩阵(也称作Jacobi矩阵,英语:Jacobian matrix)是函数的一阶偏导数以一定方式排列成的矩阵。
当其为方形矩阵时,其行列式称为雅可比行列式(Jacobi determinant)。要注意的是,在英文中雅可比矩阵跟雅可比行列式都可称作Jacobian。[1]
其重要性在于,如果函数 f : ℝn → ℝm 在点 x 可微的话,在点 x 的雅可比矩阵即为该函数在该点的最佳线性逼近,也代表雅可比矩阵是单变数实数函数的微分在向量值多变数函数的推广,在这种情况下,雅可比矩阵也被称作函数 f 在点 x 的微分或者导数。
在代数几何中,代数曲线的雅可比行列式'表示雅可比簇:伴随该曲线的一个代数群,曲线可以嵌入其中。
它们全部都以普鲁士数学家卡尔·雅可比命名。
假设某函数从 f : ℝn → ℝm, 从 x ∈ ℝn 映射到 向量 f(x) ∈ ℝm, 其雅可比矩阵是一 m×n 的矩阵,换句话讲也就是从 ℝn 到 ℝm 的线性映射,其重要意义在于它表现了一个多变数向量函数的最佳线性逼近。因此,雅可比矩阵类似于单变数函数的导数。
此函数 f 的雅可比矩阵 J 为 m×n 的矩阵,一般由以下方式定义:
矩阵的分量可表示成:
雅可比矩阵的其他常用符号还有:
- 、 、 或者
此矩阵的第 行是由函数 的梯度函数所表示的, 。
如果 是 中的一点,在 点可微分,根据数学分析, 是在这点的导数。在此情况下,这个线性映射即 在点 附近的最优线性逼近,也就是说当 足够靠近点 时,我们有
讲更详细点也就是:
其中,o 代表小o符号,‖x − p‖ 为 x 与 p 之间的距离。
由球坐标系到直角坐标系的转化由 F: ℝ+ × [0, π) × [0, 2π) → ℝ3 函数给出,其分量为:
此坐标变换的雅可比矩阵是
其雅可比行列式为 r2 sin θ。以体积元变换为例,由于 dV = dx dy dz,如果做变数变换,则其体积元(Volume element,dV),会变成:dV = r2 sin θ dr dθ dφ。
如果 m = n,那么 F 是从 ℝn 映射到 ℝn 的函数,且它的雅可比矩阵是一个方阵。于是我们可以取它的行列式,称为雅可比行列式。
在某个给定点的雅可比行列式提供了 F 在接近该点时的表现的重要资讯。例如,如果连续可微函数 F 在 p 点的Jacobi行列式不等于零,那么它在该点附近有 F 的反函数。这称为反函数定理。更进一步,如果 p 点的Jacobi行列式是正数,则 F 在 p 点保持定向(preserves orientation);如果是负数,则 F 逆转定向(reverses orientation)。而从Jacobi行列式的绝对值,就可以知道函数 F 在 p 点附近是放大或缩小体积;这就是它出现在换元积分法中的原因。
设有函数 F : ℝ3 → ℝ3,其分量为:
则它的Jacobi行列式为:
从中我们可以看到,当 x1 和 x2 同号时,F 逆转定向;该函数处处具有反函数,除了在 x1 = 0 或 x2 = 0 的点。
W., Weisstein, Eric. Jacobian. mathworld.wolfram.com. [2 May 2018]. (原始内容存档于3 November 2017).