在向量分析 中，雅可比矩阵 （也称作Jacobi矩阵 ，英语：Jacobian matrix 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 m x x f x 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 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 m x ∈ ℝn f (x ) ∈ ℝm m ×n ℝn ℝm
此函数 f J m ×n
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}}}
矩阵的分量可表示成：
J
i
j
=
∂
f
i
∂
x
j
{\displaystyle \mathbf {J} _{ij}={\frac {\partial f_{i}}{\partial x_{j}}}}
雅可比矩阵的其他常用符号还有：
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})}
∂
(
f
1
,
…
,
f
m
)
∂
(
x
1
,
…
,
x
n
)
{\displaystyle {\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}}
此矩阵的第
i
{\displaystyle i}
f
i
{\displaystyle f_{i}}
1
≤
i
≤
m
{\displaystyle 1\leq i\leq m}
如果
p
{\displaystyle p}
R
n
{\displaystyle \mathbb {R} ^{n}}
f
{\displaystyle f}
p
{\displaystyle p}
数学分析 ，
J
f
(
p
)
{\displaystyle \mathbf {J} _{\mathbf {f} }(p)}
导数 。在此情况下，
J
f
(
p
)
{\displaystyle \mathbf {J} _{\mathbf {f} }(p)}
f
{\displaystyle f}
p
{\displaystyle p}
x
{\displaystyle x}
p
{\displaystyle p}
f
(
x
)
≈
f
(
p
)
+
J
f
(
p
)
⋅
(
x
−
p
)
{\displaystyle f(x)\approx f(p)+\mathbf {J} _{\mathbf {f} }(p)\cdot (x-p)}
讲更详细点也就是：
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 小o符号 ，‖x − p ‖ x p
由球坐标系 到直角坐标系的转化由 F : ℝ+ × [0, π ) × [0, 2π ) → ℝ3
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}}}
此坐标变换的雅可比矩阵是
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}}}
其雅可比行列式为 r 2 sin θ dV = dx dy dz dV dV = r 2 sin θ dr dθ dφ
F : ℝ3 → ℝ4
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}\,}
其雅可比矩阵为:
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}}}
此例子说明雅可比矩阵不一定为方阵。
考虑形为
x
′
=
F
(
x
)
{\displaystyle x^{\prime }=F(x)}
动力系统 ，
F
:
R
n
→
R
n
{\displaystyle F:\mathbb {R} ^{n}\rightarrow \mathbb {R} ^{n}}
F
(
x
0
)
=
0
{\displaystyle F(x_{0})=0}
x
0
{\displaystyle x_{0}}
J
F
(
x
0
)
{\displaystyle J_{F}(x_{0})}
特征值 相关。
如果 m = n F ℝn ℝn 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 F p F 反函数 。这称为反函数定理 。更进一步，如果 p 正数 ，则 F p F 绝对值 ，就可以知道函数 F p 换元积分法 中的原因。
设有函数 F : ℝ3 → ℝ3
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}\,}
则它的Jacobi行列式为：
|
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}}
从中我们可以看到，当 x 1 x 2 F x 1 = 0x 2 = 0
这是一个与巴塞尔问题
∑
n
=
1
∞
1
n
2
=
π
2
6
{\displaystyle \sum _{n=1}^{\infty }{\frac {1}{n^{2}}}={\frac {\pi ^{2}}{6}}}
级数
∑
n
=
0
∞
1
(
2
n
+
1
)
2
=
π
2
8
{\displaystyle \sum _{n=0}^{\infty }{\frac {1}{(2n+1)^{2}}}={\frac {\pi ^{2}}{8}}}
二重积分 （在这里 D 1 指 x 与 y 皆为从 0 到 1 的正方形区域）：
∑
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}}}}
此时定义映射 F : ℝ2 → ℝ2
{
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}}}
于是有相应的雅可比行列式：
|
∂
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}
D 1 映射成 u >0、v >0、u +v <π/2 的等腰直角三角形，记为 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}}}
根据反函数定理 ，一个可逆函数 （存在反函数 的函数）的雅可比矩阵 的逆矩阵 即为该函数的反函数 雅可比矩阵 。即，若函数
F
:
R
n
→
R
n
{\displaystyle F:\mathbb {R} ^{n}\rightarrow \mathbb {R} ^{n}}
p
∈
R
n
{\displaystyle p\in \mathbb {R} ^{n}}
F
{\displaystyle F}
p
{\displaystyle p}
邻域 内也是可逆的，且有
J
F
−
1
∘
f
=
J
F
−
1
{\displaystyle J_{F^{-1}}\circ f=J_{F}^{-1}}
成立。相反，倘若雅可比行列式在某一个点不为 零，那么该函数在这个点的某一邻域内可逆 （存在反函数 ）。
一个多项式函数 的可逆性与未经证明的雅可比猜想 有关。其断言，如果函数的雅可比行列式为一个非零实数（相当于其不存在复零点
^ W., Weisstein, Eric. Jacobian . mathworld.wolfram.com. [2 May 2018] . （原始内容存档 于3 November 2017）.
![{\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}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/db70522712b56ee256247603ef074d20313e5ba1)
![{\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}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ebf91f57907e1656c70decff4f02a0acf8fbdacf)
