从链式法则到雅可比矩阵与雅可比行列式
1. 一个自然的换元
考虑一个多元函数 \(f(x,y)\)，其中 \(x,y\in\mathbb{R}\)。作换元：
\[\begin{cases}
x=x(u,v)\\
y=y(u,v)
\end{cases}
,\quad u,v\in\mathbb{R}
\]
假设所有偏导数都存在。那么由链式法则：
\[\begin{aligned}
\frac{\partial f}{\partial u}
&=\frac{\partial f}{\partial x}\frac{\partial x}{\partial u}
+\frac{\partial f}{\partial y}\frac{\partial y}{\partial u},\\
\frac{\partial f}{\partial v}
&=\frac{\partial f}{\partial x}\frac{\partial x}{\partial v}
+\frac{\partial f}{\partial y}\frac{\partial y}{\partial v}.
\end{aligned}
\]
这两行式子看起来只是普通的链式法则，但如果把它们看成“算子”之间的关系，就会自然出现一个矩阵。
2. 把链式法则写成矩阵
把 \(\partial/\partial x\)、\(\partial/\partial y\) 看成一组基，那么：
\[\begin{bmatrix}
\dfrac{\partial}{\partial u}\\
\dfrac{\partial}{\partial v}
\end{bmatrix}
=
\begin{bmatrix}
\dfrac{\partial x}{\partial u} & \dfrac{\partial y}{\partial u}\\
\dfrac{\partial x}{\partial v} & \dfrac{\partial y}{\partial v}
\end{bmatrix}
\begin{bmatrix}
\dfrac{\partial}{\partial x}\\
\dfrac{\partial}{\partial y}
\end{bmatrix}
\]
这个矩阵就是坐标变换 \((x,y)\to(u,v)\) 的“对偶”雅可比矩阵。
3. 雅可比矩阵本身
通常，坐标变换
\[\begin{cases}
x=x(u,v)\\
y=y(u,v)
\end{cases}
\]
的雅可比矩阵定义为：
\[J=
\begin{bmatrix}
\dfrac{\partial x}{\partial u} & \dfrac{\partial x}{\partial v}\\
\dfrac{\partial y}{\partial u} & \dfrac{\partial y}{\partial v}
\end{bmatrix}
\]
它描述的是：输入 \((u,v)\) 的小变化，如何线性地变成输出 \((x,y)\) 的小变化：
\[\begin{bmatrix}
dx\\
dy
\end{bmatrix}
=
J
\begin{bmatrix}
du\\
dv
\end{bmatrix}
\]
也就是说：
- \(J\) 作用在“坐标微分”上；
- \(J^T\) 作用在“微分算子”上。
两者互为转置，但描述的是同一件事的两个对偶侧面。第 2 节里出现的矩阵，正是这里的 \(J^T\)。
4. 雅可比行列式
当 \(x,y\) 和 \(u,v\) 维数相同，\(J\) 是方阵，可以取行列式：
\[\det J
=
\begin{vmatrix}
\dfrac{\partial x}{\partial u} & \dfrac{\partial x}{\partial v}\\
\dfrac{\partial y}{\partial u} & \dfrac{\partial y}{\partial v}
\end{vmatrix}
\]
它的几何意义是：局部面积缩放因子。
在 \((u,v)\) 平面上取一个无穷小矩形，面积是 \(du\,dv\)。映射到 \((x,y)\) 平面后，变成一个无穷小平行四边形，面积是：
\[dx\,dy = |\det J|\,du\,dv
\]
所以换元积分时：
\[\iint f(x,y)\,dx\,dy
=
\iint f(x(u,v),y(u,v))\,|\det J|\,du\,dv
\]
5. 极坐标：最好的例子
极坐标换元：
\[x=r\cos\theta,\qquad y=r\sin\theta
\]
雅可比矩阵为：
\[J=
\begin{bmatrix}
\dfrac{\partial x}{\partial r} & \dfrac{\partial x}{\partial \theta}\\
\dfrac{\partial y}{\partial r} & \dfrac{\partial y}{\partial \theta}
\end{bmatrix}
=
\begin{bmatrix}
\cos\theta & -r\sin\theta\\
\sin\theta & r\cos\theta
\end{bmatrix}
\]
行列式：
\[\det J
=
\cos\theta\cdot r\cos\theta
-
(-r\sin\theta)\cdot\sin\theta
=
r(\cos^2\theta+\sin^2\theta)
=
r
\]
所以：
\[dx\,dy = r\,dr\,d\theta
\]
这就是极坐标面积元的来源。以前觉得这个 \(r\) 是凭空冒出来的，现在知道它其实来自雅可比行列式。
6. 几何直观与应用
雅可比矩阵可以理解成“多元导数”：
- 一元函数 \(f:\mathbb{R}\to\mathbb{R}\)，导数是数 \(f'(x)\)；
- 多元标量函数 \(f:\mathbb{R}^n\to\mathbb{R}\)，导数是梯度 \(\nabla f\)；
- 向量函数 \(f:\mathbb{R}^n\to\mathbb{R}^m\)，导数就是雅可比矩阵 \(J_f\)。
雅可比行列式则描述局部体积缩放。常见应用有：
- 多重积分换元：面积元、体积元要乘 \(|\det J|\)；
- 非线性方程组牛顿法：需要雅可比矩阵，方阵时用行列式判断可逆性；
- 概率密度变换：随机变量换元时，密度函数要乘 \(|\det J|\)；
- 动力系统稳定性：在平衡点附近线性化，用雅可比矩阵的特征值判断稳定性；
- 逆函数定理：若 \(\det J(x_0)\neq 0\)，则函数在 \(x_0\) 附近局部可逆。
7. 写在最后
回头看，最开始只是对 \(f(x,y)\) 做了一个换元，写出链式法则，结果自然地出现了一个矩阵。这个矩阵就是雅可比矩阵的转置。雅可比矩阵本身描述的是坐标变换的局部线性化，而雅可比行列式则告诉我们，这个线性化把面积放大了多少倍。
我原本以为雅可比矩阵只是一个计算工具，现在才发现它其实是“多元导数”的自然推广：一元导数是数，多元标量函数的导数是梯度，而向量函数的导数就是雅可比矩阵。
这篇随笔写得不算深，但至少让我把链式法则、算子变换、雅可比矩阵和行列式串成了一条线。下次再看到换元积分里的 \(|\det J|\)，应该不会再觉得它是凭空冒出来的了。
注：本文由AI生成。
我想看下AI写的随笔，挑了jacobi矩阵和jacobi行列式内容给他写。
Jacobi矩阵与Jacobi行列式(AI)
浙公网安备 33010602011771号