雅可比矩阵计算器

计算多变量向量值函数的雅可比矩阵。输入变换分量，如 F(x,y) = (x²+y, xy)，即可获得包含所有偏导数的完整雅可比矩阵、行列式、特征值、使用 MathJax 展示的分步解题过程，以及显示变换如何扭曲空间的交互式网格变形可视化。

雅可比矩阵计算器

雅可比矩阵计算器可以计算任何向量值多变量函数的雅可比矩阵。输入变换分量，如 $F(x,y) = (x^2 + y,\; xy)$，指定你的变量，并可选择在特定点进行计算。该工具会返回完整的符号雅可比矩阵、行列式、特征值、MathJax 分步解答，对于 2×2 情况，还提供交互式网格变形可视化，展示线性变换如何拉伸、旋转和剪切空间。

什么是雅可比矩阵？

向量值函数 $\mathbf{F}: \mathbb{R}^n \to \mathbb{R}^m$ 的雅可比矩阵是所有一阶偏导数组成的 $m \times n$ 矩阵：

$$J = \begin{pmatrix} \frac{\partial F_1}{\partial x_1} & \cdots & \frac{\partial F_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial F_m}{\partial x_1} & \cdots & \frac{\partial F_m}{\partial x_n} \end{pmatrix}$$

雅可比矩阵代表了函数在给定点附近的最佳线性逼近。它将导数的概念推广到了多变量的向量值函数。

核心概念

⊞

雅可比矩阵

所有偏导数 ∂Fᵢ/∂xⱼ 组成的 m×n 矩阵——矩阵形式的全导数。

◇

行列式

对于方阵 J：det(J) 衡量局部面积/体积的缩放和方向的变化。

↔

反函数定理

如果在某点 det(J) ≠ 0，则该函数在该点局部可逆。

∮

变量替换

在积分中：dA' = |det(J)| dA 用于解释坐标拉伸。

雅可比行列式

当雅可比矩阵为方阵 ($m = n$) 时，其行列式具有深刻的几何意义：

det(J)	几何意义	示例
det(J) > 0	保持方向，面积缩放比例为 det(J)	膨胀、旋转
det(J) < 0	反转方向，面积缩放比例为 \|det(J)\|	反射
det(J) = 0	奇异——维度塌缩，局部不可逆	投影到低维空间
\|det(J)\| = 1	面积/体积守恒（等距变换或旋转）	旋转矩阵

常用坐标变换

变换	映射关系	雅可比行列式
极坐标 → 直角坐标	$x = r\cos\theta,\; y = r\sin\theta$	$r$
柱坐标 → 直角坐标	$x = r\cos\theta,\; y = r\sin\theta,\; z = z$	$r$
球坐标 → 直角坐标	$x = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi$	$r^2 \sin\phi$
2D 旋转 α	$x' = x\cos\alpha - y\sin\alpha,\; y' = x\sin\alpha + y\cos\alpha$	1
缩放	$x' = ax,\; y' = by$	$ab$

雅可比矩阵的应用

领域	应用	雅可比矩阵的作用
多变量微积分	重积分中的变量替换	\|det(J)\| 是面积/体积元素的缩放因子
机器人学	机械臂运动学	将关节速度映射到末端执行器速度
机器学习	规范化流 (Normalizing Flows)	det(J) 用于计算通过变换后的概率密度变化
物理学	坐标变换	张量变换法则、度规张量
最优化	牛顿法（多变量）	梯度的雅可比矩阵 = 黑塞矩阵；用于收敛性分析
计算机图形学	纹理映射、网格变形	衡量在表面之间映射时的畸变程度

如何使用雅可比矩阵计算器

输入函数分量： 输入向量值函数的每个分量，用分号分隔。例如，对于 $\mathbf{F}(x,y) = (x^2+y, xy)$，输入 x^2 + y; x*y。使用 ^ 表示指数，* 表示乘法，并支持 sin、cos、exp、ln、sqrt 等标准函数。
指定变量： 输入以逗号分隔的变量名称（例如 x, y 或 r, t）。变量的数量决定了雅可比矩阵的列数。
输入计算点（可选）： 提供坐标值以进行雅可比矩阵的数值计算。你可以使用 pi 和 e 等常数。
点击计算雅可比矩阵： 查看符号雅可比矩阵、所有偏导数、行列式（针对方阵）、特征值以及分步解答。
探索可视化： 对于 2×2 雅可比矩阵，查看交互式网格变形，展示矩阵如何变换原始网格、单位圆和基向量。可在“网格”、“圆”和“两者”视图之间切换。

计算实例：极坐标

求极坐标到直角坐标变换 $F(r, \theta) = (r\cos\theta,\; r\sin\theta)$ 的雅可比矩阵：

第 1 步： 计算偏导数： $\frac{\partial F_1}{\partial r} = \cos\theta$，$\frac{\partial F_1}{\partial \theta} = -r\sin\theta$， $\frac{\partial F_2}{\partial r} = \sin\theta$，$\frac{\partial F_2}{\partial \theta} = r\cos\theta$。

第 2 步： 组合矩阵：$J = \begin{pmatrix} \cos\theta & -r\sin\theta \\ \sin\theta & r\cos\theta \end{pmatrix}$

第 3 步： 行列式：$\det(J) = r\cos^2\theta + r\sin^2\theta = r$。这就是为什么极坐标中的面积元素是 $r\,dr\,d\theta$。

与其他概念的关系

雅可比矩阵与数学中的许多基本概念相关联：

梯度： 对于标量函数 $f: \mathbb{R}^n \to \mathbb{R}$，雅可比矩阵是一个 $1 \times n$ 的行向量——即梯度 $\nabla f$ 的转置。
黑塞矩阵： 黑塞矩阵是梯度的雅可比矩阵：$H(f) = J(\nabla f)$。
散度和旋度： 散度是雅可比矩阵的迹；旋度涉及非对角线的反对称分量。
链式法则： 对于复合函数，$J(\mathbf{G} \circ \mathbf{F}) = J(\mathbf{G}) \cdot J(\mathbf{F})$——链式法则变成了雅可比矩阵的矩阵乘法。

常见问题解答

什么是雅可比矩阵？

雅可比矩阵是向量值函数的所有一阶偏导数组成的矩阵。对于从 R^n 到 R^m 的函数 F，雅可比矩阵是一个 m 乘 n 矩阵，其中第 (i,j) 个元素是第 i 个输出对第 j 个输入变量的偏导数。它代表了函数在某点附近的最佳线性逼近，是多变量微积分、微分方程和许多应用数学领域的基础。

雅可比行列式代表什么？

雅可比行列式（针对方阵雅可比矩阵）衡量变换在局部缩放面积或体积的程度。行列式为 2 意味着面积翻倍，行列式为 -1 意味着面积保持不变但方向反转，行列式为 0 则意味着变换在该点使维度塌缩。在积分中，雅可比行列式的绝对值在变量替换时被用作缩放因子。

雅可比矩阵如何用于坐标变换？

在多变量微积分中，当在重积分中变换变量时，雅可比行列式作为缩放因子出现。例如，从直角坐标转换为极坐标需要乘以雅可比行列式的绝对值 |r|，从而得到熟悉的面积元素 r dr dθ。这解释了无限小面积或体积元素在坐标映射下是如何变化的。

雅可比矩阵和黑塞矩阵有什么区别？

雅可比矩阵是向量值函数（映射 R^n 到 R^m）的一阶导数矩阵。黑塞矩阵是标量值函数（映射 R^n 到 R）的二阶导数矩阵。标量函数 f 的黑塞矩阵等于其梯度的雅可比矩阵：H(f) = J(∇f)。雅可比矩阵描述变换如何拉伸空间；黑塞矩阵描述表面的曲率。

雅可比矩阵什么时候可逆？

当雅比矩阵是方阵 (m = n) 且其行列式不为零时，该矩阵在某点是可逆的。根据反函数定理，如果雅可比矩阵在某点可逆，则该函数在该点附近局部可逆，这意味着存在光滑的局部反函数。这是微分拓扑中的一个基石结论，广泛用于隐函数理论和非线性分析。

引用此内容、页面或工具为：

"雅可比矩阵计算器" 于 https://MiniWebtool.com/zh-cn/雅可比矩阵计算器/，来自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 团队制作。更新日期：2026-04-08

您还可以尝试我们的 AI数学解题器 GPT，通过自然语言问答解决您的数学问题。

变换	映射关系	雅可比行列式
极坐标 → 直角坐标	\(x = r\cos\theta,\; y = r\sin\theta\)	\(r\)
柱坐标 → 直角坐标	\(x = r\cos\theta,\; y = r\sin\theta,\; z = z\)	\(r\)
球坐标 → 直角坐标	\(x = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi\)	\(r^2 \sin\phi\)
2D 旋转 α	\(x' = x\cos\alpha - y\sin\alpha,\; y' = x\sin\alpha + y\cos\alpha\)	1
缩放	\(x' = ax,\; y' = by\)	\(ab\)

雅可比矩阵计算器