自 2010 年 · 每月支援超過 200 萬次工具執行
自 2010 年
加到 Chrome

我的工具箱

自動模式

尚未收藏任何工具。

升級為高級版
相關工具
矩陣指數計算機矩陣冪計算機鄰接矩陣計算機Cramer's Rule Calculator特徵值和特徵向量計算機梯度計算機多變量函數複合計算機
主頁 > 數學 > 線性代數
 

雅可比矩陣計算機

計算向量值多變數函數的雅可比矩陣。輸入轉換分量即可得出每個偏導數、行列式、特徵值、詳細步驟與網格變形視覺化。

免費使用無需註冊即時出結果
雅可比矩陣計算機立即免費試用 ▼
範例:
使用 ; 分隔分量  |  語法:x^2, sin(x), cos(y), exp(x), ln(x), sqrt(x), pi, e  |  ^ 表示冪,* 表示乘法
以逗號分隔,例如 x, y 或 r, t
與變數對應的坐標值
雅可比矩陣預覽
輸入函數分量和變數以進行預覽

Embed 雅可比矩陣計算機 Widget

雅可比矩陣計算機

雅可比矩陣計算機可計算任何向量值多變數函數的雅可比矩陣。輸入轉換分量如 \(F(x,y) = (x^2 + y,\; xy)\),指定變數,並可選擇在特定點進行評估。該工具會返回完整的符號雅可比矩陣、行列式、特徵值、MathJax 逐步解法,對於 2×2 的情況,還提供互動式網格變形視覺化,展示線性變換如何拉伸、旋轉和剪切空間。

什麼是雅可比矩陣?

向量值函數 \(\mathbf{F}: \mathbb{R}^n \to \mathbb{R}^m\) 的 雅可比矩陣 是由所有一階偏導數組成的 \(m \times n\) 矩陣:

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

雅可比矩陣代表了函數在給定點附近的 最佳線性逼近。它將導數的概念推廣到多個變數的向量值函數。

核心概念

雅可比矩陣
所有偏導數 ∂Fᵢ/∂xⱼ 的 m×n 矩陣 — 矩陣形式的全導數。
行列式
對於方陣 J:det(J) 衡量局部面積/體積的縮放和定向變化。
反函數定理
如果一點的 det(J) ≠ 0,則函數在該點局部可逆。
變數變換
在積分中:dA' = |det(J)| dA 用於補償坐標拉伸。

雅可比行列式

當雅可比矩陣為方陣(\(m = n\))時,其行列式具有深刻的幾何意義:

det(J)幾何意義範例
det(J) > 0保持定向,面積按 det(J) 縮放擴張、旋轉
det(J) < 0反轉定向,面積按 |det(J)| 縮放反射
det(J) = 0奇異矩陣 — 維度坍塌,局部不可逆投影到低維空間
|det(J)| = 1面積/體積保持不變(等距變換或旋轉)旋轉矩陣

常見坐標轉換

轉換類型映射關係雅可比行列式
極坐標 → 直角坐標\(x = r\cos\theta,\; y = r\sin\theta\)\(r\)
柱坐標 → 直角坐標\(x = r\cos\theta,\; y = r\sin\theta,\; z = z\)\(r\)
球坐標 → 直角坐標\(x = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi\)\(r^2 \sin\phi\)
2D 旋轉 α 角\(x' = x\cos\alpha - y\sin\alpha,\; y' = x\sin\alpha + y\cos\alpha\)1
縮放變換\(x' = ax,\; y' = by\)\(ab\)

雅可比矩陣的應用

領域應用雅可比矩陣的作用
多變數微積分積分中的變數變換|det(J)| 是面積/體積元素的縮放因子
機器人學機械臂運動學將關節速度映射到末端執行器速度
機器學習正規化流 (Normalizing Flows)det(J) 計算通過變換後的機率密度變化
物理學坐標轉換張量變換律、度量張量
最佳化牛頓法(多變數)梯度向量的雅可比矩陣即為黑塞矩陣;用於收斂分析
電腦圖學紋理貼圖、網格變形衡量表面映射時產生的畸變

如何使用雅可比矩陣計算機

  1. 輸入函數分量: 輸入向量值函數的每個分量,並以分號分隔。例如,輸入 x^2 + y; x*y 代表 \(\mathbf{F}(x,y) = (x^2+y, xy)\)。使用 ^ 表示指數,* 表示乘法,以及 sincosexplnsqrt 等標準函數。
  2. 指定變數: 輸入以逗號分隔的變數名稱(例如 x, yr, t)。變數的數量決定了雅可比矩陣的列數。
  3. 輸入評估點(選填): 提供坐標值以進行雅可比矩陣的數值評估。您可以使用 pie 等常數。
  4. 點擊計算雅可比矩陣: 查看符號雅可比矩陣、所有偏導數、行列式(適用於方陣)、特徵值以及逐步解法。
  5. 探索視覺化圖表: 對於 2×2 雅可比矩陣,可以查看互動式網格變形,顯示矩陣如何變換原始網格、單位圓和基向量。可在網格、圓形和兩者視圖之間切換。

計算實例:極坐標

求極坐標到直角坐標轉換 \(F(r, \theta) = (r\cos\theta,\; r\sin\theta)\) 的雅可比矩陣:

第一步: 計算偏導數: \(\frac{\partial F_1}{\partial r} = \cos\theta\), \(\frac{\partial F_1}{\partial \theta} = -r\sin\theta\), \(\frac{\partial F_2}{\partial r} = \sin\theta\), \(\frac{\partial F_2}{\partial \theta} = r\cos\theta\)。

第二步: 組合成矩陣:\(J = \begin{pmatrix} \cos\theta & -r\sin\theta \\ \sin\theta & r\cos\theta \end{pmatrix}\)

第三步: 計算行列式:\(\det(J) = r\cos^2\theta + r\sin^2\theta = r\)。 這就是為什麼極坐標中的面積元素是 \(r\,dr\,d\theta\)。

與其他概念的關係

雅可比矩陣與數學中的許多基本概念都有聯繫:

常見問題解答 (FAQ)

什麼是雅可比矩陣?
雅可比矩陣是向量值函數的所有一階偏導數組成的矩陣。對於從 R^n 到 R^m 的函數 F,雅可比矩陣是一個 m 乘 n 矩陣,其中第 (i,j) 個元素是第 i 個輸出分量對第 j 個輸入變數的偏導數。它代表了函數在某一點附近的最佳線性逼近,是多變數微積分、微分方程和許多應用數學領域的基礎。
雅可比行列式代表什麼?
雅可比行列式(適用於方陣雅可比矩陣)衡量變換在局部縮放面積或體積的程度。行列式為 2 表示面積翻倍,行列式為 -1 表示面積保持不變但方向反轉,行列式為 0 則表示變換在該點使維度坍塌。在積分運算中,雅可比行列式的絕對值被用作變數變換時的縮放因子。
雅可比矩陣如何應用於坐標轉換?
在多變數微積分中,當在重積分中進行變數替換時,雅可比行列式會作為縮放因子出現。例如,將直角坐標轉換為極坐標需要乘以雅可比行列式的絕對值 |r|,從而得到大家熟悉的面積元素 r dr dθ。這補償了坐標映射下無窮小面積或體積元素的變化。
雅可比矩陣和黑塞矩陣有什麼區別?
雅可比矩陣是向量值函數(映射 R^n 到 R^m)的一階導數矩陣。黑塞矩陣是純量值函數(映射 R^n 到 R)的二階導數矩陣。純量函數 f 的黑塞矩陣等於其梯度向量的雅可比矩陣:H(f) = J(∇f)。雅可比矩陣描述變換如何拉伸空間,而黑塞矩陣描述曲面的曲率。
雅可比矩陣何時可逆?
當雅可比矩陣是方陣 (m = n) 且其行列式不為零時,它在該點是可逆的。根據反函數定理,如果雅可比矩陣在某點可逆,則該函數在該點附近局部可逆,這意味著存在光滑的局部反函數。這是微分拓撲中的一個核心結論,廣泛應用於隱函數理論和非線性分析。

引用此內容、頁面或工具為:

"雅可比矩陣計算機" 於 https://MiniWebtool.com/zh-tw/雅可比矩陣計算機/,來自 MiniWebtool,https://MiniWebtool.com/

由 MiniWebtool 團隊提供。更新日期:2026-04-08

您還可以嘗試我們的 AI數學解題器 GPT,通過自然語言問答解決您的數學問題。

線性代數:

熱門與最新工具:

矩陣計算機矩陣跡計算機矩陣對角化計算機查看全部 →
主頁 > 數學 > 線性代數 > 雅可比矩陣計算機