Jacobian 矩阵

Jacobian 矩阵不是一种新的导数，而是"导数是线性映射"这一观点在选定坐标后的具体账本。按行读：第 $i$ 行是分量函数 $f_i$ 的梯度理路梯度Gradient标量函数微分在内积下对应的向量。的转置，记录该输出分量对各输入方向的敏感度；按列读：第 $j$ 列是 $Df(a)e_j$，即轻推第 $j$ 个输入坐标时输出的一阶响应。于是"多元映射在一点附近长什么样"被压缩成一张 $m\times n$ 的数表，秩、行列式、可逆性这些线性代数工具得以直接作用于微积分问题。当 $m=n$ 时，行列式的绝对值给出局部体积缩放倍数，符号则指示是否翻转定向，这正是重积分换元公式中 $|\det J|$ 因子的来源。需要提防的是反方向的推理：由可微性可以写出这张表，但仅凭各偏导数存在写出的数表，未必真的代表一个一阶线性近似。

极坐标映射 $F(r,\theta )=(r\cos \theta ,r\sin \theta )$ 处处可微，其 Jacobian 矩阵与行列式为

因此在 $r>0$、角度限制在不重复覆盖的区间内时，换元的面积因子为 $r$，即 $dxdy=rdrd\theta$；一般实参数的绝对体积因子是 $|r|$。在 $r=0$ 处行列式为零：映射把整条直线 $\{r=0\}$ 压到原点，这正是极坐标在原点退化的解析表现。

偏导数齐全不等于可微。取 $f(x,y)=xy/(x^2+y^2)$（补定义 $f(0,0)=0$）：沿两条坐标轴 $f$ 恒为零，故原点处两个偏导数都存在且为 $0$，可以形式地写出一行零矩阵；但沿直线 $y=x$ 有 $f(x,x)=\frac{1}{2}$，$f$ 在原点甚至不连续，更谈不上可微——这张形式上的"Jacobian 矩阵"不代表任何一阶近似。保证点 $a$ 处可微的常用充分条件是各偏导数在 $a$ 附近存在并在 $a$ 处连续；更强而常用的 $C^1$ 条件则要求这些偏导数在 $a$ 的整个邻域内连续，不能把两种条件直接画成等号。

当 $m\ne n$ 时只有 Jacobian 矩阵而没有通常意义的 Jacobian 行列式，此时可改用秩理路线性映射的秩Rank of a linear map · Matrix rank线性映射像空间的维数，表示其保留下来的独立输出方向数。衡量非退化程度，或（当 $n\le m$ 时）用 Gram 行列式 $\sqrt{\det \left(J_f^{\mathrm{\top }}{J}_f\right)}$ 衡量体积缩放，后者正是曲面面积元中的因子。还要区分两种换基：定义域和值域独立换基时，Jacobian 矩阵左右分别乘相应的换基矩阵，其行列式会按两组基的体积尺度之比变化；若 $Df(a)$ 是同一空间上的线性算子，且两侧同时作同一次换基，则新旧矩阵相似，行列式保持不变。内在对象始终是导数线性映射本身，秩也不依赖坐标。

重积分换元公式用 $|\det J|$ 校正体积元；同一机制给出随机向量理路随机向量Random vector · 多维随机变量一次随机试验同时输出有限多个实坐标所形成的可测映射。经 $C^1$ 微分同胚变换后联合分布理路联合分布Joint distribution · 联合概率分布多个随机元素组成的向量所推出的概率测度，完整记录边缘与依赖结构。密度的变换法则。$\det J_f(a)\ne 0$ 是逆函数定理理路逆函数定理Inverse function theorem导数可逆的光滑映射在该点邻域内存在光滑局部逆。的核心假设，而对 Jacobian 矩阵适当分块并施加秩条件就得到隐函数定理理路隐函数定理Implicit function theorem当相关偏导块可逆时，方程组局部可把部分变量表示为其余变量的函数。。

复合映射的 Jacobian 由链式法则理路链式法则Chain rule复合映射的导数等于各层导数按计算顺序组成的线性映射复合。按执行顺序相乘；标量梯度映射的 Jacobian 是Hessian理路Hessian 矩阵Hessian matrix · Hessian标量函数二阶 Fréchet 导数在坐标中的矩阵表示，用于描述局部曲率与二次近似。，仅在适当正则性下对称。统计中的Delta 方法理路Delta 方法Delta method用可微映射的一阶 Taylor 展开传播估计量的渐近分布与协方差。用目标 Jacobian 传播渐近协方差；若 Jacobian 退化，一阶正态近似会丢失主导的高阶波动。

在计算侧，Newton 法理路Newton 非线性方程法Newton's method · Newton-Raphson method · Newton method for nonlinear systems在当前点解一阶线性化方程来修正非线性方程的近似解，并分析其局部二次收敛与失效边界。解非线性方程组时每步求解以 Jacobian 为系数矩阵的线性方程组，隐式 ODE 方法理路隐式 ODE 方法与非线性步求解Implicit ODE method · Implicit time stepping · Implicit time integration把隐式时间步分解为离散方程、非线性求解与线性求解，区分时间稳定性、迭代收敛、阻尼及误差预算。也会产生 $I-ha{J}_f$ 一类线性化系统。实际算法求解 $Js=r$，而不显式形成 $J^{-1}$；自动微分的前向与反向模式，则按链式法则以不同结合顺序累乘各层映射的 Jacobian。在几何上，流形间光滑映射的切映射在局部坐标下由 Jacobian 矩阵表示，浸入与淹没等概念通过它的秩定义。

需要的是 $Jv$ 或 $J^{\mathsf{T}}w$ 时，自动微分理路自动微分Automatic differentiation · Algorithmic differentiation在有限计算图上逐槽传播切向量与累加伴随量，以线性于程序长度的工作计算一个 Jacobian 向量积或转置向量积。可以直接计算该乘积；完整矩阵则通常需要多个种子。一个标量输出的一次反向传播给出全部输入偏导，这不等于一次获得任意多输出映射的完整 Jacobian。