יעקוביאן

מערכות צירים וקואורדינטות

מערכות צירים נפוצות

קואורדינטות קרטזיות קואורדינטות קוטביות קואורדינטות גליליות קואורדינטות כדוריות קואורדינטות גליליות פרבוליות

ראו גם

קואורדינטות קואורדינטות גאוגרפיות קואורדינטות (אלגברה) חשבון טנזורים אנליזה וקטורית

באנליזה וקטורית, יעקוביאן הוא הדטרמיננטה של מטריצת יעקובי. הן ליעקוביאן והן למטריצת יעקובי חשיבות רבה כאשר עוסקים בהעתקות וקטוריות ותכונותיהן.

מטריצת יעקובי משמשת לתיאור הדיפרנציאל של העתקה וקטורית. מושג זה מכליל את מושג הנגזרת הקיים עבור פונקציות סקלריות במשתנה יחיד. היעקוביאן משמש לתיאור ההתנהגות של העתקה, ואי־התאפסותו הוא תנאי מספיק על מנת שההעתקה תקיים מספר תכונות מקומיות של חד־חד־ערכיות, הפיכות והעתקה של קבוצות פתוחות לקבוצות פתוחות. כמו כן היעקוביאן נותן מדד לשינוי של גדלים במרחב כאשר משתמשים בהחלפת קואורדינטות.

היעקוביאן ומטריצת יעקובי נקראים על שם המתמטיקאי קרל גוסטב יעקב יעקבי.

הגדרה פורמלית

תהי $F=(f_{1},\ldots ,f_{m}):\mathbb {R} ^{n}\to \mathbb {R} ^{m}$ פונקציה כלשהי שכל הנגזרות החלקיות שלה קיימות. אז מטריצת יעקובי שלה היא המטריצה מסדר $m\times n$ הבאה:

${\begin{bmatrix}{\dfrac {\partial f_{1}}{\partial x_{1}}}&\cdots &{\dfrac {\partial f_{1}}{\partial x_{n}}}\\\vdots &\ddots &\vdots \\{\dfrac {\partial f_{m}}{\partial x_{1}}}&\cdots &{\dfrac {\partial f_{m}}{\partial x_{n}}}\end{bmatrix}}$

כלומר, בכל שורה מופיעות כל הנגזרות החלקיות של אחת מפונקציות הרכיבים. ניתן לראות זאת גם כך: מטריצת יעקובי היא וקטור עמודה שמכיל את הגרדיאנטים של הרכיבים שלו (כלומר, כל שורה היא גרדיאנט).

היעקוביאן הוא הדטרמיננטה של המטריצה הזו, במקרה שבו $m=n$ (זאת מכיוון שדטרמיננטה מוגדרת רק עבור מטריצות ריבועיות). לרוב מסומנת מטריצת יעקובי כך:

$J_{F}(x_{1},\ldots ,x_{n})\quad {\text{or}}\quad {\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}$

מסקנות

עבור מעבר משני משתנים בלתי־תלויים $x,y$ ל־$u,v$ היעקוביאן הוא

${\frac {\partial (u,v)}{\partial (x,y)}}={\frac {\partial u}{\partial x}}{\frac {\partial v}{\partial y}}-{\frac {\partial u}{\partial y}}{\frac {\partial v}{\partial x}}$

אם $x,y$ שני משתנים בלתי־תלויים אזי

$\left({\frac {\partial f}{\partial x}}\right)_{y}={\frac {\partial (f,y)}{\partial (x,y)}}$

שימושים

אחד מהשימושים העיקריים של היעקוביאן הוא מציאת ערך האינטגרל של פונקציה מורכבת. למשל,

$\int \limits _{0}^{3}\int \limits _{0}^{4}\int \limits _{x={\frac {y}{2}}}^{x={\frac {y}{2}}+1}\left({\frac {2x-y}{2}}+{\frac {z}{3}}\right)dx\,dy\,dz$

שווה לנפח הפונקציה באינטגרל בגבולות הנתונים. הפונקציה מסובכת מדי מכדי לבצע אינטגרציה באופן ישיר. לכן נסמן $u={\frac {2x-y}{2}},\ v={\frac {y}{2}},\ w={\frac {z}{3}}$ .

הפונקציה החדשה שלנו היא $u+w$ ונחשב את הגבולות שלה על ידי הצבת הגבולות הקודמים בסימונים החדשים: $x=u+v,\ y=2v,\ z=3w$

למשל במקום הגבול $x={\frac {y}{2}}$ נציב $u+v={\frac {2v}{2}}=v$ ומכאן שנחליף את הגבול $x={\frac {y}{2}}$ בגבול $u=0$ .

נחשב את היעקוביאן של הפונקציה:

$J(u,v,w)={\begin{vmatrix}{\dfrac {\partial x}{\partial u}}&{\dfrac {\partial x}{\partial v}}&{\dfrac {\partial x}{\partial w}}\\{\dfrac {\partial y}{\partial u}}&{\dfrac {\partial y}{\partial v}}&{\dfrac {\partial y}{\partial w}}\\{\dfrac {\partial z}{\partial u}}&{\dfrac {\partial z}{\partial v}}&{\dfrac {\partial z}{\partial w}}\end{vmatrix}}={\begin{vmatrix}1&1&0\\0&2&0\\0&0&3\end{vmatrix}}=6$

נחשב את הנפח באמצעות היעקוביאן:

$\int \limits _{0}^{3}\int \limits _{0}^{4}\int \limits _{x={\frac {y}{2}}}^{x={\frac {y}{2}}+1}\left({\frac {2x-y}{2}}+{\frac {z}{3}}\right)dx\,dy\,dz=\int \limits _{0}^{1}\int \limits _{0}^{2}\int \limits _{0}^{1}(u+w){\bigl |}J(u,v,w){\bigr |}du\,dv\,dw=\int \limits _{0}^{1}\int \limits _{0}^{2}\int \limits _{0}^{1}(6u+6w)du\,dv\,dw=12$

לסיכום: כדי למצוא אינטגרל של פונקציה מסובכת, ניתן לחלק אותה למספר פונקציות קטנות. את הפונקציה הישנה יש להביע באמצעות הפונקציות החדשות ולהכפיל את הפונקציה החדשה שהתקבלה בערכו המוחלט של היעקוביאן שלה וכמובן יש לעדכן את הגבולות של הפונקציה החדשה לפי הפונקצות הקטנות שהגדרנו.

פונקציות תלויות ובלתי־תלויות

אם $u,v$ פונקציות גזירות ברציפות של המשתנים $x,y$ , הן נקראות פונקציות תלויות או בלתי־תלויות בהתאם להאם הן מקיימות או לא מקיימות ביניהן יחס מהסוג $f(u,v)=0$ , כשהפונקציה $f$ גזירה ברציפות כלשהי של 2 משתנים.

על ידי גזירת $f(u,v)=0$ ביחס ל־$x,y$ אנחנו מסיקים כי:

${\frac {\partial f}{\partial v}}{\frac {\partial v}{\partial x}}+{\frac {\partial f}{\partial u}}{\frac {\partial u}{\partial x}}=0,\qquad {\frac {\partial f}{\partial v}}{\frac {\partial v}{\partial y}}+{\frac {\partial f}{\partial u}}{\frac {\partial u}{\partial y}}=0\qquad (1)$

אם נסמן ${\frac {\partial f}{\partial v}}=f_{v},\ {\frac {\partial f}{\partial u}}=f_{u}$ ואת ${\frac {\partial v}{\partial x}}=v_{x},\ {\frac {\partial u}{\partial x}}=u_{x},\ {\frac {\partial v}{\partial y}}=v_{y},\ {\frac {\partial u}{\partial y}}=u_{y}$ , מערכת המשוואות $(1)$ תראה כך:

$f_{v}v_{x}+f_{u}u_{x}=0,\qquad f_{v}v_{y}+f_{u}u_{y}=0\qquad (2)$

זוהי מערכת משוואות לינארית ב־$f_{v},f_{u}$ . כל אחת מהמשוואות ב־$(2)$ מתארת יחס זהותי בין $f_{v},f_{u}$ ; לכן הן שקולות זו לזו, ואלימינציה של $f_{v},f_{u}$ מתוך $(2)$ נותנת ${\begin{vmatrix}v_{x}&u_{x}\\v_{y}&u_{y}\end{vmatrix}}=v_{x}u_{y}-v_{y}u_{x}=0$ .

אפשר לנסח תוצאה זו כך: התאפסות היעקוביאן ${\frac {\partial (u,v)}{\partial (x,y)}}$ הנה תנאי הכרחי לקיום יחס כמו $f(u,v)=0$ .

מסתבר שזהו גם תנאי מספיק לקיום יחס כמו $f(u,v)=0$ , אם כי ההוכחה לכך קשה יותר.

תוצאה זו נכונה עבור כל מספר של משתנים. הפונקציות (הגזירות ברציפות) $f_{1},\ldots ,f_{m}$ של המשתנים $x_{1},\ldots ,x_{n}$ הן תלויות או בלתי־תלויות בהתאם להאם הן מקיימות או לא מקיימות יחס מהסוג $F(f_{1},\ldots ,f_{m})=0$ עם $F$ גזירה ברציפות; ותנאי הכרחי ומספיק לקיום יחס כזה הוא התאפסות היעקוביאן ${\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}=0$ .

באופן אנלוגי, אי־התאפסות היעקוביאן ${\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}$ הנו תנאי הכרחי ומספיק לאי היותן של הפונקציות $f_{1},\ldots ,f_{m}$ תלויות. בניסוח אחר, אם ${\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}}\neq 0$ , הפונקציות $f_{1},\ldots ,f_{m}$ לא מקיימות ביניהן שום משוואה מהסוג $F(f_{1},\ldots ,f_{m})=0$ (עבור פונקציה $F$ גזירה ברציפות של $m$ משתנים כלשהי).

הערך באדיבות ויקיפדיה העברית, קרדיט,
רשימת התורמים
רישיון cc-by-sa 3.0