문서의 임의 삭제는 제재 대상으로, 문서를 삭제하려면 삭제 토론을 진행해야 합니다. 문서 보기문서 삭제토론 야코비안 (문서 편집) '''Jacobian, 야코비안 또는 자코비안''' [목차] == [[미적분학]]에서의 야코비안 == [include(틀:해석학·미적분학)] === 개요 === [[카를 구스타프 야코프 야코비]]가 고안한 [[좌표계]] 변환법. [[중적분|다중적분(Multiple integral)]](Area, Volume, Surface integral)을 할 때, 미분소 [math({\rm d}A)], [math({\rm d}V)], [math({\rm d}S)] 등을 같은 차원의 좌표계로 변환하는 데에 쓰는 [[행렬식]]이다. 예를 들어, 면적분의 좌표계를 바꾸기 위해 [math((x,\,y))]로 표현되는 좌표를 [math((r,\,\theta))]로 바꿔줄 때 야코비안 [math(J = \begin{vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial \theta} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{vmatrix} = \begin{vmatrix} \begin{aligned} \cos \theta \\ \sin \theta \end{aligned} & \begin{aligned} -r\sin \theta \\ r\cos \theta \end{aligned} \end{vmatrix} = r)]을 이용해 || [math({\rm d}A = {\rm d}x{\rm d}y = |J| {\rm d}r{\rm d}\theta = r{\rm d}r{\rm d}\theta)] || 로 바꿔주어 적분한다. 덧붙여 야코비안은 행렬식 안에 편미분이 들어가기 때문에 식 자체의 크기가 꽤 크다. 이를 간단하게 표기하기 위해서, 다음과 같은 표기법들을 사용하기도 한다. || [math(J = \begin{vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial \theta} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{vmatrix} = \left| \dfrac{\partial (x,\,y)}{\partial (r,\,\theta)}\right| )] || 또는 || [math(J = \begin{vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial \theta} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{vmatrix} = \begin{pmatrix} x_r & x_{\theta} \\ y_r & y_{\theta} \end{pmatrix} )] || 일반적으로는 [math(n)]개의 변수를 마찬가지로 [math(n)]개의 변수로 치환하기 때문에 [math(n)]차 정사각행렬의 행렬식의 형태를 띄게 되는데, [[미분기하학]] 등의 분야에서는 변수를 줄여서 매개화를 시키는 경우에 한해서 정사각행렬이 아닌 야코비 행렬만을 따지기도 한다. 예를 들면 다음과 같은 경우가 있다. ||사상 [math({\bf x}: D(\subseteq\mathbb R^2)\to\mathbb R^3)]가 다음과 같이 정의되어 있다고 하자. [math({\bf x}(u,\,v)=(x(u,\,v),\,y(u,\,v),\,z(u,\,v)))] 즉 벡터 [math(\bf x)]를 [math({\bf x}=(x,\,y,\,z))]라고 둘 때, [math((x,\,y,\,z))]를 2개의 매개변수 [math((u,\,v))]로 매개화를 시킨 상황이다. 이 경우, 이 사상은 벡터장에 의해 정의된 3차원상의 평면으로 나타나며, 이 사상의 야코비 행렬은 다음과 같이 표기한다. || || [math(J=\dfrac{\partial (x,\,y,\,z)}{\partial (u,\,v)})] || 이 행렬은 [math(J = \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial u} \\ \dfrac{\partial y}{\partial u} \\ \dfrac{\partial z}{\partial u} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial v} \\ \dfrac{\partial y}{\partial v} \\ \dfrac{\partial z}{\partial v} \end{aligned} \end{pmatrix})]의 [math(3\times2)] 행렬이 되는데, 당연히 행렬식을 구할 수는 없으니 의미가 없어보이지만, 이 행렬의 전치행렬에 3차원 좌표계의 기저벡터[math((U_1, U_2, U_3))]를 추가하여 행렬식을 구성. 즉 벡터로 변환하게 되면 다음과 같다. [math(J^{T *} = \begin{vmatrix} \begin{aligned} U_1 \\ \dfrac{\partial x}{\partial u} \\ \dfrac{\partial x}{\partial v} \end{aligned} & \begin{aligned} U_2 \\ \dfrac{\partial y}{\partial u} \\ \dfrac{\partial y}{\partial v} \end{aligned} & \begin{aligned} U_3 \\ \dfrac{\partial z}{\partial u} \\ \dfrac{\partial z}{\partial v} \end{aligned} \end{vmatrix}=\left(\dfrac{\partial y}{\partial u}\dfrac{\partial z}{\partial v}-\dfrac{\partial z}{\partial u}\dfrac{\partial y}{\partial v},\,\dfrac{\partial z}{\partial u}\dfrac{\partial x}{\partial v}-\dfrac{\partial x}{\partial u}\dfrac{\partial z}{\partial v},\,\dfrac{\partial x}{\partial u}\dfrac{\partial y}{\partial v}-\dfrac{\partial y}{\partial u}\dfrac{\partial x}{\partial v}\right))] 그런데 이 벡터는 [math(\bf x)]를 [math(u)]와 [math(v)]로 편미분한 두 미분벡터 [math({\bf x}_u,\,{\bf x}_v)]의 외적과 정확히 일치한다는 것이 알려져 있다. 이런 식으로 야코비안은 반드시 정사각행렬이 아니더라도 다양한 분야에서 사용된다. === 유도 === 벡터를 이용한 넓이 공식 및 다변수 함수의 전미분으로부터 유도할 수 있다[* 엄밀하게는 미분형식에 대해 [[크라메르 공식]]을 이용하는 방식을 이용한다. [math(x, y)] 쌍과 [math(u, v)] 쌍이 서로 독립적이기 때문에 각각의 1-형식인 [math({\rm d}x, {\rm d}y)]와 [math({\rm d}u, {\rm d}v)]가 각각에 대해 독립적이 되는지라 선형대수를 접목시킬 수 있고, 그 결과가 야코비안으로 나오는 것.]. 간단하게 2차원 직교 좌표계의 경우를 보자. [math({\rm d}x)], [math({\rm d}y)]는 서로 독립이며 각각 [math(x)]축, [math(y)]축에 평행한 미소(smallness 또는 infinitesimals) 길이므로 단위 벡터 [math({\bf e_1} = \begin{pmatrix} 1 \\ 0 \end{pmatrix})], [math({\bf e_2} = \begin{pmatrix} 0 \\ 1 \end{pmatrix})]를 이용하여 나타내면 각각 || [math(\begin{aligned} {\rm d}x {\bf e_1} &= {\bf dx} = \begin{pmatrix} {\rm d}x \\ 0 \end{pmatrix} \\ {\rm d}y {\bf e_2} &= {\bf dy} = \begin{pmatrix} 0 \\ {\rm d}y \end{pmatrix} \end{aligned})] || 가 된다. 두 벡터를 변으로 삼는 평행사변형의 넓이는 각 벡터를 병합한 2차 정방행렬의 행렬식[* 정확히는 두 벡터의 외적으로 얻어진 벡터의 크기인데 이를 라플라스 전개로 분해하면 이렇게 된다.]이므로 [math(xy)]직교좌표계에서의 미소 평행사변형의 넓이는 || [math(\begin{Vmatrix} {\bf dx} & {\bf dy} \end{Vmatrix} = \begin{Vmatrix} {\rm d}x & 0 \\ 0 & {\rm d}y \end{Vmatrix} = | {\rm d}x{\rm d}y |)] || 로 주어진다. 한편 [math(x,\,y)]가 극좌표 매개변수 [math(r,\,\theta)]로 나타낼 수 있는 함수 [math(x(r,\,\theta))], [math(y(r,\, \theta))]라고 할 때 각각의 전미분 [math({\rm d}x,\,{\rm d}y)]는 다음과 같이 된다. || [math(\begin{aligned} {\rm d}x &= \frac{\partial x}{\partial r} {\rm d}r + \frac{\partial x}{\partial \theta} {\rm d}\theta \\ {\rm d}y &= \frac{\partial y}{\partial r} {\rm d}r + \frac{\partial y}{\partial \theta} {\rm d}\theta \end{aligned})] || [math(\mathrm dr)], [math(\mathrm d\theta)]도 서로 독립이며 [math(\mathrm dx)], [math(\mathrm dy)]처럼 벡터로 나타낼 수 있으므로 위 전미분 식의 미소 길이를 모두 벡터로 대체한다. || [math(\begin{aligned} {\bf dx} &= \dfrac{\partial x}{\partial r} {\bf dr} + \dfrac{\partial x}{\partial \theta} {\bf d}\boldsymbol\theta = \dfrac{\partial x}{\partial r} \begin{pmatrix} {\rm d}r \\ 0 \end{pmatrix} + \dfrac{\partial x}{\partial \theta} \begin{pmatrix} 0 \\ {\rm d}\theta \end{pmatrix} = \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial r}{\rm d}r \\ \dfrac{\partial x}{\partial \theta}{\rm d}\theta \end{aligned} \end{pmatrix} \\ {\bf dy} &= \dfrac{\partial y}{\partial r} {\bf dr} + \dfrac{\partial y}{\partial \theta} {\bf d}\boldsymbol\theta = \dfrac{\partial y}{\partial r} \begin{pmatrix}{\rm d}r \\ 0 \end{pmatrix} + \dfrac{\partial y}{\partial \theta} \begin{pmatrix} 0 \\ {\rm d}\theta \end{pmatrix} = \begin{pmatrix} \begin{aligned} \dfrac{\partial y}{\partial r}{\rm d}r \\ \dfrac{\partial y}{\partial \theta}{\rm d}\theta \end{aligned} \end{pmatrix} \end{aligned})] || 이제 이것을 행렬식에 대입하면 || [math(\begin{Vmatrix} {\bf dx} & {\bf dy} \end{Vmatrix} = \begin{Vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r}{\rm d}r \\ \dfrac{\partial x}{\partial \theta}{\rm d}\theta \end{aligned} & \begin{aligned} \dfrac{\partial y}{\partial r}{\rm d}r \\ \dfrac{\partial y}{\partial \theta}{\rm d}\theta \end{aligned} \end{Vmatrix} = \begin{Vmatrix} \begin{pmatrix} {\rm d}r & 0 \\ 0 & {\rm d}\theta \end{pmatrix} \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial x}{\partial \theta} \end{aligned} & \begin{aligned} \dfrac{\partial y}{\partial r} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{pmatrix} \end{Vmatrix})] || 행렬식은 전치를 해도 값이 같으므로 위 식 전체를 [[전치행렬]]로 계산하면 [math(({\bf AB})^{\rm T} = {\bf B}^{\rm T}{\bf A}^{\rm T})]에서 || [math(\begin{aligned} \begin{Vmatrix} \begin{pmatrix} {\rm d}r & 0 \\ 0 & {\rm d}\theta \end{pmatrix} \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial x}{\partial \theta} \end{aligned} & \begin{aligned} \dfrac{\partial y}{\partial r} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{pmatrix} \end{Vmatrix} &= \begin{Vmatrix} \left( \begin{pmatrix} {\rm d}r & 0 \\ 0 & {\rm d}\theta \end{pmatrix} \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial x}{\partial \theta} \end{aligned} & \begin{aligned} \dfrac{\partial y}{\partial r} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{pmatrix} \right)^\mathrm T \end{Vmatrix} = \begin{Vmatrix} \begin{pmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial\theta} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{pmatrix} \begin{pmatrix} {\rm d}r & 0 \\ 0 & {\rm d}\theta \end{pmatrix} \end{Vmatrix} \\ &= \begin{Vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial\theta} \\ \dfrac{\partial y}{\partial\theta} \end{aligned} \end{Vmatrix} \begin{Vmatrix} {\rm d}r & 0 \\ 0 & {\rm d}\theta \end{Vmatrix} = |J| | {\rm d}r{\rm d}\theta | \end{aligned})] || 일반적으로 [math({\rm d}x{\rm d}y)], [math({\rm d}r{\rm d}\theta)]가 양의 값이 되도록 좌표축을 잡으므로 || [math({\rm d}x{\rm d}y = |J|{\rm d}r{\rm d}\theta)] || [math(3)]차원 공간 좌표계를 이용해서도 같은 방법으로 유도할 수 있다. 더 힘들 뿐이다. === 예시 === * 직교 좌표계 → 극좌표계로의 변환 양수 [math(a)], [math(b)]에 대하여 [math(J = \begin{vmatrix} \begin{aligned} \dfrac{\partial x}{\partial r} \\ \dfrac{\partial y}{\partial r} \end{aligned} & \begin{aligned} \dfrac{\partial x}{\partial \theta} \\ \dfrac{\partial y}{\partial \theta} \end{aligned} \end{vmatrix} = \begin{vmatrix} x_r & x_{\theta} \\ y_r & y_{\theta} \end{vmatrix} )] 이므로 [math(\begin{cases} \begin{aligned} x &= ar \cos \theta \\ y &= br \sin \theta \end{aligned} \end{cases})]에서 || [math(|J| = \begin{Vmatrix} a \cos \theta & -ar \sin \theta \\ b \sin \theta & br \cos \theta \end{Vmatrix} = ab|r|)] || [math(r)]이 음수가 안 되도록 범위를 잡으면 [math(|J| = abr)] [math(a \ne b)] 일 때 타원이며 [math(a=b)]일 때 원. 두 경우 모두 [math(r)]의 범위가 [math(0 \le r \le 1)]로 주어지는 특징이 있다. 원에 한해서는 그냥 [math(a=b=1)]로 하고 반지름 [math(R)]에 대해 [math(r)]의 범위를 [math(0 \le r \le R)]로 잡아도 된다. * 공간 좌표계 → 원통 좌표계로의 변환 [math(\begin{cases} \begin{aligned} x &= r \cos \theta \\ y &= r \sin \theta \\ z &= \zeta \end{aligned} \end{cases})]에서 || [math(|J| = \begin{Vmatrix} \cos \theta & -r \sin \theta & 0 \\ \sin \theta & r \cos \theta & 0 \\ 0 & 0 & 1 \end{Vmatrix} = |r|)] || [math(xy)]평면에 평행한 단면이 타원일 경우 역시 위의 값에 [math(ab)]를 곱한다. [math(r)]이 음수가 안 되도록 범위를 잡으면 절댓값 기호를 그냥 벗길 수 있다. * 공간 좌표계 → 구좌표계로의 변환 [math(\begin{cases} \begin{aligned} x &= r \sin \theta \cos \phi \\ y &= r \sin \theta \sin \phi \\ z &= r \cos \theta \end{aligned} \end{cases})]에서 || [math(|J| = \begin{Vmatrix} \sin \theta \cos \phi & r \cos \theta \cos \phi & -r \sin \theta \sin \phi \\ \sin \theta \sin \phi & r \cos \theta \sin \phi & r \sin \theta \cos \phi \\ \cos \theta & -r \sin \theta & 0 \end{Vmatrix} = {\left| r^2 \sin \theta \right|} = r^2 | \sin \theta| )] || [math(\sin \theta)]값이 음수가 안 되도록 범위를 잡으면[* 보통 두 각의 범위를 [math(0 \le \theta \le \pi)], [math(0 \le \phi \le 2\pi)]로 잡는 것도 이 때문이다.] 절댓값 기호를 그냥 벗길 수 있다. * 타원이나 마름모꼴에서 [math(\begin{cases} \begin{aligned} u &= x+y \\ v &= x-y \end{aligned} \end{cases} \Leftrightarrow \begin{cases} \begin{aligned} x &= \dfrac{u+v}2 \\ y &= \dfrac{u-v}2 \end{aligned} \end{cases})]에서 || [math(|J| = \begin{Vmatrix} \begin{aligned} \dfrac 12 \\ \dfrac 12 \end{aligned} & \begin{aligned} \dfrac 12 \\ -\dfrac 12 \end{aligned} \end{Vmatrix} = \left| -\dfrac 12 \right| = \dfrac 12)] || 또는 [math(\begin{cases} \begin{aligned} u &= 2x-y \\ v &= y \end{aligned} \end{cases} \Leftrightarrow \begin{cases} \begin{aligned} x &= \dfrac{u+v}2 \\ y &= v \end{aligned} \end{cases})]에서 ||[math(|J| = \begin{Vmatrix} \dfrac 12 & \dfrac 12 \\ \\ 0 & 1 \end{Vmatrix} = \dfrac 12)] || == [[선형대수학]]에서의 야코비안 == [include(틀:선형대수학)] [[선형대수학]]이나 [[공업수학]]의 상[[미분방정식]] 파트의 연립상미분방정식(system of ODE)에서 등장한다. non-homogeneous ODE의 critical point 근처에서의 거동을 알아보기 위해 non--homogeneous항을 선형성있게 행렬로 근사한 후 값을 대입하여 solution curve의 개형을 알아본다. n원일차연립방정식에서는 n x n의 야코비 행렬이 쓰인다. 만약 critical point 근처라면, x'(t)와 y'(t)는 다음과 같은 합으로 나타낼 수 있다. () 여기서, critical point 근처에서는 x'(t)≈0, y'(t)≈0이므로 oo항을 날릴 수 있다. (미완성) == 자코비 행렬 == 자코비 행렬(야코비 행렬)은 행렬 미적분학(matrix calculus)에서 다루어지는 각기 다른 자코비 행렬들을 가리킨다. 전형적으로는 자코비(안) 행렬식을 계산(미적분)하는 자코비 형렬, 벡터 미적분학에서도 사용하는 자코비안 연산자인 자코비 행렬이 있다. 그리고 [[자코비 공식]](Jacobi formula)으로도 잘 알려진 자코비 행렬식(determinant)도 있다. [[분류:해석학(수학)]][[분류:선형대수학]]저장 버튼을 클릭하면 당신이 기여한 내용을 CC-BY-NC-SA 2.0 KR으로 배포하고,기여한 문서에 대한 하이퍼링크나 URL을 이용하여 저작자 표시를 하는 것으로 충분하다는 데 동의하는 것입니다.이 동의는 철회할 수 없습니다.캡챠저장미리보기