나무모에 미러 (일반/밝은 화면)
최근 수정 시각 : 2024-09-03 01:33:41

야코비안

Jacobian, 야코비안 또는 자코비안

1. 미적분학에서의 야코비안
1.1. 개요1.2. 유도1.3. 예시
2. 선형대수학에서의 야코비안3. 자코비 행렬

1. 미적분학에서의 야코비안

해석학·미적분학
Analysis · Calculus
{{{#!wiki style="margin: 0 -10px -5px; min-height: calc(1.5em + 5px)"
{{{#!folding [ 펼치기 · 접기 ]
{{{#!wiki style="margin: -5px -1px -11px"
<colbgcolor=#26455A>실수와 복소수실수(실직선 · 아르키메데스 성질) · 복소수(복소평면 · 극형식 · 편각) · 근방 · 유계 · 콤팩트성 · 완비성
함수함수 · 조각적 정의 · 항등함수 · 역함수 · 멱함수 · 다변수함수(동차함수 · 음함수) · 다가 함수 · 함수의 그래프 · 좌표계 · 닮은꼴 함수 · 극값 · 볼록/오목 · 증감표
초등함수(대수함수 · 초월함수 · 로그함수 · 지수함수 · 삼각함수) · 특수함수 · 범함수(변분법 · 오일러 방정식) · 병리적 함수
극한·연속 함수의 극한 · 수열의 극한 · 연속함수 · ε-δ 논법 · 수렴(균등수렴) · 발산 · 부정형 · 점근선 · 무한대 · 무한소 · 특이점 · 0.999…=1
중간값 정리 · 최대·최소 정리 · 부동점 정리 · 스털링 근사 · 선형근사(어림)
수열·급수 수열(규칙과 대응) · 급수(멱급수 · 테일러 급수(/목록) · 조화급수 · 그란디 급수(라마누잔합) · 망원급수(부분분수분해)) · 그물
오일러 수열 · 베르누이 수열 · 월리스 곱
단조 수렴 정리 · 슈톨츠-체사로 정리 · 축소구간정리 · 급수의 수렴 판정 · 리만 재배열 정리 · 바젤 문제 · 파울하버의 공식 · 오일러-매클로린 공식 · 콜라츠 추측미해결
미분 미분 · 도함수(이계도함수 · 도함수 일람) · 곱미분 · 몫미분 · 연쇄 법칙 · 임계점(변곡점 · 안장점) · 매끄러움
평균값 정리(롤의 정리) · 테일러 정리 · 역함수 정리 · 다르부 정리 · 로피탈 정리
립시츠 규칙 · 뉴턴-랩슨 방법 · 유율법 · 경사하강법
적분 적분 · 정적분(/예제) · 스틸체스 적분 · 부정적분(부정적분 일람) · 부분적분(LIATE 법칙 · 도표적분법 · /예제) · 치환적분 · 이상적분(코시 주요값)
미적분의 기본정리 · 적분의 평균값 정리
리시 방법 · 2학년의 꿈
다변수·벡터 미적분 편도함수 · 미분형식 · · 중적분(선적분 · 면적분 · 야코비안) ·야코비 공식
라그랑주 승수법 · 오일러 동차함수 정리 · 선적분의 기본정리 · 스토크스 정리(발산 정리 · 그린 정리변분법
미분방정식 미분방정식(/풀이) · 라플라스 변환
측도론 측도 · 가측함수 · 곱측도 · 르베그 적분 · 절대 연속 측도 · 라돈-니코딤 도함수
칸토어 집합 · 비탈리 집합
복소해석 코시-리만 방정식 · 로랑 급수(주부) · 유수 · 해석적 연속 · 오일러 공식(오일러 등식 · 드 무아브르 공식) · 리우빌의 정리 · 바이어슈트라스 분해 정리 · 미타그레플레르 정리
함수해석 공간 위상 벡터 공간 · 국소 볼록 공간 · 거리공간 · 프레셰 공간 · 노름공간 · 바나흐 공간 · 내적공간 · 힐베르트 공간 · Lp 공간
작용소 수반 작용소 · 에르미트 작용소 · 정규 작용소 · 유니터리 작용소 · 컴팩트 작용소
대수 C*-대수 · 폰 노이만 대수
정리 한-바나흐 정리 · 스펙트럼 정리 · 베르 범주 정리
이론 디랙 델타 함수(분포이론)
조화해석 푸리에 해석(푸리에 변환 · 아다마르 변환)
관련 분야 해석 기하학 · 미분 기하학 · 해석적 정수론(1의 거듭제곱근 · 가우스 정수 · 아이젠슈타인 정수 · 소수 정리 · 리만 가설미해결) · 확률론(확률 변수 · 중심극한정리) · 수치해석학 · 카오스 이론 · 분수계 미적분학 · 수리물리학(양-밀스 질량 간극 가설미해결 · 나비에 스토크스 방정식의 해 존재 및 매끄러움미해결) · 수리경제학(경제수학) · 공업수학
기타 퍼지 논리 · 합성곱
}}}}}}}}} ||

1.1. 개요

카를 구스타프 야코프 야코비가 고안한 좌표계 변환법.

다중적분을 할 때, 미분소 [math({\rm d}A)], [math({\rm d}V)], [math({\rm d}S)] 등을 같은 차원의 좌표계로 변환하는 데에 쓰는 행렬식이다. 좌표계마다 축의 방향과 눈금의 크기가 다르기 때문에, 좌표계 변환을 할 때 이를 보정해주어야 하는데, 이 보정하는 역할을 하는 것이 야코비안이다.

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.

1.2. 유도

벡터를 이용한 넓이 공식 및 다변수 함수의 전미분으로부터 유도할 수 있다[1]. 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[2]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 전치행렬로 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.

1.3. 예시

2. 선형대수학에서의 야코비안

선형대수학
Linear Algebra
{{{#!wiki style="margin: 0 -10px -5px; min-height: calc(1.5em + 5px)"
{{{#!folding [ 펼치기 · 접기 ]
{{{#!wiki style="margin: -5px -1px -11px"
<colbgcolor=#006ab8> 기본 대상 일차함수 · 벡터 · 행렬 · 선형 변환
대수적 구조 가군(모듈) · 벡터 공간 · 내적 공간 · 노름 공간
선형 연산자 <colbgcolor=#006ab8> 기본 개념 연립방정식(1차 · 2차) · 행렬곱 · 단위행렬 · 역행렬크라메르 공식 · 가역행렬 · 전치행렬 · 행렬식(라플라스 전개) · 주대각합
선형 시스템 기본행연산기본행렬 · 가우스-조르당 소거법 · 행사다리꼴 · 행렬표현 · 라그랑주 보간법
주요 정리 선형대수학의 기본정리 · 차원 정리 · 가역행렬의 기본정리 · 스펙트럼 정리
기타 제곱근행렬 · 멱등행렬 · 멱영행렬 · 에르미트 행렬 · 야코비 행렬 · 방데르몽드 행렬 · 아다마르 행렬 변환 · 노름(수학)
벡터공간의 분해 상사 · 고유치 문제 · 케일리-해밀턴 정리 · 대각화(대각행렬) · 삼각화 · 조르당 분해
벡터의 연산 노름 · 거리함수 · 내적 · 외적(신발끈 공식) · 다중선형형식 · · 크로네커 델타
내적공간 그람-슈미트 과정 · 수반 연산자(에르미트 내적)
다중선형대수 텐서 · 텐서곱 · 레비치비타 기호 }}}}}}}}}

선형대수학이나 공업수학의 상미분방정식 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)

3. 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.




[1] 엄밀하게는 미분형식에 대해 크라메르 공식을 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.[2] 정확히는 두 벡터의 외적으로 얻어진 벡터의 크기인데 이를 라플라스 전개로 분해하면 이렇게 된다.[3] 보통 두 각의 범위를 [math(0 \le \theta \le \pi)], [math(0 \le \phi \le 2\pi)]로 잡는 것도 이 때문이다.