To install click the Add extension button. That's it.

The source code for the WIKI 2 extension is being checked by specialists of the Mozilla Foundation, Google, and Apple. You could also do it yourself at any point in time.

4,5
Kelly Slayton
Congratulations on this excellent venture… what a great idea!
Alexander Grigorievskiy
I use WIKI 2 every day and almost forgot how the original Wikipedia looks like.
Live Statistics
Spanish Articles
Improved in 24 Hours
What we do. Every page goes through several hundred of perfecting techniques; in live mode. Quite the same Wikipedia. Just better.
.
Leo
Newton
Brights
Milds

# Matriz y determinante jacobianos

## De Wikipedia, la enciclopedia libre

En cálculo vectorial, la matriz Jacobiana de una función vectorial de varias variables es la matriz cuyos elementos son las derivadas parciales de primer orden de dicha función.

Suponga que ${\displaystyle \mathbf {F} :\mathbb {R} ^{n}\to \mathbb {R} ^{m}}$ es una función tal que sus derivadas parciales de primer orden existen en ${\displaystyle \mathbb {R} ^{n}}$. Esta función función toma un punto ${\displaystyle \mathbf {x} \in \mathbb {R} ^{n}}$ y devuelve un vector ${\displaystyle \mathbf {F} (\mathbf {x} )\in \mathbb {R} ^{m}}$. La matriz Jacobiana de ${\displaystyle \mathbf {F} }$, denotada por ${\displaystyle \mathbf {J} }$, está definida como una matriz de tamaño ${\displaystyle m\times n}$ cuya ${\displaystyle (i,j)}$-ésima entrada es

${\displaystyle \mathbf {J} _{ij}={\frac {\partial f_{i}}{\partial x_{j}}}}$

o de forma explícita

${\displaystyle \mathbf {J} ={\begin{bmatrix}{\cfrac {\partial \mathbf {F} }{\partial x_{1}}}&\cdots &{\cfrac {\partial \mathbf {F} }{\partial x_{n}}}\end{bmatrix}}={\begin{bmatrix}\nabla ^{T}f_{1}\\\vdots \\\nabla ^{T}f_{m}\end{bmatrix}}={\begin{bmatrix}{\cfrac {\partial f_{1}}{\partial x_{1}}}&\cdots &{\cfrac {\partial f_{1}}{\partial x_{n}}}\\\vdots &\ddots &\vdots \\{\cfrac {\partial f_{m}}{\partial x_{1}}}&\cdots &{\cfrac {\partial f_{m}}{\partial x_{n}}}\end{bmatrix}}}$

donde ${\displaystyle \nabla ^{T}f_{i}}$ es la traspuesta del gradiente de la ${\displaystyle i}$-ésima componente.

Esta matriz, cuyas entradas son funciones de ${\displaystyle \mathbf {x} }$, es denotada de diversas maneras, algunas de ellas son:

${\displaystyle \mathbf {J} _{\mathbf {F} },\qquad {\mbox{o}}\qquad {\frac {\partial (f_{1},\ldots ,f_{m})}{\partial (x_{1},\ldots ,x_{n})}},\qquad {\mbox{o}}\qquad D\mathbf {F} ,\qquad {\mbox{o}}\qquad \nabla {\boldsymbol {\mathbf {F} }}}$

Cuando ${\displaystyle m=n}$, la matriz Jacobiana es cuadrada por lo que su determinante es una función de ${\displaystyle \mathbf {x} }$, este determinante es conocido como el determinante Jacobiano de ${\displaystyle \mathbf {F} }$. El determinante Jacobiano aparece cuando se hace un cambio de variables en integrales múltiples.

Cuando ${\displaystyle m=1}$, esto es, cuando ${\displaystyle f:\mathbb {R} ^{n}\to \mathbb {R} }$ es una función escalar de ${\displaystyle n}$ variables, entonces la matriz Jacobiana se reduce a un vector fila. Este vector fila con todas las derivadas parciales de primer orden de ${\displaystyle f}$ es la traspuesta del gradiente de ${\displaystyle f}$, es decir, ${\displaystyle \mathbf {J} _{f}=\nabla ^{T}f}$. Y cuando ${\displaystyle m=n=1}$, esto es, cuando ${\displaystyle f:\mathbb {R} \to \mathbb {R} }$ es una función escalar de una variable entonces la matriz Jacobiana sólo tiene una entrada, esta entrada es la derivada de la función ${\displaystyle f}$.

En geometría algebraica, el jacobiano de una curva hace referencia a la variedad jacobiana, un grupo y variedad algebraica asociada a la curva, donde la curva puede ser embebida.

Tanto la matriz jacobiana como el determinante jacobiano reciben su nombre en honor al matemático Carl Gustav Jacobi.

## Matriz jacobiana

La matriz jacobiana es una matriz formada por las derivadas parciales de primer orden de una función. Una de las aplicaciones más interesantes de esta matriz es la posibilidad de aproximar linealmente a la función en un punto. En este sentido, el jacobiano representa la derivada de una función multivariable.

Propiamente deberíamos hablar más que de matriz jacobiana, de diferencial jacobiana o aplicación lineal jacobiana ya que la forma de la matriz dependerá de la base o coordenadas elegidas. Es decir, dadas dos bases diferentes la aplicación lineal jacobiana tendrá componentes diferentes aún tratándose del mismo objeto matemático. La propiedad básica de la "matriz" jacobiana es la siguiente, dada una aplicación cualquiera ${\displaystyle \mathbf {F} :\mathbb {R} ^{n}\to \mathbb {R} ^{m}}$ continua, es decir ${\displaystyle \mathbf {F} \in {\mathcal {C}}^{(k)}(\mathbb {R} ^{n},\mathbb {R} ^{m})}$ se dirá que es diferenciable si existe una aplicación lineal ${\displaystyle {\boldsymbol {\lambda }}\in {\mathcal {L}}(\mathbb {R} ^{n},\mathbb {R} ^{m})}$ tal que:

${\displaystyle \lim _{\|\mathbf {x} -\mathbf {y} \|\to 0}{\frac {\|(\mathbf {F} (\mathbf {x} )-\mathbf {F} (\mathbf {y} ))-{\boldsymbol {\lambda }}(\mathbf {x} -\mathbf {y} )\|}{\|\mathbf {x} -\mathbf {y} \|}}=0}$

Si ${\displaystyle \mathbf {p} }$ es un punto en ${\displaystyle \mathbb {R} ^{n}}$ y ${\displaystyle \mathbf {F} }$ es diferenciable en ${\displaystyle \mathbf {p} }$ entonces su diferencial está dada por JF(p). En este caso, la aplicación lineal descrita por JF(p) es la mejor aproximación lineal de ${\displaystyle \mathbf {F} }$ cerca del punto ${\displaystyle \mathbf {p} }$, de esta manera:

${\displaystyle \mathbf {F} (\mathbf {x} )\approx \mathbf {F} (\mathbf {p} )+J_{\mathbf {F} }(\mathbf {p} )(\mathbf {x} -\mathbf {p} )}$

para ${\displaystyle \mathbf {x} }$ cerca de ${\displaystyle \mathbf {p} }$. O con mayor precisión:

${\displaystyle \lim _{\|\mathbf {x} -\mathbf {p} \|\to 0}{\frac {\|\mathbf {F} (\mathbf {x} )-\mathbf {F} (\mathbf {p} )-J_{\mathbf {F} }(\mathbf {p} )(\mathbf {x} -\mathbf {p} )\|}{\|\mathbf {x} -\mathbf {p} \|}}=0}$

En ciertos espacios vectoriales de dimensión no finita, formados por funciones, puede generalizarse el concepto de matriz jacobiana definiendo una aplicación lineal jacobiana.

## Determinante jacobiano

Si ${\displaystyle m=n}$ entonces ${\displaystyle \mathbf {F} }$ es una función que va de ${\displaystyle \mathbb {R} ^{n}}$ a ${\displaystyle \mathbb {R} ^{n}}$ y en este caso la matriz jacobiana es una matriz cuadrada, por lo que podemos calcular su determinante, este es conocido como el determinante jacobiano. El determinante jacobiano en ocasiones es conocido simplemente como “el Jacobiano”.

El determinante jacobiano en un punto dado nos da información importante sobre el comportamiento de ${\displaystyle \mathbf {F} }$ cerca de ese punto. Una función continuamente diferenciable ${\displaystyle \mathbf {F} }$ es invertible cerca del punto ${\displaystyle \mathbf {p} \in \mathbb {R} ^{n}}$ si el determinante jacobiano en ${\displaystyle \mathbf {p} }$ es no nulo. Este es el teorema de la función inversa. Más aún, el valor absoluto del determinante en ${\displaystyle \mathbf {p} }$ nos da el factor con el cual ${\displaystyle \mathbf {F} }$ expande o contrae su volumen cerca de ${\displaystyle \mathbf {p} }$.

## Inversa

De acuerdo al teorema de la función inversa, la matriz inversa de la matriz Jacobiana de una función invertible es la matriz Jacobiana de la función inversa. Esto es, si el Jacobiano de una función ${\displaystyle \mathbf {F} :\mathbb {R} ^{n}\to \mathbb {R} ^{n}}$ es continua y no singular en el punto ${\displaystyle \mathbf {p} \in \mathbb {R} ^{n}}$ entonces ${\displaystyle \mathbf {F} }$ es invertible cuando se restringe a un entorno de ${\displaystyle \mathbf {p} }$ y

${\displaystyle \mathbf {J} _{\mathbf {F} ^{-1}}\circ \mathbf {F} =\mathbf {J} _{\mathbf {F} }^{-1}}$

Si el determinante jacobiano es diferente de cero en un punto entonces la función es localmente invertible cerca de este punto, esto es, existe un entorno de este punto en el que la función es invertible.

## Puntos Críticos

Si ${\displaystyle \mathbf {F} :\mathbb {R} ^{n}\to \mathbb {R} ^{m}}$ es una función diferenciable, un punto crítico de ${\displaystyle \mathbf {F} }$ es un punto en el que el rango de la matriz jacobiana es no maximal.

En el caso en que ${\displaystyle m=n=k}$, un punto es crítico si el determinante jacobiano es cero.

## Ejemplos

### Ejemplo 1

La matriz jacobiana de la función ${\displaystyle \mathbf {F} :\mathbb {R} ^{3}\to \mathbb {R} ^{3}}$ dada por

${\displaystyle \mathbf {F} (x_{1},x_{2},x_{3})=(x_{1},5x_{3},4x_{2}^{2}-2x_{3})}$

cuyas funciones componentes son

{\displaystyle {\begin{aligned}f_{1}&=x_{1}\\f_{2}&=5x_{3}\\f_{3}&=4x_{2}^{2}-2x_{3}\end{aligned}}}

es

${\displaystyle \mathbf {J} _{\mathbf {F} }(x_{1},x_{2},x_{3})={\begin{bmatrix}{\cfrac {\partial f_{1}}{\partial x_{1}}}&{\cfrac {\partial f_{1}}{\partial x_{2}}}&{\cfrac {\partial f_{1}}{\partial x_{3}}}\\{\cfrac {\partial f_{2}}{\partial x_{1}}}&{\cfrac {\partial f_{2}}{\partial x_{2}}}&{\cfrac {\partial f_{2}}{\partial x_{3}}}\\{\cfrac {\partial f_{3}}{\partial x_{1}}}&{\cfrac {\partial f_{3}}{\partial x_{2}}}&{\cfrac {\partial f_{3}}{\partial x_{3}}}\end{bmatrix}}={\begin{bmatrix}1&0&0\\0&0&5\\0&8x_{2}&-2\end{bmatrix}}}$

### Ejemplo 2

Supóngase la función ${\displaystyle \mathbf {F} :\mathbb {R} ^{3}\to \mathbb {R} ^{4}}$, cuyas funciones componentes son:

${\displaystyle y_{1}=x_{1}}$
${\displaystyle y_{2}=5x_{3}\,}$
${\displaystyle y_{3}=4x_{2}^{2}-2x_{3}\,}$
${\displaystyle y_{4}=x_{3}\operatorname {sen}(x_{1})}$

${\displaystyle \mathbf {J} _{\mathbf {F} }(x_{1},x_{2},x_{3})={\begin{bmatrix}{\dfrac {\partial y_{1}}{\partial x_{1}}}&{\dfrac {\partial y_{1}}{\partial x_{2}}}&{\dfrac {\partial y_{1}}{\partial x_{3}}}\\[3pt]{\dfrac {\partial y_{2}}{\partial x_{1}}}&{\dfrac {\partial y_{2}}{\partial x_{2}}}&{\dfrac {\partial y_{2}}{\partial x_{3}}}\\[3pt]{\dfrac {\partial y_{3}}{\partial x_{1}}}&{\dfrac {\partial y_{3}}{\partial x_{2}}}&{\dfrac {\partial y_{3}}{\partial x_{3}}}\\[3pt]{\dfrac {\partial y_{4}}{\partial x_{1}}}&{\dfrac {\partial y_{4}}{\partial x_{2}}}&{\dfrac {\partial y_{4}}{\partial x_{3}}}\\\end{bmatrix}}={\begin{bmatrix}1&0&0\\0&0&5\\0&8x_{2}&-2\\x_{3}\cos x_{1}&0&\operatorname {sen} x_{1}\end{bmatrix}}.}$

### Ejemplo 3: Transformación a coordenadas polares

La transformación de coordenadas polares ${\displaystyle (r,\theta )}$ a coordenadas cartesianas ${\displaystyle (x,y)}$ está dada por la función ${\displaystyle \mathbf {F} :\mathbb {R} ^{+}\times [0,2\pi )\to \mathbb {R} ^{2}}$ cuyas componentes son

{\displaystyle {\begin{aligned}x&=r\cos \theta \\y&=r\operatorname {sen} \theta \end{aligned}}}

el jacobiano de ${\displaystyle \mathbf {F} }$ está dado por:

${\displaystyle \mathbf {J} _{\mathbf {F} }={\begin{bmatrix}{\cfrac {\partial x}{\partial r}}&{\cfrac {\partial x}{\partial \theta }}\\{\cfrac {\partial y}{\partial r}}&{\cfrac {\partial y}{\partial \theta }}\end{bmatrix}}={\begin{bmatrix}\cos \theta &-r\operatorname {sen} \theta \\\operatorname {sen} \theta &r\cos \theta \end{bmatrix}}}$

y el determinante del jacobiano es ${\displaystyle r}$ pues

{\displaystyle {\begin{aligned}\det(\mathbf {J} _{\mathbf {F} })&=r\cos ^{2}\theta +r\operatorname {sen} ^{2}\theta \\&=r[\cos ^{2}\theta +\operatorname {sen} ^{2}\theta ]\\&=r\end{aligned}}}

y esto puede ser utilizado para transformar integrales entre dos sistemas de coordenadas:

${\displaystyle \iint _{\mathbf {F} (A)}f(x,y)dxdy=\iint _{A}f(r\cos \theta ,r\operatorname {sen} \theta )rdrd\theta }$

### Ejemplo 4

El determinante jacobiano de la función ${\displaystyle \mathbf {F} :\mathbb {R} ^{3}\to \mathbb {R} ^{3}}$ dada por:

${\displaystyle \mathbf {F} (x_{1},x_{2},x_{3})=(5x_{2},4x_{1}^{2}-2\operatorname {sen}(x_{2}x_{3}),x_{2}x_{3})}$

es:

{\displaystyle {\begin{aligned}\det(\mathbf {J} _{\mathbf {F} }(x_{1},x_{2},x_{3}))&={\begin{vmatrix}0&5&0\\8x_{1}&-2x_{3}\cos(x_{2}x_{3})&-2x_{2}\cos(x_{2}x_{3})\\0&x_{3}&x_{2}\end{vmatrix}}\\&=-5\cdot {\begin{vmatrix}8x_{1}&-2x_{2}\cos(x_{2}&x_{3})\\0&x_{2}\end{vmatrix}}\\&=-40x_{1}x_{2}\end{aligned}}}

El teorema de la función inversa garantiza que la función es localmente invertible en todo el dominio excepto quizá donde ${\displaystyle x_{1}=0}$ o ${\displaystyle x_{2}=0}$ (es decir, los valores para los que el determinante se hace cero). Si imaginamos un objeto pequeño centrado en el punto (1,1,1) y le aplicamos F, tendremos un objeto aproximadamente 40 veces más voluminoso que el original.

### Ejemplo 5

Cambiando un poco la función anterior por ésta:

${\displaystyle \mathbf {F} (x_{1},x_{2},x_{3})=(5x_{2},4x_{1}^{2}-2\operatorname {sen}(x_{2}x_{3}),x_{1})}$

El determinante jacobiano quedará:

${\displaystyle \det(\mathbf {J} _{\mathbf {F} }(x_{1},x_{2},x_{3}))={\begin{vmatrix}0&5&0\\8x_{1}&-2x_{3}\cos(x_{2}x_{3})&-2x_{2}\cos(x_{2}x_{3})\\1&0&0\end{vmatrix}}=-5\cdot {\begin{vmatrix}8x_{1}&-2x_{2}\cos(x_{2}&x_{3})\\1&0\end{vmatrix}}=-10x_{2}\cos(x_{2}x_{3}).}$

En este caso existen más valores que anulan al determinante. Por un lado ${\displaystyle x_{2}=0}$, y por otro:

${\displaystyle \cos \left({{x}_{2}}{{x}_{3}}\right)=0\Leftrightarrow {{x}_{2}}{{x}_{3}}=\left(2k+1\right){\frac {\pi }{2}}}$ con ${\displaystyle k=0,1,2,\dots }$

## Enlaces externos

Esta página se editó por última vez el 27 jun 2021 a las 14:07.
Basis of this page is in Wikipedia. Text is available under the CC BY-SA 3.0 Unported License. Non-text media are available under their specified licenses. Wikipedia® is a registered trademark of the Wikimedia Foundation, Inc. WIKI 2 is an independent company and has no affiliation with Wikimedia Foundation.