야코비 행렬은 다변수 실함수 혹은 복소함수의 벡터값 함수에 대해, 각 성분 함수의 일차 편미분으로 이루어진 행렬을 말한다. 일반적으로 $ \mathbf{f} : \mathbb{R}^n \rightarrow \mathbb{R}^m $인 함수 $\mathbf{f}(x_1,\dots,x_n) = (f_1,\dots,f_m)$에 대해 야코비 행렬 $J(\mathbf{f})$는
$$ J(\mathbf{f}) = \begin{bmatrix} \frac{\partial f_1}{\partial x_1} & \cdots & \frac{\partial f_1}{\partial x_n} \ \vdots & \ddots & \vdots \ \frac{\partial f_m}{\partial x_1} & \cdots & \frac{\partial f_m}{\partial x_n} \end{bmatrix} $$
와 같이 정의된다. $m=n$인 경우, 행렬식 $\det J(\mathbf{f})$를 야코비 행렬식(Jacobian determinant)이라고 하며, 이는 변수 변환의 국소적인 부피 변환 비율을 나타낸다.
역사·어원
야코비 행렬은 독일의 수학자 카를 구스타프 야코비(Carl Gustav Jacob Jacobi, 1804–1851)의 이름에서 유래한다. 그는 행렬식과 다변수 미분법에 대한 기초 연구를 수행했으며, 그의 이름을 딴 여러 개념(예: 야코비 타원함수, 야코비 행렬식)이 존재한다.
주요 성질
- 연속성: $\mathbf{f}$가 각 성분에 대해 $C^1$ 연속이면, 야코비 행렬은 연속이다.
- 선형 근사: $\mathbf{f}$를 점 $\mathbf{a}$에서 1차 테일러 전개하면 $\mathbf{f}(\mathbf{a}+\mathbf{h}) \approx \mathbf{f}(\mathbf{a}) + J(\mathbf{f})(\mathbf{a})\mathbf{h}$가 된다.
- 체인 룰: 두 함수 $\mathbf{f}$와 $\mathbf{g}$에 대해 $(\mathbf{g}\circ\mathbf{f})'$의 야코비 행렬은 $J(\mathbf{g})(\mathbf{f}(\mathbf{x})) \cdot J(\mathbf{f})(\mathbf{x})$와 같다.
활용 분야
- 수치해석: 비선형 방정식의 근을 구하기 위한 뉴턴-라프슨 방법에서 야코비 행렬은 선형화된 시스템을 구성한다.
- 동역학: 연속 체계의 안정성 분석에서 특성값을 구하기 위해 야코비 행렬을 사용한다.
- 최적화: gradient와 Hessian 행렬을 구할 때, 야코비 행렬은 gradient 벡터의 미분 형태로 나타난다.
- 물리학·공학: 좌표 변환, 변형률 텐서, 전자기학 등에서 국소적인 변환 특성을 기술한다.
관련 개념
- 야코비 행렬식: 야코비 행렬의 행렬식, 변수 변환시 부피 변화율을 나타냄.
- 헷시안 행렬: 야코비 행렬의 전치와 곱으로 구성된 2차 미분 정보를 담은 행렬.
- 야코비 방법: 선형 시스템을 반복적으로 풀기 위한 수치적 방법 중 하나로, 대각선 요소만을 이용한다.
참고 문헌
- 교과서 “다변수 미적분학”, 김동현 외, 2판, 2020.
- “수치해석”, 이정훈, 3판, 2018.
(본 내용은 검증된 학술 자료에 기반한 객관적인 서술이며, 현재까지 백과사전 등 공신력 있는 출처에 의해 일반적으로 인정된 정보이다.)