Die Jacobi-Matrix
In einem letzten Verallgemeinerungsschritt betrachten wir Funktionen der Form f : P → ℝm mit einem Definitionsbereich P ⊆ ℝn. Nun sind sowohl die Stellen als auch die Werte Vektoren einer beliebigen Dimension. Wie bei einer Kurve können wir f in die Komponenten f1, …, fm : P → ℝ zerlegen, sodass
f (x) = f(x1, …, xn) = (f1(x1, …, xn), …, fm(x1, …, xn)) ∈ ℝm für alle x ∈ P.
Wir nennen f stetig, wenn alle Komponentenfunktionen f1, …, fm stetig sind (an einer Stelle oder überall). Analoges gilt für (stetig) partiell differenzierbar. Ist f stetig partiell differenzierbar, so nennen wir f kurz stetig differenzierbar.
Ist f partiell differenzierbar, so erhalten wir die Jacobi-Matrix Jf(p) von f an der Stelle p, indem wir die Gradienten als Zeilen in eine m × n-Matrix schreiben:
Jf(p) | = (∂j fi(p))1 ≤ i ≤ m, 1 ≤ j ≤ n = (grad f1(p), …, grad fm (p)) |
= ∈ ℝm × n |
Satz (linearer Approximationssatz der mehrdimensionalen Analysis)
Sei f : P → ℝm stetig differenzierbar an der Stelle p ∈ P. Dann gilt
f (x) = f (p) + Jf(p) (x − p) + o(∥ x − p ∥) für x → p,
wobei o(∥ x − p ∥) für eine Funktion r : P → ℝm steht mit
limx → p ∥ r(x) ∥∥ x − p ∥ = 0.
Der Leser vergleiche dies mit dem linearen Approximationssatz der eindimensionalen Analysis für eine reelle Funktion f : P → ℝ mit P ⊆ ℝ:
f (x) = f (p) + a (x − p) + o(| x − p |) für x → p mit a = f ′(p).
An die Stelle der Ableitung a = f ′(p) ∈ ℝ tritt die Jacobi-Matrix A = Jf(p) ∈ ℝm × n. Die Funktion g : P → ℝm mit g(x) = f (p) + Jf(p) (x − p) approximiert f in der Nähe von p. Für n = 2 und m = 1 ist g die Tangentialebene von f an der Stelle p.