Die Jacobi-Matrix

 In einem letzten Verallgemeinerungsschritt betrachten wir Funktionen der Form f : P  m mit einem Definitionsbereich P ⊆ n. 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   zerlegen, sodass

f (x)  =  f(x1, …, xn)  =  (f1(x1, …, xn),  …,  fm(x1, …, xn))  ∈  m  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))
=  f1x1(p)f1x2(p)f1xn(p)f2x1(p)f2x2(p)f2xn(p)fmx1(p)fmx2(p)fmxn(p)  ∈  m × n
Satz (linearer Approximationssatz der mehrdimensionalen Analysis)

Sei f : P  m 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  m steht mit

lim p ∥ r(x) ∥∥ x − p ∥  =  0.

 Der Leser vergleiche dies mit dem linearen Approximationssatz der eindimensionalen Analysis für eine reelle Funktion f : P   mit P ⊆ :

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)  ∈   tritt die Jacobi-Matrix A = Jf(p)  ∈  m × n. Die Funktion g : P  m 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.