Calculadora de Matriz Jacobiana

Calcule a matriz Jacobiana numericamente em um ponto real finito, com determinante e escala local para matrizes quadradas.

Os resultados são calculados automaticamente conforme você informa os dados.

Determinante da matriz Jacobiana
Entrada selecionada
Valor numérico em
MétodoCada entrada identifica seu método: regras analíticas diretas limitadas para formas afins simples e sin(k*x)/cos(k*x), ou diferenças finitas centrais com verificação de convergência nos demais casos. Os resultados usam 12 algarismos significativos; um valor diferente de zero não é arredondado para zero na exibição.
Escala:

▼ Veja explicações e dicas abaixo ▼

Calculadoras relacionadas

O que é um jacobiano?

Um jacobiano é uma matriz que organiza as derivadas parciais de uma função de várias variáveis. Ele é usado quando uma função tem várias variáveis de entrada e uma ou mais funções de saída.

Para uma função vetorial como

$$ F(x_1, x_2, \ldots, x_n) = \begin{bmatrix} f_1(x_1, x_2, \ldots, x_n) \\ f_2(x_1, x_2, \ldots, x_n) \\ \vdots \\ f_m(x_1, x_2, \ldots, x_n) \end{bmatrix}, $$

a matriz jacobiana contém todas as derivadas parciais de primeira ordem:

$$ J_F = \begin{bmatrix} \frac{\partial f_1}{\partial x_1} & \frac{\partial f_1}{\partial x_2} & \cdots & \frac{\partial f_1}{\partial x_n} \\ \frac{\partial f_2}{\partial x_1} & \frac{\partial f_2}{\partial x_2} & \cdots & \frac{\partial f_2}{\partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial f_m}{\partial x_1} & \frac{\partial f_m}{\partial x_2} & \cdots & \frac{\partial f_m}{\partial x_n} \end{bmatrix}. $$

Cada linha descreve uma função de saída. Cada coluna descreve uma variável de entrada. Uma entrada individual informa como uma saída muda quando uma entrada varia, mantendo fixas as outras entradas.

O jacobiano é especialmente útil porque descreve a melhor aproximação linear local de uma função diferenciável de várias variáveis nas proximidades de um ponto escolhido. Em termos simples, ele mostra como a função se comporta muito perto desse ponto.

Por que os jacobianos são importantes

As matrizes jacobianas aparecem em todo o cálculo multivariável, na engenharia, na física, na economia, na otimização, na robótica, no aprendizado de máquina e nas transformações de coordenadas. Elas ajudam a responder a perguntas como:

  • Qual é a sensibilidade de cada saída a cada entrada?
  • Qual é a aproximação linear local de uma função não linear?
  • Uma transformação de coordenadas aumenta ou diminui a área ou o volume?
  • Uma transformação preserva ou inverte a orientação perto de um ponto?
  • Uma transformação quadrada é localmente singular ou potencialmente invertível?

Por exemplo, ao converter coordenadas polares em coordenadas cartesianas, o determinante jacobiano explica por que o elemento de área muda por um fator de \(r\). Em métodos numéricos, os jacobianos também são usados para linearizar sistemas não lineares, permitindo aproximá-los ou resolvê-los com mais eficiência.

Termos importantes

  • Derivada parcial: a taxa de variação de uma função em relação a uma variável, mantendo fixas as outras variáveis.
  • Função vetorial: uma função com mais de uma saída, como \(F(x,y)=(u(x,y),v(x,y))\).
  • Matriz jacobiana: uma matriz de derivadas parciais de primeira ordem.
  • Determinante jacobiano: o determinante de uma matriz jacobiana quadrada.
  • Linearização local: uma aproximação linear que descreve uma função diferenciável perto de um ponto específico.
  • Fator de escala: para um jacobiano quadrado, o valor absoluto do determinante, \(|\det(J)|\), que fornece a magnitude da escala local de área ou volume.
  • Matriz singular: uma matriz quadrada com determinante \(0\). Para uma transformação, isso geralmente indica um colapso local ou uma perda de dimensão.
  • Diferença central: uma estimativa numérica da derivada que compara os valores da função em ambos os lados do ponto de avaliação.

Como os jacobianos funcionam

Um jacobiano é construído derivando cada função de saída em relação a cada variável de entrada.

Para uma função

$$ F(x,y)= \begin{bmatrix} u(x,y) \\ v(x,y) \end{bmatrix}, $$

o jacobiano é

$$ J_F(x,y)= \begin{bmatrix} \frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\ \frac{\partial v}{\partial x} & \frac{\partial v}{\partial y} \end{bmatrix}. $$

Em um ponto \((a,b)\), o jacobiano fornece a aproximação linear local

$$ F(a+\Delta x, b+\Delta y) \approx F(a,b) + J_F(a,b) \begin{bmatrix} \Delta x \\ \Delta y \end{bmatrix}. $$

Isso significa que, perto de \((a,b)\), a função não linear se comporta aproximadamente como uma transformação matricial.

Estimativas numéricas por diferenças centrais

A maioria das entradas é estimada numericamente. Quando não há uma regra direta compatível para uma entrada, a calculadora usa uma diferença finita central:

$$ J_{ij} \approx \frac{ f_i(\mathbf{a}+h\mathbf{e}_j) - f_i(\mathbf{a}-h\mathbf{e}_j) }{2h}. $$

Em que:

  • \(f_i\) é a função de saída selecionada.
  • \(x_j\) é a variável de entrada selecionada.
  • \(\mathbf{a}\) é o ponto de avaliação.
  • \(\mathbf{e}_j\) altera somente a \(j\)ª variável.
  • \(h\) é o pequeno passo usado na estimativa numérica.

Para cada variável, o tamanho inicial do passo é

$$ h = \sqrt[3]{\varepsilon} \times \max(1, |a_j|), $$

em que \(\varepsilon\) é o épsilon de máquina de ponto flutuante do JavaScript e \(a_j\) é o valor da coordenada da variável selecionada no ponto de avaliação. A calculadora compara as estimativas usando \(h\), \(h/2\) e \(h/4\) e informa a entrada como indisponível quando elas não concordam dentro da tolerância relativa indicada. Ela também compara as inclinações pelos lados esquerdo e direito para rejeitar cantos evidentes. Isso é uma verificação numérica, não uma prova de que existe uma derivada. Para expressões afins simples e formas como \(\sin(kx)\) ou \(\cos(kx)\) com um coeficiente numérico \(k\), a calculadora usa a regra de derivação direta correspondente. Isso evita aliasing de diferenças finitas em oscilações muito rápidas e o colapso no ponto de amostragem próximo de um deslocamento muito grande.

Determinante e escala

Se o jacobiano for quadrado, isto é, se o número de funções de saída for igual ao número de variáveis de entrada, seu determinante poderá ser calculado.

Para uma transformação de duas variáveis,

$$ J = \begin{bmatrix} a & b \\ c & d \end{bmatrix}, $$

o determinante é

$$ \det(J)=ad-bc. $$

O sinal de \(\det(J)\) fornece informações sobre a orientação. Um determinante positivo preserva localmente a orientação, enquanto um determinante negativo a inverte. O valor absoluto,

$$ |\det(J)|, $$

é o fator de escala local. Em duas dimensões, ele descreve a escala local de área; em três dimensões, descreve a escala local de volume.

Exemplos práticos de jacobianos

Exemplo 1: uma função com duas saídas

Suponha que

$$ F(x,y)= \begin{bmatrix} x^2+y^2 \\ xy \end{bmatrix}. $$

O jacobiano é

$$ J_F(x,y)= \begin{bmatrix} 2x & 2y \\ y & x \end{bmatrix}. $$

No ponto \((1,1)\),

$$ J_F(1,1)= \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}. $$

O determinante é

$$ \det(J)=2 \times 1 - 2 \times 1 = 0. $$

Um determinante igual a zero significa que a transformação linear local é singular. Neste exemplo, variações próximas sofrem um colapso local em uma direção de menor dimensão.

Exemplo 2: coordenadas polares

A transformação de coordenadas polares para cartesianas é

$$ u=r\cos(\theta), \qquad v=r\sin(\theta). $$

O jacobiano em relação a \(r\) e \(\theta\) é

$$ J = \begin{bmatrix} \cos(\theta) & -r\sin(\theta) \\ \sin(\theta) & r\cos(\theta) \end{bmatrix}. $$

Seu determinante é

$$ \det(J)=r. $$

Portanto, em \(r=2\), o fator de escala local de área é

$$ |\det(J)| = |2| = 2. $$

É por isso que os cálculos de área em coordenadas polares incluem um fator de \(r\). A transformação estende um pequeno retângulo no plano \((r,\theta)\) para uma pequena região no plano \((u,v)\), cuja área é aproximadamente multiplicada por \(r\).

Exemplo 3: um jacobiano retangular

Suponha que

$$ F(x,y,z)= \begin{bmatrix} xy \\ x^2+z \end{bmatrix}. $$

Há duas funções de saída e três variáveis de entrada, portanto o jacobiano tem duas linhas e três colunas:

$$ J_F(x,y,z)= \begin{bmatrix} y & x & 0 \\ 2x & 0 & 1 \end{bmatrix}. $$

Essa matriz continua sendo significativa: cada entrada é uma derivada parcial. No entanto, como ela não é quadrada, não possui um determinante no sentido usual de matriz quadrada. Portanto, não há um fator de escala baseado em determinante disponível.

Como interpretar o resultado

Uma matriz jacobiana deve ser lida linha por linha e coluna por coluna.

  • Uma linha corresponde a uma função de saída.
  • Uma coluna corresponde a uma variável de entrada.
  • Uma entrada da matriz é a derivada parcial dessa saída em relação a essa entrada no ponto informado.
  • Uma entrada positiva significa que a saída aumenta localmente à medida que essa entrada aumenta, supondo que as outras entradas permaneçam fixas.
  • Uma entrada negativa significa que a saída diminui localmente à medida que essa entrada aumenta, supondo que as outras entradas permaneçam fixas.
  • Uma entrada próxima de zero significa que essa saída tem pouca sensibilidade local a essa entrada no ponto selecionado.

Para uma matriz quadrada, o determinante acrescenta uma interpretação:

  • \(\det(J)>0\) sugere que a orientação local é preservada.
  • \(\det(J)<0\) sugere que a orientação local é invertida.
  • \(\det(J)=0\) sugere um comportamento localmente singular, como um colapso local.
  • \(|\det(J)|\) fornece a magnitude da escala local.

O resultado é local. Ele descreve o comportamento perto do ponto informado, não ao longo de um intervalo ou região inteira.

Erros e equívocos comuns

Confundir linhas e colunas

As linhas seguem a ordem das funções de saída. As colunas seguem a ordem das variáveis. Se as variáveis forem informadas como \(r,\theta\), a primeira coluna será de \(r\) e a segunda, de \(\theta\).

Informar o ponto na ordem errada

As coordenadas do ponto devem corresponder à ordem das variáveis. Para as variáveis \(x,y,z\), o ponto 1, 2, 3 significa \(x=1\), \(y=2\) e \(z=3\).

Esperar um determinante para um jacobiano retangular

Um determinante só existe para matrizes quadradas. Jacobianos retangulares ainda contêm derivadas parciais úteis, mas não são calculados um determinante padrão nem um fator de escala baseado em determinante.

Usar graus em vez de radianos

Funções trigonométricas como sin, cos e tan usam radianos. Por exemplo, \(45^\circ\) deve ser informado como aproximadamente \(0.785398\), e não como \(45\).

Tratar a estimativa numérica como exata

Diferenças centrais são aproximações. Elas costumam ser precisas para funções suaves perto de pontos comuns, mas podem não ser confiáveis perto de descontinuidades, cantos acentuados, singularidades ou comportamentos altamente oscilatórios.

Tratar uma estimativa numérica como uma derivada simbólica

A calculadora aplica regras analíticas diretas limitadas a expressões afins simples e formas sin(k*x)/cos(k*x) com k numérico. Todas as outras entradas compatíveis são estimativas numéricas por diferenças centrais verificadas por convergência, e o rótulo da entrada selecionada informa qual método produziu essa entrada.

Ignorar valores ausentes ou inválidos do ponto

Informe exatamente uma coordenada finita do ponto para cada variável, na mesma ordem. Coordenadas ausentes, extras ou não finitas são rejeitadas, em vez de serem substituídas por um valor padrão.

Quando usar um jacobiano

Use um jacobiano quando precisar entender como várias saídas variam em relação a várias entradas.

Os usos comuns incluem:

  • Estudar funções de várias variáveis em cálculo.
  • Linearizar sistemas não lineares perto de um ponto.
  • Analisar transformações de coordenadas, como coordenadas polares, cilíndricas ou esféricas.
  • Calcular fatores locais de escala de área ou volume para transformações quadradas.
  • Verificar se uma transformação pode ser localmente singular.
  • Comparar a sensibilidade das saídas a diferentes variáveis.
  • Apoiar métodos numéricos que aproximam comportamentos não lineares com álgebra linear.

Limitações e pontos importantes

Um jacobiano é uma ferramenta local. Ele descreve o comportamento perto de um ponto selecionado, não necessariamente o comportamento global da função.

A calculadora estima as derivadas numericamente, portanto os resultados dependem da função, do ponto e do tamanho do passo. Funções suaves geralmente se comportam melhor com diferenças centrais do que funções com cantos, saltos, assíntotas verticais, valores indefinidos ou oscilações rápidas.

A formatação numérica também importa. Resultados finitos são exibidos com até 12 algarismos significativos. Somente um valor numericamente igual a zero é exibido como \(0\); um valor não nulo não é arredondado deliberadamente para zero na exibição. Os algarismos exibidos ainda são arredondados, portanto use a fórmula e o ponto informados para verificar independentemente resultados importantes.

O determinante e o fator de escala só são significativos para matrizes jacobianas quadradas. Se a matriz for retangular, as derivadas parciais ainda serão importantes, mas as saídas de determinante e escala ficarão intencionalmente indisponíveis.

A calculadora trabalha com valores numéricos reais e finitos. Ela não é compatível com números complexos, sintaxe arbitrária de programação, acesso a propriedades, condicionais por partes, matrizes ou objetos. Os nomes das variáveis devem ser simples, como \(x\), \(y\), \(z\), \(r\) ou \(\theta\), e não devem duplicar nomes matemáticos internos, como pi, sin ou sqrt.

Para trabalhos acadêmicos, de engenharia, científicos, financeiros, de segurança ou oficiais importantes, confira o resultado usando a função original, as regras de derivação esperadas e, quando necessário, um profissional ou instrutor adequado.

Como usar esta calculadora

  1. Informe uma função por linha ou separe as funções com ponto e vírgula.
  2. Use name = expression quando quiser nomear uma função de saída, como u = r*cos(theta).
  3. Informe as variáveis na ordem em que devem aparecer como colunas do jacobiano, como r, theta ou x, y, z.
  4. Informe as coordenadas do ponto na mesma ordem das variáveis.
  5. Use funções matemáticas compatíveis, como sin, cos, tan, abs, exp, log, ln, sqrt, min, max e pow quando necessário.
  6. Use predefinições de exemplo, como polar, superfície ou entradas personalizadas, para ver configurações comuns de jacobianos.
  7. Leia a matriz jacobiana associando cada linha a uma função e cada coluna a uma variável.
  8. Clique em uma entrada da matriz para consultar a derivada parcial selecionada e seu valor numérico no ponto.
  9. Para matrizes quadradas, consulte o determinante e o fator de escala.
  10. Use o gráfico de visualização para transformações com duas funções e duas variáveis, e baixe o gráfico se precisar de uma imagem PNG.

Perguntas frequentes

O que significa cada entrada do jacobiano?

Cada entrada é uma derivada parcial. Ela informa como uma função de saída varia em relação a uma variável de entrada no ponto selecionado, mantendo fixas as outras variáveis.

Por que a calculadora pede um ponto?

Para a maioria das funções não lineares, as derivadas parciais mudam de um ponto para outro. O ponto informa à calculadora onde avaliar as estimativas das derivadas locais.

Por que não há um determinante para o meu resultado?

O determinante só é definido para matrizes quadradas. Se você informar uma quantidade diferente de funções e variáveis, o jacobiano será retangular; por isso, as entradas da matriz serão exibidas, mas o determinante e a escala ficarão indisponíveis.

O que significa um determinante igual a zero?

Um determinante igual a zero significa que o jacobiano quadrado é singular nesse ponto. Geometricamente, isso pode indicar um colapso local ou uma perda de área ou volume, mas o arredondamento numérico e a tolerância também podem fazer um determinante muito pequeno ser exibido como zero.

As entradas trigonométricas estão em graus ou radianos?

Elas estão em radianos. Para usar graus, faça a conversão primeiro. Por exemplo, \(45^\circ\) é \(\frac{\pi}{4}\), que é aproximadamente \(0.785398\).

O resultado é exato ou numérico?

Os valores da matriz, o determinante e o fator de escala são resultados numéricos. A calculadora identifica a derivada parcial estimada, mas não afirma que se trata de uma derivada simbólica exata.

A calculadora consegue lidar com números complexos?

Não. A calculadora foi projetada para expressões reais e finitas. Funções e variáveis de valores complexos não são compatíveis.

Fontes e referências

Livros e livros didáticos

  1. Gilbert Strang e Edwin “Jed” Herman. Calculus Volume 3. OpenStax, 2016. Seções 4.3 “Partial Derivatives”, 4.4 “Tangent Planes and Linear Approximations” e 5.7 “Change of Variables in Multiple Integrals”. https://openstax.org/books/calculus-volume-3/pages/4-3-partial-derivatives, https://openstax.org/books/calculus-volume-3/pages/4-4-tangent-planes-and-linear-approximations, https://openstax.org/books/calculus-volume-3/pages/5-7-change-of-variables-in-multiple-integrals
  2. Gregory Hartman, Sean Fitzpatrick, Alex Jordan e Carly Vollet. APEX Calculus for University of Lethbridge. Seção 14.6 “The Derivative as a Linear Transformation”. https://opentext.uleth.ca/apex-standard/secderivmatrix.html
  3. Qingkai Kong, Timmy Siauw e Alexandre Bayen. Python Programming and Numerical Methods: A Guide for Engineers and Scientists. 1ª edição, Elsevier, 2020. Capítulo 20, especialmente “Finite Difference Approximating Derivatives”. https://pythonnumericalmethods.studentorg.berkeley.edu/notebooks/chapter20.02-Finite-Difference-Approximating-Derivatives.html

Fontes on-line e oficiais

  1. Elsevier. “Python Programming and Numerical Methods: A Guide for Engineers and Scientists.” Página da editora, acesso em 28 de junho de 2026. https://shop.elsevier.com/books/python-programming-and-numerical-methods/kong/978-0-12-819549-9