La Matrice Jacobienne est l’outil central du calcul différentiel pour les fonctions à plusieurs variables : elle rassemble, en un seul objet, toutes les dérivées partielles du premier ordre d’une fonction vectorielle et décrit comment une transformation déforme l’espace localement. Elle généralise à la fois la dérivée usuelle et le gradient, et son déterminant gouverne les changements de variables dans les intégrales multiples ainsi que le théorème d’inversion locale.
Dans ce guide, nous construirons la définition pas à pas, développerons l’intuition géométrique et calculerons des exemples complets — du cas général aux coordonnées polaires.
Définition de la Matrice Jacobienne
Avant de poser la définition, rappelons le cadre. On travaille ici avec une fonction vectorielle, c’est-à-dire une fonction qui prend en entrée un vecteur (plusieurs variables réelles) et renvoie un vecteur (plusieurs valeurs réelles). La dérivée usuelle ne suffit plus : il faut une matrice entière pour capturer toutes les directions de variation simultanément.
Définition : Matrice jacobienne
Soit \( F : U \subset \mathbb{R}^n \to \mathbb{R}^m \) une fonction différentiable en un point \( a \in U \), où \( U \) est un ouvert de \( \mathbb{R}^n \). On écrit \( F = (f_1, f_2, \dots, f_m) \), chaque \( f_i : \mathbb{R}^n \to \mathbb{R} \) étant appelée fonction composante (ou coordonnée) de \( F \).
La matrice jacobienne de \( F \) au point \( a \), notée \( J_F(a) \) ou \( \mathrm{D}F(a) \), est la matrice à \( m \) lignes et \( n \) colonnes dont le coefficient à la ligne \( i \) et à la colonne \( j \) est la dérivée partielle \( \dfrac{\partial f_i}{\partial x_j}(a) \).
J_F(a) =
\begin{pmatrix}
\dfrac{\partial f_1}{\partial x_1}(a) & \dfrac{\partial f_1}{\partial x_2}(a) & \cdots & \dfrac{\partial f_1}{\partial x_n}(a) \\[10pt]
\dfrac{\partial f_2}{\partial x_1}(a) & \dfrac{\partial f_2}{\partial x_2}(a) & \cdots & \dfrac{\partial f_2}{\partial x_n}(a) \\[10pt]
\vdots & \vdots & \ddots & \vdots \\[6pt]
\dfrac{\partial f_m}{\partial x_1}(a) & \dfrac{\partial f_m}{\partial x_2}(a) & \cdots & \dfrac{\partial f_m}{\partial x_n}(a)
\end{pmatrix}
\]
Décortiquons la notation. Chaque ligne \( i \) de cette matrice est le vecteur gradient de la fonction composante \( f_i \) : elle indique comment \( f_i \) varie selon chacune des \( n \) directions. Chaque colonne \( j \), quant à elle, rassemble les dérivées partielles de toutes les composantes par rapport à la \( j \)-ième variable \( x_j \).
La matrice jacobienne est ainsi la matrice de l’application linéaire tangente (la différentielle \( \mathrm{d}F_a \)) dans les bases canoniques des espaces de départ et d’arrivée. Autrement dit, localement au voisinage de \( a \) :
F(a + h) = F(a) + J_F(a) \cdot h + o(\|h\|), \quad h \in \mathbb{R}^n.
\]
Ce développement est la clé : la matrice jacobienne est la meilleure approximation linéaire de \( F \) au voisinage du point \( a \).
⚠️ Erreur fréquente : Confondre l’existence des dérivées partielles avec la différentiabilité. Une fonction peut avoir toutes ses dérivées partielles en un point sans y être différentiable (et donc sans que sa matrice jacobienne représente réellement sa tangente). La différentiabilité est une condition plus forte : elle requiert que le reste \( o(\|h\|) \) tende bien vers zéro plus vite que \( \|h\| \). En pratique, si les dérivées partielles existent et sont continues au voisinage du point, la fonction est bien différentiable (classe \( \mathcal{C}^1 \)).
Quand la matrice jacobienne est-elle définie ? Cas particuliers importants
La définition ci-dessus couvre un cadre très général. Avant d’aller plus loin, il est utile de voir comment la matrice jacobienne se spécialise dans les situations les plus courantes — chacune donne un objet que vous connaissez peut-être déjà sous un autre nom.
Cas 1 : Fonction scalaire de plusieurs variables (\( m = 1 \))
Si \( f : \mathbb{R}^n \to \mathbb{R} \) est une fonction à valeurs réelles (scalaires), sa matrice jacobienne est une matrice à une seule ligne, c’est-à-dire un vecteur ligne. Ce vecteur n’est autre que le gradient de \( f \) :
J_f(a) = \nabla f(a)^\top =
\begin{pmatrix}
\dfrac{\partial f}{\partial x_1}(a) & \cdots & \dfrac{\partial f}{\partial x_n}(a)
\end{pmatrix}.
\]
Cas 2 : Fonction d’une variable à valeurs vectorielles (\( n = 1 \))
Si \( \gamma : \mathbb{R} \to \mathbb{R}^m \) est une courbe paramétrée (par exemple \( \gamma(t) = (x(t), y(t), z(t)) \)), la matrice jacobienne est une matrice colonne : c’est simplement le vecteur dérivé (ou vecteur tangent) de la courbe.
Cas 3 : Matrice carrée (\( m = n \)) : le déterminant jacobien
Lorsque la fonction \( F \) a autant de variables en entrée qu’en sortie, la matrice jacobienne est carrée. On peut alors calculer son déterminant, appelé déterminant jacobien ou simplement jacobien de \( F \) en \( a \), noté \( \det J_F(a) \) ou \( \operatorname{Jac}_F(a) \). Ce scalaire joue un rôle crucial, comme nous le verrons dans les sections suivantes.
Les deux théorèmes fondamentaux liés à la matrice jacobienne
Maintenant que la structure est posée, deux résultats majeurs illustrent à quel point la matrice jacobienne et son déterminant gouvernent le comportement local des fonctions.
Théorème 1 : Règle de la chaîne (composition des jacobiennes)
Soient \( F : \mathbb{R}^n \to \mathbb{R}^p \) différentiable en \( a \), et \( G : \mathbb{R}^p \to \mathbb{R}^q \) différentiable en \( F(a) \). Alors la composée \( G \circ F \) est différentiable en \( a \), et sa matrice jacobienne est le produit des matrices jacobiennes :
J_{G \circ F}(a) = J_G\bigl(F(a)\bigr) \cdot J_F(a).
\]
C’est la généralisation directe de la règle de dérivation en chaîne \( (g \circ f)’ = g'(f) \cdot f’ \) au cadre vectoriel. Chaque matrice représente la linéarisation locale de sa fonction, et l’ordre du produit est important (rappelons que le produit de matrices n’est pas commutatif).
Théorème 2 : Théorème d’inversion locale
Soit \( F : U \subset \mathbb{R}^n \to \mathbb{R}^n \) de classe \( \mathcal{C}^1 \) sur un ouvert \( U \). Si le déterminant jacobien de \( F \) est non nul en \( a \in U \) :
\det J_F(a) \neq 0,
\]
alors \( F \) est localement inversible au voisinage de \( a \) : il existe un voisinage ouvert \( V \) de \( a \) et un voisinage ouvert \( W \) de \( F(a) \) tels que \( F\vert_V : V \to W \) est un difféomorphisme de classe \( \mathcal{C}^1 \). De plus, la matrice jacobienne de la fonction réciproque \( F^{-1} \) est l’inverse de celle de \( F \) :
J_{F^{-1}}\bigl(F(a)\bigr) = \bigl[J_F(a)\bigr]^{-1}.
\]
Propriétés essentielles de la matrice jacobienne à connaître
Ces propriétés découlent directement de la linéarité de la différentielle et méritent d’être mémorisées : elles simplifient considérablement les calculs.
Linéarité
Pour toutes fonctions \( F, G \) différentiables en \( a \) et tout scalaire \( \lambda \in \mathbb{R} \) :
J_{F+G}(a) = J_F(a) + J_G(a), \qquad J_{\lambda F}(a) = \lambda\, J_F(a).
\]
Interprétation du déterminant jacobien
Pour une fonction \( F : \mathbb{R}^n \to \mathbb{R}^n \), la valeur \( |\det J_F(a)| \) mesure le facteur de dilatation locale des volumes (ou des aires en dimension 2) opéré par \( F \) au voisinage de \( a \). Plus concrètement : si l’on prend un tout petit domaine de mesure (volume, aire) \( \varepsilon \) centré en \( a \), son image par \( F \) aura une mesure approximativement égale à \( |\det J_F(a)| \cdot \varepsilon \).
Si \( \det J_F(a) > 0 \), la transformation conserve l’orientation locale. Si \( \det J_F(a) < 0 \), elle l'inverse. Si \( \det J_F(a) = 0 \), la transformation écrase localement une dimension : elle n’est pas inversible en ce point.
Changement de variables dans les intégrales multiples
C’est l’application la plus célèbre du déterminant jacobien. Si \( \Phi : D_1 \subset \mathbb{R}^n \to D_2 \) est un changement de variables (un \( \mathcal{C}^1 \)-difféomorphisme), alors pour toute fonction intégrable \( g \) sur \( D_2 \) :
\int_{D_2} g(y)\,\mathrm{d}y
= \int_{D_1} g\bigl(\Phi(x)\bigr)\,\bigl|\det J_\Phi(x)\bigr|\,\mathrm{d}x.
\]
Le facteur \( |\det J_\Phi(x)| \) compense la distorsion introduite par le changement de variables. Par exemple, pour le passage en >coordonnées cylindriques ou sphériques, ce facteur vaut respectivement \( r \) et \( r^2 \sin\varphi \).
⚠️ Erreur fréquente : Dans la formule de changement de variables, on utilise la valeur absolue du déterminant jacobien, jamais le déterminant signé. Oublier cette valeur absolue est une erreur classique qui peut inverser le signe d’une intégrale ou donner une aire négative — ce qui n’a aucun sens physiquement.
Comment visualiser la matrice jacobienne : l’intuition géométrique
Les formules ci-dessus sont rigoureuses, mais pour les intérioriser vraiment, il faut une image mentale. Voici la meilleure façon de penser à la jacobienne.
Pensez à une fonction \( F : \mathbb{R}^2 \to \mathbb{R}^2 \) comme à une transformation de l’espace plan : chaque point \( (x, y) \) est envoyé sur un nouveau point \( (u, v) = F(x, y) \). Globalement, cette transformation peut être très compliquée (elle peut tordre, comprimer, étirer l’espace de façon non uniforme). Mais localement, au voisinage d’un point précis \( a \), la transformation ressemble à une application linéaire — et c’est exactement la matrice jacobienne \( J_F(a) \) qui décrit cette application linéaire locale.
Concrètement, imaginez un tout petit carré centré en \( a \). Après application de \( F \), ce carré devient (approximativement) un parallélogramme. La matrice \( J_F(a) \) dit précisément comment ce parallélogramme est orienté et dimensionné. Son déterminant \( \det J_F(a) \) donne l’aire du parallélogramme obtenu à partir d’un carré de côté 1. En dimension 3, c’est le volume du parallélépipède image.
C’est pourquoi la jacobienne est parfois présentée comme la généralisation naturelle de la dérivée : de même qu’en une variable, \( f'(a) \) donne la pente de la tangente (une multiplication par un scalaire), en plusieurs variables, \( J_F(a) \) donne la transformation linéaire tangente (une multiplication par une matrice).
Représentation graphique : la jacobienne comme déformation locale de la grille
La façon la plus parlante de représenter la matrice jacobienne est de tracer une grille régulière dans l’espace de départ et d’observer comment la transformation la déforme dans l’espace d’arrivée.
Sur ce schéma, chaque cellule de la grille de gauche devient une cellule déformée à droite. Près d’un point où \( |\det J_F| \) est grand, les cellules sont très dilatées ; près d’un point où \( |\det J_F| \) est proche de zéro, elles sont écrasées. C’est cette variation locale de l’aire (ou du volume) que la jacobienne quantifie en chaque point.
Comment calculer la Matrice Jacobienne : exemple détaillé pas à pas
L’intuition géométrique est posée ; passons maintenant au calcul concret, en suivant un exemple typique de première année de licence.
Énoncé
Soit la fonction \( F : \mathbb{R}^2 \to \mathbb{R}^2 \) définie par :
F(x, y) =
\begin{pmatrix}
e^{x^2 y} \\
y \ln x
\end{pmatrix}.
\]
On note \( f_1(x,y) = e^{x^2 y} \) et \( f_2(x,y) = y \ln x \). On cherche \( J_F(1, 2) \) et \( \det J_F(1, 2) \).
Étape 1 : Calculer les quatre dérivées partielles en tout point \((x, y)\)
Pour \( f_1 = e^{x^2 y} \) :
\frac{\partial f_1}{\partial x} = 2xy\,e^{x^2 y}, \qquad
\frac{\partial f_1}{\partial y} = x^2\,e^{x^2 y}.
\]
Pour \( f_2 = y \ln x \) :
\frac{\partial f_2}{\partial x} = \frac{y}{x}, \qquad
\frac{\partial f_2}{\partial y} = \ln x.
\]
Étape 2 : Assembler la matrice jacobienne générale
J_F(x, y) =
\begin{pmatrix}
2xy\,e^{x^2 y} & x^2\,e^{x^2 y} \\[6pt]
\dfrac{y}{x} & \ln x
\end{pmatrix}.
\]
Étape 3 : Évaluer en \( (1, 2) \)
On substitue \( x = 1 \), \( y = 2 \). On note que \( e^{1^2 \cdot 2} = e^2 \) et \( \ln 1 = 0 \) :
J_F(1, 2) =
\begin{pmatrix}
4e^{2} & e^{2} \\
2 & 0
\end{pmatrix}.
\]
Étape 4 : Calculer le déterminant jacobien
\det J_F(1, 2) = 4e^2 \cdot 0 – e^2 \cdot 2 = -2e^2.
\]
Le déterminant jacobien vaut \( -2e^2 \approx -14{,}78 \). Sa valeur absolue \( 2e^2 \) indique que la transformation \( F \) dilate localement les aires d’un facteur \( 2e^2 \) au voisinage du point \( (1, 2) \). Le signe négatif signifie que l’orientation locale est inversée.
⚠️ Erreur fréquente : Lors de l’assemblage de la matrice jacobienne, certains étudiants construisent les colonnes comme étant les gradients, au lieu des lignes. Rappelons-le clairement : la ligne i contient les dérivées partielles de \( f_i \) par rapport à \( x_1, x_2, \ldots, x_n \), dans cet ordre. Transposer la matrice par erreur donne une jacobienne incorrecte qui ne représente plus la différentielle.
Exemple classique : coordonnées polaires
Un cas incontournable au programme est la transformation en coordonnées polaires \( \Phi : (r, \theta) \mapsto (r\cos\theta,\; r\sin\theta) \). C’est un exemple que vous retrouverez dans tout cours d’intégrale double.
J_\Phi(r, \theta) =
\begin{pmatrix}
\cos\theta & -r\sin\theta \\
\sin\theta & r\cos\theta
\end{pmatrix},
\qquad
\det J_\Phi(r, \theta) = r\cos^2\theta + r\sin^2\theta = r.
\]
Le jacobien vaut \( r \). C’est pourquoi, lorsqu’on intègre en coordonnées polaires, on écrit \( \mathrm{d}x\,\mathrm{d}y = r\,\mathrm{d}r\,\mathrm{d}\theta \) — le facteur \( r \) n’est pas une convention arbitraire, c’est exactement le déterminant jacobien du changement de coordonnées. Pour une introduction aux intégrales doubles et triples avec changement de variables, ce résultat est fondamental.
Conclusion : ce qu’il faut retenir sur la Matrice Jacobienne
La Matrice Jacobienne est bien plus qu’un simple tableau de dérivées partielles : c’est la carte locale d’une transformation multivariable. Elle contient, en un seul objet, toute l’information de premier ordre sur le comportement de la fonction en un point donné. Voici les points essentiels à garder en tête :
- La matrice jacobienne \( J_F(a) \) de taille \( m \times n \) est formée des dérivées partielles \( \partial f_i / \partial x_j \) de chaque composante par rapport à chaque variable, évaluées au point \( a \).
- Elle représente l’application linéaire tangente (la différentielle) et fournit la meilleure approximation linéaire de \( F \) au voisinage de \( a \).
- Son déterminant (lorsque \( m = n \)) mesure le facteur de dilatation locale des volumes et gouverne les changements de variables dans les intégrales multiples.
- La règle de la chaîne se traduit par un produit de matrices jacobiennes, et le théorème d’inversion locale est entièrement contrôlé par le signe de ce déterminant.
La maîtrise de la jacobienne ouvre des portes considérables : résolution de systèmes non linéaires (méthode de Newton), étude des points critiques de fonctions vectorielles, robotique (cinématique des bras articulés), et bien sûr le calcul intégral en plusieurs dimensions. La prochaine étape naturelle est d’explorer la matrice hessienne et le théorème des fonctions implicites, qui exploitent la jacobienne pour analyser des surfaces et des courbes définies implicitement.
Pour aller plus loin
Pour une présentation rigoureuse et approfondie, notamment les démonstrations des théorèmes d’inversion locale et des fonctions implicites, la page Matrice jacobienne sur Wikipédia offre une vue d’ensemble complète avec de nombreux exemples et applications en physique et en mécanique des milieux continus.