概率密度变换公式 雅可比矩阵_雅可比行列式【1】定义及一些推导

最近在做应用多元统计的学习的时候再一次遇到了雅可比矩阵这个东西，发现完全想不起来这是什么东西，只记得学习高代和概率论的时候背过这个公式。学数学分析的时候也没有好好学习向量微积分的知识。今天跑步的时候想起一句话：”所有命运馈赠的礼物，其实早已标好了价格“。这个风格项式从英文翻译过来的，而我觉得将”价格“用”代价“一词来代替会更加合适。

一点一滴的积累都是有意义的，不知道何时就会用得上，所以一定要对知识充满敬畏之心。曾经靠侥幸度过的困难，将来一定会找到你，并且会让你付出更多不可预知的代价。

用标准流水账的方式，我们先来讨论雅可比矩阵从何而来，再来明确的定义它是什么，最后我们放出一些大家喜闻乐见的结论来结尾。

一、何为雅可比行列式

(例一)

我没记错的话，理工科的学生在高等数学2、数学分析2学习了一定的重积分之后，一定会遇到二重积分的被积函数中含有\(x^2+y^2\)时将直角坐标系转化为极坐标系会简化计算的结论，即：

\[\int_b^a\int_c^df(x,y)dxdy=\int_\alpha^\beta d\theta\int_{r_1(\theta)}^{r_2(\theta)}f(r\cos{\theta},r\sin{\theta})rdr

\]

这里其实就存在一个坐标变换的运算，而这个变换的行列式正式雅可比行列式：

\[\iint f(x,y)dxdy=\iint f(x(u,v),y(u,v))\left|J(u,v)\right|dudv\\

|J(u,v)|=\left|\frac{\partial(x,y)}{\partial(u,v)}

\right|

\]

(例二)

同样，在多元统计分析中，如果度过我之前的文章的读者，一定会对我们通过服从标准正态分布的随机变量的线性组合来求一般多维正态随机向量联合概率密度函数的时候，关于\((x\to u)\)的变换印象深刻，即设\(X\sim N_p(\mu,\Sigma)，\Sigma>0\)，则：

由\(X=AU+\mu\),则\(J(x\to u)\)为：

\[\begin{align}

J(x\to u)&=\le