Для дифференцируемой функции F(u,v)=(x,y)=(f(u,v),g(u,v)) якобианом является J=[[f_u,f_v],[g_u,g_v]]. Малые приращения удовлетворяют соотношению [dx,dy] (транспонированное)=J[du,dv] (транспонированное) с точностью до первого порядка. Чтобы найти u_x при фиксированном y, продифференцируйте оба определяющих уравнения по x: f_u u_x+f_v v_x=1 и g_u u_x+g_v v_x=0. Это связанная система линейных уравнений, а не два независимых скалярных правила обращения.
Если f и g непрерывно дифференцируемы вблизи точки и определитель J=f_u g_v−f_v g_u отличен от нуля, теорема об обратной функции обеспечивает существование дифференцируемой локальной обратной функции. Её производная равна J⁻¹=(1/det J)[[g_v,−f_v],[−g_u,f_u]]. Следовательно, u_x=g_v/det J, u_y=−f_v/det J, v_x=−g_u/det J и v_y=f_u/det J. Вычисляйте все производные в соответствующей точке. Локальная обратная функция не обязательно распространяется на глобальную.
Для неявных уравнений H(u,v,x,y)=0 и K(u,v,x,y)=0 дифференцируйте, фиксируя требуемую независимую переменную. Решите систему [[H_u,H_v],[K_u,K_v]][u_x,v_x] (транспонированное)=−[H_x,K_x] (транспонированное). Определитель относительно неизвестных u,v должен быть отличен от нуля для применения стандартной теоремы о неявной функции. Знаки справа появляются из-за переноса известных производных в другую сторону. Если определитель обращается в ноль, эта теорема не даёт однозначного вывода; она сама по себе не доказывает отсутствие ни обратной функции, ни неявного решения.
Скалярный трюк du/dx=1/(dx/du) верен для однопеременной обратной функции с ненулевой производной, но обычно не работает для связанной системы, поскольку v изменяется для сохранения y неизменным. Для x=u+v, y=u+2v якобиан J=[[1,1],[1,2]] имеет определитель 1 и обратную матрицу [[2,−1],[−1,1]]. Следовательно, u_x=2, тогда как ⟨1⟩/f_u=1. Обратный якобиан преобразует дифференциальные чувствительности; интеграл при замене переменных вместо этого использует абсолютное значение определителя для масштабирования площади или объёма, а не отдельный элемент обратной матрицы.