克莱姆法则

克莱姆法则或克莱姆法则（英语：Cramer's rule / formula）是一个线性代数中的定理，用行列式来计算出线性等式组中的所有解。这个定理因加百列·克莱姆（1704年 - 1752年）的卓越使用而命名。在计算上，并非最有效率之法，因而在很多条等式的情况中没有广泛应用。不过，这一定理在理论性方面十分有效。

线性代数
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空间 · 基底  · 行列式  · 矩阵
向量 标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量 矩阵与行列式 矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 迹 · 单位矩阵 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反对称矩阵 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展开 · 克罗内克积 线性空间与线性变换 线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 线性无关 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查 论 编

基本方程

一个线性方程组可以用矩阵与向量的方程来表示：

${\displaystyle Ax=c\,\qquad \qquad \qquad \qquad \qquad \qquad (1)}$

其中的${\displaystyle A}$是一个${\displaystyle n\times n}$的方块矩阵，而向量 ${\displaystyle x=(x_{1},x_{2},\cdots x_{n})^{T}}$ 是一个长度为n的行向量(中国大陆为列向量）。${\displaystyle c=(c_{1},c_{2},\cdots c_{n})^{T}}$ 也一样。

克莱姆法则说明：如果${\displaystyle A}$是一个可逆矩阵（ ${\displaystyle \det {A}\neq 0}$ ），那么方程(1)有解 ${\displaystyle x=(x_{1},x_{2},\cdots x_{n})^{T}}$，其中

${\displaystyle x_{i}={\det(A_{i}) \over \det(A)}}$ (1)

当中${\displaystyle x_{i}}$是列向量${\displaystyle x}$的第i行（行向量与列向量不一样，解释默认列向量）

当中${\displaystyle A_{i}}$是列向量${\displaystyle c}$取代了${\displaystyle A}$的第i列后得到的矩阵。为了方便，我们通常使用${\displaystyle \Delta }$来表示${\displaystyle \det(A)}$，用${\displaystyle \Delta _{i}}$来表示${\displaystyle \det(A_{i})}$。所以等式(1)可以写成为：

${\displaystyle x_{i}={\Delta _{i} \over \Delta }\,}$。

抽象方程

更多信息：余因子矩阵

设${\displaystyle R}$为一个环，${\displaystyle A}$就是一个包含${\displaystyle R}$的系数的${\displaystyle n\times n}$矩阵。所以：

${\displaystyle \mathrm {adj} (A)A=\mathrm {det} (A)I\,}$

当中${\displaystyle \det(A)}$就是${\displaystyle A}$的行列式，以及${\displaystyle I}$就是单位矩阵。

证明概要

对于${\displaystyle n}$元线性方程组 ${\displaystyle Ax=c}$

把系数矩阵 ${\displaystyle {\begin{smallmatrix}A\end{smallmatrix}}}$ 表示成行向量的形式

${\displaystyle A=\left(u_{1},u_{2},\cdots ,u_{n}\right)}$

由于系数矩阵可逆，故方程组一定有解${\displaystyle x^{*}=A^{-1}c}$.

设${\displaystyle x^{*}=(x_{1},x_{2},\cdots ,x_{n})^{T}}$，即

${\displaystyle Ax^{*}=\sum _{k=1}^{n}x_{k}u_{k}=c}$

考虑${\displaystyle \Delta _{i}}$的值，利用行列式的线性和交替性质，有

${\displaystyle {\begin{aligned}\Delta _{i}&=det\left(\cdots ,u_{i-1},c,u_{i+1},\cdots \right)\\&=det\left(\cdots ,u_{i-1},\sum _{k=1}^{n}x_{k}u_{k},u_{i+1},\cdots \right)\\&=\sum _{k=1}^{n}x_{k}\cdot det\left(\cdots ,u_{i-1},u_{k},u_{i+1},\cdots \right)\\&=x_{i}\cdot det\left(\cdots ,u_{i-1},u_{i},u_{i+1},\cdots \right)\\&=x_{i}\Delta \end{aligned}}}$

于是

${\displaystyle x_{i}={\frac {\Delta _{i}}{\Delta }}}$

例子

运用克莱姆法则可以很有效地解决以下方程组。

已知：

${\displaystyle ax+by={\color {red}e}\,}$

${\displaystyle cx+dy={\color {red}f}\,}$

使用矩阵来表示时就是：

${\displaystyle {\begin{bmatrix}a&b\\c&d\end{bmatrix}}{\begin{bmatrix}x\\y\end{bmatrix}}={\begin{bmatrix}{\color {red}e}\\{\color {red}f}\end{bmatrix}}}$

当矩阵可逆时，x和y可以从克莱姆法则中得出：

${\displaystyle x={\frac {\begin{vmatrix}\color {red}{e}&b\\\color {red}{f}&d\end{vmatrix}}{\begin{vmatrix}a&b\\c&d\end{vmatrix}}}={{\color {red}e}d-b{\color {red}f} \over ad-bc}}$

以及

${\displaystyle y={\frac {\begin{vmatrix}a&\color {red}{e}\\c&\color {red}{f}\end{vmatrix}}{\begin{vmatrix}a&b\\c&d\end{vmatrix}}}={a{\color {red}f}-{\color {red}e}c \over ad-bc}}$

用3×3矩阵的情况亦差不多。

已知：

${\displaystyle ax+by+cz={\color {red}j}\,}$

${\displaystyle dx+ey+fz={\color {red}k}\,}$

${\displaystyle gx+hy+iz={\color {red}l}\,}$

当中的矩阵表示为：

${\displaystyle {\begin{bmatrix}a&b&c\\d&e&f\\g&h&i\end{bmatrix}}{\begin{bmatrix}x\\y\\z\end{bmatrix}}={\begin{bmatrix}{\color {red}j}\\{\color {red}k}\\{\color {red}l}\end{bmatrix}}}$

当矩阵可逆时，可以求出x、y和z：

${\displaystyle x={\frac {\begin{vmatrix}{\color {red}j}&b&c\\{\color {red}k}&e&f\\{\color {red}l}&h&i\end{vmatrix}}{\begin{vmatrix}a&b&c\\d&e&f\\g&h&i\end{vmatrix}}}}$、   ${\displaystyle y={\frac {\begin{vmatrix}a&{\color {red}j}&c\\d&{\color {red}k}&f\\g&{\color {red}l}&i\end{vmatrix}}{\begin{vmatrix}a&b&c\\d&e&f\\g&h&i\end{vmatrix}}}}$   以及   ${\displaystyle z={\frac {\begin{vmatrix}a&b&{\color {red}j}\\d&e&{\color {red}k}\\g&h&{\color {red}l}\end{vmatrix}}{\begin{vmatrix}a&b&c\\d&e&f\\g&h&i\end{vmatrix}}}}$

微分几何上的应用

克莱姆法则在解决微分几何的问题时十分有用。

先考虑两条等式${\displaystyle F(x,y,u,v)=0\,}$和${\displaystyle G(x,y,u,v)=0\,}$。其中的u和v是需要考虑的变量，并且它们互不相关。我们可定义${\displaystyle x=X(u,v)\,}$和${\displaystyle y=Y(u,v)\,}$。

找出一条等式适合${\displaystyle \partial x/\partial u}$是克莱姆法则的简单应用。

首先，我们要计算${\displaystyle F}$、${\displaystyle G}$、${\displaystyle x}$和${\displaystyle y}$的导数：

${\displaystyle dF={\frac {\partial F}{\partial x}}dx+{\frac {\partial F}{\partial y}}dy+{\frac {\partial F}{\partial u}}du+{\frac {\partial F}{\partial v}}dv=0}$

${\displaystyle dG={\frac {\partial G}{\partial x}}dx+{\frac {\partial G}{\partial y}}dy+{\frac {\partial G}{\partial u}}du+{\frac {\partial G}{\partial v}}dv=0}$

${\displaystyle dx={\frac {\partial X}{\partial u}}du+{\frac {\partial X}{\partial v}}dv}$

${\displaystyle dy={\frac {\partial Y}{\partial u}}du+{\frac {\partial Y}{\partial v}}dv}$

将${\displaystyle dx}$和${\displaystyle dy}$代入${\displaystyle dF}$和${\displaystyle dG}$，可得出：

${\displaystyle dF=\left({\frac {\partial F}{\partial x}}{\frac {\partial x}{\partial u}}+{\frac {\partial F}{\partial y}}{\frac {\partial y}{\partial u}}+{\frac {\partial F}{\partial u}}\right)du+\left({\frac {\partial F}{\partial x}}{\frac {\partial x}{\partial v}}+{\frac {\partial F}{\partial y}}{\frac {\partial y}{\partial v}}+{\frac {\partial F}{\partial v}}\right)dv=0}$

${\displaystyle dG=\left({\frac {\partial G}{\partial x}}{\frac {\partial x}{\partial u}}+{\frac {\partial G}{\partial y}}{\frac {\partial y}{\partial u}}+{\frac {\partial G}{\partial u}}\right)du+\left({\frac {\partial G}{\partial x}}{\frac {\partial x}{\partial v}}+{\frac {\partial G}{\partial y}}{\frac {\partial y}{\partial v}}+{\frac {\partial G}{\partial v}}\right)dv=0}$

因为${\displaystyle u}$和${\displaystyle v}$互不相关，所以${\displaystyle du}$和${\displaystyle dv}$的系数都要等于0。所以等式中的系数可以被写成：

${\displaystyle {\frac {\partial F}{\partial x}}{\frac {\partial x}{\partial u}}+{\frac {\partial F}{\partial y}}{\frac {\partial y}{\partial u}}=-{\frac {\partial F}{\partial u}}}$

${\displaystyle {\frac {\partial G}{\partial x}}{\frac {\partial x}{\partial u}}+{\frac {\partial G}{\partial y}}{\frac {\partial y}{\partial u}}=-{\frac {\partial G}{\partial u}}}$

${\displaystyle {\frac {\partial F}{\partial x}}{\frac {\partial x}{\partial v}}+{\frac {\partial F}{\partial y}}{\frac {\partial y}{\partial v}}=-{\frac {\partial F}{\partial v}}}$

${\displaystyle {\frac {\partial G}{\partial x}}{\frac {\partial x}{\partial v}}+{\frac {\partial G}{\partial y}}{\frac {\partial y}{\partial v}}=-{\frac {\partial G}{\partial v}}}$

现在用克莱姆法则就可得到：

${\displaystyle {\cfrac {\partial x}{\partial u}}={\cfrac {\begin{vmatrix}-{\cfrac {\partial F}{\partial u}}&{\cfrac {\partial F}{\partial y}}\\-{\cfrac {\partial G}{\partial u}}&{\cfrac {\partial G}{\partial y}}\end{vmatrix}}{\begin{vmatrix}{\cfrac {\partial F}{\partial x}}&{\cfrac {\partial F}{\partial y}}\\{\cfrac {\partial G}{\partial x}}&{\cfrac {\partial G}{\partial y}}\end{vmatrix}}}}$

用两个雅可比矩阵来表示的方程：

${\displaystyle {\cfrac {\partial x}{\partial u}}=-{\cfrac {\left({\cfrac {\partial \left(F,G\right)}{\partial \left(y,u\right)}}\right)}{\left({\cfrac {\partial \left(F,G\right)}{\partial \left(x,y\right)}}\right)}}}$

用类似的方法就可以找到${\displaystyle {\frac {\partial x}{\partial v}}}$、${\displaystyle {\frac {\partial y}{\partial u}}}$以及${\displaystyle {\frac {\partial y}{\partial v}}}$。

基本代数上的应用

克莱姆法则可以用来证明一些线性代数中的定理，当中的定理对环理论十分有用。

线性规划上的应用

克莱姆法则可以用来证明一个线性规划问题有一个基本整数的解。这样使得线性规划的问题更容易被解决。

缺点

克莱姆法则在电子计算机出现后，被认为是难以实际用于计算的。当使用克莱姆法则计算一个${\displaystyle n}$阶线性方程组时，所需乘法次数为${\displaystyle (n+1)!}$ 次。例如求解25阶线性方程组时，总计乘法次数需要${\displaystyle 26!}$（即4.03×10²⁶）次，若计算机每秒能计算100亿次，所需时间约12.79亿年。相比之下，高斯消元法只需3060次乘法，对计算机而言易如反掌。^[1]

参考文献

1. 张宏伟，金光日，施吉林，董波 (编). 计算机科学计算 2013年第2版. 北京: 高等教育出版社. 2005: 3. ISBN 9787040365955.

${\displaystyle }$

外部链接

• Online calculator to solve a system of ecuations using the Cramer's Rule
• Systems Solver