Cramer`s Rule 克莱姆法则(克拉默法则)
克莱姆法则 Cramer`s Rule
- 1.什么是Cramer`s Rule
- 2.Cramer`s Rule的具体内容
- 3.Cramer`s Rule的计算效率
- 4.由伴随矩阵引出Cramer`s Rule
- 5.Cramer`s Rule的价值
- 引用:
1.什么是Cramer`s Rule
下面引用百度百科和维基百科的介绍
百度百科:
克莱姆法则,又译克拉默法则(Cramer’s Rule)是线性代数中一个关于求解线性方程组的定理。它适用于变量和方程数目相等的线性方程组,是瑞士数学家克莱姆(1704-1752)于1750年,在他的《线性代数分析导言》中发表的。其实莱布尼兹〔1693〕,以及马克劳林〔1748〕亦知道这个法则,但他们的记法不如克莱姆。
对于多于两个或三个方程的系统,克莱姆的规则在计算上非常低效;与具有多项式时间复杂度的消除方法相比,其渐近的复杂度为O(n·n!)。即使对于2×2系统,克拉默的规则在数值上也是不稳定的
维基百科:
克莱姆法则(英语:Cramer’s rule),又称为克莱姆公式,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
上面的介绍,说了几个重点:
- 是线性代数中的一个定理,关于求解线性方程组的,用行列式来计算出线性等式组中的所有解,适用于变量和方程数目相等的线性方程组。
- 在计算上,并非最有效率之法;相较于消除法(高斯消元法),具有更高的复杂度。
- 但是这一定理在理论性方面十分有效 。
这是对克莱姆法则的总体评价。
2.Cramer`s Rule的具体内容
n元非齐次线性方程组中:
{a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮⋯⋮⋯⋮⋯⋮⋯⋮an1x1+an2x2+⋯+annxn=bn\left\{\begin{matrix} a_{11}x_{1}+a_{12}x_{2}+\cdots +a_{1n}x_{n}=b_{1} & & & & \\ a_{21}x_{1}+a_{22}x_{2}+\cdots +a_{2n}x_{n}=b_{2} & & & & \\ \vdots \;\;\cdots\;\;\vdots\;\;\;\cdots\;\;\vdots\;\cdots\;\vdots\;\;\cdots\;\;\;\vdots & & & & \\ a_{n1}x_{1}+a_{n2}x_{2}+\cdots +a_{nn}x_{n}=b_{n} & & & & \\ \end{matrix}\right. ⎩⎪⎪⎪⎨⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮⋯⋮⋯⋮⋯⋮⋯⋮an1x1+an2x2+⋯+annxn=bn
系数构成的行列式称为该方程组的系数行列式D,即
D=∣a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann∣D=\begin{vmatrix} a_{11}\; \;a_{12}\; \; \cdots\; \;a_{1n} \\a_{21}\; \;a_{22}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\a_{n1}\; \;a_{n2}\; \; \cdots\; \;a_{nn} \end{vmatrix} D=∣∣∣∣∣∣∣∣∣a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann∣∣∣∣∣∣∣∣∣
若线性方程组的系数矩阵可逆(非奇异),即系数行列式 D≠0,则线性方程组有唯一解,其解为
xj=DjD(j=1,2,⋯,n)x_{j}=\frac{D_{j}}{D\;\;} (j=1,2,\cdots,n)xj=DDj(j=1,2,⋯,n)
其中DjD{j}Dj是把D中第j列元素对应地换成常数项而其余各列保持不变所得到的行列式。如:
D1=∣b1a12⋯a1nb2a22⋯a2n⋮⋮⋱⋮bnan2⋯ann∣,D2=∣a11b1⋯a1na21b2⋯a2n⋮⋮⋱⋮an1bn⋯ann∣,⋯D_{1}=\begin{vmatrix} b_{1}\; \;a_{12}\; \; \cdots\; \;a_{1n} \\b_{2}\; \;a_{22}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\b_{n}\; \;a_{n2}\; \; \cdots\; \;a_{nn} \end{vmatrix} , D_{2}=\begin{vmatrix} a_{11}\; \;b_{1}\; \; \cdots\; \;a_{1n} \\a_{21}\; \;b_{2}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\a_{n1}\; \;b_{n}\; \; \cdots\; \;a_{nn} \end{vmatrix} ,\cdots D1=∣∣∣∣∣∣∣∣∣b1a12⋯a1nb2a22⋯a2n⋮⋮⋱⋮bnan2⋯ann∣∣∣∣∣∣∣∣∣,D2=∣∣∣∣∣∣∣∣∣a11b1⋯a1na21b2⋯a2n⋮⋮⋱⋮an1bn⋯ann∣∣∣∣∣∣∣∣∣,⋯
以上就是克莱姆法则的内容,使用时有如下前提:
- n元非齐次线性方程组
- n元:未知数x的个数为n, 方程的个数为n
- 非齐次: b1,b2,⋯,bnb_{1},b_{2},\cdots,b_{n}b1,b2,⋯,bn不全为0
- 线性:x的最高次幂为1,即多元一次
- 系数行列式D≠0D≠0D=0,保证方程解的唯一性
方程的个数和未知数个数不相等的话,系数无法构成行列式DDD
方程组的等式右边的b值全部为0,则行列式Di(i=1,2,...,n)D_{i}(i=1,2,...,n)Di(i=1,2,...,n)都为0
D=0D=0D=0,则xj=DjDx_{j}=\frac{D_{j}}{D\;\;}xj=DDj没有意义
可见,克莱姆法则在使用上有很多的限制。
3.Cramer`s Rule的计算效率
n元非齐次方程组,需要计算的行列式有:
- 系数行列式DDD
- 行列式Di(i=1,2,...,n)D_{i}(i=1,2,...,n)Di(i=1,2,...,n)
即n+1个行列式,其渐近的复杂度为O(n·n!)
相较于高斯消元法,克莱姆法则是低效的,实际应用不广泛。
4.由伴随矩阵引出Cramer`s Rule
n元线性方程组可以表示为:
Ax=b\mathbf{Ax} = \mathbf{b}Ax=b
A\mathbf{A}A为方程组的系数矩阵,b\mathbf{b}b为向量(b1,b2,⋯,bn)T(b_{1},b_{2},\cdots,b_{n})^{T}(b1,b2,⋯,bn)T,若D≠0D≠0D=0,则A\mathbf{A}A可逆,由矩阵性质可得,
A−1Ax=A−1b⇒x=A−1b\mathbf{A^{-1}}\mathbf{Ax} = \mathbf{A^{-1}}\mathbf{b}\;\;\Rightarrow\;\;\mathbf{x} = \mathbf{A^{-1}}\mathbf{b}A−1Ax=A−1b⇒x=A−1b
则接下来的关键,就是要求出A−1\mathbf{A}^{-1}A−1,有两种方法:
初等变换法
伴随矩阵法
初等变换法,借助消除法(高斯消元法),简单高效
伴随矩阵法,计算起来比较复杂,但是可以借此引出克莱姆法则。
设A\mathbf{A}A为n阶矩阵,∣A∣|\mathbf{A}|∣A∣为矩阵A的行列式,A∗\mathbf{A}^{*}A∗为矩阵的伴随矩阵
A=[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann],∣A∣=∣a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann∣\mathbf{A}=\begin{bmatrix} a_{11}\; \;a_{12}\; \; \cdots\; \;a_{1n} \\a_{21}\; \;a_{22}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\a_{n1}\; \;a_{n2}\; \; \cdots\; \;a_{nn} \end{bmatrix},\;\;\; |\mathbf{A}|=\begin{vmatrix} a_{11}\; \;a_{12}\; \; \cdots\; \;a_{1n} \\a_{21}\; \;a_{22}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\a_{n1}\; \;a_{n2}\; \; \cdots\; \;a_{nn} \end{vmatrix} A=⎣⎢⎢⎢⎡a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann⎦⎥⎥⎥⎤,∣A∣=∣∣∣∣∣∣∣∣∣a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann∣∣∣∣∣∣∣∣∣
A∗=∣A11A21⋯An1A12A22⋯An2⋯⋯⋯⋯⋯⋯A1nA2n⋯Ann∣\mathbf{A}^{*}=\begin{vmatrix} \mathbf{A}_{11}\;\;\mathbf{A}_{21}\;\;\cdots\;\;\mathbf{A}_{n1} \\\mathbf{A}_{12}\;\;\mathbf{A}_{22}\;\;\cdots\;\;\mathbf{A}_{n2} \\\cdots\cdots\cdots\cdots\cdots\cdots \\\mathbf{A}_{1n}\;\;\mathbf{A}_{2n}\;\;\cdots\;\;\mathbf{A}_{nn} \end{vmatrix} A∗=∣∣∣∣∣∣∣∣A11A21⋯An1A12A22⋯An2⋯⋯⋯⋯⋯⋯A1nA2n⋯Ann∣∣∣∣∣∣∣∣
其中Aij(i,j∈1,2,...,n)\mathbf{A}_{ij}(i,j\in1,2,...,n)Aij(i,j∈1,2,...,n)为∣A∣|\mathbf{A}|∣A∣的代数余子式。
由行列式的拉普拉斯展开,可得
∣A∣=ai1Ai1+ai2Ai2+⋯+ainAin|\mathbf{A}|=a_{i1}A_{i1}+a_{i2}A_{i2}+\cdots+a_{in}A_{in}∣A∣=ai1Ai1+ai2Ai2+⋯+ainAin
或
∣A∣=a1jA1j+a2jA2j+⋯+anjAnj|\mathbf{A}|=a_{1j}A_{1j}+a_{2j}A_{2j}+\cdots+a_{nj}A_{nj}∣A∣=a1jA1j+a2jA2j+⋯+anjAnj
i,j∈(1,2,⋯,n)i,j\in(1,2,\cdots,n)i,j∈(1,2,⋯,n).
代数余子式在这里有一个特点,一行(或列)的子式与另一行(或列)的代数余子式的乘积之和为零。即:
ai1Aj1+ai2Aj2+⋯+ainAjn=0,(i≠j)a_{i1}A_{j1}+a_{i2}A_{j2}+\cdots+a_{in}A_{jn}=0,(i \neq j)ai1Aj1+ai2Aj2+⋯+ainAjn=0,(i=j)
a1iA1j+a2iA2j+⋯+aniAnj=0,(i≠j)a_{1i}A_{1j}+a_{2i}A_{2j}+\cdots+a_{ni}A_{nj}=0,(i \neq j)a1iA1j+a2iA2j+⋯+aniAnj=0,(i=j)
故而,可推出:
AA∗=A∗A=∣∣A∣0⋯00∣A∣⋯0⋯⋯⋯⋯00⋯∣A∣∣=∣A∣I\mathbf{A}\mathbf{A^{*}}=\mathbf{A^{*}}\mathbf{A}=\begin{vmatrix} \mathbf{|A|}\;\;0\;\;\cdots\;\;0\;\; \\\;\;0\;\;\mathbf{|A|}\cdots\;\;0\;\; \\\cdots\cdots\cdots\cdots \\\;\;0\;\;\;\;0\cdots\;\;\mathbf{|A|} \end{vmatrix}=\mathbf{|A|}\:\mathbf{I} AA∗=A∗A=∣∣∣∣∣∣∣∣∣A∣0⋯00∣A∣⋯0⋯⋯⋯⋯00⋯∣A∣∣∣∣∣∣∣∣∣=∣A∣I
A∗\mathbf{A^{*}}A∗巧妙的地方就在这,被构造出来的按照特定的顺序排列的代数余子式矩阵,跟矩阵A\mathbf{A}A相乘之后,居然能够得到一个标量乘以单位矩阵I\,\mathbf{ I}I,等式两边除以标量∣A∣\mathbf{|A|}∣A∣,得,
AA∗∣A∣=A∗∣A∣A=I⇒A−1=A∗∣A∣\mathbf{A}\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}}=\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}}\mathbf{A}=\mathbf{I}\;\;\Rightarrow \;\; \mathbf{A^{-1}}=\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}} A∣A∣A∗=∣A∣A∗A=I⇒A−1=∣A∣A∗
从而,
x=A−1b=A∗∣A∣b\mathbf{x} = \mathbf{A^{-1}}\:\mathbf{b}=\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}}\:\mathbf{b}x=A−1b=∣A∣A∗b
到了这一步,克莱姆法则的推导就要呼之欲出了
对于方程组来说,系数矩阵的行列式∣A∣=D\mathbf{|A|}=D∣A∣=D,那A∗b\mathbf{\;A^{*}}\:\mathbf{b}A∗b跟D1,D2,⋯,DnD_{1},D_{2},\cdots,D_{n}D1,D2,⋯,Dn又有什么关系呢?
如下:
A∗=∣A11A21⋯An1A12A22⋯An2⋯⋯⋯⋯⋯⋯A1nA2n⋯Ann∣,b=[b1b2⋮bn]⇒A∗b=[b1A11+b2A21+⋯+bnAn1b1A12+b2A22+⋯+bnAn2⋯b1A1n+b2A2n+⋯+bnAnn]\mathbf{A}^{*}=\begin{vmatrix} \mathbf{A}_{11}\;\;\mathbf{A}_{21}\;\;\cdots\;\;\mathbf{A}_{n1} \\\mathbf{A}_{12}\;\;\mathbf{A}_{22}\;\;\cdots\;\;\mathbf{A}_{n2} \\\cdots\cdots\cdots\cdots\cdots\cdots \\\mathbf{A}_{1n}\;\;\mathbf{A}_{2n}\;\;\cdots\;\;\mathbf{A}_{nn} \end{vmatrix}, \mathbf{b}=\begin{bmatrix} b_{1} \\b_{2} \\\vdots \\b_{n} \end{bmatrix} \Rightarrow \mathbf{A}^{*}\mathbf{b}=\begin{bmatrix} b_{1}\mathbf{A_{11}}+b_{2}\mathbf{A_{21}}+\cdots+b_{n}\mathbf{A_{n1}} \\b_{1}\mathbf{A_{12}}+b_{2}\mathbf{A_{22}}+\cdots+b_{n}\mathbf{A_{n2}} \\\cdots \\b_{1}\mathbf{A_{1n}}+b_{2}\mathbf{A_{2n}}+\cdots+b_{n}\mathbf{A_{nn}} \end{bmatrix} A∗=∣∣∣∣∣∣∣∣A11A21⋯An1A12A22⋯An2⋯⋯⋯⋯⋯⋯A1nA2n⋯Ann∣∣∣∣∣∣∣∣,b=⎣⎢⎢⎢⎡b1b2⋮bn⎦⎥⎥⎥⎤⇒A∗b=⎣⎢⎢⎡b1A11+b2A21+⋯+bnAn1b1A12+b2A22+⋯+bnAn2⋯b1A1n+b2A2n+⋯+bnAnn⎦⎥⎥⎤
而,
b1A11+b2A21+⋯+bnAn1=∣b1a12⋯a1nb2a22⋯a2n⋮⋮⋱⋮bnan2⋯ann∣=D1b_{1}\mathbf{A_{11}}+b_{2}\mathbf{A_{21}}+\cdots+b_{n}\mathbf{A_{n1}}=\begin{vmatrix} b_{1}\; \;a_{12}\; \; \cdots\; \;a_{1n} \\b_{2}\; \;a_{22}\; \; \cdots\; \;a_{2n} \\\vdots\;\;\;\;\vdots\;\;\;\;\ddots\;\;\;\;\vdots \\b_{n}\; \;a_{n2}\; \; \cdots\; \;a_{nn} \end{vmatrix}=D_{1} b1A11+b2A21+⋯+bnAn1=∣∣∣∣∣∣∣∣∣b1a12⋯a1nb2a22⋯a2n⋮⋮⋱⋮bnan2⋯ann∣∣∣∣∣∣∣∣∣=D1
故,
A∗b=[D1D2⋮Dn]\mathbf{A}^{*}\mathbf{b}=\begin{bmatrix} D_{1} \\D_{2} \\\vdots \\D_{n} \end{bmatrix}A∗b=⎣⎢⎢⎢⎡D1D2⋮Dn⎦⎥⎥⎥⎤
代入x=A∗∣A∣b\mathbf{x} =\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}}\:\mathbf{b}x=∣A∣A∗b中,得,
x=[x1x2⋮xn]=1D[D1D2⋮Dn]=A∗∣A∣b\mathbf{x} =\begin{bmatrix} x_{1} \\x_{2} \\\vdots \\x_{n} \end{bmatrix}=\frac{1}{D}\begin{bmatrix} D_{1} \\D_{2} \\\vdots \\D_{n} \end{bmatrix}=\frac{\mathbf{\;A^{*}}}{\mathbf{|A|}}\:\mathbf{b} x=⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤=D1⎣⎢⎢⎢⎡D1D2⋮Dn⎦⎥⎥⎥⎤=∣A∣A∗b
最后可得:
x1=D1D,x2=D2D,⋯,xn=DnDx_{1}=\frac{D_{1}}{D\;\;} ,x_{2}=\frac{D_{2}}{D\;\;},\cdots,x_{n}=\frac{D_{n}}{D\;\;}x1=DD1,x2=DD2,⋯,xn=DDn
由此,可得到克莱姆法则的表达式
由伴随矩阵得到了逆矩阵,也由伴随矩阵推导出了克莱姆法则
5.Cramer`s Rule的价值
- 研究了方程组的系数与方程组解的存在性与唯一性关系。
- 与其在计算方面的作用相比,克莱姆法则更具有重大的理论价值。
- 克莱姆法则不仅仅适用于实数域,它在任何域上面都可以成立。
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F(x,y,u,v)=0F(x, y, u, v) = 0\,F(x,y,u,v)=0和G(x,y,u,v)=0G(x, y, u, v) = 0\,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x=X(u,v)x = X(u, v)\,x=X(u,v)和y=Y(u,v)y = Y(u, v)\,y=Y(u,v)。
找出一条等式适合∂x/∂u\partial x/\partial u∂x/∂u是克莱姆法则的简单应用。
首先,我们要计算FFF、GGG、xxx和yyy的导数:
dF=∂F∂xdx+∂F∂ydy+∂F∂udu+∂F∂vdv=0dF = \frac{\partial F}{\partial x} dx + \frac{\partial F}{\partial y} dy +\frac{\partial F}{\partial u} du +\frac{\partial F}{\partial v} dv = 0dF=∂x∂Fdx+∂y∂Fdy+∂u∂Fdu+∂v∂Fdv=0
dG=∂G∂xdx+∂G∂ydy+∂G∂udu+∂G∂vdv=0dG = \frac{\partial G}{\partial x} dx + \frac{\partial G}{\partial y} dy +\frac{\partial G}{\partial u} du +\frac{\partial G}{\partial v} dv = 0dG=∂x∂Gdx+∂y∂Gdy+∂u∂Gdu+∂v∂Gdv=0
dx=∂X∂udu+∂X∂vdvdx = \frac{\partial X}{\partial u} du + \frac{\partial X}{\partial v} dvdx=∂u∂Xdu+∂v∂Xdv
dy=∂Y∂udu+∂Y∂vdvdy = \frac{\partial Y}{\partial u} du + \frac{\partial Y}{\partial v} dvdy=∂u∂Ydu+∂v∂Ydv
将dxdxdx和dydydy代入dFdFdF和dGdGdG,可得出:
dF=(∂F∂x∂x∂u+∂F∂y∂y∂u+∂F∂u)du+(∂F∂x∂x∂v+∂F∂y∂y∂v+∂F∂v)dv=0dF = \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 = 0dF=(∂x∂F∂u∂x+∂y∂F∂u∂y+∂u∂F)du+(∂x∂F∂v∂x+∂y∂F∂v∂y+∂v∂F)dv=0
dG=(∂G∂x∂x∂u+∂G∂y∂y∂u+∂G∂u)du+(∂G∂x∂x∂v+∂G∂y∂y∂v+∂G∂v)dv=0dG = \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 = 0dG=(∂x∂G∂u∂x+∂y∂G∂u∂y+∂u∂G)du+(∂x∂G∂v∂x+∂y∂G∂v∂y+∂v∂G)dv=0
因为uuu和vvv互不相关,所以dududu和dvdvdv的系数都要等于0。所以等式中的系数可以被写成:
∂F∂x∂x∂u+∂F∂y∂y∂u=−∂F∂u\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}∂x∂F∂u∂x+∂y∂F∂u∂y=−∂u∂F
∂G∂x∂x∂u+∂G∂y∂y∂u=−∂G∂u\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}∂x∂G∂u∂x+∂y∂G∂u∂y=−∂u∂G
∂F∂x∂x∂v+∂F∂y∂y∂v=−∂F∂v\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}∂x∂F∂v∂x+∂y∂F∂v∂y=−∂v∂F
∂G∂x∂x∂v+∂G∂y∂y∂v=−∂G∂v\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}∂x∂G∂v∂x+∂y∂G∂v∂y=−∂v∂G
现在用克莱姆法则就可得到:
∂x∂u=∣−∂F∂u∂F∂y−∂G∂u∂G∂y∣∣∂F∂x∂F∂y∂G∂x∂G∂y∣\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}}∂u∂x=∣∣∣∣∣∣∣∣∂x∂F∂x∂G∂y∂F∂y∂G∣∣∣∣∣∣∣∣∣∣∣∣∣∣∣∣−∂u∂F−∂u∂G∂y∂F∂y∂G∣∣∣∣∣∣∣∣
用两个雅可比矩阵来表示的方程:
∂x∂u=−(∂(F,G)∂(y,u))(∂(F,G)∂(x,y))\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)}∂u∂x=−(∂(x,y)∂(F,G))(∂(y,u)∂(F,G))
用类似的方法就可以找到∂x∂v\frac{\partial x}{\partial v}∂v∂x、∂y∂u\frac{\partial y}{\partial u}∂u∂y以及∂y∂v\frac{\partial y}{\partial v}∂v∂y。
引用:
1.百度百科: 克莱姆法则.
2.维基百科: 克莱姆法则.
Cramer`s Rule 克莱姆法则(克拉默法则)相关推荐
- Chapter 3 (Determinants): Cramer‘s rule, volume, and linear transformations (克拉默法则、体积和线性变换)
本文为<Linear algebra and its applications>的读书笔记 目录 Cramer's Rule Application to Engineering A Fo ...
- LA@线性方程组解的结构@Cramer法则@高斯消元法
文章目录 LA@线性方程组解的结构@Cramer法则@高斯消元法 preface 矩阵方程和线性方程组 Cramer's Rule@克莱姆法则 new 齐次化推论 证明Cramer's Rule 高斯 ...
- 线性代数之行列式矩阵术语中英对照
线性代数之行列式矩阵术语中英对照 本文基于Steven J. Leon著的第九版<Linear Algebra with Applications>整理,后续会输出其它章节,敬请期待. d ...
- 【线性代数】5-3:克莱姆法则,逆和体积(Cramers Rule,Inverses,and Volumes)
原文地址1:https://www.face2ai.com/Math-Linear-Algebra-Chapter-5-3转载请标明出处 Abstract: 本文主要介绍行列式的应用,包括求逆,求面积 ...
- python实现克莱姆法则
文章目录 首先完成python模拟行列式运算 公式分析 模块分析与实现 环境 模块导入 全排列 逆序数 方阵计算 克莱姆法则 *Cramer's rule* 注:本文对numpy对象使用append方 ...
- MIT线性代数笔记二十讲 克莱姆法则、逆矩阵、体积
文章目录 1. 逆矩阵的公式 Formula for A−1A^{−1}A−1 2. 克莱姆法则 Cramer's Rule for x=A−1bx = A^{−1}bx=A−1b 3. 体积 |de ...
- 克拉默法则、逆矩阵、体积
这一篇主要介绍行列式的3个应用:求逆矩阵.方程求解.计算面积和体积. 应用1:求逆矩阵 首先直接给出求逆公式 是A的代数余子式矩阵(matrix of cofactors), ,其中C11为元素a11 ...
- 高等代数 行列式(第2章)
零.2阶行列式 1.概念: 对二元一次方程组{a11x1+a12x2=b1a21x1+a22x2=b2\begin{cases}a_{11}x_1+a_{12}x_2=b_1\\a_{21}x_1+a ...
- MIT 18.06 +线性代数的几何意义+3Blue1Brown 笔记
第一节 线性映射与线性变换 线性函数:初等f(x)=kxf ( x ) = k xf(x)=kx,满足可加性与比例行,几何意义为一条直线:高等线性函数:扩展初等线性函数,f(x1,x2,⋯,xn)=k ...
- 光线跟踪的几种常见求交运算
光线跟踪的几种常见求交运算 我们知道光线跟踪中最昂贵的就是和几何对象的求交运算了.这里就记录几个比较常见的光线和几何对象求交运算. 球 射线与球体相交可能是射线几何相交测试的最简单形式,这就是为什么这 ...
最新文章
- 比特币现金(BCH)是世界上最好货币的十大理由
- N*N匹马,N个赛道,求出最快N匹马的解法
- 【经典回放】多种语言系列数据结构算法:基数排序
- python库迁移到没有网的电脑_python实现数据库跨服务器迁移
- 绝杀《绝地求生》外挂!
- chmod 777命令_Linux用户权限管理及用户权限管理命令操作
- 编程语言-Java-问题整理
- 计算机软件国民经济行业代码,国民经济行业类别及代码.DOC
- CVI通过ODBC连接数据库的方法
- tomato(番茄)固件的简单设置截图
- 极客公园创新大会 IF 2018,用科技主义和独立思维击退喧嚣
- 微信语音对方无法听到声音解决办法
- 手把手带你可视化分析NBA首轮球队表现及火勇对决前瞻!
- ML之SHAP:机器学习可解释性之SHAP值的高级使用之聚合SHAP值以获得更详细的模型见解
- MySQL详解(六):MySQL服务器性能优化
- 970万,看美女是如何炼成巨贪的!
- ubuntu 有key登入sshd Failed publickey for xxx from xx port Xxx ssh2
- 迁移学习——综述文献
- Simulink三相电机仿真(4)
- Autosar BSW开发必知的“术语”+“缩写”概念-1-诊断通信篇