第二章矩阵-4.克拉默法则

克拉默法则（Cramer's Rule） 是线性代数中一个用于求解线性方程组的定理。它利用**行列式（Determinant）**来表示方程组的解。

虽然在实际的大规模计算中（如计算机算法），克拉默法则因为计算效率低而不常被使用（通常使用高斯消元法），但它在理论分析、小规模方程组（2元或3元）的手算以及理解线性方程组解的结构方面非常重要。

---

1. 适用条件

克拉默法则仅适用于满足以下两个条件的线性方程组：

1. 方程个数等于未知数个数（即系数矩阵是方阵，$n \times n$）。
2. 系数矩阵的行列式不等于零（$|A| \neq 0$），这意味着方程组有唯一解。

如果 $|A| = 0$，则方程组要么无解，要么有无穷多解，此时不能使用克拉默法则。

---

2. 核心公式与步骤

假设我们有一个包含 $n$ 个未知数 $x_1, x_2, \dots, x_n$ 的 $n$ 个线性方程组成的方程组，写成矩阵形式为： $A\mathbf{x} = \mathbf{b}$

其中：

• $A$ 是 $n \times n$ 的系数矩阵。
• $\mathbf{x}$ 是未知数向量 $\begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix}$。
• $\mathbf{b}$ 是常数项向量 $\begin{pmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{pmatrix}$。

求解步骤：

1. 计算系数矩阵的行列式 $D$： 计算 $D = \det(A)$。

   • 若 $D = 0$，停止，法则不适用。
   • 若 $D \neq 0$，继续。

2. 构造替换矩阵 $A_i$： 对于每一个未知数 $x_i$（$i = 1, 2, \dots, n$），将系数矩阵 $A$ 的第 $i$ 列替换为常数项向量 $\mathbf{b}$，得到新的矩阵 $A_i$。

3. 计算替换矩阵的行列式 $D_i$： 计算 $D_i = \det(A_i)$。

4. 得出解： 第 $i$ 个未知数的值为： $x_i = \frac{D_i}{D}$

---

3. 具体案例演示（二元一次方程组）

为了直观理解，我们来看一个最简单的 $2 \times 2$ 例子。

方程组：

第一步：写出系数矩阵 $A$ 和常数向量 $\mathbf{b}$ $A = \begin{pmatrix} 2 & 3 \\ 4 & -1 \end{pmatrix}, \quad \mathbf{b} = \begin{pmatrix} 8 \\ 2 \end{pmatrix}$

第二步：计算主行列式 $D$ $D = \det(A) = \begin{vmatrix} 2 & 3 \\ 4 & -1 \end{vmatrix} = (2 \times -1) - (3 \times 4) = -2 - 12 = -14$ 因为 $D = -14 \neq 0$，所以有唯一解。

第三步：计算 $x$ 的分子行列式 $D_x$ 将 $A$ 的第一列（对应 $x$ 的系数）替换为 $\mathbf{b}$： $A_x = \begin{pmatrix} 8 & 3 \\ 2 & -1 \end{pmatrix}$ $D_x = \det(A_x) = \begin{vmatrix} 8 & 3 \\ 2 & -1 \end{vmatrix} = (8 \times -1) - (3 \times 2) = -8 - 6 = -14$

第四步：计算 $y$ 的分子行列式 $D_y$ 将 $A$ 的第二列（对应 $y$ 的系数）替换为 $\mathbf{b}$： $A_y = \begin{pmatrix} 2 & 8 \\ 4 & 2 \end{pmatrix}$ $D_y = \det(A_y) = \begin{vmatrix} 2 & 8 \\ 4 & 2 \end{vmatrix} = (2 \times 2) - (8 \times 4) = 4 - 32 = -28$

第五步：求解 $x = \frac{D_x}{D} = \frac{-14}{-14} = 1$ $y = \frac{D_y}{D} = \frac{-28}{-14} = 2$

验证： $2(1) + 3(2) = 2+6=8$ (正确) $4(1) - 2 = 2$ (正确)

---

4. 三元一次方程组的形式

对于三元方程组：

解的形式为： $x = \frac{D_x}{D}, \quad y = \frac{D_y}{D}, \quad z = \frac{D_z}{D}$

其中：

• $D = \begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{vmatrix}$
• $D_x = \begin{vmatrix} b_1 & a_{12} & a_{13} \\ b_2 & a_{22} & a_{23} \\ b_3 & a_{32} & a_{33} \end{vmatrix}$ （第一列换成 $b$）
• $D_y = \begin{vmatrix} a_{11} & b_1 & a_{13} \\ a_{21} & b_2 & a_{23} \\ a_{31} & b_3 & a_{33} \end{vmatrix}$ （第二列换成 $b$）
• $D_z = \begin{vmatrix} a_{11} & a_{12} & b_1 \\ a_{21} & a_{22} & b_2 \\ a_{31} & a_{32} & b_3 \end{vmatrix}$ （第三列换成 $b$）

---

5. 优缺点分析

优点：

• 公式化强：提供了一个直接的公式，不需要像高斯消元法那样进行行变换操作。
• 理论价值高：清晰地展示了解与系数及常数项之间的依赖关系。在微积分（如隐函数定理）和微分方程理论中经常用到其思想。
• 小系统便捷：对于 $2 \times 2$ 或 $3 \times 3$ 的方程组，手算非常快捷。

缺点：

• 计算量大：这是最大的缺陷。
  • 求解 $n$ 元方程组需要计算 $n+1$ 个 $n \times n$ 的行列式。
  • 计算一个 $n \times n$ 行列式的复杂度约为 $O(n!)$（若用定义展开）或 $O(n^3)$（若用消元法算行列式）。
  • 相比之下，高斯消元法直接求解整个方程组的复杂度稳定在 $O(n^3)$。
  • 当 $n$ 较大时（例如 $n > 4$），克拉默法则的计算量呈爆炸式增长，效率极低。
• 数值稳定性差：在计算机浮点运算中，如果 $D$ 非常接近于 0，除法操作会导致巨大的舍入误差，使得结果不准确。

6. 总结

• 什么时候用？ 当你需要手动解 2 元或 3 元方程组，或者在理论推导中需要表达解的解析形式时。
• 什么时候不用？ 当未知数很多（$n \ge 4$）或者在编写计算机程序求解大型线性系统时（此时应选用高斯消元法、LU分解或迭代法）。

克拉默法则不仅是一个计算工具，更是连接线性方程组与行列式几何意义（体积缩放比例）的重要桥梁。

这是一个非常深刻且直观的视角。要理解克拉默法则背后的几何意义，我们需要跳出“解方程就是求未知数”的代数思维，进入线性变换和几何体积的世界。

核心结论先行： 克拉默法则中的比值 $\frac{D_i}{D}$，本质上是在比较两个平行多面体（平行四边形、平行六面体等）的“有向体积”之比。

让我们分层拆解这个几何图像：

6.1. 行列式的几何意义：体积的缩放因子

首先，必须明确行列式 $\det(A)$ 代表什么。 在线性代数中，矩阵 $A$ 代表一个线性变换。

• 如果我们将单位正方形（2D）或单位立方体（3D）放入这个变换中，它的边会被拉伸、旋转或剪切。
• $\det(A)$ 的绝对值，就是这个单位图形变换后的面积（2D）或体积（3D）。
• $\det(A)$ 的符号，代表了变换是否改变了空间的“手性”（比如镜像翻转）。

例子（2D）： 设基向量为 $\mathbf{e}_1 = (1,0)$ 和 $\mathbf{e}_2 = (0,1)$。 矩阵 $A = [\mathbf{a}_1, \mathbf{a}_2]$ 将这两个基向量变换成了新的向量 $\mathbf{a}_1$ 和 $\mathbf{a}_2$。 由 $\mathbf{a}_1$ 和 $\mathbf{a}_2$ 围成的平行四边形的面积，正是 $\det(A)$。

---

6.2. 方程组 $A\mathbf{x} = \mathbf{b}$ 的几何解释

方程 $x_1\mathbf{a}_1 + x_2\mathbf{a}_2 + \dots + x_n\mathbf{a}_n = \mathbf{b}$ 可以这样理解：

• $\mathbf{a}_1, \dots, \mathbf{a}_n$ 是变换后的新基底向量。
• $\mathbf{b}$ 是目标向量。
• 我们要找一组系数 $(x_1, \dots, x_n)$，使得这些基底向量按比例缩放并相加后，刚好拼成向量 $\mathbf{b}$。

这就好比：你有一些不同方向的“积木条”（列向量），你需要决定每种积木条取多长（$x_i$），把它们首尾相接，刚好能到达终点 $\mathbf{b}$。

---

6.3. 克拉默法则的几何推导（以2维为例）

这是最精彩的部分。我们要解 $x_1 \mathbf{a}_1 + x_2 \mathbf{a}_2 = \mathbf{b}$。

第一步：看分母 $D = \det(\mathbf{a}_1, \mathbf{a}_2)$

这是由基底向量 $\mathbf{a}_1$ 和 $\mathbf{a}_2$ 围成的原始平行四边形的面积。我们可以把它看作是一个“单位网格”在变换后的面积。

第二步：看分子 $D_1 = \det(\mathbf{b}, \mathbf{a}_2)$

这里我们将 $\mathbf{a}_1$ 替换成了 $\mathbf{b}$。 由于 $\mathbf{b} = x_1 \mathbf{a}_1 + x_2 \mathbf{a}_2$，我们可以利用行列式的多重线性性质（Multilinearity）展开它：

这里有两个关键的几何性质起作用：

1. 齐次性：$\det(k\mathbf{u}, \mathbf{v}) = k \cdot \det(\mathbf{u}, \mathbf{v})$。所以第一项变成 $x_1 \det(\mathbf{a}_1, \mathbf{a}_2)$。
2. 反对称性（共线为零）：如果平行四边形的两条边是共线的（或者是同一个向量的倍数），那么它就被“压扁”了，面积为 0。
   • 因为 $\mathbf{a}_2$ 和 $x_2\mathbf{a}_2$ 方向相同，它们围成的平行四边形面积为0。
   • 即 $\det(x_2 \mathbf{a}_2, \mathbf{a}_2) = 0$。

于是奇迹发生了： $D_1 = x_1 \cdot \det(\mathbf{a}_1, \mathbf{a}_2) + 0 = x_1 \cdot D$

所以： $x_1 = \frac{D_1}{D}$

几何直观图解

想象一下：

• $D$ 是由向量 $\mathbf{a}_1$ 和 $\mathbf{a}_2$ 撑开的平行四边形面积。
• $D_1$ 是由向量 $\mathbf{b}$ 和 $\mathbf{a}_2$ 撑开的平行四边形面积。
• 因为 $\mathbf{b}$ 是 $\mathbf{a}_1$ 和 $\mathbf{a}_2$ 的组合，当我们用 $\mathbf{b}$ 替换 $\mathbf{a}_1$ 时，我们在 $\mathbf{a}_2$ 方向上的“剪切”并没有改变相对于 $\mathbf{a}_2$ 的高度（或者说，$\mathbf{b}$ 中包含的 $\mathbf{a}_2$ 分量对面积没有贡献，因为它与底边 $\mathbf{a}_2$ 平行）。
• 因此，新平行四边形 ($\mathbf{b}, \mathbf{a}_2$) 的面积，恰好是原平行四边形 ($\mathbf{a}_1, \mathbf{a}_2$) 面积的 $x_1$ 倍。

结论：$x_1$ 就是“包含目标向量 $\mathbf{b}$ 的新体积”与“原始基底体积”的比率。

---

6.4. 推广到 $n$ 维空间

在 $n$ 维空间中，行列式代表的是 $n$ 维超平行体（Hyper-parallelepiped）的有向体积。

• 分母 $D$：由所有基向量 $\mathbf{a}_1, \dots, \mathbf{a}_n$ 构成的超平行体的体积。
• 分子 $D_i$：将第 $i$ 个基向量 $\mathbf{a}_i$ 替换为目标向量 $\mathbf{b}$ 后构成的新超平行体的体积。

根据同样的线性性质推导： $\det(\mathbf{a}_1, \dots, \mathbf{b}, \dots, \mathbf{a}_n) = \det(\mathbf{a}_1, \dots, \sum x_j \mathbf{a}_j, \dots, \mathbf{a}_n)$ 展开后，只有含有 $\mathbf{a}_i$ 的那一项（系数为 $x_i$）存活下来，其他所有项因为包含重复向量（两列相同）而体积归零。

$D_i = x_i \cdot D \implies x_i = \frac{\text{新体积}}{\text{旧体积}}$

6.5. 这个视角的深刻含义

1. 解的存在性： 如果 $D=0$，意味着原始基向量构成的体积为0（它们共面或共线，退化到了低维空间）。此时，无论你怎么组合，都只能在这个低维子空间里打转。如果 $\mathbf{b}$ 不在这个子空间里（即 $D_i \neq 0$），则无解；如果 $\mathbf{b}$ 也在里面，则有无穷多解。这完美解释了为什么 $D=0$ 时克拉默法则失效。

2. 解的敏感性： 如果 $D$ 非常小（接近0），说明基向量几乎共面，形成的平行体非常“扁”。此时，$\mathbf{b}$ 的微小变化会导致 $D_i$ 的巨大相对变化，从而导致 $x_i$ 剧烈波动。这从几何上解释了为什么病态矩阵（Ill-conditioned matrix）会导致数值计算的不稳定。

3. 不需要逆矩阵： 通常我们说 $\mathbf{x} = A^{-1}\mathbf{b}$。求逆矩阵 $A^{-1}$ 在几何上很复杂。但克拉默法则告诉我们，你不需要知道整个逆变换是什么，你只需要比较体积的比例就能直接得到每一个坐标分量。

总结

克拉默法则不仅是一个代数公式，它是一个体积守恒与比例的几何陈述：

未知数 $x_i$ 的值，等于“用目标向量 $\mathbf{b}$ 替换掉第 $i$ 个基向量后所形成的新几何体体积”与“原始基向量所形成的几何体体积”之比。

这就是为什么它在理论物理和几何学中如此迷人——它将抽象的代数运算还原为了直观的空间伸缩与填充。

7.参考文献

本文参考AI回答，豆包，Deepseek,千问