克莱姆法则 Cramer`s Rule
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:
{
a
11
x
1
+
a
12
x
2
+
⋯
+
a
1
n
x
n
=
b
1
a
21
x
1
+
a
22
x
2
+
⋯
+
a
2
n
x
n
=
b
2
⋮
⋯
⋮
⋯
⋮
⋯
⋮
⋯
⋮
a
n
1
x
1
+
a
n
2
x
2
+
⋯
+
a
n
n
x
n
=
b
n
\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
=
∣
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
n
1
a
n
2
⋯
a
n
n
∣
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
x
j
=
D
j
D
(
j
=
1
,
2
,
⋯
,
n
)
x_{j}=\frac{D_{j}}{D\;\;} (j=1,2,\cdots,n)
xj=DDj(j=1,2,⋯,n)
其中
D
j
D{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:
D
1
=
∣
b
1
a
12
⋯
a
1
n
b
2
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
b
n
a
n
2
⋯
a
n
n
∣
,
D
2
=
∣
a
11
b
1
⋯
a
1
n
a
21
b
2
⋯
a
2
n
⋮
⋮
⋱
⋮
a
n
1
b
n
⋯
a
n
n
∣
,
⋯
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: b 1 , b 2 , ⋯ , b n b_{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 ≠ 0 D≠0 D=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 D D D
方程组的等式右边的b值全部为0,则行列式 D i ( i = 1 , 2 , . . . , n ) D_{i}(i=1,2,...,n) Di(i=1,2,...,n)都为0
D = 0 D=0 D=0,则 x j = D j D x_{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 D D D
- 行列式 D i ( 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:
A
x
=
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
(
b
1
,
b
2
,
⋯
,
b
n
)
T
(b_{1},b_{2},\cdots,b_{n})^{T}
(b1,b2,⋯,bn)T,若
D
≠
0
D≠0
D=0,则
A
\mathbf{A}
A可逆,由矩阵性质可得,
A
−
1
A
x
=
A
−
1
b
⇒
x
=
A
−
1
b
\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
=
[
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
n
1
a
n
2
⋯
a
n
n
]
,
∣
A
∣
=
∣
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
n
1
a
n
2
⋯
a
n
n
∣
\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
∗
=
∣
A
11
A
21
⋯
A
n
1
A
12
A
22
⋯
A
n
2
⋯
⋯
⋯
⋯
⋯
⋯
A
1
n
A
2
n
⋯
A
n
n
∣
\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
A
i
j
(
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
∣
=
a
i
1
A
i
1
+
a
i
2
A
i
2
+
⋯
+
a
i
n
A
i
n
|\mathbf{A}|=a_{i1}A_{i1}+a_{i2}A_{i2}+\cdots+a_{in}A_{in}
∣A∣=ai1Ai1+ai2Ai2+⋯+ainAin
∣
A
∣
=
a
1
j
A
1
j
+
a
2
j
A
2
j
+
⋯
+
a
n
j
A
n
j
|\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:
a
i
1
A
j
1
+
a
i
2
A
j
2
+
⋯
+
a
i
n
A
j
n
=
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)
a
1
i
A
1
j
+
a
2
i
A
2
j
+
⋯
+
a
n
i
A
n
j
=
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:
A
A
∗
=
A
∗
A
=
∣
∣
A
∣
0
⋯
0
0
∣
A
∣
⋯
0
⋯
⋯
⋯
⋯
0
0
⋯
∣
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,
A
A
∗
∣
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
−
1
b
=
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
D
1
,
D
2
,
⋯
,
D
n
D_{1},D_{2},\cdots,D_{n}
D1,D2,⋯,Dn又有什么关系呢?
如下:
A
∗
=
∣
A
11
A
21
⋯
A
n
1
A
12
A
22
⋯
A
n
2
⋯
⋯
⋯
⋯
⋯
⋯
A
1
n
A
2
n
⋯
A
n
n
∣
,
b
=
[
b
1
b
2
⋮
b
n
]
⇒
A
∗
b
=
[
b
1
A
11
+
b
2
A
21
+
⋯
+
b
n
A
n
1
b
1
A
12
+
b
2
A
22
+
⋯
+
b
n
A
n
2
⋯
b
1
A
1
n
+
b
2
A
2
n
+
⋯
+
b
n
A
n
n
]
\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,
b
1
A
11
+
b
2
A
21
+
⋯
+
b
n
A
n
1
=
∣
b
1
a
12
⋯
a
1
n
b
2
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
b
n
a
n
2
⋯
a
n
n
∣
=
D
1
b_{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
=
[
D
1
D
2
⋮
D
n
]
\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 = [ x 1 x 2 ⋮ x n ] = 1 D [ D 1 D 2 ⋮ D n ] = 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:
x
1
=
D
1
D
,
x
2
=
D
2
D
,
⋯
,
x
n
=
D
n
D
x_{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 ) = 0 F(x, y, u, v) = 0\, F(x,y,u,v)=0和 G ( x , y , u , v ) = 0 G(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 F F F、 G G G、 x x x和 y y y的导数:
d
F
=
∂
F
∂
x
d
x
+
∂
F
∂
y
d
y
+
∂
F
∂
u
d
u
+
∂
F
∂
v
d
v
=
0
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
dF=∂x∂Fdx+∂y∂Fdy+∂u∂Fdu+∂v∂Fdv=0
d
G
=
∂
G
∂
x
d
x
+
∂
G
∂
y
d
y
+
∂
G
∂
u
d
u
+
∂
G
∂
v
d
v
=
0
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
dG=∂x∂Gdx+∂y∂Gdy+∂u∂Gdu+∂v∂Gdv=0
d
x
=
∂
X
∂
u
d
u
+
∂
X
∂
v
d
v
dx = \frac{\partial X}{\partial u} du + \frac{\partial X}{\partial v} dv
dx=∂u∂Xdu+∂v∂Xdv
d
y
=
∂
Y
∂
u
d
u
+
∂
Y
∂
v
d
v
dy = \frac{\partial Y}{\partial u} du + \frac{\partial Y}{\partial v} dv
dy=∂u∂Ydu+∂v∂Ydv
将 d x dx dx和 d y dy dy代入 d F dF dF和 d G dG dG,可得出:
d F = ( ∂ F ∂ x ∂ x ∂ u + ∂ F ∂ y ∂ y ∂ u + ∂ F ∂ u ) d u + ( ∂ F ∂ x ∂ x ∂ v + ∂ F ∂ y ∂ y ∂ v + ∂ F ∂ v ) d v = 0 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 dF=(∂x∂F∂u∂x+∂y∂F∂u∂y+∂u∂F)du+(∂x∂F∂v∂x+∂y∂F∂v∂y+∂v∂F)dv=0
d
G
=
(
∂
G
∂
x
∂
x
∂
u
+
∂
G
∂
y
∂
y
∂
u
+
∂
G
∂
u
)
d
u
+
(
∂
G
∂
x
∂
x
∂
v
+
∂
G
∂
y
∂
y
∂
v
+
∂
G
∂
v
)
d
v
=
0
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
dG=(∂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
u
u
u和
v
v
v互不相关,所以
d
u
du
du和
d
v
dv
dv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。