Regola di Cramer

La regola di Cramer, o metodo di Cramer, è un teorema di algebra lineare, che prende il nome dal matematico Gabriel Cramer, utile per risolvere un sistema di equazioni lineari usando il determinante, nel caso in cui il sistema abbia esattamente una soluzione.

Come algoritmo di calcolo è inefficiente. Pertanto, può essere effettivamente utilizzato solo per risolvere sistemi di poche equazioni. Tuttavia, esso è di grande importanza teorica in quanto dà un'espressione esplicita per la soluzione del sistema.

Un sistema di equazioni lineari può essere rappresentato usando moltiplicazione fra matrici come:

${\displaystyle Ax=c}$

dove ${\displaystyle A}$ è una matrice e ${\displaystyle x}$, ${\displaystyle c}$ sono due vettori. Se ${\displaystyle A}$ è una matrice quadrata (cioè il numero di incognite del sistema è pari al numero di equazioni) ed è anche invertibile (determinante diverso da zero cioè rango della matrice uguale al numero di incognite), il teorema di Rouché-Capelli asserisce che il sistema ha esattamente una soluzione.

In questo caso, la regola di Cramer fornisce un algoritmo per calcolare la soluzione ${\displaystyle (x_{1},\ldots ,x_{n})}$ usando il determinante nel modo seguente:

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

dove ${\displaystyle A_{i}}$ è la matrice formata sostituendo la ${\displaystyle i}$-esima colonna di ${\displaystyle A}$ con il vettore ${\displaystyle c}$. Si nota che la condizione di invertibilità di ${\displaystyle A}$ garantisce che il denominatore ${\displaystyle \det(A)}$ sia diverso da zero, e quindi che l'espressione descritta abbia sempre senso.

La dimostrazione tiene conto di due proprietà dei determinanti:

• Se si somma una colonna a un'altra, il valore del determinante non cambia;
• Se si moltiplica ogni elemento di una colonna per un certo fattore, il determinante risulterà moltiplicato di altrettanto.

Dato un sistema di ${\displaystyle n}$ equazioni lineari in ${\displaystyle n}$ variabili ${\displaystyle x_{1},x_{2},\ldots ,x_{n}}$:

${\displaystyle \left\{{\begin{matrix}a_{1,1}x_{1}+a_{1,2}x_{2}+\cdots +a_{1,n}x_{n}&=&b_{1}\\a_{2,1}x_{1}+a_{2,2}x_{2}+\cdots +a_{2,n}x_{n}&=&b_{2}\\&\vdots &\\a_{n,1}x_{1}+a_{n,2}x_{2}+\cdots +a_{n,n}x_{n}&=&b_{n}\end{matrix}}\right.}$

La regola di Cramer fornisce, per il valore di ${\displaystyle x_{1}}$, l'espressione:

${\displaystyle {\frac {\det \left|{\begin{matrix}b_{1}&a_{12}&\ldots &a_{1n}\\b_{2}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\b_{n}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}}}$

che può essere verificata adoperando le suddette proprietà del determinante. Infatti, stando al sistema, il quoziente riportato è equivalente a:

${\displaystyle {\frac {\det \left|{\begin{matrix}(a_{11}x_{1}+a_{12}x_{2}+\cdots +a_{1n}x_{n})&a_{12}&\ldots &a_{1n}\\(a_{21}x_{1}+a_{22}x_{2}+\cdots +a_{2n}x_{n})&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\(a_{n1}x_{1}+a_{n2}x_{2}+\cdots +a_{nn}x_{n})&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}}}$

Sottraendo dalla prima colonna la seconda moltiplicata per ${\displaystyle x_{2}}$, la terza colonna moltiplicata per ${\displaystyle x_{3}}$ ecc., e la ${\displaystyle n}$-sima colonna moltiplicata per ${\displaystyle x_{n}}$, si ottiene l'espressione:

${\displaystyle {\frac {\det \left|{\begin{matrix}a_{11}x_{1}&a_{12}&\ldots &a_{1n}\\a_{21}x_{1}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}x_{1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}}}$

e, stando alla seconda proprietà del determinante, questo equivale a:

${\displaystyle {\frac {x_{1}\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}}=x_{1}}$

Allo stesso modo, se la colonna di ${\displaystyle b}$ si trova al posto della ${\displaystyle k}$-sima colonna della matrice del sistema di equazioni, il risultato sarà uguale a ${\displaystyle x_{k}}$. Pertanto si ottiene:

${\displaystyle x_{1}={\frac {\det \left|{\begin{matrix}b_{1}&a_{12}&\ldots &a_{1n}\\b_{2}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\b_{n}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}},\ \ x_{2}={\frac {\det \left|{\begin{matrix}a_{11}&b_{1}&\ldots &a_{1n}\\a_{21}&b_{2}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&b_{n}&\ldots &a_{nn}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}},\ \ \ldots ,\ \ x_{n}={\frac {\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &b_{1}\\a_{21}&a_{22}&\ldots &b_{2}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &b_{n}\end{matrix}}\right|}{\det \left|{\begin{matrix}a_{11}&a_{12}&\ldots &a_{1n}\\a_{21}&a_{22}&\ldots &a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{n1}&a_{n2}&\ldots &a_{nn}\end{matrix}}\right|}}}$

La regola di Cramer può essere mostrata utilizzandone l'interpretazione geometrica. Si consideri il caso di due equazioni in due incognite:

${\displaystyle {\begin{matrix}a_{11}x_{1}+a_{12}x_{2}&=b_{1}\\a_{21}x_{1}+a_{22}x_{2}&=b_{2}\end{matrix}}}$

che si può vedere come un'equazione tra vettori:

${\displaystyle x_{1}{\binom {a_{11}}{a_{21}}}+x_{2}{\binom {a_{12}}{a_{22}}}={\binom {b_{1}}{b_{2}}}}$

L'area del parallelogramma determinato da:

${\displaystyle {\binom {a_{11}}{a_{21}}}\quad ;\quad {\binom {a_{12}}{a_{22}}}}$

è data dal determinante del sistema:

${\displaystyle \left|{\begin{matrix}a_{11}&a_{12}\\a_{21}&a_{22}\end{matrix}}\right|}$

In generale, quando vi sono più equazioni di più variabili, il determinante di ${\displaystyle n}$ vettori di lunghezza ${\displaystyle n}$ fornisce il volume del parallelepipedo che essi formano nello spazio euclideo di dimensione ${\displaystyle n}$. Quindi, l'area del parallelogramma determinato da:

${\displaystyle x_{1}{\binom {a_{11}}{a_{21}}}\quad ;\quad {\binom {a_{12}}{a_{22}}}}$

deve anche essere ${\displaystyle x_{1}}$ volte l'area del primo, dal momento che uno dei lati è stato moltiplicato per tale fattore. Quest'ultimo parallelogramma ha, per il principio di Cavalieri, la stessa area del parallelogramma formato da:

${\displaystyle {\binom {b_{1}}{b_{2}}}=x_{1}{\binom {a_{11}}{a_{21}}}+x_{2}{\binom {a_{12}}{a_{22}}}\quad ;\quad {\binom {a_{12}}{a_{22}}}}$

Uguagliando le aree dell'ultimo e del secondo parallelogramma si ottiene l'equazione:

${\displaystyle \left|{\begin{matrix}b_{1}&a_{12}\\b_{2}&a_{22}\end{matrix}}\right|=\left|{\begin{matrix}a_{11}x_{1}&a_{12}\\a_{21}x_{1}&a_{22}\end{matrix}}\right|=x_{1}\left|{\begin{matrix}a_{11}&a_{12}\\a_{21}&a_{22}\end{matrix}}\right|}$

da cui segue la regola di Cramer.

Un sistema con 2 equazioni e 2 incognite:

${\displaystyle {\begin{array}{l}ax+by={\color {red}e}\\cx+dy={\color {red}f}\end{array}}}$

espresso in forma matriciale come:

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

ha un'unica soluzione se e solo se il determinante di:

${\displaystyle {\begin{bmatrix}a&b\\c&d\end{bmatrix}}}$

è diverso da zero. In questo caso, la soluzione ${\displaystyle (x,y)}$ è data da:

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

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

Analogamente, un sistema con 3 equazioni e 3 incognite:

${\displaystyle \left\{{\begin{matrix}ax+by+cz={\color {red}j}\ \\dx+ey+fz={\color {red}k}\ \\gx+hy+iz={\color {red}l}\ \end{matrix}}\right.}$

può essere scritto come prodotto fra matrici e vettori nel modo seguente:

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

Se la matrice ${\displaystyle 3\times 3}$ ha determinante diverso da zero, il sistema ha una sola soluzione ${\displaystyle (x,y,z)}$ data da:

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

Il determinante di una matrice 3 per 3 può essere calcolato utilizzando la regola di Sarrus.

La regola di Cramer è estremamente utile per scrivere delle formule in geometria differenziale. Ad esempio, date due equazioni:

${\displaystyle F(x,y,u,v)=0\qquad G(x,y,u,v)=0}$

in quattro variabili, due delle quali dipendono dalle altre nel modo seguente:

${\displaystyle x=X(u,v)\qquad y=Y(u,v)}$

è possibile calcolare (ipotizzando che tutte queste funzioni siano sufficientemente derivabili):

${\displaystyle \partial x/\partial u}$

usando la regola di Cramer, nel modo seguente.

Prima si calcolino le prime derivate di ${\displaystyle F}$, ${\displaystyle G}$, ${\displaystyle x}$ ed ${\displaystyle y}$:

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

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

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

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

Sostituendo ${\displaystyle dx}$, ${\displaystyle dy}$ in ${\displaystyle dF}$ e in ${\displaystyle dG}$, si ha:

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

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

Poiché ${\displaystyle u}$, ${\displaystyle v}$ sono entrambe indipendenti, i coefficienti di ${\displaystyle du}$, ${\displaystyle dv}$ devono essere zero. Così si possono scrivere le equazioni per i coefficienti:

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

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

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

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

Ora, dalla regola di Cramer, si vede che:

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

Questa è ora una formula in termini di due Jacobiane:

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

Formule simili possono essere derivate per ${\displaystyle \partial x/\partial v}$, ${\displaystyle \partial y/\partial u}$ e ${\displaystyle \partial y/\partial v}$.

Come accennato nell'introduzione, il metodo di Cramer è adatto per calcolare la soluzione di sistemi lineari ${\displaystyle N\times N}$, solo se ${\displaystyle N}$ è molto piccolo. In pratica, il metodo richiede il calcolo di ${\displaystyle N+1}$ determinanti di matrici ${\displaystyle N\times N}$. Applicando la regola di Leibnitz, ciascuno di questi richiede ${\displaystyle N!}$ moltiplicazioni, per un totale di ${\displaystyle (N+1)!}$ moltiplicazioni. Un numero che diventa rapidamente enorme al crescere di ${\displaystyle N}$. Se si trascura il tempo necessario per effettuare le addizioni, un calcolatore che esegue un milione di moltiplicazioni al secondo impiegherebbe circa otto mesi per risolvere un sistema lineare di 15 equazioni, tempo che supererebbe il milione e mezzo di anni se le equazioni fossero 20.

In alternativa, gli ${\displaystyle N+1}$ determinanti possono essere calcolati tramite l'algoritmo di Gauss che è estremamente più veloce, ${\displaystyle O(N^{3})}$ moltiplicazioni. Però, questo è un sottoprodotto del metodo di eliminazione di Gauss per la soluzione di un sistema lineare associato alla stessa matrice. Quindi, è molto più rapido risolvere il sistema lineare di partenza utilizzando direttamente il metodo di Gauss una sola volta.

• (EN) Colin MacLaurin, A Treatise of Algebra, in Three Parts., 1748.
• (EN) Carl B. Boyer, A History of Mathematics, 2nd, Wiley, 1968, p. 431.
• (EN) Victor Katz, A History of Mathematics, Brief, Pearson Education, 2004, pp. 378-379.
• (EN) Bruce A. Hedman, An Earlier Date for "Cramer's Rule", in Historia Mathematica, 4(26), n. 4, 1999, pp. 365-368, DOI:10.1006/hmat.1999.2247.

• Determinante
• Matrice
• Metodo di eliminazione di Gauss
• Sistema di equazioni lineari
• Gabriel Cramer

• Wikiversità contiene risorse sulla regola di Cramer
• Wikimedia Commons contiene immagini o altri file sulla regola di Cramer

• Cramer, metodo di, in Enciclopedia della Matematica, Istituto dell'Enciclopedia Italiana, 2013.
• Cramer, regola di, in Dizionario di Economia e Finanza, Istituto dell'Enciclopedia Italiana, 2012.
• (EN) Cramer’s rule, su Enciclopedia Britannica, Encyclopædia Britannica, Inc.
• (EN) Eric W. Weisstein, Cramer's Rule, su MathWorld, Wolfram Research.
• (EN) Cramer rule, su Encyclopaedia of Mathematics, Springer e European Mathematical Society.
• (FR) Cramer, Gabriel, Introduction à l'Analyse des lignes Courbes algébriques, su europeana.eu, Geneva, Europeana, 1750, pp. 656-659. URL consultato il 18 maggio 2012.
• (EN) Proof of Cramer's Rule, su planetmath.org. URL consultato il 19 gennaio 2014 (archiviato dall'url originale il 22 settembre 2015).
• (EN) WebApp descriptively solving systems of linear equations with Cramer's Rule, su sole.ooz.ie. URL consultato il 19 gennaio 2014 (archiviato dall'url originale il 25 aprile 2011).
• (EN) Online Calculator of System of linear equations, su elektro-energetika.cz. URL consultato il 19 gennaio 2014 (archiviato dall'url originale il 22 gennaio 2014).

V · D · M Algebra lineare
Spazio vettoriale	Vettore · Sottospazio vettoriale (Sottospazio generato) · Applicazione lineare (Nucleo · Immagine) · Base · Dimensione · Teorema della dimensione · Formula di Grassmann · Sistema lineare · Algoritmo di Gauss · Teorema di Rouché-Capelli · Regola di Cramer · Spazio duale · Spazio proiettivo · Spazio affine · Teorema della dimensione per spazi vettoriali
Matrici	Identità · Nulla · Quadrata · Invertibile · Simmetrica · Antisimmetrica · Trasposta · Diagonale · Triangolare · Di cambiamento di base · Ortogonale · Normale · Rotazione · Simplettica · Moltiplicazione di matrici · Rango · Teorema di Kronecker · Minore · Matrice dei cofattori · Determinante · Teorema di Binet · Teorema di Laplace · Radice quadrata di una matrice
Diagonalizzabilità	Autovettore e autovalore · Spettro · Polinomio caratteristico · Polinomio minimo · Teorema di Hamilton-Cayley · Matrice a blocchi · Forma canonica di Jordan · Teorema di diagonalizzabilità
Prodotto scalare	Forma bilineare · Sottospazio ortogonale · Spazio euclideo · Base ortonormale · Algoritmo di Lagrange · Segnatura · Teorema di Sylvester · Gram-Schmidt · Forma sesquilineare · Forma hermitiana · Teorema spettrale