{
  "id": "adjugate-matrix",
  "title": "伴随矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "方阵的伴随矩阵是其代数余子式矩阵的转置，联系着行列式、逆矩阵与线性方程组的解。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "古典伴随矩阵",
    "经典伴随矩阵"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/adjugate-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/adjugate-matrix/",
      "json": "https://aiwiki.page/en/adjugate-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "方矩阵的伴随矩阵是其代数余子式矩阵的转置，记作 \\(\\operatorname{adj}(A)\\)，满足\n\n\\[A\\operatorname{adj}(A)=\\operatorname{adj}(A)A=\\det(A)I,\\]\n\n其中，\\(\\det(A)\\) 是 \\(A\\) 的行列式，\\(I\\) 是单位矩阵。这个恒等式给出了可逆矩阵的求逆公式，但即使矩阵是奇异的，其伴随矩阵也有定义。伴随矩阵是线性代数中的一种标准构造，尤其常见于行列式恒等式、符号计算以及奇异矩阵的研究中。"
    },
    {
      "heading": "定义与术语",
      "text": "设 \\(A=(a_{ij})\\) 是一个 \\(n\\times n\\) 矩阵。删去第 \\(i\\) 行和第 \\(j\\) 列，得到 \\((n-1)\\times(n-1)\\) 矩阵 \\(A_{\\widehat{i},\\widehat{j}}\\)。其行列式是 \\(A\\) 的一个余子式。对应的代数余子式为\n\n\\[C_{ij}=(-1)^{i+j}\\det\\!\\left(A_{\\widehat{i},\\widehat{j}}\\right).\\]\n\n伴随矩阵是代数余子式矩阵的转置：\n\n\\[\\operatorname{adj}(A)=(C_{ij})^{\\mathsf T}, \\qquad \\bigl(\\operatorname{adj}(A)\\bigr)_{ij}=C_{ji}.\\]\n\n这里的转置不可省略：伴随矩阵的 \\((i,j)\\) 元是原矩阵中 \\((j,i)\\) 元所对应的代数余子式。\n\n\\(\\operatorname{adj}(A)\\) 的每个元素都是关于 \\(A\\) 的各元素的 \\(n-1\\) 次多项式。因此，其定义不涉及除法。这个定义适用于实数域、复数域等域上的矩阵，更一般地，也适用于任意含幺交换环上的矩阵。\n\n对于 \\(1\\times1\\) 矩阵 \\(A=[a]\\)，约定空的 \\(0\\times0\\) 矩阵的行列式为 \\(1\\)，于是有\n\n\\[\\operatorname{adj}([a])=[1],\\]\n\n即使 \\(a=0\\) 也成立。\n\n较早使用的名称古典伴随矩阵在教科书中也很常见。它不应与共轭转置混淆，后者在复内积空间中也称为伴随。这是两种不同的运算。"
    },
    {
      "heading": "示例",
      "text": "对于 \\(2\\times2\\) 矩阵，\n\n\\[A= \\begin{pmatrix} a&b\\\\ c&d \\end{pmatrix}, \\qquad \\operatorname{adj}(A)= \\begin{pmatrix} d&-b\\\\ -c&a \\end{pmatrix}.\\]\n\n因此，\n\n\\[A\\operatorname{adj}(A) = \\begin{pmatrix} ad-bc&0\\\\ 0&ad-bc \\end{pmatrix}.\\]\n\n例如，\n\n\\[A= \\begin{pmatrix} 1&2\\\\ 3&4 \\end{pmatrix} \\quad\\Longrightarrow\\quad \\operatorname{adj}(A)= \\begin{pmatrix} 4&-2\\\\ -3&1 \\end{pmatrix}.\\]\n\n由于 \\(\\det(A)=-2\\)，两者的乘积为 \\(-2I\\)。\n\n对于一般的 \\(3\\times3\\) 矩阵，\n\n\\[A= \\begin{pmatrix} a&b&c\\\\ d&e&f\\\\ g&h&i \\end{pmatrix},\\]\n\n其伴随矩阵为\n\n\\[\\operatorname{adj}(A)= \\begin{pmatrix} ei-fh&ch-bi&bf-ce\\\\ fg-di&ai-cg&cd-af\\\\ dh-eg&bg-ah&ae-bd \\end{pmatrix}.\\]"
    },
    {
      "heading": "基本恒等式与求逆公式",
      "text": "伴随矩阵满足的基本恒等式为\n\n\\[A\\operatorname{adj}(A) = \\operatorname{adj}(A)A = \\det(A)I.\\]\n\n要说明其原因，可以考察第一个乘积的 \\((i,j)\\) 元：\n\n\\[\\bigl(A\\operatorname{adj}(A)\\bigr)_{ij} = \\sum_{k=1}^{n}a_{ik}C_{jk}.\\]\n\n当 \\(i=j\\) 时，这就是 \\(\\det(A)\\) 按第 \\(i\\) 行的代数余子式展开式。当 \\(i\\ne j\\) 时，它是将原矩阵的第 \\(j\\) 行替换为第 \\(i\\) 行后所得矩阵的行列式。该矩阵有两行相同，因此行列式为零。按列展开则可证明交换乘法次序后的恒等式。\n\n在域上，若 \\(\\det(A)\\ne0\\)，作除法即可得到逆矩阵：\n\n\\[A^{-1}=\\frac{\\operatorname{adj}(A)}{\\det(A)}.\\]\n\n等价地，\n\n\\[\\operatorname{adj}(A)=\\det(A)A^{-1}.\\]\n\n在一般的交换环上，相应的判据是 \\(\\det(A)\\) 必须为单位，即它在该环中具有乘法逆元。仅仅要求行列式非零未必足够。例如，\\([2]\\) 在整数环上没有逆矩阵，但在有理数域上可逆。"
    },
    {
      "heading": "奇异矩阵与秩",
      "text": "与逆矩阵不同，奇异矩阵的伴随矩阵仍然有定义。对于 \\(n\\ge2\\)，其秩由 \\(A\\) 的秩决定：\n\n\\[\\operatorname{rank}(\\operatorname{adj}(A))= \\begin{cases} n,&\\operatorname{rank}(A)=n,\\\\ 1,&\\operatorname{rank}(A)=n-1,\\\\ 0,&\\operatorname{rank}(A)\\le n-2. \\end{cases}\\]\n\n若 \\(\\operatorname{rank}(A)\\le n-2\\)，则所有 \\((n-1)\\times(n-1)\\) 子矩阵的行列式均为零，因而伴随矩阵的每个元素都为零。\n\n若 \\(\\operatorname{rank}(A)=n-1\\)，则至少有一个这样的子矩阵的行列式非零，因此 \\(\\operatorname{adj}(A)\\ne0\\)。同时，\n\n\\[A\\operatorname{adj}(A)=0.\\]\n\n所以，伴随矩阵的每一列都属于 \\(A\\) 的一维零空间，从而伴随矩阵的秩为一。\n\n更确切地说，若非零向量 \\(u\\) 和 \\(v\\) 满足\n\n\\[Au=0,\\qquad v^{\\mathsf T}A=0,\\]\n\n则存在某个非零标量 \\(\\gamma\\)，使得\n\n\\[\\operatorname{adj}(A)=\\gamma uv^{\\mathsf T}\\]\n\n成立。因此，其列包含了右零向量的信息，其行则包含了左零向量的信息。\n\n例如，\n\n\\[A= \\begin{pmatrix} 1&2\\\\ 2&4 \\end{pmatrix}, \\qquad \\operatorname{adj}(A)= \\begin{pmatrix} 4&-2\\\\ -2&1 \\end{pmatrix}.\\]\n\n这两个矩阵的秩都为一，且它们的乘积为零。"
    },
    {
      "heading": "代数恒等式",
      "text": "对于交换环上同阶的方阵 \\(A,B\\)，有\n\n\\[\\operatorname{adj}(AB) = \\operatorname{adj}(B)\\operatorname{adj}(A).\\]\n\n与乘积的求逆公式一样，右侧因子的次序是反过来的。即使其中某个矩阵是奇异的，这个恒等式仍然成立。\n\n其他有用的恒等式包括\n\n\\[\\operatorname{adj}(A^{\\mathsf T}) = \\operatorname{adj}(A)^{\\mathsf T},\\]\n\n以及对 \\(n\\ge2\\) 和任意标量 \\(\\lambda\\) 成立的\n\n\\[\\operatorname{adj}(\\lambda A) = \\lambda^{n-1}\\operatorname{adj}(A).\\]\n\n对于 \\(n\\ge2\\)，有\n\n\\[\\det(\\operatorname{adj}(A)) = \\det(A)^{n-1},\\]\n\n以及\n\n\\[\\operatorname{adj}(\\operatorname{adj}(A)) = \\det(A)^{n-2}A.\\]\n\n当 \\(n=2\\) 时，后一个恒等式简化为\n\n\\[\\operatorname{adj}(\\operatorname{adj}(A))=A.\\]\n\n伴随矩阵还保持矩阵相似关系。若 \\(S\\) 可逆，则\n\n\\[\\operatorname{adj}(SAS^{-1}) = S\\operatorname{adj}(A)S^{-1}.\\]"
    },
    {
      "heading": "线性方程组与克拉默法则",
      "text": "对于线性方程组\n\n\\[Ax=b\\]\n\n，若 \\(\\det(A)\\ne0\\)，则两边左乘伴随矩阵可得\n\n\\[x=\\frac{\\operatorname{adj}(A)b}{\\det(A)}.\\]\n\n按分量写出便是克拉默法则：\n\n\\[x_i=\\frac{\\det(A_i)}{\\det(A)},\\]\n\n其中，\\(A_i\\) 是将 \\(A\\) 的第 \\(i\\) 列替换为 \\(b\\) 后得到的矩阵。将 \\(\\det(A_i)\\) 按被替换的那一列展开，所得结果恰好是 \\(\\operatorname{adj}(A)b\\) 的第 \\(i\\) 个分量。\n\n若 \\(A\\) 是奇异矩阵，同样的左乘运算给出方程组有解的必要条件\n\n\\[\\operatorname{adj}(A)b=0.\\]\n\n当秩为 \\(n-1\\) 时，这一条件也是充分的。当秩不超过 \\(n-2\\) 时，伴随矩阵为零，因此无法借此判断方程组是否有解。"
    },
    {
      "heading": "行列式的导数",
      "text": "伴随矩阵描述了行列式随各个矩阵元素的变化：\n\n\\[\\frac{\\partial\\det(A)}{\\partial a_{ij}} = C_{ij} = \\bigl(\\operatorname{adj}(A)\\bigr)_{ji}.\\]\n\n按照逐元素定义梯度的约定，上式可写为\n\n\\[\\nabla_A\\det(A)=\\operatorname{adj}(A)^{\\mathsf T}.\\]\n\n对于可微的矩阵值函数 \\(A(t)\\)，雅可比公式给出\n\n\\[\\frac{d}{dt}\\det(A(t)) = \\operatorname{tr}\\!\\left( \\operatorname{adj}(A(t))A'(t) \\right),\\]\n\n其中，\\(\\operatorname{tr}\\) 表示矩阵的迹。这一形式在矩阵奇异时仍然成立。当 \\(A(t)\\) 可逆时，也可以写成\n\n\\[\\frac{d}{dt}\\det(A(t)) = \\det(A(t)) \\operatorname{tr}\\!\\left(A(t)^{-1}A'(t)\\right).\\]\n\n在实数域或复数域上，这些由代数余子式给出的偏导数还刻画了行列式为零的超曲面的奇异点：对于 \\(n\\ge2\\)，所有一阶偏导数同时为零，当且仅当矩阵的秩不超过 \\(n-2\\)。这将伴随矩阵与代数几何联系起来。"
    },
    {
      "heading": "计算与数值局限性",
      "text": "对于小矩阵，逐个计算代数余子式的方法很直接，但随着维数增大，其效率会变得很低。递归展开行列式的计算代价尤其高。\n\n在数值线性代数中，伴随矩阵公式通常不是求解方程组或计算逆矩阵的首选方法。LU分解等分解方法通常计算量更小，也能更好地控制舍入误差。分别计算代数余子式和行列式可能出现相消、上溢或下溢，尤其是在矩阵接近奇异时。\n\n这些计算上的局限并不削弱伴随矩阵在精确代数运算中的作用。它的各个元素始终是矩阵元素的多项式函数，因此在符号计算中，以及在逆矩阵不存在时仍须成立的恒等式中，都很有用。"
    }
  ],
  "links": [
    "matrix",
    "determinant",
    "identity-matrix",
    "linear-algebra",
    "matrix-transpose",
    "polynomial",
    "field-mathematics",
    "ring-mathematics",
    "conjugate-transpose",
    "inverse-matrix",
    "matrix-rank",
    "null-space",
    "matrix-similarity",
    "system-of-linear-equations",
    "cramers-rule",
    "gradient",
    "matrix-trace",
    "algebraic-geometry",
    "numerical-linear-algebra",
    "lu-decomposition"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}