伴随矩阵的行列式公式：深度推导、应用与常见误区解析

在线性代数的浩瀚知识体系中，伴随矩阵（Adjugate Matrix）始终占据着举足轻重的地位。它不仅是指定矩阵求逆的关键工具，更是连接矩阵乘法、行列式性质以及特征值理论的桥梁。在众多线性代数考点中，伴随矩阵的行列式公式 |adj(A)| = |A|^(n-1) 因其简洁的形式和广泛的应用场景，成为了大学生期末复习及考研数学中的高频考点。

然而，许多学习者往往只记住了公式本身，却忽视了其背后的推导逻辑、适用条件以及在不同维度下的几何意义。这导致在遇到复杂变式题时容易出错。本文将深入剖析这一公式，从基础定义到高级应用，为您提供一份详尽的攻略。

⚡ 核心公式与基础定义

|adj(A)| = |A|^(n-1)
                        

adj(A) = (Aji)
                        

A · adj(A) = adj(A) · A = |A| · I
                        

⚙️ 推导证明：为什么是 n-1 次方？

理解推导过程比死记硬背更重要。我们利用上述关键恒等式进行严谨推导。

情况一：当 |A| ≠ 0 时

由 A · adj(A) = |A| · I，两边同时取行列式：

|A · adj(A)| = ||A| · I|
                

根据行列式的乘法性质 |XY| = |X||Y|，左边变为：

|A| · |adj(A)|
                

右边是一个数量矩阵的行列式。对于 n 阶矩阵，常数 k 乘单位矩阵的行列式为 kⁿ。因此：

||A| · I| = |A|^n
                

综合左右两边：

|A| · |adj(A)| = |A|^n
                

因为假设 |A| ≠ 0，我们可以两边同时除以 |A|，得到：

|adj(A)| = |A|^(n-1)
                

情况二：当 |A| = 0 时

若 |A| = 0，则公式右边 |A|^n-1 = 0。我们需要证明 |adj(A)| 也为 0。

根据秩的性质：

• 若 r(A) = n，则 r(adj(A)) = n。
• 若 r(A) = n-1，则 r(adj(A)) = 1。当 n > 2 时，r(adj(A)) < n，故 |adj(A)| = 0。
• 若 r(A) < n-1，则 adj(A) = O（零矩阵），故 |adj(A)| = 0。

综上，无论 |A| 是否为 0，公式 |adj(A)| = |A|^(n-1) 均成立。

? 经典案例与计算演示

通过具体数值例子，巩固对公式的理解。我们将展示两种不同场景下的计算。

A = ⎡1 1 1⎤
    ⎢1 1 1⎥
    ⎣1 1 1⎦
                        

A11 = 11 - 11 = 0
A12 = -(11 - 11) = 0
... 所有代数余子式均为 0
                        

|adj(A)| = |A|^(n-1)
         = 2^(3-1)
         = 2^2
         = 4
                        

? 几何意义与深层理解

为什么伴随矩阵的行列式会呈现出这种幂次关系？从几何变换的角度来看，这反映了空间缩放比例的复合效应。

❓ 常见误区与FAQ

在考试和实际应用中，以下几个问题经常被混淆，请仔细甄别。

? 网友们还关心

? 总结与对比表

为了便于记忆，我们将矩阵 A、逆矩阵 A^-1 和伴随矩阵 adj(A) 的相关性质进行对比：