线性代数
|

|
向量 · 向量空间 · 基底 · 行列式 · 矩阵
|
|
|
在線性代數中,餘因子是一種關於方陣之逆及其行列式的建構,餘因子矩陣的項是帶適當符號的子行列式。
對一個
矩陣
,在
的子行列式(余子式)
定義為刪掉
的第 i 橫行與第 j 縱列後得到的行列式。令
,稱為
在
的餘因子(代数余子式)。矩陣
稱作
的餘因子矩陣(余子矩阵)。餘因子矩陣的轉置稱為伴隨矩陣,記為
。
考慮三階方陣

今將計算餘因子
。子行列式
是下述矩陣(在
中去掉第 2 橫行與第 3 縱列)之行列式:

根據定義得到



對一
矩陣:

其行列式
可以用餘因子表示:

- (對第 j 縱行的餘因子分解)

- (對第 i 橫列的餘因子分解)
「古典伴隨矩陣」(classical adjoint matrix) 是餘因子矩陣的「轉置矩陣」,它與逆矩陣的計算有極大的關係。

將餘因子矩陣

轉置之後,會得到「古典伴隨矩陣」:

克萊姆法則可以用餘因子寫成下述簡鍊的形式:

當
時,
的逆矩陣由下式給出:

此即線性方程組理論中的克萊姆法則。
- Anton, Howard and Chris, Rorres, Elementary Linear Algebra, 9th edition (2005), John Wiley and Sons. ISBN 0-471-66959-8