线性代数中，一个方阵的伴随矩阵（Adjugate Matrix）是一个重要的概念，它类似于逆矩阵。对于一个可逆的方阵，其伴随矩阵与逆矩阵之间存在一个系数关系，即如果矩阵A是可逆的，那么A的逆矩阵可以表示为A的伴随矩阵除以A的行列式（det（A））。

对于二维矩阵，如果矩阵A可逆，那么A的逆矩阵可以表示为：

$$A^{-1} = frac{1}{text{det}（A）} text{adj}（A）$$

其中，$text{adj}（A）$ 表示矩阵A的伴随矩阵。

对于多维矩阵，这个规律同样适用，只是行列式和伴随矩阵的计算会变得更加复杂。

需要注意的是，即使矩阵A不可逆（即行列式为0），它仍然有一个伴随矩阵，这个伴随矩阵在矩阵分解和求解线性方程组等应用中非常有用。