矩阵转置相关公式_透析矩阵，由浅入深娓娓道来—高数-线性代数-矩阵

线性代数在科学领域有很多应用的场景，如下：

矩阵，是线性代数中涉及的内容，

线性代数是用来描述状态和变化的，而矩阵是存储状态和变化的信息的媒介，可以分为状态(静态)和变化(动态)信息来看待。

描述一个事物的状态需要在一个选好的坐标系(什么样的向量空间)中进行，所以矩阵所包含的信息从来都是成对出现(坐标值和坐标系)。而基就是坐标系的信息，可以将其拆分出来。

当把矩阵以动态信息来看待时，其信息的侧重点在于变化二字。这时的矩阵可以看做是一个方程。

通过矩阵内所描述的变化规则从一个状态变换到另一个状态。变换可以理解为事物本身的变化，也可以理解为坐标系的变化。

矩阵的本质：

探讨矩阵的本质的话，可以先看这篇文章：

理解矩阵(最通俗易懂的教程——高数-线性代数-矩阵

其思路概括来说如下：

• 首先要有空间的概念，如果不考虑严谨的定义，你可以用我们熟知的二维或者三维空间来想象：里面有无穷多的点，通过某些动作，可以从一个点“移动”到另一个点，容纳运动是空间的本质特征。
• 线性空间也是一种空间，线性空间是容纳向量对象运动的。如果选定了坐标系，那么一个向量可以用它在每个维度上的坐标值来表示，比如二维空间里可以表示为[x, y]，三维空间可以表示为[x, y, z]，更高维虽然无法想象，但仍然可以用类似的数学方式表示出来。
• 向量共有两种形式，一种为列向量，一种为行向量。虽然我们可能比较习惯行向量，但在这里，我们默认使用列向量。比如[-1,2]就这样表示：
• 我们可以通过某种运算，把空间里的一个点“移动”另一个位置。比如我们想把[-1,2]移动到[5,2]，可以执行如下运算：
• 上图中左边的这个变量，就是一个矩阵，所以矩阵是线性空间中运动(变换)的描述。

换言之，矩阵的乘法，本质是一种运动。但除此以外，还有另外一种理解方式。

我们知道，运动是相对的，把[-1,2]变成[5,2]，除了“移动”，还可以通过变换坐标系的方式实现。也就是说，找到这样的一个坐标系，在那里，同样的一个向量可以表示为[5,2]。

在这个情况下，对上面那个矩阵相乘例子而言，里面的那个2x2方阵就可以理解为一个坐标系，在这个坐标系下，[-1,2]这个向量可以表示为[5,2]。

比如上面这个动图中，通过坐标系变化，把红色向量[0,1]、绿色向量[1,0]变成了[3,0]和[1,-2]。

因此，矩阵的实质就是将坐标整体线性变换

矩阵的基本定义：

• 矩阵：有m*n个数排成m行n列的数表成为m行n列矩阵，简称m x n矩阵，记为A。
• 负矩阵：-A称为矩阵A的负矩阵
• 行矩阵：只有一行的矩阵称为行矩阵，又称为行向量；A=(a1 a2 ...an)
• 列矩阵：只有一列的矩阵称为列矩阵，又称为列向量；
• 同型矩阵：两个矩阵行数列数均相等，称他们为同型矩阵；
• 相等： 若两个矩阵是同型矩阵，且它们的对应元素相等，成这两个矩阵相等。
• 零矩阵：元素都是零的矩阵。注意：不同型的零矩阵是不同的。
• 系数矩阵：线性方程组的系数构成的矩阵称为系数矩阵。
• 方阵：当矩阵的行数与列数相等的时候，称之为方阵
• 奇异矩阵：对应的行列