本文共 1740 字，大约阅读时间需要 5 分钟。
向量是数学中描述空间中点集的对象，通过向量可以表达点的位置和方向。向量可以用坐标表示，例如在二维空间中，向量可以表示为$(x, y)$，在三维空间中为$(x, y, z)$。
列向量是向量的一种表示形式，通常用于矩阵运算中。例如，一个2×3的列向量可以表示为： $$ \begin{pmatrix} x_1 \ x_2 \ x_3 \ \end{pmatrix} $$ 列向量的每个分量对应一个维度，向量的长度可以通过各分量的平方和开平方得到。
向量的加法和乘法是向量空间中基本的运算。向量加法是分分量进行的： $$ \mathbf{a} + \mathbf{b} = \begin{pmatrix} a_1 + b_1 \ a_2 + b_2 \ \vdots \ a_n + b_n \ \end{pmatrix} $$ 向量乘法则需要两个向量的点积： $$ \mathbf{a} \cdot \mathbf{b} = a_1 b_1 + a_2 b_2 + \dots + a_n b_n $$ 向量的长度（模）可以用公式计算： $$ |\mathbf{a}| = \sqrt{a_1^2 + a_2^2 + \dots + a_n^2} $$
在向量空间中，基底是向量空间的一个基，基向量是该基底中的单位向量。例如，在二维空间中，标准基底为： $$ \mathbf{e}_1 = \begin{pmatrix} 1 \ 0 \ \end{pmatrix}, \quad \mathbf{e}_2 = \begin{pmatrix} 0 \ 1 \ \end{pmatrix} $$ 基底的选择会影响向量的表示形式。
向量的维数指的是向量所在的空间的维度。例如，二维向量属于二维空间，三维向量属于三维空间。向量的维数决定了向量的独立性和线性相关性。
向量也可以通过坐标表示为行向量或列向量的形式。行向量通常表示为： $$ \begin{pmatrix} x_1 & x_2 & \dots & x_n \ \end{pmatrix} $$ 列向量则表示为： $$ \begin{pmatrix} x_1 \ x_2 \ \vdots \ x_n \ \end{pmatrix} $$ 行向量和列向量在某些运算中有不同的表现，但它们在向量空间中是等价的。
矩阵是向量空间中的一种线性变换工具，可以通过矩阵乘法将一个向量映射为另一个向量。矩阵乘法的基本规则是“行乘列”，即： $$ C = AB = \sum_{j=1}^n A_{ij}B_{jk} = C_{ik} $$ 矩阵的运算与标量运算类似，矩阵乘法则是将矩阵的行与另一个矩阵的列点乘得到新的矩阵。
矩阵可以表示为线性变换，将一个向量空间映射到另一个向量空间。例如，二维矩阵可以表示为： $$ A = \begin{pmatrix} a_{11} & a_{12} \ a_{21} & a_{22} \ \end{pmatrix} $$ 矩阵乘以向量$\mathbf{x}$，得到： $$ A\mathbf{x} = \begin{pmatrix} a_{11}x_1 + a_{12}x_2 \ a_{21}x_1 + a_{22}x_2 \ \end{pmatrix} $$
单位矩阵是对角矩阵，所有对角线元素为1，其他元素为0。单位矩阵在向量运算中起到保持向量长度不变的作用。
对角矩阵是指对角线上有非零元素，其他位置为0的矩阵。对角矩阵在某些变换中具有特别的性质，例如对角化矩阵可以通过特征值和特征向量进行简化。
逆矩阵是矩阵乘法的逆运算，前提是矩阵为方阵且行列式不为零。逆矩阵可以通过伴随矩阵除以行列式来计算： $$ A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A) $$ 逆矩阵在求解线性方程组中具有重要作用。
转载地址：http://efdiz.baihongyu.com/