转置矩阵

线性代数
	向量 · 向量空间 · 基底 · 行列式 · 矩阵
向量
	标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量
矩阵与行列式
	矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反對稱矩陣 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解（LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展開 · 克罗内克积
线性空间与线性变换
	线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 線性無關 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
	查; 论; 编;

在線性代數中，矩陣A的轉置（英語：transpose）是另一个矩陣A^T（也寫做A^tr, ^tA, A^t或A′）由下列等價動作建立：

形式上說，m × n矩陣A的轉置是n × m矩陣

A_{ij}^{\mathrm {T} }=A_{ji}

for

1\leq i\leq n,

1\leq j\leq m

。

注意： $\mathbf {A} ^{\mathrm {T} }$ （轉置矩陣）與 $\mathbf {A} ^{-1}$ （逆矩陣）不同。

例子

${\begin{bmatrix}1&2\\3&4\end{bmatrix}}^{\mathrm {T} }={\begin{bmatrix}1&3\\2&4\end{bmatrix}}$
${\begin{bmatrix}1&2\\3&4\\5&6\end{bmatrix}}^{\mathrm {T} }={\begin{bmatrix}1&3&5\\2&4&6\end{bmatrix}}$

对于矩阵A, B和标量c转置有下列性质：

$\left(A^{\mathrm {T} }\right)^{\mathrm {T} }=A\quad$
转置是自身逆运算。
$(A+B)^{\mathrm {T} }=A^{\mathrm {T} }+B^{\mathrm {T} }$
转置是从m × n矩阵的向量空间到所有n × m矩阵的向量空间的线性映射。
$\left(AB\right)^{\mathrm {T} }=B^{\mathrm {T} }A^{\mathrm {T} }$
注意因子反转的次序。以此可推出方块矩阵A是可逆矩阵，当且仅当A^T是可逆矩阵，在这种情况下有 (A⁻¹)^T = (A^T)⁻¹。相对容易的把这个结果扩展到矩阵相乘的一般情况，可得出 (ABC...XYZ)^T = Z^TY^TX^T...C^TB^TA^T。
$(cA)^{\mathrm {T} }=cA^{\mathrm {T} }$
标量的转置是同样的标量。
$\det(A^{\mathrm {T} })=\det(A)$
矩阵的转置矩阵的行列式等于这个矩阵的行列式。
两个纵列向量a和b的內積可计算为
$\mathbf {a} \cdot \mathbf {b} =\mathbf {a} ^{\mathrm {T} }\mathbf {b}$
如果A只有实数元素，则A^TA是半正定矩阵。
如果A是在某个域上，则A 相似于A^T。