В реальном мире многие процессы развиваются не по жестким детерминированным законам, а носят вероятностный характер. Эволюция погоды, колебания фондовых рынков, поведение пользователей в интернете — все это примеры стохастических систем. В начале XX века русский математик Андрей Андреевич Марков предложил гениальную математическую модель для описания таких процессов, названную впоследствии цепями Маркова. Главная идея модели состоит в том, что будущее состояние системы зависит исключительно от ее текущего состояния и совершенно не зависит от предыстории. В терминах линейной алгебры такая динамика идеально описывается векторами вероятностей и особым классом матриц — стохастическими матрицами (или матрицами переходных вероятностей).

Когда мы обсуждаем линейную независимость в обычной алгебре, мы имеем дело с векторами-столбцами, состоящими из чисел, и используем матрицу Грама или метод Гаусса. Но как проверить линейную независимость не векторов, а абстрактных функций, например, синусов, экспонент или логарифмов? Для решения этой задачи польский математик-мистик Юзеф Мария Гене-Вронский в 1812 году ввел специальную конструкцию, получившую позже название «Вронскиан». Определитель Вронского перебрасывает мост между алгеброй матриц и математическим анализом непрерывных функций, являясь самым могущественным инструментом при построении фундаментов общих решений систем линейных дифференциальных уравнений (ОДУ).

Линейная алгебра идеальна для описания ровных плоскостей и прямых пропорциональностей. Но реальный мир физики, биологии и экономики нелинеен: процессы ускоряются, замедляются, сталкиваются с хаосом и турбулентностью. Чтобы применить мощный аппарат матричной алгебры к искривленному нелинейному миру, математикам потребовался мост. Этим мостом стал многомерный математический анализ и, в частности, Матрица Якоби (Якобиан), названная в честь немецкого математика Карла Густава Якоба Якоби. Матрица Якоби осуществляет операцию локальной линеаризации: она берет сложную, запутанную нелинейную систему уравнений и в окрестности одной конкретной точки заменяет ее на идеально плоскую, линейную матричную систему, с которой легко и приятно работать.