長さ n で名前"v"のベクトルを表すために変数 v の値を割り当てる：

算術操作は v がスカラーではないことを認識する：

Dは v がベクトル変数であることを認識する：

微分をベクトル変数について計算する：

ベクトル値関数を含む微分を計算する：

これには実数値ベクトルが必要である：

最適化でベクトル変数を使う：

ベクトル変数を含む方程式と不等式を解く：

最適化のために記号ベクトルを変数として扱う：

制約条件を持つ要素の和が最小になるベクトルを求める：

Total[y + {1,2,3}]は拡張するので，デフォルトでスカラーとして扱われる変数 y を使ってもうまくいかない：

n 次元の k 点の集合を囲い込んでいる最小の包み込み球の半径 と中心 を求める：

Norm[p_i-c]<=r ならこの球は点 を包み込む：

球と点を可視化する：

最適化は任意の次元で働く：

ベクトル値関数についての微分方程式を解く：

解をプロットする：

剰余が小さいことを確認する：

摂動ベクトルの変数を近似する：

次数0の近似：

厳密値と比較する：

次数1の近似：

厳密値と比較する：

次数2の近似：

二次導関数は に依存しないので，次数2の近似は厳密値に等しい：

最尤法を使って与えられたデータを最もよくフィットするGammaDistributionパラメータを求める：

対数尤度関数 を最大化する：

の勾配を計算する：

を で置換して勾配の零点を求める：

結果を可視化する：

EstimatedDistributionを使った計算結果と比較する：

ポートフォリオ最適化問題の最適性の条件を，期待利益 ，標準偏差 で求める：

目的は，アセットの重みのベクトル がを満足するときに を最大にすることである．制約条件を使って を表すことができる．ここで，制約がないベクトル変数 は の最初の 座標からなる：

最大値は の臨界点にある：

条件を について表す：

方程式 で表される線形回帰モデルの対数尤度関数の傾きを計算する．ここで， は正規分布に従う平均が0で分散が の確率変数である：

対数尤度関数 は以下で与えられる：

を計算する：

結果を について表す：

を計算する：

ベクトルの記号表現は階数1のテンソル1である：

TensorDimensionsを使って行列の記号表現の次元を取得する：

VectorSymbol["name"]は未知の次元の行列を表す：

ArraySymbol[a,m]とVectorSymbol[a,m]はどちらもベクトルを表す：