浅谈matlab

 最近一段时间大概学习了一下matlab，在这里做一下总结，有不对的地方真心希望大佬指教，本人小白一枚。

  matlab作为一款集计算，统计，代数，矩阵，方程，各种算法，还有强大的绘图功能于一身，确实相比其他软件要好用，大多数情况下只要调用函数便可实现我们想得到的结果，matlab对已有的算法和功能的使用确实比较强，但是对于比较高级和创新型的算法自我感觉还是不到java或者是c++。

一.强大的计算功能

1.线性方程组的一个解

1>Ax=b,x=pinv（A)*b

若线性方程组有一个解，则matlab给出该解；若线性方程组无解，则matlab给出最小二乘解，即|Ax-b|^2最小；若线性方程组有许多解，则给出最小范解；

2>若给定条件xa=b，则x=solve(x*a==b),但是自我感觉还是pinv（）函数好用；

2.线性方程组的通解

[R,lie]=rref(a),返回值R是矩阵a的行最简式，lie是a的列向量组的最大无关组的标号，a是线性方程组的未知量的系数和和右端数值的大小组成的矩阵；

3.非线性方程的零点

1>a=roots(p),p是该非线性多项式的次数前面的系数，如x^6-5x^5+3x^2+7=0,则p=[1,-5,0,0,3,0,7],a为这个多项式所得到的全部解;

2>fzero 可以求出给定初值附近的一个数值解，a=fzero(x,y)，其中x是该多项式,y是给定的初值，a是所求出的数值解；

4.非线性方程组的符号解

s=solve([X1,X2,X3......],var),[X1,X2,X3......]为所给的方程组，var为符号变量，s为求得的符号解；

5.非线性方程组的数值解

s=fsolve(fun,x0,var)，其中fun是定义方程的函数,x0是初值，var是优化参数的设置；

6.矛盾方程组的最小二乘解（何谓矛盾方程解，通俗点说，就是方程的个数大于未知量的数目）

1>用刚才提到的pinv函数可以求得，调用的形式也相同；

2>x=lsqnonlin(fun,x0),其中fun是方程组匿名函数的返回值，x0是初始值；

7.常微分方程组的符号解

a=dsolve(fun,x0),fun为符号微分方程，x0是初值或者边界，在matlab中求导数的函数是diff函数diff(x,2)指x的二阶导数

8.常微分方程组的数值解

[t,y]=obe45(fun,qujian,y0]，其中fun是M函数或者是匿名函数定义的f(t,y),qujian指一个区间[to,tfinal],to必须是初始条件中自变量的取值，tfinal可大可小,y0是初值，t是matlab自动离散化的[to,tfinal]上的点，y是点t所对应的值

9.高阶微分方程组的数值解

在matlab中没有求解高阶微分方程特定的函数，我们需要把它化为一阶，然后再调用函数，其中主要用到diff函数

10.矩阵运算

在这里，我就不啰嗦特殊矩阵的命名函数，说一下矩阵中元素或者块的常用操作

1>a([i1:i2],:)=[],删除a的i1~i2行；

2>a=(:,[i2:-1:i1])以逆序提出矩阵i1~i2列

3>diag(a,k)抽取矩阵 a的第 k 条对角线元素向量（主对角线编号为 0，上方的 编号依次加 1，下方的编号依次减 1）； 若 a为向量，生成一个以 a 为第 k 对角线元素的方阵

4>tril(a,k)抽取矩阵 a的第 k 条对角线下面的部分

5>triu(a,k)抽取矩阵 a 的第 k 条对角线下面的部分 

6>flipud(a)矩阵a进行上下翻转

7>fliplr(a)矩阵a进行左右翻转        8>inv(a)求矩阵a的逆       9>det(a)矩阵a的行向量       10>rank(a)矩阵a的秩

11>eig(a)求矩阵a的特征值及特征向量      12>var(a)求矩阵的列方差(std(a)---标准差）   13>cov(a)矩阵列的协方差矩阵

总结：1>在方程求解的过程中，matlab不用再编写程序，直接按格式调用函数即可;

2>为什么会有符号解和数值解两种情况呢?

其实微分方程等不一定有精确解，也就是符号解，或者叫解析解，所以要把它转化成数值解来输出，通俗点说，数值解是在方程组在无解的情况下的一种补救措施;

3>在求解过程中，我们一定要把方程和矩阵联系起来，很多时候，它们似乎是一一对应的关系，例如可以通过矩阵和增广矩阵的秩来判断线性方程组是否有解，把系数组成的矩阵化成最简矩阵，可以很容易求得其解；

4>遇到复杂的方程组，我们可以通过转化组成为以上几种方程形式，然后再调用相应的函数。

二.多维的绘图功能

1.简单的plot(x,y,'color-style-marker')函数

2.一个窗口分成多个子窗口subplot(m,n,y)分成m*n个窗口，并且将该图化在第y个子窗口中

3.fplot(fun,limit,tol,miaoshu),fun指函数，limit限制了范围，tol指相对误差，描述是指对线条的修饰

4.三维绘图命令

plot3(x,y,z)分别指横坐标，纵坐标，竖坐标

mesh(x,y,z)画网格曲面，x是m维的向量，y是n维的向量，z是m*n的矩阵

surf(x,y,z)画三维表面图

ezsurf(fun,qujian)在指定的区间内画函数f

ezmesh(fun,qujian）在指定的区域内画出二元符号函数网格图f(x,y)

5.四维空间绘图

cplxgrid(m)构建一个极坐标的复数数据网格，产生一个(m+1)*(2*m+1)的极坐标下的复数数据网格，最大半径为1的圆

cplxmap对复变函数（四维）做图，其方法是三维空间坐标再加上颜色cplxmap(z,f(z)),它在作图时，以xy平面表示自变量所在的复平面，以z轴表示复变函数的实步，以颜色表示虚部

绘图的修饰功能：
坐标轴显示：axis('auto')将坐标轴设置返回默认状态；axis('off/on')不显示/显示坐标轴    axis('square')将坐标轴设置为正方形

axis('equal')将两个坐标轴刻度设置为相等

坐标轴范围：axis[x1,x2,y1,y2]

grid off/on(不）显示网格线

绘制叠加图形：hold （off)on(不）启动图形保持功能

增加图例：legend('s1','s2')       增加标注：text(x,y,'s')在二维图形指定位置(x,y)处增加标注s   

增加箭头：annotation('arrow',x,y)添加从点（x(1),y(1))到(x(2),y(2))的箭头

产生网格数据：meshgrid(t,s)(二维)(生成极坐标的网络数据）

三：高效处理统计学中概率问题

1.概率分布

•  离散型随机分布：
• 二项分布binopdf(k,n,p)n:实验总次数，p:每次所发生的概率,k:事件发生k次

• 二项分布累计概率值：binocdf(k,n,p)n:实验总次数，p:每次所发生的概率,k:事件发生k次

• 概率和累计概率差别：相当于发生一次和至少发生一次的差别

• 泊松分布：poisspdf(k,o)k:事件发生次数,o是参数/条件：1>事件相互独立   2>事件概率相同     3>求事件发生x次的概率

• 泊松分布累计概率值：poisscdf(k,o)k:事件发生次数,o是参数

• 超几何分布：hygpdf(k,n,m,t)k:抽的次品数，n产品总数，m次品总数，t抽的次数(不放回抽取）

• 超几何分布累计概率值：hygcdf(k,n,m,t)k:抽的次品数，n产品总数，m次品总数，t抽的次数

• 连续型随机分布：

• 均匀分布：unifpdf(x,a,b)表示（a,b)上均匀分布概率密度在x处的函数值

• 指数分布：exppdf(x,o)参数为o的指数密度函数

• 正态分布：normpdf(x,a,b)参数为a,b的正态分布概率密度函数

• 分布函数是专用函数计算累计函数概率的函数值

• 分布函数所调用的函数只是将上边的函数中的pdf改为cdf

2.数字特征

离散型：

1>数学期望：sum(x)-----x是向量，sum(x)是所有数的和/x是矩阵，sum(x)是各列元素之和，返回一个行向量

2>均值函数：mean(x)------x的不同形式导致的不同数值与sum相似

3>方差：由公式可得，方差的计算是dx=sum(x.^2*p)-(EX).^2

连续型：

1>数学期望，方差都可以根据数学期望来计算dx=e^2(x)-e(x^2)

但是matlab在统计工具箱中给了很多现成函数，只需要把随机分布函数中后边的pdf或者cdf改为stat

注明：该图像来自于百度

3.统计直方图

1>hist(z,n)直角坐标系下的统计图，n表示直方图的区间数

2>rose(z,n)极坐标下角度直方图，n是[0,2]范围内所分区域数，z为指定的弧度数据

4.参数估计

1>点估计

mean(x)----均值估计      median(x)-----中位数      var(x)-------方差          std(x)-------标准差            skewness-------偏差

注明：该图像来自于百度

5.假设检验

1>单个正态总体方差知道，对期望的假设检验-----z检验方法

x=ztest(X,a,b)X是样本，a是期望值，b是正态总体标准差----若x=0，则接受原假设，若x=1，则拒绝原假设

2>单个正态总体方差未知，对期望的假设检验-----t检验法

x=ttest(X,,m,n)X是样本，m是期望值，n是所代表的水平----若x=0，则接受原假设，若x=1，则拒绝原假设

3>两个正态总体均差值的检验-----t检验

[h,sig,ci]=ttext(x,y),sig为观察值的概率，ci为置信区间

注意：在matlab中还有很多与c++相同的地方，比如循环体，赋值语句，变量，常量，运算符.......我们可以通过类比来学习，达到事半功倍的效果。

有关与matlab中算法相关的知识点，比如求最短路的floyd算法，排队论中的poisson过程......，有时间再更新，今天有点肝不动了。。。。