矩阵运算 - 网络统计学类函数（3）

最新推荐文章于 2024-09-17 16:52:57 发布
最新推荐文章于 2024-09-17 16:52:57 发布
阅读量378 收藏
点赞数
文章标签： 人工智能 数据结构与算法 javascript ViewUI
原文链接：http://www.cnblogs.com/cloudtj/p/6542271.html
版权
copyright.gif（2017-03-13 银河统计）

在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，最早来自于方程组的系数及常数所构成的方阵。矩阵是高等代数学中的常见工具，也常用于统计分析等应用数学学科中。在Javascript中，矩阵和数组都可以用Array处理，但由数学定义可知，矩阵的行、列元素数量是规范的，数组则不一定。例如，一个\(2\times 3\)矩阵用JS数组可表示为“[[1,2,3],[4,5,6]]”，矩阵每行、每列元素必须相等。而数组则可以表示为“[[1,2,3],[4,5]]”。所以说“在JS中，矩阵式规范化的数组”。

在网络统计学中，矩阵类函数（webTJ.Matrix）是网络统计学大类（webTJ）下的一个重要子类，主要用于和线性代数密切相关的多元统计分析、多元回归末等方法的计算。

为方便运行本文中样例代码，可打开网络统计学代码调试窗口，复制、粘贴代码到数据处理代码窗口中运行即可。

矩阵函数（子类名称：webTJ.Matrix）一览表

序号函数名称参数1参数2参数3功能备注
1getMEmpty(arrs)二维数组**生成空矩阵*
2getMCopy(arrs)二维数组**复制矩阵*
3getPlus(arrs1,arrs2)二维数组1二维数组2*矩阵加数组1和数组2行列相同
4getMinus(arrs1,arrs2)二维数组1二维数组2*矩阵减同上
5getMultiply(arrs1,arrs2)二维数组1二维数组2*矩阵乘前列后行相同
6getTranspose(arrs)二维数组**矩阵转置*
7getInverse(arrs)二维数组**矩阵求逆方阵
8getXTX(arrs)二维数组**转置矩阵乘原矩阵($X^TX$)*
9getXTY(xarrs,yarr)自变量数组因变量数组*转置矩阵乘因变量矩阵($X^TY$)*
10getInsertRow(arrs,row)二维数组插入行位置*矩阵添加行*
11getInsertRRow(arrs,rarr,row)二维数组给定行数组插入行位置矩阵添加给定行*
12getInsertCol(arrs,col)二维数组插入列位置*矩阵添加列*
13getInsertRCol(arrs,carr,col)二维数组给定列数组插入列位置矩阵添加给定列*
14getRemoveRow(arrs,row)二维数组删除行位置*矩阵删除行*
15getRemoveCol(arrs,col)二维数组删除列位置*矩阵删除列*
16getEig(arrs)二维数组**矩阵特征值和特征向量方阵
17getRandom(rows,cols)矩阵行数矩阵列数*二生成随机数矩阵*
18getDet(arrs)二维数组**计算矩阵行列式方阵
19getDiag(arr)一维数组**生成对角矩阵*
20getIdentity(rank)矩阵阶数**生成单位阵*
21getSVD(arrs)二维数组**矩阵SVD分解*
22getSparse(arrs)二维数组**稀疏矩阵压缩*
23getINVSparse(arrs)二维数组**稀疏矩阵解压*
24getCov(arrs,k)二维数组估计类型*样本协方差矩阵k=0有偏、k=1无偏

注：本网页中所有数据管理类函数和代码样例都可以复制、粘贴到网页尾部“代码窗口”运行通过

一、矩阵运算函数手册

1、生成空矩阵  [返回]

## 函数
    webTJ.Matrix.getMEmpty(arrs);
##参数
    【arrs】
    【二维数组】

代码样例

webTJ.clear();
var oArrs=webTJ.Matrix.getMEmpty(4,5);        //建立4行5列空数组
oArrs[3][3]=100;                              //矩阵第4行第4列复制为100
oArrs[0][0]=200;                              //矩阵第1行第1列复制为200
oArrs[2][1]=300;                              //矩阵第3行第2列复制为300
webTJ.display(oArrs,1);

2、复制矩阵  [返回]

## 函数
    webTJ.Matrix.getMCopy(arrs);
##参数
    【arrs】
    【二维数组】

代码样例

webTJ.clear();
var oArrs=[
    [3,2,5,1],
    [2,5,4,3],
    [3,1,2,4],
    [2,1,1,5],
    [4,1,3,1]];
var oArrs1=webTJ.Matrix.getMCopy(oArrs);    //复制数组oArrs并赋值给变量oArrs1
webTJ.display(oArrs1,1);

3、矩阵加  [返回]

## 函数
    webTJ.Matrix.getPlus(arrs1,arrs1);
##参数
    【arrs1,arrs1】
    【二维数组1,二维数组1】

代码样例

webTJ.clear();
var oTxt1="3:2:6:5:2:7,5:3:6:5:9:6,5:2:1:5:2:6,1:2:6:5:2:0";
var oTxt2="2:1:2:3:2:2,5:3:5:5:2:6,5:2:1:3:2:2,3:2:2:5:1:1";
var oArr1=webTJ.getArrs(oTxt1,",",":");
var oArr2=webTJ.getArrs(oTxt2,",",":");
webTJ.display(oArr1,1);
webTJ.display(oArr2,1);
var oArr=webTJ.Matrix.getPlus(oArr1,oArr2);    //数组oArr1加oArr2并赋值给变量oArr
webTJ.display(oArr,1);

4、矩阵减  [返回]

## 函数
    webTJ.Matrix.getMinus(arrs1,arrs1);
##参数
    【arrs1,arrs1】
    【二维数组1,二维数组1】

代码样例

webTJ.clear();
var oTxt1="3:2:6:5:2:7,5:3:6:5:9:6,5:2:1:5:2:6,1:2:6:5:2:0";
var oTxt2="2:1:2:3:2:2,5:3:5:5:2:6,5:2:1:3:2:2,3:2:2:5:1:1";
var oArr1=webTJ.getArrs(oTxt1,",",":");
var oArr2=webTJ.getArrs(oTxt2,",",":");
webTJ.display(oArr1,1);
webTJ.display(oArr2,1);
var oArr=webTJ.Matrix.getMinus(oArr1,oArr2);    //数组oArr1减oArr2并赋值给变量oArr
webTJ.display(oArr,1);

5、矩阵乘  [返回]

## 函数
    webTJ.Matrix.getMultiply(arrs1,arrs1);
##参数
    【arrs1,arrs1】
    【二维数组1,二维数组1】

代码样例

webTJ.clear();
var oTxt1="3:2:6:5:2:7,5:3:6:5:9:6,5:2:1:5:2:6,1:2:6:5:2:0";
var oTxt2="2:1:2:3,5:5:2:6,5:2:2:2,3:2:2:5,3:4:2:1,5:2:6:4";
var oArr1=webTJ.getArrs(oTxt1,",",":");
var oArr2=webTJ.getArrs(oTxt2,",",":");
webTJ.display(oArr1,1);
webTJ.display(oArr2,1);
var oArr=webTJ.Matrix.getMultiply(oArr1,oArr2);    //数组oArr1乘oArr2并赋值给变量oArr
webTJ.display(oArr,1);

6、矩阵转置  [返回]

## 函数
    webTJ.Matrix.getTranspose(arrs);
##参数
    【arrs】
    【数组】

代码样例

webTJ.clear();
var oArr=[
    [3,2,6,5,2,7],
    [5,3,6,5,9,6],
    [5,2,1,5,2,6],
    [1,2,6,5,2,0]];
webTJ.display(oArr,1);
var oArr1=webTJ.Matrix.getTranspose(oArr);    //转置数组变量oArr并赋值给oArr1
webTJ.display(oArr1,1);

7、矩阵求逆  [返回]

## 函数
    webTJ.Matrix.getInverse(arrs);
##参数
    【arrs】
    【数组】

代码样例

webTJ.clear();
var oArrs=[[2,2,3],[2,1,2],[1,3,4]];
webTJ.display(oArrs,1);
var oArrs1=webTJ.Matrix.getInverse(oArrs);    //逆变换数组变量oArr并赋值给oArr1
webTJ.display(oArrs1,1);

8、转置矩阵乘原矩阵（\(X^TX\)）  [返回]

## 函数
    webTJ.Matrix.getXTX(arrs);
##参数
    【arrs】
    【数组】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oArrs1=webTJ.Matrix.getXTX(oArrs);    //oArr转置乘原数组变量oArr并赋值给oXTX
webTJ.display(oArrs1,1);

9、转置矩阵乘因变量矩阵（\(X^TY\)）  [返回]

## 函数
    webTJ.Matrix.getXTY(xarrs,yarr);
##参数
    【xarrs,yarr】
    【自变量数组,因变量数组】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oY=[2,5,4,6,7];
webTJ.display(oY,1);
var oArrs1=webTJ.Matrix.getXTY(oArrs,oY);    //oArr转置乘一维数组变量oY并赋值给oXTY
webTJ.display(oArrs1,1);

10、矩阵添加行  [返回]

## 函数
    webTJ.Matrix.getInsertRow(arrs,row);
##参数
    【arrs,row】
    【数组,插入行位置】

注：插入行为数字1

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oTs=webTJ.Matrix.getInsertRow(oArrs,1);    //在第一行处插入一行
webTJ.display(oTs,1);

11、矩阵添加给定行  [返回]

## 函数
    webTJ.Matrix.getInsertRRow(arrs,rarr,row);
##参数
    【arrs,rarr,row】
    【数组,给定行数组,插入行位置】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oRowv=[3,4,1,7];
var oTs=webTJ.Matrix.getInsertRRow(oArrs,oRowv,1);
webTJ.display(oTs,1);

12、矩阵添加列  [返回]

## 函数
    webTJ.Matrix.getInsertCol(arrs,col);
##参数
    【arrs,col】
    【数组,插入列位置】

注：插入列为数字1

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oTs=webTJ.Matrix.getInsertCol(oArrs,1);
webTJ.display(oTs,1);

13、矩阵添加给定列  [返回]

## 函数
    webTJ.Matrix.getInsertRCol(arrs,carr,col);
##参数
    【arrs,carr,col】
    【数组,给定列数组,插入列位置】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oColv=[1,3,2,4,5];
var oTs=webTJ.Matrix.getInsertRCol(oArrs,oColv,1);
webTJ.display(oTs,1);

14、矩阵删除行  [返回]

## 函数
    webTJ.Matrix.getRemoveRow(arrs,row);
##参数
    【arrs,row】
    【数组,删除行位置】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oTs=webTJ.Matrix.getRemoveRow(oArrs,1);
webTJ.display(oTs,1);

15、矩阵删除列  [返回]

## 函数
    webTJ.Matrix.getRemoveCol(arrs,col);
##参数
    【arrs,col】
    【数组,删除列位置】

代码样例

webTJ.clear();
var oArrs=[[3,2,5,1],[2,5,4,3],[3,1,2,4],[2,1,1,5],[4,1,3,1]];
webTJ.display(oArrs,1);
var oTs=webTJ.Matrix.getRemoveCol(oArrs,1);
webTJ.display(oTs,1);

16、矩阵特征值和特征向量  [返回]

## 函数
    webTJ.Matrix.getEig(arrs);
##参数
    【arrs】
    【数组】

注：该函数返回复合数组，第一个数组为特征值数组，第二个数组为特征向量数组

代码样例

webTJ.clear();
var A = [[1,2,5],[3,5,-1],[7,-3,5]];
var oArrs=webTJ.Matrix.getEig(A);    //计算矩阵特征值和特征向量，返回数组
webTJ.display(oArrs[0],1);           //矩阵形式显示特征值数组oArrs[0]
webTJ.display(oArrs[1],1);           //矩阵形式显示特征向量数组oArrs[1]

17、生成随机数矩阵  [返回]

## 函数
    webTJ.Matrix.getRandom(rows,cols);
##参数
    【rows,cols】
    【矩阵行数,矩阵列数】

注：矩阵元素为0-1均匀分布随机数

代码样例

webTJ.clear();
var oArrs=webTJ.Matrix.getRandom(4,5);    //生成4行5列随机数矩阵
webTJ.display(oArrs,1);

18、计算矩阵行列式  [返回]

## 函数
    webTJ.Matrix.getDet(arrs);
##参数
    【arrs】
    【数组】

代码样例

webTJ.clear();
var oArrs = [
  [6,8,4,2,8,5],
  [3,5,2,4,9,2],
  [7,6,8,3,4,5],
  [5,5,2,8,1,6],
  [3,2,2,4,2,2],
  [8,3,2,2,4,1]];
var oV=webTJ.Matrix.getDet(oArrs);
webTJ.display(oV,0);

19、生成对角矩阵  [返回]

## 函数
    webTJ.Matrix.getDiag(arr);
##参数
    【arr】
    【一维数组】

代码样例

webTJ.clear();
var oArr = [2,5,2,3];
var oDiag = webTJ.Matrix.getDiag(oArr);//生成4x4对角矩阵
webTJ.display(oDiag,1);

20、生成单位阵  [返回]

## 函数
    webTJ.Matrix.getIdentity(rank);
##参数
    【rank】
    【矩阵阶数】

代码样例

webTJ.clear();
var oIdentity = webTJ.Matrix.getIdentity(5);    //生成5阶角矩阵
webTJ.display(oIdentity,1);

21、矩阵SVD分解  [返回]

## 函数
    webTJ.Matrix.getSVD(arrs);
##参数
    【arrs】
    【二维数组】

代码样例

webTJ.clear();
var oArrs = [
  [22,10,2,3,7],
  [14,7,10,0,8],
  [-1,13,-1,-11,3],
  [-3,-2,13,-2,4],
  [9,8,1,-2,4],
  [9,1,-7,5,-1],
  [2,-6,6,5,1],
  [4,5,0,-2,2]];
var oBrrs=webTJ.Matrix.getSVD(oArrs);
webTJ.display(oBrrs[0],1);            //显示U值
webTJ.display(oBrrs[1],1);            //显示S值
webTJ.display(oBrrs[2],1);            //显示V值

22、稀疏矩阵压缩  [返回]

## 函数
    webTJ.Matrix.getSparse(arrs);
##参数
    【arrs】
    【二维数组】

代码样例

webTJ.clear();
var oArrs = [
  [ 3, 5, 8,10, 8],
  [ 7,10, 3, 5, 3],
  [ 6, 3, 5, 1, 8],
  [ 2, 6, 7, 1, 2],
  [ 1, 2, 9, 3, 9]];
var oBrrs=webTJ.Matrix.getSparse(oArrs);    //稀疏矩阵压缩并赋值
webTJ.display(oBrrs,1);

23、稀疏矩阵解压  [返回]

## 函数
    webTJ.Matrix.getINVSparse(arrs);
##参数
    【arrs】
    【二维数组】

代码样例

var oArrs = [
  [ 3, 5, 8,10, 8],
  [ 7,10, 3, 5, 3],
  [ 6, 3, 5, 1, 8],
  [ 2, 6, 7, 1, 2],
  [ 1, 2, 9, 3, 9]];
var oArrs1=webTJ.Matrix.getSparse(oArrs);        //稀疏矩阵压缩
webTJ.display(oArrs1,1);
var oArrs2=webTJ.Matrix.getINVSparse(oArrs1);    //稀疏矩阵解压
webTJ.display(oArrs2,1);

24、样本协方差矩阵  [返回]

## 函数
    webTJ.Matrix.getCov(arrs,k)
##参数
    【arrs,k】
    【二维数组,估计类型】

注：k=0时取n、有偏估计；k=1时取n-1、无偏估计

代码样例

webTJ.clear();
var oArrs=[[1,2,4],[3,4,2],[4,6,5],[2,3,7]];    \\定义矩阵
webTJ.display(oArrs,1);
var oCov=webTJ.Matrix.getCov(oArrs,1);\\计算样本协方差矩阵（无偏估计）
webTJ.display(oCov,1);

二、矩阵类函数在数学和统计学中的运用

目的：线性方程组和多元回归模型矩阵代码表示和矩阵类函数编程

1、根据克莱姆法则解线性方程组

设有线性方程组一般形式如下：

\[ \begin{equation*} \begin{cases} A_{11}X_1+A_{12}X_2+\dots+A_{1n}X_n=B_1\\ A_{21}X_1+A_{22}X_2+\dots+A_{2n}X_n=B_2\\ \dots\\ A_{n1}X_1+A_{n2}X_2+\dots+A_{nn}X_n=B_n\\ \end{cases} \end{equation*} \]

系数构成的行列式称为该方程组的系数行列式D,

\[\left| \begin{array}{ccc} A_{11} & A_{12} & \dots & A_{1n}\\ A_{21} & A_{22} & \dots & A_{2n}\\ \dots & \dots &\dots & \dots\\ A_{n1} & A_{n2} & \dots & A_{nn} \end{array} \right|\]

若线性方程组的系数矩阵可逆（非奇异），即系数行列式 D≠0。有唯一解，其解为，

\[X_j=\frac{D_j}{D}\hspace{1cm}(j=1,2,\dots,n)\]

其中\(D_j\)是把D中第j列元素对应地换成常数项而其余各列保持不变所得到的行列式。

现有线性方程组如下：

\[ \begin{equation*} \begin{cases} 2X_1+X_2-5X_3+X_4=8\\ X_1-3X_2-6X_4=9\\ 2X_2-X_3+2X_4=-5\\ X_1+4X_2-7X_3+6X_4=0 \end{cases} \end{equation*} \]

该方程组系数行列式为，

\[D=\left| \begin{array}{ccc} 2 & 1 & -5 & 1\\ 1 & -3 & 0 & -6\\ 0 & 2 & -1 & 2\\ 1 & 4 & -7 & 6 \end{array} \right|=27\]

因\(D\neq0\)，故可用克莱姆法则求解，其中，

\[D_1=\left| \begin{array}{ccc} 8 & 1 & -5 & 1\\ 9 & -3 & 0 & -6\\ -5 & 2 & -1 & 2\\ 0 & 4 & -7 & 6 \end{array} \right|=81\]
\[D_2=\left| \begin{array}{ccc} 2 & 8 & -5 & 1\\ 1 & 9 & 0 & -6\\ 0 & -5 & -1 & 2\\ 1 & 0 & -7 & 6 \end{array} \right|=-108\]
\[D_3=\left| \begin{array}{ccc} 2 & 1 & 9 & 1\\ 1 & -3 & 9 & -6\\ 0 & 2 & -5 & 2\\ 1 & 4 & 0 & 6 \end{array} \right|=-27\]
\[D_4=\left| \begin{array}{ccc} 2 & 1 & -5 & 8\\ 1 & -3 & 0 & 9\\ 0 & 2 & -1 & -5\\ 1 & 4 & -7 & 0 \end{array} \right|=27\]

解得，\(X_1=\frac{81}{27}=3,X_2=\frac{-108}{27}=-4,X_3=\frac{-27}{27}=-1,X_4=\frac{27}{27}=1\)。

样例代码

1.  webTJ.clear();
2.  var oDs=[[2,1,-5,1],[1,-3,0,-6],[0,2,-1,2],[1,4,-7,6]];
3.  var oY=[8,9,-5,0];
4.  webTJ.display(oDs,1);
5.  var oDet=webTJ.Matrix.getDet(oDs);
6.  oDet=webTJ.getDecimal(oDet,8);
7.  webTJ.display("D="+oDet,0);
8.  var oDD=webTJ.Matrix.getRemoveCol(oDs,0);
9.  var oD1=webTJ.Matrix.getInsertRCol(oDD,oY,0);
10. webTJ.display(oD1,1);
11. var oDet1=webTJ.Matrix.getDet(oD1);
12. oDet1=webTJ.getDecimal(oDet1,8);
13. webTJ.display("D1="+oDet1,0);
14. oDD=webTJ.Matrix.getRemoveCol(oDs,1);
15. var oD2=webTJ.Matrix.getInsertRCol(oDD,oY,1);
16. webTJ.display(oD2,1);
17. var oDet2=webTJ.Matrix.getDet(oD2);
18. oDet2=webTJ.getDecimal(oDet2,8);
19. webTJ.display("D2="+oDet2,0);
20. oDD=webTJ.Matrix.getRemoveCol(oDs,2);
21. var oD3=webTJ.Matrix.getInsertRCol(oDD,oY,2);
22. webTJ.display(oD3,1);
23. var oDet3=webTJ.Matrix.getDet(oD3);
24. oDet3=webTJ.getDecimal(oDet3,8);
25. webTJ.display("D3="+oDet3,0);
26. oDD=webTJ.Matrix.getRemoveCol(oDs,3);
27. var oD4=webTJ.Matrix.getInsertRCol(oDD,oY,3);
28. webTJ.display(oD4,1);
29. var oDet4=webTJ.Matrix.getDet(oD4);
30. oDet4=webTJ.getDecimal(oDet4,8);
31. webTJ.display("D4="+oDet4,0);
32. var oX=[oDet1/oDet,oDet2/oDet,oDet3/oDet,oDet4/oDet];
33. webTJ.display("方程的解为：",0);
34. webTJ.display(oX,1);

代码功能

2.  设置系数矩阵oDs
3.  设置常数项数组oY
5.  计算系数矩阵行列式
6.  保留8位小数（防止出现过长小数）
8.  删除系数矩阵第1列
9.  将常数项数组oY作为第1列插入系数矩阵
11. 计算替换系数矩阵D1行列式
32. 计算得各自变量的解

注：8-13、14-19、20-25、26-31功能类似，都是在系数矩阵D中分别替换各列为常数项数组oY，从而计算出替换系数矩阵\(D_1,D_2,D_3,D_4\)行列式的值

为了练习使用矩阵类函数和展示计算过程，使得上面的代码显得较多。如果只是为了解线性方程，可以简化代码如下：

样例代码

1.  webTJ.clear();
2.  var oD=[[2,1,-5,1],[1,-3,0,-6],[0,2,-1,2],[1,4,-7,6]];
3.  var oD1=[[8,1,-5,1],[9,-3,0,-6],[-5,2,-1,2],[0,4,-7,6]];
4.  var oD2=[[2,8,-5,1],[1,9,0,-6],[0,-5,-1,2],[1,0,-7,6]];
5.  var oD3=[[2,1,8,1],[1,-3,9,-6],[0,2,-5,2],[1,4,0,6]];
6.  var oD4=[[2,1,-5,8],[1,-3,0,9],[0,2,-1,-5],[1,4,-7,0]];
7.  oD=webTJ.Matrix.getDet(oD);
8.  oD1=webTJ.Matrix.getDet(oD1);
9.  oD2=webTJ.Matrix.getDet(oD2);
10. oD3=webTJ.Matrix.getDet(oD3);
11. oD4=webTJ.Matrix.getDet(oD4);
12. var oX=[oD1/oD,oD2/oD,oD3/oD,oD4/oD];
13. webTJ.display(oX,0);

注：显示的计算结果中的长小数是由于JS内部进制转换产生的。代码中2-6定义系数行列式和替换系数行列式，7-11计算所有行列式

2、试将下面线性方程组写成矩阵形式，并求解

\[ \begin{equation*} \begin{cases} 2X_1+2X_2+3X_3=2\\ X_1-X_2=2\\ -X_1+2X_2+X_4=4 \end{cases} \end{equation*} \]

矩阵形式为，\(AX=b\)，其中，

\[A=\left(\begin{array}{ccc} 2 & 2 & 3 \\ 1 &-1 & 0 \\ -1 & 2 & 1 \end{array}\right), \hspace{1cm} X=\left(\begin{array}{ccc} x_{_1}\\ x_{_2}\\ x_{_3} \end{array}\right), \hspace{1cm} b=\left(\begin{array}{ccc} 2\\ 2\\ 4 \end{array}\right)\]

计算\(|A|=-1\neq0\)，故A可逆. 因而有\(X=A^{-1}b\)，即，

\[\left(\begin{array}{ccc} x_{_1}\\ x_{_2}\\ x_{_3} \end{array}\right)= \left(\begin{array}{ccc} 2 & 2 & 3 \\ 1 &-1 & 0 \\ -1 & 2 & 1 \end{array}\right)^{-1} \left(\begin{array}{ccc} 2\\ 2\\ 4 \end{array}\right)= \left(\begin{array}{ccc} 1 &-4 &-3 \\ 1 &-5 &-3 \\ -1 & 6 & 4 \end{array}\right) \left(\begin{array}{ccc} 2\\ 2\\ 4 \end{array}\right)= \left(\begin{array}{ccc} -18\\ -20\\ 26 \end{array}\right) \]

根据矩阵相等的定义，方程组的解为：\(x_{_1}=-18,x_{_2}=-20,x_{_3}=26\)。

样例代码

1.  webTJ.clear();
2.  var oD=[[2,2,3],[1,-1,0],[-1,2,1]];
3.  var oY=[2,2,4];
4.  var oDet=webTJ.Matrix.getDet(oD);
5.  oDet=webTJ.getDecimal(oDet,8);
6.  webTJ.display("行列式="+oDet,0);
7.  var invD=webTJ.Matrix.getInverse(oD);
8.  invD=webTJ.getArrDecimal(invD,8);
9.  webTJ.display(invD,1);
10. var oArr=webTJ.Matrix.getMultiply(invD,oY);
11. webTJ.display(oArr,1);

代码功能

2.  定义系数矩阵
3.  定义常数项矩阵
4.  计算系数矩阵的行列式值
5.  保留标量有效小数8位（去除长小数）
7.  计算系数矩阵的逆矩阵
8.  保留向量（矩阵或数组）有效小数8位
10. 系数矩阵逆矩阵乘常数项矩阵（主要数项矩阵写法）

3、多元线性回归模型求解

多元线性回归模型：\(Y=A_0+A_1X_1+A_2X_2+\dots+A_mX_m\)

矩阵形式：\(XA=Y\)。其中，

\[X=\left(\begin{array}{ccc} 1 & X_{11} & X_{21} & \dots & X_{m1}\\ 1 & X_{12} & X_{21} & \dots & X_{m1}\\ \dots & \dots & \dots & \dots & \dots\\ 1 & X_{1n} & X_{2n} & \dots & X_{mm}\\ \end{array}\right), \hspace{1cm} Y=\left(\begin{array}{ccc} Y_1\\ Y_2\\ \dots\\ Y_n \end{array}\right), \hspace{1cm} A=\left(\begin{array}{ccc} A_1\\ A_2\\ \dots\\ A_m \end{array}\right)\]

多元线性回归模型解得矩阵形式为，\((X^TX)^{-1}\times(X^TY)\)。其中，

\[\small{(X^TX)^{-1}=\left(\begin{array}{ccc} n & \sum\limits_{i=1}^n X_{1i} & \sum\limits_{i=1}^n X_{2i} & \dots & \sum\limits_{i=1}^n X_{mi}\\ \sum\limits_{i=1}^n X_{1i} & \sum\limits_{i=1}^n X_{1i}^2 & \sum\limits_{i=1}^n X_{1i}X_{2i} & \dots & \sum\limits_{i=1}^n X_{1i}X_{mi}\\ \sum\limits_{i=1}^n X_{2i} & \sum\limits_{i=1}^n X_{1i}X_{2i} & \sum\limits_{i=1}^n X_{2i}^2 & \dots & \sum\limits_{i=1}^n X_{2i}X_{mi}\\ \dots & \dots & \dots & \dots & \dots\\ \sum\limits_{i=1}^n X_{mi} & \sum\limits_{i=1}^n X_{1i}X_{mi} & \sum\limits_{i=1}^n X_{2i}X_{mi} & \dots & \sum\limits_{i=1}^n X_{mi}^2 \end{array}\right) \hspace{1cm} (X^TY)=\left(\begin{array}{ccc} \sum\limits_{i=1}^n Y_i\\ \sum\limits_{i=1}^n X_{1i}Y_i\\ \sum\limits_{i=1}^n X_{2i}Y_i\\ \dots\\ \sum\limits_{i=1}^n X_{mi}Y_i \end{array}\right)} \]

现有某地区居民不同类型收入和总消费统计资料（单位：元）如下，

序号持久收入临时收入总消费
118007812248
2210013422531
324004872220
427003752469
530006622972
6330011453447
7360013033686
8390013224058
942008083726
1045006433955

根据表中样本数据，运用多元线性回归模型进行参数估计。

样例代码

1.  webTJ.clear();
2.  var oX=[[1,1800,781],[1,2100,1342],[1,2400,487],[1,2700,375],[1,3000,662],
           [1,3300,1145],[1,3600,1303],[1,3900,1322],[1,4200,808],[1,4500,643]];
3.  var oY=[2248,2531,2220,2469,2972,3447,3686,4058,3726,3955];
4.  webTJ.display(oX,1);
5.  var oXT=webTJ.Matrix.getTranspose(oX);
6.  webTJ.display(oXT,1);
7.  var oXTX=webTJ.Matrix.getMultiply(oXT,oX);
8.  webTJ.display(oXTX,1);
9.  var oXTY=webTJ.Matrix.getMultiply(oXT,oY);
10. webTJ.display(oXTY,1);
11. var invXTX=webTJ.Matrix.getInverse(oXTX);
12. webTJ.display(invXTX,1);
13. var oA=webTJ.Matrix.getMultiply(invXTX,oXTY);
14. webTJ.display(oA,1);

代码功能

  1. 定义自变量样本矩阵(X)
  2. 定义因变量样本数组(Y)
  3. 自变量矩阵转置(\(X^T\))
  4. 自变量转置矩阵乘自变量矩阵(\(X^TX\))
  5. 自变量转置矩阵乘因变量数组(\(X^TY\))
  6. 自变量转置矩阵乘自变量矩阵的逆矩阵(\((X^TX)^{-1}\))
  7. 逆矩阵乘自变量转置矩阵乘因变量数组(\((X^TX)^{-1}\times(X^TY)\))

4、主成分分析

现有全国30个省、直辖市的8项经济指标如下表，试进行主成分分析。

省份国内生产居民消费固定资产职工工资货物周转消费价格商品零售工业产值
北京1394.892505519.018144373.9117.3112.6843.43
天津920.112720345.466501342.8115.2110.6582.51
河北2849.521258704.8748392033.3115.2115.81234.85
山西1092.481250290.94721717.3116.9115.6697.25
内蒙832.881387250.234134781.7117.5116.8419.39
辽宁2793.372397387.9949111371.7116.11141840.55
吉林1129.21872320.454430497.4115.2114.2762.47
黑龙江2014.532334435.734145824.8116.1114.31240.37
上海2462.575343996.489279207.4118.71131642.95
江苏5155.2519261434.9559431025.5115.8114.32026.64
浙江3524.7922491006.396619754.4116.6113.5916.59
安徽2003.5812544744609908.3114.8112.7824.14
福建2160.522320553.975857609.3115.2114.4433.67
江西1205.111182282.844211411.7116.9115.9571.84
山东5002.3415271229.5551451196.6117.6114.22207.69
河南3002.741034670.3543441574.4116.5114.91367.92
湖北2391.421527571.684685849120116.61220.72
湖南2195.71408422.6147971011.8119115.5843.83
广东5381.7226991639.838250656.5114111.61396.35
广西1606.151314382.595105556118.4116.4554.97
海南364.171814198.355340232.1113.5111.364.33
四川35341261822.544645902.3118.51171431.81
贵州55.98111017.8773824.2117.3114.95.57
陕西1000.031208300.274396500.9119117600.98
甘肃553.351007114.815493507119.8116.5468.79
青海165.31144547.76575361.6118116.3105.8
宁夏169.75135561.985079121.8117.1115.3114.4
新疆834.571469376.965348339119.7116.7428.76

基本计算步骤：

I、样本协方差矩阵

两个样本总体间的样本协方差公式：

\[Cov(X_i,X_j)=\frac{\sum\limits_{k=1}^n (X_{ik}-{\overline X_i})(X_{jk}-{\overline X_j})}{n-1}\]

m个样本总体间的样本协方差矩阵：

\[A=\left(\begin{array}{ccc} Cov(X_1,X_1) & Cov(X_2,X_1) & \dots & Cov(X_m,X_1)\\ Cov(X_1,X_2) & Cov(X_2,X_2) & \dots & Cov(X_m,X_2)\\ \dots & \dots & \dots & \dots\\ Cov(X_1,X_m) & Cov(X_2,X_m) & \dots & Cov(X_m,X_m) \end{array}\right)\]
\[\small{=\frac{1}{n-1}\left(\begin{array}{ccc} \sum\limits_{k=1}^n (X_{1k}-{\overline X_1})^2 & \sum\limits_{k=1}^n (X_{2k}-{\overline X_2})(X_{1k}-{\overline X_1}) & \dots & \sum\limits_{k=1}^n (X_{mk}-{\overline X_m})(X_{1k}-{\overline X_1})\\ \sum\limits_{k=1}^n (X_{1k}-{\overline X_1})(X_{2k}-{\overline X_2}) & \sum\limits_{k=1}^n (X_{i2}-{\overline X_2})^2 & \dots & \sum\limits_{k=1}^n (X_{mk}-{\overline X_m})(X_{2k}-{\overline X_2})\\ \dots & \dots & \dots & \dots\\ \sum\limits_{k=1}^n (X_{1k}-{\overline X_1})(X_{mk}-{\overline X_m}) & \sum\limits_{k=1}^n (X_{i2}-{\overline X_2})(X_{mk}-{\overline X_m}) & \dots & \sum\limits_{k=1}^n (X_{mk}-{\overline X_m})^2 \end{array}\right)} \]

II、协方差矩阵特征值

已知E单位矩阵，A为样本协方差矩阵（m阶方阵），求m阶矩阵A的特征值的基本方法即求齐次线性方程组\((\lambda E-A)X=0\)有非零解的值\(\lambda\)。即要求行列式\((\lambda E-A)=0\)。计算行列式获得的\(\lambda\)值即为矩阵A的特征值。

III、特征值取绝对值、排序（倒序）、累计、计算贡献率

注：这里着重计算，主成分分析具体方法参见后续文章。

样例代码

1.  webTJ.clear();
2.  var oStr = webTJ.getGSData("sysData");
3.  var oArrs=webTJ.getArrs(oStr,"|",":");
4.  oArrs=webTJ.Matrix.getRemoveCol(oArrs,0);
5.  var oTrr=oArrs[0];
6.  oArrs=webTJ.Matrix.getRemoveRow(oArrs,0);
7.  oArrs=webTJ.Array.getQuantify(oArrs);
8.  var oCov=webTJ.Matrix.getCov(oArrs,1);
9.  var oErrs=webTJ.Matrix.getEig(oCov);
10. var oVrrs=[];
11. var oLen=oTrr.length;
12. for (var i=0; i<oLen; i++) {
13.   oVrrs[i]=[]; oVrrs[i][0]=oTrr[i];
14.   oVrrs[i][1]=Math.abs(webTJ.getDecimal(oErrs[0][i],4));
15.   }
16. oVrrs=webTJ.Array.getNArrsSort(oVrrs,1,1);
17. var oS=0;
18. for (var i=0; i<oLen; i++) {
19.   oS+=oVrrs[i][1];
20.   oVrrs[i][2]=webTJ.getDecimal(oS,4); oVrrs[i][3]=0;
21.   }
22. for (var i=0; i<oLen; i++) {
23.   oVrrs[i][3]=webTJ.getDecimal(100*oVrrs[i][2]/oS,6)+"%";
24.   }
25. var oT=["指标","特征值","累计贡献额","累计贡献率"];
26. oVrrs=webTJ.Matrix.getInsertRRow(oVrrs,oT,0);
27 webTJ.show(oVrrs,2);

代码功能

2.  获得系统数据（表中30省份经济数据，字符）
3.  根据字符格式转换为矩阵
4.  删除矩阵第一列（省份名称列）
5.  将矩阵第一行赋值给指标数组oTrr
6.  删除矩阵第一行（指标名称行）
7.  量化矩阵，赋值存在数量字符
8.  计算样本协方差矩阵
9.  根据样本协方差矩阵计算特征值和特征向量
10. 定义二维输出数组
11. 定义指标数量
12-15. 循环中依列向输出数组中写入指标名称和特征值绝对值
16. 根据特征值对输出数组进行倒序排序
17. 定义累加变量及初始值
18-21. 循环中向输出数组中写入特征值累计值
22-24. 循环中向输出数组中写入特征值累计百分比（贡献率） 
25. 定义指标数组
26、将指标数组插入输出数组第一行

三、在线数据操作练习

代码窗口

注：可将例题实例代码复制、粘贴到“代码窗口”，点击“运行代码”获得计算结果（鼠标选择实例代码\(\rightarrow\)Ctrl+C:复制\(\rightarrow\)鼠标点击“代码窗口”使其获得焦点\(\rightarrow\)Ctrl+V:粘贴）
运行代码

运行效果

转载于:https://www.cnblogs.com/cloudtj/p/6542271.html

weixin_30390075
关注
矩阵与线性代数
LittleDorcas博客
04-18 4053
矩阵是线性代数的研究对象，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合 ，最早来自于方程组的系数及常数所构成的方阵。这一概念由19世纪英国数学家凯利首先提出。抽象理解矩阵，是理解高等数学的基础。 一般来说，矩阵指代下面两种含义之一，当然，这两种含义并非割裂开的，正是由向量的运动（线性变换）组成了空间。 1、 向量空间 2、 线性变换 一、 向量空间。 向量空间直观来看，是由向量组成的...
浙大PTA-Python题库 编程题第四章(4-1~4-30)题解
热门推荐
zimuzi2019的博客
06-30 7万+
其他各章题解链接如下 浙大PTA-Python题库 编程题第一章(1-1~1-3)题解 https://blog.csdn.net/zimuzi2019/article/details/107020657 浙大PTA-Python题库编程题 第二章(2.1~2.14)题解 https://blog.csdn.net/zimuzi2019/article/details/106984549 浙大PTA-Python题库 编程题第三章(3-1~3-22)题解 https://blog.csdn.net/zimu
6-1 使用二维数组实现Matrix(矩阵)的转置 (60分) java pta
m0_46553277的博客
10-09 1540
编写程序题。 根据要求编写一个Java类，补充到代码中。 按要求编写ArrayTransposition类，通过二维数组行与列的互换，实现矩阵的转置。类中包含以下方法： inputMatrix方法：从键盘读入行数和列数，创建数组，然后从键盘输入数组的元素值 transposition方法：互换二维数组的行与列。 方法声明如下： int[][] inputMatrix(); int[][] transposition(int[][] array); 裁判测试程序样例： import java.uti
go语言机器学习-矩阵-概率伦-统计学
sdadaaagfsee3的博客
07-21 1518
2.1矩阵与向量 使用gonum.org/v1/gonum包下的库函数可以对向量和矩阵进行操作 当进行计算的向量维度大且使用的函数较多时，使用gonum.org/v1/gonum/mat mat包下的apply函数操作矩阵时，可以让用户自定以函数进行操作 //Apply()函数可以让用户自定义任何函数 来操作矩阵 h := mat.NewDense(0, 0, nil) // 定义平方根函数 sqrt := func(_, _ int, v float64) float64 { return math.
矩阵超几何函数
wubyatseu的专栏
02-21 900
面向矩阵的超几何函数是经典超几何函数的推广和一般化，这里给出了矩阵超几何函数的定义和几个重要的结论。
【矩阵论】4. 矩阵运算——矩阵拉直
努力，奋斗！
12-01 5364
矩阵拉直性质 拉直运算应用——李雅普诺夫方程求解
矩阵运算在统计学中的基础性作用：揭秘统计推断的数学原理
矩阵运算在统计学中扮演着至关重要的角色，为统计推断和数据分析提供了坚实的基础。它允许我们表示和处理复杂的多变量数据，从而揭示数据中的模式和关系。 矩阵运算在统计学中的应用广泛，包括但不限于： - **数据...
统计学类专业高等代数课程改革借鉴.pdf
12-05
此外，教师还可以引入多元统计分析中的矩阵运算、特征值与特征向量在主成分分析中的作用，以及线性方程组在贝叶斯统计中的应用，使学生看到高等代数理论的实际价值。 总的来说，高等代数课程改革需要关注课程内容的...
矩阵运算库
12-14
3. **BLAS和LAPACK接口**：可能集成Basic Linear Algebra Subprograms (BLAS)和Linear Algebra Package (LAPACK)，利用这些底层优化的库来加速矩阵运算。 4. **并行计算支持**：可能包含对OpenMP或MPI的支持，以利用...
numpy 模块当中常用统计函数、矩阵、矩阵运算的简单介绍（2）
qq_37925969的博客
11-23 1654
2021.11.23 今天我们来学习numpy 里面的常用统计函数。 重点来看一下标准差和方差。 numpy.amin numpy.amax 分别可以返回numpy 当中指定轴向的最大值和最小值。 numpy.ptp() 返回数组当中最大值和最小值得差 最大值-最小值。 numpy.median 用来计算数组当中的元素的中位数 演示一下 numpy.ptp() import numpy as np arr = np.random.randint(1,100,size=(5,6)) arr array([[
MATLAB小技巧（23）矩阵分析--模拟退火
sinat_34897952的博客
07-01 522
MATLAB进行图像处理相关的学习是非常友好的，可以从零开始，对基础的图像处理都已经有了封装好的许多可直接调用的函数，这个系列文章的话主要就是介绍一些大家在MATLAB中常用一些概念函数进行例程演示！模拟退火算法（Simulate Anneal Arithmetic，SAA）是一种通用概率演算法，用来在一个大的搜寻空间内找寻命题的最优解。模拟退火是S.Kirkpatrick, C.D.Gelatt和M.P.Vecchi在1983年所发明。而V.Černý在1985年也独立发明此演算法。模拟退火算法是解决TS
6-2 编写Matrix类，使用二维数组实现矩阵，实现两个矩阵的乘法。 (30分) java pta
m0_46553277的博客
10-09 3214
编写程序题, 根据要求编写一个Java类，补充到代码中。 定义Matrix(矩阵)类，使用二维数组实现矩阵，实现两个矩阵的乘法。要求如下： 4个变量：row(行数)，column(列数), matrix( int型二维数组)，reader( Scanner对象)。 根据程序需求定义构造方法。 inputMatrix方法：从键盘读入一个矩阵，读入行数和列数，创建矩阵，然后读入元素值方法。 multiply方法：两个矩阵相乘，并返回乘积矩阵。 (两个矩阵的乘法：一个m×n的矩阵a（m,n)乘一个n×p的矩阵b
Numpy 定义矩阵的方法
weixin_34302561的博客
09-14 4963
  import numpy as np #https://www.cnblogs.com/xzcfightingup/p/7598293.html a = np.zeros((2,3),dtype=int) a = np.ones((2,3),dtype=int) a = np.eye(3)#3维单位矩阵 a = np.empty([2,3],dtype=int) a = np.rando...
2.6数组运算和矩阵运算
席小贱
03-11 5738
2.6数组运算和矩阵运算
利用二维数组实现一个矩阵类：Matrix
waitig's blog
10-20 1万+
利用二维数组实现一个矩阵类：Matrix。要求提供以下操作： （1）set（int row, int col, double value）：将第row行第col列的元素赋值为value； （2）get（int row，int col）：取第row行第col列的元素； （3）width（）：返回矩阵的列数； （4）height（）：返回矩阵的行数； （5）Matrix add（Matrix
使用c#制作一个小型桌面程序
qq_44691564的博客
09-14 2694
创建.NET Framework新项目，将之前生成的dll放在Demo文件夹的bin ->debug或是 release中（看你自己用的什么模式），创建完成后 系统会自动生成一些文件，其中 pch.cpp 先不要修改，pch.h中先导入自己需要用到的库，下面是我的代码。布局完了之后会自动生成Form1.Designer.cs 的窗口设计代码，点击控件按F4 还可以修改他们的属性。完成之后点击生成 就可以在bin中出现的你的.exe文件咯，是不是很简单呀~[狗头]我们还需要一个入口主程序。
开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群活动中的应用与时机选择
最新发布
专注MarTech应用研究与实施方案
09-17 1295
本文探讨了开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群经济中的重要性，着重分析了如何借助该小程序适时举办大型活动以维持和引爆社群活跃度。通过对活动时机选择的研究，强调了针对社群用户量身定制活动时机的必要性，以赢得用户的高度参与。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值