![](https://img-blog.csdnimg.cn/20190926163557210.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
数学&运筹优化
数学基础知识讲解,运筹学,优化方向的基础知识讲解。主要为原理。
xiaotang_sama
这条街上最快乐的代码仔
展开
-
【转载】香农熵-从物理中的熵出发讨论
zhua 偶然看到一篇介绍香农熵的文章,写得浅显易懂,翻译过来,与大家一起学习!原文:Shannon Entropy, Information Gain, and Picking Balls from Buckets参考视频:Inform.转载 2020-08-29 22:48:30 · 311 阅读 · 0 评论 -
【统计学01】概括性描述-集中趋势,离散程度,分布形状度量
1 离散程度度量一组数据的离散程度是数据分布的重要特征。定义:离散程度用于衡量各变量值距离其中心值的程度,离散程度越大,则代表用于代表集中趋势的度量值对于这一组数据的代表性也越差。1.1 分类数据:异众比率因为分类数据一般采用众数来代表其集中趋势,因此对于分类数据,一般采用异众比率来衡量数据的离散程度。通俗的解释就是,不是众数的数所占的比例。数学表达为:Vr=∑fi−fm∑fiV_r=\frac{\sum f_i-f_m}{\sum f_i}Vr=∑fi∑fi−fm其中∑fi\su原创 2020-08-23 12:54:42 · 11463 阅读 · 2 评论 -
【统计学】关于Z score 的一切(如何由一组数据转变为 平均值为0;方差为1的一组数据)
导读:通常我们使用方差、标准差来度量一组数据的离散程度,但是如果想要度量单个变量在一组数据中的相对离散位置,我们则会使用** Zscore**也称 标准分数 Standard score来衡量。Zi=xi−xˉsZ_i=\frac{x_i-\bar x}{s}Zi=sxi−xˉ下面,通过公式的推导来论证一下使用“Z score”来标记相对位置的合理性和逻辑性。1 z score构成的数据集合为什么均值为0假设现有一组数据x1,x2,....xn{x_1,x_2,....x_n}x1,x.原创 2020-08-23 09:13:47 · 2605 阅读 · 1 评论 -
【LP】02 Preliminaries
02 PreliminariesOutlineStandard form LP / LP的标准形式Embedded assumptions /一个问题想要变成一个LP问题,就一定有一些内含的假设。我们要去探究到底有哪些假设的条件时,我们可以使用这个优化的模型。Converting to standard form / 转变成标准形式对于不是标准形式的形式,我们如何对其转换...原创 2019-09-29 21:43:39 · 385 阅读 · 0 评论 -
【LP】00 Pre-Introduction and 01 Introduction
从本博文开始,将持续更新方述诚教授在南卡罗来纳大学教授的研究生课程《Linear Programming》中的内容,视频由于一些原因无法上传,这里有一个可以提供参考的一个pdf文件,下面给出网址:方述诚-线性规划讲解资料00 pre-introduceOutlinecourse objectivepre-requisites(预备知识)course content(课程内容...原创 2019-09-28 15:56:04 · 826 阅读 · 1 评论 -
线性代数05 齐次/非齐次线性方程组的具体解集
通过线性代数系列博客03,我们了解了齐次线性方程组与非齐次线性方程组,了解了线性方程组的系数矩阵的行列式与解的情况的关系。接下来我们就要探究,如果我们需要具体求解线性方程,我们需要怎么做?在具体了解求解线性方程组的过程之前,我们需要先明确几个概念。1 明确概念(1)齐次线性方程组:常数项全为0的线性方程组(2)齐次线性方程组的解的情况:零解,或者非零解。在这里,我们只需要讨论非零解...原创 2019-09-27 17:24:28 · 17410 阅读 · 2 评论 -
线性代数09 特征值与特征向量
在上一节我们提出了对于矩阵求幂的运算,关键在于找到一个可逆矩阵P,使得A可以化成对角矩阵D。而这个逆矩阵能否找到,就在于能不能找到n个线性无关的向量满足:Aai=λiaiAa_{i}=\lambda_{i}a_{i} Aai=λiai对于这个式子,我们引入了一个专门的概念来求解这其中的λ和列向量。1 特征值与特征向量如果对于矩阵A来说,有非零列向量使得:Aa=λ0a ...原创 2019-09-27 17:12:26 · 391 阅读 · 0 评论 -
线性代数08 矩阵的相似与矩阵的幂(相似对角化)
从本节开始,就不再关注线性方程组的解的结果或者具体的解如何求出。而是开始转而去关注矩阵的一些性质和拓展内容,这一节我将会介绍矩阵相似的概念。以及这个矩阵的相似的意义。先观察以下公式:若存在可逆矩阵P,使得一个关于矩阵A的等式如下成立:A=(PDP−1)A=(PDP^{-1})A=(PDP−1)我们称符合这样关系的的矩阵A与D是相似的记作A~D则A的幂可以通过求矩阵D的幂求得Am...原创 2019-09-27 16:33:42 · 4589 阅读 · 0 评论 -
线性代数07 克拉默法则(Cramer)
至此为止我们已经掌握了一些关于线性方程组的解的线性代数内的内容,在开始这一章的博客之前,我先来个小结:①利用系数矩阵的秩来判断解的情况②利用系数矩阵的行列式来判断解的情况③齐次/非齐次线性方程组的通解求解方法④矩阵的逆与方程的解的关系,并给出了矩阵的逆的求法1 克拉默法则(1)适用条件:只适用于n个方程,n个未知量,且具有唯一解的情况(因为要使用到系数矩阵的行列式,且行列式|A|≠0)...原创 2019-09-27 15:08:41 · 35602 阅读 · 0 评论 -
线性代数06 矩阵的逆以及求法
我们已经了解了对于方程组来说,如何根据他的系数矩阵的变化,来实现高斯-诺尔当消元算法,并可以快速的判断方程组的解的情况。这样看上去非常的完美,但是我们在线性代数中,还有一个非常重要的部分就是矩阵的运算,似乎除了初等变换以外,现在目前还对任何的求解线性方程没有帮助。现在我想要探讨一下矩阵的逆。以及逆矩阵的求法,看看它有什么用把!1 逆矩阵对于任何一个矩阵A来说,若存在一个矩阵B,使得:A∗B...原创 2019-09-27 13:56:10 · 20894 阅读 · 0 评论 -
线性代数04 行列式的性质:举一反三,从三个到十个
对于行列式的性质,一共十个,都可以从三个基础的性质推出来。因此此篇博文将详细的从三个基础性质说起。性质1 Det I=1说明:这个很好理解,只要知道单位矩的结构。就知道单位阵的对角线上全是1,因此行列式也是1.性质2对于行列式来说,变换行的位置,行列式需要变换符号:例如:性质3a矩阵的某一行可提取公因子到行列式外。这一点一定要区别于矩阵的提取公因子。...原创 2019-09-27 08:44:56 · 822 阅读 · 0 评论 -
线性代数03 齐次/非齐次线性方程组的解(行列式与解的关系)
上一篇文章介绍了关于矩阵的秩与线性方程组的解之间的关系。现在我们可以探究另一个非常重要的概念(行列式)与线性方程组的解的情况之间的关系。1 行列式首先,我们需要了解什么是行列式。行列式,是一个相对于矩阵的概念,并且必须是方阵才有行列式的概念。重要的话说三遍:方阵才有行列式的概念,方阵才有行列式的概念,方阵才有行列式的概念。我们可以认为行列式是一个值,通过对n阶方阵进行行列式的运算,可以...原创 2019-09-26 21:49:48 · 44518 阅读 · 4 评论 -
线性代数02 线性方程组的解的情况(矩阵的秩)
在01中,我们提到出了一个问题:关于线性方程组的解是否可以根据消元过程中的结构来探究?博主给出了答案是可以的,那么具体的情况是如何呢?我们先来明确几个概念:1 主元与矩阵的秩上一节01,我们提到了关于主元的概念,就是在阶梯矩阵中的非零行中,第一个不为零的数。那么很简单能够知道,主元的个数=非零行的数量。 如此一来。我们可以从主元出发,得到一个新的概念:矩阵的秩(Rank)=主元的数量=非...原创 2019-09-26 18:31:03 · 19426 阅读 · 2 评论 -
线性代数01 Gauss-Jordan(高斯-诺尔当)算法:消两个算什么?我一次消N个
0 概述虽然Gilbert Strang教授讲解线性代数是从向量在空间中的表示开始,但是我仍然想从解线性方程组来开始整个线性代数课程的笔记整理。 最重要的东西我一般都喜欢让它放在前面,虽然在大一的时候线代学的不咋地,但是对于线代有个非常重要的认识,整个的课本的核心都围绕线性方程组的求解来展开。当然后来也引入了其他的非常多的内容,但是还是非常基础而核心的内容。1 回顾方程组的消元解法高中或者...原创 2019-09-26 17:28:00 · 1731 阅读 · 2 评论 -
线性代数00 开篇
线性代数1 开篇00 学习动机与感悟最近因为想要重新复习数学基础的内容,看完了Gilbert Strang教授在麻省理工大学18.06的线性代数课程.大部分的内容都是大一的时候学过的,主要内容包括矩阵(各种矩阵),行列式,(也是我认为最常见,最基础的内容)以及一些拓展与应用的内容。上完课认为Gilbert Strang教学风格真的很好,线代本来是很抽象的东西,在大一刚入学的时候痴迷于代码的...原创 2019-09-26 16:58:31 · 288 阅读 · 0 评论