Vector and Matrix(向量與矩陣) 羅琪老師

Slides:



Advertisements
Similar presentations
人的性别遗传 合肥市第四十九中学 丁 艳. 男女成对染色体排序图 1 、男性和女性各 23 对染色体有何异同 ? 哪 一对被称为性染色体 ? 2 、这两幅图中,哪幅 图显示的是男性的染色 体?哪幅图显示的是女 性染色体? 3 、图中哪条染色体是 Y 染色体?它与 X 染色体 在形态上的主要区别是.
Advertisements

第 5 章 基因突变及其他变异 第 3 节 人类遗传病 【思考】 感冒是不是遗传病? 先天性疾病、地方性疾病和遗传 病有什么关系?
欢迎您来到 心理课堂! 一首歌 1.
XX啤酒营销及广告策略.
第四章:长期股权投资 长期股权投资效果 1、控制:50%以上 有权决定对方财务和经营.
做 荷 包 的 主 人 第 一 桶 金 督導 張宏仁 財團法人「張老師」基金會 桃園分事務所 督導 張宏仁
窦娥冤 关汉卿 感天动地 元·关汉卿.
天津1班面试专项练习1 综合分析现象类 主讲:凌宇 时间:5月21日 19:00—22:00.
1、一般地说,在生物的体细胞中, 和 都是成对存在的。
辨性别 A B. 辨性别 A B 第三节人类染色体与性别决定 昌邑市龙池初中 杨伟红 学习目标 1.理解人的染色体组成和传递规律。 2.解释人类性别决定的原理。 3.通过探究活动,解读数据了解生男生女的比例。
2.4 人的性别遗传.
这是一个数字的 乐园 这里埋藏着丰富的 宝藏 请跟我一起走进数学的 殿堂.
草虫的村落 执教者:罗小妍 升华        交往1        交往2        演奏        劳动        分工        回应        拓展       
45天备考指南 2013年下半年国考资格证笔试系列讲座(2) 华图教师事业部 石杨平.
資料分析 ---敘述統計分析.
資料概說 1.1 基本名詞介紹 1.2 資料型態 1.3 基本操作 商管研究資料分析SPSS的應用 Chapter 1 資料概說.
英 德 美 法 标志 1689年 《权利法案》 1871年 《德意志帝国宪法》 1787年宪法 1875年法兰西第三共和国宪法 政体 君主立宪制 民主共和制 行政权 内阁、首相 皇帝、宰相 总统 立法权 议会 国会 权力中心 皇帝 特点 君主虚位 议会至上 军事封建 皇帝权重 总统共和制 议会共和制.
知其不可而为之.
一、平面点集 定义: x、y ---自变量,u ---因变量. 点集 E ---定义域, --- 值域.
中国画家协会理事、安徽省美术家协会会员、 工艺美术师、黄山市邮协常务理事余承平主讲
2014政法干警备考平台 2014政法干警考试群⑨ 中公教育政法干警考试 ——微博 中公教育政法干警考试
如何开好通表会 荔湾区教育局第二期学生团干培训 2009年9月 1.
欢迎大家来到生命科学课堂.
初中语文总复习 说明文 阅读专题 西安市第六十七中学 潘敏.
课题:人的高贵在于灵魂 湘潭就业职校:杨秀红.
管理学基本知识.
跳楼价 亏本大甩卖 清仓处理 买一送一 5折酬宾. 跳楼价 亏本大甩卖 清仓处理 买一送一 5折酬宾.
资料分析 如何攻破最后瓶颈 主讲老师:姚 剑 4月6日20:00 YY频道:
汉字的构造.
诵读欣赏 古代诗词三首.
清仓处理 跳楼价 满200返160 5折酬宾.
滁州学院首届微课程教学设计竞赛 课程名称:高等数学 主讲人:胡贝贝 数学与金融学院.
1.1.2 四 种 命 题.
高一数学 充分条件与必要条件 教育科学学院03级教育技术2班 刘文平.
色 弱 與 色 盲.
第16课 抗日战争.
第五章 定积分及其应用.
09学前教育班 魏文珍 自我介绍.
世上孩子都是宝, 男孩女孩都一样。.
宠物之家 我的宠物性别? 雌(♀) or 雄(♂) 第一阶段:我的宠物我做主 第二阶段:宠物“相亲记” 第三阶段:家族诞生
拾貳、 教育行政 一、教育行政的意義 教育行政,可視為國家對教育事務的管理 ,以增進教育效果。 教育行政,乃是一利用有限資源在教育參
课标教材下教研工作的 实践与思考 山东临沂市教育科学研究中心 郭允远.
課程銜接 九年一貫暫行綱要( )  九年一貫課程綱要( ) 國立台南大學數學教育系 謝 堅.
北师大版七年级数学 5.5 应用一元一次方程 ——“希望工程”义演 枣庄市第三十四中学 曹馨.
第八章二元一次方程组 8.3实际问题与二元一次方程组.
第八章二元一次方程组 8.3实际问题与二元一次方程组 (第3课时).
2.4 二元一次方程组的应用(1).
贴近教学 服务师生 方便老师.
六年级 语文 下册 第四单元 指尖的世界.
海洋存亡 匹夫有责 ——让我们都来做环保小卫士 XX小学三(3)班.
(浙教版)四年级品德与社会下册 共同生活的世界 第四单元 世界之窗 第二课时.
文化生活第三单元 中华文化和民族精神.
第八章 報酬與風險.
导数的应用 ——函数的单调性与极值.
二元一次聯立方程式 代入消去法 加減消去法 自我評量.
MATLAB 程式設計入門篇 初探MATLAB
財務管理原理 姜堯民 著 第八章 報酬與風險 新陸書局股份有限公司 發行 姜堯民 著.
第七章  事业单位支出的核算      §第一节  支出概述     §第二节  拨出款项     §第三节  各项支出     §第四节  成本费用.
课前注意 课前注意 大家好!欢迎加入0118班! 请注意以下几点: 1.服务:卡顿、听不清声音、看不见ppt—管家( ) 2.课堂秩序:公共课堂,勿谈与课堂无关或消极的话题。 3.答疑:上课听讲,课后答疑,微信留言。 4.联系方式:提示老师手机/微信: QQ:
山清水秀的林芝 yy 曾元一
第 四 章 迴歸分析應注意之事項.
统计软件应用 2 主讲人 陶育纯 SPSS 统计软件应用 2 主讲人 陶育纯 教案.
(5) (-5x)(-7x+2) =__________ (6) 7x(5x2+6x-3) = _______________ -27x2
Xián 伯 牙 绝 弦 安徽淮南市八公山区第二小学 陈燕朵.
数学题解答 第二章 一元一次方程 2.1从算式到方程 (第1课时) 数学题解答
台灣房價指數 台灣房屋 中央大學 2011年7月29日.
学生伤害及其预防控制 北京市疾病预防控制中心 学校卫生所 耳玉亮.
用加減消去法解一元二次聯立方程式 台北縣立中山國中 第二團隊.
利用十字交乘法將二次多項式化為兩個一次式的乘積。
Presentation transcript:

Vector and Matrix(向量與矩陣) 羅琪老師

向量形式 > c(2,3,5,2,7,1) # 數字 > 3:10 # 數列 3, 4, .., 10 > c(TRUE,FALSE,FALSE,FALSE,TRUE,TRUE,FALSE) # 邏輯 > c(”Canberra”,”Sydney”,”Newcastle”,”Darwin”) # 文字

串聯向量 > x <- c(2,3,5,2,7,1) > x [1] 2 3 5 2 7 1 > y <- c(10,15,12) > y [1] 10 15 12 > z <- c(x, y) > z [1] 2 3 5 2 7 1 10 15 12 > x <- c(10.4, 5.6, 3.1, 6.4, 21.7) > y <- c(x, 0, x) > y [1] 10.4 5.6 3.1 6.4 21.7 0.0 10.4 5.6 3.1 6.4 21.7

向量的一部分 > x <- c(3,11,8,15,12) # 將3, 11, 8, 15, 12放到向量x > x[c(2,4)] # 取出向量x中的第2與第4個元素 [1] 11 15 > x <- c(3,11,8,15,12) > x[-c(2,3)] # 將向量x中的第2與第3個元素移除 [1] 3 15 12 > x>10 # 產生一個邏輯向量(元素都是T or F) [1] F T F T T > x[x>10] # 印出x>10的元素 [1] 11 15 12

向量的排序 > x <- c(10.4, 5.6, 3.1, 6.4, 21.7) > sort(x) # 由小到大排序, NA省略 [1] 3.1 5.6 6.4 10.4 21.7 > order(x) # 最小到最大數的位置 [1] 3 2 4 1 5 > x[order(x)] # 由小到大排序, NA放最後 > rev(x) # 將向量x的順序反轉 [1] 21.7 6.4 3.1 5.6 10.4 > rev(sort(x)) # 將向量x由大到小排序 [1] 21.7 10.4 6.4 5.6 3.1

生成規則的數列 1:30 與 c(1, 2, ..., 29, 30) 相同 2*1:15 與 c(2, 4, ..., 28, 30) 相同 > n <- 10 > 1:n-1 [1] 0 1 2 3 4 5 6 7 8 9 > 1:(n-1) [1] 1 2 3 4 5 6 7 8 9 > seq(2,10) # 2到10的數列, 每次增加1 [1] 2 3 4 5 6 7 8 9 10 > seq(1,30) # 1到30的數列, 每次增加1 [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

生成規則的數列 > s3 <- seq(-5, 5, by=.2) # -5到5的數列, 每次增加0.2 > s3 [1] -5.0 -4.8 -4.6 -4.4 -4.2 -4.0 -3.8 -3.6 -3.4 -3.2 -3.0 -2.8 -2.6 -2.4 -2.2 -2.0 -1.8 -1.6 -1.4 -1.2 -1.0 -0.8 [23] -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 [45] 3.8 4.0 4.2 4.4 4.6 4.8 5.0 > s4 <- seq(length=51, from=-5, by=.2) # -5開始每次增加0.2, 共51個數字 > s4

生成規則的數列 > x <- c(3, 1, 4, 2) > s5 <- rep(x, times=5) # 重複x內容5次 > s5 [1] 3 1 4 2 3 1 4 2 3 1 4 2 3 1 4 2 3 1 4 2 > s6 <- rep(x, each=5) # 重複x每個元素5次 > s6 [1] 3 3 3 3 3 1 1 1 1 1 4 4 4 4 4 2 2 2 2 2 > rep(c(2,3,5),c(4,4,8)) [1] 2 2 2 2 3 3 3 3 5 5 5 5 5 5 5 5

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 向量的運算 > x <- 1.2 : 6.4 # 從1.2起到6.4, 每次增加1, 然後2.2, 3.2, 4.2, 5.2, 6.2, 最多到6.2 > x [1] 1.2 2.2 3.2 4.2 5.2 6.2 > x * 2 [1] 2.4 4.4 6.4 8.4 10.4 12.4 > x / 2 [1] 0.6 1.1 1.6 2.1 2.6 3.1 > x - 1 [1] 0.2 1.2 2.2 3.2 4.2 5.2

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 向量的運算 > (x <- 1 : 5) [1] 1 2 3 4 5 > sqrt(x) [1] 1.000000 1.414214 1.732051 2.000000 2.236068 > round(sqrt(x),digits = 2) # 4捨5入到小數點第2位 [1] 1.00 1.41 1.73 2.00 2.24 > x^2 [1] 1 4 9 16 25

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 向量的運算 > (x <- seq(2, 10, by = 2)) [1] 2 4 6 8 10 > (y <- 1 : 5) [1] 1 2 3 4 5 > x/y [1] 2 2 2 2 2 > (x <- 1 : 10) [1] 1 2 3 4 5 6 7 8 9 10 > (y <- 1 : 3) [1] 1 2 3 > x / y [1] 1.0 1.0 1.0 4.0 2.5 2.0 7.0 4.0 3.0 10.0 Warning message: In x/y : longer object length is not a multiple of shorter object length

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 向量的運算 2*x重複2.2次, y重複1次,1 重複11次. > x <- c(10.4, 5.6, 3.1, 6.4, 21.7) > 1/x [1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 > y <- c(x, 0, x) > y [1] 10.4 5.6 3.1 6.4 21.7 0.0 10.4 5.6 3.1 6.4 21.7 > v <- 2*x + y + 1 Warning message:警告 In 2 * x + y :長的物件長度不是短的物件長度的倍數 longer object length is not a multiple of shorter object length > v [1] 32.2 17.8 10.3 20.2 66.1 21.8 22.6 12.8 16.9 50.8 43.5

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 字符向量 > (s <- c(“Florida; a politician‘s”,’nightmare‘)) # 可用雙引號或單引號 [1] "Florida; a politician's" "nightmare" > paste(s[1], s[2]) [1] "Florida; a politician's nightmare“ > paste(s[1], s[2], sep = '-') [1] "Florida; a politician's-nightmare“

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 字符向量 > (s <- c(“Florida; a politician‘s”,’nightmare‘)) # 可用雙引號或單引號 [1] "Florida; a politician's" "nightmare" > paste(s[1], s[2]) [1] "Florida; a politician's nightmare“ > paste(s[1], s[2], sep = '-') [1] "Florida; a politician's-nightmare“

[1] 0.09615385 0.17857143 0.32258065 0.15625000 0.04608295 字符向量 > labs <- paste(c("X","Y"), 1:10, sep="") > labs [1] "X1" "Y2" "X3" "Y4" "X5" "Y6" "X7" "Y8" "X9" "Y10“ > labs1 <- paste(c("X","Y"), rep(1:10, each=2), sep="") > labs1 [1] "X1" "Y1" "X2" "Y2" "X3" "Y3" "X4" "Y4" "X5" "Y5" "X6" "Y6" "X7" "Y7" "X8" "Y8" "X9" "Y9" "X10" [20] "Y10"

遺漏值Missing values > x <- c(1, 20, 2, NA, 22) > order(x) [1] 1 3 2 5 4 > x[order(x)] [1] 1 2 20 22 NA > sort(x) [1] 1 2 20 22

遺漏值Missing values > x <- c(1, 20, 2, NA, 22) > is.na(x) [1] FALSE FALSE FALSE TRUE FALSE > sum(is.na(x)) # 計算向量x中NA的個數 [1] 1 > !is.na(x) [1] TRUE TRUE TRUE FALSE TRUE > sum(!is.na(x)) # 計算向量x中不是NA的個數 [1] 4

> mean(x) [1] NA 遺漏值Missing values > x <- c(1, 20, 2, NA, 22) > y<-x[!is.na(x)] # 將向量x中非NA的資料放到y > y [1] 1 20 2 22 > x[is.na(x)] <- 0 # 將向量x中NA的資料改為0 > x [1] 1 20 2 0 22 > mean(x) [1] NA

遺漏值Missing values > n <- length(x[!is.na(x)]) # 計算向量x中不是NA的個數 > n [1] 4 > new.x<-x[!is.na(x)] > new.x [1] 1 20 2 22 > sum(new.x) [1] 45 > mean<-sum(new.x)/n > mean [1] 11.25 > mean(x, na.rm=TRUE) # 計算去掉NA的平均數

絕對值 > y<-c(1, -2, 3, -4, -5, 6) > y[y < 0] <- -y[y < 0] > y [1] 1 2 3 4 5 6 > y<-abs(y)

矩陣計算 > A<-matrix(c(3,-1,0,-1,2,-1,0,-1,3),3,3) # 建立 3×3 矩陣 > A [,1] [,2] [,3] [1,] 3 -1 0 [2,] -1 2 -1 [3,] 0 -1 3 > B<-cbind(c(3,-2,4),c(1,3,7)) # 將兩向量做為矩陣的2行 > B [,1] [,2] [1,] 3 1 [2,] -2 3 [3,] 4 7 > dim(B) # 矩陣的維度 [1] 3 2

矩陣計算 > D<-matrix(1:6,nrow=3,ncol=2) # 建立 3×2矩陣 > D [,1] [,2] [1,] 1 4 [2,] 2 5 [3,] 3 6 > E<-matrix(1:6,nrow=3,ncol=2,byrow=T) # 矩陣由列填滿 > E [1,] 1 2 [2,] 3 4 [3,] 5 6

矩陣計算 > A%*%B # 矩陣相乘 [,1] [,2] [1,] 11 0 [2,] -11 -2 [3,] 14 18 > B+D #矩陣相加 [1,] 4 5 [2,] 0 8 [3,] 7 13

矩陣計算 > t(B) # 矩陣B的轉置矩陣 [,1] [,2] [,3] [1,] 3 -2 4 [2,] 1 3 7 > sum(diag(A)) # 矩陣A的trace [1] 8 > det(A) # 矩陣A的行列式 [1] 12 > prod(eigen(A)$values) # 用特徵值計算矩陣A的行列式

矩陣計算 > solve(A) # invert a matrix 求矩陣A的反矩陣 [,1] [,2] [,3] [1,] 0.41666667 0.25 0.08333333 [2,] 0.25000000 0.75 0.25000000 [3,] 0.08333333 0.25 0.41666667 > eigen(A) # 矩陣A的特徵值與特徵向量 $values [1] 4 3 1 $vectors [,1] [,2] [,3] [1,] 0.5773503 -7.071068e-01 0.4082483 [2,] -0.5773503 4.710277e-16 0.8164966 [3,] 0.5773503 7.071068e-01 0.4082483

矩陣計算 > p<-eigen(A) # 矩陣A的特徵值與特徵向量 > p$values # 矩陣A的特徵值 [1] 4 3 1 > p$vectors # 矩陣A的特徵向量 [,1] [,2] [,3] [1,] 0.5773503 -7.071068e-01 0.4082483 [2,] -0.5773503 4.710277e-16 0.8164966 [3,] 0.5773503 7.071068e-01 0.4082483

取出矩陣的行、列或元素 > X<-matrix(c(1,2,3,4,5,6,7,8,9),nrow=3,ncol=3) > X [,1] [,2] [,3] [1,] 1 4 7 [2,] 2 5 8 [3,] 3 6 9 > X[1,] # 取得第一列 [1] 1 4 7 > X[,2] # 取得第二行 [1] 4 5 6 > X[-2,] # 刪除第二列 [2,] 3 6 9 > X[,-1] # 刪除第一行 [,1] [,2] [1,] 4 7 [2,] 5 8 [3,] 6 9 > X>4 [,1] [,2] [,3] [1,] FALSE FALSE TRUE [2,] FALSE TRUE TRUE [3,] FALSE TRUE TRUE > X[X>4] [1] 5 6 7 8 9

取出矩陣的行、列或元素 > (m <- matrix(1 : 20, ncol = 5, nrow = 4)) # 建立 4×5矩陣 [,1] [,2] [,3] [,4] [,5] [1,] 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 > i <- c(2, 3) > j <- 2 : 4 > m[i, j] # 取得第2,3列第 2 到 4 行的元素 [,1] [,2] [,3] [1,] 6 10 14 [2,] 7 11 15

多個矩陣的建立 > v <- 1 : 24 > (a <- array(v, dim = c(3, 5, 2))) # 建立2個3×5矩陣 , , 1 [,1] [,2] [,3] [,4] [,5] [1,] 1 4 7 10 13 [2,] 2 5 8 11 14 [3,] 3 6 9 12 15 , , 2 [,1] [,2] [,3] [,4] [,5] [1,] 16 19 22 1 4 [2,] 17 20 23 2 5 [3,] 18 21 24 3 6

多個矩陣的建立 > x <- 1:24 > dim(x) <- c(2,12) # 建立2×12矩陣 > x [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [1,] 1 3 5 7 9 11 13 15 17 19 21 23 [2,] 2 4 6 8 10 12 14 16 18 20 22 24

多個矩陣的建立 > x <- 1:24 > dim(x) <-c(3,4,2) # 建立2個3×4矩陣 > x , , 1 [,1] [,2] [,3] [,4] [1,] 1 4 7 10 [2,] 2 5 8 11 [3,] 3 6 9 12 , , 2 [,1] [,2] [,3] [,4] [1,] 13 16 19 22 [2,] 14 17 20 23 [3,] 15 18 21 24

附加矩陣一起 > X<-matrix(c(1,2,3,4,5,6,7,8,9),nrow=3,ncol=3) > X [,1] [,2] [,3] [1,] 1 4 7 [2,] 2 5 8 [3,] 3 6 9 > Y<-matrix(c(9,8,7,6,5,4,3,2,1),nrow=3,ncol=3) > Y [1,] 9 6 3 [2,] 8 5 2 [3,] 7 4 1 > cbind(X,Y) # 將兩矩陣行合併為一新矩陣 [,1] [,2] [,3] [,4] [,5] [,6] [1,] 1 4 7 9 6 3 [2,] 2 5 8 8 5 2 [3,] 3 6 9 7 4 1

附加矩陣一起 > X<-matrix(c(1,2,3,4,5,6,7,8,9),nrow=3,ncol=3) > X [,1] [,2] [,3] [1,] 1 4 7 [2,] 2 5 8 [3,] 3 6 9 > Y<-matrix(c(9,8,7,6,5,4,3,2,1), nrow=3,ncol=3) > Y [1,] 9 6 3 [2,] 8 5 2 [3,] 7 4 1 > rbind(X,Y) # 將兩矩陣列合併為一新矩陣 [,1] [,2] [,3] [1,] 1 4 7 [2,] 2 5 8 [3,] 3 6 9 [4,] 9 6 3 [5,] 8 5 2 [6,] 7 4 1

為矩陣編索引 # 取出矩陣中 x[1,3], x[2,2] and x[3,1] 這3個元素 # 將這3個元素改為0 > x <- array(1:20, dim=c(4,5)) # 生成一個4列5行的矩陣 > x [,1] [,2] [,3] [,4] [,5] [1,] 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 # 取出矩陣中 x[1,3], x[2,2] and x[3,1] 這3個元素 # 將這3個元素改為0

為矩陣編索引 # x[i]=c(x[1,3],x[2,2],x[3,1]) > i <- array(c(1:3,3:1), dim=c(3,2)) # 建立索引 > i [,1] [,2] [1,] 1 3 [2,] 2 2 [3,] 3 1 > x[i] [1] 9 6 3 # x[i]=c(x[1,3],x[2,2],x[3,1])

為矩陣編索引 < x[i] <- 0 > x[i] [1] 0 0 0 > x [,1] [,2] [,3] [,4] [,5] [1,] 1 5 0 13 17 [2,] 2 0 10 14 18 [3,] 0 7 11 15 19 [4,] 4 8 12 16 20

平均向量, 變異數共變數矩陣, 相關係數矩陣 p=3 variables ( assets資產, net income淨收入, stockholder equity股東權益) for U.S. industrial corporations Find the sample mean vector, sample variance-covariance matrix, and sample correlation matrix. Find the generalized sample variance and the total sample variance.

> data<-read.csv(file="D:/chilo/indust.csv", header=F) V1 V2 V3 1 26.7 3.3 15.8 2 38.4 2.4 19.5 3 19.2 1.7 8.4 4 20.6 1.0 8.2 5 18.9 0.9 9.4 6 14.8 1.0 7.6 7 19.0 2.7 12.6 8 14.2 0.8 7.3 9 13.7 1.1 5.9 10 7.7 0.2 2.9 > names(data) # variable names [1] “V1" “V2" “V3" > names(data)=c("x1","x2","x3") # change variable names to x1 x2 x3 > names(data) [1] "x1" "x2" "x3"

> apply(data,2,mean) # compute mean vector 樣本平均向量, 2代表求行平均, 若用1代表求列平均 x1 x2 x3 19.32 1.51 9.76 > s<-var(data,y=data) # compute variance-covariance matrix 樣本變異數共變數矩陣 > s x1 x2 x3 x1 70.410667 5.8731111 39.065333 x2 5.873111 0.9698889 4.114889 x3 39.065333 4.1148889 24.056000 > cor(data,y=data) # compute correlation matrix 樣本相關係數矩陣 x1 x2 x3 x1 1.0000000 0.7107028 0.9492062 x2 0.7107028 1.0000001 0.8518938 x3 0.9492062 0.8518938 0.9999999

> prod(eigen(s)$values) # compute generalized sample variance [1] 28.85923 > sum(diag(s)) # compute total sample variance [1] 95.43656

付出最多的人,也是收穫最多的人 ~共勉之~