标签：统计分析 01 partial 矩阵 多元 cdots right rm left
目录Chapter 1：多元统计分析基础
一、随机向量
Part 1：随机向量的分布
联合分布函数：设 \(X=\left(X_1,X_2,\cdots,X_p\right)'\) 是一个 \(p\) 维随机向量，定义 \(p\) 元函数
\[F(x_1,x_2,\cdots,x_p)=P\left(X_1\leq x_1,X_2\leq x_2,\cdots,X_p\leq x_p\right) \ , \]称 \(F(x_1,x_2,\cdots,x_p)\) 为 \(X\) 的联合分布函数。
联合密度函数：如果存在一个 \(p\) 元非负函数 \(f(x_1,x_2,\cdots,x_p)\) ，使得对一切 \((x_1,x_2,\cdots,x_p)\) 都有
\[F(x_1,x_2,\cdots,x_p)=\int_{-\infty}^{x_1}\int_{-\infty}^{x_2}\cdots \int_{-\infty}^{x_p}f(x_1,x_2,\cdots,x_p){\rm d}x_1{\rm d}x_2\cdots{\rm d}x_p \ , \]则称 \(f(x_1,x_2,\cdots,x_p)\) 为 \(X\) 的联合密度函数。
边际密度函数：设 \(X^{(1)}\) 为 \(r\) 维随机向量，\(X^{(2)}\) 为 \(p-r\) 为随机向量，且 \(X^{(1)}\) 和 \(X^{(2)}\) 都是随机向量 \(X\) 的部分分量，满足
\[X=\left[\begin{array}{c} X^{(1)} \\ X^{(2)} \end{array}\right] \ , \]定义 \(X^{(1)}\) 的边际密度函数为
\[f_1(x^{(1)})=f_1(x_1,x_2,\cdots,x_r)=\int_{-\infty}^\infty\int_{-\infty}^\infty\cdots\int_{-\infty}^\infty f(x_1,x_2,\cdots,x_p){\rm d}x_{r+1}{\rm d}x_{r+2}\cdots{\rm d}x_p \ , \]定义 \(X^{(2)}\) 的边际密度函数为
\[f_2(x^{(2)})=f_2(x_{r+1},x_{r+2},\cdots,x_p)=\int_{-\infty}^\infty\int_{-\infty}^\infty\cdots\int_{-\infty}^\infty f(x_1,x_2,\cdots,x_p){\rm d}x_{1}{\rm d}x_{2}\cdots{\rm d}x_r \ . \]条件密度函数：当 \(X\) 的密度函数可以写为 \(f(x^{(1)},x^{(2)})\) 时，定义给定 \(X^{(2)}\) 时 \(X^{(1)}\) 的条件密度函数为
\[f_1(x^{(1)}|x^{(2)})=\frac{f(x^{(1)},x^{(2)})}{f_2(x^{(2)})} \ . \]分量的独立性：设 \(X_1,X_2,\cdots,X_p\) 是 \(p\) 个随机变量，则 \(X_1,X_2,\cdots,X_p\) 相互独立当且仅当
\[F(x_1,x_2,\cdots,x_p)=F_1(x_1)F_2(x_2)\cdots F_p(x_p) \ . \]若 \(X=\left(X_1,X_2,\cdots,X_p\right)'\) 的联合密度函数及其各个分量的密度函数均存在，则 \(X_1,X_2,\cdots,X_p\) 相互独立当且仅当
\[f(x_1,x_2,\cdots,x_p)=f_1(x_1)f_2(x_2)\cdots f_p(x_p) \ . \]Part 2：随机向量的数字特征
随机向量的均值向量：设 \(X=(X_1,X_2,\cdots,X_p)'\) 是一个 \(p\) 维随机向量，如果对 \(X\) 的任何分量 \(X_i\) 都有均值 \({\rm E}(X_i)=\mu_i\) 存在，则定义随机向量 \(X\) 的均值向量为
\[{\rm E}(X)=\left[\begin{array}{c} {\rm E}(X_1) \\ {\rm E}(X_2) \\ \vdots \\ {\rm E}(X_p) \end{array}\right]=\left[\begin{array}{c}\mu_1 \\\mu_2 \\ \vdots \\ \mu_p\end{array}\right] \ . \]随机向量的协方差阵：设 \(X=(X_1,X_2,\cdots,X_p)'\) 是一个 \(p\) 维随机向量，如果对 \(X\) 的任何两个分量 \(X_i\) 和 \(X_j\) 都有协方差 \({\rm Cov}(X_i,X_j)=\sigma_{ij}\) 存在，则定义随机向量 \(X\) 的协方差阵为
\[\begin{aligned} {\rm Var}(X)&={\rm E}\left[(X-{\rm E}(X))(X-{\rm E}(X))'\right] \\ \\ &=\left[\begin{array}{cccc} {\rm Cov}(X_1,X_1) & {\rm Cov}(X_1,X_2) & \cdots & {\rm Cov}(X_1,X_p) \\ {\rm Cov}(X_2,X_1) & {\rm Cov}(X_2,X_2) & \cdots & {\rm Cov}(X_2,X_p) \\ \vdots & \vdots & \ddots & \vdots \\ {\rm Cov}(X_p,X_1) & {\rm Cov}(X_p,X_2) & \cdots & {\rm Cov}(X_p,X_p)\\ \end{array}\right] \ . \\ \\ &=\left(\sigma_{ij}\right)_{p\times p}\xlongequal{def}\Sigma \ . \end{aligned} \]随机向量的相关系数矩阵：设 \(X=(X_1,X_2,\cdots,X_p)'\) 是一个 \(p\) 维随机向量，若 \(X\) 的协方差阵 \(\Sigma=\left(\sigma_{ij}\right)_{p\times p}\) 存在，则定义随机向量 \(X\) 的相关系数矩阵为：
\[R=\left[\begin{array}{cccc} r_{11} & r_{12} & \cdots & r_{1p} \\ r_{21} & r_{22} & \cdots & r_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ r_{p1} & r_{p2} & \cdots & r_{pp} \\ \end{array}\right]=\left(r_{ij}\right)_{p\times p} \ . \]其中
\[r_{ij}=\frac{{\rm Cov}(X_i,X_j)}{\displaystyle\sqrt{{\rm Var}(X_i){\rm Var}(X_j)}}=\frac{\sigma_{ij}}{\sqrt{\sigma_{ii}\sigma_{jj}}} \ . \]如果记 \(V^{1/2}={\rm diag}\left(\sqrt{\sigma_{11}},\sqrt{\sigma_{22}},\cdots,\sqrt{\sigma_{pp}}\right)\) 为 \(X\) 的标准差矩阵，则协方差阵和相关系数矩阵的关系为
\[\Sigma=V^{1/2}RV^{1/2} \ , \quad R=V^{-1/2}\Sigma V^{-1/2} \ . \]两个随机向量的协方差阵：设 \(X=(X_1,X_2,\cdots,X_p)'\) 和 \(Y=(Y_1,Y_2,\cdots,Y_q)'\) 是两个随机向量，如果对 \(X\) 的任何分量 \(X_i\) 和 \(Y\) 的任何分量 \(Y_j\) 都有协方差 \({\rm Cov}(X_i,Y_j)=\sigma_{ij}\) 存在，则定义随机向量 \(X\) 和 \(Y\) 的协方差阵为
\[{\rm Cov}(X,Y)={\rm E}\left[(X-{\rm E}(X))(Y-{\rm E}(Y))'\right]=\left(\sigma_{ij}\right)_{p\times q} \ . \]如果 \({\rm Cov}(X,Y)=O_{p\times q}\) ，则称 \(X\) 和 \(Y\) 不相关。
Part 3：随机向量的数字特征的性质
关于线性变换的运算性质：设 \(X=(X_1,X_2,\cdots,X_p)'\) 和 \(Y=(Y_1,Y_2,\cdots,Y_q)'\) 是两个随机向量，矩阵 \(A\) 和矩阵 \(B\) 是任意常数矩阵，则有
\[\begin{aligned} & {\rm E}(AX)=A{\rm E}(X) \ , \\ \\ & {\rm E}(AXB)=A{\rm E}(X)B \ , \\ \\ & {\rm Var}(AX)=A{\rm Var}(X)A' \ , \\ \\ & {\rm Cov}(AX,BY)=A{\rm Cov}(X,Y)B' \ . \end{aligned} \]独立包含不相关的性质：若 \(X\) 和 \(Y\) 相互独立，则一定有 \({\rm Cov}(X,Y)=O_{p\times q}\) 成立，反之不然。
协方差阵的对称非负定性：对任意的随机向量 \(X=(X_1,X_2,\cdots,X_p)'\) ，其协方差阵 \(\Sigma\) 是对称非负定矩阵，即对 \(\forall a\in \mathbb{R}^{p}\) ，有 \(a'\Sigma a={\rm Var}\left(a'X\right)\geq0\) 。
协方差阵的平方根性质：\(\Sigma=L^2\) ，其中 \(L\) 是非负定矩阵，当 \(\Sigma>0\) 时，则有 \(L>0\) ，此时将矩阵 \(L\) 称为 \(\Sigma\) 的平方根矩阵。如果将 \(\Sigma\) 正交分解为 \(\Sigma=\Gamma\Lambda\Gamma'\) ，其中 \(\Gamma\) 是正交矩阵，\(\Lambda\) 是 \(\Sigma\) 的特征值对角阵，则 \(\Sigma\) 的平方根矩阵 \(L=\Gamma\Lambda^{1/2}\Gamma'\) 。
二、矩阵代数
Part 1：正交矩阵
定义：设 \(A\) 为 \(n\) 阶方阵，如果 \(A'A=AA'=I_n\) ，则称 \(A\) 为正交矩阵，且有 \(A^{-1}=A'\) 。
性质 1：设 \(A\) 为 \(n\) 阶正交矩阵，则 \(|A|=\pm1\) 。
因为 \(\left|AA'\right|=|I_n|=1\) ，又因为 \(\left|AA'\right|=|A|^2\) ，所以 \(|A|=\pm1\) 。
性质 2：若 \(A\) 为 \(n\) 阶正交矩阵，则 \(A',A^{-1}\) 也是正交矩阵。
因为 \(\left(A'\right)'\left(A'\right)=AA'=I_n\) ，所以 \(A'\) 是正交矩阵。
因为 \(A^{-1}=A'\) ，所以 \(A^{-1}\) 是正交矩阵。
性质 3：若 \(A\) 和 \(B\) 均为 \(n\) 阶正交矩阵，则 \(AB\) 和 \(BA\) 都是正交矩阵。
因为 \((AB)'(AB)=B'A'AB=B'B=I_n\) ，所以 \(AB\) 是正交矩阵。
因为 \((BA)'(BA)=A'B'BA=A'A=I_n\) ，所以 \(BA\) 是正交矩阵。
定义：设 \(Q\) 为 \(n\) 阶正交矩阵，则称线性变换 \(y=Qx\) 为一个正交变换。
性质 4：正交变换不改变向量的内积和长度，称为正交变换的不变性。
设 \(x_1\) 和 \(x_2\) 是任意两个 \(n\) 维向量，\(Q\) 是正交矩阵，若 \(y=Qx\) 是正交变换：
对于正交变换 \(y_1=Qx_1\) 和 \(y_2=Qx_2\) 的内积，有
\[y_1'y_2=(Qx_1)'(Qx_2)=x_1'Q'Qx_2=x_1'x_2 \ . \]对于正交变换 \(y_1=Qx_1\) 的长度，有
\[|y_1|=|Qx_1|=\sqrt{(Qx_1)'(Qx_1)}=\sqrt{x_1'Q'Q_1x}=\sqrt{x_1'x_1}=|x_1| \ . \]
Part 2：矩阵的迹
定义：设 \(A\) 为 \(n\) 阶方阵，则它的对角线元素之和称为 \(A\) 的迹，记为 \({\rm tr}(A)\) ，即
\[{\rm tr}(A)=a_{11}+a_{22}+\cdots+a_{nn} \ . \]性质 1：设 \(A\) 为 \(n\) 阶方阵，则 \({\rm tr}(A)={\rm tr}\left(A'\right)\) 。
性质 2：设 \(A\) 为 \(n\) 阶方阵，\(c\) 是一个常数，则 \({\rm tr}(cA)=c\cdot{\rm tr}(A)\) 。
性质 3：设 \(A\) 和 \(B\) 是两个 \(n\) 阶方阵，则 \({\rm tr}(A+B)={\rm tr}(A)+{\rm tr}(B)\) 。
性质 4：设 \(A_{k},\,k=1,2,\cdots,p\) 是 \(p\) 个 \(n\) 阶方阵，则 \({\rm tr}\left(\displaystyle\sum_{k=1}^pA_{k}\right)=\displaystyle\sum_{k=1}^p{\rm tr}\left(A_{k}\right)\) 。
以上 \(4\) 条性质利用迹的定义即可证明。
性质 5：设 \(A\) 是一个 \(m\times n\) 的矩阵，\(B\) 是一个 \(n\times m\) 的矩阵，则 \({\rm tr}(AB)={\rm tr}(BA)\) 。
设矩阵 \(A\) 和 \(B\) 可以表示为
\[A=\left[\begin{array}{cccc} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{array}\right] \ , \quad B=\left[\begin{array}{cccc} b_{11} & b_{12} & \cdots & b_{1m} \\ b_{21} & b_{22} & \cdots & b_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ b_{n1} & b_{n2} & \cdots & b_{nm} \\ \end{array}\right] \ . \]设 \(C=AB=(c_{ij})_{m\times m},\,D=BA=(d_{ij})_{n\times n}\) ，于是
\[c_{ii}=\sum_{j=1}^na_{ij}b_{ji} \ , \quad d_{jj}=\sum_{i=1}^mb_{ji}a_{ij} \ . \]由迹的定义可知
\[\begin{aligned} &{\rm tr}(AB)={\rm tr}(C)=\sum_{i=1}^mc_{ii}=\sum_{i=1}^m\left(\sum_{j=1}^na_{ij}b_{ji}\right)=\sum_{i=1}^m\sum_{j=1}^na_{ij}b_{ji} \ , \\ \\ &{\rm tr}(BA)={\rm tr}(D)=\sum_{j=1}^nd_{jj}=\sum_{j=1}^n\left(\sum_{i=1}^mb_{ji}a_{ij}\right)=\sum_{j=1}^n\sum_{i=1}^mb_{ji}a_{ij} \ , \end{aligned} \]对比两式即可得到 \({\rm tr}(AB)={\rm tr}(BA)\) 。
性质 6：一个矩阵的迹等于该矩阵的特征值之和。
设 \(A\) 为 \(n\) 阶方阵，设 \(\lambda_1,\lambda_2,\cdots,\lambda_n\) 是 \(A\) 的特征值，下证 \({\rm tr}(A)=\lambda_1+\lambda_2+\cdots+\lambda_n\) 。
由特征值的定义，可以写出矩阵 \(A\) 的特征方程：
\[|\lambda I_n-A|=\left|\begin{array}{cccc} \lambda-a_{11} & -a_{12} & \cdots & -a_{1n} \\ -a_{21} & \lambda-a_{22} & \cdots & -a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ -a_{n1} & -a_{n2} & \cdots & \lambda-a_{nn} \end{array}\right|=0 \ . \]上式是一个关于 \(\lambda\) 的一元 \(n\) 次方程，等式左端是一个关于 \(\lambda\) 的 \(n\) 次多项式，称为方阵 \(A\) 的特征多项式。矩阵 \(A\) 的特征值就是该特征方程的解。
把特征方程写为：\(b_0+\displaystyle\sum_{j=1}^nb_j\lambda^j=0\) ，其中 \(b_j\) 是 \(j\) 次项系数，由韦达定理知：
\[\displaystyle\sum_{j=1}^n\lambda_j=-\dfrac{b_{n-1}}{b_n} \ . \]由行列式的定义知，行列式是不同行不同列的项的乘积之和。由于特征方程中除了主对角线的乘积之外，\(\lambda\) 的次数都小于 \(n-1\) ，于是 \(b_n\) 和 \(b_{n-1}\) 分别为 \((\lambda-a_{11})(\lambda-a_{22})\cdots(\lambda-a_{nn})\) 中 \(\lambda^n\) 和 \(\lambda^{n-1}\) 的系数，所以 \(b_n=1,\,b_{n-1}=-(a_{11}+a_{22}+\cdots+a_{nn})\) 。代入即得
\[\sum_{j=1}^n\lambda_j=a_{11}+a_{22}+\cdots+a_{nn}={\rm tr}(A) \ . \]
性质 7：若 \(A\) 为对称幂等矩阵，则 \({\rm tr}(A)={\rm rank}(A)\) 。
设 \(A\) 为 \(n\) 阶对称幂等矩阵，有 \(A'=A\) ，所以存在对角矩阵 \(\Lambda=\mathrm{diag}(\lambda_1,\lambda_2,\cdots,\lambda_n)\) 和正交矩阵 \(Q\) ，使得 \(A=Q'\Lambda Q\) ，且有
\[{\rm rank}(A)={\rm rank}\left(Q'\Lambda Q\right)={\rm rank}(\Lambda) \ . \]又因为幂等矩阵的特征值只能为 \(0\) 或 \(1\) ，所以 \({\rm rank}(\Lambda)\) 等于特征值中 \(1\) 的个数，即为 \(A\) 的特征值之和。由性质 \(6\) 知，\({\rm tr}(A)\) 等于 \(A\) 的特征值之和，所以 \({\rm tr}(A)={\rm rank}(A)\) 。
三、矩阵微商
Part 1：一元自变量的矩阵微商
定义：设 \(y=(y_1,y_2,\cdots,y_q)'\) 是变量 \(x\) 的向量函数，则记
\[\dfrac{{\rm d}y}{{\rm d}x}=\left(\dfrac{{\rm d}y_1}{{\rm d}x},\dfrac{{\rm d}y_2}{{\rm d}x},\cdots,\dfrac{{\rm d}y_q}{{\rm d}x}\right)' \ , \]即 \(q\) 维向量 \(y\) 对一元变量 \(x\) 的导数仍然是 \(q\) 维向量，称为 \(y\) 对 \(x\) 的导数向量。
定义：设 \(Y=F(x)\) 是变量 \(x\) 的矩阵函数，其中 \(Y=(y_{ij})_{p\times q}\) 是一个 \(p\times q\) 的矩阵，则记
\[\frac{{\rm d}Y}{{\rm d}x}=\left(\frac{{\rm d}y_{ij}}{{\rm d}x}\right)_{p\times q} \ , \]即 \(p\times q\) 的矩阵 \(Y\) 对一元变量 \(x\) 的导数仍然是 \(p\times q\) 的矩阵，称为 \(Y\) 对 \(x\) 的导数矩阵。
Part 2：多元自变量的矩阵微商
定义：设 \(y=f(x)\) 是向量 \(x=(x_1,x_2,\cdots,x_p)'\) 的一元函数，则记
\[\frac{\partial f}{\partial x}=\left(\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},\cdots,\frac{\partial f}{\partial x_p}\right)' \ , \]即一元函数 \(f(x)\) 对 \(p\) 维向量 \(x\) 的导数仍然是 \(p\) 维向量，称为 \(y\) 对 \(x\) 的偏导数向量。
定义：设 \(y=(y_1,y_2,\cdots,y_q)'\) 是向量 \(x=(x_1,x_2,\cdots,x_p)'\) 的 \(q\) 维向量函数，即 \(y_i=f_i(x)\) ，则记
\[\frac{\partial y}{\partial x}=\frac{\partial y'}{\partial x}=\left(\frac{\partial y_j}{\partial x_i}\right)_{p\times q}= \left[\begin{array}{cccc} \dfrac{\partial y_1}{\partial x_1} & \dfrac{\partial y_2}{\partial x_1} &\cdots &\dfrac{\partial y_q}{\partial x_1} \\ \dfrac{\partial y_1}{\partial x_2} & \dfrac{\partial y_2}{\partial x_2} &\cdots& \dfrac{\partial y_q}{\partial x_2} \\ \vdots & \vdots & \ddots & \vdots \\ \dfrac{\partial y_1}{\partial x_p} & \dfrac{\partial y_2}{\partial x_p} &\cdots& \dfrac{\partial y_q}{\partial x_p} \\ \end{array}\right] \ . \]即 \(q\) 维向量函数 \(y\) 对 \(p\) 维向量 \(x\) 的导数是一个 \(p\times q\) 的矩阵，称为 \(y\) 对 \(x\) 的偏导数矩阵，又称为 \(y\) 对 \(x\) 的雅可比矩阵。
Part 3：矩阵微商的性质
首先定义如下的矩阵和向量：
\[\begin{aligned} &x=(x_1,x_2,\cdots,x_n)' \ , \quad \beta=\left(\beta_1,\beta_2,\cdots,\beta_n\right)' \ , \\ \\ &A=\left[\begin{array}{cccc} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{array}\right] \ , \quad B=\left[\begin{array}{cccc} b_{11} & b_{12} & \cdots & b_{1n} \\ b_{21} & b_{22} & \cdots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ b_{m1} & b_{m2} & \cdots & b_{mn} \\ \end{array}\right] \ . \end{aligned} \]于是有如下常用的矩阵求导公式：
线性组合对向量求导：
\[\begin{aligned} & \frac{\partial \beta'x}{\partial x}=\frac{\partial x'\beta}{\partial x}=\beta \ . \end{aligned} \]把线性组合看作向量 \(x\) 的一元函数，有
\[\beta'x=x'\beta=\beta_1x_1+\beta_2x_2+\cdots+\beta_nx_n \ . \]由矩阵微商的定义可得
\[\frac{\partial \beta'x}{\partial x}=\frac{\partial x'\beta}{\partial x}=\left(\beta_1,\beta_2,\cdots,\beta_n\right)' =\beta \ . \]
二次型对向量求导：
\[\frac{\partial x'Ax}{\partial x}=\left(A+A'\right)x \ . \]若 \(A\) 是一个实对称矩阵，则有
\[\frac{\partial x'Ax}{\partial x}=2Ax \ . \]若 \(A\) 是一个单位矩阵，则有
\[\frac{\partial x'x}{\partial x}=2x \ . \]把二次型看作向量 \(x\) 的一元函数，有
\[x'Ax=\sum_{i=1}^n\sum_{j=1}^na_{ij}x_{i}x_{j} \ . \]首先对分量 \(x_i\) 求导有
\[\frac{\partial x'Ax}{\partial x_i}=\frac{\partial }{\partial x_i}\sum_{i=1}^n\sum_{j=1}^na_{ij}x_{i}x_{j}=\sum_{j=1}^na_{ij}x_j+\sum_{j=1}^na_{ji}x_j=x'a_{i\cdot}' +x'a_{\cdot i} \ . \]由矩阵微商的定义可得
\[\begin{aligned} \frac{\partial x'Ax}{\partial x}&=\left(\frac{\partial x'Ax}{\partial x_1},\frac{\partial x'Ax}{\partial x_2}\cdots,\frac{\partial x'Ax}{\partial x_n}\right)' \\ \\ &=\left(x'\left(a_{1\cdot}'+a_{\cdot 1}\right),x'\left(a_{2\cdot}'+a_{\cdot 2}\right),\cdots,x'\left(a_{n\cdot}'+a_{\cdot n}\right)\right)' \\ \\ &=\left(x'\left(A'+A\right)\right)' \\ \\ &=\left(A+A'\right)x \ . \end{aligned} \]
线性变换对向量求导：
\[\frac{\partial Bx}{\partial x}=B' \ . \]设 \(y=\left(y_1,y_2,\cdots,y_m\right)'=Bx\) ，则有
\[y_i=\sum_{j=1}^nb_{ij}x_j \ . \]由矩阵微商的定义可得
\[\frac{\partial Bx}{\partial x}=\frac{\partial y}{\partial x}=\left[\begin{array}{cccc} \dfrac{\partial y_1}{\partial x_1} & \dfrac{\partial y_2}{\partial x_1} &\cdots &\dfrac{\partial y_q}{\partial x_1} \\ \dfrac{\partial y_1}{\partial x_2} & \dfrac{\partial y_2}{\partial x_2} &\cdots& \dfrac{\partial y_q}{\partial x_2} \\ \vdots & \vdots & \ddots & \vdots \\ \dfrac{\partial y_1}{\partial x_p} & \dfrac{\partial y_2}{\partial x_p} &\cdots& \dfrac{\partial y_q}{\partial x_p} \\ \end{array}\right]=\left[\begin{array}{cccc} b_{11} & b_{21} &\cdots & b_{m1} \\ b_{12} & b_{22} &\cdots & b_{m2} \\ \vdots & \vdots & \ddots & \vdots \\ b_{1n} & b_{2n} &\cdots & b_{mn} \\ \end{array}\right]=B' \ . \]
标签：统计分析,01,partial,矩阵,多元,cdots,right,rm,left 来源： https://www.cnblogs.com/lixddd/p/15424399.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。