С использованием матриц следующую систему линейных урав­нений можно записать в виде:

Для дальнейшего упрощения выражения запишем матрицу поглощения (А) как произведение матриц коэффициентов экстинкции () и концентрации (С):

(A) = () (C)

Следует отметить, что матричные расчеты и их компьютерное применение дали тол­чок быстрому развитию многомерного анализа данных.

2.3. Свойства сингулярной матрицы

Матрица (X— Х)'(Х—) — квадратная, симметричная и положи­тельно определенная. Такие матрицы проявляют некоторые свой­ства, особенно полезные при анализе данных:

· собственные значения, действительные, а также положитель­ные или равные нулю;

· число ненулевых собственных значений равняется рангу мат­рицы;

· два собственных вектора, связанные с двумя различными соб­ственными значениями ортогональны.

В качестве иллюстрации этих свойств, а также чтобы пока­зать их важность при анализе данных можно взять матрицу дисперсий-ковариаций и определим собственные значения матрицы методом наименьших квадратов.

Решая уравнение, получаем два собственных значения:

= 0 ,

что дает =1 и =0,6.

Как , так и действительны и положительны. Ранг матрицы должен равняться 2, поскольку в системе существуют два ненуле­вых собственных значения. Компоненты собственных векторов, связанные с каждым из собственных значений, получаем из опре­деления собственных векторов следующим образом:

для первого собственного значения

для второго собственного значения

Отметим, что два связанных с каждым из собственных зна­чений вектора действительно ортогональны (т. е. их скалярное произведение равно нулю). В этих двух наборах векторов мы можем выбрать два нормированных вектора, которые соответствен­но составляют ортогональный базис:

Векторы и действительно аналогичны тем, которые опре­делены в разделе 5.2.1, а координаты матрицы данных относитель­но этой точки отклика уже вычислены:

( Y) = ( X-) ( U)

Заключение

Факторные методы (в том числе связанные с использованием сингулярных матриц) ныне широко применяются для анализа дан­ных в химии. Они в основном носят описательный характер и позволяют существенно сократить размерность массива данных при минимальной потере информации и возможности их графи­ческого представления.

Хотя эти методы и не обладают возможностями моделирования, как регрессионный анализ, их можно применять для идентифи­кации:

· компонентов в многокомпонентных смесях, проанализирован­ных посредством ультрафиолетового, инфракрасного и видимого излучения, флюоресценции, масс-спектрометрии, хроматографии (ФА);

· реальных физических факторов, управляющих эксперименталь­ными данными (целевой факторный анализ):

· группы, к которой можно отнести новый объект в системе ис­ходных групп, на которые был классифицирован первоначальный набор данных (ФДА).