Enviar búsqueda
Cargar
Rでのtry関数によるエラー処理
•
Descargar como PPTX, PDF
•
0 recomendaciones
•
7,681 vistas
wada, kazumi
Seguir
forループ内でエラーが起きると処理が異常終了しますが、try関数の利用により最後まで処理を続行することができます。
Leer menos
Leer más
Educación
Denunciar
Compartir
Denunciar
Compartir
1 de 8
Descargar ahora
Recomendados
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
正準相関分析
正準相関分析
Akisato Kimura
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
Recomendados
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
正準相関分析
正準相関分析
Akisato Kimura
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
主成分分析
主成分分析
大貴 末廣
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
機械学習と主成分分析
機械学習と主成分分析
Katsuhiro Morishita
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
最適化超入門
最適化超入門
Takami Sato
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
Hiroki Matsui
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
cvpaper. challenge
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
Rの高速化
Rの高速化
弘毅 露崎
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
最適輸送の解き方
最適輸送の解き方
joisino
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
MITSUNARI Shigeo
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
宏喜 佐野
強化学習その1
強化学習その1
nishio
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
新しい並列for構文のご提案
新しい並列for構文のご提案
yohhoy
2017-12-04 Linuxの基本構造とBashでの扱い方
2017-12-04 Linuxの基本構造とBashでの扱い方
浩平 渡邉
Más contenido relacionado
La actualidad más candente
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
主成分分析
主成分分析
大貴 末廣
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
機械学習と主成分分析
機械学習と主成分分析
Katsuhiro Morishita
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
最適化超入門
最適化超入門
Takami Sato
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
Hiroki Matsui
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
cvpaper. challenge
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
Rの高速化
Rの高速化
弘毅 露崎
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
最適輸送の解き方
最適輸送の解き方
joisino
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
MITSUNARI Shigeo
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
宏喜 佐野
強化学習その1
強化学習その1
nishio
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
La actualidad más candente
(20)
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
主成分分析
主成分分析
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
機械学習と主成分分析
機械学習と主成分分析
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
最適化超入門
最適化超入門
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Rの高速化
Rの高速化
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
最適輸送の解き方
最適輸送の解き方
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
グラフィカルモデル入門
グラフィカルモデル入門
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
強化学習その1
強化学習その1
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Similar a Rでのtry関数によるエラー処理
新しい並列for構文のご提案
新しい並列for構文のご提案
yohhoy
2017-12-04 Linuxの基本構造とBashでの扱い方
2017-12-04 Linuxの基本構造とBashでの扱い方
浩平 渡邉
Gura プログラミング言語の紹介
Gura プログラミング言語の紹介
Yutaka Saito
boost - std - C#
boost - std - C#
Tatsuya Ishikawa
Tokyor23 doradora09
Tokyor23 doradora09
Nobuaki Oshiro
タダで始めるテストファースト入門 ~ C# Express + NUnit
タダで始めるテストファースト入門 ~ C# Express + NUnit
Yasuhiko Yamamoto
8 並列計算に向けた pcセッティング
8 並列計算に向けた pcセッティング
Takeshi Takaishi
Rによる繰り返しの並列処理
Rによる繰り返しの並列処理
wada, kazumi
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
Tomonobu_Hirano
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
yushin_hirano
10min r study_tokyor25
10min r study_tokyor25
Nobuaki Oshiro
10min r study_tokyor25
10min r study_tokyor25
Nobuaki Oshiro
C言語 学習教材
C言語 学習教材
Jun MITANI
関数型言語&形式的手法セミナー(3)
関数型言語&形式的手法セミナー(3)
啓 小笠原
プログラムの処方箋~健康なコードと病んだコード
プログラムの処方箋~健康なコードと病んだコード
Shigenori Sagawa
Aedlabo program 20150125
Aedlabo program 20150125
としゆき 高橋
TensorflowとKerasによる深層学習のプログラム実装実践講座
TensorflowとKerasによる深層学習のプログラム実装実践講座
Ruo Ando
ぱっと見でわかるC++11
ぱっと見でわかるC++11
えぴ 福田
Processing
Processing
Akifumi Nambu
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
Shintaro Fukushima
Similar a Rでのtry関数によるエラー処理
(20)
新しい並列for構文のご提案
新しい並列for構文のご提案
2017-12-04 Linuxの基本構造とBashでの扱い方
2017-12-04 Linuxの基本構造とBashでの扱い方
Gura プログラミング言語の紹介
Gura プログラミング言語の紹介
boost - std - C#
boost - std - C#
Tokyor23 doradora09
Tokyor23 doradora09
タダで始めるテストファースト入門 ~ C# Express + NUnit
タダで始めるテストファースト入門 ~ C# Express + NUnit
8 並列計算に向けた pcセッティング
8 並列計算に向けた pcセッティング
Rによる繰り返しの並列処理
Rによる繰り返しの並列処理
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
10min r study_tokyor25
10min r study_tokyor25
10min r study_tokyor25
10min r study_tokyor25
C言語 学習教材
C言語 学習教材
関数型言語&形式的手法セミナー(3)
関数型言語&形式的手法セミナー(3)
プログラムの処方箋~健康なコードと病んだコード
プログラムの処方箋~健康なコードと病んだコード
Aedlabo program 20150125
Aedlabo program 20150125
TensorflowとKerasによる深層学習のプログラム実装実践講座
TensorflowとKerasによる深層学習のプログラム実装実践講座
ぱっと見でわかるC++11
ぱっと見でわかるC++11
Processing
Processing
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
Más de wada, kazumi
2018Rユーザ会用
2018Rユーザ会用
wada, kazumi
Ⅳ. 可視化事例集 2017
Ⅳ. 可視化事例集 2017
wada, kazumi
Ⅲ. 資料編 2017
Ⅲ. 資料編 2017
wada, kazumi
Ⅱ. データ分析編 2017
Ⅱ. データ分析編 2017
wada, kazumi
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
wada, kazumi
2017Rユーザ会用
2017Rユーザ会用
wada, kazumi
Rデモ03_データ分析編2016
Rデモ03_データ分析編2016
wada, kazumi
Rデモ02_入出力編2016
Rデモ02_入出力編2016
wada, kazumi
Rデモ01_はじめの一歩2016
Rデモ01_はじめの一歩2016
wada, kazumi
統計環境R_データ分析編2016
統計環境R_データ分析編2016
wada, kazumi
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
wada, kazumi
統計環境R_データ入出力編2016
統計環境R_データ入出力編2016
wada, kazumi
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare
wada, kazumi
Rプログラミング03 データ分析編
Rプログラミング03 データ分析編
wada, kazumi
Rプログラミング03 「データ分析編」デモ
Rプログラミング03 「データ分析編」デモ
wada, kazumi
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編
wada, kazumi
Rプログラミング02 「データ入出力編」デモ
Rプログラミング02 「データ入出力編」デモ
wada, kazumi
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 「はじめの一歩」 演習デモ
wada, kazumi
Rプログラミング01 はじめの一歩
Rプログラミング01 はじめの一歩
wada, kazumi
Rによる大規模データのプロット
Rによる大規模データのプロット
wada, kazumi
Más de wada, kazumi
(20)
2018Rユーザ会用
2018Rユーザ会用
Ⅳ. 可視化事例集 2017
Ⅳ. 可視化事例集 2017
Ⅲ. 資料編 2017
Ⅲ. 資料編 2017
Ⅱ. データ分析編 2017
Ⅱ. データ分析編 2017
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
2017Rユーザ会用
2017Rユーザ会用
Rデモ03_データ分析編2016
Rデモ03_データ分析編2016
Rデモ02_入出力編2016
Rデモ02_入出力編2016
Rデモ01_はじめの一歩2016
Rデモ01_はじめの一歩2016
統計環境R_データ分析編2016
統計環境R_データ分析編2016
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
統計環境R_データ入出力編2016
統計環境R_データ入出力編2016
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare
Rプログラミング03 データ分析編
Rプログラミング03 データ分析編
Rプログラミング03 「データ分析編」デモ
Rプログラミング03 「データ分析編」デモ
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編
Rプログラミング02 「データ入出力編」デモ
Rプログラミング02 「データ入出力編」デモ
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 はじめの一歩
Rプログラミング01 はじめの一歩
Rによる大規模データのプロット
Rによる大規模データのプロット
Último
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
Takayuki Itoh
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
koheioishi1
Último
(7)
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
Rでのtry関数によるエラー処理
1.
Rでのtry関数によるエラー処理 作成: 2015年3月1日(日) ~ 異常終了の防止方法
~
2.
こんなことありませんか? 昔々あるところに、複数のデータセットに時間 のかかる同じ処理をしなければならないセンサス くんがいました。賢いセンサスくんは、一部の データを使って処理コードを作り、さらにfor ループでデータセットを入れ替える処理を加えて 自動化し、帰宅間際にPCに投げました。 センサスくんが帰宅しても、PCが夜なべで働 き、翌朝出勤時までに仕事が終わっているはずで したが、その翌朝・・・ あ~っ、途中でabort (異常終了)してる・・・
3.
何が起きるのか確認してみましょう これは正常終了するコードの例です rm(list=ls(all=TRUE)) # ワークスペースのクリア data(iris)
# 組み込みのあやめデータ呼出し aa <- as.matrix(iris[,1:4]) # 量的変数だけ行列属性に変換してaaへ # 品種を示す第5変数の内容別にデータフレームを作成 dat1 <- aa[which(iris[,5]=="setosa"),] dat2 <- aa[which(iris[,5]=="versicolor"),] dat3 <- aa[which(iris[,5]=="virginica"),] listD <- ls(pattern="d") # ワークスペース内のdで始まる変数名を取得 listD # 中身表示 # listDの数だけループをさせて、dat1~3の共分散行列を表示させる for (i in 1: length(listD)) { x <- get(listD[i]) cv <- cov(x) # データの共分散行列を算出 print(solve(cv)) # 共分散行列の逆行列を画面表示 }
4.
逆行列計算がabortするとき 先の例では、共分散行列は全て正則なので、 逆行列の計算は正常終了します。 続けて、以下のコードにより、dat2の逆行 列が計算できなくなるよう、特定の行の要素 だけ有効桁数を超える小さな数に変更してみ ます。 cv <- cov(dat2) cv[1,]
<- cv[1,] / 10**16 solve(cv) # ここでエラーが起きる > cv <- cov(dat2) > cv[1,] <- cv[1,] / 10**16 > solve(cv)# エラーが起きる。 以下にエラー solve.default(cv) : システムは数値的に特異です:条件数の逆数 = 1.4947e-17 追 加 コ ー ド コ ン ソ ー ル 出 力 forループ内 でこれが起き ると、その時 点で処理が終 了します。 複数データ をforで回し ていれば、後 ろのデータは 未処理のまま。
5.
エラーが起きても後のデータを処理 して欲しいのですが・・・ そんなあなたにtry関数! cv <- cov(dat1) cv[1,]
<- cv[1,] / 10**16 XX <- try(solve(cv)) # ここでtry関数を使う XX # XXにエラーメッセージが入ることに注意! > cv <- cov(dat1) > cv[1,] <- cv[1,] / 10**16 > XX <- try(solve(cv))# ここでtry関数を使う Error in solve.default(cv) : システムは数値的に特異です: 条件数の逆数 = 1.4947e-17 > XX# XXにエラーメッセージが入ることに注意! [1] "Error in solve.default(cv) : n システムは数値的に特異です: 条件数の逆数 = 1.4947e-17 n" attr(,"class") [1] "try-error" attr(,"condition") <simpleError in solve.default(cv): システムは数値的に特異です: 条件数の逆数 = 1.4947e-17 > 追 加 コ ー ド コ ン ソ ー ル 出 力 エラーが起 きてもルー プの途中で 異常終了は せず、後ろ の処理が続 行されます
6.
実際に試してみましょう 結果の出力は次のスライドへ # 数値をいじるために一旦共分散行列を変数cv1に格納する cv1 <-
array(NA, c(4,4,3)) for (i in 1: length(listD)) { x <- get(listD[i]) cv1[,,i] <- cov(x) # 配列cv1に保存 } cv1[1,,2] <- cv[1,,2] / 10**16 # 二つ目の共分散行列の要素1つを小さく # try関数なしの場合 for (i in 1: length(listD)) { print(solve(cv1[,,i])) # 共分散行列の逆行列を画面表示 } # try関数を使う場合 for (i in 1: length(listD)) { print(try(solve(cv1[,,i]))) # 共分散行列の逆行列を画面表示 } 追 加 コ ー ド
7.
結果のコンソール出力 > # try関数なしの場合 >
for (i in 1: length(listD)) { + print(solve(cv1[,,i]))# 共分散行列の逆行列を画面 表示 + } [,1] [,2] [,3] [,4] [1,] 18.943439 -12.404826 -4.500207 -4.776127 [2,] -12.404826 15.570540 1.111079 -2.104098 [3,] -4.500207 1.111079 38.776204 -17.935035 [4,] -4.776127 -2.104098 -17.935035 106.045906 以下にエラー solve.default(cv1[, , i]) : システムは数値的に特異です: 条件数の逆数 = 0 > > # try関数を使う場合 > for (i in 1: length(listD)) { + print(try(solve(cv1[,,i])))# 共分散行列の逆行列を 画面表示 + } [,1] [,2] [,3] [,4] [1,] 18.943439 -12.404826 -4.500207 -4.776127 [2,] -12.404826 15.570540 1.111079 -2.104098 [3,] -4.500207 1.111079 38.776204 -17.935035 [4,] -4.776127 -2.104098 -17.935035 106.045906 Error in solve.default(cv1[, , i]) : システムは数値的に特異です: 条件数の逆数 = 0 [1] "Error in solve.default(cv1[, , i]) : n システムは数 値的に特異です: 条件数の逆数 = 0 n" attr(,"class") [1] "try-error" attr(,"condition") <simpleError in solve.default(cv1[, , i]): システムは数 値的に特異です: 条件数の逆数 = 0 > [,1] [,2] [,3] [,4] [1,] 10.533867 -3.479726 -9.960146 1.788152 [2,] -3.479726 15.875442 1.102689 -8.472851 [3,] -9.960146 1.102689 13.405821 -2.890918 [4,] 1.788152 -8.472851 -2.890918 19.314050 > try関数で問題の起きる処 理をくるむと、i=2でエ ラーが起きても、i=3での 逆行列が計算されます
8.
おわり 8
Descargar ahora