-
Notifications
You must be signed in to change notification settings - Fork 0
/
MathUtils.js
2556 lines (2166 loc) · 78 KB
/
MathUtils.js
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
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
class MathUtils extends Math { // Mathematic motor
static Equation = class extends MathUtils {
constructor(points, controlPoints) {
super();
this.points = points;
this.controlPoints = controlPoints;
this.n = points.length - 1; // grado de la ecuación
}
// Pipo Jueves 20 de abril 2023
isPrime(x) {
if (x <= 3) {
return x > 1;
} else if (x % 2 === 0 || x % 3 === 0) {
return false;
}
let a = 2;
let b = Math.atan2(a, a); // Arc tangent of a/a = pi/2
let c = Math.atan2(x, a);
// If arc tangent of x/a is not a divisor of pi, then x is prime
let diff = Math.abs(c - b);
if (diff > Math.PI / x) {
return true;
}
// Otherwise, check if x is a perfect square
let sq = Math.sqrt(x);
if (Math.round(sq) * Math.round(sq) !== x) {
return true;
}
return false;
}
calcularPi(cantidadDigitos) {
// Pascal: SWAG SUPPORT TEAM
let B, C, V, P1, S, K, N, I, J, Q, M, M1, X, R, D;
let P = [];
let A = [];
let T = [];
const F1 = 5;
const F2 = 239;
function divIDE(D) {
R = 0;
for (J = 0; J <= M; J++) {
V = R * 10 + P[J];
Q = Math.floor(V / D);
R = V % D;
P[J] = Q;
}
}
function divIDEA(D) {
R = 0;
for (J = 0; J <= M; J++) {
V = R * 10 + A[J];
Q = Math.floor(V / D);
R = V % D;
A[J] = Q;
}
}
function SUBT() {
B = 0;
for (J = M; J >= 0; J--) {
if (T[J] >= A[J]) {
T[J] = T[J] - A[J];
} else {
T[J] = 10 + T[J] - A[J];
T[J - 1] = T[J - 1] - 1;
}
}
for (J = 0; J <= M; J++) {
A[J] = T[J];
}
}
function SUBA() {
for (J = M; J >= 0; J--) {
if (P[J] >= A[J]) {
P[J] = P[J] - A[J];
} else {
P[J] = 10 + P[J] - A[J];
P[J - 1] = P[J - 1] - 1;
}
}
for (J = M; J >= 0; J--) {
A[J] = P[J];
}
}
function CLEARP() {
for (J = 0; J <= M; J++) {
P[J] = 0;
}
}
function ADJUST() {
P[0] = 3;
P[M] = 10;
for (J = 1; J <= M - 1; J++) {
P[J] = 9;
}
}
function ADJUST2() {
P[0] = 0;
P[M] = 10;
for (J = 1; J <= M - 1; J++) {
P[J] = 9;
}
}
function MULT4() {
C = 0;
for (J = M; J >= 0; J--) {
P1 = 4 * A[J] + C;
A[J] = P1 % 10;
C = Math.floor(P1 / 10);
}
}
function SAVEA() {
for (J = 0; J <= M; J++) {
T[J] = A[J];
}
}
function TERM1() {
I = M + M + 1;
A[0] = 4;
divIDEA(I * 25);
while (I > 3) {
I = I - 2;
CLEARP();
P[0] = 4;
divIDE(I);
SUBA();
divIDEA(25);
}
CLEARP();
ADJUST();
SUBA();
divIDEA(5);
SAVEA();
}
function TERM2() {
I = M + M + 1;
A[0] = 1;
divIDEA(I);
divIDEA(239);
divIDEA(239);
while (I > 3) {
I = I - 2;
CLEARP();
P[0] = 1;
divIDE(I);
SUBA();
divIDEA(239);
divIDEA(239);
}
CLEARP();
ADJUST2();
SUBA();
divIDEA(239);
SUBT();
}
M1 = cantidadDigitos;
M = M1 + 4;
for (J = 0; J <= M; J++) {
A[J] = 0;
T[J] = 0;
}
TERM1();
TERM2();
MULT4();
let resultado = '3';
for (J = 1; J <= M1; J++) {
resultado += A[J];
}
return resultado;
}
interpolate(x) {
let y = 0;
let angle = 0;
for (let i = 0; i <= this.n; i++) {
let li = 1;
let angle_i = 0;
for (let j = 0; j <= this.n; j++) {
if (j !== i) {
li *= (x - this.points[j].x) / (this.points[i].x - this.points[j].x);
angle_i += 1 / (this.controlPoints[i].x - this.controlPoints[j].x);
}
}
y += li * this.points[i].y;
angle += angle_i * li * this.points[i].y;
}
return {y, angle};
}
unitaryTest() {
/*
La clase Equation toma dos arreglos como argumentos en su constructor: points representa los puntos de la función a ser interpolados, y controlPoints representa los puntos de control que se utilizan para determinar el ángulo en cada punto interpolado.
El método interpolate(x) toma como argumento un valor x y devuelve un objeto con dos propiedades: y que es el valor interpolado de la función en x, y angle que es el ángulo de la función en x.
Para utilizar esta clase, puedes crear una instancia pasando los arreglos de puntos y puntos de control, y luego llamar al método interpolate(x) con el valor x que deseas interpolar. Por ejemplo:
*/
// crear una instancia de la ecuación
const equation = new MathUtils.Equation(
[{x: 0, y: 0}, {x: 1, y: 1}, {x: 2, y: 4}, {x: 3, y: 9}],
[{x: 0, angle: 0}, {x: 1, angle: 1}, {x: 2, angle: 4}, {x: 3, angle: 9}],
);
// interpolar el valor de la función y su ángulo en x=1.5
const {y, angle} = equation.interpolate(1.5);
console.log(`y = ${y}, angle = ${angle}`); // y = 2.25, angle = 4.5
}
};
static _lut = ['00', '01', '02', '03', '04', '05', '06', '07', '08', '09', '0a', '0b', '0c', '0d', '0e', '0f', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '1a', '1b', '1c', '1d', '1e', '1f', '20', '21', '22', '23', '24', '25', '26', '27', '28', '29', '2a', '2b', '2c', '2d', '2e', '2f', '30', '31', '32', '33', '34', '35', '36', '37', '38', '39', '3a', '3b', '3c', '3d', '3e', '3f', '40', '41', '42', '43', '44', '45', '46', '47', '48', '49', '4a', '4b', '4c', '4d', '4e', '4f', '50', '51', '52', '53', '54', '55', '56', '57', '58', '59', '5a', '5b', '5c', '5d', '5e', '5f', '60', '61', '62', '63', '64', '65', '66', '67', '68', '69', '6a', '6b', '6c', '6d', '6e', '6f', '70', '71', '72', '73', '74', '75', '76', '77', '78', '79', '7a', '7b', '7c', '7d', '7e', '7f', '80', '81', '82', '83', '84', '85', '86', '87', '88', '89', '8a', '8b', '8c', '8d', '8e', '8f', '90', '91', '92', '93', '94', '95', '96', '97', '98', '99', '9a', '9b', '9c', '9d', '9e', '9f', 'a0', 'a1', 'a2', 'a3', 'a4', 'a5', 'a6', 'a7', 'a8', 'a9', 'aa', 'ab', 'ac', 'ad', 'ae', 'af', 'b0', 'b1', 'b2', 'b3', 'b4', 'b5', 'b6', 'b7', 'b8', 'b9', 'ba', 'bb', 'bc', 'bd', 'be', 'bf', 'c0', 'c1', 'c2', 'c3', 'c4', 'c5', 'c6', 'c7', 'c8', 'c9', 'ca', 'cb', 'cc', 'cd', 'ce', 'cf', 'd0', 'd1', 'd2', 'd3', 'd4', 'd5', 'd6', 'd7', 'd8', 'd9', 'da', 'db', 'dc', 'dd', 'de', 'df', 'e0', 'e1', 'e2', 'e3', 'e4', 'e5', 'e6', 'e7', 'e8', 'e9', 'ea', 'eb', 'ec', 'ed', 'ee', 'ef', 'f0', 'f1', 'f2', 'f3', 'f4', 'f5', 'f6', 'f7', 'f8', 'f9', 'fa', 'fb', 'fc', 'fd', 'fe', 'ff'];
static __proto__ = null;
static DEG2RAD = Math.PI / 180;
static RAD2DEG = 180 / Math.PI;
// http://stackoverflow.com/questions/105034/how-to-create-a-guid-uuid-in-javascript/21963136#21963136
static generateUUID() {
const d0 = Math.random() * 0xffffffff | 0;
const d1 = Math.random() * 0xffffffff | 0;
const d2 = Math.random() * 0xffffffff | 0;
const d3 = Math.random() * 0xffffffff | 0;
const uuid = MathUtils._lut[d0 & 0xff] + MathUtils._lut[d0 >> 8 & 0xff] + MathUtils._lut[d0 >> 16 & 0xff] + MathUtils._lut[d0 >> 24 & 0xff] + '-' + MathUtils._lut[d1 & 0xff] + MathUtils._lut[d1 >> 8 & 0xff] + '-' + MathUtils._lut[d1 >> 16 & 0x0f | 0x40] + MathUtils._lut[d1 >> 24 & 0xff] + '-' + MathUtils._lut[d2 & 0x3f | 0x80] + MathUtils._lut[d2 >> 8 & 0xff] + '-' + MathUtils._lut[d2 >> 16 & 0xff] + MathUtils._lut[d2 >> 24 & 0xff] + MathUtils._lut[d3 & 0xff] + MathUtils._lut[d3 >> 8 & 0xff] + MathUtils._lut[d3 >> 16 & 0xff] + MathUtils._lut[d3 >> 24 & 0xff];
// .toLowerCase() here flattens concatenated strings to save heap memory space.
return uuid.toLowerCase();
}
static clamp(value, min, max) {
return Math.max(min, Math.min(max, value));
}
// compute euclidean modulo of m % n
// https://en.wikipedia.org/wiki/Modulo_operation
static euclideanModulo(n, m) {
return (n % m + m) % m;
}
// Linear mapping from range <a1, a2> to range <b1, b2>
static mapLinear(x, a1, a2, b1, b2) {
return b1 + (x - a1) * (b2 - b1) / (a2 - a1);
}
// https://www.gamedev.net/tutorials/programming/general-and-gameplay-programming/inverse-lerp-a-super-useful-yet-often-overlooked-function-r5230/
static inverseLerp(x, y, value) {
if (x !== y) {
return (value - x) / (y - x);
} else {
return 0;
}
}
// https://en.wikipedia.org/wiki/Linear_interpolation
static lerp(x, y, t) {
return (1 - t) * x + t * y;
}
// http://www.rorydriscoll.com/2016/03/07/frame-rate-independent-damping-using-lerp/
static damp(x, y, lambda, dt) {
return lerp(x, y, 1 - Math.exp(-lambda * dt));
}
// https://www.desmos.com/calculator/vcsjnyz7x4
static pingpong(x, length = 1) {
return length - Math.abs(MathUtils.euclideanModulo(x, length * 2) - length);
}
// http://en.wikipedia.org/wiki/Smoothstep
static smoothstep(x, min, max) {
if (x <= min) return 0;
if (x >= max) return 1;
x = (x - min) / (max - min);
return x * x * (3 - 2 * x);
}
static smootherstep(x, min, max) {
if (x <= min) return 0;
if (x >= max) return 1;
x = (x - min) / (max - min);
return x * x * x * (x * (x * 6 - 15) + 10);
}
// Random integer from <low, high> interval
static randInt(low, high) {
return low + Math.floor(Math.random() * (high - low + 1));
}
// Random float from <low, high> interval
static randFloat(low, high) {
return low + Math.random() * (high - low);
}
// Random float from <-range/2, range/2> interval
static randFloatSpread(range) {
return range * (0.5 - Math.random());
}
// Deterministic pseudo-random float in the interval [ 0, 1 ]
seed = 1234567;
static seededRandom(s) {
if (s !== undefined) MathUtils._seed = s;
// Mulberry32 generator
let t = MathUtils._seed += 0x6D2B79F5;
t = Math.imul(t ^ t >>> 15, t | 1);
t ^= t + Math.imul(t ^ t >>> 7, t | 61);
return ((t ^ t >>> 14) >>> 0) / 4294967296;
}
static degToRad(degrees) {
return degrees * MathUtils.DEG2RAD;
}
static radToDeg(radians) {
return radians * MathUtils.RAD2DEG;
}
static isPowerOfTwo(value) {
return (value & value - 1) === 0 && value !== 0;
}
static ceilPowerOfTwo(value) {
return Math.pow(2, Math.ceil(Math.log(value) / Math.LN2));
}
static floorPowerOfTwo(value) {
return Math.pow(2, Math.floor(Math.log(value) / Math.LN2));
}
static setQuaternionFromProperEuler(q, a, b, c, order) {
// Intrinsic Proper Euler Angles - see https://en.wikipedia.org/wiki/Euler_angles
// rotations are applied to the axes in the order specified by 'order'
// rotation by angle 'a' is applied first, then by angle 'b', then by angle 'c'
// angles are in radians
const cos = Math.cos;
const sin = Math.sin;
const c2 = cos(b / 2);
const s2 = sin(b / 2);
const c13 = cos((a + c) / 2);
const s13 = sin((a + c) / 2);
const c1_3 = cos((a - c) / 2);
const s1_3 = sin((a - c) / 2);
const c3_1 = cos((c - a) / 2);
const s3_1 = sin((c - a) / 2);
switch (order) {
case 'XYX':
q.set(c2 * s13, s2 * c1_3, s2 * s1_3, c2 * c13);
break;
case 'YZY':
q.set(s2 * s1_3, c2 * s13, s2 * c1_3, c2 * c13);
break;
case 'ZXZ':
q.set(s2 * c1_3, s2 * s1_3, c2 * s13, c2 * c13);
break;
case 'XZX':
q.set(c2 * s13, s2 * s3_1, s2 * c3_1, c2 * c13);
break;
case 'YXY':
q.set(s2 * c3_1, c2 * s13, s2 * s3_1, c2 * c13);
break;
case 'ZYZ':
q.set(s2 * s3_1, s2 * c3_1, c2 * s13, c2 * c13);
break;
default:
console.warn('THREE.MathUtils: .setQuaternionFromProperEuler() encountered an unknown order: ' + order);
}
}
static denormalize(value, array) {
switch (array.constructor) {
case Float32Array:
return value;
case Uint16Array:
return value / 65535.0;
case Uint8Array:
return value / 255.0;
case Int16Array:
return Math.max(value / 32767.0, -1.0);
case Int8Array:
return Math.max(value / 127.0, -1.0);
default:
throw new Error('Invalid component type.');
}
}
static normalize(value, array) {
switch (array.constructor) {
case Float32Array:
return value;
case Uint16Array:
return Math.round(value * 65535.0);
case Uint8Array:
return Math.round(value * 255.0);
case Int16Array:
return Math.round(value * 32767.0);
case Int8Array:
return Math.round(value * 127.0);
default:
throw new Error('Invalid component type.');
}
}
// Desarrolladasr por Luis Bultet Ibles & Sage
// Funciones auxiliares matrices
static sum(arr) {
return arr.reduce(function(a, b) {
return a + b;
});
}
static dotProduct(x, y) {
return x.map(function(elem, i) {
return elem * y[i];
}).reduce(function(a, b) {
return a + b;
});
}
static transpose(matrix) {
return matrix[0].map(function(col, i) {
return matrix.map(function(row) {
return row[i];
});
});
}
static matrixMultiply(a, b) {
const aNumRows = a.length;
const aNumCols = a[0].length;
// const bNumRows = b.length;
const bNumCols = b[0].length;
const m = new Array(aNumRows);
for (let r = 0; r < aNumRows; ++r) {
m[r] = new Array(bNumCols);
for (let c = 0; c < bNumCols; ++c) {
m[r][c] = 0;
for (let i = 0; i < aNumCols; ++i) {
m[r][c] += a[r][i] * b[i][c];
}
}
}
return m;
}
static matrixInverse(matrix) {
const rows = matrix.length;
const cols = matrix[0].length;
const identity = [];
const inverse = [];
let factor;
for (let i = 0; i < rows; ++i) {
identity[i] = [];
inverse[i] = [];
for (let j = 0; j < cols; ++j) {
identity[i][j] = (i === j ? 1 : 0);
inverse[i][j] = matrix[i][j];
}
}
for (let j = 0; j < cols; ++j) {
for (let i = 0; i < rows; ++i) {
if (i !== j) {
factor = inverse[i][j] / inverse[j][j];
for (let k = 0; k < cols; ++k) {
inverse[i][k] -= factor * inverse[j][k];
identity[i][k] -= factor * identity[j][k];
}
}
}
}
for (let i = 0; i < rows; ++i) {
for (let j = 0; j < cols; ++j) {
identity[i][j] /= inverse[i][i];
}
}
return identity;
}
// solo una
static matrixVectorMultiply(matrix, vector) {
const result = [];
for (let i = 0; i < matrix.length; i++) {
let sum = 0;
for (let j = 0; j < vector.length; j++) {
sum += matrix[i][j] * vector[j];
}
result.push(sum);
}
return result;
}
// La función fourierInterpolation recibe dos arreglos x e y que contienen los valores de entrada y salida de la función, respectivamente, y un punto Xo en el que se desea evaluar la función interpolada. La función devuelve el valor interpolado de la función en el punto Xo.
// En la implementación, se utiliza la función dft para calcular la DFT de la función de entrada x y la función de salida y. Luego se rellenan con ceros los coeficientes de alta frecuencia para obtener una DFT de mayor longitud, utilizando el doble de puntos que la longitud original. A continuación, se utiliza la función idft para aplicar la inversa de la DFT y obtener una versión interpolada de la función. Finalmente, se evalúa la función interpolada en el punto deseado Xo, utilizando la técnica de la interpolación de Fourier.
// Regresión lineal simple
static linearRegression(x, y) {
const n = x.length;
const slope = (n * MathUtils.dotProduct(x, y) - MathUtils.sum(x) * MathUtils.sum(y)) / (n * MathUtils.dotProduct(x, x) - Math.pow(MathUtils.sum(x), 2));
const intercept = (MathUtils.sum(y) - slope * MathUtils.sum(x)) / n;
return {slope: slope, intercept: intercept};
}
// Regresión lineal múltiple
static multipleRegression(X, y) {
const Xt = MathUtils.transpose(X);
const XtX = MathUtils.matrixMultiply(Xt, X);
const XtXInv = MathUtils.matrixInverse(XtX);
const XtY = MathUtils.matrixMultiply(Xt, y);
const beta = MathUtils.matrixMultiply(XtXInv, XtY);
return beta;
}
/**
* Discrete Fourier Transform (DFT): time to frequencies.
*
* Time complexity: O(N^2)
*
* @param {number[]} inputAmplitudes - Input signal amplitudes over time (complex
* numbers with real parts only).
* @param {number} zeroThreshold - Threshold that is used to convert real and imaginary numbers
* to zero in case if they are smaller then this.
*
* @return {ComplexNumber[]} - Array of complex number. Each of the number represents the frequency
* or signal. All signals together will form input signal over discrete time periods. Each signal's
* complex number has radius (amplitude) and phase (angle) in polar form that describes the signal.
*
* @see https://gist.github.com/anonymous/129d477ddb1c8025c9ac
* @see https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/
*/
static CLOSE_TO_ZERO_THRESHOLD = 1e-10;
static dft(inputAmplitudes, zeroThreshold = CLOSE_TO_ZERO_THRESHOLD) {
const N = inputAmplitudes.length;
const signals = [];
// Go through every discrete frequency.
for (let frequency = 0; frequency < N; frequency += 1) {
// Compound signal at current frequency that will ultimately
// take part in forming input amplitudes.
let frequencySignal = {re: 0, im: 0};
// Go through every discrete point in time.
for (let timer = 0; timer < N; timer += 1) {
const currentAmplitude = inputAmplitudes[timer];
// Calculate rotation angle.
const rotationAngle = -1 * (2 * Math.PI) * frequency * (timer / N);
// Remember that e^ix = cos(x) + i * sin(x);
const dataPointContribution = {
re: Math.cos(rotationAngle) * multiply(currentAmplitude),
im: Math.sin(rotationAngle) * multiply(currentAmplitude),
};
// Add this data point's contribution.
frequencySignal = {
re: dataPointContribution.re + frequencySignal.re,
im: dataPointContribution.im + frequencySignal.im,
};
}
// Close to zero? You're zero.
if (Math.abs(frequencySignal.re) < zeroThreshold) {
frequencySignal.re = 0;
}
if (Math.abs(frequencySignal.im) < zeroThreshold) {
frequencySignal.im = 0;
}
// Average contribution at this frequency.
// The 1/N factor is usually moved to the reverse transform (going from frequencies
// back to time). This is allowed, though it would be nice to have 1/N in the forward
// transform since it gives the actual sizes for the time spikes.
frequencySignal = {
re: requencySignal.re / n, im: frequencySignal.im / n,
};
// Add current frequency signal to the list of compound signals.
signals[frequency] = frequencySignal;
}
return signals;
}
static idft(X) {
const N = X.length;
const x = new Array(N);
const w = Math.PI * 2 / N;
for (let n = 0; n < N; ++n) {
let re = 0;
let im = 0;
for (let k = 0; k < N; ++k) {
const t = w * k * n;
const cos_t = Math.cos(t);
const sin_t = Math.sin(t);
re += X[k].re * cos_t - X[k].im * sin_t;
im += X[k].re * sin_t + X[k].im * cos_t;
}
x[n] = {re: re / N, im: im / N};
}
return x;
}
static fourierInterpolation(x, y, Xo) {
const N = x.length;
const X = dft(x);
const Y = dft(y);
const M = 2 * N;
const X2 = new Array(M);
const Y2 = new Array(M);
for (let k = 0; k < N; ++k) {
X2[k] = X[k];
Y2[k] = Y[k];
X2[M - k - 1] = X[k];
Y2[M - k - 1] = Y[k];
}
const x2 = MathUtils.idft(X2);
const y2 = MathUtils.idft(Y2);
const y3 = new Array(M);
for (let i = 0; i < M; ++i) {
y3[i] = x2[i] === Xo ? y2[i] : y2[i] * Math.sin(Math.PI * (Xo - x2[i])) / (Math.PI * (Xo - x2[i]));
}
const Y3 = MathUtils.dft(y3);
const index = Math.round(Xo * M / (x2[N - 1] - x2[0]));
return Y3[index].re;
}
/*
La transformada discreta de Fourier (DFT) se puede calcular para señales
de cualquier longitud, pero para implementar la DFT de manera eficiente,
la señal debe tener una longitud que sea una potencia de 2. Esto se debe
a que muchos algoritmos de DFT utilizan una estrategia de división y
conquista conocida como el algoritmo de Cooley-Tukey, que divide
repetidamente la señal en subseñales de longitud N/2, donde N es la
longitud de la señal. Si N no es una potencia de 2, el algoritmo no se
puede dividir en subproblemas de igual tamaño, lo que dificulta la
implementación eficiente.
Sin embargo, es posible calcular la DFT de una señal de longitud
arbitraria utilizando algoritmos de DFT que no requieren que la longitud
sea una potencia de 2, como el algoritmo de Bluestein o el algoritmo de
Rader. Estos algoritmos son menos comunes y pueden ser menos eficientes
que el algoritmo de Cooley-Tukey para señales que tienen una longitud que
es una potencia de 2.
En resumen, la DFT puede ser calculada para señales de cualquier longitud,
pero para la implementación eficiente de la DFT, es preferible que la
longitud de la señal sea una potencia de 2. Si la longitud de la señal no
es una potencia de 2, se pueden utilizar algoritmos de DFT alternativos
que pueden ser menos eficientes.
*/
dftEficiente(x) {
const N = x.length;
let M = N;
while (M % 2 === 0) {
M /= 2;
}
if (M !== 1) {
throw new Error('La longitud de los datos debe ser una potencia de 2');
}
const X = new Array(N);
const w = Math.PI * 2 / N;
for (let k = 0; k < N; ++k) {
let re = 0;
let im = 0;
for (let n = 0; n < N; ++n) {
const t = w * k * n;
const cos_t = Math.cos(t);
const sin_t = Math.sin(t);
re += x[n].re * cos_t - x[n].im * sin_t;
im += x[n].re * sin_t + x[n].im * cos_t;
}
X[k] = {re: re, im: im};
}
return X;
}
// Otras funciones complementarias
// Convertir una cadena binaria a un BigInt
binarioABigInt(binario) {
return BigInt('0b' + binario);
}
// Convertir un BigInt a una cadena binaria
bigIntABinario(n) {
return n.toString(2);
}
/*
La función esPrimo toma un número entero grande n y un número de iteraciones
k (por defecto 20) como parámetros y devuelve true si n es probablemente
primo y false si n es compuesto.
La función comienza comprobando si n es un pequeño número primo, y si lo es,
devuelve true. Luego, escribe n-1 como 2^r * d, donde d es impar, y realiza
la prueba de Miller-Rabin k veces. En cada iteración, selecciona un número
aleatorio a en el rango [2, n-2], calcula a^d mod n, y verifica si es
congruente con 1 o n-1. Si no lo es, eleva x al cuadrado r-1 veces y
verifica si es congruente con 1 modulo n. Si lo es, pasa a la siguiente
iteración. Si no lo es, n es compuesto y la función devuelve false. Si
todas las iteraciones pasan, n es probablemente primo y la función
devuelve true.
Ten en cuenta que la prueba de Miller-Rabin es un algoritmo probabilístico,
lo que significa que puede producir resultados incorrectos en casos raros.
Sin embargo, para valores de k suficientemente grandes (como 20 o más), la
probabilidad de un falso positivo es extremadamente baja.
*/
esPrimo(n, k = 20) {
if (n <= 1n) {
return false;
}
// Verificar si n es un pequeño número primo
const pequeñosPrimos = [2n, 3n, 5n, 7n, 11n, 13n, 17n, 19n, 23n, 29n, 31n, 37n];
if (pequeñosPrimos.includes(n)) {
return true;
}
// Escribir n-1 como 2^r * d
let d = n - 1n;
let r = 0n;
while (d % 2n === 0n) {
d /= 2n;
r++;
}
// Realizar la prueba de Miller-Rabin k veces
for (let i = 0; i < k; i++) {
// Seleccionar un número aleatorio a en el rango [2, n-2]
const a = BigInt(Math.floor(Math.random() * (n - 3))) + 2n;
// Calcular a^d mod n
let x = a ** d % n;
// Si x es 1 o n-1, pasar a la siguiente iteración
if (x === 1n || x === n - 1n) {
continue;
}
// Elevar x al cuadrado r veces y verificar
// si es congruente con 1 modulo n
let esPrimo = false;
for (let j = 0n; j < r - 1n; j++) {
x = x ** 2n % n;
if (x === 1n) {
return false;
}
if (x === n - 1n) {
esPrimo = true;
break;
}
}
// Si x no es congruente con 1 o n-1, entonces n es compuesto
if (!esPrimo) {
return false;
}
}
return true;
}
isPrime(n) {
if (n === 2n) {
return true;
}
if (!(n % 2n === 0) && (n > 2n)) {
for (let i = 3n; i * i <= n; i += 2n) {
if (n % i === 0n) {
return false;
}
}
return true;
}
return false;
}
/*
Por: 邓启凡 (Deng Qifan), www.stackoverfow.com Jun 7, 2017 at 9:14
La función que has compartido es una implementación de un algoritmo para
suavizar curvas o series de datos, conocido como "suavizado por cambio de
pendiente" o "método del zig-zag". Esta técnica implica ajustar los valores
de la serie de datos para que la diferencia de los valores consecutivos se
mantenga dentro de ciertos límites definidos por un parámetro de entrada
llamado "strength".
A continuación, describo brevemente el funcionamiento de la función:
La función toma un parámetro de entrada llamado "strength", que
determina la cantidad máxima de cambio permitido entre dos valores
consecutivos de la serie de datos.
La función itera a través de la serie de datos de entrada utilizando un
lazo for, y para cada par de valores consecutivos, calcula la distancia
o diferencia entre ellos.
La función mantiene una suma acumulativa de las distancias calculadas
hasta el momento, y divide esta suma por el índice actual para obtener
una distancia promedio.
Si la distancia entre los valores actuales es mayor que la distancia
promedio multiplicada por el "strength", entonces se aplica una
corrección a este valor, ajustándolo para que se encuentre dentro del
rango permitido. La corrección implica establecer el valor actual como
el doble del valor anterior menos el valor previo al anterior.
En general, este método puede ser útil para suavizar curvas o series de
datos que contengan ruido o fluctuaciones no deseadas, y puede utilizarse en
una variedad de aplicaciones, desde análisis de señales hasta visualización
de datos. Sin embargo, es importante tener en cuenta que la técnica puede
introducir artefactos o distorsiones en los datos originales, especialmente
cuando se utilizan valores de "strength" muy bajos o muy altos.
Por lo tanto, es recomendable experimentar con diferentes valores de
"strength" y realizar pruebas exhaustivas antes de utilizar este método en
cualquier proyecto de producción.
*/
static suavizadoPorZigZag(items, strength = Math.max(...items) / 2) {
const len = items.length;
let disArg;
let dis;
let disSum = 0;
for (let i = 0; i < len - 1; i++) {
disSum += Math.abs((items[i + 1] - items[i]));
disArg = disSum / i;
dis = Math.abs(items[i + 1] - items[i]);
if (dis / disArg > strength) {
items[i + 1] = 2 * items[i] - items[i - 1];
}
}
return items;
};
static calcularDesviacionEstandar(datos) {
const media = datos.reduce((a, b) => a + b) / datos.length;
const desviaciones = datos.map(x => Math.pow(x - media, 2));
const varianza = desviaciones.reduce((a, b) => a + b) / datos.length;
const desviacionEstandar = Math.sqrt(varianza);
return desviacionEstandar;
}
static calcularMedia(datos) {
const suma = datos.reduce((a, b) => a + b);
const media = suma / datos.length;
return media;
}
static calcularVarianza(datos) {
const media = datos.reduce((a, b) => a + b) / datos.length;
const desviaciones = datos.map(x => Math.pow(x - media, 2));
const varianza = desviaciones.reduce((a, b) => a + b) / datos.length;
return varianza;
}
/*
El primer momento de Pearson ($M_1$) es cero para cualquier distribución simétrica. Si $M_1$ es diferente de cero, indica que la distribución es sesgada hacia la izquierda o hacia la derecha.
El segundo momento de Pearson ($M_2$) es la varianza de la distribución. Es una medida de la dispersión de los datos alrededor de la media. Si $M_2$ es pequeño, indica que los datos están agrupados en torno a la media, mientras que si $M_2$ es grande, indica que los datos están más dispersos.
El tercer momento de Pearson ($M_3$) es una medida de la asimetría de la distribución. Si $M_3$ es positivo, indica que la distribución tiene una cola larga hacia la derecha y está sesgada hacia la izquierda. Si $M_3$ es negativo, indica que la distribución tiene una cola larga hacia la izquierda y está sesgada hacia la derecha.
El cuarto momento de Pearson ($M_4$) es una medida de la apuntamiento o curtosis de la distribución. Si $M_4$ es mayor que cero, indica que la distribución es más apuntada que la distribución normal (también llamada distribución de Gauss). Si $M_4$ es menor que cero, indica que la distribución es menos apuntada que la distribución normal.
*/
static calcularMomentoPearson(datos, n) {
const media = datos.reduce((a, b) => a + b) / datos.length;
const desviaciones = datos.map(x => Math.pow(x - media, n));
const momento = desviaciones.reduce((a, b) => a + b) / datos.length;
return momento;
}
static calcularCantidadClases(datos) {
const clases = {};
for (let i = 0; i < datos.length; i++) {
const clase = datos[i];
if (!(clase in clases)) {
clases[clase] = true;
}
}
return Object.keys(clases).length;
}
static calcularEntropia(datos) {
const n = datos.length;
const clases = {};
for (let i = 0; i < n; i++) {
const clase = datos[i];
if (clase in clases) {
clases[clase]++;
} else {
clases[clase] = 1;
}
}
let entropia = 0;
for (let clase in clases) {
const probabilidad = clases[clase] / n;
entropia -= probabilidad * Math.log2(probabilidad);
}
return entropia;
}
static Fibonacci(n) {
if (n <= 1) {
return n;
}
return MathUtils.Fibonacci(n - 1) + MathUtils.Fibonacci(n - 2);
}
// Función para calcular el área de la superficie de una esfera n-dimensional
static sphereSurfaceArea(n, r) {
const pi = Math.PI;
const gamma = (x) => {
if (x === 0) {
return Infinity;
} else if (x <= 0.5) {
return pi / (Math.sin(pi * x) * gamma(1 - x));
} else {
return (x - 1) * gamma(x - 1);
}
};
const numerator = 2 * Math.pow(pi, n / 2) * Math.pow(r, n);
const denominator = gamma(n / 2 + 1);
return numerator / denominator;
}
// Función para calcular el volumen de una bola n-dimensional
static ballVolume(n, r) {
const pi = Math.PI;
const gamma = (x) => {
if (x === 0) {
return Infinity;
} else if (x <= 0.5) {
return pi / (Math.sin(pi * x) * gamma(1 - x));
} else {
return (x - 1) * gamma(x - 1);
}
};
const numerator = Math.pow(pi, n / 2) * Math.pow(r, n);
const denominator = gamma(n / 2 + 1);
return numerator / denominator;
}
// Función para calcular la superficie de una esfera n-dimensional
static sphereVolume(n, r) { // Verificar si se repite con sphereSurfaceArea
const pi = Math.PI;
const gamma = (x) => {
if (x === 0) {
return Infinity;
} else if (x <= 0.5) {
return pi / (Math.sin(pi * x) * gamma(1 - x));
} else {
return (x - 1) * gamma(x - 1);
}
};
const numerator = Math.pow(pi, n / 2) * Math.pow(r, n);
const denominator = gamma(n / 2 + 1);
return numerator / denominator;
}
/*
Para calcular el volumen de una variedad n-dimensional a partir del radio r, la dimensión n y la curvatura k, podemos utilizar la siguiente fórmula:
V = (R^n * A) / n