Matriisilaskentaa tilastotieteilijöille
|
|
- Eero Sipilä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Matriisilaskentaa tilastotieteilijöille Ilkka Mellin 3.. Cholesky-hajotelma ja QR-hajotelma 3.. Yleistetyt käänteismatriisit 3.3. Singulaariarvohajotelma 3.4. Matriisien kääntäminen 3.5. Matriisien derivointi 3.6. Bilineaari- ja neliömuotojen maksimointi 3.7. Kroneckerin tulo TKK Ilkka Mellin (007) /38
2 Matriisilaskentaa tilastotieteilijöille 3.. Cholesky-hajotelma ja QR-hajotelma CHOLESKY-HAJOTELMA QR-HAJOTELMA 3.. Yleistetyt käänteismatriisit MOORE-PENROSE-INVERSSI MOORE-PENROSE INVERSSIN OMINAISUUKSIA SOVELLUS: LINEAARINEN REGRESSIOMALLI 3.3. Singulaariarvohajotelma SINGULAARIARVOHAJOTELMA SINGULAARIARVOT SINGULAARIARVOHAJOTELMAN TULKINTA SINGULAARIARVOHAJOTELMAN OMINAISUUKSIA SOVELLUS: LINEAARINEN REGRESSIOMALLI 3.4. Matriisien kääntäminen KÄÄNTEISMATRIISIN LASKUKAAVAT 3.5. Matriisien derivointi. KERTALUVUN OSITTAISDERIVAATTAOPERAATTOREIDEN VEKTORI FUNKTION GRADIENTTI. KERTALUVUN OSITTAISDERIVAATTAOPERAATTOREIDEN MATRIISI. KERTALUVUN OSITTAISDERIVAATTAOPERAATTOREIDEN MATRIISI VEKTOREIDEN LINEAARIKOMBINAATIOIDEN DERIVOINTI VEKTORIN NORMIN NELIÖN DERIVOINTI BILINEAARIMUOTOJEN JA NELIÖMUOTOJEN DERIVOINTI DETERMINANTIN DERIVOINTI MATRIISIN KÄÄNTEISMATRIISIN DERIVOINTI MATRIISIN JÄLJEN DERIVOINTI 3.6. Bilineaari- ja neliömuotojen maksimointi BILINEAARIMUODOT BILINEAARIMUOTOJEN MAKSIMOINTI NELIÖMUODOT NELIÖMUOTOJEN MAKSIMOINTI 3.7. Kroneckerin tulo KRONECKERIN TULO LASKUSÄÄNTÖJÄ KRONECKERIN TULOLLE TKK Ilkka Mellin (007) /38
3 3.. Cholesky-hajotelma ja QR-hajotelma Lineaaristen mallien ja monimuuttujamenetelmien teoriassa on usein hyötyä seuraavassa esitettävistä kahdesta matriisihajotelmasta. Cholesky hajotelma Lause 3... Olkoon A ositiivisesti definiitti m m-matriisi. Tällöin on olemassa eäsingulaarinen alakolmiomatriisi L ja eäsingulaarinen yläkolmiomatriisi U siten, että A LL UU Todistus : Koska matriisi A on oletettu ositiivisesti definiitiksi, se on symmetrinen ja eäsingulaarinen. Lisäksi lauseen.7.. mukaan kaikki matriisin A alimatriisit, jotka saadaan oistamalla matriisista A r kaaletta toisiaan vastaavaa riviä ja saraketta ovat ositiivisesti definiittejä. Tarkastelemme alla matriisin A esittämistä alakolmiomatriisin L ja sen transoosin L tulona. Matriisin A esittäminen yläkolmiomatriisin U ja sen transoosin U tulona taahtuu vastaavalla tavalla. Esitämme edagogisista syistä alla kaksi erilaista todistusta lauseelle. Todistus : Matriisin A ja tulon LL alkioiden suora vertailu. Olkoon L alakolmiomatriisi: l l l 0 0 L l3 l3 l33 0 lm lm lm3 lmm Asetetaan matriisiyhtälö a a a3 a m l l l l3 lm a a a3 a m l l l l3 l m A a3 a3 a33 a m l3 l3 l l33 l m3 LL a a a a l l l l l m m m3 mm m m m3 mm mm Siten matriisin L alkioiden l ij on toteutettava seuraavat yhtälöt: a l, a l l, a l l,, a l l a l l a l l a l l l l a l l l l a l l a l l l l a l l l a l l l l l l 3 3 m m,, 3 3 3,, m m m 3 3, 3 3 3, ,, 3m 3 m 3 m 33 m3 m m m, m m lml, am3 lm l3 lml3 lm3l33,, amm l j mj a l l a l l TKK Ilkka Mellin (007) 3/38
4 Tämä yhtälöryhmä on matriisin L tuntemattomien alkioiden l ij suhteen rekursiivinen ja siten alkiot l ij saadaan ratkaistuksi yhtälöryhmästä rivi riviltä käyttämällä hyväksi aikaisemmin saatuja ratkaisuja. Yhtälöryhmän ensimmäiseltä riviltä saadaan ratkaistuksi matriisin L. sarakkeen alkiot l, l,, l m : a a a m l ± a, l, l,, l 3 3 m l l l Yhtälöryhmän toiselta riviltä saadaan ratkaistuksi matriisin L alkio l ja matriisin L. sarakkeen alkiot l, l 3,, l m : l a l, / aa a ai lli i a l l ±, l, i 3,4,, m Yhtälöryhmän kolmannelta riviltä saadaan ratkaistuksi matriisin L alkiot l 3 ja l 3 matriisin L 3. sarakkeen alkiot l 33, l 43,, l m3 : l a a l l, l l l / a3 ( a3 ll3) a3i l3li l3li i3 l3 l l33 l ± a, l, i 4,5,, m Jatkamalla kuvattua menettelyä, saadaan loutkin matriisin L alkiot ratkaistuksi. Huomautus : Olkoon B k, k,,, m matriisin A k k-alimatriisi, joka saadaan oistamalla matriisista A sen (m k) viimeistä riviä ja saraketta (huomaa, että B A). m Koska matriisi A on ositiivisesti definiitti, niin myös sen alimatriisit B k ovat ositiivisesti definiittejä, jolloin niiden determinantit ovat ositiivisia: det( B k ) > 0 Kun k, niin B [ a ] ja det( B ) a > 0 Siten alkio l ja edelleen alkiot l,, l m saadaan ratkaistuksi yhtälöryhmän ensimmäiseltä riviltä. TKK Ilkka Mellin (007) 4/38
5 Kun k, niin ja B a a a a det( B ) a a a > 0 Koska lisäksi edellä todettiin, että a > 0, niin a a a a > 0 ja siten alkio l ja edelleen alkiot l 3,, l m saadaan ratkaistuksi yhtälöryhmän toiselta riviltä. Taaukset k 3, 4,, m voidaan käsitellä vastaavalla tavalla. Huomautus : Koska matriisi A on symmetrinen, toiselta riviltä saatava ratkaisu alkiolle l ei ole ristiriidassa ensimmäiseltä riviltä saadun ratkaisun kanssa: a a l l l Koska matriisi A on symmetrinen, kolmannelta riviltä saatavat ratkaisut alkioille l ja l 3 eivät ole ristiriidassa ensimmäiseltä ja toiselta riviltä saatujen ratkaisujen kanssa: l l 3 3 a3 a3 l l a l l a l l l l Vastaava ilmiö tulee esiin myös muilla riveillä. Todetaan louksi, että lauseen.5.. mukaan matriisi L on oltava eäsingulaarinen, koska matriisi A on ositiivisesti definiittinä matriisina eäsingulaarinen. Todistus : Induktio-todistus. Koska A on symmetrinen m m-matriisi, se voidaan esittää muodossa Am c Am c a mm jossa c on (m )-vektori. Asetetaan induktio-oletus: A L L m m m jossa L m on eäsingulaarinen alakolmiomatriisi. TKK Ilkka Mellin (007) 5/38
6 Olkoon L L 0 l λ m m jossa l on toistaiseksi tuntematon (m )-vektori ja λ on toistaiseksi tuntematon reaaliluku. Muodostetaan matriisiyhtälö A eli Lm L m Lm l Am c a m λ mm ll ll c Siten saamme (m )-vektorin l ja reaaliluvun λ ratkaisemiseksi yhtälöt Lm l c ll λ L L m m m a mm Koska L m on induktio-oletuksen mukaan eäsingulaarinen, niin vektorin l ratkaisuksi saadaan Edelleen l L c m mikä seuraa siitä, että ja λ a ll a c L L c a c L L c a c L L c a > mm ( ) ( mm m m mm m ) m mm ( m m ) mm ca m c 0 A ca c A m amm m m > 0 A m > 0 koska matriisi A m on ositiivisesti definiitti. Siten saamme myös reaaliluvun λ ratkaistuksi: λ ± ca c a mm m Huomautus : Positiivisesti definiitin matriisin A esitystä eäsingulaarisen alakolmiomatriisin L ja sen transoosin L tai eäsingulaaristen yläkolmiomatriisi U ja sen transoosin tulona kutsutaan matriisin A Cholesky-hajotelmaksi. TKK Ilkka Mellin (007) 6/38
7 Huomautus : Cholesky-hajotelma ei ole yksikäsitteinen, mutta jos esitämme lisävaatimuksen, että matriisin L (tai matriisin U) kaikkien diagonaalialkioiden on oltava ositiivisia, Cholesky-hajotelma on yksikäsitteinen. QR-hajotelma Lause 3... Olkoon A m n-matriisi, jossa m n ja olkoon matriisin A aste r(a) n. Tällöin on olemassa m n-matriisi Q, jonka sarakkeet ovat ortonormaalisia eli Q Q I, ja eäsingulaarinen n n-yläkolmiomatriisi R siten, että A QR Matriisin A QR-hajotelma saadaan ortogonalisoimalla matriisin A sarakevektorit Gramin ja Schmidtin ortogonalisointi-menetelmällä; ks. lausetta.6.4. Asetetaan ortogonalisoinnin tuloksena saatavat ortonormaalit vektorit matriisin Q sarakkeiksi. Matriisi Q saadaan kertomalla matriisi A eäsingulaarisella yläkolmiomatriisilla T oikealta: AT Q n n-matriisi T on eäsingulaarinen, koska sen aste on n, mikä seuraa siitä, että sekä matriisin A että matriisin Q aste on n. Koska matriisi T on yläkolmiomatriisi, niin myös sen käänteismatriisi T R on yläkolmiomatriisi. Siten A QT QR Huomautus : Matriisin A esitystä sarakkeiltaan ortonormaalisen matriisin Q ja eäsingulaarisen yläkolmiomatriisin R tulona kutsutaan matriisin A QR-hajotelmaksi. Huomautus : Matriisin A sarakevektoreiden on oltava lineaarisesti riiumattomia, jotta matriisilla A olisi QR-hajotelma. 3.. Yleistetyt käänteismatriisit Singulaarisella matriisilla ei ole käänteismatriisia. Tarkastelemme tässä luvussa käänteismatriisin käsitteen yleistämistä ns. yleistetyksi käänteismatriisiksi, joka voidaan määrätä kaikille matriiseille. Matriisin A yleistettyä käänteismatriisia ei voida selvästikään määritellä eäsingulaarisen matriisin C käänteismatriisin B määrittelevällä yhtälöllä CB BC I mutta sillä voi silti olla (järkevästi määriteltynä) riittävä määrä eäsingulaarisen matriisin käänteismatriisin muista ominaisuuksista ollakseen hyödyllinen käsite. TKK Ilkka Mellin (007) 7/38
8 Käänteismatriisin käsitteen yleistäminen singulaarisille matriiseilla voi taahtua usealla eri tavalla riiuen siitä, mitä ehtoja tarkasteltavan singulaarisen matriisin oletetaan toteuttavan ja mitä ehtoja yleistetyn käänteismatriisin halutaan toteuttavan. Rajoitumme tässä esityksessä tarkastelemaan yleistettyä käänteismatriisia, joka on olemassa jokaiselle matriisille ja on lisäksi yksikäsitteinen. Tätä yleistettyä käänteismatriisia kutsutaan Moore-Penrose-inverssiksi. Moore-Penrose-inverssi Lause 3... Jokaiselle m n-matriisille A on olemassa yksikäsitteinen n m-matriisi A, joka toteuttaa seuraavat ehdot: (i) AA A A (ii) AAA A (iii) ( AA) AA (iv) ( AA ) AA Jos A 0, niin A 0. Oletetaan siis, että r(a) r > 0 Tällöin on olemassa m r-matriisi C, jonka aste on r(c ) r ja r n-matriisi C, jonka aste r(c ) r siten, että A C C Sivuutamme tämän todistamisen. Määritellään n m-matriisi () Todetaan ensin, että () ja (3) (i) A C ( C C ) ( CC ) C A A C ( C C ) ( CC ) CCC C ( C C ) C AA CC C ( C C ) ( CC ) C C ( CC ) C Soveltamalla kaavaa () nähdään, että AA A C C C ( C C ) C C C A (ii) Soveltamalla kaavoja () ja (3) nähdään, että A AA C ( CC ) ( CC ) CC ( CC ) C C ( C C) ( CC ) C A (iii) Matriisi A A on symmetrinen, koska transoosin ominaisuuksista seuraa, että ( AA) C ( CC ) C AA TKK Ilkka Mellin (007) 8/38
9 (iv) Matriisi AA on symmetrinen, koska transoosin ominaisuuksista seuraa, että ( AA ) C ( C C ) C AA Siten jokaiselle m n-matriisille A on olemassa matriisi A, joka toteuttaa ehdot (i)-(iv). Todistetaan vielä, että matriisi A on yksikäsitteinen. Oletetaan siksi, että sekä matriisi A että matriisi B toteuttavat ehdot (i)-(iv). Siten erityisesti AA A A Kertomalla tämä yhtälö oikealta matriisilla B saadaan yhtälö AA AB AB Vastaavasti kertomalla yhtälö AB A A vasemmalta matriisilla A saadaan yhtälö AB AA AA Koska matriisit AB ja AA ovat ehdon (iv) mukaan symmetrisiä, niin AB AA AB (( AA )( AB )) ( AB ) ( AA ) AB AA AA Samaan taaan voidaan osoittaa, että BA AA Kertomalla yhtälö AB AA vasemmalta matriisilla B saadaan yhtälöketju B B AB B AA A AA A joten matriisi A on yksikäsitteinen. Kutsumme lauseessa 3.. määriteltyä matriisia A matriisin A Moore-Penrose-inverssiksi. Moore-Penrose-inverssi voidaan määritellä myös matriisin ääakselihajotelman (ks. lausetta 3..4.) tai matriisin singulaariarvohajotelman avulla (ks. lausetta 3.3.4). Lause 3... Olkoon matriisin A yleistetty käänteismatriisi yleistetty käänteismatriisi on ( A ). A. Tällöin matriisin A transoosin A Lause seuraa transonoimalla matriisin A yleistetyn käänteismatriisin määrittelevät ehdot (i)-(iv) lauseessa 3... Moore-Penrose-inverssin ominaisuuksia Lause Jos matriisi A on eäsingulaarinen, niin A A TKK Ilkka Mellin (007) 9/38
10 Jos matriisi A on eäsingulaarinen, sillä on yksikäsitteinen käänteismatriisi toteuttaa ehdon AA A A I A, joka Suoraan laskemalla nähdään, että matriisi A toteuttaa myös lauseen 3... ehdot (i)- (iv), joten A on eäsingulaarisen matriisin A yleistetty käänteismatriisi: Lause A A Olkoon A m n-matriisi ja r(a) r. Olkoon AA QΛQ matriisin AA ääakselihajotelma, jossa Λ diag( λ, λ,, λ r,0,0,,0) on matriisin AA ominaisarvojen muodostama diagonaalimatriisi ja Q on vastaavien ominaisvektoreiden muodostama ortogonaalinen matriisi, jossa ominaisvektorit ovat sarakkeina. Tällöin matriisin A yleistetty käänteismatriisi on muotoa missä ja A ( AA ) A ( AA ) QΛ Q Λ diag( λ, λ,, λ r,0,0,,0) Koska olemme olettaneet, että r(a) r, niin lauseen.5.. mukaan myös r( AA ) r. Siten matriisilla AA on ääakselihajotelma AA QΛQ jossa Λ diag(,,,,0,0,,0) λ λ λ r on matriisin AA ominaisarvojen muodostama diagonaalimatriisi ja Q on vastaavien ominaisvektoreiden muodostama ortogonaalinen matriisi, jossa ominaisvektorit ovat sarakkeina. Määritellään matriisi B ( AA ) A jossa ja ( AA ) QΛ Q TKK Ilkka Mellin (007) 0/38
11 Λ diag( λ, λ,, λ r,0,0,,0) Suoraan laskemalla nähdään, että matriisi B toteuttaa lauseen 3... ehdot (i)-(iv), joten B on matriisin A yleistetty käänteismatriisi: Lause B ( AA ) A A Olkoon A m n-matriisi ja r(a) n. Tällöin A ( AA ) A Olkoon A m n-matriisi. Jos r(a) n, niin lauseen.5.. mukaan myös r( AA ) r. Siten matriisi AA on eäsingulaarinen ja lauseen mukaan ( AA ) ( AA ) ja lauseen mukaan A ( AA ) A Lause Olkoon A matriisin A yleistetty käänteismatriisi. Tällöin matriisit symmetrisiä ja idemotentteja eli rojektioita. AA ja AA ovat Olkoon A matriisin A yleistetty käänteismatriisi. Lauseen 3... kohdissa (iii) ja (iv) on todettu, että matriisit AA ja AA ovat symmetrisiä. Suoraan laskemalla nähdään, että matriisit Lauseen 3... kohdasta (ii) seuraa, että ( ) AA AAAA AA Lauseen 3... kohdasta (i) seuraa, että ( ) AA ja AA ovat idemotentteja: AA AA AA AA (AA ) AA AA AA Siten matriisit AA ja AA ovat rojektioita. Lause Olkoon matriisisi P symmetrinen ja idemotentti eli rojektio. Tällöin matriisin P yleistetty käänteismatriisi on matriisi P itse: P P Olkoon matriisi P symmetrinen ja idemotentti eli rojektio. TKK Ilkka Mellin (007) /38
12 Tällöin ja P P P PP P Suoraan laskemalla nähdään, että matriisi P toteuttaa lauseen 3... ehdot (i)-(iv), joten P on matriisin P yleistetty käänteismatriisi: P Sovellus: Lineaarinen regressiomalli Olkoon P y Xβ ε tavanomainen lineaarinen regressiomalli, jossa y selitettävän muuttujan y havaittujen ja satunnaisten arvojen y i, i,,, n muodostama n-vektori, X selittävien muuttujien x j, j,,, havaittujen ja kiinteiden (ei-satunnaisten) arvojen x ij, i,,, n, j,,, muodostama n -matriisi, n, r(x), β tuntemattomien ja kiinteiden regressiokertoimien β j, j,,, muodostama -vektori, ε jäännös- eli virhetermin ε ei-havaittujen ja satunnaisten arvojen ε i, i,,, n muodostama n-vektori. Regressiokertoimien vektori β estimoidaan tavallisesti ienimmän neliösumman menetelmällä, jossa β yritään valitsemaan siten, että neliösumma () n εi εε ( y Xβ)( y Xβ) yy β Xy β XXβ i minimoituu. Etsitään neliösumman () minimi derivoimalla neliösumma () vektorin β suhteen ja merkitsemällä derivaatta nollaksi. Soveltamalla matriisien derivointisääntöjä (ks. kaaletta 3.5.) saadaan normaaliyhtälö () εε Xy XXβ 0 β vektorin β ratkaisemiseksi. Jos matriisin X sarakkeet ovat lineaarisesti riiumattomia eli r(x), niin matriisi XX on eäsingulaarinen ja normaaliyhtälöllä () on yksikäsitteinen ratkaisu. Ratkaisuna on tavanomainen ienimmän neliösumman estimaattori b ( XX ) Xy Normaaliyhtälön () ratkaisu b tuottaa todellakin neliösumman () minimin, koska TKK Ilkka Mellin (007) /38
13 εε XX ββ ja matriisi XX on ositiivisesti definiitti, jos matriisin X sarakkeet ovat lineaarisesti riiumattomia eli r(x). Oletetaan nyt, että r(x) r <. Tällöin matriisi XX on singulaarinen ja regressiokertoimien vektorin β tavanomainen ienimmän neliösumman estimaattori ei ole olemassa. Olkoon XX QΛQ matriisin XX ääakselihajotelma, jossa Λ diag(λ, λ,, λ r, 0, 0,, 0) on matriisin XX ominaisarvojen muodostama diagonaalimatriisi ja Q on vastaavien ominaisvektoreiden muodostama ortogonaalinen matriisi, jossa ominaisvektorit ovat sarakkeina. Valitaan regressiokertoimien vektorin β estimaattoriksi -vektori jossa ja b X y ( XX ) Xy ( XX ) QΛ Q Λ diag( λ, λ,, λ r,0,0,,0) Estimaattori b on vektorin β ääkomonenttiestimaattori; ks. monisteen Monimuuttujamenetelmät lukua Pääkomonenttianalyysi. Jos matriisin X sarakkeet ovat lineaarisesti riiumattomia eli r(x) r, niin b b 3.3. Singulaariarvohajotelma Olkoon A mielivaltainen m n-matriisi. Symmetrisen neliömatriisin ääakselihajotelmaa vastaa yleisessä taauksessa ns. singulaariarvohajotelma. Singulaariarvohajotelma Lause Olkoon A m n-matriisi, m n, r(a) r. Tällöin on olemassa m n-matriisi P, n ndiagonaalimatriisi L ja n n-matriisi Q siten, että A PLQ Lisäksi matriisin P sarakkeet ovat ortonormaalisia eli P P I ja matriisi Q on ortogonaalinen eli Q Q QQ I TKK Ilkka Mellin (007) 3/38
14 Olkoon A m n-matriisi, m n, r(a) r, jolloin r( AA ) r. Tällöin matriisin AA ääakselihajotelma on muotoa AA QLQ jossa ja L 0 L 0 0 L diag( l, l,, l r ) on matriisin AA ositiivisten ominaisarvojen l, l,, l r muodostama diagonaalimatriisi ja Q on matriisin AA ominaisvektoreiden muodostama ortogonaalinen n nmatriisi: QQ QQ I Ositetaan matriisi Q sarakkeittensa suhteen seuraavalla tavalla: Q [ Q Q ] jossa n r-matriisin Q sarakkeina on matriisin AA ositiivisia ominaisarvoja l, l,, l r vastaavat ominaisvektorit ja n (n r)-matriisin Q sarakkeina on matriisin nollaominaisarvoja vastaavat ominaisvektorit. Siten matriisin AA ääakselihajotelma voidaan kirjoittaa muotoon josta seuraa yhtälö AA QLQ QAAQ L Määritellään m r-matriisi P seuraavalla kaavalla: P AQ L jossa siis L diag( l, l,, l r ) Matriisin P sarakkeet ovat ortonormaalisia, koska PP L Q AAQL L LL I r Koska olemme olettaneet, että m n, matriisi P voidaan täydentää Gramin ja Schmidtin ortogonalisointimenetelmällä ortogonaaliseksi m m-matriisiksi P [ P P ] Kertomalla yhtälö muoto P AQ L oikealta matriisilla LQ saadaan matriisille A esitys- TKK Ilkka Mellin (007) 4/38
15 A PLQ [ P P ] L 0 Q 0 0 Q PLQ jossa n n-matriisi Q on määritelty edellä ja L on m n-matriisi, jonka vasemman yläkulman lohkon muodostaa matriisi L. Koska matriisin L (m n) viimeistä riviä ovat nollia, matriisi A voidaan esittää myös muodossa A PLQ jossa m n-matriisi P saadaan ottamalla matriisista P n ensimmäistä saraketta, n ndiagonaalimatriisi L ja n n-matriisi Q on määritelty edellä. Lisäksi matriisin P sarakkeet ovat ortonormaalisia ja matriisi Q on ortogonaalinen. Kutsumme lauseessa 3.3. määriteltyä matriisihajotelmaa A PLQ matriisin A singulaariarvohajotelmaksi. Lauseessa on oletettu, että A on m n-matriisi, jossa m n. Jos m n, niin matriisin A singulaariarvohajotelma saadaan transonoimalla matriisin A singulaariarvohajotelma A PLQ eli tällöin matriisin A singulaariarvohajotelma on muotoa A QLP Singulaariarvot Matriisin A singulaariarvohajotelman A PLQ diagonaalimatriisin L diag(l, l,, l r ) diagonaalialkioita kutsutaan matriisin A singulaariarvoiksi. Singulaariarvohajotelman tulkinta Jokainen lineaarikuvaus voidaan esittää yhdistämällä kierto, venytys ja kierto (kierrot yhdistettyinä mahdollisiin eilauksiin), koska kuvausta vastaava matriisi A voidaan esittää kiertoa vastaavan ortogonaalisen matriisin Q, venytystä vastaavan diagonaalimatriisin L ja toista kiertoa vastaavan ortogonaalisen matriisin P tulona. Singulaariarvohajotelman ominaisuuksia Olkoon A m n-matriisi, m n, r(a) r ja olkoon A PLQ matriisin A singulaariarvohajotelma, missä P sarakeiltaan ortonormaalinen m n-matriisi: P P I Q ortogonaalinen n n-matriisi: Q Q QQ I L diag(l, l,, l r, 0,, 0) on n n-diagonaalimatriisi TKK Ilkka Mellin (007) 5/38
16 Olkoot P [ n ] Q [q q q n ] missä i matriisin P i. sarakevektori, i,,, n q i matriisin Q i. sarakevektori, i,,, n Lause Olkoon A m n-matriisi, m n, r(a) r. Matriisi A voidaan aina esittää ositiivisten singulaariarvojensa l i i,,, r ja niitä vastaavien vektoreiden i ja q i, i,,, r avulla muodossa Lause r A l q i i i i Olkoon A m n-matriisi, r(a) r ja olkoon A PLQ matriisin A singulaariarvohajotelma. Tällöin ätee: (i) P AQ L (ii) A A QL Q (iii) AA PL P (i) Kertomalla matriisin A singulaariarvohajotelma A PLQ vasemmalta matriisilla P ja oikealta matriisilla Q saadaan yhtälö P AQ P PLQ Q L (ii) AA PLQ QLP PL P (iii) A A QLP PLQ QL Q Huomautus : Matriiseilla A A ja AA on Lauseen kohtien (ii) ja (iii) mukaan samat ominaisarvot, mutta eri ominaisvektorit. Huomautus : Matriisien A A ja AA ominaisarvoina ovat Lauseen kohtien (ii) ja (iii) mukaan matriisin A singulaariarvojen neliöt. Lause Olkoon A m n-matriisi, m n, r(a) r ja olkoon A PLQ matriisin A singulaariarvohajotelma. Tällöin matriisin A Moore-Penrose-inverssi voidaan esittää muodossa A TKK Ilkka Mellin (007) 6/38
17 jossa A QL P L diag( l, l,, l r,0,0,,0) Olkoon A m n-matriisi, m n, r(a) r ja olkoon A PLQ matriisin A singulaariarvohajotelma. Suoraan laskemalla nähdään, että matriisi QL P toteuttaa lauseen 3... ehdot, joten matriisi QL P on matriisin A Moore-Penrose-inverssi: A QL P Sovellus: Lineaarinen regressiomalli Olkoon y Xβ ε kaaleessa 3.. määritelty tavanomainen lineaarinen regressiomalli, jossa y on selitettävän muuttujan y havaittujen ja satunnaisten arvojen muodostama n-vektori, X on selittävien muuttujien x j, j,,, havaittujen ja ei-satunnaisten arvojen muodostama n -matriisi, n, r(x), β on tuntemattomien regressiokertoimien muodostama -vektori ja ε on jäännös- eli virhetermin ε ei-havaittujen ja satunnaisten arvojen muodostama n-vektori. Jos matriisi X on täysiasteinen eli r(x), niin vektorin β tavanomaiseksi ienimmän neliösumman estimaattoriksi saadaan (ks. kaaletta 3..) b ( XX ) Xy Jos matriisi X ei ole täysiasteinen eli r(x) r <, niin tavanomainen ienimmän neliösumman estimaattori ei ole olemassa. Tällöin regressiokertoimien vektorin β estimaattoriksi voidaan valita vektorin β ääkomonenttiestimaattori jossa b X y X on matriisin X Moore-Penrose-inverssi. Lauseen mukaan vektorin β ääkomonenttiestimaattori singulaariarvohajotelman X PLQ avulla muodossa b X y QL Py b voidaan esittää matriisin X Jos matriisin X sarakkeet ovat lineaarisesti riiumattomia eli r(x) r, niin b b TKK Ilkka Mellin (007) 7/38
18 3.4. Matriisien kääntäminen Lineaaristen mallien ja monimuuttujamenetelmien teoriassa on usein hyötyä seuraavasta käänteismatriisin laskukaavasta ja sen erikoistaauksista. Käänteismatriisin laskukaavat Lause Olkoon A eäsingulaarinen m m-matriisi, x ja y kaksi m-vektoria sekä k. Tällöin Merkitään jolloin ( A kxy ) A c k k ya x ka xya k ya x ka xya A A A xya kya x Suoraan laskemalla saadaan koska c [ A kxy ] A ca xya I cxya kxya ckxya xya I x k c( kya x) ya I k c( kya x) xya I ya x c( k ) k Vastaavalla tavalla saadaan [ k ] c Yhdistämällä saadut tulokset nähdään, että ( A kxy ) A ca xya jossa A A xy A A xy I c k kya x /( ) TKK Ilkka Mellin (007) 8/38
19 Lause Olkoon A eäsingulaarinen m m-matriisi, C eäsingulaarinen n n-matriisi ja B m nmatriisi. Tällöin ( A BCB ) A A B( BA B C ) BA A A B( BA B) BA Suoraan laskemalla saadaan A B( BA B) ( BA B) C ( BA B) BA [ A BCB ] A A B( BA B C ) BA Vastaavalla tavalla saadaan I B( BA B C ) BA BCB A BCB A B( B A B C ) B A I B BC( B A B C ) BCB A B ( B A B C ) I B BCB A B BCC BCB A B ( B A B C ) I B BCBA B B BCBA B ( BA B C ) I [ ] ( ) Yhdistämällä saadut tulokset nähdään, että ( A BCB ) A A B( BA B C ) BA A A B BA B C BA A BCB I Kaavan toinen muoto saadaan todistetuksi juuri johdettua kaavaa lausekkeeseen ( BA B C ) Lauseen erikoistaauksena saadaan seuraava lause: Lause (i) Olkoon A eäsingulaarinen m m-matriisi ja B m n-matriisi. Tällöin ( A BB ) A A B( BA B I) BA A A B( BA B) BA (ii) A B( BA B) ( BA B) I ( BA B) BA Olkoon A eäsingulaarinen m m-matriisi ja x m-vektori. Tällöin ( A xx ) A A x( xa x ) xa A A x( xa x) xa A x( xa x) ( xa x) ( xa x) xa TKK Ilkka Mellin (007) 9/38
20 3.5. Matriisien derivointi. kertaluvun osittaisderivaattaoeraattoreiden vektori Olkoon x (x, x,, x ) -vektori. Tällöin. kertaluvun osittaisderivaattaoeraattoreiden vektori on -vektori D x,,, x x x x missä x. kertaluvun osittaisderivaattaoeraattori muuttujan x i suhteen, i i,,, Vektorin D x transoosi on -matriisi D x x x x x Funktion gradientti Olkoon y f( x ) f( x, x,, x ) avaruuden reaaliarvoinen funktio: f : Tällöin -vektori f( x) f( x) f( x) f( x) Dx f ( x),,, x x x x on funktion f gradientti isteessä x. Gradienttivektori osoittaa isteestä x siihen suuntaan, jossa funktio f kasvaa noeimmin.. kertaluvun osittaisderivaattaoeraattoreiden matriisi Olkoon x (x, x,, x ) -vektori. Tällöin. kertaluvun osittaisderivaattaoeraattoreiden matriisi on -matriisi D x xx xx D D xx x xx x x xx xx xx x x x x TKK Ilkka Mellin (007) 0/38
21 missä x x i j. kertaluvun osittaisderivaattaoeraattori muuttujien x i ja x j suhteen, i, j,,,. kertaluvun osittaisderivaattaoeraattoreiden matriisi Olkoon X [x ij ] n -matriisi. Tällöin. kertaluvun osittaisderivaattaoeraattoreiden matriisi on n -matriisi x x x x x x X xn xn x n missä. kertaluvun osittaisderivaattaoeraattori muuttujan x ij suhteen, x ij i,,, n, j,,..., Seuraavassa esitetään joukko hyödyllisiä matriisilausekkeiden derivointikaavoja. Vektoreiden lineaarikombinaatioiden derivointi Lause Olkoot a ja x -vektoreita. Tällöin (i) ( ax ) a x (ii) ( ax ) a x Olkoot a (a, a,, a ) ja x (x, x,, x ) -vektoreita. (i) Koska niin ja siten ax ax i i x i i ( ax ) a, i,,, i TKK Ilkka Mellin (007) /38
22 (ii) ( ax ) ( a, a,, a ) a x Kohta (ii) seuraa kohdasta (i) transonoimalla. Vektorin normin neliön derivointi Lause Olkoon x -vektori. Tällöin ( xx ) x x Olkoon x (x, x,, x ) -vektori. Koska niin ja siten Huomaa, että xx x x i i i ( xx ) x, i,,, i ( xx ) ( x, x,, x ) x x x xx on vektorin x normi eli ituus. Bilineaarimuotojen ja neliömuotojen derivointi Lause Olkoot A n -matriisi ja y -vektori. Tällöin ( Ay) A y Olkoot A [a ij ] n -matriisi ja y (y, y,, y ) -vektori. Tällöin Ay on n-vektori, jonka i. alkio on [ Ay ] ay, i,,, n i ij j j TKK Ilkka Mellin (007) /38
23 Koska niin ja siten y k [ Ay ] a, k,,,, i,,, n i ik [ Ay] i ( ai, ai,, ai), i,,, n y ( Ay) A y Lause Olkoot A n -matriisi, x n-vektori ja y -vektori. Tällöin (i) ( xay ) Ay x (ii) ( xay ) Ax y Olkoon A n -matriisi, x n-vektori ja y -vektori. (i) Olkoon a Ay Tällöin x Ay x Ay x a a x Lauseen kohdasta (i) seuraa, että ( xay ) ( ax ) a Ay x x (ii) Kohta (ii) seuraa kohdasta (i), koska xay ( xay ) yax Lause Olkoon A -matriisi ja x -vektori. Tällöin (i) ( xax ) ( A A ) x x (ii) ( xax ) A A xx TKK Ilkka Mellin (007) 3/38
24 Olkoon A [a ij ] -matriisi ja x (x, x,, x ) -vektori. Tällöin (i) xax axx i j ij i j Suoraan laskemalla saadaan ( xax ) a x a x, k,,, kj j ik i x k j i ja siten ( xax ) Ax Ax ( A A ) x x (ii) Tulos seuraa kohdan (i) tuloksesta ja lauseesta Lause Olkoon A symmetrinen -matriisi ja x -vektori. Tällöin (i) ( xax ) Ax x (ii) ( xax ) A xx Olkoon A [a ij ] symmetrinen -matriisi ja x (x, x,, x ) -vektori. (i) Koska matriisi A on oletettu symmetriseksi, niin A A Siten tulos seuraa suoraan lauseesta (ii) Tulos seuraa kohdan (i) tuloksesta ja lauseesta Lause Olkoon X n -matriisi, a n-vektori ja b -vektori. Tällöin ( axb ) ab X Olkoon X [x ij ] n -matriisi, a (a, a,, a n ) n-vektori ja b (b, b,, b ) - vektori. Tällöin n axb x ab i j ij i j TKK Ilkka Mellin (007) 4/38
25 Koska niin x ij ( axb ) ab, i, j,,, ( axb ) ab X i j Determinantin derivointi Lause Olkoon X -matriisi. Tällöin X [adj( X )] X Olkoon X [x ij ] -matriisi. Palautetaan mieleen, että matriisin X adjungoitu matriisi X X X X X X adj( X) X X X on -matriisi, joka saadaan korvaamalla matriisin X i. rivin ja j. sarakkeen alkio x ij alkion x ji kofaktorilla j i X ( ) X ( j, i), j, i,,, ji jossa X(j, i) on matriisin X ( ) ( )-alimatriisi, joka saadaan oistamalla matriisista X j. rivi ja i. sarake. Kehittämällä matriisin X determinantti X sen i. rivin suhteen (ks. lause.3..) saadaan lauseke Siten ja edelleen m X xij X x ij X X j X X ij ij [adj( X)] [adj( X )] TKK Ilkka Mellin (007) 5/38
26 Lause Olkoon X -matriisi. Tällöin log X X ( X ) Lauseista ,.3.4. ja.4.3. seuraa, että log X X adj( X ) adj( X ) ( X ) X X X X X Matriisin käänteismatriisin derivointi Lause Olkoon X [x ij ] eäsingulaarinen -matriisi. Tällöin X x ij X E X ij jossa E ij on -matriisi, jonka ainoa nollasta oikkeava alkio on ykkönen aikassa (i, j). Olkoon X [x ij ] eäsingulaarinen -matriisi. Tällöin Siten joten ja edelleen Koska niin XX I XX X X X X 0,, i j,,, x x x ij ij ij X X X X,, i j,,, x x X x ij ij ij X X X,, i j,,, x X, kun r i, s j xij 0, muulloin rs ij TKK Ilkka Mellin (007) 6/38
27 X x ij E ij Siten X x ij X E X ij Matriisin jäljen derivointi Lause Olkoon X -matriisi. Tällöin tr( X) I X Olkoon X [x ij ] -matriisi. Tällöin tr( X ) x i ii Koska tr( X), i j xij 0, i j niin tr( X) I X Lause Olkoon A n -matriisi ja X n-matriisi. Tällöin tr( AX) A X Olkoon A [a ij ] n -matriisi ja X [x ij ] n-matriisi. Tällöin ja tr( AX ) [ AX ] a x, i, j,,, n ij ik kj k n i k a x ik ki TKK Ilkka Mellin (007) 7/38
28 Koska niin Lause tr( AX) aji, i,,, n, j,,, x ij tr( AX) A X Olkoon A n -matriisi, X -matriisi ja B n-matriisi. Tällöin tr( AXB) A B X Todetaan ensin, että transoosin ominaisuuksien erusteella tr( AXB) tr( BAX ) Merkitään BA C Soveltamalla lausetta nähdään, että tr( CX) C ( AB) B A X Lause Olkoon A m m-matriisi ja X m -matriisi. Tällöin tr( XAX ) AX AX X Olkoon A [a ij ] m m-matriisi ja X [x ij ] m -matriisi. Tällöin ja jolloin m ls lk ks k [ AX ] a x, l,,, m, s,,, m m m m m [ XAX ] x [ AX ] x a x a x x, r, s,,, rs lr ls lr lk ks lk lr ks l l k l k tr( XAX ) m m r l k a x x lk lr kr TKK Ilkka Mellin (007) 8/38
29 Koska x ij tr( XAX ) x m m m ij r l k m a x x lk lr kr ax a x, i,,, m, j,,, li lj ik kj l k niin tr( XAX ) AX AX X Yleistyksenä lauseelle voidaan todistaa: Lause Olkoon A m m-matriisi, B -matriisi ja X m -matriisi. Tällöin tr( BX AX) A XB AXB X Olkoon A [a ij ] m m-matriisi, B [b ij ] -matriisi ja X [x ij ] m -matriisi. Tällöin Koska niin tr( BX AX ) x ij m m s r l k tr( BX AX) x abxx lk sr lr ks m m ij s r l k m m m m abxx lk sr lr ks ab x ab x, i,, m, j,,, li jr lr ik sj ks r l s k tr( BX AX) A XB AXB X 3.6. Bilineaari- ja neliömuotojen maksimointi Bilineaarimuodot Olkoon A [a ij ] n -matriisi, r(a) r, x (x, x,, x n ) n-vektori ja y (y, y,, y ) - vektori. Kutsumme reaalilukua n xay axy i j matriisin A bilineaarimuodoksi. ij i j TKK Ilkka Mellin (007) 9/38
30 Bilineaarimuotojen maksimointi Maksimoidaan matriisin A bilineaarimuoto x Ay ehdoilla x y Olkoon A PLQ matriisin A singulaariarvohajotelma. Tällöin P sarakkeidensa suhteen ortonormaalinen n -matriisi: P P I Q ortogonaalinen -matriisi: Q Q I L diag(l, l,, l r, 0,, 0) on -diagonaalimatriisi Olkoot P [ ] Q [q q q ] missä i matriisin P i. sarakevektori, i,,, q i matriisin Q i. sarakevektori, i,,, Matriisien P, Q ja L sarakkeet voidaan aina järjestää niin, että l l l r > 0 Lause Matriisin A bilineaarimuodon xay maksimi muuttujien x ja y suhteen ehtojen x y ätiessä on matriisin A suurin singulaariarvo l ja maksimi saavutetaan, kun x y q missä on matriisin A suurinta singulaariarvoa l vastaava matriisin P sarake ja q on vastaava matriisin Q sarake. Koska haluamme maksimoida bilineaarimuodon xay ehtojen x y ätiessä, sovellamme Lagrangen menetelmää sidottujen ääriarvojen määräämisessä. Maksimoitava funktio on siten muotoa u xay k( xx ) l( yy ) jossa k ja l ovat Lagrangen kertoimet. TKK Ilkka Mellin (007) 30/38
31 Derivoidaan u vuorollaan muuttujien x, y, k ja l suhteen ja merkitään derivaatat nolliksi. Saamme lauseiden ja nojalla muuttujien x, y, k ja l ratkaisemiseksi normaaliyhtälöt () u Ay kx 0 x u () Ax ly 0 y u (3) ( ) 0 xx k u (4) ( ) 0 yy l Kertomalla yhtälö () vasemmalta vektorin x transoosilla saadaan yhtälön (3) nojalla yhtälö (5) xay k Transonoimalla yhtälö () saadaan yhtälö (6) xa ly 0 Kertomalla yhtälö (6) oikealta vektorilla y saadaan yhtälön (4) nojalla yhtälö (7) xay l Yhtälöistä (5) ja (7) nähdään, että k l xay Yhtälöistä (5) ja (7) nähdään myös, että bilineaarimuoto xaymaksimoituu valinnoilla x y q jossa vektorit ja q vastaavat matriisin A suurinta singulaariarvoa l ja maksimin arvo on xay l Käyttämällä Lagrangen menetelmää hyvin samaan taaan kuin lauseen todistuksessa voidaan todistaa seuraava lause: Lause Matriisin A bilineaarimuodon xay maksimi muuttujien x ja y suhteen ehtojen x y x x i 0 yq yqi 0 i,,, r ätiessä on matriisin A (i). singulaariarvo l i ja maksimi saavutetaan, kun TKK Ilkka Mellin (007) 3/38
32 x i y q i missä i on matriisin A (i). singulaariarvoa l i vastaava matriisin P sarake ja q i on vastaava matriisin Q sarake. Neliömuodot Olkoon A [a ij ] symmetrinen -matriisi ja x (x, x,, x ) -vektori. Kutsumme reaalilukua xax axx matriisin A neliömuodoksi. i j Neliömuotojen maksimointi ij i j Maksimoidaan matriisin A neliömuoto x Ax ehdolla Olkoon x A QΛQ matriisin A ääakselihajotelma. Tällöin Q on ortogonaalinen -matriisi: ja Q Q QQ I Λ diag(λ, λ,, λ ) on -diagonaalimatriisi. Olkoon missä Q [q q q ] q i matriisin Q i. sarakevektori, i,,, Matriisien Q ja Λ sarakkeet voidaan aina järjestää niin, että λ λ λ Lause Matriisin A neliömuodon xax maksimi muuttujan x suhteen ehdon x ätiessä on matriisin A suurin ominaisarvo λ ja maksimi saavutetaan, kun x q missä q on matriisin A suurinta ominaisarvoa λ vastaava ominaisvektori. TKK Ilkka Mellin (007) 3/38
33 Koska haluamme maksimoida neliömuodon xax ehdon x ätiessä sovellamme Lagrangen menetelmää sidottujen ääriarvojen määräämisessä. Maksimoitava funktio on siten muotoa v xax λ( xx ) jossa λ on Lagrangen kerroin. Derivoidaan v vuorollaan muuttujien x ja suhteen ja merkitään derivaatat nolliksi. Saamme lauseiden ja nojalla muuttujien x ja λ ratkaisemiseksi normaaliyhtälöt () u Ax λx 0 x u () xx 0 λ Kertomalla yhtälö () vasemmalta vektorin x transoosilla saadaan yhtälön () nojalla yhtälö (3) xax λ Yhtälöstä (3) nähdään välittömästi, että neliömuoto xax maksimoituu valinnalla x q jossa vektori q vastaa matriisin A suurinta ominaisarvoa λ ja maksimin arvo on xax λ Käyttämällä Lagrangen menetelmää hyvin samaan taaan kuin lauseen todistuksessa voidaan todistaa seuraava lause: Lause Matriisin A neliömuodon xax maksimi muuttujan x suhteen ehtojen x xq xq i 0 i,,, ätiessä on matriisin A (i). ominaisarvo λ i ja maksimi saavutetaan, kun x q i missä q i on matriisin A (i). ominaisarvoa λ i vastaava ominaisvektori. TKK Ilkka Mellin (007) 33/38
34 3.7. Kroneckerin tulo Kroneckerin tulo Olkoon A [a ij ] m n-matriisi ja B q-matriisi. Matriisien A ja B Kroneckerin tulo eli tensoritulo on m nq-matriisi ab ab a nb a a a B B nb A B amb amb amnb Laskusääntöjä Kroneckerin tulolle Lause Oletetaan, että so. matriisien dimensiot ovat sellaisia, että seuraavien kaavojen laskutoimitukset ovat luvallisia. (i) c( A B) ( ca) B A ( cb ) (ii) A ( B C) A B A C (iii) ( A B) C A C B C (iv) A ( B C) ( A B) C (v) ( A B)( C D) ( AC) ( BD ) (vi) ( A B) A B (vii) tr( A B) tr( A) tr( B ) (viii) Olkoot A ja B eäsingulaarisia matriiseja. Tällöin niiden Kroneckerin tulo A B on eäsingulaarinen ja ( A B) A B (ix) Olkoon A eäsingulaarinen m m-matriisi ja B eäsingulaarinen -matriisi. Tällöin A B A B m (i) Oletetaan, että A [a ij ] on m n-matriisi ja B [b kl ] on q-matriisi. Matriisin ab a nb A B am B a mnb yleinen alkio on muotoa a ij b kl. Reaalilukujen kertolaskun liitäntälain mukaan c(a ij b kl ) (ca ij )b kl a ij (cb kl ) TKK Ilkka Mellin (007) 34/38
35 (ii) Koska ca ij on matriisin ca yleinen alkio ja cb kl on matriisin cb yleinen alkio, niin ja Siten ab a nb c( A B) c am B amnb ( ca) B ( ca n) B ( cam ) B ( camn) B ( ca) B ab a nb c( A B) c am B amnb a( cb) a n( cb) am ( cb) amn( cb) A ( cb) c( A B) ( ca) B A ( cb ) Olkoon A [a ij ] m n-matriisi ja B ja C q-matriiseja. Ositettujen matriisien laskusäännöistä seuraa, että a( B C) a n( B C) A ( B C) am ( B C) amn( B C) ab ac a nb a nc am B am C amnb a mnc ab a nb ac a nc am B a mnb amc a mnc A B A C (iii) Kohta (iii) todistetaan samalla tavalla kuin kohta (ii). (iv) Kaava seuraa samaan taaan kuin kohta (i) reaalilukujen kertolaskun liitäntälaista. (v) Oletetaan, että A [a ij ] on m n-, B on q-, C [c kl ] on n r- ja D on q smatriisi. Ositettujen matriisien laskusäännöistä seuraa, että TKK Ilkka Mellin (007) 35/38
36 ab a nb cd c rd ( A B)( C D) am B amnb cnd cnrd n n ajcjbd ajcjrbd j j n n amjcj amjc jr BD BD j j [ AC] BD [ AC] r BD [ AC] mbd [ AC] mrbd ( AC) ( BD) (vi) Oletetaan, että A [a ij ] on m n-matriisi ja B on q-matriisi. Ositettujen matriisien laskusäännöistä seuraa, että ab a nb ( A B) am B a mnb a B a mb a nb a mnb A B (vii) Oletetaan, että A [a ij ] on m m-matriisi ja B [b kl ] on -matriisi. Tällöin m n n ab ii jj aii bjj aii i j i j i tr( A B) tr( B) tr( A) tr( B ) (viii) Kohdasta (v) seuraa, että ja Siten ( )( ) ( ) ( ) A B A B AA BB I I I ( )( ) ( ) ( ) A B A B A A B B I I I ( A B) A B (ix) Oletetaan, että A [a ij ] on m m-matriisi ja B on -matriisi. Oletetaan lisäksi, että matriisit A ja B ovat molemmat eäsingulaarisia. Olkoon A i (m i) (m i)-matriisi, joka saadaan matriisista A oistamalla sen i ensimmäistä riviä ja saraketta. Olkoon lisäksi a i (m i)-vektori, joka saadaan matriisin A i. rivivektorista oistamalla sen i ensimmäistä alkiota ja a i (m i)- vektori, joka saadaan oistamalla matriisin A i. sarakevektorista sen i ensimmäistä alkiota. TKK Ilkka Mellin (007) 36/38
37 Tehdään matriisille A seuraava ositus: a a A a A i i Tällöin a B a i B A B ai B A B Ositettujen matriisien laskusääntöjen nojalla (ks. lausetta.6..) A B a B ( a B)( A B) ( a B) A B i i Koska A on oletettu eäsingulaariseksi, voimme olettaa yleisyyden liikaa kärsimättä, että matriisit A i, i,,, (m ) ovat eäsingulaarisia. Siten kohdista (v) ja (viii) seuraa, että ( a B)( A B) ( a B) ( a A a ) B i i i i jossa aa ai on skalaari, jolloin i a B ( a B)( A B) ( a B) i i ( a aa a) B i i ( a aa a) B i i Ositettujen matriisien laskusääntöjen nojalla (ks. lausetta.6..) ja siten A ( a a A a ) A i i ( a a A a ) A A i i Siten olemme saaneet matriisin determinantille A B lausekkeen () A B A A B A B Soveltamalla kuvattua oeraatiota determinanttiin A B saadaan lauseke () A B A A B A B Yhdistämällä lauseke () lausekkeeseen () saadaan A B A A B A B Jatkamalla kuvattua oeraatiota vielä (m ) kertaa saamme kaavan Koska niin m A B A A B A B A m a mm m m TKK Ilkka Mellin (007) 37/38
38 A B m a B mm a B mm Koska lisäksi A m a mm niin saamme loulta haluamamme tuloksen: A B A B m TKK Ilkka Mellin (007) 38/38
Johdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
Lisätiedot800350A / S Matriisiteoria
800350A / 800693S Matriisiteoria Emma Leppälä Tero Vedenjuoksun luentomonisteen pohjalta 15 syyskuuta 2017 Sisältö 1 Lineaarialgebraa 2 11 Merkintöjä 2 12 Matriisien perusominaisuuksia 4 13 Matriisien
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47
MS-A3/A5 Matriisilaskenta Malliratkaisut 4 / vko 47 Tehtävä 1 (L): Oletetaan, että AB = AC, kun B ja C ovat m n-matriiseja. a) Näytä, että jos A on kääntyvä, niin B = C. b) Seuraako yhtälöstä AB = AC yhtälö
LisätiedotLineaariset yhtälöryhmät ja matriisit
Lineaariset yhtälöryhmät ja matriisit Lineaarinen yhtälöryhmä a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a 2n x n = b 2. a m1 x 1 + a m2 x 2 + + a mn x n = b m, (1) voidaan esittää
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
LisätiedotSingulaariarvohajotelma ja pseudoinverssi
HELSINGIN YLIOPISTO Pro gradu -tutkielma Niko Kaitarinne Singulaariarvohajotelma ja pseudoinverssi Matematiikan ja tilastotieteen laitos Matematiikka Helmikuu 01 Helsingin yliopisto Matematiikan ja tilastotieteen
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
LisätiedotOrtogonaalinen ja ortonormaali kanta
Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut
MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotOminaisvektoreiden lineaarinen riippumattomuus
Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin
LisätiedotMatriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi
MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.
LisätiedotLineaarialgebra ja matriisilaskenta II. LM2, Kesä /141
Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.
Lisätiedot3.2.2 Tikhonovin regularisaatio
3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M
LisätiedotOsitetuista matriiseista
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Anja Kuronen Ositetuista matriiseista Matematiikan ja tilastotieteen laitos Matematiikka Joulukuu 2010 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
Lisätiedot5 OMINAISARVOT JA OMINAISVEKTORIT
5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön
LisätiedotInformaatiotieteiden yksikkö. Lineaarialgebra 1A. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen
Informaatiotieteiden yksikkö Lineaarialgebra 1A Pentti Haukkanen Puhtaaksikirjoitus: Joona Hirvonen . 2 Sisältö 1 Matriisit, determinantit ja lineaariset yhtälöryhmät 4 1.1 Matriisit..............................
Lisätiedot10 Matriisit ja yhtälöryhmät
10 Matriisit ja yhtälöryhmät Tässä luvussa esitellään uusi tapa kirjoittaa lineaarinen yhtälöryhmä matriisien avulla käyttäen hyväksi matriisikertolaskua sekä sarakevektoreita Pilkotaan sitä varten yhtälöryhmän
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
LisätiedotTyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5
MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää
Lisätiedotominaisvektorit. Nyt 2 3 6
Esimerkki 2 6 8 Olkoon A = 40 0 6 5. Etsitäänmatriisinominaisarvotja 0 0 2 ominaisvektorit. Nyt 2 0 2 6 8 2 6 8 I A = 40 05 40 0 6 5 = 4 0 6 5 0 0 0 0 2 0 0 2 15 / 172 Täten c A ( )=det( I A) =( ) ( 2)
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. Olkoot A 2 := AA =
3 3 Olkoot 9 8 B 7 6 ja A 5 4 [ 3 4 Nyt A + B, AB ja BB eivät ole mielekkäitä (vastaavilla lineaarikuvauksilla menisivät dimensiot solmuun tällaisista yhdistelmistä) Kuitenkin voidaan laskea BA ja 9( )
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b
LisätiedotAlkeismuunnokset matriisille, sivu 57
Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
Lisätiedot1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät
1 1 LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT Muotoa 11 Lineaariset yhtälöryhmät (1) a 1 x 1 + a x + + a n x n b oleva yhtälö on tuntemattomien x 1,, x n lineaarinen yhtälö, jonka kertoimet ovat luvut a 1,,
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
LisätiedotTalousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotMatriisipotenssi. Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: ja A 0 = I n.
Matriisipotenssi Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: Määritelmä Oletetaan, että A on n n -matriisi (siis neliömatriisi) ja k
LisätiedotRatkaisuehdotukset LH 8 / vko 47
Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Merkintöjä 1 Matriisi on suorakulmainen lukukaavio.
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 3
Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,
LisätiedotLineaariset mollit, kl 2017, Harjoitus 1
Lineaariset mollit, kl 07, Harjoitus Heikki Korpela 7 huhtikuuta 07 Tehtävä Symmetristä matriisia A(n n) sanotaan positiivisesti definiitiksi (merkitään A > 0), jos x T Ax > 0 kaikilla x 0, x R n (ks monisteen
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotVille Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ( 0, 4, ( ( 1 4 2, a 11 a 12 a 21 a 22 Kaavio kirjoitetaan kaarisulkujen väliin (amer. kirjoissa
LisätiedotInformaatiotieteiden yksikkö. Lineaarialgebra 1A. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen
Informaatiotieteiden yksikkö Lineaarialgebra 1A Pentti Haukkanen Puhtaaksikirjoitus: Joona Hirvonen . 2 Sisältö 1 Matriisit, determinantit ja lineaariset yhtälöryhmät 4 1.1 Matriisin määritelmä.......................
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
LisätiedotInformaatiotieteiden yksikkö. Lineaarialgebra 1A. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen
Informaatiotieteiden yksikkö Lineaarialgebra 1A Pentti Haukkanen Puhtaaksikirjoitus: Joona Hirvonen . 2 Sisältö 1 Matriisit, determinantit ja lineaariset yhtälöryhmät 4 1.1 Matriisin määritelmä.......................
Lisätiedot2.8. Kannanvaihto R n :ssä
28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotMääritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot