Matemaattinen Analyysi, k2012, L1

Samankaltaiset tiedostot
Lineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.

Ortogonaalinen ja ortonormaali kanta

Kertausta: avaruuden R n vektoreiden pistetulo

Vastaavasti, jos vektori kerrotaan positiivisella reaaliluvulla λ, niin

Kertausta: avaruuden R n vektoreiden pistetulo

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Lineaarialgebra ja matriisilaskenta I

Matriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

1.1. Määritelmiä ja nimityksiä

Ominaisvektoreiden lineaarinen riippumattomuus

Matriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =

Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia

Matriisipotenssi. Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: ja A 0 = I n.

Pienimmän neliösumman menetelmä (PNS)

BM20A0700, Matematiikka KoTiB2

5 Ominaisarvot ja ominaisvektorit

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Käänteismatriisi 1 / 14

9 Matriisit. 9.1 Matriisien laskutoimituksia

Insinöörimatematiikka D

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS)

Talousmatematiikan perusteet: Luento 8. Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo

Moniulotteisia todennäköisyysjakaumia

9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa

Lineaarialgebra MATH.1040 / voima

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Pienimmän Neliösumman menetelmä (PNS)

Pistetulo eli skalaaritulo

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

802320A LINEAARIALGEBRA OSA II

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti

1 Ominaisarvot ja ominaisvektorit

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

1 Sisätulo- ja normiavaruudet

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 1 / vko 44

VEKTORIT paikkavektori OA

Talousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo

3. Kirjoita seuraavat joukot luettelemalla niiden alkiot, jos mahdollista. Onko jokin joukoista tyhjä joukko?

MS-C1340 Lineaarialgebra ja

Vektorialgebra 1/5 Sisältö ESITIEDOT: vektori

Insinöörimatematiikka D

Vektorit, suorat ja tasot

Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.

y z = (x, y) Kuva 1: Euklidinen taso R 2

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

1 Lineaariavaruus eli Vektoriavaruus

Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37

802320A LINEAARIALGEBRA OSA I

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

Lineaarialgebra ja matriisilaskenta I

Ortogonaalisen kannan etsiminen

Insinöörimatematiikka D

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Matriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.

MS-A0002 Matriisilaskenta Luento 1:Vektorit ja lineaariyhdistelyt

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

Johdatus matematiikkaan

Suorat ja tasot, L6. Suuntajana. Suora xy-tasossa. Suora xyzkoordinaatistossa. Taso xyzkoordinaatistossa. Tason koordinaattimuotoinen yhtälö.

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

1. Normi ja sisätulo

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Korrelaatiokerroin. Hanna Heikkinen. Matemaattisten tieteiden laitos. 23. toukokuuta 2012

7 Vapaus. 7.1 Vapauden määritelmä

Matemaattinen Analyysi, s2016, L2

Matemaattinen Analyysi / kertaus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Determinantti 1 / 30

6 MATRIISIN DIAGONALISOINTI

Hilbertin avaruudet, 5op Hilbert spaces, 5 cr

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

Ominaisarvo ja ominaisvektori

(1.1) Ae j = a k,j e k.

Oppimistavoitematriisi

Lineaariset mollit, kl 2017, Harjoitus 1

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

l 1 2l + 1, c) 100 l=0

Sisätuloavaruudet. 4. lokakuuta 2006

a b 1 c b n c n

Tyyppi metalli puu lasi työ I II III

Ortogonaaliset matriisit, määritelmä 1

Piste ja jana koordinaatistossa

Talousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti

,ܾ jaü on annettu niin voidaan hakea funktion

Lineaarialgebra ja matriisilaskenta I

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

MAB3 - Harjoitustehtävien ratkaisut:

Ennakkotehtävän ratkaisu

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Transkriptio:

Matemaattinen Analyysi, k22, L

Vektorit Merkitsemme koulumatematiikasta tuttua vektoria v = 2 i + 3 j sarake matriisilla ( ) 2 v = v = = ( 2 3 ) T 3 Merkintätavan muutos helpottaa jatkossa siirtymistä useamman kuin kahden koordinaatin vektoreihin. Yhteenlasku ja reaaliluvulla kertominen on nyt helposti määriteltävissä. ( ) ( 2 5 + 3 ( 2 2 3 ) ( 2 + 5 = 3 + ) ( 2 2 = 2 3 ) ( 7 = 4 ) ( 4 = 6 ) )

2 R n :n vektorit Yleistämme R 2 :ssa niin luonnolliset yhteenlasku- ja reaaliluvulla kertomissäännöt R n :ään seuraavasti. Olkoot a = (a a 2... a n ) T R n, b = (b b 2... b n ) T R n, c = (c c 2... c n ) T R n, ja µ R. a + b = c c j = a j + b j, j =,...,n µa = c c j = µa j, j =,...,n

merkintöjä 3 Sovitaan vielä merkinnöistä = (... ) T = (... ) T e k = ( δ k δ 2k... δ nk ) T missä δ kk =, ja δ jk =, kun j k Esimerkiksi R 3 :ssa =, =, e =, e 2 =, e 3 =,

4 Matriisit Kertaa matriisikertolasku niin, että pystyt näkemään seuraavien ehtojen yhdenpitävyys: x 2y + 3z = 4 2x + y 2z = y + z = 2 3 2 2 x 2 + y 2 x y y = + z 4 3 2 = 4

5 Kahden vektorin a R 3 ja b R 3 sisätulo a b ja vektorin a R 3 normi a määritellään seuraavasti a b = a T b = ( a a 2 ) a 3 a = a a = a 2 + a2 2 + a2 3 b b 2 b 3 = a b + a 2 b 2 + a 3 b 3 Sisätulo on siis lukiosta tuttu pistetulo ja normi on vektorin pituus.

6 Yleistys R n :ään Nyt yleistämme seuraavasti. Määritelmä Kahden vektorin a R n ja b R n sisätulo a b ja vektorin a R n normi a ovat a b = a T b = a b + a 2 b 2 + + a n b n a = a a = a 2 + a2 2 + + a2 n Sisätulon arvo on reaaliluku, joten sisätulo ei ole vektoreiden välinen laskutoimitus. (Siksi vältämme nyt pistetulomerkintää.)

ja läheisyys 7 Kahden vektorin sanotaan olevan kohtisuorassa toisiaan vastaan eli ortogonaaliset (merkitään a b) jos niiden sisätulo on nolla, a b a b =. Normi on mitta vektorin suuruudelle. Kaksi vektoria ovat lähellä toisiaan, jos niiden erotuksen normi on pieni

8 Esimerkki Olkoon a R N N:stä havaintoarvosta muodostuva havaintovektori (aikasarja). Havaintosarjan keskiarvo on µ a = (a + a 2 + + a N )/N = N a () Havaintojen poikkeama keskiarvosta (vaihtelu) saadaan vähentämällä keskiarvo jokaisesta havainnosta ã = (a µ a,a 2 µ a,...,a N µ a ) T = a µ a (2) Vaihtelun suuruutta on tapana mitata varianssilla s 2 a, joka on s 2 a = ã 2 N = (N ) a µ a a µ a = (N ) ( a a µ a a µ a a + µ 2 a ) = at a Nµ 2 a N ( R) (3)

9 Kovarianssi Olkoon b R N toinen aikasarja ja µ b sen keskiarvo ja b R N sen poikkeama keskiarvosta. Jos kummankin aikasarjan poikkeamat keskiarvosta noudattavat yhteistä rytmiä, niin tulo ã j b j on useimmiten positiivinen. Silloin ã b = ã j b j on positiivinen. Tätä yhteisvaihtelua on tapana mitata kovarianssilla cov(a,b) = ã b N = (N ) a µ a b µ b = (N ) ( a b µ b a µ a b + µ a µ b ) = at b Nµ a µ b N (4)

Korrelaatio Kahden aikasarjan välinen korrelaatio r ab määritellään lausekkeella r ab = cov(a,b) s a s b = ã b N ã b N N = ã b ã b

Esimerkki Seuraavassa taulukossa on kolme aikasarjaa ja vastaavat varianssit, kovarianssit ja korrelaatiokertoimet. j a j b j c j. 3. 5. 2.65 2.986 5.648 3.224 2.388 5.79 4.7 2.698 4.988 5.894 3.275 4.243 6.767 3.99 4.77 7.893 3.88 4.753 8.285 3.556 5.665 9.389 2.628 6.2. 2.25 5.289 j a j b j c j.733 3.349 4.497 2.67 2.54 4.3 3.823 2.857 4.497 4.76 3.286 5.366 5.327 3.575 5.939 6.247 2.74 5.5 7.976 3.449 4.863 8.849 2.996 4.272 9.74 2.6 4.343 2.63 3.57 5.65

2 Esimerkki µ a =.3 µ b = 2.959 µ c = 4.997 s a =.29 s b =.429 s c =.643 cov(a,b) =.2, r a,b =.26 cov(a,c) =.32, r a,c =.94 cov(b,c) =.4, r b,c =.53

3 Esimerkki 2 r ab = cov(a,b) s a s b = ã b ã b Yhteisvaihtelua käsitellään paljon riippuvuusanalyysin kurssilla. Tälä kurssilla emme jatka aiheen käsittelyä enempää kuin yhdellä huomiolla. Koska usein taloudelliset aikasarjat esitetään muodossa, jossa havaintojen keskiarvo on likimain nolla, ymmärretään helposti aikasarjojen ortogonaalisuus ja korreloimattomuus samaksi asiaksi. Tämä ei kuitenkaan ole totta. Seuraava vastaesimerkki osoittaa eron.

4 Esimerkki 2 j a j b j -, 3, 2, 5, 3-2, 2, 4 -, 3, 5, 4, 6, 5, µ -.333 3.667 s.2.2 cov(a,b) =.222 r a,b =., a b = korreloivat täydellisesti, vaikka ovatkin keskenään ortogonaaliset.