Pienimmän neliösumman menetelmä (PNS)

Samankaltaiset tiedostot
Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS)

Lineaarialgebra, kertausta aiheita

Inversio-ongelmien laskennallinen peruskurssi Luento 2

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Ratkaisuehdotukset LH 8 / vko 47

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Ominaisvektoreiden lineaarinen riippumattomuus

Determinantti 1 / 30

Kohdeyleisö: toisen vuoden teekkari

Determinantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti

Paikannuksen matematiikka MAT

Ominaisarvo ja ominaisvektori

Neliömatriisin adjungaatti, L24

Käänteismatriisi 1 / 14

Kanta ja Kannan-vaihto

1.1. Määritelmiä ja nimityksiä

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

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

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Ennakkotehtävän ratkaisu

Ominaisarvo ja ominaisvektori

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

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.

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

Matemaattinen Analyysi, k2012, L1

1 Matriisit ja lineaariset yhtälöryhmät

Ratkaisuehdotukset LH 7 / vko 47

Matemaattinen Analyysi / kertaus

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Ominaisarvoon 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.

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Käänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla

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

A = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:

6 MATRIISIN DIAGONALISOINTI

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

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

Inversio-ongelmien laskennallinen peruskurssi Luento 3

Likimääräisratkaisut ja regularisaatio

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Lineaarikuvauksen R n R m matriisi

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

Luento 8: Epälineaarinen optimointi

10 Matriisit ja yhtälöryhmät

Ominaisarvo-hajoitelma ja diagonalisointi

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).

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

Luento 8: Epälineaarinen optimointi

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /

Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Oppimistavoitematriisi

2.5. Matriisin avaruudet ja tunnusluvut

Pistetulo eli skalaaritulo

Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen.

Lineaarialgebra ja matriisilaskenta I

Ortogonaalisen kannan etsiminen

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

2. Teoriaharjoitukset

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

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

3.2.2 Tikhonovin regularisaatio

Matriisiteoria 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?

Lineaarialgebra MATH.1040 / voima

7 Vapaus. 7.1 Vapauden määritelmä

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta I

Likimääräisratkaisut ja regularisaatio

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Harjoitusten 5 vastaukset

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

LU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24

JAKSO 2 KANTA JA KOORDINAATIT

= 2 L L. f (x)dx. coshx dx = 1 L. sinhx nπ. sin. sin L + 2 L. a n. L 2 + n 2 cos. tehdään approksimoinnissa virhe, jota voidaan arvioida integraalin

Matriisialgebra harjoitukset, syksy x 1 + x 2 = a 0

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

Osittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi).

Talousmatematiikan perusteet: Luento 9

Oppimistavoitematriisi

Vastaavasti, jos vektori kerrotaan positiivisella reaaliluvulla λ, niin

Insinöörimatematiikka D

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

Ortogonaaliset matriisit, määritelmä 1

Ortogonaalinen ja ortonormaali kanta

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

Numeeriset menetelmät

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

1 Singulaariarvohajoitelma

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)

Lineaarialgebra ja matriisilaskenta I

5 OMINAISARVOT JA OMINAISVEKTORIT

Vektorit, suorat ja tasot

s = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4

Singulaariarvohajotelma ja pseudoinverssi

Transkriptio:

neliösumman

Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T.

Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T. q-aikasarjat ovat kolmen osittain toisiaan korvaavien raaka-aineiden 1, 2 ja 3 myydyt määrät päivittäin kymmenen päivän aikana ja

Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T. q-aikasarjat ovat kolmen osittain toisiaan korvaavien raaka-aineiden 1, 2 ja 3 myydyt määrät päivittäin kymmenen päivän aikana ja p-aikasarja on raaka-aineen 1 hinta päivittäin kymmenen päivän aikana.

Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T. q-aikasarjat ovat kolmen osittain toisiaan korvaavien raaka-aineiden 1, 2 ja 3 myydyt määrät päivittäin kymmenen päivän aikana ja p-aikasarja on raaka-aineen 1 hinta päivittäin kymmenen päivän aikana. Etsimme sellaista kysyntäfunktiota p 1 = c 4 + c 1 q 1 + c 2 q 2 + c 3 q 3, että mallin antamat arvot hinnalle ovat mahdollisimman lähellä havaittuja arvoja

Perusongelman kuvaus 2 Siis c 1 q 11 + c 2 q 12 + c 3 q 13 + c 4 1 = ˆp 11 p 11 c 1 q 21 + c 2 q 22 + c 3 q 23 + c 4 1 = ˆp 21 p 21..... c 1 q 10,1 + c 2 q 10,2 + c 3 q 10,3 + c 4 1 = ˆp 10,1 p 10,1 Kertoimet onnistuvat sitä paremmin, mitä pienempi on neliösumma NS = 10 j=1 (ˆp j1 p j,1 ) 2. Tästä tulee menetelmän nimi: NeliöSumman. (englaniksi Ordinary Least Square (OLS).)

Perusongelman kuvaus 3 Muotoillaan edellinen yhtälöryhmä matriisikielellä. Sitä varten muodostamme vektoreista q 11, q 11 ja q 11 sekä ykösvektorista 1 = (1,1,...,1) T. matriisit V = q 11 q 12 q 13 q 21 q 22 q 23... q 10,1 q 10,2 q 10,3 Näillä merkinnöillä etsimme vektoria c q 11 q 12 q 13 1 ja W = q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1 W c = ˆ p 1 p 1, NS = ˆ p 1 p 1 2 = W c p 1 2 niin, että NS on niin pieni kuin mahdollista.

4 Kahden vektorin u = (u 1,u 2,...,u n ) T ja v = (v 1,v 2,...,v n ) T pistetulo on u v = u 1 v 1 + u 2 v 2 + + u n v n ja vektorin u pituus on u = u1 2 + u2 2 + + u2 n = u u.

4 Kahden vektorin u = (u 1,u 2,...,u n ) T ja v = (v 1,v 2,...,v n ) T pistetulo on u v = u 1 v 1 + u 2 v 2 + + u n v n ja vektorin u pituus on u = u1 2 + u2 2 + + u2 n = u u. Kaksi vektoria ovat kohtisuorassa, jos niiden pistetulo on nolla u v u v = 0.

5 Pistetulonmääritelmästä seuraa välittömästi, että a ( b + c) = a 1 (b 1 + c 1 ) + a 2 (b 2 + c 2 ) + + a n (b n + c n ) = a 1 b 1 + a 1 c 1 + a 2 b 2 + a 2 c 2 + + a n b n + a n c n ) = a b + a c.

5 Pistetulonmääritelmästä seuraa välittömästi, että a ( b + c) = a 1 (b 1 + c 1 ) + a 2 (b 2 + c 2 ) + + a n (b n + c n ) = a 1 b 1 + a 1 c 1 + a 2 b 2 + a 2 c 2 + + a n b n + a n c n ) = a b + a c. Edellisen seurauksena saamme klassisen lauseen

5 Pistetulonmääritelmästä seuraa välittömästi, että a ( b + c) = a 1 (b 1 + c 1 ) + a 2 (b 2 + c 2 ) + + a n (b n + c n ) = a 1 b 1 + a 1 c 1 + a 2 b 2 + a 2 c 2 + + a n b n + a n c n ) = a b + a c. Edellisen seurauksena saamme klassisen lauseen ( I.) Jos vektorit u ja v ovat kohtisuorassa, niin u + v 2 = u 2 + v 2 u + v v u

5 Pistetulonmääritelmästä seuraa välittömästi, että a ( b + c) = a 1 (b 1 + c 1 ) + a 2 (b 2 + c 2 ) + + a n (b n + c n ) = a 1 b 1 + a 1 c 1 + a 2 b 2 + a 2 c 2 + + a n b n + a n c n ) = a b + a c. Edellisen seurauksena saamme klassisen lauseen ( I.) Jos vektorit u ja v ovat kohtisuorassa, niin u + v 2 = u 2 + v 2 u + v v Perustelu on suora lasku u + v 2 = ( u + v) ( u + v) = u }{{} u + u }{{} v = u 2 =0 u + v }{{} u =0 + v v }{{} = v 2

Pseudoinverssi 6 (Moore-Penrose) Tarkastellaan uudelleen alkuperäisen ongelman kaltaista mutta yksinkertaisempaa ongelmaa 2 4 ( ) 2 1 2 x = 5 y 3 1 }{{} 10 }{{} = x }{{} =A = b

Pseudoinverssi 6 (Moore-Penrose) Tarkastellaan uudelleen alkuperäisen ongelman kaltaista mutta yksinkertaisempaa ongelmaa 2 4 ( ) 2 1 2 x = 5 y 3 1 }{{} 10 }{{} = x }{{} =A Jos olemme varmoja siitä, että yhtälöryhmällä on yksikäsitteinen ratkaisu, ja A T A on säännöllinen, niin yhtälöryhmän ratkaisu saadaan laskettua kaavalla x = (A T A) 1 A T b = b

Pseudoinverssi 6 (Moore-Penrose) Tarkastellaan uudelleen alkuperäisen ongelman kaltaista mutta yksinkertaisempaa ongelmaa 2 4 ( ) 2 1 2 x = 5 y 3 1 }{{} 10 }{{} = x }{{} =A Jos olemme varmoja siitä, että yhtälöryhmällä on yksikäsitteinen ratkaisu, ja A T A on säännöllinen, niin yhtälöryhmän ratkaisu saadaan laskettua kaavalla x = (A T A) 1 A T b = b Perustelu: (A T A) 1 A T b }{{} =A x = (A T A) 1 (A T A) x = x

Pseudoinverssi 6 (Moore-Penrose) Jos matriisi A T A on säännöllinen, niin sanomme, että matriisin A (Moore-Penrosen ) on A = (A T A) 1 A T

Pseudoinverssi 6 (Moore-Penrose) Jos matriisi A T A on säännöllinen, niin sanomme, että matriisin A (Moore-Penrosen ) on A = (A T A) 1 A T Jos A on säännöllinen neliömatriisi, niin A = A 1.

Pseudoinverssi 6 (Moore-Penrose) Jos matriisi A T A on säännöllinen, niin sanomme, että matriisin A (Moore-Penrosen ) on A = (A T A) 1 A T Jos A on säännöllinen neliömatriisi, niin A = A 1. Jos A on olemassa, niin A A = I.

Pseudoinverssi 7 (Moore-Penrose) Esimerkki 1. Ratkaistaan n avulla edellä esiintynyt yhtälöryhmä 2 4 ( ) 2 1 2 x = 5 y 3 1 }{{} 10 }{{} = x }{{} =A o c t a v e :2> A=[2 4 ; 1 2 ; 3, 1]; o c t a v e :3> b =[2; 5; 1 0 ] ; o c t a v e :4> x=(a A)ˆ( 1) A b x = 3.0000 1.0000 = b

Pseudoinverssi 8 (Moore-Penrose) Esimerkki 2. Jos yritämme ratkaista yhtälöryhmää 2 4 ( ) 2 1 2 x = 5, y 3 1 }{{} 5 }{{} = x }{{} =A niin osoittautuu, ettei täsmällistä ratkaisua ole olemassa! = b

Pseudoinverssi 8 (Moore-Penrose) Esimerkki 2. Jos yritämme ratkaista yhtälöryhmää 2 4 ( ) 2 1 2 x = 5, y 3 1 }{{} 5 }{{} = x }{{} =A niin osoittautuu, ettei täsmällistä ratkaisua ole olemassa! Seuraavaksi pyrimme löytämään sellaisen vektorin x, että = b A x b 2 tulee niin pieneksi kuin mahdollista.

Pseudoinverssi 8 (Moore-Penrose) Esimerkki 2. Jos yritämme ratkaista yhtälöryhmää 2 4 ( ) 2 1 2 x = 5, y 3 1 }{{} 5 }{{} = x }{{} =A niin osoittautuu, ettei täsmällistä ratkaisua ole olemassa! Seuraavaksi pyrimme löytämään sellaisen vektorin x, että = b A x b 2 tulee niin pieneksi kuin mahdollista. Ratkaisu on x = A b. Perustelemme asian seuraavassa.

Pseudoinverssi 9 (Moore-Penrose) Väite: Lauseke A x b 2 saa pienimmän arvonsa, kun x = A b. Perustelu: Olkoon w x jokin toinen ratkaisuehdokas. Nyt A w b 2 = (A w A x) +(A x b) }{{}}{{} = u = v 2

Pseudoinverssi 9 (Moore-Penrose) Väite: Lauseke A x b 2 saa pienimmän arvonsa, kun x = A b. Perustelu: Olkoon w x jokin toinen ratkaisuehdokas. Nyt A w b 2 = (A w A x) +(A x b) }{{}}{{} = u = v Suora lasku osoittaa, että vektorit u ja v ovat kohtisuorassa u T v = (A( w x)) T (A(A T A) 1 A T b b) = ( w x) T {A T A(A T A) 1 A T b A T b} = 0 2

Pseudoinverssi 9 (Moore-Penrose) Väite: Lauseke A x b 2 saa pienimmän arvonsa, kun x = A b. Perustelu: Olkoon w x jokin toinen ratkaisuehdokas. Nyt A w b 2 = (A w A x) +(A x b) }{{}}{{} = u = v Suora lasku osoittaa, että vektorit u ja v ovat kohtisuorassa u T v = (A( w x)) T (A(A T A) 1 A T b b) = ( w x) T {A T A(A T A) 1 A T b A T b} = 0 2 en mukaan siis A w b 2 = u 2 + v 2 = u 2 + A x b 2 x = A b on kaikista ehdokkaista NeliöSumman kannalta paras.

10 Haetaan esimerkin 2 yhtälöryhmälle pienimmän neliösumman ratkaisu o c t a v e :2> A = [ 2 4 ; 1 2 ; 3 1]; o c t a v e :3> b = [ 2 ; 5; 5 ] ; o c t a v e :4> x = (A A)ˆ( 1) A b x = 1.84211 0.59649 o c t a v e :5> A x ans = 1.2982 3.0351 6.1228

n estimointi. 11 Tarkastellaan uudelleen kolmen tuotteen myynti- ja hinta-aikasarjoja q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T, p 2 = (p 12,p 22,...,p 10,2 ) T, p 3 = (p 13,p 23,...,p 10,3 ) T.

n estimointi. 11 Tarkastellaan uudelleen kolmen tuotteen myynti- ja hinta-aikasarjoja q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1 ) T, p 2 = (p 12,p 22,...,p 10,2 ) T, p 3 = (p 13,p 23,...,p 10,3 ) T. Muodostetaan vastaavat matriisit q 11 q 12 q 13 q 21 q 22 q 23 Q =..., P = q 10,1 q 10,2 q 10,3 p 11 p 12 p 13 p 21 p 22 p 23... p 10,1 p 10,2 p 10,3

n estimointi. 12 W = q 11 q 12 q 13 1 q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1

n estimointi. 12 W = q 11 q 12 q 13 1 q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1 Etsimme sellaista kysyntäfunktiota q k1 c 1j + q k2 c 2j + q k3 c 3j + 1 c 4j = p kj, että mallin antamat arvot hinnalle ovat mahdollisimman lähellä havaittuja arvoja

n estimointi. 12 W = q 11 q 12 q 13 1 q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1 Etsimme sellaista kysyntäfunktiota q k1 c 1j + q k2 c 2j + q k3 c 3j + 1 c 4j = p kj, että mallin antamat arvot hinnalle ovat mahdollisimman lähellä havaittuja arvoja eli q 11 q 12 q 13 1 q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1 c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 c 41 c 42 c 43 p 11 p 12 p 13 p 21 p 22 p 23... p 10,1 p 10,2 p 10,3

n estimointi. 13 q 11 q 12 q 13 1 q 21 q 22 q 23 1.... q 10,1 q 10,2 q 10,3 1 c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 c 41 c 42 c 43 PNS-mielessä parhaat kertoimet malliin saadaan kaavalla C = W P Nyt on odotettavissa, että päivänä t pätee relaatio ( qt,1 q t,2 q t,3 1 ) C ( p t,1 p t,2 p t,3 ) p 11 p 12 p 13 p 21 p 22 p 23... p 10,1 p 10,2 p 10,3

n estimointi. 14 ( qt,1 q t,2 q t,3 1 ) c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 c 41 c 42 c 43 ( ) p t,1 p t,2 p t,3

n estimointi. 14 ( qt,1 q t,2 q t,3 1 ) c 11 c 21 c 31 c 41 c 12 c 22 c 32 c 42 c 13 c 23 c 33 c 43 c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 c 41 c 42 c 43 q t,1 q t,2 q t,3 1 ( ) p t,1 p t,2 p t,3 p t,1 p t,2 p t,3

n estimointi. 14 ( qt,1 q t,2 q t,3 1 ) c 11 c 21 c 31 c 41 c 12 c 22 c 32 c 42 c 13 c 23 c 33 c 43 c 11 c 21 c 31 c 12 c 22 c 32 c 13 c 23 c 33 q t,1 q t,2 q t,3 c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 c 41 c 42 c 43 q t,1 q t,2 q t,3 1 + c 41 c 42 c 43 ( ) p t,1 p t,2 p t,3 p t,1 p t,2 p t,3 p t,1 p t,2 p t,3

n estimointi. 15 c 11 c 21 c 31 c 12 c 22 c 32 c 13 c 23 c 33 Myyntitulo päivänä t on q t,1 q t,2 q t,3 q t1 p t1 + q t2 p t2 + q t3 p t3 = ( ) q t1 q t2 q t3 = ( q t1 q t2 ) q t3 + p t,1 p t,2 p t,3 c 41 c 42 c 43 c 11 c 21 c 31 c 12 c 22 c 32 c 13 c 23 c 33 + q t1 c 41 + q t2 c 42 + q t3 c 43 p t,1 p t,2 p t,3 q t,1 q t,2 q t,3 +...