MS-C1340 Lineaarialgebra ja

Samankaltaiset tiedostot
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Ratkaisuehdotukset LH 7 / vko 47

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Ortogonaalisen kannan etsiminen

MS-C1340 Lineaarialgebra ja

Sisätuloavaruudet. 4. lokakuuta 2006

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

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 );

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

MS-C1340 Lineaarialgebra ja

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

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 );

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Inversio-ongelmien laskennallinen peruskurssi Luento 3

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Lineaarialgebra, kertausta aiheita

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

Kertausta: avaruuden R n vektoreiden pistetulo

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

MS-C1340 Lineaarialgebra ja

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo

MS-C1340 Lineaarialgebra ja

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

Numeeriset menetelmät

Matematiikka B2 - TUDI

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.

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

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Käänteismatriisi 1 / 14

802320A LINEAARIALGEBRA OSA II

Matematiikka B2 - Avoin yliopisto

Likimääräisratkaisut ja regularisaatio

Matemaattinen Analyysi / kertaus

Johdatus tekoälyn taustalla olevaan matematiikkaan

2.5. Matriisin avaruudet ja tunnusluvut

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

MS-A0004/A0006 Matriisilaskenta

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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?

6 MATRIISIN DIAGONALISOINTI

1 Sisätulo- ja normiavaruudet

Matriisilaskenta Luento 8: LU-hajotelma

Ennakkotehtävän ratkaisu

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

5 Ominaisarvot ja ominaisvektorit

ominaisvektorit. Nyt 2 3 6

Matriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi

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

Alkeismuunnokset matriisille, sivu 57

1 Ominaisarvot ja ominaisvektorit

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS)

Singulaariarvohajotelma ja pseudoinverssi

Pienimmän neliösumman menetelmä (PNS)

Lineaarialgebra ja matriisilaskenta I

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 );

Määritelmä 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 )

Lineaarialgebra ja matriisilaskenta I

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

1 Matriisit ja lineaariset yhtälöryhmät

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Kohdeyleisö: toisen vuoden teekkari

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

Päättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1

Demorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104

802320A LINEAARIALGEBRA OSA III

Lineaarialgebra ja matriisilaskenta I

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

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Insinöörimatematiikka D

Paikannuksen matematiikka MAT

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h

Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Avaruuden R n aliavaruus

3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. Olkoot A 2 := AA =

Pienimmän Neliösumman menetelmä (PNS)

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

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Insinöörimatematiikka D

Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.

Lineaarialgebra (muut ko)

6. OMINAISARVOT JA DIAGONALISOINTI

Lineaarialgebra II P

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

1 Kannat ja kannanvaihto

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Vektoreiden virittämä aliavaruus

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

Lineaarikuvauksen R n R m matriisi

Ominaisvektoreiden lineaarinen riippumattomuus

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Simo Jaakkola. Ortogonaalisuudesta

Lineaarialgebra ja matriisilaskenta I

Transkriptio:

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 Olkoon V sisätuloavaruus, A sen äärellisdimensioinen aliavaruus ja v V. Tarkastellaan seuraavaa approksimointitehtävää: Etsi a A siten, että v a on pienin mahdollinen. Koska R n :ssä v a 2 = n j=1 (v j a j ) 2, tämän minimointia kutsutaan usein pienimmän neliösumman tehtäväksi. Tehtävän ratkaisussa käytetään usein ns. QR-hajotelmaa. 1 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Lemma 1 Tällä tehtävällä on olemassa yksikäsitteinen ratkaisu a ja sille pätee: v a, u = 0 kaikilla u A. Todistus. Taululla: Osoitetaan, että jos ratkaisu on olemassa, se on yksikäsitteinen. Osoitetaan, että a = m j=1 v, q j q j on ratkaisu. 2 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Edellisen lemman vektoria a kutsutaan v :n kohtisuoraksi projektioksi aliavaruudelle A ja merkitään a = P A v. Kaavasta m PA v = v, q j q j j=1 ja sisätulon lineaarisuudesta nähdään myös, että PA lineaarikuvaus V A. on 3 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Olkoon nyt V = R n ja aliavaruus A = sp(a 1,..., a m ). Merkitään A = [a 1... a m ] R n m. Tällöin A = R(A) = { Ax x R m}. Etsitään ratkaisua muodossa a = Ac, missä c R m. Lemman mukaan ratkaisun on toteutettava eli v Ac, u = 0 kaikilla u R(A), (v Ac) T Ax = 0 kaikilla x R m. Tämä on mahdollista vain, jos (v Ac) T A = 0 eli A T (v Ac) = 0. Näin c :n on toteutettava A T A c = A T v. (tämä on ns. normaaliyhtälö) 4 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Esimerkki 2 Etsi pienimmän neliösumman ratkaisu yhtälölle Ax = b, kun 4 0 2 A = 0 2 ja b = 0. 1 1 11 (Eli: etsi x, joka antaa avaruudesta { Ax x R 2 } sen alkion, jonka etäisyys b:stä on pienin.) 5 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Ratkaisu: Etsitään ratkaisu käyttäen normaaliyhtälöä A T Ax = A T b. Lasketaan siis ensin A T A ja A T b: [ ] 4 0 [ ] A T 4 0 1 17 1 A = 0 2 = 0 2 1 1 5 1 1 [ ] 2 [ ] A T 4 0 1 19 b = 0 =. 0 2 1 11 11 Ratkaistavana on siis yhtälö [ ] [ 17 1 1 5 x 1 x 2 ] [ ] 19 =. 11 6 / 17 R. Kangaslampi QR ja PNS

PNS-ongelma Tämä voitaisiin ratkaista Gaussin algoritmin rivioperaatioin, mutta onnistuu myös käänteismatriisin avulla, koska A T A on kääntyvä: A T Ax = A T b x = (A T A) 1 A T b, joten x = [ 17 1 1 5 ] 1 [ ] 19 11 [ = 1 84 5 1 1 17 ] [ ] 19 11 [ ] 1 =. 2 Huom. Mikään vektori ei toteuta yhtälöä Ax = b, siksi etsimme PNS-ratkaisua. Vastauksena saadaan, että se vektori, jolle Ax b on pienin, on x = (1, 2) T. Tämä vektori siis toteuttaa parhaiten alkuperäisen yhtälön. 7 / 17 R. Kangaslampi QR ja PNS

QR-hajotelma

QR-hajotelma Tarkastellaan normaaliyhtälöä A T A c = A T v hieman lisää. Jos A T A on kääntyvä, tästä voidaan ratkaista c = (A T A) 1 A T v ja siten P A v = A (AT A) 1 A T v. Kun aliavaruuteen on asetettu ortonormaali kanta, kohtisuora projektio on helppo laskea aiemmalla kaavalla P A v = m j=1 v, q j q j. Mielivaltainen sisätuloavaruuden kantahan voidaan ortonormalisoida Gram-Schmidt -prosessilla. 8 / 17 R. Kangaslampi QR ja PNS

QR-hajotelma Olkoon matriisin A = [a 1... a m ] K n m sarakkeet lineaarisesti riippumattomat. Ortonormalisoidaan A :n sarakkeet (merkinnät kuten aiemmin Gram-Schmidt-prosessissa). Saadaan a 1 a 2, q 1... a m, q 1 A = [q 1 q 2... q m w ] 2... a m, q 2.... = Q R, w m missä yläkolmiomatriisin R K m m diagonaalilla on skaalaustekijät ja yläpuolella sisätulot r ij = a j, q i, i < j. Matriisin Q sarakkeet ovat ortonormaalit, joten Q Q = I. Tätä esitystä A = Q R kutsutaan A :n (suppeaksi) QR-hajotelmaksi. 9 / 17 R. Kangaslampi QR ja PNS

QR-hajotelma Sijoittamalla A :n QR-hajotelma kaavaan A T A c = A T v saadaan R Q QR c = R Q v eli R c = Q v, josta c on helppo ratkaista, koska R on yläkolmiomatriisi. Kohtisuora projektio R(A) :lle on nyt P R(A) v = QQ v. 10 / 17 R. Kangaslampi QR ja PNS

QR-hajotelma Huom: Täydentämällä {q 1,..., q m } koko K n :n ortonormaaliksi kannaksi saadaan unitaarinen (reaalisessa tapauksessa ortogonaalinen) neliömatriisi ˆQ = [q 1... q m q m+1... q n ] = [Q Q 2 ] ja A :lle laajempi hajotelma [ ] R A = [Q Q 2 ] = ˆQˆR. 0 Tätä kutsutaan A :n (varsinaiseksi) QR-hajotelmaksi ja ylempänä esiintynyttä A :n suppeaksi QR-hajotelmaksi. 11 / 17 R. Kangaslampi QR ja PNS

PNS-menetelmä

PNS-menetelmä Esimerkki 3 Etsi QR-hajotelman avulla pienimmän neliösumman ratkaisu yhtälölle Az = b, kun 2 3 7 A = 2 4, b = 3. 1 1 1 Ratkaisu: Ortonormeerataan ensin A:n sarakkeet, jotta saadaan QR-hajotelma: q 1 = a 1 / a 1 = (2/3, 2/3, 1/3) T q 2 = (a 2 q 1, a 2 q 1 )/ a 2 q 1, a 2 q 1 = ( 1/3, 2/3, 2/3) T 12 / 17 R. Kangaslampi QR ja PNS

PNS-menetelmä QR-hajotelma on Q = R = ] 2/3 1/3 [q 1 q 2 = 2/3 2/3 1/3 2/3 [ ] [ ] a 1 q 1, a 2 3 5 = 0 a 2 q 1, a 2 q 1 0 1 PNS-ratkaisu saadaan yhtälöstä R z = Q b eli [ ] [ ] [ ] 7 [ ] 3 5 z 1 2/3 2/3 1/3 7 = 3 =. 0 1 z 2 1/3 2/3 2/3 1 1 Ratkaisu on z = (4, 1) T. 13 / 17 R. Kangaslampi QR ja PNS

PNS-menetelmä Pienimmän neliösumman tehtävä on tavallisimmillaan seuraava: mitattavan suureen y oletetaan noudattavan lineaarista mallia y = c 1 x 1 + + c n x n. Olkoon muuttujien arvoilla (x i1, x i2,..., x in ), mitattu arvot y i, i = 1,..., m. Millä kertoimilla c j malli kuvaisi parhaiten mittausaineistoa? Järjestetään data matriisiyhtälöksi y = A c, missä vektori y sisältää mitatut arvot y i, c tuntemattomat kertoimet ja matriisi A = (x ij ) R m n. Koska yleensä m > n, niin tehtävällä ei välttämättä ole ratkaisua, joten etsitään kertoimia, jotka minimoivat virheen y A c. 14 / 17 R. Kangaslampi QR ja PNS

PNS-menetelmä Esimerkki 4 Edellisen esimerkin tehtävä etsiä pienimmän neliösumman ratkaisu yhtälölle 2 3 7 2 4 c = 3 1 1 1 voisi muodostua esimerkiksi tilanteessa, jossa sovitetaan mallia y = c 1 x 1 + c 2 x 2 mittausdataan, jossa arvoilla (x 1, x 2 ) = (2, 3) on saatu mittaustulos 7, arvoilla (2, 4) tulos 3 ja arvoilla (1, 1) tulos 1. Äsken saatiin ongelmalle PNS-ratkaisuksi (4, 1) T, joten tähän dataan parhaiten sopii siis malli y = 4x 1 x 2. 15 / 17 R. Kangaslampi QR ja PNS

Tuntemattomat a ja b voidaan nyt ratkaista normaaliyhtälöstä A T A(a, b) T = A T (1, 2, 3, 3) T tai QR-hajotelman avulla yhtälöstä R (a, b) T = Q (1, 2, 3, 3) T. 16 / 17 R. Kangaslampi QR ja PNS PNS-menetelmä Esimerkki 5 Etsitään yhtälöä sille suoralle, joka sopii (PNS-mielessä) parhaiten mittauspisteisiin (2, 1), (5, 2), (7, 3) ja (8, 3). Toisin sanoen, etsitään siis kertoimia a ja b siten, että mittauspisteet (x i, y i ) noudattavat mahdollisimman hyvin yhtälöä y = a + bx. Matriisimuodossa haetaan PNS-ratkaisua yhtälölle 1 x 1 [ ] 1 x 2 a = 1 x 3 b 1 x 4 y 1 y 2 y 2 y 4 eli 1 2 [ ] 1 1 5 a 2 = 1 7 b 3. 1 8 3

PNS-menetelmä Esimerkki 6 Oletetaan, että mitatut datapisteet (x i, y i ) näyttävätkin sijoittuvan paremmin jollekin paraabelille. Yritetään siis etsiä kertoimia a, b ja c siten, että y = a + bx + cx 2 parhaiten kuvaa mittauspisteitä. Tällöin etsitään PNS-ratkaisua yhtälölle 1 x 1 x 2 1 y 1 1 x 2 x2 2 a y 2 1 x 3 x3 2 b = y 3.... c. 1 x n x 2 n y n 17 / 17 R. Kangaslampi QR ja PNS