- •Элементы линейной алгебры с приложением
- •Введение
- •1. Определители
- •Определителем матрицы Вназывается число
- •2. Системы линейных уравнений
- •Рассмотрим снова систему (2). Определитель
- •3. Векторы и ленейные операции над ними
- •4. Векторы в декартовой прямоугольной системе координат. Скаряное произведение
- •Доказательство.Используя свойства 3, 4, получим
- •5. Векторное и смешанное произведения
- •Легко проверить исходя из определения векторного произведения, что
- •6. Уравнение плоскости и прямой
- •Решение. Уравнение плоскости, проходящей через точку м1имеет вид
- •7. Матрицы
- •Пусть дана квадратная матрица
- •Покажем, что
- •8. Ранг матрицы. Исследование системы линейных уравнений
- •Рассмотрим матрицу
- •Матрицы
- •Пример 2. Решить систему
- •По формулам Крамера
- •9. Линейные преобразования. Собственные векторы
- •Матрица
- •Так как 0, то1,2,3– ненулевое решение однородной системы
- •В силу следствия из раздела 8
- •В двумерном случае система (3) имеет вид
- •Замечание.Если матрица Аφлинейного преобразованияв базе диагональная:
- •10. Симметрические и ортогональные матрицы Квадратная матрица вида
- •Оказывается, что векторы 1и2перпендикулярны. В самом деле, применяя лемму, получаем
- •Матрица
- •Матрица преобразования в базе1,2диагональная
- •11. Квадратичные формы. Кривые второго парядка
- •12. Положительные матрицы
- •13. Балансовая модель
- •14. Продуктивные матрицы
- •15. Норма матрицы
- •16. Итерационный метод
- •17. Возмущение решений
- •18. Демографический рост
- •19. Регрессионные модели
- •20. Постановка транспортной задачи
- •20.1 Математическая формулировка транспортной задачи.
- •20.2 Базисное распределение в транспортной задаче
- •Вариант 5
- •Вариант 6
- •Вариант 7
- •Вариант 8
- •Вариант 11
- •21. Техника решения транспортной задачи вручную (метод потенциалов)
- •Вариант 13
- •22. Формализация производственных задач линейного программирования
- •23. Геометрическая интерпретация задач линейного программирования
- •24. Симплексный метод решения задач линейного программирования
- •24.1 Общая формулировка задачи линейного программирования
- •24.2 Заполнение симплексной таблицы по строкам
- •Симплексная таблица
- •24.3 Заполнение симплексной таблицы по столцам
- •24.4 Двойственные задачи, оценки, проблемы.
- •Ответы к вариантам:
- •25. Метод последовательных приближений (метод итерации)
- •26. Условия сходимости итерационного процесса
- •27. Оценка погрешности приближенного процесса метода итерации
- •28. Метод зейделя. Условия сходимости процесса зейделя
- •29. Оценка погрешности процесса зейделя
- •30. Привеление системы линейных уравнений к виду, удобному для итерации
- •31. Исправление элементов приближенной обратной матрицы
- •Задания для самостоятельной работы.
- •Вариант 1
- •Вариант 9
- •Экзаменационные вопросы
19. Регрессионные модели
В экономике часто необходимо определить наилучшую формулу, связывающую одну переменную с некоторыми другими переменными. В этом случае обычно начинают с предположения, что существует линейная связь между «зависимой» и «независимой» переменными. Например, если yявляется зависимой переменной и х1, х2, …, хn– независимые переменные, то соотношение вида
(22)
может быть использовано для выражения у через хi. Коэффициентыiпредполагаются постоянными, а зависимость (22) называют регрессионной модель. Наилучшие значенияiмогут быть подобраны исходя из исторических экспериментальных данных. Например, для предсказания того, как темпы развития инфляции меняются от уровня безработицы, можно было бы взять такую модель: когда уровень безработицы равен нулю, темпы инфляции составляютb0процентов, а когда безработица составляет х процентов, то инфляция составляетb0+b1xпроцентов. Таким образом, заi-й промежуток времени
уi = b0+b1xi, i = 1,…, m. (23)
Имея исторические данные уi, хi, можно попытаться подобрать наилучшие значенияb0иb1. Существует несколько способов нахожденияb0иb1, но наиболее удобным является метод наименьших квадратов.
Понятие нормы матрицы дает нам возможность пересмотреть и обобщить понятие решения системы линейных уравнений. Напомним, что под классическим понятием решения матричного уравнения
АХ=В (24)
мы понимаем матрицу К, которая, после подстановки ее вместо Х, обращает уравнение в тождество. Однако для уравнения (24), согласно теореме Кронекера-Капелли, такой матрицы К может не существовать. Такая ситуация часто возникает в регрессионных моделях, где мы имеем ело с сильно переопределенными системами.
Используя понятие нормы, можно обойти указанную трудность, изменив само понятие «классическое решение». Буем понимать под обобщенным решением уравнения (24) матрицу V, которая доставляет минимальное значение норме невязки АХ – В, т.е.
.
Однако способы задания нормы могут привести к серьезным вычислительным трудностям при решении задачи (25). Наиболее просто проблема выглядит для 2-нормы. Критерий (25) получил название метода наименьших квадратов (МНК), если учесть, что
.
Покажем, что МНК – решение всегда существует и укажем способ его нахождения.
Представим матрицу
В = СВ+(Е - С)В,
где С = А(АТА)-1АТ, предположив, что матрица (АТА)-1существует.
Проведем вычисления
.
Второе слагаемое равно нулю так как
АТ(Е-С)=АТ - АТА(АТА)-1АТ = АТ - АТ=0.
Отсюда
.
Выражение не зависит от Х, апринимает минимальное значение, равное нулю, при
Х = (АТА)-1АТВ. (26)
Таким образом, мы установили, что МНК – решение существует и является единственным, если существует матрица (АТА)-1.
Упражнения
Привести вид всех матриц в выражении (26) для определения b0,b1регрессионной модели (23).
Доказать cond(ATA) cond A.