第5章矩阵代数数值计算.pptVIP

第五章 矩阵代数数值计算 ; 矩阵代数运算是统计模型的基础，统计模型的所有估计几乎都是用矩阵代数运算计算出结果。例如最小二乘估计、典型相关分析、因子分析以及各类回归分析。从计算的角度来说为使计算结果可靠，我们总是先对矩阵进行三角分解，然后进行各种计算例如，矩阵的逆、求解线性方程组以及对矩阵进行谱分解等。 本章首先介绍矩阵的三角分解，然后引导学习者使用IMSL和SASD中的丰富矩阵的算法，将它们拼接起来就可以解决各种矩阵的计算。 ? ;5.1 引言;（5.1.1);5.2 矩阵数值计算基础; 系数矩阵为上三角阵的线性线性方程组是最容易求解的，上三角阵的逆阵仍然是上三角阵。因此处理矩阵计算问题的关键是将一般矩阵化为三角阵和对角阵的形式，然后进行计算。 5.2.1 矩阵的三角— 三角分解 （1）L*R分解 ;（3）Crout 分解 ;5.2.2 矩阵的三角分解算法 以上四种分解是类似的，使用待定系数法。 (1) 以 LR* 分解为例，设 ;=;由第二行，第二列相等,以及用前面的计算结果我们有： ;从而我们可以推出一般的计算公式：;（2）Cholesky分解算法 同样，利用待定系数法以及矩阵 A 的正定对称性，我们有： ;我们可以推导出 Cholesky 三角分解得算法 ： ;为保证除法运算时 ，我们由以下定理 定理5.2.1 当 A 为对称正定阵时，A 的Cholesky 分解必存在，并且当限定 T 的对角元素为正时，其分解是唯一的。 有了矩阵三角—三角分解后，各种矩阵的求解就十分方便了。例如：求解线性方程组 ? ;5.2.3 矩阵的正交变换 我们从另一个角度来考虑LR分解，由前面的结论我们有 ;其中 Q 是正交矩阵， 即 ，R是上三角矩阵，从而我们有 ;这里 In 是单位矩阵，u 为 n 维向量，为正实数。具有这种形式的正交变换称为 H 型变换，我们可以通过以下步骤将矩阵 A变换为上三角阵 R，先用 H 型变换将A的第一列变量变为： ? ;第 i 步有 ;为实现这一过程，我们先考虑以下简单问题。设 ;这里;（3）? Gives变换 ;Gives 变换具有以下性质： 1） 是正交矩阵 ;5.2.4 矩阵的谱分解 前面的方法是用正交变换方法将矩阵A变为三角阵，以下我们用同样的方法将A变换为对角矩阵。 （1）对称矩阵的谱分解 ;记 ，则上式可以写成 ;即A是经过正交变换后化为对角阵的，我们可以利用Householder和Givens方法的思路来构造这样的正交变换，具体来讲，我们可以将（5.2.8）式中的U分解为一系列简单的正交矩阵乘积的形式，具体算法为： ? ;在 Gives 矩阵中取 ;3）QR算法 （a）; 5.2.5 矩阵的奇异值分解 ;5.2.6 矩阵的广义逆;定义： 1）满足上面第一条的矩阵 G 称为 A的减号逆，记为 G=A- 2）满足上面条件（1），（2）的矩阵 G 称为 A的自反广义 逆记为 3）满足上面所有的四个条件称G为A的加号逆极为 ;如果存在 使得 ;5.2.8 矩阵的范数（模） ;常用的范数有： 1） 2） 3）;矩阵范数的定义： 定义：设 是n×m维实数空间， 是 到实数 轴的一个映射，如果满足： ;矩阵A的常用范数 对于任意矩阵 定义： ;这里我们主要讨论 ，并记以;条件数有以下性质：; 矩阵条件数的重要意义在于，可以判别一个求逆矩阵的病 态性。当系数矩阵的条件数非常大时，即存在接近与0的特征 值，将导致解的误差急剧放大。或者说得出的解不可信。 对于最小二乘估计： ; 5.3 IMSL库中的矩阵计算模块;打开maths.lib我们可以看到;5.3.1 矩阵的基本运算模块;矩阵的变换;矩阵相乘;;I Integer S Real C Complex D Double Z Double complex SD Single and Double CZ Single and double complex DQ Double and Quadruple ZQ Double and quadruple complex;例5.3.1 计算一个矩阵A 与其转置阵的乘积，这里 ;注意B是输出变量;编制程序