金融模型——AHP比較矩陣的最大特征值對應(yīng)的特征向量是權(quán)重向量的數(shù)學(xué)推導(dǎo)

目錄

簡介

比較矩陣

一致矩陣及其性質(zhì)

比較矩陣的最大特征值對應(yīng)的特征向量是權(quán)重向量的數(shù)學(xué)推導(dǎo)

簡介

最近在解決一些定性的問題啥辨,這些問題很難定量化巧勤,所以想到了層次分析法坑夯,在梳理層次分析法時划咐,發(fā)現(xiàn)了一個問題箱熬,幾乎所有的文檔都直接給出比較矩陣的特征向量就是權(quán)重向量,沒有在數(shù)學(xué)上給出證明,感覺這個結(jié)論很想當(dāng)然窄俏,本文在數(shù)學(xué)上對這個結(jié)論進(jìn)行推導(dǎo)蹂匹。

比較矩陣

我們在處理定性問題時,通常要考慮很多因素凹蜈,這些因素很難定量刻畫限寞,但是我們又需要知道每個因素對我們目標(biāo)的影響權(quán)重,這種情況下就可以使用層次分析法仰坦,定性問題定量化履植。

如果不使用層分析法,實(shí)際影響因素的權(quán)重是定性給出的悄晃,可能極不合理玫霎,所以,我們要用定量的方法(層次分析法)刻畫這個定性的過程妈橄,使在定性的過程中合情合理庶近,層次分析采用了兩兩因素之間比較重要性,構(gòu)造比較矩陣的方式眷蚓,使定性問題定量化鼻种。

比較矩陣的構(gòu)造

對一個比較矩陣A,其元素a_{i,j}表示第i個因素比第j個因素的重要性沙热,其取值和對應(yīng)的意義如下:

數(shù)值 含義
1 兩個因素相比叉钥,具有相同的重要性
3 兩個因素相比,前面的因素比后面的因素稍微重要
5 兩個因素相比篙贸,前面的因素比后面的因素明顯重要
7 兩個因素相比沼侣,前面的因素比后面的因素強(qiáng)烈重要
9 兩個因素相比,前面的因素比后面的因素極端重要
2歉秫,4蛾洛,6,8 上面兩個相鄰判斷的中值
倒數(shù) 因素i和因素j的比較值為a_{i,j},那么因素j和因素i的比較值為1/ a_{i,j}

比較矩陣的性質(zhì)

由上面的比較矩陣的構(gòu)造可以看出比較矩陣有如下性質(zhì):
比較矩陣一定是正互反矩陣,即a_{i,j}=\frac{1}{a_{j,i}},其中a_{i,j}>0.

一致矩陣

一致矩陣的定義

對于矩陣A轧膘,如果a_{i,j}>0, 且a_{i,k}a_{k,j}=a_{i,j},則稱矩陣A為一致矩陣钞螟。

一致矩陣的性質(zhì)

由一致矩陣的定義可以得到以下性質(zhì):
1、一致矩陣的對角線都是1.
2谎碍、一致矩陣的秩等于1.
3鳞滨、秩等于1的正互反矩陣一定是一致矩陣。
4蟆淀、一致矩陣一定是正互反矩陣拯啦。

對于以上性質(zhì)的證明用到以下定律:
A為一致性矩陣的充分必要條件是,存在正向量W=(w_1,w_2,w_3....w_n)熔任,有a_{i,j}=\frac{w_i}{w_j}(其中w_j>0)褒链,下面先對這個定理進(jìn)行證明。

證明:

充分性:若對于矩陣A疑苔,有a_{i,j}=\frac{w_i}{w_j}(其中w_j>0)甫匹。則:

a_{i,k}a_{k,j}=\frac{w_i}{w_k}\frac{w_k}{w_j}=\frac{w_i}{w_j}=a_{i,j}

所以A是一致性矩陣。

必要性:若A是一致性矩陣惦费,有a_{i,k} a_{k,j} = a_{i,j},取i=j,得到: a_{i,i}=1

所以對角線上元素為1兵迅。

a_{i,k} = \frac{ a_{i,j}}{a_{k,j}}

令i=j得到:
a_{j,k}= \frac{ 1}{a_{k,j}}

所以,一致矩陣是正互反矩陣薪贫。

a_{i,j}=a_{i,k} a_{k,j}恍箭,所以:

a_{i,j}=\frac{a_{i,k}} {a_{j,k}}

取k=1,有:
a_{i,j}=\frac{a_{i,1}} {a_{j,1}}

所有取W=(a_{1,1},a_{2,1},a_{3,1}瞧省,...a_{n,1}),且有:
W^TW_1=A

其中W_1=(\frac{1}{ a_{1,1}},\frac{1}{ a_{2,1}}扯夭,\frac{1}{ a_{3,1}},...\frac{1}{ a_{n,1}})

所以必要性得到證明臀突。

所以上面的性質(zhì)1,2,3,4得到證明勉抓。

比較矩陣的特征向量是權(quán)重向量的數(shù)學(xué)推導(dǎo)

一致性矩陣下面的證明

我們從問題出發(fā)贾漏,我們現(xiàn)在想要得到的是候学,各因素對目標(biāo)影響的權(quán)重向量。設(shè)這個向量為W=(w_1,w_2,w_3....w_n)

先來看看這個向量的含義纵散,這個向量中每個元素含義是對應(yīng)于每個因素對目標(biāo)的影響權(quán)重.

所以梳码,我們可以直接從這個權(quán)重向量來構(gòu)造比較矩陣。顯然第i個因素對第j個因素的比較值為\frac{w_i}{w_j}

所以比較矩陣為A=(\frac{w_i}{w_j})_{nxn}

所以我們只需要證明伍掀,A的特征向量就是W掰茶。

證明:
AW=(\frac{w_i}{w_j})_{nxn}(w_1,w_2,...w_n)^T=nW

所以,W是A的屬于特征值n的特征向量蜜笤,因?yàn)锳的秩為1濒蒋,所以A只有一個特征值,所以,比較矩陣的特征向量就是權(quán)重向量沪伙。

上面只證明了完全一致性矩陣的情況瓮顽。對于有滿意的一致性的矩陣的情況,我們只需證明正互反矩陣可以唯一分解成標(biāo)準(zhǔn)形和一致矩陣 的 hadamard乘積即可围橡。有下面定理暖混。

有滿意的一致性的非一致矩陣的證明

hadamard乘積定義

設(shè)A=(a_{i,j})_{nxn},B=(b_{i,j})_{nxn},定義A○B(yǎng)=(a_{i,j}·b_{i,j})_{nxn},為矩陣A與矩陣B的hadamard乘積定義翁授。

標(biāo)準(zhǔn)型定義

標(biāo)準(zhǔn)型I:如E是一個正互反矩陣拣播,如果對任意的i,k 有\sum_{j=1}^ne_{i,j}=\sum_{j=1}^ne_{k,j}

譜半徑定義

對于一個矩陣A收擦,譜半徑\rho(A)定義為所有特征值的模的最大值贮配。

hadamard分解定理

對任意的正互反矩陣A,有唯一的hadamard分解炬守,即A=W_1oE_1,其中W_1=(\frac{w_i}{w_j})_{nxn}為一致矩陣牧嫉。E_1為標(biāo)準(zhǔn)型I.w_i為一致性矩陣W_1的特征向量,\sum w_i=1

證明:設(shè)A的屬于特征值\lambda的歸一化后的特征向量為w=(w_1,w_2,....w_n)

因?yàn)?img class="math-inline" src="https://math.jianshu.com/math?formula=a_%7Bi%2Cj%7D%3D%5Cfrac%7Bw_i%7D%7Bw_j%7D%5Cfrac%7Bw_j%7D%7Bw_j%7D%20a_%7Bi%2Cj%7D" alt="a_{i,j}=\frac{w_i}{w_j}\frac{w_j}{w_j} a_{i,j}" mathimg="1">

所以
A=(\frac{w_i}{w_j})_{nxn}o (\frac{w_j}{w_i} a_{i,j})_{nxn}

W_1=(\frac{w_i}{w_j})_{nxn} ,E_1 =(\frac{w_j}{w_i} a_{i,j})_{nxn}

對于W_1,w=(w_1,w_2,....w_n)剛好是其特征向量,且是一致矩陣减途。(上面已經(jīng)證明)

對于矩陣E_1酣藻,設(shè)e_{i,j}=\frac{w_j}{w_i} a_{i,j},則:

e_{i,j}=\frac{w_j}{w_i} a_{i,j}= \frac{w_j}{w_ia_{j,i} } =\frac{1}{e_{j,i}}

所以E_1也是一個正互反矩陣。

且有:A=diag(w_1,w_2...w_n)E_1 diag(w_1,w_2...w_n)^{-1}

所以鳍置,A與E_1相似辽剧。所以A與E_1有相同的特征值。

對于\sum_{j=1}^n\frac{w_j}{w_i} a_{i,j}與\sum_{j=1}^n\frac{w_j}{w_k} a_{k,j}

因?yàn)锳的屬于特征值\lambda的特征向量為w=(w_1,w_2,....w_n)

所以:
\sum_{j=1}^n\frac{w_j}{w_i} a_{i,j}=\frac{\sum_{j=1}^n w_j a_{i,j} }{w_i} = \lambda \frac{w_i}{w_i}=\lambda

所以:
\sum_{j=1}^n\frac{w_j}{w_i} a_{i,j}=\sum_{j=1}^n\frac{w_j}{w_k} a_{k,j}=\lambda

所以税产,E_1時標(biāo)準(zhǔn)型I怕轿。

再證唯一性。

這里只需要證明辟拷,\lambda是A的最大特征值撞羽,且是A的單特征根,加上w是歸一化之后的衫冻,我們就可以唯一的確定w诀紊,從而唯一的確定W_1,從而唯一的確定hadamard分解。

前面我們證明了隅俘,A和E_1是相似的邻奠,E_1 也是正互反矩陣,我們只要證明E_1的最大特征值是\lambda即可为居。

對于一個正矩陣B=(b_{i,j})_{nxn}碌宴,有其下性質(zhì)(這里不給出證明):
1、最大特征值一定為正,且一定是單特征根蒙畴。
2贰镣、其譜半徑\rho(A)的范圍如下:
\min_i \sum_{j=1}^nb_{i,j} \le \rho(B) \le \max_i \sum_{j=1}^nb_{i,j}

由上面正矩陣的性質(zhì),我們得到:
\lambda=\min_i \sum_{j=1}^nb_{i,j} \le \rho(A) \le \max_i \sum_{j=1}^nb_{i,j} =\lambda

所以,\rho(A)=\lambda

所以\lambda是A的最大特征值碑隆,且是A的單特征根董朝。

所以分解式是唯一的。所以定理得到證明干跛。

我們證明了hadamard分解定理子姜,但是并沒有結(jié)束,因?yàn)槲覀冞€沒有得到想要的結(jié)論:非一致的比較矩陣的最大特征值對應(yīng)的特征向量就是我們想要的權(quán)重向量楼入。有了上面的準(zhǔn)備工作哥捕,下面給出這個結(jié)論的證明。

證明:
由上面的hadamard分解定理嘉熊,我們得到一個非一致的矩陣遥赚,我們可以唯一分解為一個一致矩陣和一個標(biāo)準(zhǔn)型I。而這個標(biāo)準(zhǔn)型I只能進(jìn)行如下分解:
E_1=(1)_{nxn}oE_1

所以阐肤,我們把一個非一致的比較矩陣分成了兩部分凫佛,一個一致矩陣和一個標(biāo)準(zhǔn)型。

這個標(biāo)準(zhǔn)型可以理解為孕惜,我們在構(gòu)造比較矩陣時引入的噪音和不確定性愧薛,我們是不需要考慮的,我們只需要考慮一致矩陣W_1,而W_1是一致的衫画,其特征向量剛好就是原矩陣A的屬于最大特征值\lambda的特征向量毫炉。

所以非一致的比較矩陣的最大特征值對應(yīng)的特征向量就是我們想要的權(quán)重向量。

最后

在得到我們想要的結(jié)論后削罩,我們自然而然的會產(chǎn)生一個問題瞄勾,那就是被分離出來的E_1被我們忽略了,但是當(dāng)E_1影響很大時弥激,我們就不能忽略进陡。所以在AHP的做法里面,構(gòu)造CI指標(biāo)微服,要對原比較矩陣做一致性檢驗(yàn)趾疚,對原矩陣做一致性檢驗(yàn),就是對E_1做一致性檢驗(yàn)职辨。

為什么比較矩陣的最大特征值一定大于等于n(矩陣階數(shù))盗蟆。

證明:根據(jù)Perron-Frobenius定理戈二,對于比較矩陣A 有一下不等式舒裤。

\rho(A) \ge \sum_{\lambda \in spec(A)} \frac{|\lambda|}{n} \ge \frac{tr(A)}{n}\ge 0

反證發(fā),若\rho(A)<n

則:
\sum_{\lambda \in spec(A)} \frac{|\lambda|}{n} \le 1

這與\sum_{\lambda \in spec(A)} \frac{|\lambda|}{n}\ge \frac{tr(A)}{n}=1 矛盾觉吭。

所以腾供,比較矩陣的最大特征值一定大于等于n(矩陣階數(shù))。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市伴鳖,隨后出現(xiàn)的幾起案子节值,更是在濱河造成了極大的恐慌,老刑警劉巖榜聂,帶你破解...
    沈念sama閱讀 217,406評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件搞疗,死亡現(xiàn)場離奇詭異,居然都是意外死亡须肆,警方通過查閱死者的電腦和手機(jī)匿乃,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,732評論 3 393
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來豌汇,“玉大人幢炸,你說我怎么就攤上這事【芗” “怎么了宛徊?”我有些...
    開封第一講書人閱讀 163,711評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長逻澳。 經(jīng)常有香客問我闸天,道長,這世上最難降的妖魔是什么斜做? 我笑而不...
    開封第一講書人閱讀 58,380評論 1 293
  • 正文 為了忘掉前任号枕,我火速辦了婚禮,結(jié)果婚禮上陨享,老公的妹妹穿的比我還像新娘葱淳。我一直安慰自己,他們只是感情好抛姑,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,432評論 6 392
  • 文/花漫 我一把揭開白布赞厕。 她就那樣靜靜地躺著,像睡著了一般定硝。 火紅的嫁衣襯著肌膚如雪皿桑。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,301評論 1 301
  • 那天蔬啡,我揣著相機(jī)與錄音诲侮,去河邊找鬼。 笑死箱蟆,一個胖子當(dāng)著我的面吹牛沟绪,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播空猜,決...
    沈念sama閱讀 40,145評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼绽慈,長吁一口氣:“原來是場噩夢啊……” “哼恨旱!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起坝疼,我...
    開封第一講書人閱讀 39,008評論 0 276
  • 序言:老撾萬榮一對情侶失蹤搜贤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后钝凶,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體仪芒,經(jīng)...
    沈念sama閱讀 45,443評論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,649評論 3 334
  • 正文 我和宋清朗相戀三年耕陷,在試婚紗的時候發(fā)現(xiàn)自己被綠了桌硫。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,795評論 1 347
  • 序言:一個原本活蹦亂跳的男人離奇死亡啃炸,死狀恐怖铆隘,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情南用,我是刑警寧澤膀钠,帶...
    沈念sama閱讀 35,501評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站裹虫,受9級特大地震影響肿嘲,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜筑公,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,119評論 3 328
  • 文/蒙蒙 一雳窟、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧匣屡,春花似錦封救、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,731評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至券躁,卻和暖如春惩坑,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背也拜。 一陣腳步聲響...
    開封第一講書人閱讀 32,865評論 1 269
  • 我被黑心中介騙來泰國打工以舒, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人慢哈。 一個月前我還...
    沈念sama閱讀 47,899評論 2 370
  • 正文 我出身青樓蔓钟,卻偏偏與公主長得像,于是被迫代替她去往敵國和親岸军。 傳聞我的和親對象是個殘疾皇子奋刽,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,724評論 2 354