Greke

Taylorov red (Mac Laurinov red) :

'

( n)

f ( x0 )
f ( x0 )
n
f ( x )=f ( x0 ) +
xx 0 )+ +
(
( xx 0 )
1!
n!
( n+1 )
( )
f
n+ 1
Rn+1 ( x )=
xx 0 )
(
(Opasnost: ako oduzimanjem od velikih
( n+1 ) !

Greka:

brojeva, relativno obzirom na rezultat, dobijemo male

Redovi
o

1
=1+ x + x 2 ++ x n + ,|x|<1
1x

1
=1x + x 2 ++ (1 )n x n + ,|x|<1
1+ x

ln ( x )=x

x x
n x
+ + + (1 )
+ ,|x|<1
2 3
n+1

e x =1+ x +

x2
xn
++ +
2!
n!

sinx=x

x3 x 5
+ +
3! 5!

cosx=1

x2 x4
+ +
2! 4 !

chx=1+

shx =

n+1

x2 x 4
x2 n
e x ex
+ ++
+=
2! 4 !
( 2n ) !
2

x1 x3
x 2n +1
e x + ex
+ + +
+=
1! 3!
( 2 n+1 ) !
2

Gaussove eliminacije i LR faktorizacija

-

Bez pivotiranja:

Sa pivotiranjem:

A=LR Ax=LRx=b Ly=b , Rx= y

'

'

A T : stupac redak

Aproksimacija i interpolacija
-

'

PAx=LRx=Pb b =Pb , LRx=b Ly =b , Rx= y

Lagrangeov oblik interpolacijskog polinoma

n

pn ( x )= f k l k ( x )

lk ( x )=

k=0

( xx 0 ) ( xx k1 ) ( xx k+1 ) (x x n)
( x k x 0 ) ( x k x k1 ) ( x k x k+1 ) ( x k x n)

 M
( n+1 ) ! n+1
pn ( x )

( x )

f (x)

( n +1)
( x )
f
M n+1= max

vrijedi i za Newtonov oblik

x[ a ,b ]
n

o
-

( x )= ( xx k )
k =0

Newtonov oblik interpolacijskog polinoma

o

pn ( x )=f [ x 0 ] + f [ x 0 , x 1 ] ( xx 0 ) + + f [ x 0 , x 1 , , x n ] ( x x0 ) ( x 0x 1 ) ( xx n1 )

f [ x 1 , , x n ] f [ x 0 , , x n1 ]
x n x0

f [ x 0 , , x n ]=

f [ x k ]=f k , k=0, , n

Diskretna metoda najmanjih kvadrata

o

( x )=a 0 0 ( x ) +a1 1 ( x ) + +am m ( x )

Linearna funkcija:
n

S=S ( a 0 , , a m )= ( f k ( x k ) ) min
k=0

S
=0, k=0, , n
ak

Uvjeti:

Linearizacija

( x )=a 0 x a 1

( x )=

1
a0 +a 1 x

( x )=

x
a0 +a 1 x

( x )= ( x ) =a0 + a1 x , hk = f

( x )=log ( x ) =log ( a0 ) + a1 logx , hk =log f k

( x )=

1
1
=a0 + a1 x , hk =
fk
(x)
x

hk
k

 ( x )=

x
a0 +a 1 ex

( x )= ( x ) =a0 + a1 e

, hk =

1
fk

Neprekidna metoda najmanjih kvadrata minimiziramo integral a

ne sumu

Numerika integracija
-

Newton Cotesove formule

o

ba

(m)

vorovi: x k =x0 + k hm , k=0, , m hm= m

b

o
-

Osnovni oblik:

f ( x ) dx I m ( f ) = w (km ) f (x 0+ k hm )
k=0

Trapezna formula (povrina trapeza)

o

Najjednostavnija Newton Cotesova formula za

( 1)

( 1)

I 1 ( f )=w k f ( x 0 ) +w 1 f ( x0 +h 1)

h1=ba

h
I 1 ( f )= f ( x ) dx (f ( a )+ f ( b ) )
2
a

Simpsonova formula ( m=2

b

o
-

f ( x ) dx h3
a

f ( a ) +4 f

( a+2 b )+ f ( b))

Produljena trapezna formula

o

h=

ba
n

1
f
2 0
o

1
f ( x ) dx=h( + f 1 ++ f n1 + f n )+ ETn ( f )
2
b

Greka produljene formule:

f ' ' (x)

3
( ba ) h
( ba )
T

|En ( f )| 12 M 2= 2 M 2 , M 2= xmax
[ a ,b ]
12 n
2

o
o
-

( ba ) M 2
n
, n cijeli broj
12
Uvjeti egzaktnosti:

f ( x )=1, f ( x )=x , .

Produljena Simpsonova formula

w=1

f ( x ) dx= h3 ( f 0 + 4 f 1 +2 f 2+ 4 f 3+ 2 f 4 + +4 f n1 +f n ) + ESn (f )
a

(4)

o
-

Greka:

f ( x)
4
( ba ) h
( ba )5
M 4 , M 4 = max
|EnS ( f )| 180 M 4=
4
x [a , b]
180 n

( ba ) M 4
n
,n
180
4

paran cijeli broj

Formula srednje toke

o Ako u Newton Cotesovim formulama ne interpoliramo (pa onda niti
ne integriramo) jednu ili obje rubne toke, dobili smo otvorene
Newton Cotesove formule
b

f ( x ) dx=( ba ) f ( a+b
2 )
a

Rjeavanje nelinearnih jednadbi

1. Nalaenje intervala u kojem se nalazi nultoka (analizom toka)
2. Nalaenje nultoke na traenu tonost

f (k) (x)
f (k) ( x ) , mk = min
x[a , b]

M k = max
x[a , b]

Mogu se nalaziti: u bilo kojem lokalnom ekstremu funkcije

f (k) , pri

emu ne treba pokazivati da se radi o lokalnom ekstremu. U

mk

rubovima intervala.
-

moe biti i u nultoki

f (k)

Metoda bisekcije (raspolavljanja)

o

f ( a ) f ( b )< 0

Funkcija neprekidna na [a, b] i vrijedi

(postoji

nultoka)
o
-

Kriterij zaustavljanja :

log ( ba ) log
1 ili
log 2

|f ( x n )| m1

Newtonova metoda (metoda tangente) ne mora konvergirati prema

nultoki

x n+1=x n

Niz aproksimacija:

Dinamika ocjena greke:

o
o

f (x n)
'
f ( xn )

|x nx n1|

f ( a ) f ( b )< 0 (postoji nultoka)

Start sa strmijeg kraja:

f ( x 0 ) f ' ' ( x 0 ) >0

2 m1
M2

Modifikacija za viestruke toke

o

Znamo viestrukost nultoke k:

Ne znamo,

k >0 :

g (x )=

x n+1=x nk

f ( x)
f ' ( x)

f ( xn )
f ' ( xn )

x n+1=x n

g(x)
g' ( x )

funkcija g(x)

ima jednostruku nultoku, pa e Newtonova metoda, ako konvergira,

konvergirati kvadratino prema

. Newtonovu metodu trebamo

primijeniti na funkciju g(x)

Inicijalni problem za obine diferencijalne jednadbe (Runge Kutta
metode)
-

Krute (stiff) diferencijalne jednadbe

o Za diferencijalnu jednadbu kaemo da je kruta, ako mala
perturbacija poetnih uvjeta dovede do velike perturbacije u rjeenju
problem
o

Poetni uvjet C

Poetni uvjet

yT

f ( x )= y +

yP

Varijabilni korak
o Promatra se RK metoda s korakom h i h/2

Ako se vrijednosti razlikuju, korak se smanji na

procedura se ponovi za

h=h/2

h h
i
2 4

Ako su vrijednosti tako dobivenih aproksimacija bliske,

prihvaa se tako izraunata vrijednost
Korist je da se neke funkcije s puno manje raunanja moe dobiti
rjeenje na zadovoljavajuu tonost

o
-

RK-1 (Eulerova metoda):

o

xn , yn
y n+1= y n+ h f )

Izvod

x 0 tangentu na pravo rjeenje

Povuemo u toki

Koristei vrijednost te tangente z

aproksimaciju u

RK-2:
o

Y (x ) .

x 1 dobit emo eljenu

x1

Y Y ( x 1 )Y ( x0 )
'
=
Y ( x0 ) =f (x 0 , y 0 ) Ili drugaije zapisano
h
h0

Y ( x1 ) Y ( x0 ) h Y ' ( x0 ) =h f ( x 0 , y 0 )

1
y n+1= y n+ (k 1 +k 2)
2
k 1=hn f ( x n , y n )

o
-

RK-4:

k 2=hn f ( x n +h n , y n +k 1)
1
y n+1= y n+ (k 1+2k 2+2 k 3+k 4 )
6

k 1=hn f ( x n , y n )

1
1
k 2=hn f x n + hn , y n+ k 1
2
2

(
)
1
1
k =h f ( x + h , y + k )
2
2

k 4=h n f ( x n +hn , y n+ k 3 )

Vektorska norma

[]

y
y= y '
''
y

y'
y ' = f ( x , y )= y ' '
y ' ''

[]

VJEROJATNOST I STATISTIKA
Definicija vjerojatnosti
-

Pr ( D )

p povoljni
=
m mogui

Izvedbe vjerojatnosti
-

Za vjerojatnost svakog dogaaji vrijedi:

Vjerojatnost:

A B

Istovremenog dogaaja (i):

Jednog od dva (ili):

Suprotnog dogaaja:

Nemogueg dogaaja ( A B= :

Postoji presjek:

Tri dogaaja:

A B

) =1Pr ( A)
Pr ( A
Pr ( A B )=Pr ( A )+ Pr ( B)

Pr ( A B )=Pr ( A )+ Pr ( B )Pr ( A B)
Pr ( A B C )= 1 2 3

1=Pr ( A ) + Pr ( B ) + Pr ( C )
2=Pr ( A B )+ Pr ( B C ) + Pr ( A C )
3=Pr ( A B C)

0 Pr ( A ) 1

Nezavisni dogaaji:

Pr ( A B )=Pr ( A) Pr ( B)

Uvjetna vjerojatnost
-

Vjerojatnost dogaaja B uz uvjet da se ostvario dogaaj A

Pr ( A B )
Pr ( A )

Pr ( A|B ) =

Pr ( A B )=Pr ( A) Pr ( B A)

Pr ( A B C ) =Pr ( A ) Pr ( B A) Pr ( C A B)
Pr ( B| A ) =Pr ( B ) , Pr ( A|B )=Pr ( A )

Nezavisni dogaaji:

Disjunktni dogaaji ( A B= ):

Bayersova formula

Pr ( B| A ) =0

Pr ( P )= Pr ( H j ) Pr ( PH j )
j=1

Hj

p dogaaj; dogaaji

hipoteze; vjerojatnost

Pr ( H j )

apriorna vjerojatnost

Pr ( PH j)

Pr ( H j|P )=

vjerojatnost od P ako je tona hipoteza

Hj

Pr ( H j ) Pr ( PH j )
n

Pr ( H j ) Pr ( PH j)
j=1

Aposteriorna (naknadna) vrijednost

Prostor elementarnih ishoda i razdioba vjerojatnosti na njemu

-

, imamo elementarne ishode ( j ). Skup svih elementarnih

Za pokus

. Svaki od elementarnih ishoda ima vjerojatnost

ishoda zovemo
-

p .

Pr ( A ) = pi
i

Sluajna varijabla
-

Numeriki ishod sluajnog

eksperimenta

x1
p1

x2

p2

Oekivanje (diskretne) sluajne varijable

-

Prosjek svih vrijednosti varijable

E ( X )= x =

svim x k

x k Pr ( x k )

Varijanca (diskretne) sluajne varijable

-

Rasprenje
o

od

E( X)

mjerimo varijancom
2

V ( X )=Var ( X ) =E ( XE ( X ) )

(s desne strane - prosjena vrijednost

kvadrata otklona)
o
-

V ( X )=

( x kE ( X ) ) 2 Pr ( x k )

svim x k

Standardna devijacija:

X = V ( X )

Sluajne varijable s beskonano mnogo vrijednosti - koristimo

geometrijski red
Neprekidne sluajne varijable

Vjerojatnost je povrina ispod funkcije gustoe sluajne varijable

b

Pr ( a X b )= f ( x ) dx

o
-

Za funkciju gustoe sluajne varijable mora vrijediti:

o

f ( x ) 0

f ( x ) dx=1

Oekivanje i varijanca

E ( X )== x f ( x ) dx

V ( X )= 2= ( x )2 f ( x ) dx

Kumulativna razdioba ili funkcija distribucije

Pr ( a X b )=F ( b )F ( a )

F ( a )= f ( x ) dx

Svojstva funkcije distribucije

lim F ( x )=0 , lim F ( x )=1 , F( x )

je rastua funkcija

Pravila za raunanje oekivanja i varijanci

-

E ( cX )=cE ( X ) , c konstanta

E ( X +Y )=E ( X ) + E(Y )

V ( cX +b ) =c V ( X ) c konstanta

( cX +b )=c ( X )

su nezavisne sluajne varijable

V ( X +Y )=V ( X ) +V ( Y )

( X +Y ) = 2 ( X ) + 2 (Y )

Binomna sluajna varijabla

-

Za indikatorsku ili Bernoullijevu sluajnu varijablu s vjerojatnou uspjeha

je
o

E ( X )= p

V ( X )= pq

Ako je

B np

binomna sluajna varijabla koja mjeri broj uspjeha u

ponavljanja pokusa, onda su njezino oekivanje i varijanca

E ( B np )=np

V ( B np ) =npq ( Bnp ) = npq

Funkcija vjerojatnosti binomne sluajne varijable

Pr ( Bnp=k )= n p k qnk
k

()

n (n1) (nk +1)

n!
n=
=
k!
k k ! ( nk ) !

()

Normalna sluajna varijabla

-

B np N ( , ) , =np , = npq
Funkcija gustoe

1
f ( x )?
e
2

o
-

N ( , )

1 x
2

( )

N (0,1) :

Z=

0 ( x ) = f ( z ) dz =F ( x )F ( 0 )=F ( x )
0

F ( x )=

1
2

0,5+ 0 ( x ) ,x 0
0,5 0 (x ) ,x< 0

Varijanca, kovarijanca, korelacija

-

Za pronalaenje veze izmeu dvije sluajne varijable potrebne su nam

kovarijanca i korelacija
Veza izmeu varijance i oekivanja sluajne varijable X
2

o
o
-

( X E ( X ) ) =E ( X 22 XE ( X ) + E ( X )2 ) =E ( X 2 ) ( E ( X ) )

Var ( X )= E

E ( X 2 ) =2x + 2x

Kovarijanca i korelacija za dvije sluajne varijable X i Y

o

Cov ( X , Y )=E ( ( XE ( X ) ) ( Y E (Y ) ) )=E ( XY )E ( X ) E(Y )

( X ,Y )=

E ( XY )= x y + ( X , Y ) x y

Cov( X ,Y )
Var ( X ) Var (Y )

Za dane sluajne varijable X i Y treba nai najbolju aproksimaciju sluajne

varijable Y varijablom Z oblika
o

Z =X +

(pravac regresije)

Najbolja aproksimacija sluajne varijable Y nekom familijom

sluajnih varijabli
vrijedi

g( x)

koje ovise o

X , je onaj

g ( X)

za koji

=E ( ( Y g ( X ) ) )= Y (1 ( X , Y ) )

minimalan mogui meu

g( x)

svih funkcijama u familiji

- srednje-kvadratna greka

g ( X ) = ( X ,Y )

X + Y ( X , Y ) Y X
X
X

ebievljeva nejednakost
-

Pr (| X| )
o

2
2

proizvoljni realni broj

Slabi zakon velikih brojeva

-

Pr (| X| )
Ako

2
n
Pr (| X|> ) 0

Procjene parametara pomou uzoraka

-

Grana statistike koja kae kako treba birati uzorak da bi se dobila neka
informacija o populaciji, zove se induktivna statistika. Dio statistike koji se
bavi samo opisom neke izdvojene grupe, bez da se iz toga izvlai ikakav
zakljuak o cjelokupnoj populaciji, zove se opisna ili deduktivna statistika

Neka je zadana sluajna varijabla

s funkcijom razdiobe

F .

Napravimo n njezinih nezavisnih identinih kopija, koje nazivamo s

Y 1 , , Y n

s identinom razdiobom

F . Tako dobivenu

sluajnih varijabli nazivamo sluajni uzorak dimenzije

y1 , , yn

koje one poprimaju

-

n -torku

n , a vrijednosti

nazivamo vrijednostima uzorka.

Bez obzira izvlaimo li uzorak duljine

iz konane populacije s

vraanjem ili bez vraanja, ili iz beskonane populacije, uvijek je srednja

vrijednost oekivanja uzorka jednaka oekivanju populacije
o
-

Y =Y

Ako uzorak duljine

izvlaimo iz konane populacije bez vraanja, onda

je varijanca svih moguih oekivanja uzoraka

o
-

2Y n pn
=
n n p1
2
Y

Ako uzorak duljine

izvlaimo iz beskonane populacije ili iz konane

populacije s vraanjem, onda je varijanca svih moguih oekivanja uzoraka

2Y =

o
-

Y
n

Procjena parametara populacije

o

uzorka

Y=

populacije

Nepoznato oekivanje

procjenjujemo sredinom

Y 1 ++Y n
n

Ako je oekivanje poznato, varijancu

Var ( Y ) procjenjujemo na

sljedei nain

S=

poznato oekivanje sluajne varijable

Ako je oekivanje nepoznato varijancu procjenjujemo na sljedei

nain
2

S=

2
2
( Y 1 ) + + ( Y n )

2
2
( Y 1Y ) + + ( Y nY )

n1

Intervali pouzdanosti za parametre populacije

o

Pr | y|<k

n 30

Veliki uzorci

=2 0 (k )

vrijednost sluajne varijable

Ako je uzorak duljine

proporcija uspjeha

p= p k

p= p k

izvuen iz sluajne varijable kojoj je

p , onda je interval pouzdanosti za p

p ( 1 p )
n

greka procjene

Ako je uzorak izvuen iz beskonane populacije ili iz konane

populacije s vraanjem

p= p k

Pouzdanost
u%

99,7
3

2,5
8
99

p(1 p) n pn
n
n p 1

2,3
3
98

2,0
5
96

2
95,4
5

1,9
6
95

1,64
5
90

1,2
8
80

1
68,2
7

0,67
45
50

np

veliina konane populacije

koeficijent pouzdanost