Skripta teorije iz primjenjene matematike i statistike

Greška predstavlja bliskost približnog riješenja 𝑦̅ od traženog riješenja y.

Prema porijeklu greške se dijele na:

1. Neotklonjene greške
2. Greške metoda
3. Greške zaokruzivanja

Pribliznim brojem 𝒂̅ broja a naziva se broj koji se razlikuje od tačne vrijednosti broja a i zamjenjuje broj
a pri izračunavanju.

Greška približnog broja predstavlja razliku 𝑒 = 𝑎 − 𝑎̅.

Pojam apsolutne greške uvodi se u slučaju kada imamo 𝑎̅ − 𝑎.

Granica apsolutne greške ∆𝑎̅ pribliznog broja𝑎̅ je svaki broj koji niej manji od apsolutne greške tog
broja. ∆𝑎̅ > |𝑎̅ − 𝑎|

Relativna greška pribliznog broja 𝑎̅ je količnik aposultne greške pribliznog broja i apsolutne vrijednosti
pribliznog broja
|𝑎̅−𝑎|
r= |𝑎̅|

Granica relativne greške (𝑎̅) približnog broja 𝑎̅ je svaki broj koji je manji od relativne greške
približnog broja
|𝑎̅−𝑎|
(𝑎̅) > |𝑎̅|

Procentualna greška je(𝑎̅) puta 100.

Promilna greška je (𝑎̅) greška puta 1000.

Značajna cifra broja su svi brojevi približnog broja 𝑎̅ koji su različiti od 0.

Sigurna cifra je svaki broj cija je apsolutna greška veća od dekadnog cinioca.
U postupku rješavanja nelinearnih jednacina možemo razlikovati dvije faze, i to:

1. lokalizacija nula,
2. poboljšanje rješenja
Lokalizacija nula predstavlja grubo (približno) pronalaženje rješenja koje može poslužiti kao pocetna
aproksimacija u nekoj sistematskoj proceduri pronalaženja, koja poboljšava rješenje do određene tacnosti.
Ako je to moguce, najbolje je naci granice intervala u kojima se nalazi korijen i u kojima funkcija ima
razlicit znak. U ovu svrhu se mogu koristiti razlicite metode od kojih su najcešce: crtanje grafika funkcije,
inkrementalno pretraživanje.

Poboljšanje rješenja predstavlja odre.ivanje rješenja do željene tacnosti pomocu neke od sistematskih
procedura. U tu svrhu mogu se koristiti:

Metode na zatvorenom intervalu su metode koji pocinju sa dvije vrijednosti x, na primjer a i b, izme.u
kojih se nalazi rješenje x = 𝜉 , i koje sistematski smanjuju pocetni interval (a; b) na podintervale u kojima
se, tako.er, mora nalaziti korijen jednacine. U ove metode spadaju metoda polovljenja intervala i regula
falsi. Treba napomenuti da su ove metode veoma sigurne, jer je dobijanje željenog rješenja
zagarantovano. Ipak, mogu veoma sporo konvergirati do tražene tacnosti.

Metode na otvorenom intervalu ne zahtijevaju da se korijen nalazi u nekom intervalu. Kao posljedica,
ove metode nisu tako sigurne, a mogu i divergirati. Me.utim, kako se u ovim metodama pri procjeni
korijena koriste informacije o samoj funkciji koja se posmatra, one su mnogo efikasnije od metoda na
zatvorenom intervalu. U ovom kursu obradice se sljedece metode na otvorenom intervalu: metoda proste
iteracije, Newtonova metoda, modifikovana Newtonova metoda, te metoda sjecice.

METODE NA ZATVORENOM INTERVALU

METODA POLOVLJENJA INTERVALA

Metoda polovljenja intervala ili bisekcije (eng. interval halving, bisection) je jedna od najjednostavnijih
metoda za traženje korijena nelinearnih jednacina. U ovoj metodi, prvo se odrede dvije procjene korijena,
i to lijevo, za x = a, i desno, x = b, od korijena. Ocigledno je da korijen x = 𝜉 leži u intervalu (a; b). Ovaj
𝑎+𝑏
interval se može prepoloviti usrednjavanjem vrijednosti a i b, tako da se dobije c = 2
. Na taj nacin
dobiju se dva intervala:(a; c) i (c; b). Koji interval sadrži korijen 𝜉 zavisi od vrijednosti f(c).
Algoritam je
𝑎+𝑏
c= 2
.

Ako je f(a) f(c) < 0 : a = a; b = c

Ako je f(c) f(b) < 0 : a = c; b = b
Ako je f(a) f(c) = 0 : dobiva se rješenje 𝜉 = c

METODA REGULAFALSE

U metodi regula falsi (što u prevodu znaci metoda netacnog položaja), nelinearna funkcija f(x) se
aproksimira linearnom funkcijom g(x) u intervalu (a; b), a korijen te linearne funkcije g(x), x = 𝜉, se
uzima kao sljedeca aproksimacija korijena nelinearne jednacine f(x) = 0. S obzirom na linearnu
interpolaciju nelinearne funkcije, ova metoda se još naziva i linearna interpolaciona metoda.

U postupku rješavanja nelinearnih jednacina možemo razlikovati dvije faze, i to:

1. lokalizacija nula,
2. poboljšanje rješenja
Lokalizacija nula predstavlja grubo (približno) pronalaženje rješenja koje može poslužiti kao pocetna
aproksimacija u nekoj sistematskoj proceduri pronalaženja, koja poboljšava rješenje do određene tacnosti.
Ako je to moguce, najbolje je naci granice intervala u kojima se nalazi korijen i u kojima funkcija ima
razlicit znak. U ovu svrhu se mogu koristiti razlicite metode od kojih su najcešce: crtanje grafika funkcije,
inkrementalno pretraživanje.

Poboljšanje rješenja predstavlja odre.ivanje rješenja do željene tacnosti pomocu neke od sistematskih
procedura. U tu svrhu mogu se koristiti:
Metode na zatvorenom intervalu su metode koji pocinju sa dvije vrijednosti x, na primjer a i b, izme.u
kojih se nalazi rješenje x = 𝜉 , i koje sistematski smanjuju pocetni interval (a; b) na podintervale u kojima
se, tako.er, mora nalaziti korijen jednacine. U ove metode spadaju metoda polovljenja intervala i regula
falsi. Treba napomenuti da su ove metode veoma sigurne, jer je dobijanje željenog rješenja
zagarantovano. Ipak, mogu veoma sporo konvergirati do tražene tacnosti.

Metode na otvorenom intervalu ne zahtijevaju da se korijen nalazi u nekom intervalu. Kao posljedica,
ove metode nisu tako sigurne, a mogu i divergirati. Me.utim, kako se u ovim metodama pri procjeni
korijena koriste informacije o samoj funkciji koja se posmatra, one su mnogo efikasnije od metoda na
zatvorenom intervalu. U ovom kursu obradice se sljedece metode na otvorenom intervalu: metoda proste
iteracije, Newtonova metoda, modifikovana Newtonova metoda, te metoda sjecice.

METODE NA ZATVORENOM INTERVALU

METODA POLOVLJENJA INTERVALA

Metoda polovljenja intervala ili bisekcije (eng. interval halving, bisection) je jedna od najjednostavnijih
metoda za traženje korijena nelinearnih jednacina. U ovoj metodi, prvo se odrede dvije procjene korijena,
i to lijevo, za x = a, i desno, x = b, od korijena. Ocigledno je da korijen x = 𝜉 leži u intervalu (a; b). Ovaj
𝑎+𝑏
interval se može prepoloviti usrednjavanjem vrijednosti a i b, tako da se dobije c = 2
. Na taj nacin
dobiju se dva intervala:(a; c) i (c; b). Koji interval sadrži korijen 𝜉 zavisi od vrijednosti f(c).

Algoritam je
𝑎+𝑏
c= 2
.

Ako je f(a) f(c) < 0 : a = a; b = c

Ako je f(c) f(b) < 0 : a = c; b = b
Ako je f(a) f(c) = 0 : dobiva se rješenje 𝜉 = c
METODA REGULAFALSE

U metodi regula falsi (što u prevodu znaci metoda netacnog položaja), nelinearna funkcija f(x) se
aproksimira linearnom funkcijom g(x) u intervalu (a; b), a korijen te linearne funkcije g(x), x = 𝜉, se
uzima kao sljedeca aproksimacija korijena nelinearne jednacine f(x) = 0. S obzirom na linearnu
interpolaciju nelinearne funkcije, ova metoda se još naziva i linearna interpolaciona metoda.

Kao što se sa slike vidi, linearna funkcija g(x), koja aproksimira funkciju f(x), ima korijen u tacki c = x1.
Na taj nacin, pocetni interval (a; b) se dijeli na dva podintervala (a; x1) i (x1; b). Vrijednost tacke x1 se
može lako odrediti pomocu jednacine g(x) i uslova g(x1) = 0, tj.

𝑔(𝑏) − 𝑔(𝑎)
𝑔(𝑏) − 𝑔(𝑥𝑖 ) = (𝑏 − 𝑥𝑖 )
𝑏−𝑎
S obzirom da je g(a) = f(a) i g(b) = f(b), te g(x1) = 0, slijedi:

𝑓(𝑏) − 𝑓(𝑎)
𝑓(𝑏) = (𝑏 − 𝑥𝑖 )
𝑏−𝑎
I konačno dobijemo

𝑏−𝑎
𝑥𝑖 = 𝑏 − 𝑓(𝑏)
𝑓(𝑏) − 𝑓(𝑎)

Ako je f(a) f(xi) < 0 : a = a; b = xi

Ako je f(xi) f(b) < 0 : a = xi; b = b

Ako je f(a) f(xi) = 0 : dobiva se rješenje 𝜉 = xi

Koji od ova dva intervala,(a; x1) i (x1; b), sadrži korijen jednacine, odre.uje se na isti nacin kao u metodi
polovljenja intervala, a zatim se proces ponavlja.
 METODE NA OTVORENOM INTERVALU

METODA PROSTE INTERACIJE

Metoda proste iteracije (još se naziva i iteracija pomocu fiksirane tacke) rješava jednacinu f(x) = 0
preuređivanjem u oblik x = g(x), a zatim traženjem vrijednosti x = 𝜉 takvom da je 𝜉 = g(𝜉), što je
ekvivalentno jednakosti f(𝜉) = 0. Vrijednost x za koju je x = g(x) se naziva fiksna tacka relacije x = g(x)
odakle i proizilazi drugo ime metode. U principu, ova metoda simultano rješava dvije funkcije: x(x) i g(x).
Tacka presjecišta ove dvije funkcije predstavlja rješenje jednacine x = g(x), a time i jednacine f(x) = 0.
Pošto je funkcija g(x) tako.er nelinearna, rješenje se mora naci iterativno. Pocetna aproksimacija x1 se
određuje intuitivno, a zatim se uvrštava u funkciju g(x) kako bi se dobila vrijednost sljedece
aproksimacije. Algoritam je dat sljedecom rekurzivnom formulom:

𝑥𝑖+1 = 𝑔(𝑥𝑖 )
 NEWTONOVA METODA

Newtonova metoda (naziva se i Newton-Raphsonova metoda) je jedna od najpoznatijihi najefikasnijih

procedura u cijeloj numerickoj analizi. Metoda uvijek konvergira ako je pocetna aproksimacija dovoljno
blizu rješenju. Za razliku od prethodne metode, konvergencija Newtonove metode je kvadratna..

Prvi korak metode je lokalna aproksimacija funkcije f(x) pomocu linearne funkcije g(x) koja predstavlja
tangentuz funkcije f(x) u tacki M0. Rješenje jednacine g(x) = 0, x1, predstavlja sljedecu aproksimaciju
rješenja jednacine f(x) = 0.

Za postavljanje algoritma Newtonove metode postavljamo sljedeću relaciju

𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 )
𝑓 ′ (𝑥) =
𝑥𝑖+1 − 𝑥𝑖

Ako u ovu jednacinu uvrstimo

𝑓(𝑥𝑖+1 ) = 0

dobijemo

𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓 ′ (𝑥)

Ova metoda je kvadratna zato što je metoda tačnosti drugog reda tj. sa svakom interacijom broj značajnih
cifara se udvostruči.
MODIFIKOVANA NEWTONOVA METODA

U slucajevima kada izracunavanje prvog izvoda funkcije uzima mnogo racunskog vremena, može se
koristiti modifikovana Newtonova metoda. Ovdje su umjesto izracunavanja prvog izvoda funkcije u
svakoj iteraciji, može uzeti da je vrijednost prvog izvoda u svim iteracijama jednaka vrijednosti prvog
izvoda iz prve iteracije, tj.
𝑓 ′ (𝑥𝑛 ) = 𝑓 ′ (𝑥0 )

pa se dobije

𝑓(𝑥𝑖 )
𝑓(𝑥𝑖+1 ) = 𝑥𝑖 −
𝑓 ′ (𝑥)
METODA SEKANTE ILI SJECICE

U slucajevima kada je nemoguce analiticki odrediti prvi izvod neke funkcije, metoda sjecice (sekante)
predstavlja alternativu Newtonovoj metodi. Nelinearna funkcija f(x) se lokalno aproksimira pomocu
linearne funkcije g(x), koja je sjecica funkcije f(x), a njen korijen se koristi kao poboljšana aproksimacija
korijena funkcije f(x). S obzirom da je sjecica prava linija koja prolazi kroz dvije tacke krive f(x), za
iniciranje metode neophodne su prve dvije aproksimacije, x0 i x1. Pri tome se između njih može ali i ne
mora nalaziti korijen jednacine f(x) = 0.

Vrijednost prvog izvoda

𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖−1 )
𝑓 ′ (𝑥) =
𝑥𝑖 − 𝑥𝑖−1

pri čemu je

𝑓(𝑥𝑖+1 ) = 0

dobijemo
𝑥𝑖 − 𝑥𝑖−1
𝑥𝑖+1 = 𝑥𝑖 − ∙ 𝑓(𝑥𝑖 )
𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖−1 )

Ova metoda brze konvergira u odnosu na metodu proste interacije ali sporije u odnosu na Newtonovu
metodu.
Problemi u numeričkom riješavanju nelinearnih jenačina:

1. Nedovoljno dobra početna aproksimacija

2. Konvergencija prema pogrešnom korijenu
3. Korijeni koji su blizu jedan drugom
4. Mnogostruki korijeni
5. Tačke infleksije
6. Kompleksni korijen
7. Loše postaljena nelinearna jednačina
8. Spora konvergencija

Pošto večina diskretnih podataka nisu uvijek ono sto nama treba, potrebno nam je i vrijednost funkcije u
nekim drugim tačkama (interpolacija i aproksimacija) i potrebni su nam izvodi takve zavisnosti
(numeričko diferenciranje i integriranje).

Postoje dva fundamentalno različita pristupa za određivanje približnih funkcija koje se koriste za
opisvanje zavisnosti funkcija a to su:

1. Interpolacija (tacno poklapanje)

2. Aproksimacija (približno poklapanje)
Interpolacija tačno nas dovodi do funkcije koja prolazi korz sve zadane tačke. Koristi se za mali broj
podatak.

Aproksimacija dolazi do funkcije koja prolazi kroz grupu tačaka, bez obaveze da tačno prođe kroz zadate
tačke.
INTERPOLACIJA POLINOMIMA

Opšta formula polinoma n-tog reda ima oblik:

𝑃𝑛 (𝑥) = 𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛

n – je red polinoma

a – su konstante

Najvaznije dvije teoreme prilikom interpolacije polinoma su:

1. Weiestrassov aproksimacioni polinom – vrijednost neprekidne funkcije f(x) se razlikuje od Pn(x)

za neko 𝜀
2. Teorema o jedinstvenosti riješenja

DIREKTNA METODA

Direktna metoda riješava problem u kojem su date n+1 tačke oblika [𝑥0 , 𝑓0 ] … [𝑥𝑛 , 𝑓𝑛 ] tako sto ih svodi na
određivanje jedinstvenog polinoma n-tog reda na nacin da se svaki podatak uvrsti u jednaćinu Pn(x) cime
se dobije sistem od n+1 jednačina. Riješavanje ovog sistema se vrši jednom od metoda riješavanaj
sistema linearnih jednačina.

LANGRANGEOV INTERPOLACION POLINOM

Direktne metode su veoma jednostavne ali imaju i mnogo nedostataka. Prvi nedostatak je znatno vrijeme
za određivanje koeficjenta polinoma a drugi nedostak je taj sto za polinome n>4 mogu biti slabo podešene
što uzrokuje veću grešku 𝜀. Tako da se u vecini postupaka koristi langreagov interpolacioni polinom.

Primjer kada su nam data dva podataka [𝑎, 𝑓(𝑎)], [𝑏, 𝑓(𝑏)]

𝑥−𝑏 𝑥−𝑎
𝑃1 (𝑥) = 𝑓(𝑎) + 𝑓
𝑎−𝑏 𝑏 − 𝑎 (𝑏)

Primjer kada su nam data tri podatka [𝑎, 𝑓(𝑎) ], [𝑏, 𝑓(𝑏) ][𝑐, 𝑓(𝑐) ]

(𝑥 − 𝑏)(𝑥 − 𝑐) (𝑥 − 𝑎)(𝑥 − 𝑐) (𝑥 − 𝑎)(𝑥 − 𝑏)

𝑃2 (𝑥) = 𝑓(𝑎) + 𝑓(𝑏) + 𝑓
(𝑎 − 𝑏)(𝑎 − 𝑐) (𝑏 − 𝑎)(𝑏 − 𝑐) (𝑐 − 𝑎)(𝑐 − 𝑏) (𝑐)

Primjer kada su nam dat n+1 podatak [𝑎, 𝑓(𝑎) ], [𝑏, 𝑓(𝑏) ] … [𝑘, 𝑓(𝑘) ]

(𝑥 − 𝑏)(𝑥 − 𝑐) … (𝑥 − 𝑘) (𝑥 − 𝑎)(𝑥 − 𝑐) … (𝑥 − 𝑏)
𝑃𝑛 (𝑥) = 𝑓(𝑎) + 𝑓 +⋯
(𝑎 − 𝑏)(𝑎 − 𝑐) … (𝑎 − 𝑘) (𝑏 − 𝑎)(𝑏 − 𝑐) … (𝑏 − 𝑘) (𝑏)
(𝑥 − 𝑎)(𝑥 − 𝑏) … (𝑥 − 𝑗)
+ 𝑓
(𝑘 − 𝑎)(𝑘 − 𝑏) … (𝑘 − 𝑗) (𝑘)

ili u jednostavnijem obliku

𝑃𝑛 (𝑥) = 𝐿0 (𝑥)𝑓(𝑥0 ) + 𝐿1 (𝑥)𝑓(𝑥1 ) + ⋯ + 𝐿𝑛 (𝑥)𝑓(𝑥𝑛 )

NEWTONOV INTERPOLACIONI POLINOM

Za Newtonov interpolacioni polinom koristi se opšti oblik polinom n-tog koji prolazi kroz n+1 tačku a to
je:
𝑠 𝑠 𝑠
𝑃𝑛 (𝑥) = 𝑓0 + ( ) ∆𝑓0 + ( ) ∆2 𝑓0 + ⋯ + ( ) ∆𝑛 𝑓0
1 2 𝑛

s – parameta interpolacione promjenljive

𝑥 + 𝑥0
𝑠=
ℎ

A razlike ∆𝑓0 , ∆2 𝑓0 …

∆𝑓0 = 𝑓1 − 𝑓0

∆2 𝑓0 = 𝑓2 − 2𝑓1 −𝑓0
𝑛
𝑛
∆ 𝑓0 = ∑(−1)𝑖 ( ) 𝑓1
𝑛
𝑖
𝑖=1

APROKSIMACIJA FUNKCIJA

Neka su nam date grupe podataka [𝑥𝑖 , 𝑌(𝑥𝑖) ] i aproksimacioni polinom y(x) koja predstavlja te podateke.
Osnovna ideja riješavanja ovog problema je određivanje aproksimacionog polinoma gdje se pomoću
razlike devijacije 𝑒𝑖 razlika između 𝑌𝑖 i 𝑦𝑖

𝑒𝑖 = 𝑌𝑖 − 𝑦𝑖
METODA NAMJANJIH KVADRATA

Metoda najmanjih kvadrata zasniva se na minimiziranje zbira razlike kvadrata razlike

𝑒𝑖 = 𝑌𝑖 − 𝑦𝑖

Tj. minimiziranje funkcije S,

𝑛 𝑛

𝑆 = ∑(𝑒𝑖 ) = ∑(𝑌𝑖 − 𝑦𝑖 )2
2

𝑖=1 𝑖=1

Pri cemu aproksimaciona funkcija y(x) moze biti linearna i nelinearna.

Kombinatorika predstavlja raspoređivanje elemenata konačnog skupa i određivanaj broja takvih

raspodjela.

Neka je zadan skup A{𝑥1 𝑥2 … 𝑥𝑛 }.

Permutacija je bilo koji raspored svih elemenata skupa , odnosno bilo koja uređena n-torka različitih
elemenata skupa A.

Permutacija bez ponavljanja predstavlja bijektivno preslikavanje skupa A u samog sebe.

𝑃(𝑛) = 𝑛!

Permutacija sa ponavljanjem predstavlja broj različitih nacina na koje mozemo poredati niz od n
elemenata medu kojima imamo jedankih elemenata 𝑘1 𝑝𝑟𝑣𝑒 𝑘2 𝑑𝑟𝑢𝑔𝑒. . 𝑘𝑛 𝑛 𝑣𝑟𝑠𝑡𝑒.

𝑛!
𝑃𝑘1 𝑘𝑛 (𝑛) =
𝑘1 ! … 𝑘𝑛 !

Neka je zadan skup A{𝑥1 𝑥2 … 𝑥𝑛 }.

Varijacija klase k od ne elemenata predstavlaj bilo koja uređena k torka različitih elemenata skupa A.

Varijacija bez ponavljanja predstavlja injektivno preslikavanje skupa A od n elemenata u skup B od k

elemenata.
𝑘−1

𝑉𝑛𝑘 = ∏(𝑛 − 𝑖) = 𝑛(𝑛 − 1) … (𝑛 − 𝑘 + 1)

𝑖=1

Varijacija sa ponavljanjem klase k od n elemenata je bilo koja uređena k torka (ne nuzno različitih)
elemenata skupa A.
Možemo reći i da je varijacija sa ponavljanjem preslikavanje skupa A od n>1 elemenata u skup B od k>0
elemenata.

𝑉𝑛𝑘 = 𝑛𝑘

Neka je zadan skup A{𝑥1 𝑥2 … 𝑥𝑛 }.

Kombinacija klase od k elemenata je bilo koji uređeni podskup od k različitih eleemnata skupa A.
𝑛
𝐶𝑛𝑘 = ( )
𝑘
Kombinacija sa ponavljanjem predstavlja svaki multiskup od k elemenata skupa A od n elemenata.

𝑛+𝑘−1
𝐶𝑛𝑘 = ( )
𝑘

Ako su n i k prirodni brojevi ili veći od nula ili n>k, tada se izraz (𝑛𝑘) zove binomni koeficjent.

Primjenjena matematika je grana matematike koja se bavi matematičkim tehnikama koja se

koriste na primjeni znaja na druge oblasti.

Teorija vjerovatnoće je matematička disciplina koja se bavi zakonitostima u slučajnim

pojavama, odnosno teorija vjerovatnoće je zasnovana na modelima koji odražavaju pitanja i
pojave stvarnoga svijeta, na osnovu određivanja zakonitosti i predviđanja događaja.

Teorija vjerovatnoće je matematički aparat za proučavanje masovnih pojava s nepoznatim

kompleksnim uzrokom.

Teorija vjerovatnoće je matematička disciplina čiji je zadatak formiranje i proučavanje

matematičkog modela slučajnih pokusa.

Teorija vjerovatnoće je matematička struktura na kojoj su zasnovane statističke metode.

Statistika nauka sakupljanja i analiziranja podataka,

Pojavili su se u XVI i XVII vijeku i vezuju se za Kardana, Paskala i Fermea.

Najjednostavnija podjela vjerovatnoće, s obzirom na namjenu i mjesto vjerovatnoće u statistici,

je podjela na :

Prostu vjerovatnoću imamo u slučajevima kad se radi o masi prostih događaja, tj. onih događaja
koji ne zavise i nisu uslovljeni nekim drugim događajima. Takav slučaj imamo kad se radi o
masi dogadaja, medu kojim ima određen broj onih za koje kažemo da su povoljni (očekivani), a
zatim broj onih za koje kažemo da su nepovoljni (ne želimo njihovo dešavanje).
Skupne vjerovatnoće su vjerovatnoće u svim onim slučajevima kada se pomoću računa
vjerovatnoće (odnosno formula i pravila teorije vjerovatnoće) iznalaze razultati odnosa dvije ili
više grupa (elementarnih) događaja, bilo da su ti događaji međusobno zavisni ili nezavisni, bilo
da su uslovljeni jedni drugim ili ne.

U kategoriju skupnih vjerovatnoća spadaju:

Parcijalna vjerovatnoća izračunava se u onim slučajevima kada imamo više događaja ali se
svaki od njih može posebno posmatrati, odnosno kada se za svaku vrstu tih događaja mogu
izračunati odvojeno vjerovatnoće nastajanja ili nenastajanja.

Totalna vjerovatnoća predstavlja oblik vjerovatnoće kod koga se dešavanje nekog događaja,
recimo A, povezuje sa dešavanjem druga dva događaja, recimo B i C.

Uslovna vjerovatnoća izračunava se onda kada nastajanje nekog događaja A predstavlja

prethodno dešavanje nekog drugog događaja B.

Relativna vjerovatnoća predstavlja odnos pojedinih vjerovatnoća prema sumi drugih pojedinih
vjerovarnoća srodnih događaja koji su rneđusobno vezani nekom vezom, pri čemu se taj odnos
izračunava kao prioritet po nastajanju ili očekivanju nastajanja.

Pod slučajnim pokusom ili slučajnim eksperimentom podrazumijeva se takav pokus čiji ishodi,
tj. rezultati nisu jednoznačno određeni uslovima u kojima izvodimo pokus.

Svaki slučajni pokus završava se nekim ishodom ili događajem. Rezultati slučajnih pokusa zovu
se slučajni događaji (ili kraće događaji).

Slučajni događaj je svaka činjenica koja se kao rezultat izvođenja nekog pokusa desi (dogodi) ili
da se ne desi (ne dogodi). Događaji se najčešće označavaju sa velikim slovima (sa ili bez
indeksa) latinice (npr., A, B, C, ...; ). 1 2 , , ... A A.

Slućajni događaj je događaj koji se tok zbivanja ne može tačno predvijeti i koji se pod
određenim uslovima može ali i ne mora dogoditi.

Deterministički događaj je događaj ciji se tok zbivanja može tačno predvidjeti.

Naime, u opštem slučaju kad izvodimo eksperiment onda kao rezultat tog eksperimenta može da
se desi jedan i samo jedan događaj, od više njih eventualno, a pri tome svaki od tih događaja ima
istu šansu da se pojavi. Upravo te događaje zovemo elementarnim dogadajima.

Prostor Ω je skup svih elementarnih događaja koji se mogu dogoditi pri izvođenju nekog pokusa.

Prostor elementarnih događaja može biti konačan, tj. može imati oblik Ω = {ω1, ..., ωn}, može
biti beskonačan ali prebrojiv, tj. Ω = {ω1, ..., ωn, ...}, ali moze biti beskonačan i neprebrojiv
(,,neprekidan"), Ω = { ω |P(ω)}.
Svaka tačka (elementarni događaj) koja pripada događaju A zove se povoljna za A odnosno
povoljan događaj.

Siguran ili pouzdan događaj. Cijeli prostor Ω elementarnih događaja zove se siguran ili
pouzdan događaj i on se realizuje kada se realizuje bilo koji od elementarnih događaja, tj. on se
mora dogoditi u svakom vršenju opita. Dakle, ako neki opit a priori izaziva pojavu događaja A,
onda se taj događaj zove pouzdan. Obično ih označavamo sa U.

Nemoguć događaj. Prazan skup ø zovemo nemoguć događaj. On se nikada ne desi. Njega ne
realizuje ni jedan elementarni događaj. Dakle, ako se događaj A sigurno ne desi pri datom opitu
onda se on zove nemoguć događaj. Sve nemoguće događaje označavamo sa ø ili V.

Vjerovatnoća ,,a priori“ ili apriorna vjerovatnoća (ponekad se zove i matematička

vjerovatnoća) je teorijska vjerovatnoća kqja govori jezikom određenih matematičkih cifara o
tome kakva je mogućnost nastajanja očekivanog događaja s obzirom na unaprijed poznate
podatke o ukupnom broju svih mogućih događaja i o broju povoljnih, očekivanih događaja koji u
tom ukupnom broju mogu nastupiti. Zbog toga se ova vjerovatnoća zove teorijska, jer u praksi se
ne mora ostvariti onaj rezultat kojega nam je unaprijed davala apriorna vjerovatnoća.

Klasične (Laplaceove) definicije pojma vjerovatnoće (a priori) glasi : Neka je zadan slučajni
pokus s konačno mnogo elementarnih događaja i neka su svi ti elementarni događaji jednako
mogući. Tada se vjerovatnoća P(A) proizvoljnog događaja A vezanog uz taj opit definira kao
količnik broja m svih elementarnih događaja povoljnih za taj događaj i broja n svih mogućih
(ukupnog broja) elementarnih događaja (koji mogu nastupiti pri tom pokusu) , tj.
𝑚
𝑃(𝐴) =
𝑛

Iz klasične definicije vjerovatnoće a priori, odnosno iz formule (*), odmah slijede ove osnovne
osobine vjerovatnoće:
(i) Vjerovatnoća je nenegativna, tj. (za svaki događaj A) P(A)Ł >0
(ii) Vjerovatnoća nije veća od 1 , tj. , jer je, P(A)Ł<1 . m Ł n
Otuda (za svaki događaj A) vrijedi
0 Ł P(A)Ł 1

Multiskup S je skup S koji se sastoji od konačno mnogo elemenata među kojima ima n1
jednakih elemenata prve vrste, n2 elemenata druge vrste i nk ejednakih elemenata k vrste.

Neka je 𝐵𝑖 (𝑖 = 1 … 𝑛) potpuna familija događaja za neki pokus. Tada se za svaki skup A koji se
realizira pri tom pokusu vrijedi formula totalne vjerovatnoce.

𝑃(𝐴) = 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴⁄𝐵𝑖 )

Vjerovatnoca 𝑃{𝐴|𝐵𝑖 } |𝑓 𝑗 = 1,2 … 𝑛| da je određeni integral 𝐵𝑗 iz potpune familije 𝐵𝑖 bio uzrok
događaja iz A pozitivne vjerovatnoće zadana je formulom

𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴⁄𝐵𝑖 )
𝑃(𝐵𝑗 |𝐴) =
𝑃(𝐵1 ) ∙ 𝑃(𝐴⁄𝐵1 )𝑃(𝐵2 ) ∙ 𝑃(𝐴⁄𝐵2 )𝑃(𝐵𝑛 ) ∙ 𝑃(𝐴⁄𝐵𝑛 )

Neka je (ΩF,P) vjerojatnost prostora. Preslikavanje X : Ω→R nazivamo slučana varijabla ako
je za svaki x 𝜖 R skupa

𝐴𝑥 = {𝜔 𝜖 𝛺: 𝑋(𝜔) < 𝑥}

Skup {𝜔𝜖𝛺: 𝑋(𝜔) < 𝑥} označavat ćemo sa {𝑋 < 𝑥}.

Slućajne varijable kojima je skup vrijednost interval u skup realnih brojeva, mogu poprimiti
svaku vrijednost unutar tog intervala .

Diskretna slučajan varijabla je varijabla koja može poprimiti samo određenu vrijednost u
promatranom intervalu. Ako je X diskretna slučajna varijabla onda je i (𝑥1 𝑥2 … 𝑥𝑛 ) diskretni
slućajni vektor.

Za slučajnu varijablu X kažemo da je diskretna slučajna varijabla ako postoji prebrojiv skup D
koji je podskup skupa realnih brojeva tako da vrijedi da je vjerovatnoća skupa P{𝜔 𝜖 𝛺: 𝑋(𝜔) <
𝑥} = 𝜑.

Kontinualna slučajna varijabla je varijabla koja može poprimiti bilo koju vrijednost u
promatranom intervalu. Ako je X kontinualna slučajan varijabla, onda je i (𝑥1 𝑥2 … 𝑥𝑛 )
kontinualna slučajna variajbla.

Singularna slučajna varijabla je varijabla cija je funkcija distribucije neprekidna ali nema
funckiju gustoće.

Slućajni uzorak veličine n za slućajno varijablu X je slućajni vektor (𝑥1 𝑥2 … 𝑥𝑛 ) gdje su sve
slućajne varijable 𝑋𝑖 (𝑖 = 1,2, … 𝑛) nezavisne sa zajednickom funkciijom distribucije
vjerovatnoće F(x).

Funkcija razdiobe slučajen varijable X je funkcija F : R→[0,1] definirana formulom

F(x) : = P({𝑋 < 𝑥})

Neka je F funkcija razdiobe slućajne varijable X. Ona posjeduje svojstva:

1. P({𝑥1 < 𝑋 < 𝑥2 })=F(𝑥1 ) - F(𝑥2 )

2. F je neopadajuća: 𝑥1 < 𝑥2 → F(𝑥1 ) < F(𝑥2 )
3. lim 𝐹(𝑥) = 0 , lim 𝐹(𝑥) = 1
𝑥→−∞ 𝑥→∞
4. F je neprekidna sa lijeva:
F(x-0) : = lim 𝐹(𝑥 − 𝜀) = 𝐹(𝑥) 𝑧𝑎 𝑠𝑣𝑎𝑘𝑜 𝑥 𝜖 𝑹.
𝜀→0

F(x) predstavlja površinu ispod krive od nekog poćetka a do b, odnosno funkcija distribucije F(x)
predstavlja vjerovatnoču da će slučajna varijabla poprimiti vrijednost baš u tom intervalu.

Posto je površina ispod funkcije gustoće vjerovatnoća, onda funkcija raspodjele i ostatak u sumi
moraju biti jednaki 1. Naš ostatak se računa kao P(X<x)=1-F(X).

Neka je zadataa neprekidna slučajna varijabla X sa funkcijom gustoće g(x). Ako integral:
∞

∫ 𝑥 ∙ 𝑔(𝑥)𝑑𝑥
−∞

Apsolutno konvergira , onda kažemo da naže obiljezije ima matematičko očekivanje.

∞
E(X)=∫−∞ 𝑥 ∙ 𝑔(𝑥)𝑑𝑥
Varijanda i standardna devijacija su mjere varijabiliteta. Varijansa i devijacija su u direktnom
odnosu jer je varijansa kvadrat stepen standardne devijacije a standardna devijacija je kvadratni
korijen varijanse
∞

𝑉(𝑋) = ∫ 𝑥 2 ∙ 𝑓(𝑥)𝑑𝑥 − 𝐸(𝑥)2

−∞

𝜎 2 =V(X)

Za slučajnu varijablu X kažemo da je neprekidna ili kontinuirana ako postiji nenegativna

funkcija 𝑓 ∶ 𝑅 → 𝑅 tako da vrijedi
∞
F(x)=∫−∞ 𝑓(𝑡)𝑑𝑡

Funkcija f se naziva funkcija gustoće vjerovatnost slućajne varijable X tako da vrijedi

𝑑𝐹(𝑥)
𝑓(𝑥) =
𝑑𝑥
Osnovne karakteristike funkcije gustoće

1. Ona je uvjek nenegativna f(x)>0

2. Ukupna površina ispod krive je 1.
Posto se radi o neprekidnoj funkciji mjesto znaka sume koristi se integral

Kažemo da su slućajne varijable X i Y nezavisne ukoliko za sve intervale A, B iz skupa R vrijedi

P(X ∈ 𝐴, 𝑌 ∈ 𝐵) = 𝑃(𝑋 ∈ 𝐴), 𝑃(𝑌 ∈ 𝐵).

Bernoullijeva shema
U m nezavisnih pokusa, vjerojatnost da se dogodi dogadaj A u svakom od njih je jednaka i P(A)
= p. Takvu shemu dogadaja zovemo Bernoullijeva shema. (Pretpostavljamo da su pokusi
nezavisni, tj. da vjerojatnost pojave dogadaja A u svakom od pokusa ne ovisi od toga da li se on
dogodio ili nije u nekom drugom pokusa.)
Binomna slucajna varijabla
Slucajnu varijablu X = broj pojavljivanja dogadaja A u m ∈ N pokusa u Bernoullijevoj shemi s
vjerojatnoscu p, p ∈ (0, 1) dogadaja A zovemo Bernoullijeva ili Binomna slucajna varijabla.
Slika Binomne slucajne varijable je R(X) = {0, 1, ...,m}.
Funkcija vjerojatnosti Binomne slucajne varijable je
𝑚
𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 ∙ (1 − 𝑝)𝑚−𝑘 , 𝑥 = 𝑘𝜖𝑅(𝑥)
𝑓(𝑥) ≔ { 𝑘
0, 𝑖𝑛𝑎č𝑒
Funkcija distribucije Binomne slučajne varijable je
0, 𝑥 < 0
𝑚 𝑘
𝐹(𝑥) ≔ {∑ ( ) 𝑝 ∙ (1 − 𝑝)𝑚−𝑘 , 0 < 𝑥 < 𝑚
𝑘:𝑘<𝑥 𝑘
1, 𝑚 < 𝑥
Binomna distribucija
Za sve slucajne varijable koje imaju sliku R(X) = {0, 1, 2, ...,m} i funkciju vjerojatnosti
𝑚
𝑓(𝑥) = ( ) 𝑝𝑘 ∙ (1 − 𝑝)𝑚−𝑘 , 𝑥 ∈ 𝑅(𝑋)
𝑘
kazemo da imaju BINOMNU DISTRIBUCIJU (RAZDIOBU) s parametrima m i p i oznacavamo
X~𝐵(𝑚, 𝑝)
Poisovnoa distribucija
Poisonova distribucija nastaje kada su vrijednosti slućajne promjenljive X zapravo broj događaja
koji se dešavaju u razlicitom vremenu i prostoru pod sljedećim uvjetima:
1. Događaji se dešavaju nezavisno jedan od drugog
2. Vjerovatnoca svih dogadaja je ista
3. Nije moguce da se dva dogadaja dese u tacno istom vremenu i prostoru
4. Prosjećna vrijednost broja desavanja događaja u datom vremenskom intervalu je konaćna
i poznata
Poisonova raspodjela definisana je formulom
𝑒 −𝜆 ∙ 𝜆𝑥
𝑃(𝑥) =
𝑥!
Za diskretnu slučajnu varijablu X koja ima sliku R(X) = {0,1,2, . . } i funkciju vjerojatnosti
𝑒 −𝜆 ∙ 𝜆𝑥
𝑓(𝑥) = , 𝑥𝜖𝑅(𝑋)
𝑥!
Kazemo da ima poisonovu distribuciju s parametrom λ i označavamo
X~𝑃𝑜(𝜆)

Neka je X~𝐵(𝑚, 𝑝), s oarametrima m → ∞, 𝑝 → 0, 𝑚 ∙ 𝑝 → 𝜆

Statistika je naučna disciplina koja se bavi prikupljanjem, analizom i tumačenjem masovnih
pojava odnostno:

STATISTIKA JE ZNANOS O METODAMA ISTRAZIVANJE MASOVNIH POJAVA

POMOC BROJČANOG IZRACUNAVANJA

Statistika je empirijska nauka koja se bavi podacima koji su se dogodili i na osnovu njih
izračunava ono sto bi se moglo dogoditi.

Statistika ( matematička statistika ) je znanstvena disciplina koja provjerava matematičke

modele slučajnog pokusa u realnost. Proučava svojstva slučajnog uzorka i donosi zaključke o
populaciji iz koje je uzet slučajni uzorak.

Dijeli se na :

Deskriptivna statistika bavi se uređivanjem prikupljenih, empirijskih podataka, njihovim

grafičkim prikazivanjem i opisivanjem pomoću numeričkih vrijednost prosjeka, standardne
devijacije i dr...

Induktivna statistika bavi se metodam koje se zasnivaju na teoriji vjerojatnost i koje

omogućavaju da se donose zaključci o populaciji pomoću uzoraka iz populacije.

Tri pravca u matematičkoj statistici su:

1. Teroija procjene
2. Teorija testiranja
3. Teroija planiranja
Obimom osnovnog skupa nazivamo broj njegovih elemenata u slučaju da je skup konačan,
odnosno obim je jadinalni broj u slučaju beskonačnog skupa.
Skup uređenih parova {(𝑥1 , 𝑓1 ) … (𝑥𝑛 , 𝑓𝑛 )} vrijednosti x i njihovih frekvencija f obiljezija X,
uređena po rastućim vrijednostima x1....xn zove se statistička raspodjela frekvencije obiljezija X
osnovnog skupa.

Osnovnom sredinom naziva se aritmetička sredina obilježija X osnovnog skupa. Označimo

osnonu sredinu sa 𝑋 ̅̅̅0. Ako su sve vrijednost 𝑥1 … . 𝑥𝑛 obiljezija X osnovnog skupa obima N
različite, onda prema datoj definiciji imamo
𝑁
1
̅̅̅0 = ∑ 𝑋𝑖
𝑋
𝑁
𝑖=1

𝑁
1
𝑋0 = ∑ 𝑁 𝑋𝑖 .
𝑁
𝑘=1

Sredinom uzorka 𝑋̅𝑛 naziva se aritmetička sredina vrijednost obiljezija uzorka.

𝑛
̅̅̅̅ 1
𝑋̅𝑛 = ∑ 𝑥𝑖
𝑛
𝑖=1

𝑛
1
𝑋̅𝑛 = ∑ 𝑥𝑖 𝑛𝑖
𝑛
𝑖=1

Disperzija 𝐷0 naziva se aritmetička sredina kvadrata odstupanja vrijednost obilježija X osnovnog

skupa od njegove srednje vrijednost 𝑋̅̅̅0

𝑁
1
𝐷0 = ∑(𝑥𝑖 − 𝑋̅)2
𝑁
𝑖=1

𝑁
1
𝐷0 = ∑(𝑥𝑖 − 𝑋̅)2 ∙ 𝑛𝑖.
𝑁
𝑖=1

Disperzijom uzorka naziva se aritmetička sredina kvadrata odstupanja

𝑛
1
𝐷𝑛 = ∑(𝑥𝑖 − 𝑋̅)2
𝑛
𝑖=1

𝑛
1
𝐷𝑛 = ∑(𝑥𝑖 − 𝑋̅)2 𝑛𝑖.
𝑛
𝑖=1
Populacija je skup svih elemenata od kojih bismo mogli uzeti podatke o određenim veličinama.

Izabranim skupom ili uzorkom naziva se skup objekata slučajno izabranih iz osnovnog skupa.
Ponekad se pod pojmom statistički skup ili statistička masa podrazumjeva bilo osnovni skup bilo
uzorak.

Statistička varijabla je numeričko svojstvo elemenata statističkog skupa.

Neka je X statisticka varijabla i neka se mjerenja ponovi n konačno mnogo puta i dobije n
statističkih podataka 𝑥𝑖 , 𝑖 = 1, . . 𝑛. Slika R(X)={𝑥𝑘∗ , 𝑘 = 1 … 𝑟} sadrzi r različitih statistckih
podataka . Ako se 𝑥𝑘∗ javi 𝑓𝑘 puta onda kazemo da 𝑥𝑘∗ pripada frekvenciji 𝑓𝑘 i relativna
𝑓𝑘
frekvencija .
𝒏

Vrijedi :
𝑟 𝑟
𝑓𝑘
∑ 𝑓𝑘 = 𝑛, ∑ =1
𝑛
𝑘=1 𝑘=1

Za x𝜖𝑅 kazemo da ima komulativnu relativnu frekvenciju

𝑟
𝑓𝑘
𝐹𝑛 (𝑥) = ∑ .
𝑛
𝑘𝑥𝑘∗ <𝑥

Aritmetička sredina n statistickih podatak 𝑥𝑖 , 𝑖 = 1 … 𝑛.

𝑛
1
𝑥̅ = ∑ 𝑥𝑖
𝑛
𝑖=1

𝑛
1
𝑥̅ = ∑ 𝑥𝑘∗ 𝑓𝑘.
𝑛
𝑘=1

Varijansa n statistickih podataka

𝑛
1
𝜎 = ∑(𝑥𝑖 − 𝑥̅ )2
2
𝑛
𝑖=1

𝑛
1
𝜎 = ∑(𝑥𝑖 − 𝑥̅ )2 ∙ 𝑓𝑘.
2
𝑛
𝑘=1
Statističke podatke koje dobijemo mjerenjem statističkog obiljezija možemo prikazati :

1. Tablicno: tablicom frekvencija i retaltivnih frekvencija

2. Graficki: grafikom frekvencija ,relativnih frekvencija i komulativnih frekvenicja
3. Histogramom: dobiveni podaci su predstavljeni pravokutnicima visine po frekvenciji ili
relativnoj frekvenciji
4. Poligonom: izlmljena liniaj koja spaja tačke dobijenih podataka i frekvencija.

Statisticko obiljezje (slucajna varijabla) X sa skupom vrijednosti R(X) opisano grafom relativnih
frekvencija ili grafom kumulativnih relativnih frekvencija ima statisticku funkciju distribucije
Fn(x). Slucajna varijabla X ima i teorijsku funkciju distribucije F(x).

Medijan skupa podatak je srednji podatak ako je broj podatak nepara, a aritmetička sredina dvaju
srednjih podataka ako je broj podatak paran.

𝑀𝑒 = 𝑥𝑛+1
2

𝑥𝑛 + 𝑥𝑛+1
2 2
𝑀𝑒 =
2
Mod je statisticko obiljezije koje ima najvecu frekvenciju.

Koefcijent asimetrije za slucajnu varijablu X je broj KA koji karakterizira simetriju razdiobe i

defnira se kao kvocijent treceg centralnog momenta i kuba standardne devijacije σ :
𝜇3
𝐾𝐴 = 3
𝜎
Koefcijent spljostenosti slucajne varijable X je broj KE koji karakterizira zaobljenost razdiobe i
defnira se kao pomocu kvocijenta ·cetvrtog centralnog momenta i cetvrte potencije standardne
devijacije σ :
𝜇4
𝐾𝐸 = 4 − 3.
𝜎

Dinamička analiza proučava se otkrivanje varijacije pojava u odnosima tokom vremena i

ukazivanje na razvojnu tendenciju pojave. Metode ove analize primjenjuju se samo u
istraživanjima onih pojava koje se u toku vremena mijenjaju (variraju). Dakle, u oblasti
dinamičke analize se proučava ispitivanje tendencije kretanja pojave u vremenu. Statistički
podaci koji su predmet istraživanja dinamike kretanja pojava postavljeni su u obliku vremenske
serije (vremenskog niza).

Za iskazivanje vremenskih serija koriste se: grafički metod, metoda indeksnih brojeva, tempo
razvoja, pokretne srednje vrijednosti i metoda trenda.
Ako između dvaju ili više obilježja X1 , . . ., Xn postoji veza, onda kažemo da su ta obilježja u
korelaciji ili da su korelirana. Matematički zakon koji reprezentira tu vezu nazivamo funkcija
regresije, a njen grafik kriva regresije.

Korelacionom (korelacijskom) analizom proučava se uzajamna zavisnost i varijacije među

pojavama.

Korelacija (lat. con = sa, relatio = odnos) predstavlja suodnos ili međusobnu povezanost
između različitih pojava predstavljenih vrijednostima dvaju varijabli. Pri tome povezanost znači
da je vrijednost jedne varijable moguće sa određenom vjerojatnošću predvidjeti na osnovu
saznanja o vrijednosti druge varijable.

Regresiona (regresijska) analiza je najvažnija analiza u statistici, a koristi se za utvrđivanje da li

promjena svojstva jedinice neke serije podataka zavisi od promjene svojstva jedinice nekog
drugog skupa. Ako postoji paralelnost kretanja promjena svojstava jedinica promatranih
skupova, onda se može reći da postoji izvjesna zavosnost između ta dva skupa.

Regresijska analiza jedna je od metoda multivarijatne analize koja pretpostavlja postojanje

najmanje dvaju skupova varijabli, a koristi se za proučavanje i modeliranje povezanosti i razlika
između tih skupova varijabli. Regresijskom metodom pokušava se ustanoviti postojanje i razina
povezanosti između jedne ili više zavisnih (kriterijskih) varijabli i prediktora ( nezavisnih
varijabli ), pri čemu se posebna važnost pridaje mogućnosti prognoziranja ili predikcije
vrijednosti (ili varijabilnosti) jedne varijable na osnovu drugih.