Greške

𝑓′ (𝑥0 ) 𝑓(𝑛) (𝑥0 )

- Taylorov red (Mac Laurinov red) : 𝑓(𝑥) = 𝑓(𝑥0 ) + 1!
(𝑥 − 𝑥0 ) + ⋯ + 𝑛!
(𝑥 − 𝑥0 )𝑛
𝑓 (𝑛+1) (𝜉)
- Greška: 𝑅𝑛+1 (𝑥) = (𝑛+1)!
(𝑥 − 𝑥0 )𝑛+1 (Opasnost: ako oduzimanjem od velikih brojeva,
relativno obzirom na rezultat, dobijemo male
- Redovi
1
o 1−𝑥
= 1 + 𝑥 + 𝑥 2 + ⋯ + 𝑥 𝑛 + ⋯ , |𝑥| < 1
1
o 1+𝑥
= 1 − 𝑥 + 𝑥 2 + ⋯ + (−1)𝑛 𝑥 𝑛 + ⋯ , |𝑥| < 1
𝑥2 𝑥3 𝑥 𝑛+1
o ln(𝑥) = 𝑥 − + + ⋯ + (−1)𝑛 + ⋯ , |𝑥| <1
2 3 𝑛+1
𝑥 2 𝑥 𝑛
o 𝑒 𝑥 = 1 + 𝑥 + 𝟐! + ⋯ + 𝑛! + ⋯
𝑥3 𝑥5
o 𝑠𝑖𝑛𝑥 = 𝑥 − 3! + 5! + ⋯
𝑥2 𝑥4
o 𝑐𝑜𝑠𝑥 = 1 − 2! + 4! + ⋯
𝑥2 𝑥4 𝑥 2𝑛 𝑒 𝑥 −𝑒 −𝑥
o 𝑐ℎ𝑥 = 1 + 2! + 4! + ⋯ + (2𝑛)! + ⋯ = 2
𝑥1 𝑥3 𝑥 2𝑛+1 𝑒 𝑥 +𝑒 −𝑥
o 𝑠ℎ𝑥 = 1! + 3! + ⋯ + (2𝑛+1)! + ⋯ = 2

Gaussove eliminacije i LR faktorizacija

- Bez pivotiranja: 𝐴 = 𝐿𝑅 → 𝐴𝑥 = 𝐿𝑅𝑥 = 𝑏 → 𝐿𝑦 = 𝑏, 𝑅𝑥 = 𝑦

- Sa pivotiranjem: 𝑃𝐴𝑥 = 𝐿𝑅𝑥 = 𝑃𝑏 → 𝑏 ′ = 𝑃𝑏, 𝐿𝑅𝑥 = 𝑏 ′ → 𝐿𝑦 = 𝑏 ′ , 𝑅𝑥 = 𝑦
- 𝐴𝑇 : stupac  redak

Aproksimacija i interpolacija

- Lagrangeov oblik interpolacijskog polinoma

o 𝑝𝑛 (𝑥) = ∑𝑛𝑘=0 𝑓𝑘 𝑙𝑘 (𝑥)
(𝑥−𝑥0 )…(𝑥−𝑥𝑘−1 )(𝑥−𝑥𝑘+1 )…(𝑥−𝑥𝑛 )
o 𝑙𝑘 (𝑥) = (𝑥
𝑘 −𝑥0 )…(𝑥𝑘 −𝑥𝑘−1 )(𝑥𝑘 −𝑥𝑘+1 )…(𝑥𝑘 −𝑥𝑛 )
|𝜔(𝑥)|
o |𝑓(𝑥)−𝑝𝑛 (𝑥)| ≤ (𝑛+1)! 𝑀𝑛+1 – vrijedi i za Newtonov oblik
o 𝑀𝑛+1 = max |𝑓 (𝑛+1) (𝑥)|
𝑥∈[𝑎,𝑏]
o 𝜔(𝑥) = ∏𝑛𝑘=0(𝑥 − 𝑥𝑘 )
- Newtonov oblik interpolacijskog polinoma
o 𝑝𝑛 (𝑥) = 𝑓[𝑥0 ] + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + ⋯ + 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 ](𝑥 − 𝑥0 )(𝑥0 − 𝑥1 ) … (𝑥 −
𝑥𝑛−1 )
𝑓[𝑥1 ,…,𝑥𝑛 ]−𝑓[𝑥0 ,…,𝑥𝑛−1 ]
o 𝑓[𝑥0 , … , 𝑥𝑛 ] = 𝑥𝑛 −𝑥0

o 𝑓[𝑥𝑘 ] = 𝑓𝑘 , 𝑘 = 0, … , 𝑛

HINKO FUŠ 1
 - Diskretna metoda najmanjih kvadrata
o Linearna funkcija: 𝜑(𝑥) = 𝑎0 𝜑0 (𝑥) + 𝑎1 𝜑1 (𝑥) + ⋯ + 𝑎𝑚 𝜑𝑚 (𝑥)
2
o 𝑆 = 𝑆(𝑎0 , … , 𝑎𝑚 ) = ∑𝑛𝑘=0(𝑓𝑘 − 𝜑(𝑥𝑘 )) → 𝑚𝑖𝑛
𝜕𝑆
o Uvjeti: 𝜕𝑎 = 0, 𝑘 = 0, … , 𝑛
𝑘
o Linearizacija
 𝜑(𝑥) = 𝑎0 𝑥 𝑎1  𝜓(𝑥) = 𝑙𝑜𝑔𝜑(𝑥) = log(𝑎0 ) + 𝑎1 𝑙𝑜𝑔𝑥, ℎ𝑘 = 𝑙𝑜𝑔𝑓𝑘
1 1 1
 𝜑(𝑥) =  𝜓(𝑥) = = 𝑎0 + 𝑎1 𝑥, ℎ𝑘 =
𝑎0 +𝑎1 𝑥 𝜑(𝑥) 𝑓𝑘
𝑥 𝑥 ℎ𝑘
 𝜑(𝑥) = 𝑎0 +𝑎1 𝑥
 𝜓(𝑥) = 𝜑(𝑥) = 𝑎0 + 𝑎1 𝑥, ℎ𝑘 = 𝑓
𝑘
𝑥 1 −𝑥 1
 𝜑(𝑥) = 𝑎0 +𝑎1 𝑒 −𝑥
 𝜓(𝑥) = 𝜑(𝑥) = 𝑎0 + 𝑎1 𝑒 , ℎ𝑘 = 𝑓
𝑘
o Neprekidna metoda najmanjih kvadrata  minimiziramo integral a ne sumu

Numerička integracija

- Newton – Cotesove formule

(𝑚) 𝑏−𝑎
o Čvorovi:𝑥𝑘 = 𝑥0 + 𝑘ℎ𝑚 , 𝑘 = 0, … , 𝑚 ℎ𝑚 = 𝑚
𝑏 𝑚 (𝑚)
o Osnovni oblik: ∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ 𝐼𝑚 (𝑓) = ∑𝑘=0 𝑤𝑘 𝑓(𝑥0
+ 𝑘ℎ𝑚 )
- Trapezna formula (površina trapeza)
o Najjednostavnija Newton – Cotesova formula za 𝑤 = 1
(1) (1)
o 𝐼1 (𝑓) = 𝑤𝑘 𝑓(𝑥0 ) + 𝑤1 𝑓(𝑥0 + ℎ1 )
o ℎ1 = 𝑏 − 𝑎
𝑏 ℎ
o 𝐼1 (𝑓) = ∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ (𝑓(𝑎) + 𝑓(𝑏))
2
- Simpsonova formula (𝑚 = 2)
𝑏 ℎ 𝑎+𝑏
o ∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ 3 (𝑓(𝑎) + 4𝑓 ( 2
)+ 𝑓(𝑏))
- Produljena trapezna formula
𝑏−𝑎
o ℎ= 𝑛
𝑏 1 1
o ∫𝑎 𝑓(𝑥)𝑑𝑥 = ℎ(2 𝑓0 + 𝑓1 + ⋯ + 𝑓𝑛−1 + 2 𝑓𝑛 ) + 𝐸𝑛𝑇 (𝑓)
(𝑏−𝑎)ℎ2 (𝑏−𝑎)3
o Greška produljene formule: |𝐸𝑛𝑇 (𝑓)| ≤ 12
𝑀2 = 12𝑛2
𝑀2 , 𝑀2 = max |𝑓′′(𝑥)|
𝑥∈[𝑎,𝑏]
(𝑏−𝑎)3 𝑀2
o 𝑛≥√ 12𝜀
, 𝑛 cijeli broj
o Uvjeti egzaktnosti: 𝑓(𝑥) = 1, 𝑓(𝑥) = 𝑥, ….
- Produljena Simpsonova formula
𝑏 ℎ
o ∫𝑎 𝑓(𝑥)𝑑𝑥 = 3 (𝑓0 + 4𝑓1 + 2𝑓2 + 4𝑓3 + 2𝑓4 + ⋯ + 4𝑓𝑛−1 + 𝑓𝑛 ) + 𝐸𝑛𝑆 (𝑓)
(𝑏−𝑎)ℎ4 (𝑏−𝑎)5
o Greška: |𝐸𝑛𝑆 (𝑓)| ≤ 180
𝑀4 = 180𝑛4
𝑀4 , 𝑀4 = max |𝑓 (4) (𝑥)|
𝑥∈[𝑎,𝑏]
4 (𝑏−𝑎)5 𝑀4
o 𝑛≥√ 180𝜀
, 𝑛 paran cijeli broj
- Formula srednje točke
o Ako u Newton – Cotesovim formulama ne interpoliramo (pa onda niti ne
integriramo) jednu ili obje rubne točke, dobili smo otvorene Newton – Cotesove
formule
𝑏 𝑎+𝑏
o ∫𝑎 𝑓(𝑥)𝑑𝑥 = (𝑏 − 𝑎)𝑓 ( )
2

HINKO FUŠ 2
Rješavanje nelinearnih jednadžbi

1. Nalaženje intervala u kojem se nalazi nultočka (analizom toka)

2. Nalaženje nultočke na traženu točnost
- 𝑀𝑘 = max |𝑓 (𝑘) (𝑥)| , 𝑚𝑘 = min |𝑓 (𝑘) (𝑥)|
𝑥∈[𝑎,𝑏] 𝑥∈[𝑎,𝑏]
o Mogu se nalaziti: u bilo kojem lokalnom ekstremu funkcije 𝑓 (𝑘) , pri čemu ne treba
pokazivati da se radi o lokalnom ekstremu. U rubovima intervala. 𝑚𝑘 može biti i u
nultočki 𝑓 (𝑘)
- Metoda bisekcije (raspolavljanja)
o Funkcija neprekidna na [a, b] i vrijedi 𝑓(𝑎) ∙ 𝑓(𝑏) < 0 (postoji nultočka)
log(𝑏−𝑎)−𝑙𝑜𝑔𝜀
o Kriterij zaustavljanja : 𝑛 ≥ − 1 ili |𝑓(𝑥𝑛 )| ≤ 𝑚1 𝜀
log 2
- Newtonova metoda (metoda tangente) – ne mora konvergirati prema nultočki
𝑓(𝑥 )
o Niz aproksimacija: 𝑥𝑛+1 = 𝑥𝑛 − 𝑓′ (𝑥𝑛 )
𝑛
2𝑚1 𝜀
o Dinamička ocjena greške: |𝑥𝑛 − 𝑥𝑛−1 | ≤ √
𝑀2
o 𝑓(𝑎) ∙ 𝑓(𝑏) < 0 (postoji nultočka)
o Start sa strmijeg kraja: 𝑓(𝑥0 ) ∙ 𝑓 ′′ (𝑥0 ) > 0
- Modifikacija za višestruke točke
𝑓(𝑥 )
o Znamo višestrukost nultočke k: 𝑥𝑛+1 = 𝑥𝑛 − 𝑘 𝑓′ (𝑥𝑛 )
𝑛
𝑓(𝑥) 𝑔(𝑥)
o Ne znamo, 𝑘 > 0: 𝑔(𝑥) =  𝑥𝑛+1 = 𝑥𝑛 − funkcija g(x) ima jednostruku
𝑓′(𝑥) 𝑔′ (𝑥)
nultočku, pa će Newtonova metoda, ako konvergira, konvergirati kvadratično prema
𝛼. Newtonovu metodu trebamo primijeniti na funkciju g(x)

Inicijalni problem za obične diferencijalne jednadžbe (Runge – Kutta metode)

- Krute (stiff) diferencijalne jednadžbe

o Za diferencijalnu jednadžbu kažemo da je kruta, ako mala perturbacija početnih
uvjeta dovede do velike perturbacije u rješenju problem
o Početni uvjet  C  𝑦𝑇
o Početni uvjet 𝑓(𝑥) = 𝑦 + 𝜀 𝜀 ≪ 1  C  𝑦𝑃
- Varijabilni korak
o Promatra se RK metoda s korakom h i h/2
 Ako se vrijednosti razlikuju, korak se smanji na ℎ = ℎ/2 i procedura se
ℎ ℎ
ponovi za 2 𝑖 4
 Ako su vrijednosti tako dobivenih aproksimacija bliske, prihvaća se tako
izračunata vrijednost
o Korist je da se neke funkcije s puno manje računanja može dobiti rješenje na
zadovoljavajuću točnost
- RK-1 (Eulerova metoda): 𝑦𝑛+1 = 𝑦𝑛 + ℎ ∙ 𝑓(𝑥𝑛 , 𝑦𝑛 )
o Izvod
 Povučemo u točki 𝑥0 tangentu na pravo rješenje 𝑌(𝑥). Koristeći vrijednost te
tangente z 𝑥1 dobit ćemo željenu aproksimaciju u 𝑥1
∆𝑌 𝑌(𝑥1 )−𝑌(𝑥0 )
 = ≈ 𝑌 ′ (𝑥0 ) = 𝑓(𝑥0 , 𝑦0 ) Ili drugačije zapisano
ℎ ℎ0
 𝑌(𝑥1 ) − 𝑌(𝑥0 ) ≈ ℎ𝑌 ′ (𝑥0 ) = ℎ𝑓(𝑥0 , 𝑦0 )

HINKO FUŠ 3
 1
- RK-2: 𝑦𝑛+1 = 𝑦𝑛 + (𝑘1 + 𝑘2 )
2
o 𝑘1 = ℎ𝑛 ∙ 𝑓(𝑥𝑛 , 𝑦𝑛 )
o 𝑘2 = ℎ𝑛 ∙ 𝑓(𝑥𝑛 + ℎ𝑛 , 𝑦𝑛 + 𝑘1 )
1
- RK-4: 𝑦𝑛+1 = 𝑦𝑛 + 6 (𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 )
o 𝑘1 = ℎ𝑛 ∙ 𝑓(𝑥𝑛 , 𝑦𝑛 )
1 1
o 𝑘2 = ℎ𝑛 ∙ 𝑓 (𝑥𝑛 + ℎ𝑛 , 𝑦𝑛 + 𝑘1 )
2 2
1 1
o 𝑘3 = ℎ𝑛 ∙ 𝑓 (𝑥𝑛 + 2 ℎ𝑛 , 𝑦𝑛 + 𝑘 )
2 2
o 𝑘4 = ℎ𝑛 ∙ 𝑓(𝑥𝑛 + ℎ𝑛 , 𝑦𝑛 + 𝑘3 )
- Vektorska norma
𝑦
′
o 𝑦⃗ = [ ]𝑦
𝑦 ′′
𝑦′
o 𝑦⃗ ′ = 𝑓⃗(𝑥, 𝑦⃗) = [ 𝑦 ′′ ]
𝑦 ′′′

HINKO FUŠ 4
 VJEROJATNOST I STATISTIKA

Definicija vjerojatnosti
𝑝 𝑝𝑜𝑣𝑜𝑙𝑗𝑛𝑖
- Pr(𝐷) ≈ =
𝑚 𝑚𝑜𝑔𝑢ć𝑖

Izvedbe vjerojatnosti

- Za vjerojatnost svakog događaji vrijedi: 0 ≤ Pr(𝐴) ≤ 1

- Vjerojatnost:
o Istovremenog događaja (i): 𝐴 ∩ 𝐵
o Jednog od dva (ili): 𝐴 ∪ 𝐵
o Suprotnog događaja: Pr(𝐴̅) = 1 − Pr(𝐴)
o Nemogućeg događaja (𝐴 ∩ 𝐵 = ∅): Pr(𝐴 ∪ 𝐵) = Pr(𝐴) + Pr(𝐵)
o Postoji presjek: Pr(𝐴 ∪ 𝐵) = Pr(𝐴) + Pr(𝐵) − Pr(𝐴 ∩ 𝐵)
o Tri događaja: 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)
- Nezavisni događaji: Pr(𝐴 ∩ 𝐵) = Pr(𝐴) ∙ Pr(𝐵)

Uvjetna vjerojatnost

- Vjerojatnost događaja B uz uvjet da se ostvario događaj A

Pr(𝐴∩𝐵)
- Pr(𝐴|𝐵) = Pr(𝐴)
- Pr(𝐴 ∩ 𝐵) = Pr(𝐴) ∙ Pr(𝐵|𝐴)
- Pr(𝐴 ∩ 𝐵 ∩ 𝐶) = Pr(𝐴) ∙ Pr(𝐵|𝐴) ∙ Pr(𝐶|𝐴 ∩ 𝐵)
- Nezavisni događaji: Pr(𝐵|𝐴) = Pr(𝐵) , Pr(𝐴|𝐵) = Pr(𝐴)
- Disjunktni događaji (𝐴 ∩ 𝐵 = ∅): Pr(𝐵|𝐴) = 0

Bayersova formula

- Pr(𝑃) = ∑𝑛𝑗=1 Pr(𝐻𝑗 ) Pr(𝑃|𝐻𝑗 )

o 𝑝 – događaj; događaji 𝐻𝑗 – hipoteze; vjerojatnost Pr(𝐻𝑗 ) – apriorna vjerojatnost
o Pr(𝑃|𝐻𝑗 ) – vjerojatnost od P ako je točna hipoteza 𝐻𝑗
Pr(𝐻𝑗 )Pr(𝑃|𝐻𝑗 )
- Pr(𝐻𝑗 |𝑃) = ∑𝑛
𝑗=1 Pr(𝐻𝑗 )Pr(𝑃|𝐻𝑗 )
o Aposteriorna (naknadna) vrijednost

Prostor elementarnih ishoda i razdioba vjerojatnosti na njemu

- Za pokus 𝜀, imamo elementarne ishode (𝜔𝑗 ). Skup svih elementarnih ishoda zovemo Ω. Svaki
od elementarnih ishoda ima vjerojatnost 𝑝.
- Pr(𝐴) = ∑𝜔𝑖 𝑝𝑖

Slučajna varijabla

- Numerički ishod slučajnog eksperimenta

𝑥1 𝑥2
- 𝑋~ (𝑝 𝑝 … )
1 2

HINKO FUŠ 5
Očekivanje (diskretne) slučajne varijable

- Prosjek svih vrijednosti varijable 𝑋

- 𝐸(𝑋) = 𝜇𝑥 = ∑𝑠𝑣𝑖𝑚 𝑥𝑘 𝑥𝑘 Pr(𝑥𝑘 )

Varijanca (diskretne) slučajne varijable

- Raspršenje 𝑋 od 𝐸(𝑋) mjerimo varijancom

2
o 𝑉(𝑋) = 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 − 𝐸(𝑋)) (s desne strane - prosječna vrijednost kvadrata
otklona)
2
o 𝑉(𝑋) = ∑𝑠𝑣𝑖𝑚 𝑥𝑘(𝑥𝑘 − E(X)) Pr(𝑥𝑘 )
- Standardna devijacija: 𝜎𝑋 = √𝑉(𝑋)

Slučajne varijable s beskonačno mnogo vrijednosti - koristimo geometrijski red

Neprekidne slučajne varijable

- Vjerojatnost je površina ispod funkcije gustoće slučajne varijable

𝑏
o Pr(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥
- Za funkciju gustoće slučajne varijable mora vrijediti:
o 𝑓(𝑥) ≥ 0
∞
o ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
- Očekivanje i varijanca
∞
o 𝐸(𝑋) = 𝜇 = ∫−∞ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥
∞
o 𝑉(𝑋) = 𝜎 2 = ∫−∞(𝑥 − 𝜇)2 ∙ 𝑓(𝑥)𝑑𝑥
- Kumulativna razdioba ili funkcija distribucije 𝐹
o Pr(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)
𝑎
o 𝐹(𝑎) = ∫−∞ 𝑓(𝑥)𝑑𝑥
o Svojstva funkcije distribucije
 lim 𝐹(𝑥) = 0 , lim 𝐹(𝑥) = 1 , 𝐹(𝑥) je rastuća funkcija
𝑥→−∞ 𝑥→∞

Pravila za računanje očekivanja i varijanci

- 𝐸(𝑐𝑋) = 𝑐𝐸(𝑋), 𝑐 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎

- 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌)
- 𝑉(𝑐𝑋 + 𝑏) = 𝑐 2 𝑉(𝑋) 𝑐 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎
- 𝜎(𝑐𝑋 + 𝑏) = 𝑐𝜎(𝑋)
- 𝑋 i 𝑌 su nezavisne slučajne varijable
o 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)
o 𝜎(𝑋 + 𝑌) = √𝜎 2 (𝑋) + 𝜎 2 (𝑌)

Binomna slučajna varijabla

- Za indikatorsku ili Bernoullijevu slučajnu varijablu s vjerojatnošću uspjeha 𝑝 je

o 𝐸(𝑋) = 𝑝
o 𝑉(𝑋) = 𝑝𝑞
- Ako je 𝐵𝑛𝑝 binomna slučajna varijabla koja mjeri broj uspjeha u 𝑛 ponavljanja pokusa, onda
su njezino očekivanje i varijanca
o 𝐸(𝐵𝑛𝑝 ) = 𝑛𝑝
o 𝑉(𝐵𝑛𝑝 ) = 𝑛𝑝𝑞 𝜎(𝐵𝑛𝑝 ) = √𝑛𝑝𝑞

HINKO FUŠ 6
 - Funkcija vjerojatnosti binomne slučajne varijable
o Pr(𝐵𝑛𝑝 = 𝑘) = (𝑛𝑘)𝑝𝑘 𝑞 𝑛−𝑘
𝑛! 𝑛∙(𝑛−1)⋯(𝑛−𝑘+1)
o (𝑛𝑘) = 𝑘!(𝑛−𝑘)! = 𝑘!

Normalna slučajna varijabla

- 𝐵𝑛𝑝 ≈ 𝑁(𝜇, 𝜎), 𝜇 = 𝑛𝑝, 𝜎 = √𝑛𝑝𝑞

- Funkcija gustoće
1 𝑥−𝜇 2
1 − ( )
o 𝑓(𝑥)? 𝜎 𝑒 2 𝜎
√2𝜋
𝑥−𝜇
- 𝑁(𝜇, 𝜎)  𝑁(0,1): 𝑍 = 𝜎
𝑥 1
- 𝜙0 (𝑥) = ∫0 𝑓(𝑧)𝑑𝑧 = 𝐹(𝑥) − 𝐹(0) = 𝐹(𝑥) − 2
0,5 + 𝜙0 (𝑥), 𝑥 ≥ 0
- 𝐹(𝑥) = {
0,5 − 𝜙0 (−𝑥), 𝑥 < 0
Varijanca, kovarijanca, korelacija

- Za pronalaženje veze između dvije slučajne varijable potrebne su nam kovarijanca i korelacija
- Veza između varijance i očekivanja slučajne varijable X
2 2
o 𝑉𝑎𝑟(𝑋) = 𝐸((𝑋 − 𝐸(𝑋)) = 𝐸(𝑋 2 − 2𝑋𝐸(𝑋) + 𝐸(𝑋)2 ) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
o 𝐸(𝑋 2 ) = 𝜇𝑥2 + 𝜎𝑥2
- Kovarijanca i korelacija za dvije slučajne varijable X i Y
o 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸 ((𝑋 − 𝐸(𝑋)) ∙ (𝑌 − 𝐸(𝑌))) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)
𝐶𝑜𝑣(𝑋,𝑌)
o 𝜌(𝑋, 𝑌) =
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)
o 𝐸(𝑋𝑌) = 𝜇𝑥 𝜇𝑦 + 𝜌(𝑋, 𝑌)𝜎𝑥 𝜎𝑦
- Za dane slučajne varijable X i Y treba naći najbolju aproksimaciju slučajne varijable Y
varijablom Z oblika 𝑍 = 𝛼𝑋 + 𝛽 (pravac regresije)
o Najbolja aproksimacija slučajne varijable Y nekom familijom slučajnih varijabli 𝑔(𝑥)
koje ovise o 𝑋, je onaj 𝑔∗ (𝑋) za koji vrijedi
2
 ∆∗ = 𝐸 ((𝑌 − 𝑔∗ (𝑋)) ) = 𝜎𝑌2 (1 − 𝜌(𝑋, 𝑌)2 ) minimalan mogući među svih
funkcijama u familiji 𝑔(𝑥)
 ∆∗ - srednje-kvadratna greška
𝜎 𝜎
 𝑔∗ (𝑋) = 𝜌(𝑋, 𝑌) 𝜎𝑌 𝑋 + 𝜇𝑌 − 𝜌(𝑋, 𝑌) 𝜎𝑌 𝜇𝑋
𝑋 𝑋

Čebiševljeva nejednakost
𝜎2
- Pr(|𝑋 − 𝜇| ≥ 𝜀) ≤ 𝜀2
o 𝜀 – proizvoljni realni broj

Slabi zakon velikih brojeva

𝜎2
- Pr(|𝑋 − 𝜇| ≥ 𝜀) ≤ 𝜀2 𝑛
- Ako 𝑛 → ∞  Pr(|𝑋 − 𝜇| > 𝜀) → 0

Procjene parametara pomoću uzoraka

- Grana statistike koja kaže kako treba birati uzorak da bi se dobila neka informacija o
populaciji, zove se induktivna statistika. Dio statistike koji se bavi samo opisom neke

HINKO FUŠ 7
 izdvojene grupe, bez da se iz toga izvlači ikakav zaključak o cjelokupnoj populaciji, zove se
opisna ili deduktivna statistika
- Neka je zadana slučajna varijabla 𝑌 s funkcijom razdiobe 𝐹. Napravimo n njezinih nezavisnih
identičnih kopija, koje nazivamo s 𝑌1 , … , 𝑌𝑛 s identičnom razdiobom 𝐹. Tako dobivenu 𝑛-
torku slučajnih varijabli nazivamo slučajni uzorak dimenzije 𝑛, a vrijednosti koje one
poprimaju 𝑦1 , … , 𝑦𝑛 nazivamo vrijednostima uzorka.
- Bez obzira izvlačimo li uzorak duljine 𝑛 iz konačne populacije s vraćanjem ili bez vraćanja, ili iz
beskonačne populacije, uvijek je srednja vrijednost očekivanja uzorka jednaka očekivanju
populacije
o 𝜇𝑌 = 𝜇𝑌
- Ako uzorak duljine 𝑛 izvlačimo iz konačne populacije bez vraćanja, onda je varijanca svih
mogućih očekivanja uzoraka
𝜎𝑌2 𝑛𝑝 −𝑛
o 𝜎𝑌2 = ∙
𝑛 𝑛𝑝 −1
- Ako uzorak duljine 𝑛 izvlačimo iz beskonačne populacije ili iz konačne populacije s vraćanjem,
onda je varijanca svih mogućih očekivanja uzoraka
𝜎𝑌2
o 𝜎𝑌2 = 𝑛
- Procjena parametara populacije
o Nepoznato očekivanje 𝜇 populacije 𝑌 procjenjujemo sredinom uzorka
𝑌1 +⋯+𝑌𝑛
 𝑌= 𝑛
o Ako je očekivanje poznato, varijancu 𝑉𝑎𝑟(𝑌) procjenjujemo na sljedeći način
2 (𝑌1 −𝜇)2 +⋯+(𝑌𝑛 −𝜇)2
 𝑆 = 𝑛
 𝜇 – poznato očekivanje slučajne varijable
o Ako je očekivanje nepoznato varijancu procjenjujemo na sljedeći način
2 2
2 (𝑌1 −𝑌) +⋯+(𝑌𝑛 −𝑌)
 𝑆 = 𝑛−1
- Intervali pouzdanosti za parametre populacije
o Veliki uzorci 𝑛 ≥ 30
𝜎
o Pr (|𝑦 − 𝜇| < 𝑘 ) = 2𝜙0 (𝑘)
√𝜎
 𝑦 – vrijednost slučajne varijable 𝑌
o Ako je uzorak duljine 𝑛 izvučen iz slučajne varijable kojoj je proporcija uspjeha 𝑝,
onda je interval pouzdanosti za p
𝑝(1−𝑝)
 𝑝 = 𝑝 ± 𝑘√ 𝑛
𝜎
 𝑝=𝑝 ±𝑘 𝑛
√
𝜎
 𝑘 𝑛 – greška procjene
√
o Ako je uzorak izvučen iz beskonačne populacije ili iz konačne populacije s vraćanjem
𝑝(1−𝑝) 𝑛𝑝 −𝑛
 𝑝 = 𝑝 ± 𝑘√ √ 𝑛 −1
𝑛 𝑝

𝜎 𝑛 −𝑛
 𝑝=𝑝± 𝑘√ 𝑝
√𝑛 𝑛𝑝 −1

 𝑛𝑝 – veličina konačne populacije

 𝑘 – koeficijent pouzdanost
k 3 2,58 2,33 2,05 2 1,96 1,645 1,28 1 0,6745
Pouzdanost u % 99,73 99 98 96 95,45 95 90 80 68,27 50

HINKO FUŠ 8