Upload
rianna
View
51
Download
6
Embed Size (px)
DESCRIPTION
MATEMATIKA 2. abc . UNIVERZITETNI ŠTUDIJSKI PROGRAM BIOKEMIJA 1. LETNIK. INTEGRAL. LOKALNE IN GLOBALNE LASTNOSTI FUNKCIJE. Elementarni študij funkcije : enačbe , neenačbe, lastnosti osnovnih funkcij in računskih operacij. - PowerPoint PPT Presentation
Citation preview
abcMATEMATIKA 2
UNIVERZITETNI ŠTUDIJSKI PROGRAM BIOKEMIJA1. LETNIK
MATEMATIKA 2
INTEGRAL LOKALNE IN GLOBALNE LASTNOSTI FUNKCIJE
2
Elementarni študij funkcije:
enačbe, neenačbe, lastnosti osnovnih funkcij in računskih operacij.
Lokalne lastnosti funkcije: zveznost, odvedljivost.
(lokalne lastnosti se lahko zelo spremenijo že ob majhni spremembi funkcijskih vrednosti)
Znotraj dane natančnosti zvezne funkcije ni mogoče ločiti od nezvezne.
MATEMATIKA 2
INTEGRAL LOKALNE IN GLOBALNE LASTNOSTI FUNKCIJE
3
majhna razlika pri funkcijskih vrednostih velika razlika pri vrednostih odvoda
Katere lastnosti funkcije so neobčutljive za majhne spremembe?
povprečna vrednost osnovne funkcije: 10.9166
povprečna vrednost ‘zanihane’ funkcije: 10.9195
Povprečna vrednost funkcije je primer globalne lastnosti.
funkcija odvod
MATEMATIKA 2
INTEGRAL PLOŠČINA POD GRAFOM
4
p je povprečna vrednost funkcije f na intervalu [a,b], če je ploščina pod grafom enaka ploščini pravokotnika.
p = (ploščina pod grafom funkcije f ) : (b-a)
p
a b
MATEMATIKA 2
INTEGRAL PLOŠČINA POD GRAFOM
5
a ba bx
y
x
y
1x 2x 3x 4x 1x 2x 3x 4x
Ploščino pod grafom funkcije ocenimo s pomočjo pravokotnikov:
4m1m2m
3m5m 4M
2M3M
5M1M
Vsota ploščin včrtanih pravokotnikov je manjša od ploščine pod grafom.
Vsota ploščin očrtanih pravokotnikov je večja od ploščine pod grafom.
Intuitivno, z delitvijo [a,b] na dovolj drobne podintervale, je razlika med včrtano in očrtano ploščino poljubno majhna, zato dobimo kolikor hočemo natančno oceno za ploščino pod grafom.
MATEMATIKA 2
INTEGRAL PLOŠČINA POD GRAFOM
6
Formalizem:
Pri vseh delitvah D je S( f,D) ≤ ploščina pod grafom f ≤ Z( f,D).
Privzemimo, da je f:[a,b]→ omejena ( m ≤ f(x) ≤ M za vse x∈[a,b] ).
0 1 1: ... n nD a x x x x b delitev intervala [a,b]
mi: natančna spodnja meja f na intervalu [xi-1, xi]
Mi: natančna zgornja meja f na intervalu [xi-1, xi]
a bx
y
1x 2x 3x 4x
4m1m2m
3m5m
a bx
y
1x 2x 3x 4x
4M2M
3M5M1M
11
( , ) ( )
n
i i ii
S f D m x x spodnja integralska vsota funkcije f pri delitvi D
11
( , ) ( )
n
i i ii
Z f D M x xzgornja integralska vsota funkcije f pri delitvi D
(vsota ploščin včrtanih pravokotnikov)
(vsota ploščin očrtanih pravokotnikov)
MATEMATIKA 2
INTEGRAL DEFINICIJA INTEGRALA
7
Množica spodnjih integralskih vsot je navzgor omejena, zato ima natančno zgornjo mejo, ki jo označimo S( f ) in imenujemo spodnji integral funkcije f.
Množica zgornjih integralskih vsot pa je navzdol omejena, zato ima natančno spodnjo mejo, ki jo označimo Z( f ) in imenujemo zgornji integral funkcije f.
Funkcija f je integrabilna, če je S( f) = Z( f).
b
a
f
Skupno vrednost imenujemo integral funkcije f na
intervalu [a,b] in označimo z
Vedno je S( f) ≤ Z( f).
MATEMATIKA 2
INTEGRAL DEFINICIJA INTEGRALA
8
Katere funkcije so integrabilne?
Za vsako delitev D velja
S( f,D) ≤ S( f) ≤ Z( f) ≤ Z( f,D), zato je dovolj, če pokažemo, da vedno lahko izberemo delitev D, pri kateri je razlika
majhna kolikor želimo.
11
( , ) ( , ) ( ) ( )
n
i i i ii
Z f D S f D M m x x
:[0,1]
0( )
1
je podana z
za racionalne za iracionalne
f
xf x
x
Kakorkoli izberemo delitev D, vedno dobimo S( f,D)=0 in Z( f,D)=1
S( f)=0 in Z( f)=1, torej f ni integrabilna
MATEMATIKA 2
INTEGRAL DEFINICIJA INTEGRALA
9
Monotone funkcije so integrabilne.
Privzemimo, da je f:[a,b]→ naraščajoča, in izberimo natančnost ɛ:
0 1 1 1 ( ) ( ): ... ,Za delitev pri kateri je dobimo n n i i f b f aD a x x x x b x x
1 1 1( ) ( )1 1
( ) ( )
( , ) ( , ) ( ( ) ( )) ( ) ( ( ) ( ))
n n
i i i i i if b f ai i
f b f a
Z f D S f D f x f x x x f x f x
( ) ( ) .Zaradi zveznosti obstaja tak , da je , kakor hitro je
d f x f x x x db a
1 11 1
( , ) ( , ) ( ) ( ) ( )
n n
i i i i i ii i
b a
Z f D S f D M m x x x xb a
Privzemimo, da je f:[a,b]→ zvezna, in izberimo natančnost ɛ:
0 1 1 1: ... ,Za delitev pri kateri je dobimo n n i iD a x x x x b x x d
Zvezne funkcije so integrabilne.
f:[a,b]→ je integrabilna, če ima največ števno mnogo točk nezveznosti.
MATEMATIKA 2
INTEGRAL LASTNOSTI INTEGRALA
10
LASTNOSTI INTEGRALA
a bx
y
f pozitivna na [a,b]
je enak ploščini pod grafom funkcije b
a
ff b
a
pl f
b b
a a
kf k f ( ) b b b
a a a
f g f g
b c c
a b a
ff f
b
a
f c
b
f
a b c
Dogovor: a b
b a
ffOb upoštevanju tega dogovora veljajo vse zgornje formule tudi takrat, ko je spodnja meja integrala večja od zgornje.
MATEMATIKA 2
INTEGRAL LASTNOSTI INTEGRALA
11
M,m: natančna zgornja in spodnja meja f na [a,b]
( ) ( ) b
a
m b a f M b a
a b
M
m
1 [ , ].Povprečna vrednost je vedno na intervalu b
b aa
f m M
Če je f zvezna, zavzame vse vrednosti med m in M.
( ) ( ) [ , ].Torej je za nek b
a
f b a f t t a b
Zvezna funkcija na vsakem intervalu zavzame svojo povprečno vrednost.
a b
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
12
RAČUNANJE PO DEFINICIJI
Predpis je neroden za računanje: običajno je težko določiti najmanjšo in največjo vrednost funkcije na delilnih intervalih.
sup ( , ) inf ( , ) integrabilna b
DDa
ff S f D Z f D
Računanje se poenostavi, če namesto ekstremov izberemo neko vrednost funkcije na intervalu. Na vsakem intervalu delitve izberemo po eno točko ti∈[xi-1,xi] in tvorimo Riemannovo vsoto.
1 1 0 2 2 1 11
( , , ) ( ) ( ) ( ) ( ) ( ) ( )n
i i ii
R f D T f t x x f t x x f t x x
Za poljubno delitev D velja: S( f,D) ≤ R( f,D,T) ≤ Z( f,D)
a bx
y
1x 2x 1nx1t 2t nt
...lim ( , , ) integrabilna
b
Da
ff R f D T
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
13
f(x)=x na [a,b]
D poljubna, za T izberemo: 1
2
i ii
x xt
11
1
2 2 2 2 2 2 2 21 0 2 1 3 2 1
( , , ) ( )2
1...
2
ni i
i ii
n n
x xR f D T x x
x x x x x x x x
2 2
2
b
a
b ax
Podobno dobimo:1 1
1
b n n
n
a
b ax
n
a b
2 21
2b a
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
14
f(x)=ex na [0,1]
Podobno dobimo:
1: ; : enakih delov, leva krajišča intervalov
i i
i iD n x T t
n n1
1 1
1 2 10 1 1 1 1 1 ( ) 1 1
( , , ) ...1 ( 1)
n
n n
n nn n n e e
R f D T e e e en n n n n e n e
1
1lim ( , , ) lim 1
( 1)
nD n
eR f D T e
n e1
0
( 1)lim ( 1) lim 1
n
x
n x
en e
x
1
0
1 xe e
b
x b a
a
e e e
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
15
ANALITIČNO RAČUNANJE
f omejena ⇒ F zvezna
( )Tvorimo novo funkcijo x
a
F x f
( ) ( )x x x
a a x
F x F x ff f
lim ( ) ( ) omejena x
x xx
ff M x x F x F x
2 2
( ) ( )2
x a
f x x F x
( ) ( ) x x af x e F x e e
xa x
( )f t
( ) ( ) ( ) zvezna za nek med in x
x
f F x F x ff t x x t x x
( ) ( ) ( )
lim lim lim ( ) ( )x x x x x x
F x F x f t x xf t f x
x x x x
osnovni izrek analize f zvezna ⇒ F odvedljiva in F ’= f
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
16
Newton-Leibnizova formula
Primitivna funkcija ni enolično določena, dve primitivni funkciji dane funkcije se razlikujeta za konstanto.
F je primitivna funkcija za f
Obratno, če je F ’=f dobimo
( ) ( ) ( ) 0x
a
F x f F x f x
( )
x
a
F x f C
( ) ( ) b
a
F ff F b F a
( ) ( ) ( )a x
a a
F a f C f F x F a
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
17
‘uganemo’ primitivno funkcijo F :Računanje b
a
f izračunamo ( ) ( )
b
a
f F b F a
( ) xf x e ( ) xF x eb
x b a
a
e e e
( ) sinf x x ( ) cosF x x0
sin ( cos ) ( cos0) 2x
2( )f x x3
3 2( ) 3 , ( )3
x
x x F x 3
2
1
27 1 26
3 3 3x
1( )f x
x ( ) ln(3 )F x x
1 1(ln(3 )) 3
3x
x x
2
1
1ln 6 ln 3 ln 2
x
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
18
NUMERIČNO RAČUNANJE
Integral računamo numerično, če ne znamo določiti primitivne funkcije ali če je integrand znan le v posameznih točkah.
Integrand f nadomestimo s približkom g, ki ga znamo dovolj preprosto integrirati.
Približek g določimo na podlagi vrednosti f v izbranih delilnih točkah (včasih tudi iz vrednosti odvodov).
napaka, odvisna od metode in od števila delilnih točk
približna vrednost integrala
b b
a a
f g R
y f x
a b
0 1 2 12 2 ... 22
b
n n na
b af y y y y y R
n
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
19
METODA TRAPEZOV
[a,b] razdelimo na n enakih delov:
trapezna formula napaka metode
0,1,..., ) (k
k k
b ax a k k n
ny f x
1
1
2
k
k
xk k
x
y yb ag
n
0 1 1 2 1( ) ( ) ... ( )2
b
n na
b ag y y y y y y
n
3
2 [ , ]
( )max ( )
12n x a b
b aR f x
n
Funkcijo f nadomestimo z odsekoma linearno funkcijo g, določeno s točkami (xk ,yk).
y g x
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
20
SIMPSONOVA METODA
y f x
a b
y g x
[a,b] razdelimo na n enakih delov; vsakega razpolovimo in čez tako dobljene tri točke potegnemo parabolo. Funkcijo f nadomestimo z g, sestavljeno iz teh parabol.
0,1,..., 2 )2
( )
(k
k k
b ax a k k n
ny f x
2 2
2
2 2 1 2 24
2 3
k
k
xk k k
x
y y yb ag
n
0 1 2 2 3 4( 4 ) ( 4 ) ...6
b
a
b ag y y y y y y
n
Simpsonova formula
0 1 2 3 4 2 2 2 1 24 2 4 2 ... 2 46
b
n n n na
b af y y y y y y y y R
n
54
4 [ , ]
( )max ( )
2880n x a b
b aR f x
n
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
21
Trapezna metoda:
Simpsonova metoda:
n=2 (4 delilne točke)
dejanska napaka 0.0025
dejanska napaka 0.0001
1
0
10.01.
1Izračun z napako
x
1 1ln(1 ) ln 2 ln1 ln 2
1 10.6931
1
0
xx x
3
2 [ , ]
( )max ( ) 0.01 :
121. Iz pogoja določimo primeren
x a b
b af x n
n
3 2[0,1]
2 2max 2, 0.01 5
(1 ) 12
xn
x n
2. Določimo delilne točke in izračunamo pripadajoče funkcijske vrednosti:
xk 0.0000 0.2000 0.4000 0.6000 0.8000 1.0000
yk 1.0000 0.8333 0.7143 0.6250 0.5555 0.5000
3. Vstavimo v trapezno formulo:
1 1(1.000 2 0.8333 2 0.7143 2 0.6250 2 0.5555 0.50 000)
1.6 6
1095
1
0 x
1 1(1.000 4 0.8000 2 0.6666 4 0.5714 0.5000) 0.693
1 122
1
0 x
MATEMATIKA 2
INTEGRAL RAČUNANJE INTEGRALA
22
Oceni ploščino kosa pločevine:
2 2100(62 4 51 2 55 4 50 12) 4900 0.49
12 cm mP
62 cm
51 cm 55 cm 50 cm
12 cm100 cm
MATEMATIKA 2
INTEGRAL INTEGRACIJSKE METODE
23
INTEGRACIJSKE METODE
Analitična metoda za izračun integrala sloni na določanju primitivne funkcije in uporabi Newton-Leibnizove formule. Osnovni prijemi za računanje primitivnih funkcij sledijo iz pravil za odvajanje.
1
( 1)
2
2
( ) ( )
1
1ln
sin cos
cos sin
1arcsin
1
1arctg
1
r
rr
x x
f x F x
xx
r
xx
e e
x x
x x
xx
xx
F primitivna funkcija za f
F, G primitivni funkciji za f
k·F primitivna funkcija za k·f
F+G primitivna funkcija za f+g
21
( )f x xx
12 22x x x
12
2 1( ) 4
2
xF x x
x
MATEMATIKA 2
INTEGRAL
24
Primitivne funkcije produkta, kvocienta ali kompozituma dveh funkcij v splošnem ni mogoče izraziti s pomočjo primitivnih funkcij faktorjev.
Velikokrat primitivna funkcija elementarne funkcije ni elementarna funkcija: 23 21
1 , , , ,sin tgln
(npr. integrali funkcij in niso elementarne funkcije)
xxe
x e x x xx x
Za takšne funkcije pravimo, da niso elementarno integrabilne (so pa integrabilne, saj so zvezne).
, zato jeu x v x u x v x u x v x
primitivna funkcija za = primitivna funkcija za u x v x u x v x u x v x
sin cos sin cos sinprimitivna funkcija za x x x x x x x x
1
sin cos
u x x u x
v x x v x x
sinx x
integracija po delih (per partes)
INTEGRACIJSKE METODE
MATEMATIKA 2
INTEGRAL
25
Integral lahko preoblikujemo tako, da namesto x vpeljemo novo spremenljivko
INTEGRACIJSKE METODE
, : , ,Vpeljemo kjer je primerno izbrana odvedljiva in bijektivna funkcija.x x u x a b
0 1 1
0 1 1
: ...
: ... .
Za izbrano delitev postavimo
in dobimo delitev n n i i
n n
D u u u u x x u
D a x x x x b
1 1 .Po Lagrangevem izreku je Postavimo in dobimoi i i i i i ix x x u u t x
1 11 1
( ) ( ) ( )
Riemannova vsota za Riemannova vsota za
n n
i i i i i i ii i
f x f x u x u
f t x x f x x u u
Integriranje po spremenljivki x od a do b lahko nadomestimo z integriranjem po spremenljivki u od α do β , pri čemer upoštevamo sorazmernostni faktor x´(u).
ux b
x a u
f x f x u x u
: .
, .
Vpeljemo funkcije po spremenljivki
Če nadomestimo z moramo hkr
n
ati nadomes
edoločeni integra
tit
l
i z
f x
x x u dx x
f x d
x
x
u d
MATEMATIKA 2
INTEGRAL
26
INTEGRACIJSKE METODE
integracija po delih (per partes)
uvedba nove spremenljivke (substitucija)
u dv u v v du
( ) ( ( )) ( )f x dx f x u x u du
( ) ( ) ( ) ( ) ( ) ( )u x v x dx u x v x v x u x dx
( ) ( ) k u x dx k u x dx
( ( ) ( )) ( ) ( )u x v x dx u x dx v x dx
x xe dx esin cos x dx x
cos sin x dx x
1
11
ln 1
r
r
xr
rx dx
x r
2arcsin
1
1 dx x
x
2arctg
1
1 dx x
x
PRAVILA ZA INTEGRIRANJE
MATEMATIKA 2
INTEGRAL
27
INTEGRACIJSKE METODE
x
x e dx
2
1ln
2
u x du dxxx
dv x dx v
x
du dx
v e
xxx xx e e dx x e e
sin , cos , ,...Podobno za n xx x dx x x dx x e dx
ln x x dx
x
u x
dv e dx
22 21ln l
22 2n
4
xx x d
xx
xx
lnPodobno za nx x dx
sin(2 1) x dx 1 1
sin cos1
cos(22 2
2 1) u d xu u 2 1
1
2
u x
dx du
1( ) ( ) ( ) ( )Splošno pravilo: f x dx F x f ax b dx F ax b
a
MATEMATIKA 2
INTEGRAL
28
INTEGRACIJSKE METODE
3 2 1 x x dx 2 2 1 x x x dx
2 1
2 u x
du x dx
12 ( 1) u u du
3 32
52
522 2 21 1
51 15 3 3( 1) ( 1)u u x x
tg x dx sin
cos
xdx
x ln cosln
duu x
u
cos
sin u x
du x dx
Uspešna je tudi substitucija t2=x2+1.
21 x dx 2 2 1 cos 21 sin cos c
sinos
2
2
2 4
uu u du u du dt
u u
sin
cos x u
dx u du
MATEMATIKA 2
INTEGRAL
29
INTEGRACIJSKE METODE
INTEGRIRANJE RACIONALNIH FUNKCIJ
1.korak Če je potrebno, z deljenjem prevedemo na primer, ko je stopnja števca manjša od stopnje imenovalca.
2.korak Imenovalec razcepimo na faktorje, potem pa integrand razcepimo na delne ulomke oblike
3.korak Integriramo dobljeni izraz.
( )
( )
P xdx
Q x P(x),Q(x) polinoma3
2
2
1
xdx
x
3
2 2
2 2
1 1
x xx
x x
2( ) ( ) in n n
A Ax Bx a x ax b
2 1 ( 1)( 1)x x x 2
( 1)( 1) 1 1
x A Bx x x x
2 ( 1) ( 1)x A x B x 1 3
,2 2
A B
3
2
2 1 1 3 1
1 2 1 2 1
xx
x x x
3
2
2 1 3ln( 1) ln( 1)
2 2 2
2
1
xd xx
xx
x
MATEMATIKA 2
INTEGRAL
30
IZLIMITIRANI INTEGRALI
IZLIMITIRANI INTEGRALI
integrand je neomejen, ne ustreza zahtevam za integrabilnost
Formalno uporabimo Newton-Leibnizovo formulo:
Ali je mogoče razširiti pojem integrabilnosti na tovrstne primere?
1
0
1? dx
x
11
00
12 2 dx x
x
MATEMATIKA 2
INTEGRAL
31
IZLIMITIRANI INTEGRALI
Osnovna primera:
f zvezna na [a,b), pri b neomejena
f zvezna na neomejenem intervalu [a,+∞)
obstaja za t
a
f t b
lim b t
t ba a
ff
lim t
ta a
ff
ta b
ta
MATEMATIKA 2
INTEGRAL
32
IZLIMITIRANI INTEGRALI
limita ne obstaja
2
20
1
( 2) dx
x
2
1 1
( 2) 2 dx
x x
1
00
ln 1 lim( ln ) 1 t
x dx t t t
ln ln x dx x x x
2
1
2
1 1lim( )
2 2t t
MATEMATIKA 2
INTEGRAL
33
IZLIMITIRANI INTEGRALI
limita ne obstaja
sin 2 (sin 2 2cos 2 )5
x
x ee x dx x x
0
sin 2 xe x dx
2 2lim( (sin 2 2cos 2 ))
5 5 5
t
t
et t
0
sin lim( cos ) 1 t
x dx t
MATEMATIKA 2
INTEGRAL
34
IZLIMITIRANI INTEGRALI
Ocenjevanje konvergence: obstoj izlimitiranega integrala poskusimo ugotoviti na podlagi primerjave z znanimi integrali.
1
1 1
ln 1
rxr r r
x dxx r
0
11
1
obstaja za
ne obstaja za
a
r
rdx
rx
31
1
1
xdx
x x
323
1 1
1Za je primerljiva z
xx
xx x
integral obstaja
2
31
1
1 dx
x
3 2
1 1 11 ,
11 1 11
0
Za je = primerljiva z
ki pa je primerljiva z za
xxx x x x
xx
integral obstaja
11
1
obstaja za
ne obstaja za ra
rdx
rx
MATEMATIKA 2
INTEGRAL
35
IZLIMITIRANI INTEGRALI
: 0, padajoča pozitivna funkcija in zaporedje nf a f n 1
1
n
n nn
a f a
1 1
.Vrsta konvergira natanko takrat, ko konvergira integral n
f n f
Velja še: n a a
f n ff a
1 1
1 1, 1.Vrsta konvergira natanko takrat, ko konvergira integral torej, ko je r r
n
dx rn x
1 2 3 2 3 4
1
a a a f a a a
MATEMATIKA 2
INTEGRAL
36
UPORABA INTEGRALA
PLOŠČINE LIKOV
ploščinab
a
g f
a b
r r
21
2ploščina r
y g x
y f x
MATEMATIKA 2
INTEGRAL
37
UPORABA INTEGRALA
DOLŽINA KRIVULJE
Vsaka delitev intervala določa neko lomljenko. Dolžina krivulje je natančna zgornja meja dolžin lomljenk.
Dolžina krivulje(če je f zvezno odvedljiva)
2 21 1
1
( ) ( ( ) ( ))dolžina lomljenken
i i i ii
x x f x f x
2
12
1
( ( ) ( ))1( )
1
1 ( )i i
i i
nf x f x
i ix xi
x x
21
1
1 ( ( )) ( )n
i i ii
f t x x
21 ( )Riemannova vsota za funkcijo f
21 ( )b
a
l f
a b1ix ix
1if x
if x
MATEMATIKA 2
INTEGRAL
38
UPORABA INTEGRALA
PROSTORNINA TELESA
Riemannova vsota za funkcijo P
Prostornina telesa(če je P zvezna)
1
( ) :
:
ploščina prereza na višini
debelina prerezai i
i i
P t t
x x
11
( )( )n
i i ii
P t x x
b
a
V P
a
b
1ix
ix
MATEMATIKA 2
INTEGRAL
39
UPORABA INTEGRALA
VRTENINE
Vrtenina je telo, ki ga zaobjamemo z vrtenjem krivulje okoli osi.
Prerez na nivoju x je krog s ploščino P(x)=f(x)2 π.
Prostornina vrtenine 2b
a
V f
MATEMATIKA 2
INTEGRAL
40
UPORABA INTEGRALA
NEKATERE FIZIKALNE KOLIČINE, KI SE IZRAŽAJO Z INTEGRALOM(Integriramo funkcije ene spremenljivke, zato se zaenkrat omejimo na primere, ki so ‘enodimenzionalni’.)
Dolžina poti, ki jo točka, ki se giblje premočrtno s hitrostjo v=v(t) prepotuje v času od t1 do t2:
2
1
( ) t
t
s v t dt
Masa krivulje, dane z enačbo y=f(x) na [a,b] in z dolžinsko gostoto r=r(x):
2( ) 1 ( ( )) b
a
m r x f x dx
Težišče krivulje, dane z enačbo y=f(x) na [a,b] in z dolžinsko gostoto r=r(x):
2
2
1( ) 1 ( ( ))
1( ) ( ) 1 ( ( ))
b
Ta
b
Ta
x x r x f x dxm
y f x r x f x dxm
Delo, ki ga sila F=F(x) opravi vzdolž osi x ( ) b
a
A F x dx
Težišče n točk (xi,yi), z masami mi:1
1
1
1
n
T i ii
n
T i ii
x x mm
y y mm
MATEMATIKA 2
INTEGRAL
41
FUNKCIJE DEFINIRANE Z INTEGRALOM
FUNKCIJE DEFINIRANE Z INTEGRALOM
( ) ( , ) d
c
F x f x y dy ,
:[ , ] [ , ]
funkcija dveh spremenljivkf x y
f a b c d
1
0
xyF x xe dy1
01
yxy x
ye e
Kdaj je tako dobljena funkcija zvezna, odvedljiva, integrabilna? Kaj je njen odvod, integral?
ZVEZNOST :[ , ] [ , ]Vzemimo zvezno funkcijo f a b c d
( ) ( , ) , je zvezno odvisna od je definirana za vse d
c
f y F x f x y dy x a b
( , ) ( , ) je zvezno odvisna od za dovolj majhen iz sledi d cf x x x f x y f x y
Predpišimo natančnost ε:
( ) ( ) ( , ) ( , ) ( , ) ( , ) d d d d
c c c c
F x F x f x y dy f x y dy f x y f x y dy dyd c
, , , ( ) ( , ) , zvezna na zvezna na d
c
f x y a b c d F x f x y dy a b
MATEMATIKA 2
INTEGRAL
42
FUNKCIJE DEFINIRANE Z INTEGRALOM
odvod integrala po parametru
ODVEDLJIVOST
( ) ( ) ( , ) ( , )( , )
d d
xc c
F x h F x f x h y f x ydy f t y dy
h h
( , ) ( , )( , ) ( , ) ( , )
d d d d
x x xc c c c
f x h y f x ydy f x y dy f t y f x y dy dy
h d c
, ( ) ( , ) zvezno odvedljiva na odvedljivad
c
f x y x F x f x y dy
( ) ( , ) d
xc
F x f x y dy
, ( , ) ( , ) zvezna za dovolj majhen iz sledi x x x d cf t x f t y f x y
1 33 3
0
( ) ( 1) 1
3 3 3
y
y
x y x xx x
12
0
( ) ( ) F x x y dy 1
0
1( ) 2( )
2 F x x y dy
x
12
0
12
11
2
1
0
y
y
y ydy y
x x x
1
3
11
2x
xx
MATEMATIKA 2
INTEGRAL
43
FUNKCIJE DEFINIRANE Z INTEGRALOM
INTEGRABILNOST
Primerjajmo funkciji
posebej: G1(b)=G2(b)
zamenjava vrstnega reda integriranja
( ) ( , ) zvezna zvezna integrabilnad
c
f F x f x y dy
1 2( ) ( , ) ( ) ( , ) in t d d t
a c c a
G t f x y dy dx G t f x y dx dy
1( ) ( , ) d
c
G t f t y dy 2 ( ) ( , ) d
c
G t f t y dy 1( ) 0G a 2 ( ) 0G a
G1=G2
( , ) ( , ) b d d b
a c c a
f x y dy dx f x y dx dy
MATEMATIKA 2
INTEGRAL
44
FUNKCIJE DEFINIRANE Z INTEGRALOM
22 1 2 3 22 2
1 0 1 1
1( )
3 2
2
63 3
5
x
x
x x xx y dy dx x x dx
1 22
0 1
( ) x y dx dy
21 13
2
0 01
13 2
0
) 73
25
2 3 6
3 3
3 7
3
(
x
x
y
y
x ydy y y dx
y y y
MATEMATIKA 2
INTEGRAL
45
FUNKCIJE DEFINIRANE Z INTEGRALOM
Formula o zamenjavi vrstnega reda integriranja velja tudi za funkcije f(x,y), ki so nezvezne v nekaj točkah ali celo vzdolž neke gladke krivulje.
( , )0
za za
nezvezna vzdolž premice
x x yf x y
x y
y x
11 1 1 1 1 3
00 0 0 0 0 0 0
1
3( , )
32
xy x
y
xf x y dy dx x dy dx xy dx x dx
1 11 1 1 1 1 12 3
0 0 0 0 0 0
1( , )
2 2 6
1
3
2
2
x
y x y
x y y yf x y dx dy x dx dy dy dy
0 1
1
( , )f x y x
( , ) 0f x y
b
ad
c
MATEMATIKA 2
INTEGRAL
46
DVOJNI INTEGRAL
DVOJNI INTEGRAL
Prostornino pod ploskvijo ocenimo s kvadri. Pravokotnik [a,b]x[c,d] razdelimo na mrežo manjših pravokotnikov. Vsota prostornin včrtanih kvadrov je manjša, vsota prostornin očrtanih kvadrov pa večja od prostornine pod ploskvijo.
y
x
z
Δxi
Δyj
mij,Mij : natančna spodnja in zgornja meja f(x,y) na pravokotniku [xi-1,xi]×[yi-1,yi]
Δxi= xi – xi-1, Δyj= yj – yj-1
1 1
( , )n m
ij i ji j
S f D m x y
spodnja integralska vsota funkcije f pri delitvi D zgornja integralska vsota funkcije f pri delitvi D
1 1
( , )n m
ij i ji j
Z f D M x y
ijmijM
[ , ] [ , ]
[ , ] [ , ]
Skupno limito imenujemo funkcije
na območju in označimo z
dvojni integral
a b c d
f
a b c d f
MATEMATIKA 2
INTEGRAL
47
DVOJNI INTEGRAL
spodnji integral funkcije f
( ) sup ( , )S f S f Dzgornji integral funkcije f
( ) inf ( , )Z f Z f D
Funkcija f je integrabilna, če je S( f) = Z( f).
Vedno je S( f) ≤ Z( f).
Zvezne funkcije so integrabilne.Integrabilne so tudi funkcije, pri katerih je množica točk nezveznosti majhna, npr. če so nezvezne le v nekaj točkah, ali pa vzdolž neke gladke krivulje.
y
x
z
MATEMATIKA 2
INTEGRAL
48
DVOJNI INTEGRAL
Dvojni integral je enak dvakratnemu.
[ , ] [ , ]
( , ) a b c d
b d
a c
ff x y dy dx
,
( ) ,
.
Prostornina pod grafom je enaka
kjer je ploščina prereza na nivoju
b
a
z f x y
P x dx
P x x
, : ( ) ( , ) je ploščina pod grafom funkcije d
c
P x y f x y P x f x y dy
MATEMATIKA 2
INTEGRAL
49
DVOJNI INTEGRAL
[1,3] [0,1]
21
x yy
31 3 1 12
2 2 20 1 0 01
12
0
1 4 2
1 1 2 1
4arctg ln(1 ln) 2
x
x
x y x ydx dy xy dy dy
y y y
y y
13 1 32
201 0 1
33 2
1 1
1arctg ln(1 )
1 2
1 ln 2ln 2
4 2 8 2ln 2
y
y
x ydy dx x y y dx
y
x xx dx
21
x yz
y
MATEMATIKA 2
INTEGRAL
50
DVOJNI INTEGRAL
Polovico valja presekamo z ravnino. Določi prostornino dobljenega telesa
2 2
u r x
u du x dx
r
h
x
y
z
r
rr
enačba ravnine: h
z xr
hz x
r
0z
2. možnost:
2 22 2
2 22 2
2
0 0
32 2 2
2
0 0
2
2
3 3
r y
r y
x r yr r
x r y
rr
h h xV x dx dy
r
dyr r
h h yr y dy r y
rh
r
2 22 2
00
02 2 2 2
22
0
22 2
3
r xr ry r x
yr r
r r
r r
h hV x dy dx xy dx
r r
h h hx r x dx x r x dx u du
rr
rh
r
MATEMATIKA 2
INTEGRAL
51
DVOJNI INTEGRAL
( , )z f x y
a b
( )y u x
( )y v x
D
V splošnem računamo integral funkcije dveh spremenljivk po ukrivljenem območju takole:
Območje D omejimo po širini med x=a in x=b.
Spodnji rob območja je krivulja y=u(x), zgornji pa krivulja y=v(x).
( )
( )
( , ) v xb
D a u x
f f x y dy dx
Dvojni integral izrazimo kot dvakratni integral, kjer so meje notranjega integrala odvisne od spremenljivke x.
Včasih je lažje integrirati v obratnem vrstnem redu, najprej po x in potem po y.
MATEMATIKA 2
INTEGRAL
52
DVOJNI INTEGRAL
Podobno obravnavamo trojne, tj. prostorske integrale:
Izrazi maso plina v valjastem stolpcu s polmerom R in višino h.
R
h
0Gostota plina upada z višino: kze
2 2
2 2
2 2
2 2
2 2
2 2
0
0
0
0
0
0 201 1
y R x
y R x
y R x
y R x
y R x
y R x
kz
V
x R z hkz
x R z
z hx Rkz
zx R
x R
x
khkh
R
m e dV
e dz dy dx
e dy dxk
e y ek k
d Rdx
-R R2 2 R x
2 2R x
MATEMATIKA 2
INTEGRAL
53
TRIGONOMETRIČNE VRSTE
Natančnost Taylorjeve vrste naglo upada z oddaljevanjem od izhodišča, zato so za obravnavanje periodičnih funkcij primernejše vrste sestavljene iz trigonometričnih funkcij.
Pomožni izračuni:
podobno:
podobno:
sin( ) cos( ) nx mx dx
:n m
sin( ) sin( ) 2sin( )cos( )n m x n m x nx mx
1 cos( ) cos( )0
2
n m x n m xn m n m
cos( ) cos( ) 0 sin( ) sin( ) 0 nx mx dx nx mx dx
:n m 1sin( ) cos( ) sin(2 ) 0
2 nx nx dx nx dx
1 sin(2 )sin( ) sin( ) (1 cos(2 ))
2 2 4
x nxnx nx dx nx dx
cos( ) cos( ) nx nx dx
TRIGONOMETRIČNE VRSTE
MATEMATIKA 2
INTEGRAL
54
TRIGONOMETRIČNE VRSTE
Privzemimo, da je funkcija f 2p-periodična in da je enaka vsoti vrste
Kako bi določili koeficiente ak in bk?
trigonometrična ali Fouriereva vrsta
0 1 1 2 2
01
( ) ( cos sin ) ( cos 2 sin 2 ) ...
( cos sin )k kk
f x a a x b x a x b x
a a kx b kx
01
( ) ( cos sin )k kk
f x dx a dx a kx dx b kx dx
=0 =0
02 a
01
( ) cos cos ( cos cos sin cos )
cos cos
k kk
m m
f x mx dx a mx dx a kx mx dx b kx mx dx
a mx mx dx a
01
( )sin sin ( cos sin sin sin )
sin sin
k kk
m m
f x mx dx a mx dx a kx mx dx b kx mx dx
b mx mx dx b
MATEMATIKA 2
INTEGRAL
55
TRIGONOMETRIČNE VRSTE
Če je f(x) vsota trigonometrične vrste
(in če smemo vrsto členoma integrirati),potem za koeficiente vrste velja:
01
( ) ( cos sin )k kk
f x a a kx b kx
0
1( )
2
1( )cos
1( )sin
k
k
a f x dx
a f x kx dx
b f x kx dx
MATEMATIKA 2
INTEGRAL
56
TRIGONOMETRIČNE VRSTE
(integral lihe funkcije po simetričnem intervalu)
Fouriereva vrsta trigonometričnega polinoma je vedno končna.
3( ) sinf x x
30
1sin 0
2a x dx
31
sin cos 0ka x kx dx
31
1 3sin sin
4b x x dx
3
3
1 1sin sin 3
4b x x dx
31
sin sin 0 za 0, 2kb x kx dx k
3 3 1sin sin sin 3
4 4x x x
MATEMATIKA 2
INTEGRAL
57
TRIGONOMETRIČNE VRSTE
lažji odgovor: če je f omejena in odsekoma zvezna, potem gre sm v povprečju proti f, tj.
težji odgovor: če je f odsekoma zvezna in odsekoma monotona in če v vsaki točki x obstajata leva in desna limita funkcije f(x-) in f(x+), potem je
01
:
, ( ) ( cos sin )k k k kk
f x
a b f x a a kx b kx
Ob prejšnjih zgledih se zastavlja vprašanje če za dano funkcijo izračunamo
koeficiente in kakšna je potem zveza med in ?
01
( ) : ( cos sin )m
m k kk
s x a a kx b kx
delna vsota
0)()(lim
dxxsxf mm
xfxfxf
xfxfxsmm v zvezna ni
v zvezna
2
)()()(
)(lim
MATEMATIKA 2
INTEGRAL
58
TRIGONOMETRIČNE VRSTE
Primerjava med Taylorjevo in Fourierevo vrsto
Taylorjeva vrsta
vsota potenc koeficiente računamo z odvodi, ostanek po Lagrangevem izreku uporabna le za dovoljkrat odvedljive funkcije področje konvergence določeno s polmerom konvergence blizu središča konvergira hitro, navzven pa vedno počasneje vrsto smemo členoma odvajati in integrirati
Fouriereva vrsta
vsota trigonometričnih funkcij koeficiente računamo z integrali
uporabna za zelo splošne funkcije, npr. odsekoma zvezne periodična
enakomeren približek na celem intervalu vrsto smemo členoma integrirati, odvajati pa le, ko je limitna funkcija zvezno odvedljiva
MATEMATIKA 2
DIFERENCIALNE ENAČBE OSNOVNI POJMI
59
Diferencialna enačba je funkcijska enačba, v kateri nastopajo odvodi iskane funkcije.
parcialna diferencialna enačba (2. reda)
diferencialna enačba za y kot funkcijo x
diferencialna enačba 2. reda
diferencialna enačba 3. reda
Diferencialne enačbe za funkcije ene spremenljivke imenujemo navadne, ko nastopajo parcialni odvodi na več spremenljivk pa pravimo, da so to parcialne diferencialne enačbe
Red diferencialne enačbe je red najvišjega odvoda, ki v njej nastopa.
y xy
2 2y y y x
2 2yx y y e xy
xx yz z x
DIFERENCIALNE ENAČBE
MATEMATIKA 2
DIFERENCIALNE ENAČBE OSNOVNI POJMI
60
Rešitev diferencialne enačbe je funkcija y=y(x), pri kateri je F(x,y(x),y’(x))=0 za vse x na nekem definicijskem območju.
F(x,y,y’)=0 splošna oblika diferencialne enačbe 1. reda
2
2
2 2 2
2 2 22
2
( ) , je rešitev diferencialne enačbe
ker je
x
x x xxx
y x e y xy
e e e
Enačba mora biti izpolnjena za vse x na nekem intervalu.
2
3
( ) ,
2
rešitev diferencialne enačbe
čeprav je za nekatere vrednosti
n
iy x x y xy
x x x
MATEMATIKA 2
DIFERENCIALNE ENAČBE OSNOVNI POJMI
61
je rešitev enačbe
je tudi rešitev enačbe
je prav tako rešitev zgornje enačbe...
Velja: diferencialna enačba reda n ima splošno rešitev, ki je odvisna od n parametrov.
( )y x x
( ) xy x x e
( ) xy x x xe
2 2y y y x
2 2y y y x
2 2 ( )
Splošna rešitev diferencialne enačbe je običajno odvisna od nekaj parametrov.
Na primer, vse rešitve enačbe so oblike , kjer sta in poljubni realni tevil
x xy y y x y x x Ae Bxe
A B š
. i
Diferencialne enačbe imajo praviloma veliko rešitev, kar je posledica dejstva, da odvajanje ni injektivno.
MATEMATIKA 2
DIFERENCIALNE ENAČBE GEOMETRIČNI POMEN
62
GEOMETRIČNI POMEN DIFERENCIALNE ENAČBE
y=y (x) je rešitev enačbe y’ =f (x,y)
smerni koeficient tangente na graf rešitve v točki x0 je enak f (x0,y (x0))
funkcija f(x,y) določa polje smeri:pri vsaki točki (x,y) z majhno puščico označimo smer s koeficientom f(x,y).
f(x,y)=x-y
krivulja, ki je v vseh svojih točkah tangentna na polje smeri, je graf ene izmed rešitev diferencialne enačbe
MATEMATIKA 2
DIFERENCIALNE ENAČBE GEOMETRIČNI POMEN
63
Polje smeri, določeno s f(x,y)=x2-y2+1 in nekaj rešitev pripadajoče diferencialne enačbe. Vse rešitve imajo skupno asimp-toto, t.j. trend.
Polje smeri, določeno s f(x,y)=-y-sin3x. Rešitve se za x - malo razlikujejo, za x + pa povsem divergirajo.
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
64
Diferencialna enačba skupaj z začetnim stanjem v celoti določa evolucijo sistema.
y(0)=C, torej je C ravno začetna količina opazovane snovi
Hitrost razpadanja pogosto podamo z razpolovno dobo T: zveza s k je kT=ln 2
Hitrost razpadanja radioaktivne snovi je sorazmerna s količino snovi (reakcija 1. reda). Če imamo na začetku neko količino snovi (npr. 5g izotopa 14C), kaj lahko povemo o količini snovi čez nekaj časa (npr. čez koliko časa bo ostalo le 3g 14C)?
y=y(t) količina snovi v trenutku ty’=-k y k je sorazmernostni faktor med količino snovi in hitrostjo razpadanja (npr. za 14C je k =3.83 10-12 s-1)
ln ktdy dy dyky k dt k dt y kt c y Ce
dt y y
314 5
12
ln 0.51083 5 133368146214 4230
3.83 10Za C: s letkte t
k
Razpolovna doba 14C je (0.6931/3.83) 1012 s ≈ 5730 let.
FIZIKALNI PRIMER: RADIOAKTIVNI RAZPAD
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
65
Ogljikov izotop 14C nastaja v višjih plasteh atmosfere, ko pod vplivom kozmičnih žar kov dva neutrona nadomestita dva protona v 14N. Nastali 14C se veže s kisikom v 14CO2. Razmerje med 14CO2 in 12CO2 v atmosferi je dokaj stabilno.
kozmični žarki
Rastline absorbirajo CO2 v biosfero. Razmerje med 12C in
14C v živih bitjih je enako, kot v atmosferi.
Ko ostanki živih bitij niso več v stiku z atmosfero se razmerje med 12C in
14C zaradi radioaktivnega razpada poveča v prid prvega. Starost ostankov ocenimo na podlagi primerjave stopenj radioaktivnosti.
stopnja radioaktivnosti
0 let 5730 let 11460 let 17190 letstarost
DATIRANJE S 14C
MATEMATIKA 2
DIFERENCIALNE ENAČBE PROBLEM ZAČETNE VREDNOSTI
66
Pri diferencialnih enačbah obravnavamo dva tipa nalog:
enačba
začetni problem iščemo rešitev enačbe, ki ima v nekaterih točkah predpisane funkcijske vrednosti ali morda vrednosti odvodov
začetni problem
2y y 2( ) xy x Ae
iskanje splošne rešitve
splošna rešitev
2 2y y y x ( ) x xy x x Ae Bxe
rešitev
2
(0) 3
y y
y
2( ) 3 xy x e
2 2
(0) 0
(0) 2
y y y x
y
y
( ) xy x x xe
MATEMATIKA 2
DIFERENCIALNE ENAČBE ENAČBE Z LOČLJIVIMI SPREMENLJIVKAMI
67
DIFERENCIALNE ENAČBE Z LOČLJIVIMI SPREMENLJIVKAMI
V diferencialni enačbi 1. reda lahko ločimo spremenljivki, če jo lahko zapišemo v obliki
nista enačbi z ločljivimi spremenljivkami
( )( ) ( )
( ) ali
u xv y y u x y
v y
2 0xy y
yy x
1
2
yy x
21y y 2
11
yy
2 1xyy x 21 x
yyx
y x y 1xy y xy
MATEMATIKA 2
DIFERENCIALNE ENAČBE ENAČBE Z LOČLJIVIMI SPREMENLJIVKAMI
68
Reševanje enačb z ločljivimi spremenljivkami
implicitna oblika splošne rešitve
U(y) primitivna funkcija za u(y)
V(x) primitivna funkcija za v(x)
( ) ( ) ( ) ( ) ( ) ( ) u y y v x U y V x U y V x C
Praktično navodilo: v enačbi pišemo ter prestavimo vse na eno in vse na drugo stran.
Nato vsako stran posebej integriramo in eni od njih prištejemo integracijsko konstanto.
dyy x y
dx
2 22 0x y y 2 22 0dy
x ydx
2 22
dy dxy x
2 22
dy dxy x
1 1
2C
y x ( )
2( 1)
xy x
Cx
( ) , V xy Ae A
MATEMATIKA 2
DIFERENCIALNE ENAČBE ENAČBE Z LOČLJIVIMI SPREMENLJIVKAMI
69
spremenljivk se ne da ločiti!
' ( )y v x y
( )'( ) ln ( ) C V xy
v x y V x C y e ey
'y x y
1
Vpeljemo novo spremenljivko u x y
u y
1u u
1 ln 1 11
xdu duu dx u x C u Ce
dx u
1xy Ce x
Pogosto srečamo enačbe, pri katerih je odvod sorazmeren funkcijski vrednosti, vendar se sorazmernostni faktor odvisen od x.
MATEMATIKA 2
DIFERENCIALNE ENAČBE ENAČBE Z LOČLJIVIMI SPREMENLJIVKAMI
70
Začetni problem pri enačbah z ločljivimi spremenljivkami
0 0
( ) ( )
( )
u y y v x
y x y
0 0
( ) ( )y x
y x
u y dy v x dx
21
(1) 2
xyy x
y
2
2 1
1y x xydy dx
x
2 2
2 1
ln2 2
y xy x
x
2 22 21
2 ln 2ln 52 2 2
y x
x y x x
MATEMATIKA 2
DIFERENCIALNE ENAČBE POVZETEK
71
Diferencialna enačba je funkcijska enačba, v kateri nastopajo odvodi iskane funkcije.
Rešitev DE je funkcija y=y(x), ki za vse x ustreza enačbi. Število prostih parametrov,
od katerih je odvisna rešitev je enako redu enačbe.
Geometrično je rešitev DE vsaka krivulja, ki je tangentna na polje smeri.
Začetni problem je iskanje rešitve DE, ki ustreza nekim začetnim pogojem.
DE z ločljivimi spremenljivkami rešimo tako, da ločimo spremenljivki in potem integriramo vsako stran enačbe posebej.
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
72
Primer modeliranja z DETripsin je encim trebušne slinavke, ki nastane iz tripsinogena. V reakciji nastopa tripsin kot katalizator, zato je hitrost nastajanja tripsina sorazmerna z njegovo koncentracijo.
y0 ........... začetna koncentracija tripsina y(t) ........... koncentracija tripsina v času t y’=ky ........... hitrost nastajanja je sorazmerna koncentraciji
Model napoveduje eksponentno in neomejeno rastkoličine tripsina. To se v resnici ne more zgoditi, zato moramo poiskati ustreznejši model.
0(0)
y ky
y y
začetni problem: rešitev: y=y0ekt
0kty y e
0y
y
t
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
73
Med reakcijo se tripsinogen porablja: iz vsake molekule tripsinogena nastane ena molekula tripsina. Zato privzamemo, da je hitrost reakcije sorazmerna tako koncentraciji tripsina, kot koncentraciji tripsinogena. Če je skupna koncentracija tripsina in tripsinogena C, začetna koncentracija tripsina pa y0 dobimo začetni problem:
Logistična krivulja: model predvideva, da bo koncentracija tripsina zrasla do prvotne koncentracije tripsinogena, potem pa se bo ustalila.
0
( )
(0)
y ky C y
y y
0 0
00
1ln
( ) ( )
yy tt
y y
dy dy yk dt k dt kt
y C y y C y C C y
0
0
0
( )1 1
Ckt
CktCy
C yC y Ce y t
y y e
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
74
Logistična krivulja je dober model za omejeno rast, vendar ni vedno povsem ustrezna. Npr. pri tumorjih število rakastih celic najprej narašča eksponencialno, potem pa se rast umiri in sčasoma ustavi. S poskusi so ugotovili, da krivulja naraščanja ni logistična temveč t.im. Gompertzova krivulja (ena od vidnih razlik je, da pri njej prevoj nastopi precej prej kot pri logistični).
Gompertzova funkcija
(1 )0( )
atk ey t y e
logistična krivulja
Gompertzova krivulja
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
75
Eksperimentalno ugotovljeno zakonitost poskusimo razložiti tako, da pogledamo, kateri diferencialni enačbi ustreza Gompertzova funkcija.
s staranjem se reproduktivna moč celic zmanjšuje
reproduktivni faktor se ne spreminja, vendar je naraščanje sorazmerno le z delom števila celic v tumorju, ker se v notranjosti tumorja ustvari nekrotično območje
(1 ) (1 )0 0 ( )
at atk e k e at aty e y e ak e e y t
a
Diferencialna enačba pomeni, da število rakastih celic narašča sorazmerno z velikostjo tumorja, vendar se sorazmernostni faktor spreminja s časom. Vzroke za spremembo razlagajo različno:
aty e y
( )aty e y
( )aty e y
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE
76
LINEARNE DIFERENCIALNE ENAČBE 1. REDA
( ) ( ) splošna LDE 1. reday a x y b x
( ) .Elementi ničelne množice so oblike ( je primitivna funkcija za ) A xHy Ce A x a x
( ) ( )3 ( ). je rešitev splošne LDEA x A xPy e b x e dx
( )( ) 0 ( )
a x dxdyy a x y a x dx y Ce
y
( ) ( ) ( ) ( )( ( )) ( ) ( ) ( ) ( )
( ) ( )
A x A x A x A xP P
P P
y e a x b x e dx e b x e a x y b x
y a x y b x
: ( ) je linearna funkcija (na prostoru zvezno odvedljivih funkcij)L y y a x y
1. ( ) rešitve linearne enačbe so oblike , kjer je neka rešitev enačbe, pa element ničelne množice za
P
P H
HL y b x
L
y
y
y
y
y
2.
( ) 0 : 0
ničelno množico za tvorijo rešitve enačbe
homogena LDE 1. reda
L
L y y a x y
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE
77
sin( )xy y x 1 sin( )xy y
x x
1( ) lnA x dx x
x
lnsin( ) sin cos xx
B x e dx x dx xx
1( ) cosy x x C
x
REŠEVANJE LDE 1. REDA
( ) ( )y a x y b x
1. izračunamo integral ;
2. izračunamo integral ;
3. splošna rešitev enačbe je
( )( ) ( ) A xB x b x e dx ( )( ) ( ( ) )A xy x e B x C
( ) ( )A x a x dx
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE
78
ZAČETNI PROBLEM ZA LDE 1.REDA
0 0
( ) ( )
( ) y a x y b x
y x y
0
0
( )
( ) ( )
( ) ( )
izračunamo x
x
xA x
x
A x a x dx
B x b x e dx
( )0( ) ( ( ) )rešitev A xy x e B x y
2 3
(0) 1 y y
y
0
( ) 2 2x
A x dx x
2 2
0
3 3( ) 3
2 2
xx xB x e dx e
22
23 3( ) 1
2 22 2
3x xx
y x e ee
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
79
RL- ELEKTRIČNI KROG
Kirchhoffov zakon: E=ER+EL
LDE 1.reda
Kakšen je tok v krogu s konstantnim virom napetosti E0?
ER=RIpadec napetosti na uporu:
padec napetosti na tuljavi: EL=LI ’
L
R
1( )
RI I E t
L L
0
1
(0) 0
RI I E
L LI
0 0
0
( ) 1t R R
t tL L
E EB t e dt e
L R
0( ) 1R
tL
EI t e
R
vir napetosti:
E=E(t)
t
I
0ER
0
( )t R R
A t dt tL L
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE
80
0( ) sinizmenični vir napetosti E t E t 0
1sin
(0) 0
RI I E t
L LI
2 2sin sin cosuporabimo:
axax e
e bx dx a bx b bxa b
2
2
0 02 2 2 2
0
sin cos sin cos
tRt RL t
LRL
E E Le R Rt t e t t
L L R L L
0 02 2 2 2 2 2
sin cosR
tLE E L
I t R t L t eR L R L
0 02 2 22 2 2
sin( ) arctgR
tLE E L L
t eR L RR L
0
( )t R R
A t dt tL L
0
0
( ) sint R
tL E
B t e t dtL
2 2sin cos sin arctguporabimo: , kjer je b
a x b x a b xa
MATEMATIKA 2
DIFERENCIALNE ENAČBE REŠLJIVOST DIFERENCIALNIH ENAČB
81
2 2
2 2
( ) 0
(0) 1
( ) 0 0
Začetni problem rešitev, ker je edina
rešitev enačbe dana s funkci
nima
jo
y y
y
y y y x
1( ) 1
(0) 1
Začetni problem ima za rešitevedi no
yy x x
y
1( ) 1.
(0) 1 Začetni problem ima rešitevneskončn oblike
o
yy
y x Cxxy
REŠLJIVOST DE 1. REDA
MATEMATIKA 2
DIFERENCIALNE ENAČBE REŠLJIVOST DIFERENCIALNIH ENAČB
82
PICARDOVA ITERACIJSKA METODA Numerična metoda za reševanje DE 1.reda, ki obenem daje zadostne pogoje za rešljivost DE 1.reda.
(Podobno smo pri Newtonovi metodi enačbo f(x)=0 preoblikovali v x=g(x).)
0
0 0
0
( , )
( )
( ) ( , ( )) ,
Rešitev začetnega problema
zapišemo kot integralsko enačbo
ki je primerna za reševanje z metodo iteracij.
x
x
y f x y
y x y
y x y f t y t dt
Tvorimo zaporedje funkcij y0(x), y1(x), y2(x),... po rekurzivnem pravilu:
0
0 0 1 0( ) , ( ) ( , ( ))x
n nx
y x y y x y f t y t dt
0 0 1( ) , ( ) ( , ( )), ( ) lim ( )Za vse je za limito pa velja:n n n nnn y x y y x f x y x y x y x
(če je f zvezna in če smemo odvajati limito)0 0 0( ) lim ( , ( )) ( , lim ( )) ( , ( )) ( ) lim ( )in n n nn n n
y x f x y x f x y x f x y x y x y x y
limitna funkcija y(x) je rešitev začetnega problema.
MATEMATIKA 2
DIFERENCIALNE ENAČBE REŠLJIVOST DIFERENCIALNIH ENAČB
83
......
Taylorjeva vrsta za funkcijo y(x)=ex.
(0) 1
y y
y
1
0
( ) 1 1 1 x
y x dt x 0 ( ) 1y x
2
2
0
( ) 1 (1 ) 12
x x
y x t dt x 2 2 3
3
0
( ) 1 (1 ) 12 2 6
x t x x
y x t dt x
0 1
0
( ) 1, ( ) 1 ( )x
n ny x y x y t dt
2
(0) 1 y x y
y
MATEMATIKA 2
DIFERENCIALNE ENAČBE REŠLJIVOST DIFERENCIALNIH ENAČB
84
Če so izpolnjeni določeni pogoji, Picardove iteracije konvergirajo proti rešitvi začetnega problema, dobljena rešitev pa je enolična.
Če sta f(x,y) in fy’(x,y) zvezni na neki okolici točke (x0,y0)
potem začetni problem ima natanko eno rešitev
y=y(x) na neki okolici točke x0.0 0
( , )
( ) y f x y
y x y
( ) tgy x x21
(0) 0 y y
y
Rešitve ni zmeraj mogoče podaljšati na celo realno os!
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
85
LINEARNE DIFERENCIALNE ENAČBE 2. REDA
( ) ( ) splošna LDE 2. reday a x y b x y c x
: ( ) ( ) je linearna funkcija (na prostoru dvakrat zvezno odvedljivih funkcij)L y y a x y b x
1. ( ) rešitve linearne enačbe so oblike , kjer je neka rešitev enačbe, pa element ničelne množice za
P
P H
HL y c x
L
y
y
y
y
y
2.
( ) 0 : 0
ničelno množico za tvorijo rešitve enačbe
homogena LDE 2. reda
L
L y y a x y b x y
Iz rezultatov o rešljivosti diferencialnih enačb sledi, da je ničelna množica dvodimenzionalna.
Elementi ničelne množice so oblike yH=c1y1+c2y2 , kjer sta y1in y2 linearno neodvisni rešitvi homogene enačbe.
3. Splošna rešitev enačbe je oblike y=yP+c1y1+c2y2.
Glavna težava pri LDE 2. reda je, v splošnem ni mogoče rešiti homogene enačbe.
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
86
Dovolj je, če poznamo eno rešitev homogene enačbe: potem lahko izračunamo še eno neodvisno rešitev homogene enačbe ter partikularno rešitev nehomogene enačbe.
1 2 1( ) ( ) 0 :Naj bo rešitev enačbe drugo rešitev iščemo kot y y a x y b x y y u y
1
1
(2 )y
u a uy
( )
21( )
A xeu
y
(A(x) primitivna funkcija za a(x))
1 1 1 1 1 1
1 1
1 1 1 1
0 2
2
y a y b y u y uy uy
auy auy
buy u y u y ay
=0
( )
2 1 21
( ) ( )( ( ))
A xey x y x dx
y x
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
87
1 2Py vy wy
1 1 2 2Py v y vy w y wy 1 2 0dodatni pogoj: v y w y
1 2vy wy
1 1 2 2Py v y vy w y wy
1 2 1 1 1 2 2 2
1
( ) ( )P P Py ay by v y w y vy avy bvy wy awy bwy
v y w y
= 0 = 0
1 2
1 2
0v y w y
v y w y c
1 2Py uy vy
1 2
1 2
, ( ) ( ) 0.
( ) ( ) ( )
Naj bosta rešitvi enačbe Partikularno rešitev enačbe iščemo kot P
y y y a x y b x y
y a x y b x y c x y v y w y
2 1
1 2 2 1 1 2 2 1
,cy cy
v wy y y y y y y y
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
88
( ) ( ) ( )y a x y b x y c x
1. Poiščemo vsaj eno rešitev homogene enačbe
2. Druga rešitev homogene enačbe je dana z
REŠEVANJE LDE 2.REDA
( )
2 1 21
( ) ( )( ( ))
A xey x y x dx
y x
3. Partikularno rešitev dobimo v obliki
kjer sta v,w določena z
1 2Py vy wy
2 1
1 2 2 1 1 2 2 1
,cy cy
v wy y y y y y y y
2 2 2(1 ) 2 2 (1 )x y xy y x
2 12
2 20 :
(1 ) (1 )Uganemo rešitev homogene enačbe
xy y y
xx
xy
22
2( ) ln(1 )
(1 )
xA x dx x
x
2
22 2
11 1x
x dxy xx xx x
2 2 21 2 2
3 2
(2 ) 1 ( 1 ,3 2
) 1 1 ,y y y y x x x x v x w xx x
v x w
42 2322 2( ) ( 1) ( 1)
2( 1
6)
3 2
x xy x x
x xAx B xx x Ax B x
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
89
preprosto rešljiva homogena enačba lažje računanje posebne rešitve
Primeri uporabe: nihanja električna vezja modeliranje metabolizma .......
( )y ay by f x
LDE 2. REDA S KONSTANTNIMI KOEFICIENTI
HOMOGENA ENAČBA
Poskusimo z nastavkom: y=erx (po zgledu z LDE 1.reda)
par realnih ničel
dvojna realna ničla
par konjugiranih kompleksnih ničel
0y ay by
2( ) 0rxr ar b e
2
rx
rx
rx
y e
y re
y r e
2 0r ar b
2
1,2
4
2
a a br
2 4 0a b 2 4 0a b 2 4 0a b
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
90
1. primer: par realnih ničel r1,r2:
splošna rešitev:
2. primer: dvojna realna ničla r
splošna rešitev:
1 21 2( ) , ( )bazični rešitvi r x r xy x e y x e
1 21 2( ) r x r x
Hy x ce c e
1 2( ) ( ) rxHy x c c x e
1 2( ) , ( )bazični rešitvi rx rxy x e y x xe
3. primer: par konjugirano kompleksnih ničel: α+iβ, α-iβ
splošna rešitev
( )i x x i xe e e potrebujemo rešitve, ki so realne funkcije
1 2( ) cos , ( ) sinbazični rešitvi x xy x e x y x e x
1 2( ) ( cos sin )xHy x e c x c x
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
91
Diferencialna enačba
Karakteristična enačba Ničle Splošna rešitev
0y y
0y y
4 4 0y y y
4 5 0y y y
0y y y
2 1 0r
2 1 0r
2 4 4 0r r 2 4 5 0r r
2 1 0r r
1 21, 1r r
1 2,
0, 1
r i r i
1,2 2r
1 25, 1r r
1
2
1 3
2 2
1 3
2 2
r i
r i
1 2x xce c e
1 2cos sinc x c x
21 2( )xe c c x
51 2
x xce c e
2 3 31 22 2( cos sin )
x
e c x c x
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
92
rešitev iščemo v obliki
NEHOMOGENA ENAČBA
1. način
in dobimo preprosto rešljiv sistem
kjer je
( )y ay by f x
1 2( ) ( ) ( ) ( ) ( )Py x u x y x v x y x
2 1 1 2
0
1( ) ( ) ( ( ) ( ) ( ) ( ))
xat
Py x f t e y x y t y x y t dtA
1 2 1 2(0) (0) (0) (0)A y y y y
2 3y y y x 2 2 3 0r r karakteristična enačba:
rešitve kar. enačbe: 1 21, 3r r 3
1 2( ) , ( )x xy x e y x e rešitve homogene:
4A 3
2 3 3
0
1 3 2( ) ( )
4 9 4 36
x x xt x t x t
P
x e ey x te e e e e dt
partikularna rešitev:
31 2
3 2( )
9x xx
y x ce c e splošna rešitev:
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
93
2. način
Za nekatere pomembne primere desnih strani lahko na podlagi izkušenj uganemo obliko rešitve in računamo le neznane koeficiente.
desna stran nastavek (ki so neznani koeficienti)
f(x)=Pn(x) (polinom n-te stopnje)
f(x)=eax
Izjema: če je nastavek za yP rešitev homogene enačbe, potem cel nastavek pomnožimo z x (oz. z x2, če ima karakteristični polinom dvojno ničlo).
Superpozicija: če je desna stran vsota izrazov iz levega stolpca tabele, potem tudi za nastavek vzamemo ustrezno vsoto.
11 1 0( ) ...n n
P n ny x k x k x k x k
( ) axPy x ke
( ) cos , ( ) sinf x bx f x bx 1 2( ) cos sinPy x k bx k bx
( ) ( )axnf x e P x 1
1 1 0( ) ( ... )ax n nP n ny x e k x k x k x k
( ) cos , ( ) sinax axf x e bx f x e bx 1 2( ) ( cos sin )axPy x e k bx k bx
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
94
2 3y y y x 3
1 2( ) ,rešitve homogene: x xy x e y e
0
nastavek y ax b
y a
y
1 20 2 3( ) ,
3 9 a ax b x a b
3 2( )
9P
xy x
31 2
3 2( )
9x xx
y x ce c e
22 xy y y x e 2 2 1 0kar. enačba r r 1,2 1r 1 2( ) , ( )x xy x e y x xe
(ker sta ex in xex rešitvi homogene enačbe)2 2
2
2
( )
2 2
2 2 4
Nastavek: x
x x
x x x
y ax bx c dx e
y ax b dxe dx e
y a de dxe dx e
2 2 2 2 2(2 2 4 ) 2(2 2 ) ( )x x x x x x xa de dxe dx e ax b dxe dx e ax bx c dx e x e
11, 4, 6,
2a b c d
22
1 2( ) 4 6 ( )2
xxx e
y x x x c c x e
MATEMATIKA 2
DIFERENCIALNE ENAČBE LINEARNE ENAČBE 2. REDA
95
REŠEVANJE LDE 2.REDA S KONSTANTNIMI KOEFICIENTI
3. Nehomogeno enačbo rešimo z nastavkom
par realnih ničel r1,r2
dvojna ničla r
par kompleksnih ničel α+iβ, α+iβ
Izjema: če je nastavek za yP rešitev homogene enačbe, potem cel nastavek pomnožimo z x ali z x2.
( )y ay by f x 2 0r ar b 1. Rešimo karakteristično enačbo
2. Na podlagi rešitev določimo bazične rešitve homogene enačbe
1 21 2( ) , ( )r x r xy x e y x e
1 2( ) , ( )rx rxy x e y x xe 1 2( ) cos , ( ) sinx xy x e x y x e x
11 1 0( ) ...n n
P n ny x k x k x k x k
( ) axPy x ke
( ) cos , ( ) sinf x bx f x bx 1 2( ) cos sinPy x k bx k bx
( ) ( )axnf x e P x 1
1 1 0( ) ( ... )ax n nP n ny x e k x k x k x k
( ) cos , ( ) sinax axf x e bx f x e bx 1 2( ) ( cos sin )axPy x e k bx k bx
( ) ( )nf x P x
( ) axf x e
4. Splošna rešitev je y=yP+c1y1+c2y2.
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
96
NIHANJA
sile, ki delujejo na utež
nehomogena LDE 2. reda homogena LDE za odmik od ravnovesne lege
y
y=y(t) odmik od ravnovesne legey’(t) hitrosty’’(t) pospešek
my’’ =mg-ky
ky y g
m
y0
y-y0
mg=ky0 ravnovesna lega obremenjene vzmeti
0 0 0( ) ( )m y y ky ky k y y
0 0( ) ( ) 0k
y y y ym
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
97
Utež z maso m obesimo na vzmet in izmaknemo za L iz ravnovesne lege. Kako bo zanihala?(privzamemo veljavnost Hookovega zakona, zanemarimo upor in maso vzmeti)
harmonično nihanje
0
(0)
(0) 0
ky y
my L
y
( ) cos sin
, 0
k ky t A t B t
m mA L B
( ) cos k
y t L tm
periodično nihanje z amplitudo L in frekvenco frekvenca je odvisna le od mase uteži in trdote vzmeti, ni pa odvisna od amplitude
km
enačba prostega nihanja(isto enačbo dobimo, če pri običajnem nihalu in pri majhnih kotih nadomestimo sin x z x)
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
98
Sila dušenja je sorazmerna hitrosti (če hitrost ni prevelika) in ima nasprotno smer.
koeficient dušenja
my ky cy
0c k
y y ym m
enačba dušenega nihanja
2 0c k
r rm m
karakteristična enačba:
2
1,2
4
2
c c kmr
m
rešitve karakteristične enačbe:
DUŠENO NIHANJE
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
99
2 4 koeficient dušenja je majhenc km
2 22 202
2
4
2 4d
cm
km c k cm m m
( ) ( cos sin )td dy t e A t B t 2 2 cos( )t
dA B e t arctgBA
Če je koeficient dušenja dovolj majhen, vtež niha z amplitudo, ki eksponentno vpada s časom. Frekvenca nihanja je konstantna in je nekoliko manjša od frekvence nedušenega nihanja.
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
100
2 4 koeficient dušenja je velikc km2
1
2
2
40
2
40
2
c km cr
m
c km cr
m
1 2( ) r t r ty t Ae Be
Pri velikem koeficientu dušenja se vtež bodisi preprosto vrne v ravnovesno lego in v njej obmiruje ali pa enkrat zaniha in potem obmiruje v ravnovesni legi.
2 4 mejni primerc km
2( ) ( )c
tmy t e A Bt
V mejnem primeru se zgodi podobno kot v primeru velikega koeficienta dušenja.
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
101
VSILJENO NIHANJE
zunanja sila, ki deluje na vzmet
lastna frekvenca prostega nihanja
Splošna rešitev:
Posebno rešitev dobimo z: - nastavkom - variacijo konstant - integralsko formulo
- rešitev začetnega problema y(0)=y’(0)=0 - primerna tudi za odsekoma zvezne desne strani
f(t)
( )my ky f t
0
km
0 0
2 20
( ) ( ) cos sin
( ) cos( )
P
P
y t y t A t B t
y t A B t
0
0
1( ) ( )sin ( )
t
Py t f x t x dxk
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
102
en signal sproži harmonično nihanje
posamezni signali spremenijo amplitudo, frekvenca se ne spreminja
periodični signal s frekvenco nesorazmerno z lastno frekvenco povzroči neurejeno nihanje
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
103
periodični signal s frekvenco enako lastni povzroči resonanco
periodični signal s frekvenco blizu lastne povzroči utripanje
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
104
Zakaj pride do resonance?
zunanja sila:
nastavek:
splošna rešitev:
amplituda neomejeno narašča
0( ) cosf t F t 2 00 cos
Fy y t
m
cos siny A t B t 2 2 2 0
0cos sin ( cos sin ) cosy y
FA t B t A t B t t
m
02 20
, 0( )
F
A Bm
002 2
0
( ) cos cos( )( )
Fy t t C t
m
0
amplituda linearno narašča
00
0
( ) sin2P
Fy t t t
m
0 ( cos sin )nastavek: y t A t B t
MATEMATIKA 2
DIFERENCIALNE ENAČBE NIHANJA
105
DUŠENO VSILJENO NIHANJE
superpozicija dveh nihanj; drugo postane sčasoma zanemarljivo (prehodno stanje stacionarno stanje)⇒
v stacionarnem stanju je frekvenca enaka frekvenci spodbujanja, amplituda pa je odvisna od mase, koeficienta upora ter razlike med frekvenco spodbujanja in lastno frekvenco dušenega nihanja.
Amplituda pri dušenem vsiljenem nihanju ne narašča čez vse meje, ko gre ωω0
20 cos 4(Privzamemo )my cy ky F t c km
2 20( ) cos( ) ,
2Rešitev homogene enačbe: t
H d d
cy t Ce t
m
cos sinNastavek za nehomogeno enačbo ( ):d y A t B t 2 2
0 02 2 2 2 2 2 2 2 2 2 2 2
( ),
( ) ( ) d
d d
m cA F B F
m c m c
0
2 2 2 2 2 2( ) cos( ) cos( )
( )Splošna rešitev: t
v d
d
Fy t t Ce t
m c
Razmerje med amplitudo spodbujanja in amplitudo nihanja – ojačenje – je
2 2 2 2 2 2
1
( )dm c
0
2c
1c
1
2c
1
4c Resonančna krivulja
Ojačenje kot funkcija frekvence spodbujanja za različne vrednosti koeficienta upora (k=1, m=1):
MATEMATIKA 2
DIFERENCIALNE ENAČBE ELEKTRIČNI KROG
106
RLC ELEKTRIČNI KROG
Padec napetosti na ...
upoštevamo I=Q ’:
E(t)
ER=RI
EL=LI ’
C
QE
C
- uporu je sorazmeren toku;
- tuljavi je sorazmeren spremembi toka;
- kondenzatoru je sorazmeren naboju.
( )
1R L CE t E E E
RI LI QC
1( )LI RI I E t
C ( )my cy ky F t
MATEMATIKA 2
DIFERENCIALNE ENAČBE ELEKTRIČNI KROG
107
induktanca tuljave L
upor R
recipročje kapacitivnosti 1/C
odvod napetosti iz vira E ’(t)
električni tok I 2. Kirchhoffov zakon
masa m (inercija)
koeficient dušenja c (viskoznost)
koeficient elastičnosti k
zunanja sila F(t)
odmik od ravnovesja y2. Newtonov zakon
RLC krog z izmeničnim (sinusnim) virom napetosti (R>0):
- prehodnemu toku sledi stacionarni električni tok; - frekvenca stacionarnega toka je enaka frekvenci vira; - amplituda stacionarnega toka je odvisna od induktance,
kapacitivnosti in razlike med frekvenco vira in lastno frekvenco RLC kroga
- ko se frekvenca vira približa lastni frekvenci pride do utripanja in do resonance
1( )LI RI I E t
C ( )my cy ky F t
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE METABOLIZMA
108
MODEL ZA UGOTAVLJANJE DIABETESADiabetes je disfunkcija pri presnovi glukoze. Pri običajnem testiranju dobi pacient na tešče večjo količino glukoze. V naslednjih nekaj urah mu večkrat odvzamejo kri in izmerijo koncentracijo glukoze. Oblika sprememb je podlaga za ugotavljanje diabetesa. Zaradi nihanja koncentracije, individualnih razlik in drugih dejavnikov, ki vplivajo na količino glukoze v krvi, je pogosto težko postaviti pravilno diagnozo.
1. OBLIKOVANJE MATEMATIČNEGA MODELA
Presnovo glukoze krmili vrsta hormonov: insulin (spodbuja absorbcijo glukoze), glukagon (spodbuja nastanek glukoze iz glikogena v jetrih), adrenalin (spodbuja nastanek glukoze in zavira izločanje insulina), tiroksin (spodbuja nastanek glukoze iz ne-karbohidratov), somatotropin (zavira delovanje insulina) in drugi.
G: koncentracija glukoze v krviH: skupna koncentracija hormonov v krvi; tiste, ki zmanjšujejo G štejemo z negativnim, ostale pa s pozitivnim predznakom; v običajnih okoliščinah prevladuje vpliv insulina. Laboratorijsko merimo predvsem G; določanje H je precej težje ali celo nemogoče.
Spreminjanje G in H je odvisno od trenutnih koncentracij G in H.
dovajanje insulina v kri
( , ) ( )
( , ) G u G H J t
H v G H
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE METABOLIZMA
109
Funkciji u in v nista znani. Njuni vrednosti blizu ravnovesnega stanja (G0,H0) lahko približno izrazimo s pomočjo parcialnih odvodov (temu pristopu pravimo linearizacija):
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
( , ) ( , ) ( , ) ( ) ( , ) ( )
( , ) ( , ) ( , ) ( ) ( , ) )G H
G H
u G H u G H u G H G G u G H H H
v G H v G H v G H G G v G H H H
sistem LDE 1.reda( )
( , , , 0)
g ag bh J ta b c d
h cg dh
0 0( ), ( )Napišemo diferencialno enačbo za odmike od ravnovesja
(podobno kot pri nihanjih)
g G G h H H
, , ,Vrednosti ne poznamo, lahko pa ocenimo njihov predznak - pozitiven, če vplivajo na povečanje količine in negativen, če povzročajo zmanjšanje količine.
G H G Hu u v v
MATEMATIKA 2
DIFERENCIALNE ENAČBE MODELIRANJE METABOLIZMA
110
Prevedemo na LDE 2.reda:odvajamo 1. enačbo
h’ izrazimo iz 2. enačbe
bh izrazimo iz 1. enačbe
g a g b h J ( )a g b c g d h J
( )a g bc g d J a g g J
( ) ( )a d g ad bc g J d J
( ) ( )g a d g ad bc g J d J
2. POSLEDICE MATEMATIČNEGA MODELA
Pacientu damo glukozo na začetku in skoraj trenutno, zato je smiselno reševati homogeno enačbo pri začetnih pogojih g(0)=J in g’(0)=0.
Enačba opisuje dušeno nihanje splošna rešitev gre sčasoma proti ⇒ 0, tj. G gre proti G0.
Splošna rešitev je (ob negativni diskriminanti) nihanje oblike
torej je določena s konstantami G0,A,α,d,δ.
0( ) cos( )tdG t G Ae t
S poskušanjem ugotovimo, da je lastna frekvenca d najmanj občutljiva za napake pri merjenju koncentracij. Na podlagi izkušenj je frekvenca, ki ustreza manj kot 4 uram znak normalne presnove, tista pa, ki ustreza bistveno več kot 4 uram pa kaže na diabetes.
Konstante določimo s pomočjo metode najmanjših kvadratov iz nekaj meritev (običajno 6-8).
MATEMATIKA 2
VERJETNOST IN STATISTIKA
OSNOVNI POJMI
111
OSNOVE TEORIJE VERJETNOSTIV tednu je sedem dni. Kolikšna je verjetnost, da bo jutri petek?
Verjetnost, da sta na letalu dve bombi je neprimerno manjša kot verjetnost, da je na letalu ena bomba. Za koliko se zmanjša verjetnost, da je na letalu bomba, če eno bombo prinesemo s seboj?
Polovici razreda se pouk zaključi ob dvanajstih, polovici pa ob dveh. Torej se jim pouk v povprečju zaključi ob sedmih ( (12+2)/2=7 ).
Kolikšna je verjetnost, da pri 100 metih kovanca dobimo 50 cifer? 1, 0.5 ali kaj drugega?
Statistično je dokazano, da večja, ko je teža mladostnika, višja je njegova stopnja izobrazbe. Torej čim več jejte!
MATEMATIKA 2
VERJETNOST IN STATISTIKA OSNOVNI POJMI
112
Teorija verjetnosti obravnava situacije, ki jim pravimo poskusi in pri katerih je izid odvisen od naključja.
Prostor izidov je množica vseh izidov nekega poskusa.
Med vožnjo na faks pelje študent mimo treh semaforjev. Pri vsakem se bodisi ustavi (R) ali pa pelje brez ustavljanja (Z). Prostor izidov je { ZZZ , ZZR , ZRZ , RZZ , ZRR , RZR , RRZ ,RRR }.
Letna količina padavin v nekem kraju je zelo odvisna od naključja. Če jo gledamo kot izid poskusa je prostor izidov množica vseh pozitivnih realnih števil {t | t 0}.
Uvrstitev tekmovalca na kolesarski dirki ‘Franja’ je izid pri poskusu - tekmi - in za prostor izidov vzamemo množico {1,2,...,N}, kjer je N število udeležencev. Ker se število udeležencev iz leta v leto spreminja, je bolj
smiselno vzeti za prostor izidov množico vseh naravnih števil {1,2,3,...}.
Podmnožicam prostora izidov pravimo dogodki.
Dogodek, da se študent ustavi pri drugem semaforju je {ZRZ,ZRR,RRZ,RRR}. Dogodek,da se kolesar uvrsti med prvih deset je {1,2,3,4,5,6,7,8,9,10}. Interval [500,1200] ustreza dogodku, da pade med 500 in 1000 milimetrov dežja.
MATEMATIKA 2
VERJETNOST IN STATISTIKA OSNOVNI POJMI
113
dogodka sta nezdružljiva, če je njun produkt nemogoč dogodek: npr., da se študent hkrati ustavi in ne ustavi na prvem semaforju.
Na dogodkih izvajamo iste operacije kot na množicah (unija, presek,komplement...), le da jih drugače imenujemo.
SLOVARelement izid
množica dogodek
unija vsota
presek produkt
komplement nasprotni dogodek
prazna množica nemogoč dogodek
cela množica gotov dogodek
tuji množici nezdružljiva dogodka
ZZZ,ZZR,ZRZ,RZZ,ZRR,RZR,RRZ,RRR
A+B je dogodek, da se študent ustavi na prvem, ali na drugem semaforju ali pa na obeh:
A+B={RZZ,RZR,ZRZ,ZRR,RRZ,RRR}
A je dogodek, da se študent ustavi na prvem, B pa, da se ustavi na drugem semaforju:
A={RZZ,RZR,RRZ,RRR}, B={ZRZ,ZRR,RRZ,RRR}
AB je dogodek, da se študent ustavi na prvem in na drugem semaforju: AB={RRZ,RRR}
G={ZZZ,ZZR,ZRZ,RZZ,ZRR,RZR,RRZ,RRR}
N=∅
A je dogodek, da se študent ne ustavi na prvem semaforju A ={ZRZ,ZZR,ZZZ,ZRR}.
MATEMATIKA 2
VERJETNOST IN STATISTIKA OSNOVNI POJMI
114
Verjetnost je funkcija, ki vsakemu dogodku A priredi število P(A)[0,1] tako, da velja:
BA
A BAB
GA A( ) 1 ( )P A P A
( ) ( ) ( )AB N P A B P A P B
( ) 1P G
Verjetnost vsote nezdružljivih dogodkov je enaka vsoti njunih verjetnosti
Verjetnost gotovega dogodka je 1.
( ) ( ) ( )
( ) 1
P A P A P A A
P G
( ) ( ) ( ) ( )P A B P A P B P AB
Računska pravila:
( ) 0P N
( ) ( )A B P A P B ( ) ( ) ( )
( )
P B P A P B A
P A
MATEMATIKA 2
VERJETNOST IN STATISTIKA DEFINICIJE VERJETNOSTI
115
Naj bo pri metu kocke A dogodek, da pade sodo število pik. Po klasični definicija: P(A)=½, ker je A={2,4,6} v množici izidov {1,2,3,4,5,6}, za katere privzamemo, da so enako verjetni.
Statistična definicija: P(A) je frekvenca metov s sodim številom pik pri velikem številu metov kocke.
Po 1000 metih kovanca dobimo 700 grbov
pri 1001. metu sta oba izida enako verjetna
pri 1001. metu je bolj verjetno, da pade grb
klasično
statistično
Klasična definicija verjetnosti Če ima poskus končno število enako verjetnih izidov, potem je
( )število izidov v dogodku
število vseh izidovA
P A
Statistična definicija verjetnosti Frekvenca dogodka A pri n ponovitvah poskusa je
P(A) je limita frekvenc dogodka A pri velikem številu ponovitev poskusa.
število poskusov z izidom An
Za uporabo je odločilna verjetnost, ‘izmerjena’ po statistični definiciji. Klasična definicija je lahko kvečjemu dober približek.
MATEMATIKA 2
VERJETNOST IN STATISTIKA DEFINICIJE VERJETNOSTI
116
Kovanec s premerom 2 cm vržemo na tla pokrita s ploščicami s stranico 10 cm. Kolikšna je verjetnost dogodka A, da kovanec ne pade na stik dveh ploščic?
P(A)=82/102=0.64=64%
Včasih izidov ne moremo prešteti, lahko pa jih predstavimo geometrično. V tem primeru je klasična definicija verjetnosti P(A) opredeljena kot razmerje med velikostjo (dolžino, ploščino, prostornino...) množice A in velikostjo množice vseh izidov.
Tudi pri tem pristopu se klasična in statistična definicija razlikujeta:
Klasično: če je r čas trajanja rdeče luči na semaforju, z pa čas trajanja zelene luči, potem je verjetnost, da se voznik ustavi enaka r/(r+z).
Statistično: verjetnost je razmerje med številom ustavljanj in številom vseh voženj pri dovolj velikemu številu voženj.
Kolikšna je verjetnost, da se bo voznik ustavil pri nekem semaforju?
MATEMATIKA 2
VERJETNOST IN STATISTIKA POGOJNA VERJETNOST
117
POGOJNA VERJETNOST
Voznik se vsak dan vozi po isti poti in se jezi, da na nekem semaforju skoraj vsakič pripelje na rdečo luč. Sčasoma ugotovi, da v povprečju le enkrat na vsakih pet voženj pripelje na zeleno. Ali lahko sklepa, da je rdeči interval štirikrat daljši od zelenega?
Po opazovanju semaforja ugotovi, da sta rdeča in zelena prižgani enako dolgo časa. Kako je potem mogoče, da vedno pripelje na rdečo?
Izkaže se, da na svoji poti pelj mimo dveh semaforjev. Na prvega pripelje povsem naključno, mimo pa gre le pri zeleni luči. Semaforja sta pa tako (ne)vsklajena, da se v času, ko pripelje do drugega ravno prižge rdeča luč.
Izid na drugem semaforju je pogojen z izidom na prvem semaforju.
MATEMATIKA 2
VERJETNOST IN STATISTIKA POGOJNA VERJETNOST
118
A,B dogodka ( P(B)≠ 0 )
Pogojna verjetnost dogodka A pri pogoju B je delež dogodka A med poskusi, pri katerih se zgodi dogodek B.
Pri kontroli kakovosti v tovarni 30% izdelkov ocenijo kot prvovrstne, 50% kot drugovrstne, ostale pa kot neuporabne. V trgovino seveda pošljejo le uporabne izdelke. Kolikšna je verjetnost, da je naključno izbrani izdelek v trgovini prvovrsten?
A: izdelek je prvovrstenU: izdelek je uporabenZanima nas P(A|U).
P(AU)=P(A)=30 %P(U)=80 %P(A|U)=30/80=0.375=37.5 %
( )( | )
( )
P ABP A B
P B
( ) ( | ) ( )
( ) ( | )
P AB P A B P B
P A P B A
S pomočjo pogojne verjetnosti izrazimo verjetnost, da se dva dogodka zgodita hkrati:
Iz vrečke, v kateri so 3 rdeče in 2 beli kroglici, zaporedoma brez gledanja izvlečemo dve kroglici . Kolikšna je verjetnost, da sta obe rdeči?
A: prvič izvlečemo rdečo kroglicoB: drugič izvlečemo rdečo kroglico
3 2( ) , ( )
5 4P A P B A 3 2
( )5 4
3
10P AB
MATEMATIKA 2
VERJETNOST IN STATISTIKA POGOJNA VERJETNOST
119
S pomočjo pogojne verjetnosti lahko izračunamo verjetnost dogodka, ki je rezultat dvo- ali večstopenjskega poskusa:
Iz škatle s petimi rdečimi in tremi belimi kroglicami na slepo prenesemo dve kroglici v škatlo, v kateri so tri rdeče in tri bele kroglice. Nato iz druge škatle izvlečemo eno kroglico. Kolikšna je verjetnost, da je rdeča?
možnosti na 1. koraku možnosti na 2. koraku
prenesemo dve beli kroglici
prenesemo dve rdeči kroglici
prenesemo eno rdečo in eno belo kroglico
izvlečemo belo kroglico
izvlečemo rdečo kroglico
3 2 6
8 7 56P
5 4 20
8 7 56P
3 5 5 3 30
8 7 8 7 56P
3
8P
5
8P
4
8P
6 3 20 5 30 4 238( )
56 8 56 8 560.531
8 448P R
? ?
MATEMATIKA 2
VERJETNOST IN STATISTIKA POGOJNA VERJETNOST
120
V splošnem najprej določimo vse možnosti na prvem koraku: H1,H2,...,Hn in njihove verjetnosti P(H1),P(H2),...,P(Hn).
Nato določimo pogojne verjetnosti, da se dogodek A zgodi pri vsaki od teh možnosti P(A|H1),P(A|H2),...,P(A|Hn).
formula o popolni verjetnosti
P(Hi|A)=P(AHi )/P(A)= P(A|Hi ).P(Hi )/P(A)
Bayesova formula
Včasih nas zanima, po kateri poti je prišlo do opaženega izida:
1 1 2 2( ) ( ) ( | ) ( ) ( | ) ... ( ) ( | )n nP A P H P A H P H P A H P H P A H
( | ) ( )( | )
( )i i
i
P A H P HP H A
P A
MATEMATIKA 2
VERJETNOST IN STATISTIKA NEODVISNI DOGODKI
121
A je neodvisen od B, če je P(A|B)=P(A).
Iz škatle, v kateri imamo 7 polnih in 3 prazne baterije naključno vzamemo dve. Naj bo A dogodek, da je prva baterija polna, B pa dogodek, da je druga baterija polna. Ali sta dogodka A in B neodvisna?
7 6,
7 6 3 7 710 93 7 10 9 10 9 10
,10 9
P A P B| A P B
P A P B| A
A in B sta neodvisna P(AB)=P(A).P(B)
P(A|B)=P(A) P(AB)=P(A)P(B)
ODVISNOST IN NEODVISNOST DOGODKOV
ni neodvisen od P B P B| A B A
Zgled razkrije razliko med izbiranjem vzorca z vračanjem in izbiranjem brez vračanja.
MATEMATIKA 2
VERJETNOST IN STATISTIKA POGOJNA VERJETNOST
122
V skupini je n oseb. Kolikšna je verjetnost, da imata dve rojstni dan na isti dan?
47 oseb P(A)>95%⇒
Lažje obravnavamo nasprotni dogodek, da so vsi rojstni dnevi različni.
364 3642 : 1
3650.003
365drugi nima rojstni dan na isti dan kot prvi imata skupni rojstni dann P P
364 3633 :
365 365364 363
1365 3
0. 086
05
drugi nima rojstni dan na isti dan kot prvi in tretji ne kot prvi in drugi
dva od treh imata skupni rojstni dan
n P
P
364 363 3624 : 1
365 3650.016
365dva od štirih imata skupni rojstni dann P
364 363 366
1365 365 365
dva od tih imata skupni rojstni dan
n
P n
23 oseb P(A)⇒ >50%
32 oseb P(A)>75%⇒
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
123
Če vržemo dve kocki, dobimo za vsoto pik število med 2 in 12, vendar te vsote ne moremo vnaprej napovedati, saj je odvisna od naključja. Podobno velja za število šestic v dveh metih.
Primeri količin odvisnih od naključja:• število potnikov mestnega avtobusa, ki izstopijo na postaji• število metov potrebnih, da igralec z določene razdalje zadane koš• število bonbonov v vrečki• življenjska doba žarnice• teža hlebca kruha ……
Slučajna spremenljivka je funkcija, katere vrednosti so odvisne od naključja.
Določata jo: zaloga vrednosti = nabor vrednosti, ki jih lahko zavzame, in porazdelitev = verjetnost, da zavzame eno ali več vrednosti iz zaloge
SLUČAJNE SPREMENLJIVKE
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
124
Pri metu dveh kock je možnih 36 različnih in enako verjetnih izidov. Če z V označimo vsoto pik, dobimo slučajno spremenljivko z vrednostmi 2,…,12 in porazdelitvijo:
12 12
362
3 11363
4 10364
5 9365
6 836
67
36
P(V ) P(V )
P(V ) P(V )
P(V ) P(V )
P(V ) P(V )
P(V ) P(V )
P(V )
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
125
Slučajna spremenljivka X je diskretna, če zavzame končno ali največ števno mnogo vrednosti x1, x2, x3,...
Njena porazdelitev je povsem določena s funkcijo pX( xi )=P ( X=xi ).Običajno naštejemo le neničelne vrednosti: p(x1),p(x2),p(x3),...
enakomerna porazdelitev • X zavzame vrednosti x1, x2,..., xn
• pX (x)=1/n, če je x {∈ x1, x2,... xn} pX (x)=0, sicer
Število pik pri metu kocke je enakomerno porazdeljeno: zaloga vrednosti je {1,2,3,4,5,6}, vse vrednosti imajo verjetnost 1/6.
0 ( ) 1 ( ) 1 i ii
p x p x Velja:
Primeri diskretnih porazdelitev
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
126
binomska porazdelitev Poskus ponovimo n-krat: naj bo vsakič verjetnost uspeha enaka p (in verjetnost neuspeha 1-p).
(npr. žogo vržemo 10-krat na koš; zadanemo z verjetnostjo 70%)
Slučajna spremenljivka B naj bo število uspešnih poskusov. Kako je porazdeljena?
(tj. kolikšna je verjetnost, da bomo imeli k zadetkov?)
1 k n-kB
np (k) P(B k) p ( p)
k
6 410(6) 0 7 0 3 0 200 20
6p . . . %
npr. verjetnost, da koš zadanemo natanko 6-krat je
• Zaloga vrednosti spremenljivke B je {0,1,2,...,n}
• Privzamemo, da so izidi poskusov medsebojno neodvisni.
Obstaja različnih zaporedij k uspešnih in (n-k) neuspešnih poskusov;
verjetnost vsakega zaporedja je pk(1-p)n-k .
n
k
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
127
Porazdelitev spremenljivke B za n=10 in p=0.7: b(10,0.7)
binomska porazdelitev b(n,p)
b(20,0.4) b(100,0.65)
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
128
Lastnosti binomske porazdelitve b(n,p): značilna zvonasta oblika grafa maksimum pri n.p (približno) za velike n so vse verjetnosti zelo majhne ali celo zanemarljive • tedaj je bolj smiselno verjetnosti opazovati kumulativno: P(B ≤ k) ali intervalsko: P(j ≤ B ≤ k)
Žogo vržemo na koš 100-krat, pri čemer je verjetnost zadetka 70%.Kolikšna je verjetnost, da bomo zadeli več kot 65-krat?
100100
66
10065 100 0 7 0 3 0 837 83.7%k k
k
P( B ) . . .k
računanje je zelo zamudno in numerično zahtevno
Kaj je bolj verjetno: da bomo v 10 metih zadeli 10-krat ali v 100 metih več kot 80-krat?
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
129
geometrična porazdelitev
Ponavljamo poskus pri katerem je verjetnostjo uspeha p. Slučajna spremenljivka G naj bo število poskusov, potrebnih za prvi uspeh. Kako je porazdeljena?
p=0.2
• Zaloga vrednosti spremenljivke G je {1,2,3,... }
• P(G=k)=p.(1-p)k-1
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
130
Poissonova porazdelitev
Poissonova porazdelitev P(a) • zaloga: {0,1,2,3,... } • porazdelitev:
( )k
-aap k e
k!
Uporaba: modeliranje emisije -delcev v danem časovnem intervalu modeliranje časovnih vrst (vrste pred bančnimi okenci, gostota prometa, obremenitve telefonskega omrežja) modeliranje redkih nesreč v zavarovalništvu (npr. čebelji piki, padci pod tušem) . . . .
Če je a=n.p majhen, je Poissonova porazdelitev zelo dober približek za binomsko porazdelitev.
n.p=a, n →
binomska porazdelitev b(n,p): 1k n-knP(B k) p ( p)
k
1 1 1 11 1 1 1
1 2
k n k n -kkk n-kn n(n - ) (n - k ) a a a n(n - ) (n - k ) a a
p ( p) k k n n k! n n n n n
e-a 1 1k
-aa ek!
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
131
ZVEZNE SLUČAJNE SPREMENLJIVKE
Kadar je zaloga slučajne spremenljivke X neštevna (npr. življenjska doba žarnice), potem ne moremo našteti verjetnosti posameznih izidov in jim povrhu običajno sploh ne moremo pripisati pozitivne verjetnosti.
Pomagamo si s kumulativno verjetnostjo: P(X ≤ x) = verjetnost, da X zavzame vrednost največ x (npr. da žarnica pregori po x urah)
FX(x) = P(X ≤ x) je (kumulativna) porazdelitvena funkcija spremenljivke X
Porazdelitvena funkcija slučajne spremenljivke je • naraščajoča • na (-,) zraste od 0 do 1
Spremenljivka X je zvezna če je njena porazdelitvena funkcija FX zvezna.
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
132
Kumulativne porazdelitve diskretne in zvezne slučajne spremenljivke
Če je spremenljivka X zvezna, potem obstaja funkcija pX(x), da jex
X XF (x) p (t) dt
pX(x) je gostota slučajne spremenljivke X
0 1 1X X p (x) p (t) dt
Za gostoto slučajne spremenljivke velja:
Kjer je pX zvezna je pX=FX ’.
( )b
Xa
P a X b p (x) dx
S pX računamo podobno, kot z diskretno gostoto, le da vsote nadomestimo z integrali: P(a≤X ≤ b) = verjetnost, da X zavzame vrednost med a in b (da je življenjska doba žarnice med a in b ur)
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
133
Primeri zveznih porazdelitev
enakomerna porazdelitev
1 0 1
0 sicerx
p(x)
na [0,1], gostota:
1
0 sicer
a x bp(x) b a
na [a,b], gostota:
0 1
1
a b
ab1
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
134
eksponentna porazdelitev
0 0
0-ax
xp(x)
a e x
Podobna Poissonovi; uporaba pri modeliranju življenjske dobe, modeliranju vpliva mamil na živčne receptorje, napovedovanju potresov...
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
135
Normalna porazdelitev N(a,) 2
1
21
2
x-a-
σp(x) eσ π
gostota:
zvonasta oblika maksimum pri a simetrična glede na a eksponetno pada proti
0
( 1,0.5)N
( 0.5,0.7)N
(1,0.25)N
gostota porazdelitve N(0,) za različne :(0,1)N
(0,0.5)N
(0,0.25)N
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
136
N(0,1) je standardizirana normalna porazdelitev; njena gostota je
2
21
2
x-
(x) eπ
)
1N(a,σ
x - ap x
σ σ
vse normalne porazdelitve lahko izrazimo s pomočjo standardizirane
Kumulativna porazdelitvena funkcija standardizirane normalne porazdelitve
2
20 1
1
2
x t-
N( , )-
F (x) e dtπ
F x
x
Tudi vse kumulativne normalne porazdelitve lahko izrazimo s standardizirano:
0
)
1
1N(a,σ)
x x
N(a,σ- -
x-a
N , )
σ
-(
t - aF (x) p (t) dt dt
σ σ
(u) x - a
Fσ
du
1
x a
t au
σ
du dtσ
t - x
u -
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
137
0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0039 0.0079 0.0119 0.0159 0.0199 0.0239 0.0279 0.0318 0.03580.1 0.0398 0.0437 0.0477 0.0517 0.0556 0.0596 0.0635 0.0674 0.0714 0.07530.2 0.0792 0.0831 0.0870 0.0909 0.0948 0.0987 0.1025 0.1064 0.1102 0.11400.3 0.1179 0.1217 0.1255 0.1293 0.1330 0.1368 0.1405 0.1443 0.1480 0.15170.4 0.1554 0.1590 0.1627 0.1664 0.1700 0.1736 0.1772 0.1808 0.1843 0.1879
0.5 0.1914 0.1949 0.1984 0.2019 0.2054 0.2088 0.2122 0.2156 0.2190 0.22240.6 0.2257 0.2290 0.2323 0.2356 0.2389 0.2421 0.2453 0.2485 0.2517 0.25490.7 0.2580 0.2611 0.2642 0.2673 0.2703 0.2733 0.2763 0.2793 0.2823 0.28520.8 0.2881 0.2910 0.2938 0.2967 0.2995 0.3023 0.3051 0.3078 0.3105 0.31320.9 0.3159 0.3185 0.3212 0.3238 0.3263 0.3289 0.3314 0.3339 0.3364 0.3389
1.0 0.3413 0.3437 0.3461 0.3484 0.3508 0.3531 0.3554 0.3576 0.3599 0.36211.1 0.3643 0.3665 0.3686 0.3707 0.3728 0.3749 0.3769 0.3789 0.3809 0.38291.2 0.3849 0.3868 0.3887 0.3906 0.3925 0.3943 0.3961 0.3979 0.3997 0.40141.3 0.4031 0.4049 0.4065 0.4082 0.4098 0.4114 0.4130 0.4146 0.4162 0.41771.4 0.4192 0.4207 0.4221 0.4236 0.4250 0.4264 0.4278 0.4292 0.4305 0.4318
1.5 0.4331 0.4344 0.4357 0.4369 0.4382 0.4394 0.4406 0.4417 0.4429 0.44401.6 0.4452 0.4463 0.4473 0.4484 0.4494 0.4505 0.4515 0.4525 0.4535 0.45441.7 0.4554 0.4563 0.4572 0.4581 0.4590 0.4599 0.4607 0.4616 0.4624 0.46321.8 0.4640 0.4648 0.4656 0.4663 0.4671 0.4678 0.4685 0.4692 0.4699 0.47061.9 0.4712 0.4719 0.4725 0.4731 0.4738 0.4744 0.4750 0.4755 0.4761 0.4767
2.0 0.4772 0.4777 0.4783 0.4788 0.4793 0.4798 0.4803 0.4807 0.4812 0.48162.1 0.4821 0.4825 0.4829 0.4834 0.4838 0.4842 0.4846 0.4849 0.4853 0.48572.2 0.4860 0.4864 0.4867 0.4871 0.4874 0.4877 0.4880 0.4883 0.4886 0.48892.3 0.4892 0.4895 0.4898 0.4900 0.4903 0.4906 0.4908 0.4911 0.4913 0.49152.4 0.4918 0.4920 0.4922 0.4924 0.4926 0.4928 0.4930 0.4932 0.4934 0.4936
2.5 0.4937 0.4939 0.4941 0.4942 0.4944 0.4946 0.4947 0.4949 0.4950 0.49522.6 0.4953 0.4954 0.4956 0.4957 0.4958 0.4959 0.4960 0.4962 0.4963 0.49642.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4971 0.4972 0.49732.8 0.4974 0.4975 0.4975 0.4976 0.4977 0.4978 0.4978 0.4979 0.4980 0.49802.9 0.4981 0.4981 0.4982 0.4983 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986
3.0 0.4986 0.4986 0.4987 0.4987 0.4988 0.4988 0.4988 0.4989 0.4989 0.4989
Funkcija F(x) je liha, zato so tabelirane le njene vrednosti za pozitivne x.
(1.02)=0.3461
F(-0.89)=0.5+( - 0.89)=0.1868
Če je X standardizirano normalna N(0,1), je 1 2 2 1P(x X x ) (x ) (x )
Če pa je X normalna N(a,s), je 2 11 2
x a x aP(x X x )
σ σ
2
2
0
1
2
x t-
(x) e dtπ
Integral gostote ni elementarna funkcija – v praksi si pomagamo s tabelami za funkcijo 0 1
1
2N( , )F x x
(-0.89)= - (0.89)= - 0.3132
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
138
X porazdeljena po N(a,):
(1 ( 0 6821 2 61a σ- a a - σ - a
P(a - σ X a σ) - ) - - ) ( )σ σ
.
0 9542 2 2 42 P(a - σ X a σ ) .( ) 0 9973 3 2 23 P(a - σ X a σ) . ( )
Slučajna spremenljivka X je porazdeljena po zakonu N(1.5,0.2). Kolikšna je verjetnost, da X zavzame vrednost med 1 in 1.5?
1 5 1 5 1 1 5
0 2 0 21 49.1 5 0 ( 2.5) 2 5 0 4937 37%. - . - .
. . P( X . ) ( ) ( ) Φ( ) ( . ) .
a
68%
95.4%
2 2
99.7%
3 3
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
139
1 ( , )Normalna porazdelitev je dober približek za binomsko porazdelit ev N np, np( - p) b n p
b(10,0.4)N(4,1.55) b(20,0.6)
N(12,2.19)b(100,0.2)N(20,4)
2 11 2integralska:
x - np x - npP(x X x ) Φ Φ
npq npq
Laplaceova ocena za binomsko porazdelitev b(n,p) (q=1- p):
2
21 1
2lokaln a:
(k-np)-
k n-k npqn k - np p q e
k π npq npq npq
Žogo vržemo na koš 100-krat, pri čemer je verjetnost zadetka 70%. Kolikšna je verjetnost, da bomo zadeli več kot 65-krat?
100100
66
10065 100 0 7 0 3 0 837 83.7%k k
k
P( B ) . . .k
100 100 0.7 66 100 0.765 100 6.54 0.87 0.5 0.3078
100 0.7 0.3 100 0.7 0.380.8%
- -P( B )
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
140
Primerjava binomske, Poissonove in normalne porazdelitve
Normalna porazdelitev je običajno boljši približek za binomsko kot Poissonova.
Ko je produkt n.p majhen (in n dovolj velik) pa je Poissonov približek boljši.
b(50,0.4)
P(20)
b(100,0.02)
P(2)
N(2,1.4)
N(20,3.46)
MATEMATIKA 2
VERJETNOST IN STATISTIKA SLUČAJNE SPREMENLJIVKE
141
Povezave med verjetnostjo P, porazdelitveno funkcijo FX in gostoto porazdelitve pX.
P FX
pX
FX(x) = P(X ≤ x)
P(a ≤ X ≤ b)=FX(b)-FX(a)
p X(x)=F ’ X
(x)
x
F X(x) = ∫p X
(t) dt
-∞
b
P(a ≤ X ≤ b) =∫ p
X (t) dt
a
Slučajna spremenljivka X ima gostoto pX. Kakšno gostoto ima Y=kX+l?
( ) ( ) ( 0) y l y lY Xk kF (y) P Y y P kX l y P X F k
1 1( ) y lY Y X k k
y lXk kp y F ( py) F
1( , ) ( )Posebej, če je porazdeljena po , je x aXX N a p x
1 1( )y lk a y ka l
Y k k kp y
( ., ) je normalno porazdeljena po NkX l ka l k
X je porazdeljen standardizirano normalno. Kako je porazdeljen Y=X2?2( ) ( ) ( ) ( ) ( )YF (y) P Y y P X y P y X y y y
21 11 1
2 2 2( ) ( ) ( ) () 0( )
y
y y yY yp y y y y e y 2 1
porazdelitev , hi-kva t dra
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST
142
POVPREČNA VREDNOST
X diskretna, vrednosti xk, gostota p(xk) X zvezna, gostota p(x)
( )k kk
E(X) x p x povprečna vrednost spremenljivke X
E X x p x dx
Na ruleti so številke od 1 do 36 ter še 0 in 00. Kdor vloži 1 EUR na sode, dobi ali zgubi 1 EUR glede na to ali kroglica pade na sodo oziroma liho številko.
18 201 1
38
1
1938E(X)
Kdor vloži 1 EUR na izbrano številko (npr. 25) dobi 36 EUR, če kroglica pade na 25, v nasprotnem pa zgubi 1 EUR.
1 3736 1
38
1
3838E(X)
0.01
0 0
0.01 0- x
xp(x)
e x
Življenjska doba žarnice je porazdeljena eksponentno. Kolikšna je, v povprečju, njena življenjska doba?
0.01
0
0.01 0.01
0 0
0.01
0
0.01
1 10.01
0.01 0.011 1
0.100
01 0.01 ur
- x
- x - x
- x
E(X) x e dx
- x e e dx
- e
Dobiček X : +1 z verjetnostjo 18/38 -1 z verjetnostjo 20/38.
Povprečni dobiček:
Povprečni dobiček:
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST
143
V neki tovarni je približno en izdelek od desetih pokvarjen. Vsak dan izdelke pregledujejo enega po enega dokler ne najdejo pokvarjenega. Koliko izdelkov morajo v povprečju pregledati?
1
1
1 k-
k
E(X) k p ( - p)
trik:
12
0 1
12 2
1
1 1
1 11 1
11 1
k k-
k k
k-
k
x k x- x - x
k ( - p)p- ( - p)
1
p
Povprečno morajo dnevno pregledati po 10 izdelkov.
Igralec na ruleti igra po naslednjem sistemu. Vsakič igra igro z verjetnostjo 0.5 (npr. stavi na rdeče, izidov 0 in 00 ne štejemo). Najprej vloži 1 EUR; če izgubi, podvoji vložek in to ponavlja, dokler ne zmaga; ob vsaki zmagi je na dobičku 1 EUR (zaporedja vložkov so 1-2, 1-2-4, 1-2-4-8, 1-2-4-8-16 itn.). Po zmagi spet začne z 1 EUR ...Ali je to zanesljiva pot do zaslužka?
10
12
2k
kk
E(X)
Povprečna vrednost slučajne spremenljivke X ni definirana!‘Sistem’ zahteva neskončno zalogo denarja (in možnost za neomejene stave).
Naj bo X količina denarja vložena pri zadnji igri (tisti, v kateri igralec zmaga).Zaloga vrednosti X je {1,2,4,8,...}, tj. {2k; k=0,1,2,3,...}; porazdelitev je P(X=2k)=2-(k+1).
X je geometrično porazdeljena s p=0.1:
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST
144
k kk
E f X f x p x E f X f x p x dx
oziroma
V vodiču smo prebrali, da je junija povprečna maksimalna dnevna temperatura v Rimu 77 oF. Kolikšno je povprečje v oC?
5 532 77 32 25
9 9o C F
T (T ) ( ) Domneva: povprečje je 25 oC.
Stroj izdeluje svinčene kroglice, katerih premer je v povprečju 1 cm. Kolikšna je povprečna masa teh kroglic (=11.2 g/cm3)?
Y=f(X); E(Y)=?
( ) ( ) ( ) ( )k i k i
i i i k k k k ki i f x y i f x y k
E Y y P Y y y P X x f x P X x f x P X x
Težava: iz E(X) ne moremo izračunati E(X 3).
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST
145
E aX b aE X b (zato smemo preračunati povprečje iz oF v oC)
2
2
22 2
30
2
2 2
xD
mX mE x x e dx
D
322 2
30 0
3
4
2 24
2 2u um D mD
D u e du u e duD u
2
,2 2
x D
u dx duD u
3
2
mD
Hitrost molekule plina je slučajna spremenljivka X in je porazdeljena po Maxwellovem porazdelitvenem zakonu z gostoto
2
2 23
2 x-
DXp (x) x e
D π
(x ≥ 0, D je odvisen od temperature)
Kolikšna je povprečna kinetična energija molekule?
X X XE(aX b) (ax b) p (x) dx a x p (x) dx b p (x) dx aE(X) b
MATEMATIKA 2
VERJETNOST IN STATISTIKA RAZPRŠENOST
146
RAZPRŠENOST
Razpršenost je povprečje odklonov spremenljivke od njene povprečne vrednosti:
2k k
k
D(X) (x m) p(x ) 2D(X) (x m) p(x) dx
m=E(X)
praktična formula:
2D(X) E X E X razpršenost (varianca, disperzija)
2 2( ) ( )D(X) E X E X
2
2 2 2
2 2
2 2 22
2
2
2
D(X) (x - m) p(x) dx (x - mx m ) p(x) dx
x p(x) dx - m x p(x) dx m p(x) dx
E(X ) - m m E(X ) - m
MATEMATIKA 2
VERJETNOST IN STATISTIKA RAZPRŠENOST
147
σ(X) D(X) standardni odklon slučajne spremenljivke X
2D aX b a D X
σ aX b a σ X
1 1 1 1 1 1 21( ) 1 2 3 4 5 6 3.5
6 6 6 6 6 6 6E X
2 1 1 1 1 1 1 91( ) 1 4 9 16 25 36
6 6 6 6 6 6 6E X
291 21 35
( )6 6 2
2. 21
9D X
Kako je razpršeno število pik pri metu kocke?
2.92 1.71Standardni odklon pri metu kocke je
2 2
22 2 2
22 2
2
D aX b E aX b E aX b
E a X abX b aE X b
a E X E X
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST IN RAZPRŠENOST
148
E(X)=n.p
D(X)=n.p. q
: 0,1,2,..., , 1, -Binomska porazdelitev zaloga (kjer je )k n-kk
nn p p q q p
kb n p
: 0,1,2,3,... ,Poissonova porazdelitev zaloga k
-ak
ap P
k!a e
E(X)=a
D(X)=a
POVPREČNA VREDNOST IN RAZPRŠENOST NEKATERIH POMEMBNIH PORAZDELITEV
2 2
0 0
( ) ( )Sešteti moramo in n n
k n-k k n-k
k k
n nE X k p q E X k p q
k k
0
( )vpeljemo pomožno funkcijo n
n k n-k k
k
npx q p q x
k
1 1
0
(( ) ) ( )n
k n-k k n n
k
nk p q x px q n px q p
k
1
0
1 ( 1 ) n
k n-k n
k
nx k p q n p q p np
k
2 2 2
0
( 1) (( ) ) ( 1)( )n
k n-k k n n
k
nk k p q x px q n n px q p
k
2 1 2 2 2
0
1 ( 1)( 1 ) n
k n-k n
k
nx k p q n n p q p np n p npq
k
1
0 0 0
( )! ! !
k k k
x x x a a a
k k k
x x ae k e e k e a e e a
k k k
22 2 2 2
0 0 0
( 1) ( )! ! !
k k k
x a a
k k k
x a ae k k k k e a k e a a
k k k
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST IN RAZPRŠENOST
149
2
1
21 1: , ,
2,Normalna porazdelitev zaloga
x-a-
σ x - ap(x) e
σπa
σN
σ
=0(liha funkcija)
=1
E(X)=a
=1=0
D(X)= 2
(X)=
1( )
x - aE X x dx
σ σ
( )t a t dt t t dt a t dt
1
, x a
t dt dx
2 2 2 2 21( ) 2
x - ax dx t a t dt t t dt a t t dt a t dt
σ σ
2 2 2 2( )t t t dt a a
( ) ( )
u t du dt
dv t t dt v t
a
MATEMATIKA 2
VERJETNOST IN STATISTIKA POVPREČNA VREDNOST IN RAZPRŠENOST
150
enakomerna 1,2,...,n
1( ) ( [ , ]) b ap x x a b
12
n 2 112
n 2 112
n
binomska b(n,p) 0,1,2,...,n ( ) (1 )k n knp k p p
k
np (1 )np p (1 )np p
geometrijska 1,2,3,... 1( ) (1 )kp k p p 1p 2
1 p
p
1 pp
Poissonova P(a) 0,1,2,... !( )k aa
kp k e a a a
enakomerna [ , ]a b 2a b 2( )
12b a ( )
2 3
b a
eksponentna [0, ) ( ) axp x ae
1( ) np k
1a
1a2
1a
normalna N(a,s) ( , ) 2121
2( )
x a
p x e
a 2
porazdelitev zaloga gostota E(X) D(X) s(X)di
skre
tne
zvez
ne
MATEMATIKA 2
VERJETNOST IN STATISTIKA SKUPNE PORAZDELITVE
151
SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK
Kovanec vržemo trikrat. Z X označimo število grbov pri prvem metu (0 ali 1), z Y pa skupno število grbov (0,1,2 ali 3). Kako sta spremenljivki X in Y odvisni druga od druge?
Vsota tabele po vrsticah je porazdelitev spremenljivke X, vsota po stolpcih pa je porazdelitev spremenljivke Y.
Vpeljemo skupno porazdelitev dveh slučajnih spremenljivk pi,j=p(xi,yj)=P(X=xi, Y=yj)
Možni izidi so {ggg,ggc,gcg,cgg,gcc,cgc,ccg,ccc}, zato dobimo
1 2 18 8 8
1 2 18 8 8
0 1 2 3
0 0
1 0
x\ y
1 2 1
3 31 18
12
8
12
8 8 8
1
8
8
8
2 18 8
0
1
0 1 2 3
0
0
x y\
Diskretna porazdelitev (X,Y) z gostoto p(xi,yj) robni porazdelitv i inX i i j Y j i j
j i
p (x ) p x ,y p (y ) p x ,y
Zvezna porazdelitev (X,Y) z gostoto p(x,y)
robni porazdelitvi i n X Yp x p x,y dy p y p x,y dx
(X,Y) zvezno porazdeljena in x
xy
y
F(x,y) p(u,v) du dv p(x,y) F (x,y)
MATEMATIKA 2
VERJETNOST IN STATISTIKA SKUPNE PORAZDELITVE
152
,U f X Y
,,
, ,i j
i j i j i ji jf x y u
E U E f X Y u p x ,y f x y p x ,y
,i j
U i jf x y u
p u p x ,y
,
Y jX i
i j i j i i j j i ji j i j j i
p yp x
E X Y x y p x ,y x p x ,y y p x ,y E X E Y
Posebej:
FUNKCIJE VEČ SLUČAJNIH SPREMENLJIVK
,
, ,
,
(diskretne)
(zvezne)
i j i ji j
E f X Y f x y p x ,y
f x y p x,y dx dy
1 1 1n n n n
E X Y E X E Y
E c X c X c E X c E X
MATEMATIKA 2
VERJETNOST IN STATISTIKA SKUPNE PORAZDELITVE
153
NEODVISNOST SLUČAJNIH SPREMENLJIVK
Ekvivalentno: P(X ≤ x, Y ≤ y)=P(X ≤ x).P(Y ≤ y) ali
F(x,y)=FX(x).FY(y) alip(x,y)=pX(x).pY(y) za poljubna x,y.
( , ) ( ) ( ) ( ) ( , ) ( ) ( ) ( ) ( )-
X Y X Yp x y p x p y E XY xy p x y dx dy x p x dx y p y dy E X E Y
Slučajni spremenljivki X in Y sta neodvisni, če sta dogodka P(X ≤ x) in P(Y ≤ y) neodvisna za vse pare x,y.
1 2 1
3 31 18
12
8
12
8 8 8
1
8
8
8
2 18 8
0
1
0 1 2 3
0
0
x y\
1 31,2 , 1 2
8 16 in nista neodvisna: npr. X YX Y p p p
, ( ) ( ) ( )neodvisnaX Y E XY E X E Y
Naj bo X porazdeljena po N(0,1) in naj bo Y=X2
3( ) ( ) 0 (ker integriramo liho funkcijo)E XY E X ( ) 0 ( ) 0(ker je )E X E Y E X
( ) , čeprav sta in odvisnaE XY E X E Y X Y
MATEMATIKA 2
VERJETNOST IN STATISTIKA SKUPNE PORAZDELITVE
154
KOVARIANCA
X,Y neodvisna ⇒ X,Y nekorelirana ⇔ D(X+Y)=D(X)+D(Y)
X,Y sta nekorelirana, če je K(X,Y)=0
22
2 2
2
2
D X Y E X Y E X Y E X E X Y E Y
E X E X Y E Y X E X Y E Y
D X D Y E X E X Y E Y
( ) ( ) ( ) 2 ,D X Y D X D Y K X Y
1 2 1
3 31 18
12
8
12
8 8 8
1
8
8
8
2 18 8
0
1
0 1 2 3
0
0
x y\ 1 3 3 1 121 2 3
2 8 8 8 8
7 6 1
88 8
E(X) E(Y)
K(X,Y)
1 1 2 12 8 8 8
0 1 2 3:porazdelitev XY
X in Y sta korelirana (in torej tudi odvisna)
1 2 1 71 2 3
8 8 8 8E(XY)
,
kovarianca spremenljivk in
K X Y E X E X Y E Y E XY E X E Y
X Y
MATEMATIKA 2
VERJETNOST IN STATISTIKA SKUPNE PORAZDELITVE
155
korelacijski koeficient K X,Y X E X Y E Y
r X,Y Eσ X σ Y σ X σ Y
2 2
1 12 1
2 8 8
1 1 3 3 1 3( 1 4 9 3 (
2 2 8 8 8 21
82
0 28 73
od prej: E(X) E(Y) K(X,Y)
E(X ) σ X) E(Y ) σ Y)
r(X,Y) .
10 2 2X E X Y E Y
D r X,Yσ X σ(Y)
r X,Y
10 2 2 r(X,Y) X E X Y E Y
D r(X,Y) σ X σ Y
1 2 1
3 31 18
12
8
12
8 8 8
1
8
8
8
2 18 8
0
1
0 1 2 3
0
0
x y\
0, 1X E X E X E X X E X X
Eσ X σ X σ X σ X
spremenljivke
(ima povprečje 0 in standardni odklon 1
standardizacija
)
X E XX
σ X
1r X,Y
1 0 .
X E X Y E Y X E X Y E Yr X,Y D konst
σ X σ(Y) σ X σ(Y)
1 in sta linearno odvisna r X,Y X Y
MATEMATIKA 2
VERJETNOST IN STATISTIKA ZAKONI VELIKIH ŠTEVIL
156
Zakon velikih števil: z večanjem števila poskusov se zmanjšuje verjetnost odklona od povprečja.
Igralec zadane v povprečju 70% metov na koš. Kaj je bolj verjetno: da bo v 10 metih zadel 10-krat ali da bo v 100 metih zadel več kot 80-krat?
100
100
81
1000 7 0 3 0 0088več kot 80 zadetkov iz 100 poskusov k k
k
P . . .k
Prva možnost je trikrat (!) bolj verjetna. Zakaj je tako?
ZAKONI VELIKIH ŠTEVIL
100 7 0 02810 zadetkov iz 10 poskusovP . .
Naj bo X slučajna spremenljivka z gostoto p(x), povprečjem m=E(X) in odklonom =(X).
POMEN STANDARDNEGA ODKLONA
2 2 2 2 2 2 2( ) ( ) ( ) ( ) ( )x m k x m k
x m p x dx x m p x dx k p x dx k P x m k
2
1P x m k
k ocena Čebiševa
P(|X-E(X)| ≥ 2) ≤ 0.25 ocena velja za poljubno porazdelitev
za primerjavo: pri normalni porazdelitvi je P(|X-E(X)| ≥ 2) ≤ 0.05
MATEMATIKA 2
VERJETNOST IN STATISTIKA ZAKONI VELIKIH ŠTEVIL
157
povprečje izidov
Pri n neodvisnih ponovitev nekega poskusa lahko izide gledamo kot zaporedje neodvisnih in enako porazdeljenih slučajnih spremenljivk X1,X2,...Xn.
Porazdelitev spremenljivke Sn je zapletena.
n-krat vržemo kocko, Xk je število pik pri k-tem metu
n-krat vržemo žogo na koš, Xk je število pik zadetkov (0 ali 1) pri k-tem metu
1 2 nn
X X ... XS
n
pri metu na koš je Sn relativna frekvenca zadetkov, porazdelitev je binomska
pri metu kocke ima Sn 5n+1 izidov, z različnimi verjetnostmi
1 2 1 22 2
1 1 1 1n n nD(S ) D X X ... X D X X ... X n D(X) D(X)
n n n n
Z naraščanjem števila poskusov pada razpršenost povprečja izidov proti 0.
1 2 1 2
1 1 1n n nE S E X X ... X E X X ... X n E X E X
n n n
E(Sn)=E(X)
n
n
D XD S
nX
Sn
Privzemimo, da so X1,X2,...Xn nekorelirane in enako porazdeljene (kot spremenljivka X).
MATEMATIKA 2
VERJETNOST IN STATISTIKA ZAKONI VELIKIH ŠTEVIL
158
Sn = povprečje nekoreliranih in enako porazdeljenih slučajnih spremenljivk X1,X2,...Xn .
2
1ocena Čebiševa: n
XP S E(X) k
kn
lim 0nn P S E(X)
zakon velikih števil: z naraščanjem števila poskusov gre verjetnost, da se povprečje spremenljivk razlikuje od njihove povprečne vrednosti proti 0.
X1+X2+...+Xn = število dogodkov A po n ponovitvah poskusa,
Sn = relativna frekvenca dogodkov A po n ponovitvah poskusa, E(Sn)=p
0nnP S p zakon velikih števil
2
1= n
D XP S E(X)
n
Ponavljamo poskus, pri katerem ima dogodek A (neznano) verjetnost p;
Xk = 1, če se pri k-ti ponovitvi poskusa A zgodi in Xk = 0, če se A ne zgodi.
Pri skoraj vseh zaporedjih poskusov gre relativna frekvenca dogodka proti njegovi verjetnosti.
Na tej ugotovitvi sloni statistična definicija verjetnosti!
lim 1nnP S p
MATEMATIKA 2
VERJETNOST IN STATISTIKA ZAKONI VELIKIH ŠTEVIL
159
Kaj se zgodi s porazdelitvijo vsote X1+X2+...+Xn , ko gre n ?
0 1
1 neodvisne, porazdeljene po kXp p
1 ... ,je porazdeljena po nX X b n p
Xk neodvisne, zvezno eksponentno porazdeljene z gostoto p(x)=e - x (x ≥ 0)
porazdelitev za X1+X2+...+Xn :
Xk neodvisne, zvezno enakomerno porazdeljene na intervalu [0,1]
porazdelitev za X1+X2+...+Xn :
MATEMATIKA 2
VERJETNOST IN STATISTIKA ZAKONI VELIKIH ŠTEVIL
160
Porazdelitve X1+X2+...+Xn zavzamejo zvonasto obliko, vendar jih težko primerjamo ker se ‘premikajo’.
X1,X2,X3,... neodvisne, enako porazdeljene slučajne spremenljivke s povprečjem a in standardnim odklonom ;
0 1limnZ N ,n
F x F x
Centralni limitni izrek: standardizirana porazdelitev vsote konvergira proti standardni normalni porazdelitvi
Rešitev: vsoto standardiziramo.
1 2 1 2
1 2
n
n
nnn
X X ... X - E X X ... XZ
σ X X ... XS - a
nσ
Neko količino merimo z metodo, ki ima standarno napako (tj. standardni odklon od merjene vrednosti) enako . Opravimo 20 neodvisnih meritev in vzamemo njihovo povprečje. Kolikšna je verjetnost, da se to povprečje razlikuje od merjene količine za več kot /2?
Posamezne meritve gledamo kot slučajne spremenljivke: X1,X2,...,X20
Po zakonu velikih števil lahko privzamemo E(Xi)=m (merjena količina), obenem je (Xi)=
1 2 2020 20 20 .
20 20Za povprečje meritev je in
X X ... XS E S m S
20 20 2202
20 10 2
2 2 20Ocena Čebiševa:
σ σP S m P S m .
2020 20
20 20 2020 2 2 2 23 0 9742
2 2 2 2 2 2Centralni limitni izrek:
σ σ σ S mP S m P S m P Φ ( . ) .
20 1 0 97422
0 0258σ
P S .m .
Ocena, ki jo dobimo iz centralnega limitnega izreka je veliko natančnejša.
MATEMATIKA 2
VERJETNOST IN STATISTIKA STATISTIKA
161
STATISTIKA
Formulacija problema:
opazujemo neko množico (končno ali neskončno), ki ji pravimo populacija; (npr. prebivalci Slovenije, izdelki neke tovarne, bolniki z neko boleznijo, delnice na borzi, izidi na ruleti)
vsak element populacije ima neko merljivo lastnost X; (npr. starost, kakovost izdelka, učinek zdravila, cena delnice)
vrednost X je zaradi nekega razloga (velikost populacije, način ali cena ugotavljanja, ...) znana le na delu populacije, ki mu pravimo vzorec;
Osnovni problem statistike: Kaj lahko povemo o lastnosti X na podlagi njenih vrednosti na vzorcu?
MATEMATIKA 2
VERJETNOST IN STATISTIKA VZORČENJE
162
Včasih skušamo reprezentativnost doseči z dirigiranim vzorčenjem (npr. onesnaženje običajno merijo na stalnih lokacijah). Obstaja nevarnost, da je takšno vzorčenje pristransko.
Če je vzorec naključno izbran, so vrednosti X na vzorcu slučajna spremenljivka. Enako velja za vse druge količine (povprečja, standardni odkloni...), ki jih izpeljemo iz teh vrednosti.
Idealni vzorec je reprezentativen v smislu, da se značilnosti X na vzorcu se ujemajo z značilnostmi na celotni populaciji. Pri naključnem vzorcu lahko določimo verjetnost, da je reprezentativen.
Omejili se bomo na primere, ko je izbira vzorca povsem naključna. To pomeni, da vzorec izbiramo zaporedoma in pri tem imajo vsi elementi populacije enako verjetnost, da se znajdejo v vzorcu.
VZORČENJE
(gre torej za izbiro z vračanjem; če je velikost vzorca majhna v primerjavi z velikostjo populacije smemo izbirati brez vračanja)
MATEMATIKA 2
VERJETNOST IN STATISTIKA STATISTIČNI PARAMETRI
163
Populacijski parametri:
velikost populacije: N
vrednosti X na populaciji: x1,x2,...,xN
1
1 N
kk
xN
populacijsko povprečje:
22
1
1 N
kk
σ x m N
populacijska razpršenost:
Vzorčni parametri:
velikost vzorca: n
vrednosti X na vzorcu: X1,X2,...,Xn
vzorčno povprečje:
1
1 n
kk
X Xn
vzorčna razpršenost:
22
1
1
1
n
kk
s X X n -
MATEMATIKA 2
VERJETNOST IN STATISTIKA STATISTIČNI PARAMETRI
164
POVPREČNA VREDNOST IN RAZPRŠENOST VZORČNIH PARAMETROV
vzorec velikosti 1: E(Xk)= (populacijsko povprečje )
D(Xk)= 2 (populacijska razpršenost)
1 1
1 1n n
k kk k
E( X ) E X E(X ) μ n n
2
(σ σ
D( X ) , σ X )n n
vzorec velikosti n:
korekcijski faktor za primer relativno velikega vzorca
(enostavno vzorčenje)
E( X ) μ
2 2 11
1 1
σ N - n σ n -D( X ) -
n N - n N -
2
21 1
1 1n n
k kk k
σD( X ) D X D(X )
n n n
(vzorčenje z vračanjem)
MATEMATIKA 2
VERJETNOST IN STATISTIKA STATISTIČNI PARAMETRI
165
2
1
1:Izračun
n
kk
E X X n
2 2 2 2
22 2 2 2 2
k k kE(X ) D(X ) E(X ) σ μσ
E( X ) D( X ) E( X ) μn
2 22
1 1
1 1n n
k kk k
E X X E(X ) E( X )n n
2 2 2 22 2 2
1 1 1 1 1
1 1 1 1 12 2
n n n n n
k k k k k kk k k k k
X X X XX X X X X X X Xn n n n n
Povprečna vrednost količine na množici vseh vzorcev ni enaka 2.
Pravimo, da gre za pristransko oceno populacijske razpršenosti.
2
1
1 n
kk
X X n
E(s2)= 2
2
2 2 2 21nσ
nσ
σ μ μ n
Pri dovolj velikih vzorcih je razlika zanemarljiva, pri majhnih vzorcih pa ne,
zato kot mero vzorčne razpršenosti vzamemo 22
1
1
1
n
kk
s X X n
2
11
1
Povzetek:
1. vzorčno povprečje je nepristranska ocena za populacijsko povprečje
2. standardni odklon pri tej oceni je (oz. , kadar je vzorec relativno velik)
3. vzorčna razpršenost j
X
nNn n
s
2e nepristranska ocena za populacijsko razpršenost
MATEMATIKA 2
VERJETNOST IN STATISTIKA OPISOVANJE PODATKOV
166
rezultati kolokvija
40196848592831302525363941886660573794449098592992556443545287343674618054
0
1
2
3
4
5
6
7
8
9
1-10 11-20 21-30 31-40 41-50 51-60 61-70 71-80 81-90 91-100
0
1
2
3
4
5
6
1-5 6-10 11-15 16-20 21-25 26-30 31-35 36-40 41-45 46-50 51-55 56-60 61-65 66-70 71-75 76-80 81-85 86-90 91-95
0
1
2
3
1 11 21 31 41 51 61 71 81 91
53.9722.16
Xs
52.8321.95
Xs
53.1721.93
Xs
intervali dolžine 5
intervali dolžine 10
Običajno tvorimo 10-20 kategorij. Zaželjeno je, da je v večini kategoriji vsaj 5 enot. Pri računanju povprečja in razpršenosti upoštevamo sredine intervalov.
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
167
INTERVALSKO OCENJEVANJE
Vzorčno povprečje in razpršenost sta primerna približka za populacijsko povprečje in razpršenost. Kolikšna je natančnost teh približkov?
Simulirali smo 10 zaporedij po 100 metov kocke in dobili naslednjo tabelo:
1.simulacija 5 5 6 3 2 6 4 6 4 3 5 4 5 4 2 6 6 1 4 2 6 6 5 2 5 4 3 5 1 5 6 6 3 2 2 6 6 6 1 3 3 6 4 1 4 1 3 6 4 1 6 2 1 2 1 4 6 5 3 1 1 4 6 1 4 5 4 6 4 2 3 6 3 3 4 2 6 3 2 6 4 5 3 1 1 4 1 6 1 6 3 5 1 1 1 3 2 2 2 2
2.simulacija 1 4 6 4 5 4 6 2 6 1 4 4 2 4 6 2 1 2 3 6 2 1 3 1 5 2 6 5 1 3 2 1 1 1 5 3 5 3 1 6 5 2 4 5 2 6 1 3 5 4 5 4 1 6 1 6 4 1 2 2 4 4 6 2 5 3 2 3 6 5 2 5 4 5 3 3 1 2 4 2 3 1 2 6 4 4 6 5 4 4 3 4 5 2 3 3 2 6 6 4
3.simulacija 4 5 5 4 6 6 3 5 6 2 2 5 5 4 6 1 6 4 5 5 4 1 5 2 6 3 3 5 5 4 4 2 4 5 4 4 2 6 6 5 2 6 4 4 5 5 6 1 2 5 2 5 6 6 6 3 6 4 4 2 5 1 6 3 4 1 3 5 2 1 3 1 3 5 2 2 2 5 5 4 6 6 4 6 5 3 1 3 6 1 4 5 4 4 5 5 3 2 4 1
4.simulacija 6 1 5 6 4 2 6 5 3 3 4 1 2 3 5 4 2 2 3 6 6 5 2 6 1 1 1 6 2 1 5 1 5 3 4 1 6 2 6 3 2 6 2 6 1 6 6 1 1 2 3 3 5 6 5 2 5 1 1 3 1 6 5 2 1 1 6 1 6 2 6 6 2 5 2 2 5 4 3 6 5 6 4 5 2 6 1 6 4 4 1 1 3 1 3 1 1 5 5 1
5.simulacija 2 3 3 5 5 1 4 4 4 1 6 6 6 4 3 5 6 3 3 5 5 2 3 5 3 3 6 2 5 4 2 4 2 4 2 5 4 5 1 1 2 3 5 4 4 1 4 5 4 4 2 5 2 5 4 5 4 1 3 5 6 4 5 1 1 2 3 4 6 2 5 6 5 1 6 6 5 5 1 4 5 4 6 4 2 5 2 2 5 2 1 2 5 2 4 5 4 2 6 3
6.simulacija 1 4 1 2 3 1 6 1 3 6 6 5 6 1 3 2 2 2 2 2 4 2 2 2 2 6 3 5 5 4 1 2 6 3 2 3 4 1 6 1 5 1 1 4 5 1 1 2 4 1 2 4 1 5 5 4 6 6 5 5 5 1 1 3 2 6 4 1 5 4 1 1 2 5 6 4 6 5 6 4 2 3 4 4 1 3 6 4 5 1 4 1 6 1 3 1 3 3 5 5
7.simulacija 4 2 4 4 2 5 5 2 3 1 1 6 4 3 1 6 6 6 4 1 6 2 4 5 4 5 4 1 5 6 3 2 3 6 4 2 3 4 6 5 1 5 4 4 5 5 2 4 5 1 5 2 2 1 1 3 3 4 2 5 5 2 4 3 3 5 5 3 3 5 2 5 1 1 4 3 5 4 2 2 6 1 4 6 3 5 2 2 2 2 3 6 6 4 6 2 4 3 4 1
8.simulacija 2 6 2 2 5 4 4 1 3 4 5 2 1 6 6 1 5 4 1 1 4 1 6 3 6 5 5 6 5 3 5 1 6 3 1 4 2 1 6 4 3 5 3 4 6 5 2 3 4 3 1 2 3 2 4 1 4 5 1 4 2 6 2 4 2 4 3 6 2 4 3 1 5 5 6 5 1 2 5 2 5 1 1 2 6 3 1 3 6 2 3 5 3 3 6 3 4 1 4 4
9.simulacija 2 5 5 3 2 3 2 1 3 5 3 5 6 6 3 3 2 5 2 3 6 2 2 6 5 4 6 6 3 2 4 2 1 6 5 2 3 2 2 1 1 6 3 1 1 4 1 2 4 2 5 2 5 2 6 4 6 1 3 5 1 5 1 4 4 2 3 5 6 2 2 3 2 4 5 6 3 5 6 4 3 3 2 5 6 3 2 3 3 4 6 1 1 4 2 2 5 1 6 4
10.simulacija 5 5 3 2 6 4 2 4 5 4 1 3 3 4 1 3 4 1 6 4 1 1 4 6 3 5 1 2 5 6 4 3 6 3 1 1 6 5 1 1 5 5 3 3 1 2 3 6 4 5 2 6 1 5 2 5 5 2 6 4 4 3 4 1 3 5 6 1 3 3 2 6 4 5 4 5 2 2 1 2 4 3 6 4 2 5 4 3 2 2 5 3 6 2 4 3 4 4 3 5
3.59 1.800 3.47 1.687 3.94 1.605 3.44 1.930 3.68 1.567 3.28 1.789 3.53 1.602 3.43 1.692 3.42 1.668 3.50 1.609
X s
Kaj lahko sklepamo o dejanski povprečni vrednosti in standardnemu odklonu?
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
168
Razsevni diagram za povprečja in standardne odklone simulacij.
Dejanska vrednost: =3.5, =1.708
Povprečje simulacij: =3.53, =1.695
...pač pa lahko določimo interval, za katerega je zelo verjetno, da vsebuje iskani populacijski parameter.
Osnovni problem je: kako na podlagi vzorčnih parametrov oceniti dejanske populacijske parametre?
Pri numeričnih metodah določimo približek in oceno za napako približka. Dejanska vrednost je nekje na intervalu okoli približka.
Na podlagi vzorca ni mogoče sklepati o parametrih populacije s 100% zanesljivostjo,...
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
169
2 2 2 0 9544X - a
P n .σ
2 295 44
σ σP X a X . %
n n
XNa vzorcu velikosti n dobimo vrednosti X1,X2,...,Xn in izračunamo njihovo povprečje
Naj bo količina X normalno porazdeljena na celotni populaciji z neznanim povprečjem a. Zaradi enostavnosti privzemimo, da je standardni odklon enak .
, 0,1 .Velja: porazdelitev je normalna z je porazdeljena po X - a
X E X a X n Nσn
2 2. S 95% verjetnostjo lahko trdimo, da leži populacijsko povprečje na intervalu
σ σX ,X
n n
(tj. za okoli 95% vzorcev je populacijsko povprečje na izračunanem intervalu, za okoli 5% vzorcev pa je izven)
3 32 3 0 9972Podobno dobimo:
σ σP X a X ( ) .
n n
3 3. S 99.7% verjetnostjo je populacijsko povprečje na intervalu
σ σX ,X
n n
Verjetnost, s katero se iskani parameter nahaja na nekem intervalu je stopnja zaupanja.
Pripadajoči interval je interval zaupanja.
Večja stopnja zaupanja ali večja razpršenost potreben je širši interval zaupanja.⇒Večji vzorec zadošča ⇒ ožji interval zaupanja.
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
170
Splošni postopek za določanje intervalazaupanja za populacijski parameter u:
1) določimo vzorčni parameter ū, ki je primeren približek za u (npr. za povprečje ali s 2 za razpršenost)
2) določimo porazdelitveni zakon vzorčnega parametra ū (npr. normalni, binomski,...; to je najzahtevnejši korak - praviloma se omejimo na standardne primere)
3) izberemo stopnjo zaupanja (običajno =95% ali =99%)
4) na podlagi porazdelitve in vrednosti vzorčnega parametra ū na danem vzorcu določimo interval zaupanja [U1,U2] za u, ki pripada izbrani stopnji zaupanja
( tj. tako, da velja P(U1 ≤ u ≤ U2) = ).
X
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
171
Pri manjših vzorcih ali neznanemu standardnemu odklonu ne moremo privzeti, da je povprečje normalno porazdeljeno. Običajno dobimo za približek porazdelitev, ki je odvisna od velikosti vzorca.
Naj bo količina X porazdeljena normalno z neznanim povprečjem a in standardnim odklonom .Iščemo interval zaupanja za populacijsko povprečje a pri stopnji zaupanja .
,
.
Imamo vzorec velikosti : parameter ocenimo z
parameter pa z in tvorimo novo spremenljivko X a
T
X
n
a
ss
n
Velja: T je porazdeljena po t.im. Studentovem porazdelitvenem zakonu S(n-1)
2
2
2
52 2
3
1
6 33 :
3
1
1
1 :
2 :
2
S p
S p xπ x
..
S p x
x
...
x
.
x
.
1
2 2
1Studentova porazdelitev ima gostoto
n-
n
xS n p(x) k
n
0,1N
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
172
Tabela mejnih vrednosti porazdelitve S(n):
parameter n(‘stopnje prostosti’)
mejna vrednost na stopnji zaupanja 1- ( P(|T| ≤ t)=1- )
95% 99%
t
Senčena ploščina je enaka .
mejne vrednosti za normalno porazdelitev
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
173
Za izbrano stopnjo zaupanja iz tabel določimo t, da velja P(|T| ≤ t)=
Interval zaupanja za a na stopnji zaupanja je α α
s sX - t ,X t
n n
X s 3.59 1.800 [3.237,3.942] [3.125,4.054]
3.47 1.687 [3.139,3.800] [3.034,3.905]
3.94 1.605 [3.625,4.254] [3.495,4.354]
3.44 1.930 [3.061,3.818] [2.941,3.938]
3.68 1.567 [3.372,3.987] [3.275,4.084]
3.28 1.789 [2.929,3.630] [2.818,3.741]
3.53 1.602 [3.215,3.844] [3.116,3.943]
3.43 1.692 [3.098,3.761] [2.993,3.866]
3.42 1.668 [3.092,3.747] [2.989,3.850]
3.50 1.609 [3.184,3.815] [3.084,3.915]
interval zaupanja 95% 99%
pri 3. poskusu je dejansko povprečje izven 95%-intervala zaupanja in komajda znotraj 99%-intervala zaupanja.
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
174
Porazdelitvena gostota ni simetrična, zato za zahtevano stopnjo zaupanja poiščemo meji 2
a in 2b , da velja
P( 2 ≤ 2
a )=P( 2 ≥ 2
b )=1-/2 ⇒ P(2a ≤ 2 ≤ 2
b )=
Intervalska ocena za standardni odklon pri normalni porazdelitvi:2
22
1s
(n )σ
Primerjamo populacijsko razpršenost 2 z vzorčno razpršenostjo s2:
Velja: 2 je porazdeljena po zakonu ‘hi-kvadrat’ 2(n-1).
2 22
2 2
1 1Interval zaupanja za na stopnji zaupanja je
b a
n s n s,
χ χ
Porazdelitev hi-kvadrat 2(n) ima gostoto 1
2 2 ( 0)n x
-
n p(x) k x e x
2
2
2
2
2
2
2
2
1
14
4
1
1
2
1
2
2
3
2
x
x-
-
x-
x-
χ ( ) :
eχ ( ) :
χ ( ) : p(x)
p(x)
χ ( ) : p(x) e
x
.
p(x
....
e
e
)x
π
π
x
2a 2
b
MATEMATIKA 2
VERJETNOST IN STATISTIKA OCENJEVANJE PARAMETROV
175
mejna vrednost 2
( P( 2 ≥ 2
)= )
Tabela mejnih vrednosti porazdelitve 2(n)
parameter n(‘stopnje prostosti’)
2
Senčena ploščina je enaka .
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
176
PRESKUŠANJE STATISTIČNIH DOMNEV
Statistična domneva je trditev o porazdelitvenem zakonu slučajne spremeljivke, ki jo želimo potrditi ali ovreči na podlagi vrednosti, ki jih zavzame na nekem vzorcu.
parametrične domneve (trditve o parametrih znanega porazdelitvenega zakona, npr. Poissonovo porazdeljena spremenljivka ima povrečje a)
neparametrične domneve(trditve o naravi porazdelitvenega zakona, npr. spremenljivka je normalno porazdeljena)
Domneva je enostavna, če v celoti določa porazdelitev (tip in parametre), sicer pa je sestavljena.
(npr. če H0 trdi, da je porazdelitev Poissonova z neznanim parametrom - H1 pa, da ni Poissonova, sta obe sestavljeni)
Omejili se bomo na osnovne primere parametričnih domnev, ko je vsaj ničelna domneva enostavna.
primerjamo dve domnevi:
H0: ničelna domneva in H1: alternativna domneva
(npr. H0 trdi, da porazdelitev ustreza zakonu P(2), H1 pa, da ustreza zakonu P(3.5))
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
177
Leta 2003 je bilo v Sloveniji 17321 živorojenih otrok, od tega 8930 dečkov in 8391 deklic. Zanima nas, ali je to v nasprotju z domnevo, da je rojstvo dečka enako verjetno kot rojstvo deklice.
Izberemo majhno število (npr. 0.05 ali 0.01) in poiščemo kritično vrednost c, da je pri pogoju p=0.5 verjetnost P(X > c)=.
Za slučajno spremenljivko X vzamemo število rojstev dečkov. X je porazdeljena binomsko b(n,p). H0 je enostavna domneva p=0.5, H1 je sestavljena domneva p > 0.5.
Če je število dečkov večje od c, potem H0 zavrnemo, v nasprotnem primeru pa je ne zavrnemo. Binomsko porazdelitev b(17321,0.5) aproksimiramo z N(8660.5, 65.80), in vzamemo =0.05.
0 050 05 0 05
0 050 05 0 05
1 8660 51 1 0 05
2 65 808660 5 8
8768660 5
0 45 1 6565 80 65 8
50
.
.
..
. .
c .P(X c ) P(X c ) Φ .
.c . c .
Φ . . . .
c .
Ker je dejanska vrednost (8930) večja od c0.05, ničelno domnevo zavrnemo.
Pri 1% značilnosti preskusa dobimo c0.01=8813.5, torej domnevo zavrnemo tudi pri ostrejšem preskusu.
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
178
Enostavna parametrična domneva u=u0 ima tri alternativne parametrične domneve:
u > u0
u < u0
u ≠ u0
Za prvo in drugo alternativo pravimo, da sta enostranski, za tretjo pa, da je dvostranska.
u0 c
sprejmemo zavrnemo
c u0
zavrnemo sprejmemo
c1 u0 c2
zavrnemo sprejmemo zavrnemo
Pri preskušanju trdnosti nekega materiala je smiselna enostranska alternativa, saj nas ne moti, če je le-ta trdnejši kot pričakujemo. Pri preskušanju odstopov velikosti vijaka glede na matico pa raje oblikujemo dvostransko alternativo.
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
179
Z porazdeljena po N(0,1) - kako določimo c?
11 1 2
2α α α α
αα P( Z c ) P( Z c ) Φ c Φ c
1 11 1
2 2α α α αα P(Z c ) P(Z c ) Φ c Φ c - α
1 1
2 2α α αα P(Z c ) Φ c Φ c α
Podobno ravnamo pri drugih preskusih. Pri t-testu tvorimo in upoštevamo, da je T porazdeljen po zakonu S(n-1).
Kritične vrednosti za dvostranski poskus pri značilnosti so v (n-1)-vivrstici in stolpcu, ki ustreza .
Kritične vrednosti za enostranski poskusa pa so v stolpcu, ki ustreza .
X - aT n
s
2
α
dvostranski preskus:
enostranski preskus:
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
180
Povprečje 10 meritev gostote neke snovi nam je dalo 1.35 g/cm3, čeprav bi teoretično pričakovali gostoto 1.2 g/cm3. Na podlagi izkušenj vemo, da je pri tovrstnem merjenju standardna napaka =0.25g/cm3. Ali na podlagi tega lahko zavrnemo H0( =1.2 g/cm3)? Značilnost preskusa naj bo 5%.
1.) H1( ≠1.2) (dvostranski preskus)
1 35 1 210 1 89
0 25
X - ρ . .Z n .
σ .
0 05 0 050 475 1 96. .Φ c . c . Ničelne domneve ne zavrnemo.(testna vrednost je manjša od kritične)
2.) H1( > 1.2) (enostranski preskus)
0 05 0 050 45 1 65. .Φ c . c . Ničelno domnevo zavrnemo.(testna vrednost je večja od kritične)
Pri sestavljeni alternativi lahko manj verjetni del alternative zmanjša možnost za izključitev ničelne domneve.
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
181
Splošni problem: kako ugotovimo, ali je vzorec X1,...,Xn v skladu z domnevo, da je opazovana populacija porazdeljena po nekem zakonu F(x) ?
Lotimo se ga takole (Pearsonov 2 – test, Goodness of Fit):
1. Realno os razdelimo na intervale I1,...,IK tako, da vsak vsebuje vsaj 5 elementov vzorca. Število vzorcev na intervalu Ik označimo z bk.2. Ob privzetku, da je porazdelitev populacije F(x) izračunamo teoretično število vzorcev na intervalu Ik in ga označimo z ek.
220
1
( )Kk k
k k
b eχ
e
3. Izračunamo deviacijo
Dejstvo: 0
2 je porazdeljena po zakonu 2(K-1).
4. Za izbrano stopnjo značilnosti določimo 2 iz enačbe P( 2 ≥ 2
)=. Domnevo zavrnemo, če je
02 ≥ 2
.
Kovanec vržemo 50 krat in 29-krat dobimo cifro. Ali lahko sklepamo, da je popačen?
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
182
V našem primeru postavimo grb=0, cifra=1 in intervala I1=(-∞,0.5] in I1=(0.5,+∞).
Dobimo: b0=21, b1=29, e0=e1=25 in 0
2 = 16/25+16/25=1.28
Za 2(1) in pri stopnji značilnosti =5% je mejna vrednost 2 =3.841, zato domneve, da
je kovanec pošten ne zavrnemo.
Koliko cifer bi morali dobiti pri 50 metih, da bi lahko na 5% stopnji značilnosti zavrnili domnevo o poštenosti kocke?
Odstop označimo z a in rešimo a2/25+a2/25 > 3.841, kar nam da a ≥ 7. To pomeni, da bi pri 32 cifrah ali več zavrnili domnevo o poštenosti kocke.
Na stopnji značilnosti 1% pa bi jo zavrnili šele pri 35 cifrah ali več.
G. Mendel je pri enem svojih znamenitih poskusov dobil 355 rumenih in 123 zelenih grahov. Ali je to v skladu z domnevo, da je razmerje med rumenimi in zelenimi 3:1?
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
183
Odvisna vzorca Bolnik Število dodatnih ur spanja
X (zdravilo A) Y (zdravilo B) 1 1.9 0.7 2 0.8 -1.6 3 1.1 -0.2 4 0.1 -1.2 5 -0.1 -0.1 6 4.4 3.4 7 5.5 3.7 8 1.6 0.8 9 4.6 0.0
10 3.4 2.0
Na bolnikih so preskušali vpliv dveh zdravil (A in B) proti nespečnosti. Ali lahko na podlagi podatka o dodatnem številu ur spanja sklepamo o tem, da je eno zdravilo bolj učinkovito od drugega?
Privzemimo, da imamo rezultate vpliva obeh zdravil na istih bolnikih. Tedaj naredimo parni t-test.(Če bi imeli rezultate na različnih bolnikih, bi morali uporabiti šibkejši neparni t-test.)
Tvorimo razliko Z=X-Y.
Primerjamo H0(a=0) proti H1(a≠0).
Z Z2
1.2 1.44 2.4 5.76 1.3 1.69 1.3 1.69 0.0 0.00 1.0 1.00 1.8 3.24 0.8 0.64 4.6 21.16 1.4 1.96
15.8 38.58
2
1.58
1 51, 1.23
Z
s . s
1.58 010 4.06
1.23t
0.025 2.26 4.06t
Pri 95% stopnji zaupanja domneve, da sta zdravili enakovredni zavrnemo.
Dejstvo: porazdeljena je po Studentovem zakonu S(n-1).
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
184
X Y1,07 3,351,11 3,501,23 3,691,24 3,701,24 3,771,26 3,801,30 3,981,35 4,011,41 4,121,42 4,121,44 4,201,48 4,281,57 4,411,57 4,441,61 4,601,63 4,581,69 4,701,75 4,781,75 4,831,79 4,90
LINEARNA REGRESIJA
S pomočjo metode najmanjših kvadratov lahko določimo premico, ki se najbolje prilega dani množici točk v ravnini.
Statistično pa so vrednosti Y podvržene naključnim vplivom, zato je le do določene mere verjetno, da so izračunani koeficienti regresijske premice a+bX blizu dejanskih.
Velja: (1) Interval zaupanja za smerni koeficient premice je
kjer je t mejna vrednost na stopnji zaupanja pri porazdelitvi S(n-2).
(2) r(X,Y)2 je število, ki pove, kolikšen delež razpršenosti spremenljivke Y je pojasnjen z razpršenostjo X.
2 2( ) ( ),
( ) ( )2 2
c cD Y D Yb b b b
D X D Xn n
MATEMATIKA 2
VERJETNOST IN STATISTIKA PRESKUŠANJE STATISTIČNIH DOMNEV
185
X Y1,07 3,351,11 3,501,23 3,691,24 3,701,24 3,771,26 3,801,30 3,981,35 4,011,41 4,121,42 4,121,44 4,201,48 4,281,57 4,411,57 4,441,61 4,601,63 4,581,69 4,701,75 4,781,75 4,831,79 4,90
2
( , )
( )
( ) ( )
=
xy x y K X Yb
D Xx x x
a y b x E Y b E X
( ) 1.445 ( ) 0.0454( ) 4.188 ( ) 0.202
( ) 6.149 ( , ) 0.0955
E X D XE Y D Y
E XY K X Y
1.147 2.103 a b
Interval zaupanja za smerni koeficient je [2.103-0.0412 t ,2.103+0.0412 t ]
Za =5% dobimo pri S(18) mejno vrednost t=2.101 in pripadajoči interval [2.016,2.190]
Za r(X,Y)2 pa dobimo 0.99, torej je vsa varianca Y posledica variance X