metod najmanjih kvadrata...metod najmanjih kvadrata račun izravnanja2 –osnovni kurs osnovne...
TRANSCRIPT
METOD NAJMANJIH
KVADRATA
Račun izravnanja 2 – osnovni kursOsnovne studije – 3. semestar, školska 2019/2020
Prof. dr Branko Božić, dipl.geod.inž.
Građevinski fakultet u Beogradu
Katedra za geodeziju i geoinformatiku
Sadržaj
Uvod
Prosta aritmetička sredina
Opšta aritmetička sredina
Najbolja ocena parametara modela
Varijanse i težine
Jednostavniji MNK problemi – matrična
interpretacija
UVOD - Definicija i klasifikacija merenja
Crandall and Seabloom (1970): ‟Merenje
predstavlja instrumentalno upoređivanje
nepoznate veličine sa poznatim standardom‟
Rezultat merenja je samo jedna
aproksimacija vrednosti merene veličine
Tačnu vrednost nije moguće odrediti
Merenja po definiciji sadrže greške
Merenja mogu biti: a) direktna i b) indirektna
UVOD-Klasifikacija grešaka merenja
Prema prirodi uticaja: a) grube (blunders, mistakes), b) sistematske i c) slučajne (accidental, random)
Slučajne greške – aksiomi: 1) greške male po intenzitetu se češće2) jednaka verovatnoće pojave pozitivnih i
negativnih vrednosti grešaka 3) mala verovatnoća pojave grešaka velikih po
intenzitetu
UVOD-Greške i reziduali
Merena veličina: istinita ili najverovatnijavrednost ?
Najverovatnija vrednost = najbolja ocena
Ma koliki broj merenja realizovali nećemo dobiti istinitu vrednost
Aritmetička sredina spada u najbolju ocenu
Rezultat merenja - Istinita vrednost = Istinita greška
Najverovatnija vrednost – Rezultat merenja = Rezidual
Gaussov princip najmanjih kvadrata
(least squares principle)
"Zbir kvadrata odstupanja
rezultata merenja od
najverovatnije vrednosti je
minimalan"
𝑖=1
𝑛
𝑝𝑖𝑣𝑖2 = 𝑚𝑖𝑛
pi – težine
vi - reziduali
Prosta aritmetička sredina – princip
MNK
Neka je slučajna veličina x
merena n puta i neka su
dobijene sledeće vrednosti
x1,x2,...,xn. Neka je µ istinita
vrednost, a - aritmetička
sredina. Tada je
x
n
x
n
xxxx
n
k
k
n
121 ...
kk xxv
Rezidual
𝐸 ҧ𝑥 = 𝜇
𝐷 ҧ𝑥 =𝜎2
𝑛
Prosta aritmetička sredina – primena
principa najmanjih kvadrata
ili
xvxxvxxvx nn ...,,, 2211
• Neka je realizovano n rezultata merenja
x1,x2,...,xn neke fizičke veličine. Po definiciji: Rezultat merenja + Rezidual = Najbolja ocena
nn xxvxxvxxv ...,,, 2211
Princip najmanjih kvadrata: Najbolja ocena se dobija
minimiziranjem sume kvadrata reziduala
Nepoznati
parametar
Neka je
n
k
kv1
2 ili
22
2
2
1
1
2 )(...)()( n
n
k
k xxxxxxv
Traži se 0
xd
d
0)(2...)(2)(2 21
nxxxxxxxd
d
n
x
n
xxxx
n
k
k
n
121 ...
Deobom obe strane sa 2 i
oslobađanjem od zagrade
dobija se
Prosta aritmetička sredina – primena
principa najmanjih kvadrata
Rešavanje sistema linearnih jednačina
primenom MNK principa
povezuju dve nepoznate x i y sa opažanjima (7, 5 i 0.5)
Rešenje po prve dve daje x =0.5 i y =1.5, rešenje druge i treće daje x =0.65 i
y =1.45…
Nekonzistentnost rešenja (jednačina). Zaključak: u merenjima prisutne
greške.
Problem rešavamo dodavanjem reziduala
3
2
1
5.03
53
742
vyx
vyx
vyx
Linearan sistem jednačina oblika:
Moguće je odabrati vrednosti v1, v2 i v3 na osnovu kojih će se dobiti
jedinstveno rešenje za x i y, nezavisno od toga koji će se par jednačina
odabrati. Rešenje za x i y po metodi najmanjih kvadrata:
2222 )5.03()53()742(),( yxyxyxvyxf
2x+4y=7
1x+3y=5
3x-1y=0.5
0)1)(5.03(2)3)(53(2)4)(742(2
0)3).(5.03(2)53(2)2)(742(2
2
2
yxyxyxy
v
yxyxyxx
v
normalne jednačine oblika,
5.42268
5.20814
yx
yx
MNK rešenje glasi x =0.643 i y =1.437
Zamenom vrednosti x i y u jednacine opazanja omogućava računanje
reziduala (v1=0.033, v2= - 0.047, v3 = - 0.007)
U tabeli, prikazane su vrednosti kvadrata reziduala slobodnog rešenja i
rešenja dobijenog po principu najmanjih kvadrata.
x =0.5 i y =1.5 x =0.643 i y =1.437
0 0.001
0 0.002
0.25 0.000
Suma VV 0.25 0.003
D = det(14 88 26
=300
Dx = det(20.5 842.5 26
=193
Dy = det(14 20.58 42.5
=431
14*26-8*8=
Težine i varijanse
Konstanta proporcionalnosti = referentna varijansa = faktor varijanse
= a priori varijansa = varijansa jedinice težine
2
20
2
1
kk s
spili
sp
2
0
Za p =122
0 ks Varijansa opažanja jedinične težine (Pretpostavka: merenja su nekorelisana)
PRIMER:
Merenje 1: 10.11 (s = 0.01)
Merenje 2: 10.12 (s = 0.02)
Merenje 3: 10.13 (s = 0.03)22
02
2
03 )03.0(
)03.0(1
p
Najvece s
1,25,2)02.0(
)03.0(,9
)01.0(
)03.0(32
2
22
2
1 ppp
Težina p
Opšta aritmetička sredina
Neka su x1, x2, ..., xn merenja sa težinama
p1,p2,...,pn i neka je najbolja ocena merenja.
Po definiciji:
Merenje + Rezidual = Najbolja ocena
pnnpp xvxxvxxvx ...,,, 2211
ili
npnpp xxvxxvxxv ...,,, 2211
Rešenje tražimo primenomi principa minimuma sume kvadrata proizvoda reziduala i težina
n
k
kkvp1
2
px
Opšta aritmetička sredina
22
22
2
11
1
2 )(...)()( npnpp
n
k
kk xxpxxpxxpvp
0
pxd
d
0)(2...)(2)(2 2211
npnpp
p
xxpxxpxxpxd
d
n
k
k
n
k
kk
n
nnp
p
xp
ppp
xpxpxpx
1
1
21
2211
...
...
Deobom sa 2 i oslobadjanjem od zagrade
Jednostavniji modeli - Najbolja ocena
parametara modela - Line of Best Fit
cmxy
Nagib prave
Presek prave
sa y osom
12
12tanxx
yym
m,c – parametri modela
x,y – merenja
Ocena parametara modela –
merenja iste preciznosti
tačka x y
1 -40.0 -24.0
2 -15.0 -24.0
3 10.0 -12.0
4 38.0 15.0
5 67.0 30.0
cmxvy kkk
cvxmvy Xkkkk )(
kkk ycmxv )(
n
k
kv1
2
2
55
2
22
2
11
1
2 )(...)()( ycmxycmxycmxvn
k
k
0,0
dc
di
dm
dNeophodan uslov minimuma
Najčešće se xk
tretira kao
nezavisna
promenljiva
0)1)((2...)1)((2)1)((2
0))((2...))((2))((2
552211
555222111
ycmxycmxycmxdc
d
xycmxxycmxxycmxdm
d
n
k
k
n
k
k
n
k
kk
n
k
n
k
kk
ycnxm
yxxcxm
11
11 1
2
Normalne jednačine
k
kk
k
kk
y
yx
c
m
nx
xx2
Normalne jednačine u matričnom obliku
nNx nNx1
Ocena parametara modela – merenja
iste preciznosti – MNK ocene
2
1
1112
1222
21122211
1
)(
1
n
n
nn
nn
nnnnc
mnNx
1,2
1
1,,2212
1211,,
uuuun
n
c
m
nn
nn
nxN
00.15
00.3780
00.500.60
00.600.7858
c
m
66.9
55.0
00.785800.60
00.6000.5
)00.6000.6000.500.7858(
1
c
m
Ocena parametara modela –
jednake težine – MNK ocene
kkk ycmxv
5.2
6.3
9.7
0.6
8.7
5
4
3
2
1
v
v
v
v
v
Ocena parametara modela – merenja
jednake preciznosti - reziduali
Pretpostavka da obe koordinate (x i y) sadrže greške
0 b)vx(m)vy()y,x(Fxy
ybxmbb
Fm
m
Fv
y
Fv
x
Fyx
00
Četiri nepoznate i nije linearna
1
1
b
F
xm
F
y
F
mx
FSa parcijalnim izvodima
DDAYDXD
CCAYCXC
BBBYBXB
AAAYAXA
ybxmbmxvvm
ybxmbmxvvm
ybxmbmxvvm
ybxmbmxvvm
000
000
000
000
Jednačine za četiri date tačke
FAXBV Matrični oblik
1000000
0010000
0000100
0000001
0
0
0
0
m
m
m
m
B
1
1
1
1
D
C
B
A
YD
XD
YC
XC
YB
XB
YA
XA
x
x
x
x
A;
v
v
v
v
v
v
v
v
V
DD
CC
BB
AA
ybxm
ybxm
ybxm
ybxm
F;b
mX
00
00
00
00
Rešenje problema sa pretpostavkom o greškama u obe promenljive
mo i co iz bilo koje dve jednačine (približne vrednosti)
c
coc
co
co
co
co
c
c
c
c
c
co
co
co
co
c
2
2
2
2
2
2
2
2
2
0
0000000
0000000
0000000
0000000
0000000
0000000
0000000
0000000
1
YD
XD
YC
XC
YB
XB
YA
XA
Q
Kofaktorska matrica (vrednosti koje
se dobijaju iz izravnanja mreže)
FWA)AWA(Xe
T
e
T 1 Rešenje (ocena nepoznatih parametara)
1 )BQB(W T
e
FAXVe
Vektor ocena reziduala
VLL̂m Vektor ocena rezultata merenja
r
VWVs ee
T
e2
0
Referentna varijansa =
r
VWVs
T
2
0
Kovarijaciona matrica ulaznih veličina (merenja ili sl.) = Kl
a posteriori faktor
varijanse = ocena od
a priori varijanse
Ocena parametara u modelu
merenja različite preciznostiTačka x y pi
1 -40.0 -24.0 2
2 -15.0 -24.0 5
3 10.0 -12.0 7
4 38.0 15.0 3
5 67.0 30.0 3
n
k
kkvp1
2
2
555
2
222
2
111
1
2 )(...)()( ycmxpycmxpycmxpvpn
k
kk
0,0
dc
di
dm
d
0)1)((2...)1)((2)1)((2
0))((2...))((2))((2
555222111
555522221111
ycmxpycmxpycmxpdc
d
xycmxpxycmxpxycmxpdm
d
Ocena parametara u modelu
merenja različite preciznosti
n
k
kk
n
k
n
k
kkk
n
k
kkk
n
k
n
k
kkkk
yppcxpm
yxpxpcxpm
11 1
11 1
2
kk
kkk
kkk
kkkk
yp
yxp
c
m
pxp
xpxp 2
00.117
00.10620
00.2000.230
00.2300.22824
c
m
669131.12
592968.0
c
m9.2
1.5
3.5
4.2
4.12
5
4
3
2
1
v
v
v
v
v
Dve normalne jednačine
kkk ycmxv
Prava je pomerena ka 2 i 3, zbog težina
Jednostavniji MNK problemi –
matrična interpretacija
n
k
kv1
2 Minimum sume kvadrata reziduala
vvT2
1
21
1
2
n
n
n
k
k
v
...
v
v
v...vvv
n
k
kkvp1
2
PvvT2
1
2
1
21
1
2
nn
n
n
k
kk
v
...
v
v
p
..
p
p
v...vvvp
Nekorelisana
merenja
Jednostavniji MNK problemi – matrična
interpretacija ocena parametara modela
regresione prave
555
444
333
222
111
vycmx
vycmx
vycmx
vycmx
vycmx
cmxvy kkk
vlAx
5
2
1
5
2
1
5
2
1
..
1
..
1
1
v
v
v
y
y
y
c
m
x
x
x
Opšti model
Matrica
koeficijenata
Vektor
reziduala
l))P(AxlA(x
l))P(Axl(Ax)
l)P(Axl)AxPvv
TTT
TT
TT
(
(
PAxAxPlAxPAxlPllTTTTTT
PAxAxPlAxPAxlPllTTTTTT
Skalari PA)x(AxPAx2lPllTTTT
T
dx
d0
T
dx
d0PA)(AxPA2l
TTT 2
PlAPA)x(ATT
Normalne jednačine
nNx
Jednostavniji MNK problemi – matrična interpretacija ocena parametara modela regresione prave
nNx
nNx1
lAxv
vll ˆ
Izraz – izravnanje indirektnih opažanja, predložili su
Mikhail i Graice 1976 i 1981. godine ukazuje da svako
opažanje predstavlja jedno indirektno merenje
nepoznatih parametara. U geodetskom premeru
koriste se i drugi nazivi, kao: parametarsko izravnanje,
izravnanje jednačina opažanja metodom najmanjih
kvadrata ili izravnanje jednačina rezidula metodom
najmanjih kvadrata.
Osnovne karakteristike MNK:
- Matematički model (jednačina) povezuje opažanja, reziduale i nepoznate
parametre
- Za n opažanja postoji minimalnih no neophodnih za rešavanje u
nepoznatih parametara (u ovom slučaju no = u) dok je r = n – no broj suvišnih
merenja
- Za svako opažanje postavlja se jedna jednačina, tj. n je ukupan broj jednačina
Jednostavniji MNK problemi – matrična interpretacija ocena parametara modela regresione prave
MNK ocena parametara modela parabole
cbxaxy 2
Matematički model parabole
cbxaxvy kkkk 2
kkkk ycbxaxv 2
Za n = 6 i u = 3
Nepoznati parametri: a, b, c
lAxv
RMIT University -
Deakin
MNK ocena parametara modela parabole
6
2
1
)1,6()1,3(
6
2
6
2
2
2
1
2
1
)3,6(
6
2
1
)1,6(.
,,
1
...
1
1
,.
y
y
y
c
b
a
xx
xx
xx
v
v
v
lxAv
IP Za
nNx
nNx1
lAxv
vll ˆ
Rešavanje nelinearnog sistema
𝐿 = f(x, y)
𝐿 = 𝑓 𝑥, 𝑦 = 𝑓 𝑥0, 𝑦0 +(𝜕𝐿
𝜕𝑥)0
1!𝑑𝑥 +
(𝜕2𝐿
𝜕2𝑥)0
2!𝑑𝑥2 +...+
(𝜕𝑛𝐿
𝜕𝑛𝑥)0
𝑛!𝑑𝑥𝑛
𝑥0, 𝑦0
𝑥 = 𝑥0 + 𝑑𝑥𝑦 = 𝑦0 + 𝑑𝑦
𝐿 = 𝑓 𝑥, 𝑦 = 𝑓 𝑥0, 𝑦0 + (𝜕𝐿
𝜕𝑥)0𝑑𝑥 + (
𝜕𝐿
𝜕𝑦)0𝑑𝑦
Procedura:
1. Odrediti približne vrednosti koordinata xo,yo
2. Uvrstiti približne vrednosti u jednačinu i sračunati priraštaje dx,dy
3. Sračunati popravljene vrednosti x,y
4. Sa novim vrednostima ponoviti 2. i 3. korak
5. Primeniti iterativni postupak sve dok dx,dy ne budu ispod granica
tolerancije
Funkcija
Razvoj u
Tejlorov red
Približne vrednosti nepoznatih parametara
Ocene (najverovatnije) vrednosti
Razvoj funkcije do prvog
stepena
PRIMER
𝑥2 + 𝑦2 = 6
3𝑥2 − 2𝑦 = 8
𝜕𝐹1
𝜕𝑥= 2𝑥,
𝜕𝐹1
𝜕𝑦= 2𝑦; 𝜕𝐹2
𝜕𝑥= 6𝑥,
𝜕𝐹2
𝜕𝑦= −2
xo=1 i yo=1
2(𝑥0)𝑑𝑥 + 2(𝑦0) 𝑑𝑦 = 6 − 𝑥02 − 𝑦0
2
6 𝑥0 𝑑𝑥 − 2 𝑑𝑦 = 8 − 3 𝑥02 + 2 (𝑦0)
Prva iteracija
𝑑𝑥 = 1.375
𝑑𝑦 = 0.625
𝑥 = 1 + 1.375 = 2.375y= 1 + 0.625 = 1.625
Četvrta iteracija𝑥𝑜 = 2.375𝑦𝑜 = 1.625
𝑥 = 2.375 − 0.412 = 1.963
y= 1.625 − 0.099 = 1.525
Druga iteracija ...
𝑥 = 1.919y=1.523
Sistem nelinearnih jednačina
Izvodi po x,y
Približne (početne) vrednosti x,y
𝐴 =2𝑥𝑜 2𝑦𝑜6𝑥𝑜 −2
F=6 − 𝑥0
2 − 𝑦02
8 − 3 𝑥02 + 2 (𝑦0)
Priraštaji u 2. iter.
PRIMER – Matrična
interpretacija
𝐴 =
𝜕𝐹
𝜕𝑥
𝜕𝐹
𝜕𝑦𝜕𝐺
𝜕𝑥
𝜕𝐺
𝜕𝑦
𝐴𝑥 = 𝐹 + 𝑣
𝐴 =2𝑥𝑜 2𝑦𝑜6𝑥𝑜 −2
F=6 − 𝑥0
2 − 𝑦02
8 − 3 𝑥02 + 2 (𝑦0)
𝑥 = 𝐀𝐓𝐀−𝟏𝐀𝐓𝐅 =
𝑑𝑥𝑑𝑦
Iterativni postupak
- Broj iteracija zavisi od kvaliteta približnih vrednosti
Kružnica(𝑥 − ℎ)2+(𝑦 − 𝑘)2−𝑟2 = 0
𝜕𝐹
𝜕ℎ= −2 𝑥 − ℎ ,
𝜕𝐹
𝜕𝑘= −2 𝑦 − 𝑘 ,
𝜕𝐹
𝜕𝑟= −2𝑟
𝐴𝑥 = 𝐹 + 𝑣
A=
𝜕𝐹1
𝜕ℎ
𝜕𝐹1
𝜕𝑘
𝜕𝐹1
𝜕𝑟
⋮ ⋱ ⋮𝜕𝐹𝑛
𝜕ℎ
𝜕𝐹𝑛
𝜕𝑘
𝜕𝐹𝑛
𝜕𝑟
𝐹 =0 − (𝑥1 − ℎ0)
2+(𝑦1 − 𝑘0)2−𝑟0
2
…0 − (𝑥𝑛 − ℎ0)
2+(𝑦𝑛 − 𝑘0)2−𝑟0
2
𝑥 =𝑑ℎ𝑑𝑘𝑑𝑟
Tacke x y
1 9.1 5.6
2 6.5 7.2
3 4.2 4.8
h0= 3.0000
ko= 3.0000
r0= 4.0000
h = 6.7363
k = 4.6715
r = 2.5395
Nakon 4 iteracije 5.6
7.2
4.8 4.6715
0
2
4
6
8
0 2 4 6 8 10
h,k – koordinate centra kružnice, r – poluprečnik kružnice
P
R
I
M
E
R
Približne vrednosti nepoznatih parametara
Ocene parametara
Kružnica – drugi način
𝑥2 + 𝑦2 + 2𝑑𝑥 + 2𝑒𝑦 + 𝑓 = 0
2𝑑𝑥 + 2𝑒𝑦 + 𝑓 = −(𝑥2 + 𝑦2)
A=
𝜕𝐹1
𝜕𝑑
𝜕𝐹1
𝜕𝑒
𝜕𝐹1
𝜕𝑓
⋮ ⋱ ⋮𝜕𝐹𝑛
𝜕𝑑
𝜕𝐹𝑛
𝜕𝑒
𝜕𝐹𝑛
𝜕𝑓
𝐹 =− 𝑥1
2 + 𝑦12
…− 𝑥𝑛
2 + 𝑦𝑛2 𝑥 =
𝑑𝑒𝑓
A=
2𝑥1 2𝑦1 1⋮ ⋱ ⋮
2𝑥𝑛 2𝑦𝑛 1𝑥 = 𝐴𝑇𝐴 −1𝐴𝑇𝐹 =
-6.73629
-4.67147
60.75097
𝑥𝑐 = −𝑑𝑦𝑐 = −𝑒
𝑟 = 𝑑2 + 𝑓2 − 𝑓x y
centar= 6.73629 4.671472
r= 2.539545
Koordinate centra kružnice
Radijus (poluprečnik) kružnice
REŠENJE SISTEMA
JEDNAČINA GAUSOVOM ELIMINACIJOM
26826
8253
728
321
321
32
xxx
xxx
xx
Kako treća jednačina ima
najveći koeficijenat uz x1,
jednačine 1 i 3 zemeniće mesta
728
8253
26826
3
321
321
2
xx
xxx
xxx
1. Korak – eliminacija x1
Realizacija: Prvu jednačinu
ponožiti sa 3/6 i dobijeni
proizvod oduzeti od druge
jednačine
728
8253
26826
728
524
26826
3
32
321
2
xx
xx
xxx
728
524
26826
2. Korak – eliminacija x2
Realizacija: Kako je uz x2 najveći
koeficijent 8, yamenićemo drugu i
treću vrstu a onda pomnožiti
drugu sa 4/8 i oduzeti je od treće
524
728
26826
32
3
321
2
xx
xx
xxx
2
33
728
26826
3
3
321
2
x
xx
xxx
3. Korak – Računanje
x3, x2 i x1
Rešenje: obrnutim
redom, računa se x3,
x2 i na kraju x1
2
33
528
26826
482266
1
1278
1
2
1
321
32
3
)xx(x
)x(x
x
Dati sistem jednačuna:
Linearni sistemi: LU faktorizacija, matrična inverzija
bAx
33
2322
131211
3231
21
333231
232221
131211
00
0
1
01
001
826
280
253
u
uu
uuu
mm
m
aaa
aaa
aaa
aA jk
612
21228523
826
280
280
121513
3231
333231
3323321331332232123132113131
232221
2313212322122122112121
131313121212111111
umm
umm
uumumaumumauma
uum
uumauumauma
uuauuauua
LUA
A kvadratna matrica
Tri modifikacije metode Gausove eliminacije: 1) Doolittle, 2) Crout i 3)
Cholesky
L – donja trouglasta matrica, a
U – gornja trouglasta matrica
1) Doolittle-ov metod (Crout-ov metod je sličan, U i L menjaju mesta)
1. Računanje elemenata matrica L i U
2. Faktorizacija A=LU
600
280
253
112
010
001
826
280
253
2. Rešenje Ly=b
bLUxAx
Osnovna idejayUx,bLy
3
7
8
26
7
8
112
010
001
3
2
1
y
y
y
y
3. Rešenje Ux=y
50
1
4
3
7
8
600
280
253
3
2
1
.
x
x
x
x
211
2
2
1
1
1
1
1
11
1
1
1
k;n,...,kjumau
m
j;n,...,jkumau
n,...,ju
am
n,...,kau
k
s
skjsjk
kk
jk
j
s
skjsjkjk
j
j
jkk
Opšti izrazi
Napomena: Često je
neophodno zameniti redove
matrice A, a time i vektora b što
ne utiče na rešenje
jk
jk
uU
mL
Linearni sistemi: LU faktorizacija, matrična inverzija
53783
31754
11
411772
14
12
24
211
2
2
22232
2313333
213132
22
32
2212222
11
3131
11
21211111
1
1
1
1
2
11
1
1
1111
)(llal
)()lla(l
l
lal;l
al
l
al;al
j;n,...,jpllal
l
n,...,jlal
n,...,jl
al
al
j
s
psjspj
jj
pj
j
s
jsjjjj
j
j
3) Cholesky-ev metod
Primenjuje se kada je A simetrična pozitivno-definitna matrica (A=AT i
xTAx>0 za svako x≠0), tada je U=LT i ujk = mkj . Primenjuje se pri rešavanju
sistema Ax=b koji se zasniva na faktorizaciji A=LLT, i naziva se Cholesky-
ev metod. Ako je L=[ljk] formule za faktorizaciju glase:
1
6
3
5
27
7
500
340
712
5
27
7
155
101
14
537
041
002
00
00
00
83514
5172
1424
15583514
1015172
141424
3
2
1
3
2
1
33
3222
312111
333231
2221
11
321
321
321
x
x
x
x
yxLUxsenjeRe
y
y
y
y
bLysenjeRe
l
ll
lll
lll
ll
l
:RESENJE
xxx
xxx
xxx
T
Pitanja za ponavljanje
1. MNK linearni i nelinearni modeli – ocena
nepoznatih parametara
2. MNK rešenje za prostu i opštu aritmetičku
sredinu
3. Ocena nepoznatih parametara u modelu prave
4. Ocena nepoznatih parametara u modelu
parabole
5. Ocena nepoznatih parametara u modelu
kružnice