Numericki Metodi Vo Rudarstvoto

УНИВЕРЗИТЕТ “ГОЦЕ ДЕЛЧЕВ” - ШТИП
ФАКУЛТЕТ ЗА
РУДАРСТВО, ГЕОЛОГИЈА И ПОЛИТЕХНИКА
проф. д-р. Благој Голомеов

м-р. Александра Милева
Штип, 2007
СОДРЖИНА
ВОВЕД..................................................................................................................................................................... 1
1 ОСНОВНИ КОНЦЕПТИ ЗА ПРОЦЕНКА НА ГРЕШКА ................................................................................ 3
1.1 ИЗВОРИ НА ГРЕШКА ................................................................................................................................ 3
1.2 АПСОЛУТНА И РЕЛАТИВНА ГРЕШКА................................................................................................. 5
1.3 ЗАОКРУЖУВАЊЕ И ОТСЕКУВАЊЕ....................................................................................................... 7
2 ПРИБЛИЖНО РЕШАВАЊЕ НА РАВЕНКИ СО ЕДНА НЕПОЗНАТА ........................................................10
2.1 МЕТОДА НА БИСЕКЦИЈА .......................................................................................................................10
2.2 МЕТОДА НА ПОВТОРУВАЊЕ ................................................................................................................13
2.3 ЊУТН-РАФСОНОВА МЕТОДА ...............................................................................................................17
2.3.1 НЕКОИ ПРИМЕНИ НА ЊУТН-РАФСОНОВАТА МЕТОДА.........................................................20
2.3.2 ПРОБЛЕМИ..........................................................................................................................................21
2.4 МЕТОДА НА СЕКАНТИ............................................................................................................................22
3 ИНТЕРПОЛАЦИЈА ............................................................................................................................................26
3.1 АПРОКСИМАЦИОНИ ФУНКЦИИ ..........................................................................................................27
3.2 КРИТЕРИУМИ ЗА ПОЛИНОМНА АПРОКСИМАЦИЈА.......................................................................29
3.3 ИНТЕРПОЛАЦИОНЕН ПОЛИНОМ.........................................................................................................32
3.4 ЛАГРАНЖОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА...............................................................................34
3.5 ЊУТНОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА.......................................................................................38
3.5.1 ЊУТНОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА - НАПРЕД ............................................................39
3.5.2 ЊУТНОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА - НАЗАД...............................................................45
3.6 ЗАКЛУЧНИ КОМЕНТАРИ ЗА ПОЛИНОМНАТА ИНТЕРПОЛАЦИЈА...............................................48
3.7 ДВОДИМЕНЗИОНАЛНА ИНТЕРПОЛАЦИЈА .......................................................................................50
4 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ И ИНТЕГРИРАЊЕ................................................................................54
4.1 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ..........................................................................................................54
4.1.1 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ ПО МЕТОДА НА СЕКАНТА................................................55
4.1.2 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ СО ПОМОШ НА ЊУТНОВИОТ ИНТЕРПОЛАЦИОНЕН
ПОЛИНОМ - НАПРЕД.................................................................................................................................56
4.2 НУМЕРИЧКО ИНТЕГРИРАЊЕ ................................................................................................................58
4.2.1 НУМЕРИЧКА ИНТЕГРАЦИЈА КОРИСТЕЈЌИ ИНТЕРПОЛАЦИОНИ ПОЛИНОМИ ................59
4.2.2 ГАУСОВА ИНТЕГРАЦИЈА ...............................................................................................................68
5 НУМЕРИЧКО РЕШАВАЊЕ СИСТЕМИ ЛИНЕАРНИ РАВЕНКИ ...............................................................73
5.1 ГАУСОВА ЕЛИМИНАЦИОНА ПОСТАПКА..........................................................................................76
5.2 ЈАКОБИЕВА МЕТОДА ..............................................................................................................................82
5.3 ГАУС-ЗАЈДЕЛОВА МЕТОДА ..................................................................................................................84
5.4 МЕРКА ЗА ЛОША УСЛОВЕНОСТ ..........................................................................................................89
6 НУМЕРИЧКО РЕШАВАЊЕ ОБИЧНИ ДИФЕРЕНЦИЈАЛНИ РАВЕНКИ ...................................................93
6.1 МЕТОДИ СО ТЕЈЛОРОВИ СЕРИИ ..........................................................................................................94
6.1.1 МЕТОДА НА ОЈЛЕР ...........................................................................................................................95
6.1.2 МЕТОДИ ОД ПОВИСОК РЕД ...........................................................................................................97
6.2 РУНГЕ-КУТА МЕТОДИ ............................................................................................................................98
7 ПОЛИНОМНА РЕГРЕСИЈА ...........................................................................................................................106
7.1 МЕТОДА НА НАЈМАЛИ КВАДРАТИ ...................................................................................................107
8 ТЕХНИКИ ЗА МРЕЖНО ПЛАНИРАЊЕ .......................................................................................................116
8.1 ПРОЕКТ, АКТИВНОСТ, НАСТАН.........................................................................................................116
8.2 ПРЕСТАВУВАЊЕ ЗАВИСНОСТИ НА АКТИВНОСТИ ......................................................................118
8.3 ПАТ ВО МРЕЖЕН ДИЈАГРАМ ..............................................................................................................120
8.4 ЦРТАЊЕ НА МРЕЖЕН ДИЈАГРАМ ......................................................................................................121
8.5 ФУЛКЕРСОНОВО ПРАВИЛО ЗА НУМЕРИРАЊЕ НА НАСТАНИ ВО МРЕЖЕН ДИЈАГРАМ.....123
8.6 АНАЛИЗА НА ВРЕМЕ ПО ТЕХНИКАТА PERT...................................................................................126
8.7 АНАЛИЗА НА ВРЕМЕ ПО МЕТОДАТА НА КРИТИЧЕН ПАТ (CPM)..............................................134
9 ПРИМЕНА НА НУМЕРИЧКИТЕ МЕТОДИ ВО РУДАРСТВОТО И ГЕОЛОГИЈАТА.............................138
9.1 ИНТЕРПОЛАЦИЈА...................................................................................................................................138
9.2 СИСТЕМИ ЛИНЕАРНИ РАВЕНКИ .......................................................................................................143
9.3 ПОЛИНОМНА РЕГРЕСИЈА ....................................................................................................................148
9.4 МРЕЖНО ПЛАНИРАЊЕ .........................................................................................................................151
Нумерички методи во рударството и геологијата
ВОВЕД
За повеќето проблеми што се среќаваат во инженерската практика многу

е тешко, а најчесто и невозможно да се изнајдат точни решенија. Во овие
случаи се пристапува кон одредени приближни пресметувања, со што
решението на проблемите станува апроксимативно. Брзиот развој на
информатичката технологија даде голем придонес и поттик за забрзан развој на
делот од математиката кој се занимава со приближни решенија, наречен
нумеричка анализа. Некои делови на нумеричката анализа постојат уште од
многу одамна. Така, на пример линеарната интерполација се користи веќе 2000
години. Пред појавата на сметачите, нумеричката анализа се потпирала на
рачна интерполација со користење на големи печатени табели.
Модерната нумеричка анализа не бара точни одговори, бидејќи точните
одговори најчесто е невозможно да се добијат во пракса. Наместо тоа, таа
користи алгоритми за наоѓање на приближни решенија, но, со одржување на
грешката во разумни граници.
Денес нумеричката анализа наоѓа широка примена во инженерството,
физиката, но, и во биологијата, медицината, економијата и сл. Правењето на
различни видови на симулатори бара нумерички методи. Диференцијалните
равенки со една непозната се среќаваат во движењето на планетите, ѕвездите и
галаксиите, но, и се основа за правење на ракетен симулатор. Нумеричката
линеарна алгебра е основа на квантитативната психологија. Стохастичките
диференцијални равенки и Марковите вериги се основа за симулирање на живи
ќелии во медицината и биологијата. Автомобилската индустрија користи
компјутерски симулатори на автомобилски несреќи, кои всушност нумерички
решаваат парцијални диференцијални равенки.
Методите кои се користат во нумеричката анализа може да се поделат на
директни или конечни методи и индиректни или итеративни методи.
Директните или конечните методи доаѓаат до конечното решение, ако постои,
по изведување на конечен број на аритметички операции, и тоа во присуство на
аритметика со бесконечна точност. Во пракса се користи конечна точност, па
затоа резултатот е апроксимација на точното решение. Пример на директна
метода е Гаусовата елиминациона постапка и QR факторизацијата за решавање
на системи линеарни равенки, симплекс методата во линеарното програмирање
и други. Итеративните (индиректни) методи во принцип изведуваат
бесконечен број на аритметички операции. Тие почнуваат од некоја иницијална
вредност и даваат последователни апроксимации кои конвергираат кон точното
1
решение во некоја граница. Притоа мора да се специфицира критериум за

конвергенција за да се одлучи кога е најдено задоволително точно речение,
доколку може или да се прекинат итерациите после одреден максимален број на
чекори. Дури и да е дадена аритметика со бесконечна прецизност, не постои
гаранција дека ќе се дојде до точното решение после конечен број на чекори.
Итеративните методи многу почесто се среќаваат во нумеричката анализа, а
такви методи се методата на бисекција и Њутн-Рафсоновата метода за
решавање на нелинеарна равенка со една непозната, Јакобиевата и Гаус-
Зајделовата метода за решавање на системи линеарни равенки и други.
Во рударството и геологијата нумеричките методи се користат за
пресметка на рудни резерви; обработка на геолошките податоци и формирање
на математички модели на просторните промени на геолошките обележја;
моделирање на динамиката на движење на подземните води и процесите на
одводнување на рудниците; симулација на процесите на експлоатација во
лежиштата на нафта и гас; моделирање и симулација на работата на
вентилационите, експлоатационо-технолошките, транспортните и ПМС
системите; кај геометризацијата и анализата на гранични длабочини на
рудниците; во руднички мерења и сл. Решавањето на нумеричките проблеми во
рударството и геологијата подразбира компјутерска подршка и тоа пред сé
користење на соодветни програмски пакети, кои денес ги има многу.
Во оваа книга се прикажани некои методи од нумеричката анализа кои
наоѓаат широка примена во рударството и геологијата. Прикажани се
нумерички решенија на практични проблеми во рударството, а повеќето
алгоритми се дадени како m-фајлови изработени во програмскиот пакет
MatLab.
Во првото поглавје се дадени некои методи за решавање на равенки со
една непозната. Второто поглавје опфаќа интерполација. Третото поглавје
опфаќа нумеричко диференцирање и интегрирање, а четвртото неколку методи
за решавање на системи линеарни алгебарски равенки. Во петото поглавје се
прикажани методи за решавање на диференцијални равенки со една непозната.
Последното поглавје повеќе е дел од операциони истражувања и опфаќа
техники на мрежно планирање.
2
1 ОСНОВНИ КОНЦЕПТИ ЗА ПРОЦЕНКА НА ГРЕШКА
Главна цел на нумеричката анализа и научното сметање е да се развијат

ефикасни и точни методи за пресметување на апроксимации на ентитети кои се
тешки или невозможни да се добијат аналитички. Иако главната цел е развој на
алгоритми кои брзо конвергираат, сепак постои потреба и од контрола на
различни извори на грешки, така да тие не интерферираат со пресметаните
резултати.
1.1 ИЗВОРИ НА ГРЕШКА
Нумеричките резултати може да бидат под влијание на повеќе типови на

грешки. На некои извори на грешки е тешко да се влијае; некои може да се
редуцираат или целосно елиминираат, на пример, со преработка на формулите
или со правење на други промени во пресметувачкиот алгоритам. Грешките се
пропагираат од нивните извори до пресметувачките резултати, понекогаш со
значајно засилување или пригушување. Важно е да се прави разлика меѓу
новите грешки продуцирани од пресметувањето на ентитетот и грешките кои се
наследени од податоците од кои ентитетот зависи.
Грешките може да се поделат во неколку групи:
a. Грешки во дадените влезни податоци

Влезните податоци најчесто се резултат на мерења, кои можат да
бидат зафатени со различни типови на грешки. Притоа треба да се
прави разлика меѓу систематска грешка и случајна грешка.
Систематската грешка може да е резултат, на пример, на
недостатоци во конструирањето на инструментите, и таа секогаш е
иста. Случајните грешки зависат од варијации во
експерименталната околина кои не може да се контролираат.
b. Грешки на заокружување во текот на пресметувањата
Грешка на зокружување се појавува секогаш кога некој
ирационален број се скратува на конечен број на децимални места
или кога децималниот дел од бројот се конвертира во бинарен броен
систем во сметачите. Ограничувањето на броевите со подвижна
3
запирка во сметачите води до загуба на информации, кои зависно од

контекстот, се или не се важни. Два типични случаеви се:
1. Ако сметачот не може да работи со броеви кои имаат повеќе,
од на пример, c цифри, тогаш не може да се користи точниот
производ на два c-цифрени броеви (кој има 2c или 2c-1
цифри), туку тој мора да се заокружи;
2. При пресметување со броеви со подвижна запирка, ако
релативно помал број b се собере со a, тогаш некои цифри од
b ќе се изгубат и ќе немаат влијание на идните ентитети кои ќе
зависат од a + b.
Ефектот на ваквите зокружувања може да биде забележлив во
интензивни пресметки или во алгоритам кој нумерички е нестабилен.
c. Грешки на отсекување
Грешки на отсекување настануваат кога даден граничен процес се
прекинува пред да ја достигне граничната вредност. На пример, кога
бесконечна серија се прекинува после конечен број на чекори, или
кога нелинеарна функција се апроксимира со линеарна функција и сл.
d. Поедноставувања во математичкиот модел
Многу често кога се применува математиката во науката се прават
идеални случаеви, кои водат до грешки. Ефектите на овој тип на
грешки е многу тешко да се проценат. Така на пример, во механиката
се претпоставува дека дршката на нишалото има нулта маса, или во
економијата се претпоставува дека ратата на интересот е константна
во даден временски период и сл.
e. Грешки од човечки фактор и машински грешки
Бидејќи нумеричката работа е обемна, може да настанат и грешки од
човечки фактор, на пример, недоразбирања или грешки во рачните
пресметки. Исто така дури и книгите, табелите и формулите може да
содржат грешки. При користење на сметачи, треба да се очекуваат и
грешки во самите програми, грешки при внесувањето на податоците
или многу ретко, и машински грешки. Чисто машински грешки се
одговорни само за мал дел на чудни резултати предизвикани од
сметачите и често се пропратени со голем публицитет. И овие
грешки најчесто зависат од човечки фактор, а може да се редуцираат
со соодветни работни услови и рутини. Стресот и премореноста се
најчести причинители на ваквите грешки. Меѓурезултатите кои може
да ги откријат грешките, често не се видливи кога се користи сметач,
па затоа корисникот мора да ја верификува точноста на своите
резултати или да докаже дека неговиот процес не може да откаже.
Овој тип на грешки понекогаш може да има сериозни последици.
Така на пример, хардверската грешка кај Intel Pentium процесорите
во 1994 година, кога даваа погрешни резултати при делење на броеви
4
со подвижна запирка во одреден облик, предизвика голем

публицитет и парична загуба.
Треба да се прави разлика и меѓу извори на грешка кои може или не

може да се контролираат. Грешките од типот a и d вообичаено не може да се
контролираат во нумеричките пресметки, додека грешките од типот c
вообичаено се контролираат. На пример, може да се избере бројот на итерации
при решавање на алгебарски равенки или големината на чекорот при
симулации, директно или со поставување на толеранција.
Грешките на заокружување во индивидуалните аритметички операции,
кои се изведуваат во сметач, се контролираат до одредена граница, главно со
избор меѓу единечна или двојна прецизност. Понекогаш може да се
контролираат со преработка на формулите или со други промени во
алгоритамот.
Разумна интерпретација на “целосна точност” е кога изворите на
контролирачки грешки не може да ја зголемат грешката во резултатот повеќе од
20%. Понекогаш ваквата точност може да е скапа, во поглед на пресметувачки
капацитет, мемориски простор или програмски напори. Така станува важно и да
се направи релација меѓу саканата точност и факторите на чинење.
1.2 АПСОЛУТНА И РЕЛАТИВНА ГРЕШКА
Најчесто научниците и корисниците треба да се задоволат со

апроксимирани вредности на ентитетите со кои работат. Друг тип на
апроксимација се јавува кога се игнорираат некои ентитети, кои се многу
помали во однос на останатите. Понекогаш тоа е потребно за да математичките
и нумеричките пресметки не станат многу комплицирани.
Дефиниција 1.1 Нека ~x е апрокимирана вредност, чија точна вредност е
x. Тогаш апсолутната грешка во ~ x е:
Δx = ~
x−x (1)
и ако x ≠ 0 тогаш релативната грешка е:
Δx ( ~
x − x)
rx = = (2)
x x
Потребно е да се прави разлика меѓу грешката ~x − x која може да биде

позитивна или негативна, и границата на големината на грешката. Во многу
ситуации потребно е да се пресмета точната или апроксимираната граница на
грешка за апсолутната или релативната грешка. Најчесто доволно е да се
направи проценка на грешка.
5
Најчесто се користи една од двете еквивалентни нотации x = ~

x ± ε или
~
x − x ≤ ε . Кога x е вектор, тогаш апсолутната и релативната грешка се
изразуваат преку норма, како:
~
x−x
~
x−x и (3)
x
Алтернатива е да се користи покомпонентна релативна грешка, што

претпоставува дека xi ≠ 0 за секое i:
~
xi − xi
max (4)
i xi
Потребно е да се прави разлика меѓу точност и прецизност. Под точност

се подразбира апсолутната или релативната грешка на апроксимираниот
ентитет. Под поимот прецизност се подразбира точноста со која се изведуваат
основните аритметички операции.
Доколку нумеричките резултати не се следени со проценка на грешка,
може да се разгледуваат дека имаат несигурност од ½ од единицата во
последното децимално место. Кога се презентираат нумеричките резултати,
може да се дадат објаснувачки забелешки од типот: “Сите дадени цифри се
значајни” или слично.
Потребно е да се направи анализа на апсолутната и релативната грешка
при изведување на елементарните операции, во случај доколку тие се
изведуваат точно. Притоа се дадени апсолутните грешки на два приближни
броеви ~x и ~ x − x и Δy = ~
y , како Δx = ~ y − y.
• Собирање
~
x+~ y = ( x + Δx) + ( y + Δy ) = ( x + y ) + (Δx + Δy ) односно
Δ( x + y ) = Δx + Δy
Δ( x + y ) Δx Δy x y
rx + y = = + = rx + ry
x+ y x+ y x+ y x+ y x+ y
• Одземање
~
x−~ y = ( x + Δx) − ( y + Δy ) = ( x − y ) + (Δx − Δy ) односно
Δ( x − y ) = Δx − Δy
Δ( x − y ) Δx Δy x y
rx − y = = − = rx − ry
x− y x− y x− y x− y x− y
• Множење
~
x~y = ( x + Δx)( y + Δy ) = xy + yΔx + xΔy + ΔxΔy
6
Бидејќи апсолутните грешки Δx и Δy се многу мали, нивниот

производ може да се изостави, па се добива:
Δ( xy ) = yΔx + xΔy
Δ( xy ) yΔx xΔy Δx Δy
rxy = = + = + = rx + ry
xy xy xy x y
• Делење
~
x x + Δx x + Δx 1
~ = = ⋅
y y + Δy y Δy
1+
y
Δy 1
Бидејќи << 1 , со разбивање на во степенски ред, следува:
y Δy
1+
y
x x + Δx ⎛⎜ Δy ⎛ Δy ⎞
~ ⎞ x 1
2
= ⋅ 1 − + ⎜ ⎟ − ... ⎟ = + Δx − x Δy
~y y ⎜ ⎜ ⎟
y ⎝ y ⎠ ⎟ y y y2
⎝ ⎠
⎛ x⎞ 1 x
Δ⎜⎜ ⎟⎟ = Δx − 2 Δy
⎝ y⎠ y y
⎛ x⎞ 1 x
Δ⎜⎜ ⎟⎟ Δx Δy
⎝ y⎠ y y2 Δx Δy
rx = = − = − = rx − ry
y
x x x x y
y y y
Кога се користат сметачи, претпоставката дека основните аритметички

операции се изведуваат точно, повеќе не е точна и во резултатите се јавува
дополнителна грешка, која е резултат на псеудоаритметичките операции кои
сметачите ги изведуваат.
1.3 ЗАОКРУЖУВАЊЕ И ОТСЕКУВАЊЕ
Ако големината на грешката во дадена нумеричка вредност a~ не

1
надминува ⋅10 −t , тогаш се вели дека a~ има t точни децимални места.
2
Цифрите во a~ кои ги заземаат позициите каде единиците се поголеми или
еднакви на 10 −t , се нарекуваат значајни цифри. Притоа кога се определува
бројот на цифри, не се бројат нулите на почетокот на бројот, бидејќи тие само
го одредуваат местото на децималната запирка. Бројот на точни децимални
места дава идеа за големината на апсолутната грешка, додека бројот на значајни
цифри дава идеа за големината на релативната грешка.
7
Пример 1
0.002157 има 6 децимални места, а 4 цифри
0.003245 ± 0.000003 има 5 точни децимални места, а 3 значајни цифри
0.003245 ± 0.000007 има 4 точни децимални места, а 2 значајни цифри
Постојат два начина на заокружување на даден број x на t децимални

места. При отсекување, се врши изоставување на сите децимални места после
t-тото. Но, овој начин не се препорачува многу, бидејќи грешката на
заокружување вообичаено има обратен знак од самиот број, а и големината на
грешката може да е 10 −t .
Вториот начин кој повеќе се користи, заокружување на најблискиот
број, го бира бројот со s децимали, што е поблиску до x. Притоа, ако p е делот
од бројот кој е на десно од s-тото децимално место, тогаш p ги остава s-те
децимални места непроменети ако и само ако p < 0.5 ⋅ 10 − s . Во спротивно, s-
тата децимала се зголемува за 1. Во случај кога x е еднакво оддалечен од два
броеви со s децимали, тогаш s-тата децимала се зголемува за 1 ако таа е непарен
број, остатокот не е нула, а останува непроменета ако таа е парен број. На овој
начин, грешката на заокружување на даден број на s децимални места секогаш е
⎡ 1 1 ⎤
во интервалот ⎢− 10 − s , 10 − s ⎥ и може да е и позитивна или негативна еднакво
⎣ 2 2 ⎦
често.
Пример 2 Следните броеви да се заокружат на три децимални места со

отсекување и со заокружување на најблискиот број.
заокружување на
отсекување
најблискиот број
0.3498 0.349 0.350
-0.3498 -0.349 -0.350
0.49750 0.497 0.498
0.49650 0.496 0.496
0.49654 0.496 0.497
Кога се врши заокружување на нумеричка вредност, добро е да се дадат

повеќе децимални места од бројот на точните. На пример, ако се разгледува
бројот a=0.3236±0.0003, кој има 3 точни децимални места и ако се заокружи на
три децимали се добива бројот 0.324, но, веќе третата децимала не е точна,
бидејќи најмалата можна вредност за a е 0.3233, а најголемата е 0.3239.
8
ВЕЖБИ
1. Издвој неколку сопствени примери за секоја група на грешки кои можат да

се јават во нумеричката работа.
2. Определи колку децимални места, а колку цифри имаат броевите:
a. 0.00034
b. -23.45001
c. -1.00001
d. 0.00001
3. Определи колку точни децимални места, а колку значајни цифри имаат

броевите:
a. 0.004556 ± 0.000002
b. 234.03 ± 0.01
c. -1.00023 ± 0.006
4. Следните броеви да се заокружат на две децимални места со отсекување и

со заокружување на најблискиот број.
a. 3.4565
b. 3.4255
c. 3.4250
d. -0.0152
e. 23.0003
5. Доколку даден број се заокружи со заокружување на најблискиот број на 3

децимални места, определи го интервалот во кој се наоѓа грешката на
заокружување.
9
2 ПРИБЛИЖНО РЕШАВАЊЕ НА РАВЕНКИ СО ЕДНА

НЕПОЗНАТА
Една од главните задачи на нумеричката анализа е приближно решавање

на равенки со една непозната:
f ( x) = 0 (1)
kаде f(x) е непрекината на интервалот [a,b]. Се претпоставува дека сите корени

на равенката (1) во интервалот [a,b] се изолирани, т.е. ако f(x0)=0 за x0∈[a,b],
тогаш постои околина на x0 во која нема други корени.
Во ова поглавје се претставени четири методи за решавање на равенки со
една непозната: метода на бисекција, методата на повторување, Њутн-
Рафсонова метода и метода на секанти.
2.1 МЕТОДА НА БИСЕКЦИЈА
Наједноставна од сите овие методи е методата на бисекција (метода на

преполовување). Методата на бисекција многу бавно конвергира и затоа се
користи повеќе за изолирање и грубо приближување на некој корен, отколку за
негово уточнување. Следната теорема го обезбедува успехот на оваа метода.
Теорема 2.1 Ако функцијата f(x) е непрекината на интервалот [a,b] тогаш

за секое y помеѓу f(a) и f(b), постои број c∈[a,b] таков што f(c)=y.
Како резултат на оваа теорема се јавува следната последица.
Последица 2.2 Ако функцијата f(x) е непрекината на интервалот [a,b] и

ако f(a)f(b)<0, тогаш постои реален број c∈[a,b] таков што f(c)=0.
Непрекинатоста на функцијата е неопходен услов за примена на оваа

теорема и последица, бидејќи и постоење на само една точка на прекин, може
да не даде резултат.
10
1
Пример 1. Функцијата f ( x) = е прекината во 0. Ако 0∈[a,b], и иако
x
вториот услов од Последица 2.1 е задоволен, не постои c∈[a,b] таков што f(c)=0.
Методата на бисекција се состои во следното. Нека функцијата f(x) е

непрекината на интервалот [a,b] и нека f(a)f(b)<0. Тогаш според Последица 2.2
a+b
постои реален број c∈[a,b] таков што f(c)=0. Се зема c = и ако f(c)=0,
2
a+b
тогаш c = е бараниот корен. Ако f(c)≠0, тогаш се зема една од следните
2
опции:
1. f(a), f(c) имаат различни знаци, па се бира интервалот [a, c] како

[a1,b1];
2. f(c), f(b) имаат различни знаци, па се бира интервалот [c, b] како
[a1,b1].
На ист начин се прави бисекција на новиот интервал [a1, b1]. Постапката

продолжува и притоа се добиваат интервалите [a2, b2], …, [an, bn], …, при што
f(aн)f(bн)<0 и
b−a
bn − a n = n
2
Тогаш постои ξ = lim a n = lim bn и f (ξ ) = 0 . Оценката на оваа метода е
n→∞ n →∞
дадена во Теорема 2.3.
Теорема 2.3 Ако функцијата f(x) е непрекината на интервалот [a,b] таква

што f(a)f(b)<0 и ако низата (xn) се добива со методата на бисекција, тогаш
b−a
ξ − xn+ 2 ≤ n .
2
Слика 2.1Графички приказ на методата на бисекција
11
Оваа метода може секогаш практично да се примени, а и лесно се

програмира во било кој програмски јазик. Недостаток е што често мора да се
земат многу интервали за да се добие добра апроксимација на коренот ξ. Оваа
метода лесно се ислустрира и графички (Слика 2.1).
Пример 2 Со помош на методата на бисекција да се најде приближната

вредност на коренот на равенката x 3 + x 2 − 5 = 0 што се наоѓа во интервалот
[1,2] со точност 0.1.
Јасно се гледа дека функцијата f ( x) = x 3 + x 2 − 5 е непрекината на

интервалот [1,2] и дека f(1)f(2)<0. Исполнети се условите од Последица1.1, па
може да се примени методата на бисекција (Табела 2.1).
Табела 2.1
b−a
a b c f(a) f(b) f(c)
2
1 2 1.5 -3 7 0.6250 0.5
1 1.5 1.25 -3 0.6250 -1.4844 0.25
1.25 1.5 1.375 -1.4844 0.6250 -0.5098 0.125
1.375 1.5 1.4375 -0.5098 0.6250 0.0369 0.0625
Во четвртиот чекор се добива дека точноста е помала од бараната

точност 0.1, и овде постапката се прекинува. Вредноста 1.4375 се зема за корен
на равенката со точност 0.1.
При компјутерската имплементација на оваа метода може да се појават

одредени проблеми. Бидејќи не може да се направи програмска функција која
ќе враќа дали дадена функција која не е позната е непрекината, може да се
случи испитуваната функција да има прекини во дадениот интервал и тогаш
при изведувањето на методата на бисекција, може да се дојде до интервали со
должини помали од прецизноста на сметачот, при што, средната точка ќе се
совпадне со некој од краевите на интервалот и постапката ќе се изведува
бесконечно. Или може да се случи самиот корен на дадена функција да не може
да се престави со сметачката меморија. Добро имплементирана верзија на
методата на бисекција ќе ја провери должината на влезниот интервал, и ќе се
откаже ако должината е премногу мала, во споредба со прецизноста на
сметачот. При програмирањето, условот f(a)f(b)<0, многу подобро е да се
замени со условот sign(f(a))*sign(f(b))<0, бидејќи |f(a)| и |f(b)| може да имаат
многу мали вредности, па производот f(a)f(b) може да биде премногу мал за да
се престави со компјутер и ова да предизвика некое несакано однесување.
Една имплементација на методата на бисекција е прикажана на Слика
2.2.
12
function [c] = Bisekcija(f,a,b,xt,yt)

% Funkcijata Bisekcija(a,b,xt,yt) naoga koren c na dadena funkcija f
% so edna promenliva. Funkcijata f treba da e neprekinata na intervalot
% [a, b], xt e najmalata dolzina za ispituvaniot interval, a yt e
% tocnosta so koja treba da se opredeli korenot c
ff=str2func(f);
fa=ff(a);
fb=ff(b);
if sign(fa)*sign(fb)>0
disp('Ne e ispolnet uslovot za primena na ovaa metoda')
else if sign(fa)*sign(fb)==0
if fa==0
c=a;
else
c=b;
end
else
c=(a+b)/2;
while ((b-a>2*xt) & (abs(ff(c))>=yt))
fc=ff(c);
if sign(fa)*sign(fc)<0
b=c;
fb=fc;
c=(a+c)/2;
else
a=c;
fa=fc;
c=(c+b)/2;
end
end
end
end
Слика 2.2 Имплементација на методата на бисекција во Матлаб
2.2 МЕТОДА НА ПОВТОРУВАЊЕ
Кај методата на повторување или метода на последователни

приближувања наместо равенката f ( x) = 0 , се разгледува еквивалентната
равенка ( f ( x) = x − F ( x) ):
x = F (x) (2)
Геометриски, решенијата на равенката (2) преставуваат апсцисите на

пресечните точки на функцијата y=F(x) и правата y=x (Слика 2.3).
Методата на повторување се состои во следното, најпрво се бира почетна
вредност x0, а потоа новите апроксимации се конструираат со:
x n +1 = F ( x n ) (3)
13
y=x
y y=F(x)
a x0 x1 ξ b x
Слика 2.3 Графички приказ на методата на повторување
Конвергенцијата на методата на повторување е обезбедена со следната

теорема и последица:
Теорема 2.4 Нека е дадена реална функцијата F:[a,b] → [a,b]. Ако постои
реален број L, 0<L<1, таков што:
(∀x, y ∈ [a, b]) F ( x) − F ( y ) ≤ L x − y (4)
тогаш равенката x = F (x) има едно единствено решение ξ во интервалот [a,b] и

тоа решение преставува лимес на низата (xn): x n +1 = F ( x n ) .
Последица 2.5 Нека функцијата F: [a,b] → [a,b] е диференцијабилна на

интервалот [a,b] и нека F ' ( x) ≤ L < 1, (∀x ∈ [a, b]) , тогаш равенката x = F (x) има
едно единствено решение ξ во интервалот [a,b] и тоа решение преставува лимес
на низата (xn): x n +1 = F ( x n ) .
Условот (4) се нарекува Lipshitz-ов услов. Со математичка индукција се

покажува дека x n +1 − x n ≤ Ln x1 − x0 . Нека сега n е фиксирано и m>n. Нека
важат условите од Теорема 2.4 односно од Последица 2.5, тогаш:
x m − x n = ( x m − x m −1 ) + ( x m −1 − x m − 2 ) + ... + ( x n +1 − x n )
па следува:
x m − x n ≤ x m − x m −1 + x m −1 − x m − 2 + ... + x n +1 − x n
≤ ( Lm −1 + ... + Ln ) x1 − x0
14
Ln x1 − x0
≤ Ln (1 + L + L2 + ...+ ) x1 − x 0 =
1− L
Ако m → ∞ тогаш x m → ξ , каде ξ е корен на равенката (2). Оттука се добива:

Ln
ξ − xn ≤ x1 − x0 (5)
1− L
Исто така важи и:

L
ξ − xn ≤ x n − x n −1 (6)
1− L
Пример 3 Со помош на методата на повторување да се определи коренот

на равенката 2 x − x 2 + 1 = 0 со точност 10-3.
Оваа равенка може да се замени со еквивалентната равенка
1 2 1 2
x= x + 1 , од каде F ( x) = x + 1 . За првиот извод се добива:
2 2
x x2 +1 1
F ' ( x) = < =
2 x2 +1 2 x2 +1 2
Оттука се добива дека F(x) ги задоволува условите од Последица 2.5 кога

како интервал се земе R, па за почетна точка може да се земе било кој реален
1
број, на пример x0=0. Вредноста L = , a итерациите се претставени во Табела
2
2.2. Бараната точност се постигнува во 5-тиот чекор, бараната апроксимација е
0.5571.
Табела 2.2
L
n xn x n − x n −1
1− L
0 0
1 0.5 0.5000
2 0.5590 0.0590
3 0.5728 0.0138
4 0.5762 0.0034
5 0.5771 0.0008
Во случај кога F ' ( x) > 1 , низата (xn): x n +1 = F ( x n ) е дивергентна дури и

во случај кога равенката (2) има решение (Слика 2.4). Кога 0 ≤ F ' ( x) < 1 тогаш
итерираната низа (xn) е монотона, а кога − 1 < F ' ( x) ≤ 0 итерираната низа (xn)
15
осцилира околу коренот. Во случај кога низата осцилира, покрај оценката (6),
треба да се користи и оценката:
ξ − x n ≤ x n − x n −1 (7)
Оценката (7) може да се користи и кога низата не осцилира, но само ако
1
0<L≤ .
2
а) б)
Слика 2.4 Графички приказ на дивергенцијата на методата на повторување
Оваа метода самата "си врши исправки", бидејќи ако при некој чекор се
направи грешка, која не излегува надвор од почетниот интервал, оваа грешка не
влијае на крајниот резултат. Причина за тоа е што секоја точка од интервалот
може да се земе за почетна точка.
Една имплементација на методата на повторување е дадена на Слика 2.5.
function [n, x] = Povtori(f,x0,L,N,tol)

% Funkcijata Povtori(f,x0,N,tol) naoga koren x na dadena funkcija f
% so edna promenliva, a go vraka i redniot broj n na iteracijata.
% x0 e pocetnata tocka, L e vrednosta od Lipsicoviot uslov
% N e maksimalniot broj na iteracii, a tol tocnosta so koja treba da se opredeli korenot x
F=str2func(f);
x=x0; n=0;
najdi=0;
while ((n<=N) & (najdi==0))
fx=F(x);
e=abs(fx-x)*L/(1-L);
n=n+1;
x=fx;
if e<tol
najdi=1;
end
end
Слика 2.5 Имплементација на методата на повторување во Матлаб
16
2.3 ЊУТН-РАФСОНОВА МЕТОДА
Њутн-Рафсоновата метода (Newton-Raphson) спаѓа во групата на

итеративни методи. Нека функцијата f(x) е диференцијалбилна на интервалот
[a,b], нека f’(x)≠0 за секој x∈[a,b] и нека равенката f ( x) = 0 има единствено
решение ξ во интервалот [a,b]. Њутн-Рафсоновата метода почнува од почетно
решение x0 и секое наредно решение се добива со равенката:
f ( xn )
x n +1 = x n − , n = 0,1,2,... (8)
f ' ( xn )
Оваа метода се нарекува уште и метода на тангенти, бидејќи еден

начин да се добие равенката (8), е преку равенка за тангента. Нека x0=a, тогаш
равенката на тангентата на кривата y=f(x) во точката (x0, f(x0)) е:
Y − f ( x0 ) = f ' ( x 0 )( X − x0 ) (9)
Со ставање Y=0 во (9) се наоѓа нејзината пресечна точка со x-оската:
f ( x0 )
X = x0 −
f ' ( x0 )
и новата вредност X=x1 се зема за прво приближување на коренот ξ. Потоа се

повлекува тангента на кривата y=f(x) во точката (x1, f(x1)) и се наоѓа нејзината
пресечна точка x2 со x-оската што преставува второ приближување на коренот
ξ. (n+1) приближување се наоѓа по равенката (8). Оваа метода графички може
да се престави како на Слика 2.6.
Слика 2.6 Графички приказ на Њутн-Рафсоновата метода
17
Њутн-Рафсоновата метода кога конвергира има т.н. квадратна

конвергенција, поради што со оваа метода многу бргу се стигнува до
приближно решение со саканата точност. Тоа значи дека ако грешката е дадена
2
со ek = x k − ξ , тогаш ek +1 ≤ C ek . Оценката на грешката на оваа метода е
дадена со ξ − x n ≤ x n − x n −1 . Следните две теореми ги даваат условите кои
обезбедуваат конвергенција на Њутн-Рафсоновата метода.
Теорема 2.6 Нека функцијата f(x) има непрекинат втор извод на
интервалот [a,b] и ги има следните својства:
(i) f(a)f(b)<0;
(ii) f'(x)≠0 за секое x∈[a,b];
(iii) f''(x) не го менува знакот на [a,b]; и
(iv) Двете неравенки f (a ) ≤ (b − a ) f ' (a ) и f (b) ≤ (b − a ) f ' (b) важат.
Тогаш Њутн-Рафсоновата метода конвергира кон единственото решение
на равенката f ( x) = 0 за секое x0∈ [a,b].
Теорема 2.7 Нека функцијата f(x) има следните својства на интервалот

[a,b]:
(i) f(a)f(b)<0;
(ii) f(x) има непрекинат втор извод на интервалот [a,b]; и
(iii) f'(x) и f''(x) не го менуваат знакот и не се анулираат на [a,b].
Тогаш Њутн-Рафсоновата метода конвергира кон единственото решение
на равенката f ( x) = 0 доколку за почетно решение се избере оној крај од
интервалот [a,b], за кој важи f ( x0 ) ⋅ f " ( x0 ) > 0 .
Пример 3. Со помош на Њутн-Рафсоновата метода да се најде

приближната вредност на коренот на равенката x 3 − 2 x 2 + x − 3 = 0 што се наоѓа
во интервалот [2, 4] со точност 10-5.
Функцијата f ( x) = x 3 − 2 x 2 + x − 3 има непрекинат втор извод на

интервалот [2,4], f ' ( x) = 3x 2 − 4 x + 1 и f " ( x) = 6 x − 4 .
(i) f(2)f(4) = (-1)⋅33=-33<0
(ii) f'(x)≠0 за секое x∈[2, 4];
(iii) f " ( x) > 0 за секое x∈[2, 4]; и
(iv) f (a ) ≤ (b − a ) f ' (a ) или 1 ≤ 2⋅5 и
f (b) ≤ (b − a ) f ' (b) или 33 ≤ 2⋅66
Исполнети се условите од Теорема 2.6, па Њутн-Рафсоновата метода
конвергира кон единственото решение на равенката f ( x) = 0 за секое x0∈ [2, 4].
Со замена во (8) се добива следната равенка:
18
2 x n3 − 2 x n2 + 3
x n +1 =
3x n2 − 4 x n + 1
Итерациите за почетно речение 2 се преставени во Табела 2.3 и притоа

може да се види дека уште во 4-тиот чекор се добива точност помала од 10-5, па
вредноста 2.17455941029299 се зема за приближно решение на дадената
равенка со точност 10-5.
Табела 2.3
n xn x n − x n −1
0 2
1 2.2 0.2
2 2.175 0.025
3 2.17455954558583 0.00044045441417
4 2.17455941029299 0.00000013529284
Една имплементација на Њутн-Рафсоновата метода е прикажана на

Слика 2.7. Функцијата f(x) мора да биде непрекината и диференцијабилна, со
познат прв извод, а и почетната точка мора да биде добро избрана, бидејќи и од
нејзиниот избор зависи успехот на оваа метода.
function [n, x] = NR(f,fprv,x0,N,tol)

% Funkcijata NR(f,fprv,x0,N,tol) naoga koren x na dadena funkcija f
% fprv e prviot izvod na funkcijata f, x0 e pocetnata tocka,
% N e maksimalniot broj na iteracii, a tol tocnosta so koja treba da se
% opredeli korenot x
F=str2func(f);
Fprv=str2func(fprv);
xs=x0;
n=0;
najdi=0;
fx=F(xs);
fpx=Fprv(xs);
x=xs-fx/fpx;
n=n+1;
if abs(x-xs)<tol
najdi=1;
end
xs=x;
end
Слика 2.7 Имплементација на Њутн-Рафсоновата метода во Матлаб
19
2.3.1 Некои примени на Њутн-Рафсоновата метода

Њутн-Рафсоновата метода наоѓа широка примена, на пример, за
пресметување квадратни корени и к-ти корени, наоѓање реципрочни вредности
без делење и сл.
Пресметување квадратни корени. Нека c е даден позитивен број и треба
да се определи c . За таа цел се наоѓа корен на равенката f ( x) = x 2 − c = 0 .
Претпоставките од Теорема 2.6 се исполнети за функцијата f(x) на интервалот
[a,b], 0 < a < c < b , па за равенката (8) се добива:
x n2 − c 1 ⎛ c ⎞
x n +1 = x n − = ⎜⎜ x n + ⎟⎟ (10)
2 xn 2⎝ xn ⎠
и низата (xn) конвергира кон c.
Пресметување к-ти корени. Нека c е даден позитивен број, а к е

природен број поголем од 1, тогаш може да се определи k c . За таа цел се наоѓа
корен на равенката f ( x) = x k − c = 0 . Претпоставките од Теорема 2.6 се
исполнети за функцијата f(x) е на интервалот [a,b], 0 < a < k c < b , па за
равенката (8) се добива:
x nk − c ⎛ 1 ⎞ 1
x n +1 = x n − k −1
= ⎜1 − ⎟ x n + cx1n− k (11)
kx n ⎝ k⎠ k
и низата (xn) конвергира кон k c .
Пресметување реципрочни вредности без делење. Нека c е даден
позитивен број, тогаш може да се определи 1/c. За таа цел се наоѓа корен на
1 1 2
равенката f ( x) = − c = 0 . За x>0 важи f ' ( x) = − 2 < 0 и f " ( x) = 3 > 0 , па за
x x x
1
секој интервал [a,b], 0 < a < < b има f(a)>0 и f(b)<0. Оттука претпоставките од
c
Теорема 2.6 се исполнети и за равенката (8) се добива:
1
−c
xn
x n +1 = x n − = x n (2 − cx n ) (12)
1
− 2
xn
1
Почнувајќи од x0=a, низата (xn) конвергира кон . Последната формула не
c
користи делење, туку само множење и одземање.
20
Пример 4. Со помош на Њутн-Рафсоновата метода и x0=0.1, да се

определи 1/9 без делење.
Користејќи го равенството (12) се добива xn+1=xn(2-9xn). Проверката за

точноста може да се направи со проверка колку 2-9xn е блиску до 1.Со помош
на оваа равенка се добиваат итерациите прикажани во Табела 2.4 и може да се
види дека веќе во третата итерација се добива доволно голема точност.
Табела 2.4
n xn 2-9xn
0 0.1 1.1
1 0.11 1.01
2 0.1111 1.0001
3 0.11111111 1.00000001
2.3.2 Проблеми
Конвергенцијата на Њутн-Рафсоновата метода зависи од природата на
f(x) и од почетната вредност x0. Притоа може да се појават проблеми доколку не
се задоволени условите на Теорема 2.6 или Теорема 2.7, кои ќе ги ислустрираме
со следните примери.
Пример 5. Со помош на Њутн-Рафсоновата метода да се најде коренот на

равенката x j = 0 за j>0 и x0 ≠ 0.
Јасно е дека функцијата f ( x) = x j има единствен корен 0. Оваа функција

не ги задоволува сите услови од Теорема 2.6 ((ii) и (iii)), но ако ја примениме
Њутн-Рафсоновата метода имаме:
x nj ⎛ 1⎞
x n +1 = x n + j −1
= ⎜⎜1 − ⎟⎟ x k
jx n ⎝ j⎠
Иако постои конвергенција кон коренот 0, оваа конвергенција е многу

бавна, што не е својствено за оваа метода. Во секој чекор има постојано
⎛ 1⎞
намалување ⎜⎜1 − ⎟⎟ , што е голем број кога j е големо.
⎝ j⎠

ln x
равенката = 0 со почетна вредност x0 = 3.
x
21
Јасно е дека функцијата f (x) има единствен корен 1 и е непрекината во

+
R . Избраната почетна вредност не е многу далеку од коренот. Доколку се
разгледа првиот извод:
1
x ⋅ − ln x
x 1 − ln x
f ' ( x) = 2
=
x x2
може да се види дека од x > e1 , имаме 1 − ln x < 0 , од каде f ' ( x) < 0 . Од друга
страна за x>1, f ( x) > 0 . Па доколку се формираат итерациите, се добива:
f ( xn )
x n +1 = x x − > xn
f ' ( xn )
односно новодобиените итерации се оддалечуваат од коренот 1.

равенката sin( x) = 0 и x0 ≠ 0, каде x0 ја има особината 2 x0 = tan x0 .
Постојат бесконечно такви почетни вредности кои го задоволуваат

бараниот услов. За првата итерација x1 се добива:
f ( x0 ) sin( x0 )
x1 = x0 − = x0 − = x0 − tan( x 0 ) = x 0 − 2 x0 = − x 0
f ' ( x0 ) cos( x0 )
Додека за втората итерација x2 се добива:
f ( x1 ) sin( − x0 ) sin( x0 )
x 2 = x1 − = − x0 − = − x0 + = − x 0 + tan( x 0 ) = − x0 + 2 x 0 = x0
f ' ( x1 ) cos(− x0 ) cos( x 0 )
Односно се добива дека Њутн-Рафсоновата метода циклира меѓу двете

вредности x0 и - x0.
2.4 МЕТОДА НА СЕКАНТИ
Методата на секанти или regula falsi е една од најстарите методи за

решавање на равенки од тип (1) и се користи за уточнување на приближен
корен кој веќе е издвоен во даден интервал [a,b]. Оваа метода преставува
модификација на Њутн-Рафсоновата методa, но, со помала брзина на
конвергенција и наместо познати изводи користи нивна апроксимација со
22
вредности на испитуваната функција. Притоа тангентата во точката (xn, f(xn)) се

заменува со секанта што минува низ точките (xn-1, f(xn-1)) и (xn, f(xn)), односно
f'(xn) се заменува со вредноста:
f ( x n ) − f ( x n −1 )
x n − x n −1
Оттука xn+1 е корен на равенката на секантата:
f ( x n ) − f ( x n −1 )
( x − xn ) = y − f ( xn )
x n − x n −1
Бидејќи y=0 се добива равенството (13):
f ( x n ) − f ( x n −1 )
( x n +1 − x n ) = − f ( x n )
x n − x n −1
⎛ x n − x n −1 ⎞
x n +1 = x n − ⎜⎜ ⎟⎟ f ( x n ) (13)
⎝ f ( x n ) − f ( x n −1 ) ⎠
Геометриски новите вредности на методата на секанти се добиваат во

пресекот на секантата, што минува во претходните две вредности со x-оската
(Слика 2.8).
Слика 2.8 Графички приказ на методата на секанти
23
За оценка на грешката се ξ − x n ≤ x n − x n −1 . Една

користи
имплементација на методата на секанти е дадена на Слика 2.9. Притоа мора да
се внимава на изборот на интервалот [a, b], односно мора да биде задоволен
условот f(a)f(b)<0.
function [n, x] = Sekanti(f,a,b,N,tol)

% Funkcijata Sekanti(f,a,b,N,tol) naoga koren x na dadena funkcija f
% [a, b] e dadeniot interval,
% N e maksimalniot broj na iteracii, a tol tocnosta so koja treba da se
% opredeli korenot x
F=str2func(f);
n=0;
xs=a; fxs=F(xs);
x=b; fx=F(x);
najdi=0;
if sign(fx)*sign(fxs)>=0
disp('Ne e ispolnet uslovot za primena na ovaa metoda')
else
if abs(x-xs)<tol
najdi=1;
else
fpx=(fx-fxs)/(x-xs);
xs=x; fxs=fx;
x=x-fx/fpx;
fx=F(x);
n=n+1;
end
end
end
Слика 2.9 Имплементација на методата на секанти во Матлаб
Пример 8. Со помош на методата на секанти да се најде приближната

вредност на коренот на равенката x 3 − 2 x 2 + x − 3 = 0 што се наоѓа во
интервалот [2,4] со точност 10-5.
Табела 2.5
n xn xn+1 x n +1 − x n
0 2 4 2
1 4 2.05882352941176 1.94117647058824
2 2.05882352941176 2.09868421052632 0.03986068111455
3 2.09868421052632 2.18129365365462 0.08260944312831
4 2.18129365365462 2.17419113372366 0.00710251993096
5 2.17419113372366 2.17455768629924 0.00036655257558
6 2.17455768629924 2.17455941073575 0.00000172443651
24
Задачата е иста со Пример 3 и може да се види дека овде се доаѓа до

коренот со саканата точност дури во 6-тиот чекор (Табела 2.5), за разлика од 4-
те чекори кај Њутн-Рафсоновата метода. Приближното решение со бараната
точност 10-5 е 2.17455941073575.
Конвергенцијата на методата на секанти зависи од природата на f(x) и од

изборот на интервалот [a,b]. Притоа може да се појават проблеми, доколку не е
исполнет условот f(a)f(b)<0, како во Пример 9.
Пример 9. Со помош на методата на секанти да се најде приближната

1
вредност на коренот на равенката − 1 = 0 во интервалот [-1,1] со
0.5 + x 2
точност 10-5.
Лесно се гледа дека f(a)=f(b), па оттука секантата е хоризонтална линија
и x2 не е дефинирана.
ВЕЖБИ
1. Со помош на методата на бисекција да се најде коренот на равенката

x − 2 x 2 − 4 = 0 што се наоѓа во интервалот [2,3] со точност 0.01.
2. Со помош на методата на повторување да се определи коренот на равенката
e − x − 2 x = 0 кој се наоѓа во интервалот [0, 1], со точност 10-3.
3. Со помош на Њутн-Рафсоновата метода и x0=0.3, да се определи 1/3 без
делење.
4. Со помош на Њутн-Рафсоновата метода и x0=3, да се определи 10 со
5. Со помош на Њутн-Рафсоновата метода и x0=2, да се определи 3 9 со
6. Со помош на Њутн-Рафсоновата метода да се најде приближната вредност
на коренот на равенката 0.1x 2 − x ln x = 0 што се наоѓа во интервалот [1,2] со
7. Со помош на методата на секанти да се најде коренот на равенката
x x + 2 x = 6 што се наоѓа во интервалот [1,2] со точност 0.001.
8. Формирај m фајл KvadratenKoren за наоѓање на квадратен корен со помош
на Њутн-Рафсоновата метода.
9. Формирај m фајл Reciprocen за наоѓање на реципрочна вредност на даден
број со помош на Њутн-Рафсоновата метода, без користење на делење.
25
3 ИНТЕРПОЛАЦИЈА
Проблемот на интерполација, во најширока смисла на зборот, се сведува

на замена или апроксимација на една функција f(x) со друга "позгодна" или
"посоодветна" функција g(x)
f(x) ≅ g(x)
Како главни мотиви за една ваква манипулација може да се наведат:

• замената на f(x), при претпоставка дека таа е тешка за пресметување
односно неманипулативна, со попроста и поманипулативна функција
g(x). На пример, функциите sin(x), cos(x), ln(x) и други се пресметуваат
со нивна апроксимација со конечен степенски ред.
• во случаите кога f(x) не е зададена аналитички, а нејзините вредности
се дефинирани само за едно конечно множество на аргументи xi (i = 0,
1, 2,..., n)
i 0 1 2 . . . n
аргумент - xi x0 x1 x2 . . . xn
функција - f(xi) f(x0) f(x1) f(x2) . . . f(xn)
Точките xi (i = 0, 1, 2, ..., n) се викаат јазли на интерполацијата.

За вредности на аргументот, различни од јазлите (x ≠ xi), потребно е
функцијата f(x) да биде апроксимирана со некоја (релативно) попроста функција
g(x).
Во општ случај единствената информација за f(x) е содржана во
јазловите точки xi (i = 0, 1, 2,..., n). Нејзиниот аналитички израз не е познат, но
понекогаш се познати (или се усвојуваат) некои својства на f(x), на пример дека
во некој интервал a ≤ x ≤ b, f(x) е непрекината, диференцијабилна и т.н. Дури и
вредностите на функцијата во јазлите (f(x0), f(x1), ..., f(xn)) можат да бидат
апроксимации, што е редовен случај при експерименталните мерења.
Синтезата на апроксимационата функција g(x), што ја апроксимира
оригиналната (но, аналитички не дефинирана) функција f(x) зависи од повеќе
фактори:
26
• познавањето на особините на f(x);

• изворот и точноста на вредностите на f(x) во дадените јазли;
• намената на g(x);
• бараната точност на апроксимацијата.
Во реалните задачи на интерполацијата доверливоста на вредностите на

функцијата f(x) во јазлите е еден од најважните услови. На пример, бесмислено
е g(x) да дава апроксимација со четири важечки цифри, ако самите f(xi), (i = 0, 1,
2, ..., n), се со точност од две важечки цифри. Дури и таблично дадените
вредности на "познати" функции - тригонометриски, Беселови, гама и т.н., се
само апроксимации, поради користењето на конечен број важечки цифри за
нивното пресметување и презентирање. Понекогаш g(x) не се користи за
"чиста" интерполација, туку со неа се вршат понатамошни манипулации, на
пример:
b b
∫ f ( x)dx ≅ ∫ g ( x)dx
a a
очигледно дека во овој случај g(x) треба да биде лесна за интегрирање.

Како во сите нумерички методи, определувањето на грешката при
интерполацијата е од особена важност. Ако f(x) не е прецизно дефинирана,
невозможно е да се определи грешката при нејзината апроксимација со g(x).
Најчесто се определува редот на големината на грешката врз основа на некои
основани претпоставки за особините на f(x):
• глаткост
• монотоност
• диференцијабилност
Единствено ако f(x) е аналитички дефинирана може да се определи

горната граница на грешката.
3.1 АПРОКСИМАЦИОНИ ФУНКЦИИ
Најчесто апроксимационата функција g(x) е линеарна комбинација од

поедноставни функции што припаѓаат на дадена класа на функции.
n
g(x) = a0 g0(x) + a1 g1(x) + a2 g2(x) + ... + an gn(x) = ∑a i ⋅ g i (x ) (1)
i =0
27
Во најголем број на случаи се користат некои од следниве видови на

класи за gi(x):
• мономи, gi(x) = xi, (i = 0, 1, 2, ..., n);

• тригонометриски функции, gi(x) = sin kx (cos kx), (k = 0, 1, 2,...,n);
• експоненцијални функции, gi(x) = e bi x , (i = 0, 1, 2,..., n).
На овој начин gi(x) се претставува како линеарна комбинација на мономи

(полиноми), фуриеви функции, експоненцијални функции и т.н.
n
f ( x ) ≅ g ( x ) = ∑ ai ⋅ x i
i =0
n n
f ( x ) ≅ g ( x ) = a 0 + ∑ a k ⋅ cos(kx ) + ∑ bk ⋅ sin (kx ) (2)
k =1 k =1
n
f ( x ) ≅ g ( x ) = ∑ ai ⋅ e bi x
i =0
Иако поретко, во некои проблеми со особен успех се користат

рационалните функции.
Од сите напред спомнати функции, најголема популарност и примена
имаат алгебарските полиноми. Причините за тоа се што:
1. теоријата на полиномна апроксимација е добро развиена и релативно

едноставна;
2. вредностите на полиномите лесно се пресметуваат;
3. збир, разлика и производ на два полинома пак е полином;
4. полиномите лесно се диференцираат и интегрираат а резултатот пак е
полином;
5. ако се изврши транслација на координатниот почеток, апроксимационата
функција и во новиот координатен систем пак е полином;
6. ако аргументот x се "скалира" односно се помножи со скалар, пак
апроксимационата функција останува полином;
7. многу функции што наоѓаат примена како апроксимациони функции и
самите се апроксимираат со полином.
Некои од овие, иако не сите, особини ги поседуваат и фуриевите

апроксимации.
Фактот што, секоја непрекината функција f(x) може да се апроксимира со
било кој сакан степен на точност на даден затворен интервал со некој полином
pn(x), е причина за големата употреба на алгебарските полиноми како
28
апроксимациони функции. Овој факт е директна последица на теоремата на

Weierstrass која гласи:
Теорема 3.1 Ако f(x) е непрекината на интервалот [a,b] (a ≤ x ≤ b), тогаш

за произволно ε > 0, постои полином pn(x) од степен n = n(ε), таков да е
исполнето:
⎜f(x) − pn(x) ⎜< ε за (a ≤ x ≤ b)
Фуриевите функции (Fourier) обично се користат за апроксимација на

периодични функции. Функциите со експоненцијален карактер се
апроксимираат со линеарни комбинации од експоненцијални функции.
3.2 КРИТЕРИУМИ ЗА ПОЛИНОМНА АПРОКСИМАЦИЈА
При полиномната апроксимација
n
f (x ) ≅ p n (x ) = ∑ ai ⋅ x i (3)
i =0
потребно е да се определат коефициентите ai, (i = 0, 1, 2,..., n) на

апроксимациониот полином. Овие коефициенти може да се определат врз
основа на познатите вредности xi и f(xi), (i = 0, 1, 2, ..., n) врз основа на
претходно дефинирани критериуми.
Критериум 1 : Интерполационен полином
Дадено - xi , f(xi) (i = 0, 1, 2, ..., n)

Коефициентите ai се определуваат од условот:
pn(xi) = f(xi), (i = 0, 1, 2, ..., n)
Со други зборови полиномот од n-ти ред pn(x) мора точно да ја
репродуцира функцијата f(x) во (n+1) точка xi (i = 0, 1, 2, ..., n).
Очигледно е дека примената на овој критериум не ја гарантира точноста
на апроксимацијата за x ≠ xi. Таа е гарантирана само во јазлите на
интерполацијата (Слика 3.1).
29
Слика 3.1 Интерполационен полином
Единственоста на еден вака непрекинат апроксимационен полином се

темели врз една фундаментална теорема од алгебрата која гласи:
Теорема 3.2 Нека P ( x) = x n + a n −1 x n −1 + ... + a1 x + a 0 е полином од n-ти

степен со комплексни коефициенти. Равенката P ( x) = 0 има n комплексни
решенија α 1 , α 2 ,..., α n (не мора различни) и P ( x) = ( x − α 1 )( x − α 2 )...( x − α n ) .
Критериум 2 : Полином на најмали квадрати
Слика 3.2 Полином на најмали квадрати
Претходно дефинираниот критериум нема многу смисол ако точноста на

f(xi), (i = 0, 1, 2, ..., n) е мала (чест случај со експерименталните мерења).
30
Во ваков случај доволна е и апроксимација со полином од степен m< n.

Во таков случај критериумот 1 не може да се примени, а при тоа да се користат
сите (n+1) точка.
Во ваква ситуација има место за следниов критериум: pm(x) да се
"вклопи" (вметне) во податоците (xi, f(xi)) колку е можно подобро.
Една од најпопуларните мерки за "колку е можно подобро - поблиску" е
принципот на најмали квадрати: (n + 1) вредност на функцијата f(x) се
"вклопуваат" во еден полином pm(x) (m < n) врз основа на исполнување на
условот - сумата на квадратите на разликите помеѓу f(xi) и pm(xi) да биде
минимална (Слика 3.2).
2
n n n ⎡m ⎤
E = ∑ δ = ∑ [ p m ( xi ) − f ( xi )] = ∑ ⎢∑ a j ⋅ xij − f ( xi )⎥ (4)
2 2
i
i =0 i =0 i =0 ⎣ j =0 ⎦
Е → min
За m = n очигледно дека E = 0 па критериумот 2 е идентичен со

критериумот 1.
Ако вредностите на f(xi) се со нееднаква доверливост или точност, може
да се воведат додатни фактори w(xi) како мерка на доверливоста па овој
критериум добива облик:
n
E = ∑ w( xi ) ⋅ δ i2 (5)
i =0
Критериум 3 : Minmax полином
Претходниот критериум се стреми да ја минимизира вкупната (средна)

грешка (отстапување). Понекогаш, подобро е да се минимизира максималната
грешка, па така се доаѓа до следниот критериум:
maxi ⎜f(xi) − pm(xi) ⎜ → min , (i = 0, 1, 2, ..., n), (m < n)
Може да се покаже дека за ваква намена, ортогоналните полиноми на

Чебишев се многу погодни.
Критериум 4 : Број на членови во степенски ред
Секоја функција f(x) што е непрекината и диференцијабилна може да се

развие во степенски Тајлоров ред. Услов за тоа е f(x) да поседува (n + 1)
непрекинат извод во интервалот [x0, x].
31
(x − x0 )2 ⋅ f '' (x0 ) (x − x0 )3 ⋅ f ''' (x0 )

f (x ) = f (x0 ) + (x − x0 ) ⋅ f (x0 ) + + + ... (6)
2! 3!
( x − x 0 )n ⋅ f ( n ) ( x 0 )
+ + R(x )
n!
Остатокот R(x) се дефинира со:
(x − x0 )( n+1) ⋅ f ( n+1) (ς )
R(x ) = x0 < ς < x или x < ς < x0 ако е x < x0 (7)
(n + 1)!
Параметарот ς е непозната функција од x (освен во некои специјални
случаи), па остатокот R(x) не може точно да се определи. Сепак од овој израз
може да се определи границата на грешката кога функцијата се апроксимира со
соодветниот Тајлоров ред, односно може да се определи потребниот број на
членови во редот за да се постигне бараната точност на апроксимацијата.
Вообичаено е под терминот интерполација, да се подразбира
критериумот 1. Понатаму во рамките на овој дел ќе биде подетално разработен
овој критериум.
3.3 ИНТЕРПОЛАЦИОНЕН ПОЛИНОМ
Познато е од математика дека "Постои еден и само еден полином од

степен n или помал што ги прима вредностите f(x0), f(x1), ... , f(xn) во (n+1)
различна точка x0, x1, ..., xn". Поради ова, без оглед на тоа која од многубројните
формули за интерполација ќе се користи, за исти јазли на интерполација и при
ист критериум за определување на коефициентите a0, a1, ..., an, секогаш се
добива ист полином.
Коефициентите на полиномот (ai, i = 0, 1, 2,..., n) со примена на
критериумот 1 се добиваат од следниов систем линеарни алгебарски равенки:
a 0 + a1 x 0 + a 2 x 02 + a 3 x 03 + .......... ..... + a n x 0n = f ( x 0 )
a 0 + a1 x1 + a 2 x12 + a 3 x13 + .......... ..... + a n x1n = f ( x1 )
.
.
a 0 + a1 x i + a 2 x i2 + a 3 x i3 + .......... ..... + a n x in = f ( x i ) (8)
.
.
a 0 + a1 x n + a 2 x n2 + a 3 x n3 + .......... ..... + a n x nn = f ( x n )
32
Во овој систем на линеарни алгебарски равенки непознати се (n+1)

коефициент ai, i = 0,1,2,...,n. Токму толку равенки и има. Детерминантата на
системот е т.н. Вандермондеова детерминанта и е различна од нула:
1 x0 x02 . . x0n
1 x1 x12 . . x1n
Δ= . . . . . . (9)
. . . . . .
1 xn x n2 . . x nn
Δ = ( x n − x 0 )( x n −1 − x 0 )...( x1 − x 0 )( x n − x1 )...( x 2 − x1 )...( x n − x n −1 )
= ∏ ( xi − x j ) ≠ 0
i> j
Поради тоа системот има единствено решение, но при услов во дадените

вредности xi, f(xi) да нема двојни вредности односно да нема поклопување на
јазлите на интерполација.
Според ова може да се заклучи дека постои единствен полином pn(x) што
точно ја репродуцира f(x) во јазлите на интерполацијата.
На Слика 3.3 е дадена една имплементација на алгоритам за наоѓање на
Вандермондова матрица за даден вектор x.
Сепак ваквото определување на коефициентите на pn(x) е непогодно од
барем две причини:
1. Решението на добиениот систем од линеарни алгебарски равенки е

проблем за себе, посебно што овој систем може да биде многу осетлив на
грешки од заокружување (лошо условен систем).
2. Најчесто за практични потреби точниот израз за интерполациониот
полином и не е потребен. Доволно е за даден аргумент x да се определи
pn(x).
function[A]=vandermond(x)
%funkcijaта vandermond presmetuva Vandermоndе-оvata matrica

%Vlez: x vektor-kolona na nezavisnata promenliva
% vo koja se dadeni podatocite
%Izlez: Vandermonde-ova matrica A
n=length(x);
for i=n:-1:1
A(:,i)=x.^(i-1);
end
Слика 3.3 Алгоритам за наоѓање на Вандермондова матрица
33
Интерполационите формули го решаваат овој проблем без составување и

решавање на системот од линеарни алгебарски равенки. Со нивната примена
често може и да се добие, или оцени и горната граница на грешката при
интерполација со полином од даден ред n, што може да биде многу значајно за
интерпретација на резултатите од интерполацијата.
Постојат повеќе класи на интерполациони формули. Најчестата поделба
е според распоредот на јазлите на интерполација:
1. формули за произволно распределени јазли

2. формули за еквидистантно - рамномерно распределени јазли. Ако со "h" се
означи растојанието помеѓу јазлите или чекорот помеѓу јазлите, тие се
дефинираат со првиот јазел x0 и чекорот h на следниот начин:
x0
x1 = x0 + h
x2 = x0 + 2h
. h h h
.
x0 x1 x2 xn-1
xn = x0 + nh
Најопшта интерполациона формула е Њутновиот интерполационен

полином со поделени разлики. Од него како специјални случаи се изведуваат
сите интерполациони формули.
Со оглед на обемот и намената на овие предавања некои
карактеристични интерполациони формули нема да бидат изведени на овој
начин, туку ќе бидат изведени директно.
3.4 ЛАГРАНЖОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА
Лагранжовата интерполациона формула се користи кога јазлите на

интерполација се произволно распределени. Самиот Лагранжов
интерполационен полином се дефинира на следниов начин:
n
Pn ( x) = ∑ Li ( x) ⋅ f ( xi )
i =0
n (x − x j ) (10)
Li ( x) = ∏ i = 0,1,2,..., n
j =0 ( xi − x j )
j ≠i
Имајќи на ум дека јазлите на интерполацијата x0, f(x0); x1, f(x1); ...; xn,
f(xn), се однапред зададени, Лагранжовата формула се сведува на збир од
34
производот на вредноста на функцијата f(x) во јазлите (xi) со еден полином Li(x)

од n-ти ред (бидејќи има n множители (x-xj)). Овие така наречени Лагранжови
полиноми имаат особина на ортогоналност, т.е.:
за x = xi
n ( xi − x j )
Li ( x) = ∏ =1 i = 0,1,2,..., n
j =0 ( xi − x j )
j ≠i
за x = xk k = 0, 1, 2, ...,n k ≠ i
n ( xk − x j )
Li ( x) = ∏ =0 i = 0,1,2,..., n
j =0 ( xi − x j )
j ≠i
Лагранжовата интерполациона формула најлесно се изведува на

следниов начин:
Интерполациониот полином се запишува на следен начин
(коефициентите ai, i = 0, 1, 2, ..., n привремено се непознати):
Pn(x) = a0 (x-x1)(x-x2) . . . . . . . . . . (x-xn) +

+ a1 (x-x0)(x-x2) . . . . . . . . . . (x-xn) +
+ a2 (x-x0)(x-x1)(x-x3). . . . . . (x-xn) +
+ . . . . . . . . . . . . . . . . . . . . . . . . . . . .+ (11)
+ ai (x-x0) . . . (x-xi-1)(x-xi+1) . . . (x-xn) +
+...........................+
+ an-1 (x-x0)(x-x1) . . . . (x-xn-2)(x-xn) +
+ an (x-x0)(x-x1) . . . . . . . . . .(x-xn-1)
Коефициентите ai, i = 0, 1, 2, ..., n се определуваат од условот:
Pn(xi) = f(xi), i = 0, 1, 2, ..., n
f(x0) = a0 (x0-x1) (x0-x2) ... (x0-xn)

(12)
f ( x0 )
a0 =
( x 0 − x1 )( x0 − x 2 )...( x0 − x n )
---
f(xi) = ai (xi-x1) (xi-x2) ... (xi-xi-1) (xi-xi+1) ... (xi-xn)
f ( xi )
ai = (13)
(xi -x1 ) (xi -x 2 ) ...(xi -xi-1 ) (xi -xi+1 ) ... (xi -x n )
35
Вака добиените коефициенти ai се заменуваат во изразот за

интерполационен полином. Тој по елементарно средување може да се напише
во обликот (10).
Ако се стави Rn(x) = f(x) – Pn(x), тогаш |Rn(x)| претставува грешка која се
добива ако вредноста на функцијата се замени со вредноста на
интерполациониот полином во соодветната точка. Под претпоставка дека
функцијата f(x) има n + 1 непрекинат извод во интервалот [x0, xn], важи
проценката:
( n +1)
⎡ n ⎤ f (ς ) (14)
Rn ( x) = ⎢∏ ( x − xi )⎥ ς ∈ (x0, x1, ..., xn)
⎣ i =0 ⎦ (n + 1)!
Пример1 Со помош на Лагранжовата интерполациона формула да се:

a. интерполира полином од втор ред низ трите дадени јазли (Табела 3.1)
b. да се определи f(x) за x = 0.5 и x = 1.5
Табела 3.1
i xi f(xi)
0 0 -5
1 1 1
2 3 25
а)
( x − x1 )( x − x 2 ) ( x − 1)( x − 3) x 2 − 4 x + 3
L0 ( x) = = =
( x0 − x1 )( x0 − x 2 ) (0 − 1)(0 − 3) 3
( x − x0 )( x − x 2 ) ( x − 0)( x − 3) − x 2 + 3 x
L1 ( x) = = =
( x1 − x0 )( x1 − x 2 ) (1 − 0)(1 − 3) 2
( x − x0 )( x − x1 ) ( x − 0)( x − 1) x 2 − x
L2 ( x ) = = =
( x 2 − x0 )( x 2 − x1 ) (3 − 0)(3 − 1) 6
P2(x) = L0(x) f(x0) + L1(x) f(x1) + L2(x) f(x2) = − 5 L0(x) + 1 L1(x) +25 L2(x)
P2(x) = 2x2 + 4x − 5
за x = 0.5
(0.5 − 1)(0.5 − 3) 1.25
L0 (0.5) = = = 0.417
(0 − 1)(0 − 3) 3
(0.5 − 0)(0.5 − 3) 0.5(−2.5)
L1 (0.5) = = = 0.625
(1 − 0)(1 − 3) −2
36
(0.5 − 0)(0.5 − 1) 0.5(−0.5)

L2 (0.5) = = = −0.0416
(3 − 0)(3 − 1) 6
P2(0.5) = − 5 ⋅ 0.417 + 1 ⋅ 0.625 − 25 ⋅ 0.0416 = − 2.5
Со замена во изразот под а):
P2(0.5) = 2 ⋅ (0.5)2 + 4 ⋅ 0.5 − 5 = 0.5 + 2 −5 = − 2.5
за x = 1.5
(1.5 − 1)(1.5 − 3) 0.5( −1.5)

L0 (1.5) = = = −0.25
(0 − 1)(0 − 3) 3
(1.5 − 0)(1.5 − 3) 1.5(−1.5)
L1 (1.5) = = = 1.125
(1 − 0)(1 − 3) −2
(1.5 − 0)(1.5 − 1) 1.5 ⋅ 0.5
L2 (1.5) = = = 0.125
(3 − 0)(3 − 1) 6
P2(1.5) = − 5 ⋅ (−0.25) + 1 ⋅ 1.125 + 25 ⋅ 0.125 = 5.5
Со замена во изразот под а):
P2(1.5) = 2 ⋅ 1.52 + 4 ⋅ 1.5 − 5 = 5.5
Најголемиот број на практични задачи од интерполација се од облик б),

т.е. се бара само вредноста на интерполациониот полином за дадена вредност на
аргументот. Ако од било која причина се бара и изразот на интерполациониот
полином тој се определува со поставување и решавање на соодветните равенки
за определување на коефициентите ai, i = 0, 1, 2, ..., n.
Една имплементација на Лагранжовата интерполациона формула е
преставена на Слика 3.4.
Потребно е да се дадат и неколку коментари за примената на
Лагранжовата интерполациона формула:
1. Недостаток на Лагранжовата формулата се јавува во случаите кога е

потребно да се вршат голем број на интерполации (голем број различни
аргументи) на исто множество податоци. Тогаш бројот на пресметувачки
операции станува многу голем.
2. Проценката на грешката е речиси ирелевантна (нема доволно податоци за
тоа), ниту е можно да се определи горната граница на грешката со оглед
на тоа што повисоките изводи на f(x) често воопшто и не се дефинирани
37
( n +1)
⎡ n ⎤ f (ς )
Rn ( x) = ⎢∏ ( x − xi )⎥ ς ∈ (x0, x1, ..., xn)
⎣ i =0 ⎦ (n + 1)!
Зголемувањето на редот на интерполациониот полином за единица

(додавање на нов член), бара комплетно ново пресметување на сите Li(x).
Поради тоа оваа формула не се применува ако a priori не е познат редот на
интерполациониот полином.
function [P, L] = lagrange(X, Y)

% Funkcijata lagrange(X,Y) sluzi za opredeluvanje na
% lagranzoviot polinom P i pomosnite lagranzovi polinomi,
% cii koeficienti se prestaveni kako redici vo matricata L.
% Za vlez gi ima jazlite na interpolacija X i Y
% prestaveni kako vektor redici
n=length(X);
L=zeros(n,n);
for k=1:n
V=1;
for j=1:n
if k~=j
V=conv(V, poly(X(j)))/(X(k)-X(j));
end
end
L(k,:)=V;
end
P=Y*L;
Слика 3.4 Имплементација на Лагранжовата интерполациона формула
3.5 ЊУТНОВА ИНТЕРПОЛАЦИОНА ФОРМУЛА
Ако јазлите на интерполацијата се еквидистантни, односно ако е

исполнет условот:
x1 - x0 = x2 - x1 = x3 - x2 = ... = xn - xn-1 = h
во тој случај интерполационите полиноми можат да се изведат во попроста и

позгодна (за користење) форма.
Во овој случај интерполационите полиноми се изразуваат преку
линеарните диферендни оператори:
• напред (Δ)
• назад (∇)
• централни диферендни оператори (δ)
38
Δ (α f(x) + β g(x)) = α Δf(x) + β Δg(x)

∇ (α f(x) + β g(x)) = α ∇f(x) + β ∇g(x)
δ (α f(x) + β g(x)) = α δf(x) + β δg(x)
Овие оператори ги дефинираат соодветните конечни разлики. Нивната

примена овозможува компактно означување на интерполационите полиноми и
значително намалување на бројот на пресметувачки операции, во споредба со
другите интерполациони формули. Поголемо внимание ќе биде посветено на
првите два оператора на конечни разлики: напред (Δ) и назад (∇).
3.5.1 Њутнова интерполациона формула - напред
Операторот конечни разлики напред се дефинира на следниот начин:
Δf(x) = f(x+h) − f(x)

Δ2f(x) = Δ (Δf(x)) = Δ(f(x+h) − f(x)) = Δf(x+h) − Δf(x)
Δ3f(x) = Δ (Δ2f(x)) = Δ(Δ(f(x+h) − f(x))) = Δ2f(x+h) − Δ2f(x) (15)
.
Δnf(x) = Δn-1f(x+h) − Δn-1f(x)
Δf(x) се нарекува прва конечна разлика напред, Δ2f(x) се нарекува втора конечна
разлика напред и т.н. На пример, ако се познати шест јазлови точки xi,
i=0,1,2,3,4,5 со вредности на функцијата f(xi), i=0,1,2,3,4,5 конечните разлики
напред се пресметуваат на следниот начин:
- прва конечна разлика напред

Δf(x0) = f(x1) − f(x0)
Δf(x1) = f(x2) − f(x1)
Δf(x2) = f(x3) − f(x2)
Δf(x3) = f(x4) − f(x3)
Δf(x4) = f(x5) − f(x4)
- втора конечна разлика напред

Δ2f(x0) = Δf(x1) − Δf(x0) = (f(x2) − f(x1)) − (f(x1) − f(x0)) = f(x2) − 2f(x1) + f(x0)
Δ2f(x1) = Δf(x2) − Δf(x1) = f(x3) − 2f(x2) + f(x1)
- трета конечна разлика напред

Δ3f(x0) = Δ2f(x1) − Δ2f(x0) = (f(x3) − 2f(x2) + f(x1)) − (f(x2) − 2f(x1) + f(x0)) =
39
= f(x3) − 3f(x2) + 3f(x1) − f(x0)

Δ f(x1) = Δ2f(x2) − Δ2f(x1) = f(x4) − 3f(x3) + 3f(x2) − f(x1)
3
Δ3f(x2) = Δ2f(x3) − Δ2f(x2) = f(x5) − 3f(x4) + 3f(x3) − f(x2)
- четврта конечна разлика напред

Δ4f(x0)=Δ3f(x1)−Δ3f(x0) = (f(x4)−3f(x3) + 3f(x2) − f(x1)) − (f(x3) − 3f(x2) +
3f(x1) − f(x0)
= f(x4) − 4f(x3) + 6f(x2) − 4f(x1) + f(x0)
Δ f(x1)=Δ3f(x2)−Δ3f(x1) = f(x5) − 4f(x4) + 6f(x3) − 4f(x2) + f(x1)
4
- петта конечна разлика напред

Δ5f(x0)=Δ4f(x1)−Δ4f(x0)=(f(x5)−4f(x4)+6f(x3)−4f(x2)+f(x1))−(f(x4)−4f(x3)+6f(x2)−
4f(x1) +f(x0)) = f(x5) − 5f(x4) + 10f(x3) − 10f(x2) + 5f(x1) − f(x0)
Конечните разлики напред табеларно се преставени во Табела 3.2 и може

да се забележи дека тие формираат Pascal-ов триаголник. Вредностите на
пооделните конечни разлики се добиваат со сумирање на производите на
коефициентите под овие разлики и соодветната вредност на ординатата f(xi)
i=0,1,2,3,4,5.
Табела 3.2
Δf(x) Δ2f(x) Δ3f(x) Δ4f(x) Δ5f(x)
f(x0) −1 1 −1 1 −1
f(x1) 1 −2 3 −4 5
f(x2) 1 −3 6 −10
f(x3) 1 −4 10
f(x4) 1 −5
f(x5) 1
Пример 2
i xi f(xi) Δf(x) Δ2f(x) Δ3f(x) Δ4f(x)

0 0 -5
1 1 1 6
2 2 9 8 2
3 3 25 16 8 6
4 4 55 30 14 6 0
Константната вредност 6 во шестата колона покажува дека ако f(x) е

полином, тогаш неговиот ред е 3 (Δ3 = const.). Се разбира ова важи за
однесувањето на функцијата f(x) во интервалот [x0, x4].
40
Со помош на вака дефинираните оператори за конечни разлики напред,

може да се изведе Њутновиот интерполационен полином со конечни разлики
напред − Pn(x) кој се дефинира на следниот начин:
Pn(x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) + (15)

+a3 (x − x0) (x − x1) (x − x2) +…+ an (x − x0) (x − x1) ... (x − xn-1)
Од условот Pn(xi) = f(xi) i = 0, 1, 2, ..., n се добива:
за x = x0 f(x0) = a0
за x = x1 f(x1) = a0 + a1 (x1 − x0) = a0 + a1 h
за x = x2 f(x2) = a0 + a1 (x2 − x0) + a2 (x2 − x0) (x2 − x1) =
= a0 + a1 2h + a2 2h h = a0 + 2a1h + 2a2h2
…
Од вака добиените равенки за определување на ai (i = 0, 1, 2, ..., n)

директно се добива:
а0 = f(x0)
1 1 1
a1 = ( f ( x1 ) − a 0 ) = ( f ( x1 ) − f ( x0 ) ) = Δf ( x0 )
h h h
Во општ случај, по индукција, може да се докаже дека

коефициентот ak (k = 0, 1, 2, ..., n) е даден со:
1 k
ak = Δ f ( x0 ) k = 0, 1, 2, ..., n (16)
k! h k
При ова по дефиниција се подразбира Δ0f(x0) = f(x0)

На таков начин интерполациониот полином добива облик:
Δf ( x0 ) Δ2 f ( x0 )
Pn ( x) = f ( x0 ) + ( x − x0 ) + ( x − x 0 )( x − x1 ) + . . . +
1!h 2!h 2 (17)
Δn f ( x0 )
+ ( x − x0 )( x − x1 )...( x − x n −1 )
n!h n
Ова е основниот облик на Њутновата интерполациона формула напред.
Меѓутоа, таа најчесто се користи во друга трансформирана форма.
Ако аргументот на интерполација x се изрази преку првата јазлова точка
и "чекорот" на јазлите, можат да се извршат некои упростувања на формулата.
41
x = x0 + αh, односно параметарот α се определува од:

x − x0
α= , 0 ≤ α ≤ n за x0 ≤ x ≤ xn
h
Со оваа замена се добива:
x − x0 = αh
x − x1 = x0 + αh − (x0 +h) = h (α −1)
x − x2 = x0 + αh − (x0 +2h) = h (α − 2)
.
.
x − xi = h (α − i)
.
.
x − xn = h (α − n)
Замената на овие односи во Њутновиот полином дава:
Δ2 f ( x0 ) Δ3 f ( x0 )
Pn ( x0 + αh) = f ( x0 ) + αΔf ( x 0 ) + α (α − 1) + α (α − 1)(α − 2) + ... +
2! 3!
Δn f ( x0 ) (18)
+ α (α − 1)(α − 2) . . . (α − n + 1)
n!
Пример 3 Да се определи вредноста на Њутнов интерполационен

полином - напред од втори ред за дадените јазли (Табела 3.3) во точките 0.5 и
1.5.
Табела 3.3
i xi f(xi) Δf(x) Δ2f(x)
0 0 -5
1 1 1 6
2 2 11 10 4
h = 1, x0 = 0
x − x 0 0.5 − 0
за x = 0.5 α= = = 0.5
1 1
4
P2(0.5) = P2(0+0.5h) = −5 + 0.5 ⋅ 6 + 0.5 (0.5 − 1) = −5 + 3 − 0.5 = − 2.5
2!
x − x 0 15
. −0
за x = 1.5 α= = = 15
.
1 1
4
P2(1.5) = P2(0+1.5h) = −5 + 1.5 ⋅ 6 + 1.5 (1.5 − 1) = −5 + 9 + 1.5 = 5.5
2!
42
Ако е позната уште една јазлова точка [xn+1, f(xn+1)], редот на

интерполација може да се зголеми за единица. Со тоа, се овозможува да се
пресмета влијанието на занемарениот член (од n+1 степен) при интерполација
со полином од n-ти степен. Оваа разлика помеѓу интерполираната вредност со
полином од n-ти степен и полином од n+1-ви степен често се усвојува како
мерка за проценка на грешката. Јасно, за определување на горната граница на
грешката, неопходна е информација за повисоките изводи на f(x).
Проценката на грешката Rn(x0+αh) се дефинира со:
Δn +1f ( x 0 )
Rn(x0+αh) = α(α − 1)(α −2) . . . . . . (α −n) (19)
( n + 1)!
Една имплементација на Њутновата интерполациона формула - напред е

дадена на Слика 3.5.
function [P, vy, KR] = newtnint(X, Y, vx)

% Funkcijata newtnint(X, Y, vx)sluzi za opredeluvanje na
% Njutnoviot interpolacionen polinom - napred P so pomos na
% jazlite na interpolacija X i Y prestaveni kako vektor redici,
% kako i vrednosta na P vo tockata vx. KR e matrica
% na konecni razliki
n=length(X);
KR=zeros(n,n);
KR(:,1)=Y';
for j=2:n
for i=j:n
KR(i,j)=KR(i,j-1)-KR(i-1, j-1);
end
end
P=KR(1,1);
h=X(2)-X(1);
pom=1;
del=1;
for i=2:n
del=1/(h*(i-1));
pom=conv(del*pom, poly(X(i-1)));
P=[0 P];
P=P+KR(i,i)*pom;
еnd
vy=polyval(P,vx);
Слика 3.5 Имплементација на Њутновата интерполациона формула- напред
Пример 4 За дадени еквидистантни јазли (Табела 3.4) да се интерполира

вредноста на f(x) за x=1.5 со помош на полином од втор односно трет степен.
Познати се вредностите на f(x) во пет јазлови точки xi (i = 0, 1, 2, 3, 4):
43
Табела 3.4
i xi f(xi) Δf(x) Δ2f(x) Δ3f(x) Δ4f(x)
0 0 -5
1 1 1 6
2 2 9 8 2
3 3 25 16 8 6
4 4 55 30 14 6 0
Бидејќи јазлите на интерполацијата се еквидистантни со h = 1, може да

се примени Њутновата интерполациона формула за еквидистантни јазли.
Со оглед на тоа што за дефинирање на интерполациониот полином од
втор ред се потребни три јазлови точки, нивниот избор може да се изврши на
два начина:
x0, x1, x2
x1, x2, x3
Во првиот случај се добива:
x − x 0 1.5 − 0
α= = = 1.5
1 1
2
f(1.5) ≅ P2(1.5) = −5 + 1.5 ⋅ 6 + 1.5 (1.5 − 1) = −5 + 9 + 0.75 = 4.75
2!
Во вториот случај се добива:
x − x0 1.5 − 1
α= = = 0.5
1 1
8
f(1.5) ≅ P2(1.5) = 1 + 0.5 ⋅ 8 + 0.5 (0.5 − 1) = 1 + 4 + (−1) = 4
2!
Решението со помош на полином од трет степен изгледа вака:
Δ2 f ( x 0 ) Δ3 f ( x 0 )
f (1.5) ≅ P3 (1.5) = f ( x 0 ) + αΔf ( x 0 ) + α (α − 1) + α (α − 1)(α − 2)
2! 3!
Во овој случај четирите потребни јазли x0, x1, x2, x3 распоредени се

симетрично околу аргументот на интерполацијата.
x − x 0 1.5 − 0
α= = = 1.5
1 1
44
2 6
f(1.5) ≅ P3(1.5) = −5 + 1.5 ⋅ 6 + 1.5 (1.5 − 1) + 1.5 ⋅ 0.5 (−0.5) =
2! 3!
= −5 + 9 + 0.75 − 0.375 = 4.375
Како јазли на интерполација во овој случај може да се земат и x1,x2,x3,x4:
x − x1 1.5 − 1
α= = = 0.5
1 1
8 6
f(1.5) ≅ P3(1.5) = 1 + 0.5 ⋅ 8 + 0.5 (0.5 − 1) + 0.5 ⋅ (0.5 −1) (0.5−2) =
2! 3!
= 1 + 4 −1 +0.375 = 4.375
Фактот што и во двата случаја при различни јазли на интерполација, се

добиваат исти вредности, е поради тоа што во овој случај f(x) се однесува како
полином од трет степен, поради фактот што третите конечни разлики се
константни. Затоа без оглед на изборот на јазлите за интерполација од трет ред
се добива истиот интерполационен полином од трет степен. Инаку во општ
случај, потребните јазли треба да се избираат колку е можно поблиску до
аргументот и тоа симетрично распоредени околу него. Причина за ова е фактот
што во тој случај грешката при интерполацијата е најмала.
3.5.2 Њутнова интерполациона формула - назад
Операторот за конечни разлики назад се дефинира на следниот начин:
∇f(x) = f(x) − f(x−h); - прва конечна разлика назад

∇2f(x) = ∇f(x) − ∇f(x−h); - втора конечна разлика назад
∇3f(x) = ∇2f(x) − ∇2f(x−h); - трета конечна разлика назад
.
.
∇nf(x) = ∇n-1f(x) − ∇n-1f(x−h); - n-та конечна разлика назад
Како што може да се види, овој оператор е сличен со претходниот за

конечни разлики напред. Разликата е во тоа што почетната точка е xn наместо x0.
На тој начин параметарот α во овој случај го изразува растојанието на
аргументот на интерполацијата (во број на чекори на јазлови точки) од
последната точка xn.
x − xn
x = xn + αh; α = ; −n ≤ α ≤ 0 за x0 ≤ x ≤ xn
h
Аналогно на конечни разлики напред и вредностите на овие конечни
разлики се претставени табеларно во Табела 3.5:
45
Табела 3.5
∇f(x) ∇2f(x) ∇3f(x) ∇4f(x) ∇5f(x)
f(x0) −1
f(x1) 1 5
f(x2) −1 −4 −10
f(x3) 1 3 6 10
f(x4) −1 −2 −3 −4 −5
f(x5) 1 1 1 1 1
На апсолутно ист начин како претходно се доаѓа до следнава Њутнова

интерполациона формула назад:
∇f ( x n ) ∇ 2 f ( xn )
Pn ( x ) = f ( x n ) + ( x − xn ) + ( x − x n )( x − x n −1 ) + ... + (20)
1!h 2!h 2
∇ n f ( xn )
+ ( x − x n )( x − x n −1 )...( x − x1 )
n!h n
или:
∇ 2 f ( xn ) ∇ 3 f ( xn )
Pn ( x n + αh) = f ( x n ) + α∇f ( x n ) + α (α + 1) + α (α + 1)(α + 2) + ... +
2! 3! (21)
∇ f ( xn )
n
+ α (α + 1)(α + 2) ... (α + n − 1)
n!
Остатокот Rn дефиниран е со :
f n +1 (ς ) (22)
Rn ( x n + αh) = h n +1α (α + 1) ... (α + n) x0 ≤ ς ≤ xn
(n + 1)!
Пример 5 За јазлите од Пример 4 да се формира табела со конечни

разлики - назад.
Табела 3.6
i xi f(xi) ∇f(x) ∇2f(x) ∇3f(x) ∇4f(x)
0 0 -5 6 2 6 0
1 1 1 8 8 6
2 2 9 16 14
3 3 25 30
4 4 55
46
Доколку не се располага, како што најчесто е случај, со аналитички израз

за f(x), остатокот не може да биде точно определен. Доколку се располага со
дополнителна јазлова точка може да се изврши апроксимација, односно
проценка на Rn. Оваа апроксимација го дефинира влијанието на првиот нареден
занемарен член во интерполациониот полином:
∇ n +1f ( x n )
Rn(xn+αh) = α(α + 1)(α + 2) ... (α + n) (23)
( n + 1)!
Њутновата интерполациона формула со конечни поделени разлики назад

најзгодна е за користење во случаи кога аргументот x е поблиску до xn. Во
спротивно ако аргументот на интерполација x е поблиску до x0 попогодно е да
се користи Њутновата интерполациона формула напред.
Една имплементација на Њутновата интерполациона формула - назад е
function [P, vy, KR] = newtnnazad(X, Y, vx)

% Funkcijata newtnint(X, Y, vx) sluzi za opredeluvanje na
% Njutnoviot interpolacionen polinom - nazad P so pomos na
% jazlite na interpolacija X i Y prestaveni kako vektor redici,
% kako i vrednosta na P vo tockata vx. KR e matrica
% na konecni razliki
n=length(X);
KR=zeros(n,n);
KR(:,1)=Y';
for j=2:n
for i=1:(n-j+1)
KR(i,j)=KR(i+1,j-1)-KR(i, j-1);
end
end
P=KR(n,1);
h=X(2)-X(1);
pom=1;
del=1;
for i=2:n
del=1/(h*(i-1));
pom=conv(del*pom, poly(X(n-i+2)));
P=[0 P];
P=P+KR(n-i+1,i)*pom;
end
vy=polyval(P,vx);
Слика 3.6 Имплементација на Њутновата интерполациона формула- назад
Пример 6 За илустрација да се определи вредноста на f(x) за x = 3.5 со

помош на полином од трети ред врз основа на податоците од Табела 6.
f(3.5) ≅ P(3.5) h = 1
47
x − xn 3.5 − 4
α= = = −0.5
1 1
(−0.5) ⋅ 0.5 (−0.5) ⋅ 0.5 ⋅ 1.5

P3 (3.5) = 55 + (−0.5) ⋅ 30 + ⋅ 14 + ⋅ 6 = 37.875
2! 3!
3.6 ЗАКЛУЧНИ КОМЕНТАРИ ЗА ПОЛИНОМНАТА ИНТЕРПОЛАЦИЈА
Во случаите кога степенот "m" на избраниот интерполационен полином е

помал од "n" (т.е. не се користат сите познати јазли на интерполацијата) постои
можност за избор на јазловите точки. Дури и интуитивно е јасно дека треба да
се користи информацијата содржана во оние јазлови точки што се најблиску до
вредноста на интерполациониот аргумент. Со испитување на остатокот
(грешката) се доаѓа до заклучок дека аргументот за кој се врши интерполацијата
треба да се "центрира" најмногу што е можно во рамките на интервалот што ги
содржи јазлите кои се користат при интерполацијата. Со други зборови јазлите
треба да бидат распределени околу аргументот колку е можно порамномерно.
При претпоставка дека јазлите се во алгебарски редослед, грешката при
интерполацијата е поголема за аргументи блиски до крајните точки (x0 или xn)
во однос на аргументите во средината.
Во случаи кога аргументот се наоѓа надвор од интервалот [x0, xn] се
користи терминот екстраполација. Во вакви случаи грешката може да биде
многу голема.
Не постојат правила за избор на редот на интерполациониот полином.
Најчесто се врши проценка на грешката од првиот повисок занемарен член, со
вклучување на уште една јазлова точка. Со зголемувањето на степенот на
интерполациониот полином се зголемува и интервалот [x0, xn] што ги содржи
јазловите точки, што потенцијално може да доведе и до зголемување на
грешката. Зголемувањето на "n" исто така не мора да значи и намалување на
конечните разлики. Може дури и да се цитираат случаи од литературата кога со
зголемувањето на "n" над некоја вредност, грешката да расте неограничено. Од
искуство може да се препорачаат интерполациони шеми со n = 2 или 3, а
интерполациони полиноми од четврти и петти степен може да се толерираат. Во
пракса многу ретко се користат интерполациони полиноми со степен над 10,
поради тоа што имаат тенденција да осцилираат околу x-оската. Така на
пример, полином од степен 10 со 10 реални корени мора да ја помине x-оската
10 пати. Оваа тенденција на осцилација на полиномите со поголем степен е
позната како Runge-ов феномен и може да се илустрира со Слика 3.7. На оваа
48
1
слика со сина боја е прикажана функцијата f ( x) = на интервалот [-5, 5],
1+ x2
со црвена боја е интерполациониот полином од степен 5, а со розова боја е
интерполациониот полином од степен 10.
2
1,5
0,5
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
-0,5
Слика 3.7 Илустрација на Runge-ов феномен
Конечно, уште едно предупредување. Вредностите на функцијата f(xi) се

познати само со неколку значајни цифри. Последователното формирање на
разликите врз основа на овие податоци (што често се од ист ред на големина),
неизбежно доведува до губење на извесен број на значајни цифри во
резултатите. Во некои случаи разликите од повисок ред можат да станат и
бесмислени.
Интерполационите полиноми од понизок ред најчесто се користат во
праксата поради тоа што имаат добра конвергенција, т.е. повеќето од
вредностите на функцијата можат да бидат претставени со членови од понизок
ред во интерполациониот полином.
Најчесто се избегнува директното определување на коефициентите во
интерполациониот полином. Причина за ова е потенцијално големата можност
за појава на грешки во добиените резултати. Понекогаш е неопходно овие
коефициенти да бидат пресметани. На пример, кога е потребно да се
интерполираат не само вредностите на функцијата, туку и на нејзините изводи.
Во секој случај точноста на овие коефициенти е многу помала од
точноста на директно (со помош на некоја интерполациона формула)
интерполираната вредност на f(x) за даден аргумент x. Затоа коефициентите на
интерполациониот полином се определуваат само тогаш, кога тоа е навистина
потребно. Ако f(x) е единствената работа што нè интересира тогаш треба да се
користи некоја од директните интерполациони формули. Определувањето на
49
n
коефициентите на полиномот ∑a x
i =0
i
i
, доведува (како што беше веќе покажано)
до решавање на еден систем од линеарни алгебарски равенки со Vandermonde-

ова детерминанта на системот:
1 x0 x02 . . x0n
1 x1 x12 . . x1n
Δ= . . . . . .
. . . . . .
1 xn x n2 . . x nn
Вакви системи можат да бидат многу осетливи на грешки од

заокружување (лошо условени системи), па така добиените коефициенти може
да бидат пресметани со многу мала точност.
3.7 ДВОДИМЕНЗИОНАЛНА ИНТЕРПОЛАЦИЈА
Да ја разгледаме апроксимацијата на една функција f(x,y) од две

независни променливи. По претпоставка дадени се m × n вредности на
функцијата f(xi,yj), за сите можни комбинации на "m" вредности за xi (i=0, 1, 2,
..., m) и "n" вредности за yj (j=0, 1, 2, ..., n). За поголема прегледност овие
вредности fi,j = f(xi,yj) подредени се во една дводимензионална табела (Слика
3.8) така да редот "i" одговара на x = xi, а колоната "j" одговара на y = yj.
Задачата е за дадени (произволни) x и y да се определат вредностите на
функцијата f(x,y).
Слика 3.8 Преставување на јазлите при дводимензионална интерполација

50
Наједноставен случај е примената на линеарна интерполација. Нека

xi≤x≤xi+1 и yj≤y≤yj+1, како што е покажано на претходната скица. Симболот▫ ги
означува точките во кои се познати вредностите на функцијата.
Прво се врши линеарна интерполација (се интерполира полином од прв
ред) низ fi,j и fi+1,j односно fi,j+1 и fi+1,j+1 за да се добијат вредностите на
функцијата во точките A и B (fA и fB). Потоа се интерполира линеарно низ fA и fB
за да се добие конечната апроксимација за f(x,y).
Со воведување на ознаките:
x − xi y − yj
α= и β =
xi +1 − xi y j +1 − y j
се добива следнава формула:
f(x,y) = (1 − α) (1 − β) fi,j + β (1− α) fi,j+1 + α (1 − β) fi+1,j + α β fi+1,j+1

(24)
Слика 3.9 Дводимензионална интерполација со полином од трет степен
Ваквиот приод кон дводимензионалната интерполација може да се

воопшти и за интерполација од повисок ред. На пример при интерполација со
помош на полином од трет степен, во двата правца потребни се 4 × 4 = 16
јазлови точки. Симболот ▫, како и претходно ги означува потребните точки на
интерполација (Слика 3.9). Прво се интерполира четири пати во правец x за да
се добијат четири полиноми од трет степен за апроксимирање на вредностите
на функцијата fA, fB, fC и fD. Потоа се интерполира уште еднаш низ A, B, C и D
во другиот правец за да се добие конечната апроксимација за f(x,y).
51
ВЕЖБИ
1. Со помош на Лагранжовата интерполациона формула за произволни

интерполациони јазли:
a. Да се интерполира полином од 3-ти степен низ дадените јазли и

b. Да се определи P3(2).
i xi f(xi)
0 -5 -78
1 -2 -3
2 0 -3
3 1 0
4 3 18
2. Со помош на Лагранжовата интерполациона формула за произволни

интерполациони јазли да се определи P4(3).
i xi f(xi)
0 -2 -31
1 -1 -4
2 0 1
3 1 2
4 2 5
3. Со помош на Њутнова интерполациона формула напред:
a. Да се интерполира полином од 3-ти степен низ дадените јазли и

b. Да се определи P3(0.2).
i xi f(xi)
0 -1 2
1 0 -1
2 1 2
3 2 35
4 3 170
4. Со помош на Њутнова интерполациона формула назад определи P3(-1.1) со

помош на дадените интерполациони јазли
52
i xi f(xi)
0 -1.5 -5.25
1 -1 0
2 -0.5 2.25
3 0 3
5. Со помош на Њутнова интерполациона формула назад да се интерполира

полином од 3-ти степен низ дадените јазли.
i xi f(xi)
0 -1 2
1 0 -1
2 1 6
3 2 35
6. Дадено наоѓалиште на бакарна руда е истражено за средна содржина на

бакарот, со помош на 12 дупчотини распоредени во правоаголна мрежа.
Нивните вредности може да се претстават со помош на Табела 3.7 како
функција f(x,y) од координатите. Потребно е да се пресмета средната
содржина на бакарот во точката со координати x=130 и y=450.
Табела 3.7
y
200 300 400 500
x
100 0.38 0.43 0.41 0.28
150 0.42 0.45 0.39 0.33
200 0.39 0.37 0.34 0.29
53
4 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ И ИНТЕГРИРАЊЕ
При решавање на практични задачи од инженерската пракса, често пати

се појавува потреба да се определат изводи на некоја функција f(x), дадена
графички или табеларно. Во овие случаи, како и во случаите кога функцијата е
зададена во математичка форма, но, со сложен аналитички израз поради што
непосредното диференцирање е сложено, се пристапува кон нумеричко
диференцирање.
За разлика од нумеричкото диференцирање, при кое не секогаш можат
да се добијат резултати со прифатлива точност, нумеричката интеграција може
да се спроведе до било која барана точност. Тоа е и причината за големата
примена на оваа постапка во сите области на механиката, особено кога
алгоритамот се извршува со помош на сметачки машини.
4.1 НУМЕРИЧКО ДИФЕРЕНЦИРАЊЕ
Дефиниција 4.1 Прв извод на функцијата f во точката x е граничната

вредност
f ( x + h) − f ( x )
f ' ( x) = lim (1)
h →0 h
доколку таа гранична вредност постои.
Разликата f(x+h)-f(x) се нарекува нараснување на функција, додека h се
нарекува нараснување на независната променлива.
Слика 4.1 Графичко преставување на извод на функција во дадена точка

54
Дефиниција 4.2 Ако функцијата f има конечен извод f'(x) во точката x,

тогаш за функцијата f велиме дека е диференцијабилна во точката x.
Изводот на една функција во некоја точка x , може графички да се
интерпретира како наклонот на тангентата на функцијата во таа точка (Слика
4.1).
Графичката интерпретација овозможува графичко диференцирање на
следниот начин. Како што е прикажано на Слика 4.1, се црта кривата и во
точката со апциса x се повлекува тангента. Паралелно на неа се повлекува
права која ја сече кривата во точките (x1, f(x1)) и (x2, f(x2)) (Слика 4.2). На тој
начин се определува тангенсот на аголот кој таа права го формира со оската x,
преку следната формула:
f ( x2 ) − f ( x1 ) f 2 − f1
f ' ( x) = =
x2 − x1 x2 − x1
Слика 4.2 Графичко диференцирање
Точноста на графичкото диференцирање е ограничена со точноста со

која може да се чита графикот и уште повеќе со точноста на повлекувањето на
тангентата.
4.1.1 Нумеричко диференцирање по метода на секанта
Тргнувајќи од основната дефиниција за диференцирањето дадена во

равенката (1), користејќи ги првите разлики, се доаѓа до трите познати
формули:
f ( x + h) − f ( x )
f ' ( x) ≅
h
f ( x ) − f ( x − h) (2)
f ' ( x) ≅
h
f ( x + h ) − f ( x − h)
f ' ( x) ≅
2h
55
Слика 4.3 Нумеричко диференцирање по метода на секанта
Интерпретацијата на овие формули дадена е на Слика 4.3. Првата

равенка користи точка десно од точката каде се определува изводот и наклонот
е дефиниран со линијата AC. Втората равенка користи точка лево од точката
каде се определува изводот и наклонот е дефиниран со линијата AB. Како што
може да се види од сликата и за двете апроксимации не може да се каже дека се
задоволителни. Подобра апроксимација се добива применувајќи ја третата
равенка при која наклонот е дефиниран со линијата BC. Ваквата констатација и
визуелно може да се заклучи од самата слика.
4.1.2 Нумеричко диференцирање со помош на Њутновиот

интерполационен полином - напред
x0 x1 xn
Слика 4.4 Разлики во изводите на f(x) и соодветниот интерполационен полином P(x)
56
За определување на изводите на една функција која е зададена со

вредностите f(x0), f(x1) ... f(xn) во точките xi (i = 0, 1, ..., n) може да се користи
Њутновиот интерполационен полином P(x). Овде треба да се нагласи дека при
определување на вредностите на f'(x) треба да се земат јазлови точки на доволно
мали растојанија за да f(x) меѓу нив нема голем број екстреми. Во спротивност
може да се случи разликата помеѓу P(x) и f(x) да е мала, додека помеѓу нивните
изводи таа да е огромна (Слика 4.4).
Се тргнува од Њутновиот интерполационен полином за интерполација
напред:
x − x0
α= ; x = x0 + αh;
h
Δ2 f ( x0 ) Δ3 f ( x0 )
f ( x) = P( x) = f ( x0 ) + αΔf ( x0 ) + α (α − 1) + α (α − 1)(α − 2) +
2! 3!
Δ4 f ( x0 ) (3)
+ α (α − 1)(α − 2)(α − 3) ...
4!
односно,
Δ2 f ( x0 ) Δ3 f ( x0 )
f ( x) = P( x) = f ( x0 ) + αΔf ( x0 ) + (α 2 − α ) + (α 3 − 3α 2 + 2α ) +
2! 3!
Δ4 f ( x0 )
+ (α 4 − 6α 3 + 11α 2 − 6α ) ... (4)
4!
Имајќи предвид дека:
x − x0 df df dα 1 df
α= ; = ⋅ = ⋅
h dx dα dx h dα
Се добива:
1⎡ ⎛ 1⎞ 3α 2 − 6α + 2
f ' ( x) = ⎢Δf ( x 0 ) + Δ2 f ( x 0 )⎜ α − ⎟ + Δ3 f ( x0 ) +
h⎣ ⎝ 2⎠ 6
2α 3 − 9α 2 + 11α − 3 ⎤
+ Δ4 f ( x0 ) + ...⎥
12 ⎦
1 ⎡ 6α 2 − 18α + 11 ⎤
f ' ' ( x) = 2 ⎢Δ2 f ( x0 ) + Δ3 f ( x0 )(α − 1) + Δ4 f ( x0 ) + ... ⎥ (5)
h ⎣ 12 ⎦
1 ⎡ 2α − 3 ⎤
f ' ' ' ( x) = 3 ⎢Δ3 f ( x0 ) + Δ4 f ( x0 ) + ... ⎥
h ⎣ 2 ⎦
[
1 4
f ( x) = 4 Δ f ( x0 ) + ...
IV
h
]
57
Пример 1 Во Табела 4.1 се дадени вредностите на функцијата f(x) = x

за седум аргументи со чекор h = 0.05.
Табела 4.1
k x f(x)= x Δf(x0) Δ2f(x0) Δ3f(x0)
0 1.00 1.00000
1 1.05 1.02470 0.02470
2 1.10 1.04881 0.02411 −0.00059
3 1.15 1.07238 0.02357 −0.00054 0.00005
4 1.20 1.09544 0.02307 −0.00050 0.00004
5 1.25 1.11803 0.02259 −0.00048 0.00002
6 1.30 1.14017 0.02214 −0.00045 0.00003
Да се определат изводите во точката x0 = 1.00 со помош на Њутновиот

интерполационен полином за интерполација напред.
1
f ' (1) = (0.02470 + 0.000295 + 0.000017) = 0.50024
0.05
1
f ' ' (1) = (− 0.00059 − 0.00005) = −0.256
0.05 2
1
f ' ' ' (1) = (0.00005) = 0.4
0.053
Точните резултати се:
f'(1) = 0.5 f''(1) = −0.25 f''' (1) = 0.375
Од примеров се заклучува дека првиот извод е точен со првите три

места, вториот со првите две, а третиот само на првата децимала. Очигледно,
грешките се значителни.
4.2 НУМЕРИЧКО ИНТЕГРИРАЊЕ
Многу често во нумеричката анализа потребно е да се најде определен

интеграл на некоја функција f(x).
b
∫ f ( x)df
a
58
Теорема 4.1 Нека f(x) е непрекината реално вредносна функција на

интервалот [a,b]. Нека F(x) е функција таква што f ( x) = F ' ( x) за секое x во
интервалот [a,b]. Тогаш:
b
∫ f ( x)df
a
= F (b) − F (a )
Иако оваа теорема дава начин на пресметување на определен интеграл,

во пракса постојат и функции за кои не постојат такви функции F или барем не
се познати сé уште. Затоа во тој случај се оди на нумеричка апроксимација на
определениот интеграл.
Физичката смисла на определениот линиски и површински интеграл е
дека тие претставуваат површина, односно волумен под кривата во дадениот
интервал.
За графичко интегрирање потребно е функцијата да се претстави
графички. Еден од начините е површината под кривата да се раздели на
правоаголници (Слика 4.5). При тоа пожелно е кривата да се нацрта на
милиметарска хартија. Решението на интегралот се добива со собирање на
површините на правоаголниците. На границите, над или под кривата,
остануваат неправилни делови чии површини треба да се проценат и соодветно
да се одземат или додадат на крајната сума. Сето ова укажува на фактот дека
оваа метода има ограничена односно приближна точност.
Слика 4.5 Графичко интегрирање
4.2.1 Нумеричка интеграција користејќи интерполациони полиноми
Еден начин да се изврши нумеричка интеграција е со помош на

интерполациони полиноми. Оваа постапка се состои во тоа што, дадената
функција f(x) во разгледуваниот интервал [a, b] се заменува со интерполационен
полином P(x) и при тоа приближно се зема:
59
b b
(6)
∫ f ( x)dx ≅ ∫ P( x)dx
a a
4.2.1.1 Формули кои произлегуваат од Њутновиот интерполационен

полином
Интегрирајќи го Њутновиот интерполационен полином за интерполација

напред (3.(18)) помеѓу x0 и xn, се добиваат повеќе формули за нумеричка
интеграција, од кои овде ќе изведеме три, а за другите табеларно ќе бидат
дадени потребните коефициенти.
x1
• Интеграција на линеарна функција од x0 до x1 ∫ P( x)dx

x0
Од равенка (3.(18)) следи: P(x) = f(x0) + αΔf(x0)

како е x = x0 + αh dx = h dα за x = x0 α=0
за x = x1 α=1
x1 1 1
⎛ Δf ( x0 ) ⎞
∫x P( x)dx = h ∫0 P(α )dα = h∫0 ( f ( x0 ) + αΔf ( x0 ))dα = h⎜⎝ f ( x0 ) + 2 ⎟⎠ (7)
0
како е Δf(x0) = f(x1) − f(x0) следи

x1
⎛ f ( x1 ) − f ( x0 ) ⎞ 2 f ( x0 ) + f ( x1 ) − f ( x0 )
∫ P( x)dx = h⎜⎝ f ( x
x0
0 )+
2
⎟=h
⎠ 2
x1
h
односно ∫ P( x)dx = 2 ( f ( x
x0
0 ) + f ( x1 ) ) (8)
x2
• Интеграција на квадратна функција од x0 до x2 ∫ P( x)dx

x0
Δ2 f ( x0 )
Од равенката (3.(18)) следи: P(x) = f(x0) + αΔf(x0) + α (α − 1)
2
x2 2 2
⎛ Δ2 f ( x0 ) ⎞
∫
x0
P ( x ) dx = h ∫0 P (α ) dα = h ∫0 ⎜⎝ 0
⎜ f ( x ) + α Δf ( x 0 ) + α (α − 1)
2
⎟⎟dα =
⎠
2
⎡ α2 ⎛ α 3 α 2 ⎞ Δ2 f ( x 0 ) ⎤ ⎛ Δ2 f ( x 0 ) ⎞
= h ⎢αf ( x 0 ) + Δf ( x 0 ) + ⎜⎜ − ⎟ ⎥ = h⎜⎜ 2 f ( x0 ) + 2Δf ( x0 ) + ⎟⎟
⎣ 2 ⎝ 3 2 ⎟⎠ 2 ⎦ ⎝ 3 ⎠
0
60
како е Δf(x0) = f(x1) − f(x0) и Δ2f(x0) = f(x0) − 2f(x1) + f(x2) следи:

x2
⎛ f ( x0 ) 2 f ( x1 ) f ( x 2 ) ⎞
∫ P( x)dx = h⎜⎝ 2 f ( x
x0
0 ) + 2 f ( x1 ) − 2 f ( x0 ) +
3
−
3
+
3 ⎠
⎟=
⎛ f ( x0 ) + 4 f ( x1 ) + f ( x2 ) ⎞
= h⎜ ⎟
⎝ 3 ⎠
x2
h (9)
односно ∫ P( x)dx = ( f ( x0 ) + 4 f ( x1 ) + f ( x 2 ) )
x0
3
x3
• Интеграција на кубна функција од x0 до x3 ∫ P( x)dx

x0
Од равенката (3.(18)) следи:

Δ2 f ( x0 ) Δ3 f ( x0 )
P(x) = f(x0) + αΔf(x0) + α (α − 1) + α (α − 1)(α − 2)
2 3!
x3 3 3
⎛ Δ2 f ( x0 ) Δ3 f ( x0 ) ⎞
∫
x0
P ( x ) dx = h ∫0 P (α ) dα = h ∫0 ⎜⎝
⎜ f ( x0 ) + α Δf ( x0 ) + α (α − 1)
2
+ α (α − 1)(α − 2 )
3! ⎟⎠
⎟dα =
3
⎡ α2 ⎛ α 3 α 2 ⎞ Δ2 f ( x0 ) ⎛ α 4 α3 α 2 ⎞ Δ3 f ( x0 ) ⎤
= h ⎢αf ( x0 ) + Δf ( x0 ) + ⎜⎜ − ⎟⎟ + ⎜⎜ − 3 + 2 ⎟⎟ ⎥ =
⎣ 2 ⎝ 3 2 ⎠ 2 ⎝ 4 3 2 ⎠ 6 ⎦
0
⎛ 9 9 3 ⎞
= h⎜ 3 f ( x0 ) + Δf ( x0 ) + Δ2 f ( x0 ) + Δ3 f ( x0 ) ⎟
⎝ 2 4 8 ⎠
како е: Δf(x0) = f(x1) − f(x0)
Δ2f(x0) = f(x0) − 2f(x1) + f(x2)
Δ3f(x0) = f(x3) − 3f(x2) + 3f(x1) − f(x0) следи:
x3
∫ P( x)dx =
x0
⎛ 9 9 3 ⎞
h⎜ 3 f ( x0 ) + ( f ( x1 ) − f ( x0 ) ) + ( f ( x0 ) − 2 f ( x1 ) + f ( x2 ) ) + ( f ( x3 ) − 3 f ( x2 ) + 3 f ( x1 ) − f ( x0 ) )⎟
⎝ 2 4 8 ⎠
x3
3
односно ∫ P( x)dx = 8 h( f ( x
x0
0 ) + 3 f ( x1 ) + 3 f ( x 2 ) + f ( x3 ) ) (10)
Интеграцијата по равенките 8, 9 и 10 илустрирана е на Слика 4.6.
61
x0 x1 x0 x1 x2 x0 x1 x2 x3
Слика 4.6 Нумеричка интеграција со Њутновиот интерполационен полином
a) линеарна функција помеѓу x0 и x1

b) квадратна функција помеѓу x0 и x2
c) кубна функција помеѓу x0 и x3
Општата формула за интеграција со помош на Њутнова интерполациона

формула изгледа вака:
xn
∫ P( x)dx = C ⋅ h(C
x0
0 f ( x0 ) + C1 f ( x1 ) + ... + C n f ( x n ) ) (11)
при што коефициентите за C и Ci, i = 0, 1, ... n до n = 8 се дадени во следната

табела (Табела 4.2):
Табела 4.2
n5 C C0 C1 C2 C3 C4 C5 C6 C7 C8
1 ½ 1 1
2 ⅓ 1 4 1
3 ⅜ 1 3 3 1
2
4 45
7 32 12 32 7
5
1
6 41 216 27 272 27 216 41
140
7
8 4 989 5888 -928 10496 -4540 10496 -928 5888 989
14175
4.2.1.2 Трапезно правило
Ако равенката (8) се примени на сите интервали на функцијата (Слика

4.7) се добива трапезното правило за нумеричка интеграција:
62
xn
1 1 1 1
∫ P( x)dx ≅ 2 h[ f ( x
x0
0 ) + f ( x1 )] + h[ f ( x1 ) + f ( x 2 )] + h[ f ( x 2 ) + f ( x 3 )] + ... + h[ f ( x n −1 ) + f ( x n )]
2 2 2
односно
xn
1
∫ P( x)dx ≅ 2 h[ f ( x
x0
0 ) + 2 f ( x1 ) + 2 f ( x 2 ) + ... + 2 f ( x n −1 ) + f ( x n )] (12)
f(x0) f(x1) f(x2) f(x3) f(xn-1) f(xn)
x0 x1 x2 x3 xn-1 xn
Слика 4.7 Трапезно правило
1
ex
Пример 2 Да се пресмета интегралот ∫ x dx по трапезното правило со
0.4
ex
чекор h=0.1 Во табела ќе бидат претставени вредностите за x, ex, f(x) = , од
x
0.4 до 1 со чекор 0.1.
e xk
k xk e xk f(x) =
xk
0 0.4 1.4918 3.7295
1 0.5 1.6487 3.2954
2 0.6 1.8221 3.0368
3 0.7 2.0138 2.8734
4 0.8 2.2255 2.7819
5 0.9 2.4596 2.7288
6 1.0 2.7183 2.7183
5
∑ f (x) = 14.7164
1
1 x
e 1
∫ dx = h( f ( x0 ) + 2 f ( x1 ) + 2 f ( x 2 ) + 2 f ( x3 ) + 2 f ( x 4 ) + 2 f ( x5 ) + f ( x6 ) ) =
0.4
x 2
63
1
= ⋅ 0.1(3.7295 + 2 ⋅ 14.7163 + 2.7183) =1.79402
2
Теорема 4.2 (Грешка на Трапезно правило) Нека f''(x) е непрекината

b
на интервалот [a, b]. Нека I = ∫ f ( x)dx и нека T е вредноста на овој интеграл
a
добиена со Трапезно правило при поделба на интервалот [a, b] со рамномерно

растојание h. Тогаш постои ξ∈[a, b] такво што:
(b − a )h 2
I −T = − f ' ' (ξ )
12
Пример 3 Колку подинтервали за Трапезното правило се потребни за

2
∫x − 1dx да се апроксимира со точност 10-8?

3
интегралот
0
Бидејќи f ( x) = x 3 − 1 , следува f ' ( x) = 3x 2 и f ' ' ( x) = 6 x . Значи f''(ξ) е

непрекината и ограничена со 12 на интервалот [0, 2]. Ако во Трапезното
правило се користат n интервали, тогаш од Теорема 4.2 за грешката се добива:
2
2−0⎛2−0⎞ 2 f ' ' (ξ )
−⎜ ⎟ f ' ' (ξ ) = −
12 ⎝ n ⎠ 3n 2
За оваа грешка да биде помала од 10-6 доволно е да се земе:
2 ⋅ 12
≤ 10 −8
3n 2
оттука се добива n ≥ 8 ⋅ 10 4 подинтервали.
Една имплементација на Трапезното правило е дадена на Слика 4.8.
function vr = trapez(a,b,n,fun)
% Funkcijata trapez(a,b,n,fun) presmetuva numericka aproksimacija na
% opredelen integral so Trapezno pravilo vo intervalot [a,b] so
% n podintervali
f=str2func(fun);
h=(b-a)/n;
x=a:h:b;
y=f(x);
vr = y(1)+y(n+1);
for k = 2:n
vr = vr + 2 * y(k);
end
vr = vr * h / 2;
Слика 4.8 Имплементација на Трапезно правило во Матлаб
64
4.2.1.3 Симпсоново правило
Симпсоновото правило (во чест на Thomas Simpson) е најчесто

употребувана формула за нумеричка интеграција. Таа се добива применувајќи
ја равенката (9) за интеграција на квадратна функција на интервалите x0 до x2, x2
до x4 и така натаму, според Слика 4.9.
xn
h h
∫ P( x)dx ≅ 3 [ f ( x
x0
0 ) + 4 f ( x1 ) + f ( x 2 )] +
3
[ f ( x 2 ) + 4 f ( x3 ) + f ( x 4 )] + ...
h
+ [ f ( xn−2 ) + 4 f ( xn−1 ) + f ( xn )]
3
односно
xn
h
∫ P( x)dx ≅ 3 [ f ( x
x0
0 ) + 4 f ( x1 ) + 2 f ( x 2 ) + 4 f ( x3 ) + . . . + 2 f ( x n − 2 ) + 4 f ( x n −1 ) + f ( x n )] (13)
f(xn-2) f(xn-1) f(xn)

f(x3) f(x4) f(x5)
f(x0) f(x1) f(x2)
x0 x1 x2 x3 x4 x5 xn-2 xn-1 xn
Слика 4.9 Симпсоново правило
Треба да се нагласи дека интервалите се еднакви и нивниот број е парен

односно бројот на точките е непарен.
Пример 4 Интегралот од Пример 2 да се пресмета по Симпсоновата

формула.
1
ex h
∫0.4 x dx = 3 ( f ( x0 ) + 4 f ( x1 ) + 2 f ( x2 ) + 4 f ( x3 ) + 2 f ( x4 ) + 4 f ( x5 ) + f ( x6 )) =
0.1
= [3.7295 + 2.7183 + 4(3.2954 + 2.8734 + 2.7288) + 2(3.0368 + 2.7819)] =
3
=
0.1
(6.4478 + 4 ⋅ 8.8976 + 2 ⋅ 5.8178) = 0.1 ⋅ 53.6756 =1.78919
3 3
65
π /2
Пример 5 Да се пресмета ∫ sin xdx ,
0
користејќи ги седумте вредности
дадени во табелата со:

a) примена на Њутновиот интерполационен полином
b) трапезното правило
c) симпсоновото правило
x 0 π/12 2π/12 3π/12 4π/12 5π/12 π/2

sin x 0.00000 0.25882 0.50000 0.70711 0.86603 0.96593 1.0000
Добиените резултати да се споредат со точното решение кое изнесува 1.
a. Примена на Њутнов интерполационен полином за n=6
π /2
1 π /2
∫ sin xdx = 140 ⋅
0
6
(41 ⋅ 0 + 216 ⋅ 0.25882 + 27 ⋅ 0.5 + 272 ⋅ 0.70711 + 27 ⋅ 0.86603 +
1
+ 216 ⋅ 0.96593 + 41 ⋅ 1) = ⋅ 0.261799 ⋅ 534.76273 = 1.000004
140
b. Примена на Трапезно правило
π /2
1
∫ sin xdx = 2 0.261799(0 + 2 ⋅ 0.25882 + 2 ⋅ 0.5000 + 2 ⋅ 0.70711 + 2 ⋅ 0.86603 +
0
+ 2 ⋅ 0.96593 + 1.0000) = 0.130900 ⋅ 7.595780 =0.994285
c. Примена на Симпсоновото правило
π /2
1
∫ sin xdx = 3 ⋅ 0.261799(0 + 4 ⋅ 0.25882 + 2 ⋅ 0.5 + 4 ⋅ 0.70711 + 2 ⋅ 0.86603 +
0
+ 4 ⋅ 0.96593 + 1.00000) = 0.087266 ⋅ 11.459500 =1.00003
Од добиените резултати се гледа дека во овој случај најточна е

интеграцијата со помош на Њутновиот интерполационен полином.
Грешката од користењето на Симпсоновото правило е дадена со
следната теорема.
Теорема 4.3 (Грешка на Симпсоново правило) Нека fIV(x) е
b
непрекината на интервалот [a, b]. Нека I = ∫ f ( x)dx и нека S е вредноста на овој
a
66
интеграл добиена со Симспоново правило при поделба на интервалот [a, b] со

b−a
рамномерно растојание h = . Тогаш постои ξ∈[a, b] такво што:
2m
(b − a)h 4 IV
I −S =− f (ξ )
180
Пример 6 Колку подинтервали за Симпсоново правило се потребни за

2
∫x − 1dx да се апроксимира со точност 10-8?

4
интегралот
0
Бидејќи f ( x) = x 4 − 1 , следува f ' ( x) = 4 x 3 , f ' ' ( x) = 12 x 2 , f ' ' ' ( x) = 24 x и

f IV ( x) = 24 . Значи fIV(ξ) е непрекината и ограничена со 24 на интервалот [0, 2].
Ако во Симпсоновото правило се користат n интервали, тогаш од Теорема 4.3 за
грешката се добива:
4
2 − 0 ⎛ 2 − 0 ⎞ IV 8 f IV (ξ )
− ⎜ ⎟ f ξ) = −
180 ⎝ n ⎠ 45n 4
За оваа грешка да биде помала од 10-8 доволно е да се земе:
8 ⋅ 24
4
≤ 10 −8
45n
64
оттука се добива n ≥ 4 ⋅ 10 2 подинтервали.
15
Една имплементација на Симпсоново правило е дадена на Слика 4.10.
function vr = simpson(a,b,n,fun)
% Funkcijata simpson(a,b,n,fun) presmetuva numericka aproksimacija na
% opredelen integral so Simpsonovo pravilo vo intervalot [a,b] so
% 2n podintervali
f=str2func(fun);
h=(b-a)/(2*n);
x=a:h:b;
y=f(x);
vr = y(1)+4*y(2*n)+y(2*n+1);
for k = 2:2:(2*n-2)
vr = vr + 4 * y(k)+2*y(k+1);
end
vr = vr * h / 3;
Слика 4.10 Имплементација на Симпсоново правило во Матлаб
67
4.2.2 Гаусова интеграција
Во нумеричката анализа има една цела група на методи познати под

името квадратни правила, а преставуваат методи за апроксимација на
определен интеграл, како тежинска сума на вредности на дадената функција во
специфични точки од доменот на интеграција. Во оваа група спаѓа и Гаусовата
интеграција, позната уште и како Гаусово квадратно правило, а има облик:
b n
∫ f ( x)dx ≈ ∑ Wk f ( x k ) (14)
a k =1
каде големините Wk се викаат тежини, а точките xk јазли на интеграцијата и

притоа се корени на т.н. Legendre полиноми кои спаѓаат во класата на
ортогонални полиноми. Смислата на овие тежини може да се илустрира и на
претходно изведените формули за нумеричка интеграција. Така на пример,
трапезното правило (12) може да се напише во форма:
b
h h
∫ f ( x)dx ≈ 2 f ( x
a
0 ) + h ⋅ f ( x1 ) + h ⋅ f ( x 2 ) + ... +
2
f ( xn )
каде h/2, h, h, ..., h/2 ги претставуваат тежините за јазлите x0, x1, x2, ... , xn.
Слично и кај Симпсоновото правило (13) напишано во форма:
b
h 4h 2h 2h 4h h
∫ f ( x)dx ≈ 3 f ( x
a
0 )+
3
f ( x1 ) +
3
f ( x 2 ) + ... +
3
f ( xn−2 ) +
3
f ( x n −1 ) + f ( x n )
3
каде h/3, 4h/3, 2h/3, ..., 2h/3, 4h/3, h/3 ги претставуваат тежините за јазлите x0, x1,
x2, ..., xn-2, xn-1, xn.
При гаусовата нумеричка интеграција бројот на точки n се смета за
фиксен и за него се избираат Wk и xk кои се зададени со таблици.
Во оваа постапка вообичаена е трансформација на функцијата f(x), a ≤ x
≤ b во интервалот −1 ≤ z ≤ +1 која се постигнува со
z (b − a ) + b + a
x= (15)
2
од овде
b−a
dx = dz и
2
2 x − (b + a) (16)
z=
b−a
68
При оваа трансформација се менуваат и границите:
за x = a z = −1
за x = b z = +1
со што левата страна на равенката (14) е:
b +1
b − a ⎛ z (b − a ) + b + a ⎞
∫
a
f ( x)dx =
2 −∫1 ⎝
f⎜
2
⎟dz
⎠
Табела 4.3
n k xk Wk
1
1 - = −0.57735027 1.00000000
3
2
1
2 + = +0.57735027 1.00000000
3
3 5
1 - = −0.77459667 = 0.55555556
5 9
8
3 2 0.0 = 0.88888889
9
3 5
3 -+ = +0.77459667 = 0.55555556
5 9
1 −0.86113631 0.34785485
4 2 −0.33998104 0.65214515
3 +0.33998104 0.65214515
4 +0.86113631 0.34785485
1 −0.90617985 0.23692689
2 −0.53846931 0.47862867
5 3 0.0 0.56888889
4 +0.53846931 0.47862867
5 +0.90617985 0.23692689
Бидејќи стандардната Гаусова интеграција е дадена со:
+1 n
∫ f ( z )dz = ∑ Wk f ( z k ) (17)
−1 k =1
интегралот од (14) може да се апроксимира со:

69
b
(b − a) n ⎛ z (b − a) + b + a ⎞ (18)
∫ f ( x)dx ≅ ∑
2 k =1
Wk f ⎜ k
⎝ 2
⎟
⎠
a
Во Табела 4.3 дадени се параметрите за Гаусовата интеграција.
Пример 7 Со Гаусовата интеграциона формула со две точки да се

определи вредноста на интегралот:
1 1
∫ f ( z )dz = ∫ ( z + z 2 + z + 1)dz
3
−1 −1
Од Табела 4.3 за формула со две точки следи:
1 2
∫ f ( z )dz = ∑ Wk ⋅ f ( x k ) = 1 ⋅ f (0.57735027) + 1 ⋅ f (−0.57735027)

−1 i =1
f(0.57735027) = 2.10313369
f(−0.57735027) = 0.56353297
∑W
i =1
k ⋅ f ( x k ) = 2.10313369 + 0.56353297 = 2.66666666
1
1
⎛ z4 z3 z2 ⎞
∫−1( z + z + z + 1)dz = ⎜⎜⎝ 4 + 3 + 2 + z ⎟⎟⎠ = 2.66666666
3 2
−1
следува дека добиеното решение се поклопува со точното решение.
Пример 8 Да се примени Гаусовата интеграциона формула со пет точки

за пресметнување на интегралот:
2
dx
I =∫
2
= ln x 1 = 0.69314718
1
x
Со помош на равенката (16) ги трансформираме променливите од 1≤x≤2
на −1≤ z ≤1.
2 x − (b + a ) 2 x − 2 − 1 dz
z= = = 2x − 3 dz=2dx dx =
b−a 2 −1 2
1 1 2 2
f ( x) = f ( z) = = =
x z (b − a) + b + a z (2 − 1) + 2 + 1 z + 3
2
70
2 1 1
dx 2 dz 1
∫1 x = −∫1 z + 3 2 = −∫1 z + 3 dz
Пресметувањето по Гаусовата формула со пет точки дадено е табеларно:
1
k zk Wk f (zk ) = Wk ⋅ f(zk)
zk + 3
1 −0.90617985 0.23692689 0.47759593 0.11315529
2 −0.53846931 0.47862867 0.40625128 0.19444351
3 0.00 0.56888889 0.33333333 0.18962962
4 +0.53846931 0.47862867 0.28260808 0.13526433
5 +0.90617985 0.23692689 0.25600460 0.06065437
5
∑W
k =1
k f ( z k ) = 0.69314712
Добиеното решение со нумеричка интеграција е точно на 7 децимали.
Една имплементација на Симпсоново правило е дадена на Слика 4.11.
function I = GaussQR(a, b, n,fun)

% Funkcijata GaussQR(n,fun) presmetuva numericka aproksimacija na
% opredelen integral so Gausovotokvadratno pravilo vo intervalot [a,b] so n tocki, kade n
% pripaga vo mnozestvoto {2,3,4,5}. Pritoa fun e transformiranata funkcija vo interval [-1,1].
f=str2func(fun);
X2=[-0.57735027 0.57735027]; Z2=[1 1];
X3=[0.77459667 0 0.77459667]; Z3=[5/9 8/9 5/9];
X4=[-0.86113631 -0.33998104 0.33998104 0.86113631];
Z4=[0.34785485 0.65214515 0.65214515 0.34785485];
X5=[-0.90617985 -0.53846931 0 0.53846931 0.90617985];
Z5=[0.23692689 0.47862867 0.56888889 0.47862867 0.23692689];
if n==2
S=sum(f(X2).*Z2);
else if n==3
S=sum(f(X3).*Z3);
else if n==4
S=sum(f(X4).*Z4);
else if n==5
S=sum(f(X5).*Z5);
else
displ('Pogresen vnes za n');
end
end
end
end
I=S*(b-a)/2;
Слика 4.11 Имплементација на Гаусовото квадратно правило во Матлаб
71
ВЕЖБИ
1. Со помош на Трапезно правило да се определи вредноста на интегралот:

4.7 x
e ln x
a. ∫ dx со чекор h=0.3;
2
x
1 ⎧⎪1 + x x ∈ [0,0.5]
b. ∫ f ( x)dx каде f ( x) = ⎨ со чекор h=0.1.
0 ⎪⎩2 − x x ∈ (0.5,1]
2. Со помош на Симпсоново правило да се определи вредноста на интегралот

3
∫e
x
a. ln xdx со чекор h=0.1;
2
∫ (2 + cos(2 x ))dx со чекор h=0.2.

2
b.
0
3. Колку подинтервали за Трапезното правило се потребни за интегралот

1
1
∫0 1 + x dx да се апроксимира со точност 10 ?
-10
4. Колку подинтервали за Симпсоновото правило се потребни за интегралот

1
1
∫0 1 + x dx да се апроксимира со точност 10 ?
-10
4
5. Да се определи вредноста на определениот интеграл ∫ e x x ln xdx :
1
a. со Трапезно правило со h=0.2;
b. со Симпсоново правило со h=0.3;
c. со Њутнов интерполационен полином за n=6 (h=0.5).
6. Со помош на Гаусова интеграција со 5 точки, да се определи вредноста на

1 x
e
интегралот ∫ dx .
0.4
x
72
5 НУМЕРИЧКО РЕШАВАЊЕ СИСТЕМИ ЛИНЕАРНИ

РАВЕНКИ
Многу физички различни проблеми од различни инженерски области се

сведуваат на решавање на еден систем од линеарни алгебарски равенки.
Понекогаш тие се јавуваат уште при формулирањето на проблемот, а
понекогаш решавањето на еден систем од линеарни алгебарски равенки е само
една од фазите во решавањето на проблемот. Многу проблеми во механиката,
физиката, економијата и т.н. се сведуваат на решавање на еден систем од
линеарни алгебарски равенки.
За даден систем на линеарни алгебарски равенки без соодветно
испитување на системот не може да се тврди дали системот воопшто има
решение, или ако решението постои дека е и единствено. Системите (1) кај кои
бројот на непознатите е еднаков со бројот на равенките се викаат симултани
системи. Во ова поглавје ќе се разгледуваат токму овие системи.
⎧a11 x1 + a12 x2 + a13 x3 + ... + a1 j x j + ... + a1n xn = b1

⎪
⎪a 21 x1 + a 22 x2 + a 23 x3 + ... + a 2 j x j + ... + a 2 n x n = b2
⎪⎪... (1)
⎨
⎪a i1 x1 + ai 2 x 2 + ai 3 x3 + ... + aij x j + ... + ain x n = bi
⎪...
⎪
⎪⎩a n1 x1 + a n 2 x 2 + a n 3 x3 + ... + a nj x j + ... + a nn x n = bn
Системот еден може да се запише и во матричен облик како Ax=b, каде

A е матрица од коефициентите пред непознатите, x е вектор колона од
непознатите променливи, а b е вектор колона од слободните членови, односно:
73
⎡ a11 a12 ... a1 j ... a1n ⎤ ⎡ x1 ⎤ ⎡ b1 ⎤

⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢a 21 a 22 ... a 2 j ... a 2 n ⎥ ⎢ x 2 ⎥ ⎢b2 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ ... ⎥ ⎢ ... ⎥ ⎢ ... ⎥ (2)
⎢ ⎥⎢ ⎥ = ⎢ ⎥
⎢ ai1 ai 2 ... a ij ... ain ⎥ ⎢ xi ⎥ ⎢ bi ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ ... ⎥ ⎢ ... ⎥ ⎢ ... ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢a
⎣ n1 an2 ... a nj ... a nn ⎥⎦ ⎢⎣ x n ⎥⎦ ⎢⎣bn ⎥⎦
Во однос на егзистенцијата на решенијата на еден систем симултани

линеарни алгебарски равенки постојат три и само три можности:
1. Системот има единствено решение
⎧⎪2 x1 + x 2 = 4
Пример 1: Системот ⎨ има единствено решение (1, 2).
⎪⎩ x1 − x 2 = −1
2. Системот нема решение
⎧⎪4 x1 + 6 x 2 = 10
Пример 2: Системот ⎨ е противречен и нема решение.
⎪⎩ 2 x1 + 3x 2 = 6
3. Системот има бесконечно многу решенија
⎧⎪4 x1 + 6 x 2 = 12
Пример 3: Системот ⎨ има бесконечно многу решенија,
⎪⎩ 2 x1 + 3x 2 = 6
⎧⎛ 6 − 2 x1 ⎞ ⎫
односно секој пар вредности ⎨⎜ x1 , ⎟ x1 ∈ D ⎬ е решение на системот.
⎩⎝ 3 ⎠ ⎭
Системите под 2 и 3 се викаат сингуларни системи. Понекогаш уште при

формулацијата на проблемот може (и треба) да се докаже несингуларноста на
системот. Ако оваа информација недостасува, тогаш треба да се одбере таква
метода за решавање на системот што ќе биде во состојба да ја открие
евентуалната сингуларност на системот. Алтернативно, може да се определи
рангот на матрицата на системот, па од тука да се види дали системот е
сингуларен. Експлицитен тест за сингуларноста на еден систем е вредноста на
74
неговата детерминанта. Вредноста нула укажува на сингуларноста на системот.

Како и да е, нумеричкото определување на детерминантата бара речиси толку
работа, колку и определувањето на решението на системот.
Од гледна точка на аритметиката со бесконечна прецизност еден, систем
од линеарни равенки или е сингуларен или не е сингуларен. Меѓутоа од гледна
точка на нумериката со конечен број важечки цифри еден систем може да биде
блиску до сингуларен, при што се можни големи грешки во решенијата.
⎧⎪ 5 x1 + 7 x 2 = 12
Пример 4: Системот ⎨ има единствено решение (1,1).
⎪⎩7 x1 + 10 x 2 = 17
Нека се проба на пример, со решението: x1 = 2.415; x2 = 0.
⎧⎪ 5 ⋅ 2.415 + 7 ⋅ 0 = 12.075
Замената во равенките дава ⎨ .
⎪⎩7 ⋅ 2.415 + 10 ⋅ 0 = 16.905
Слика 5.1
Ако десните стани се заокружат на две важечки цифри, тогаш и
погрешното решение изгледа исто толку добро како и точното решение.
Проблемот е во тоа што двете равенки кои претставуваат прави се сечат под
многу мал агол - тие се скоро паралелни. Погрешното решение иако не лежи на
ниедна од нив, е многу блиску и до двете прави (Слика 5.1).
Ваквите системи равенки се викаат лошо условени системи. Тие се многу

осетливи на мали промени на коефициентите. Тоа значи дека мали промени на
коефициентите передизвикуваат големи промени во решенијата. Бидејќи
нумеричките пресметнувања се изведуваат со конечен број на цифри, поради
воведените мали промени од извршените заокружувања, ваквите системи можат
75
да дадат решенија со мала или никаква точност, ако воопшто се успее да се

добие решение на системот.
Постојат два типа на нумерички методи за решавање на системи
линеарни алгебарски равенки:
• директни или конечни методи

• индиректни или итеративни методи
Директните методи доаѓаат до точното решение, ако постои, по

изведување на конечен број на алгебарски операции. Терминот "точно
решение" во овој контекст го означува добиеното решение, при што се
занемаруваат грешките од заокружување. Итративните (индиректни) методи во
принцип изведуваат бесконечен број на алгебарски операции. Меѓутоа, ова е
неостварливо, па итерациите мора некаде да се прекинат. Затоа кај
индиректните методи се јавуваат така наречени грешки од занемарување. Овие
методи во принцип се многу привлечни, но под услов да се обезбедат услови за
конвергенција на решението.
5.1 ГАУСОВА ЕЛИМИНАЦИОНА ПОСТАПКА
Гаусовата елиминациона постапка или уште и Гаус-Јорданова метода е

една од најпознатите од класата на директните методи за решавање системи
линеарни равенки.
Треба да се реши системот (1) од n равенки со n непознати. Се
претпоставува дека равенките се претходно така подредени за да се исполни
условот a11≠0.
Се дефинираат n-1 множители mi од облик:
a
mi = i1 i = 2,3,...,n
a11
⎛ a a31 a ⎞
⎜⎜ m2 = 21 ; m3 = ; . . . . . mn = n1 ⎟⎟
⎝ a11 a11 a11 ⎠
По ова првата равенка помножена со соодветниот коефициент mi,

(i=2,3,..,n) по ред се одзема од преостанатите (n-1) равенка. При ова настануваат
трансформации на коефициентите во втората, третата па сé до n-тата равенка.
Овој процес се вика елиминација на x1 од сите равенки освен од првата. При
елиминацијата од истата равенка се добива:
ai1
mi = ; i = 2,3,...,n
a 11
76
aij' = aij − mi a1 j j = 1,2,...,n

ai1
за j = 1 ai'1 = ai1 − mi ⋅ a11 = ai1 − ⋅ a11 = 0
a11
Според тоа, елиминацијата на x1 се одвива преку:
ai1
mi = ; i = 2,3,...,n
a 11
ai'1 = 0
bi' = bi − mi ⋅ b1 ; i = 2,3,...,n
a = aij − mi a1 j ;
'
ij ј= 2,3,...,n
На таков начин по елиминацијата на x1 од втората до n-тата равенка,
системот се трансформира во еквавилентен систем со облик:
⎧a11 x1 + a12 x 2 + a13 x3 + ... + a1 j x j + ... + a1n x n = b1

⎪
⎪0 + a 22
'
x 2 + a 23
'
x3 + ... + a 2' j x j + ... + a 2' n x n = b2'
⎪...
⎪
⎨
⎪0 + ai' 2 x 2 + ai' 3 x3 + ... + aij' x j + ... + ain' x n = bi'
⎪...
⎪
⎪⎩0 + a n' 2 x 2 + a n' 3 x3 + ... + a nj' x j + ... + a nn
'
x n = bn'
Процесот продолжува со елиминација на x2 од третата до n-тата равенка.

Потоа се елиминира x3 од четвртата до n-тата равенка и т.н. Конечно се
елиминира xn-1 од n-тата равенка.
Овој алгоритам може да се формализира на следниот начин:
Нека во k-тиот циклус треба да се елиминира xk од k+1 –та до n-тата
равенка. Множителите mi, потребни за таа цел се дефинираат со помош на
коефициентите од претходниот k-1 –ви циклус:
( k −1) aik( k −1) (3)

m i = ( k −1) ; i = k+1, k+2, ..., n
a kk
Овде горниот индекс k-1 го означува циклусот на елиминација (а не

степенување). Се разбира дека по претпоставка е исполнет условот a kkk −1 ≠ 0 .
Трансформациите во овој случај добиваат облик:
77
aij( k ) = aij( k −1) − mi( k −1) ⋅ a kj( k −1) aik( k ) = 0

(4)
bi( k ) = bi( k −1) − mi( k −1) ⋅ bk( k −1)
i = k+1, k+2, ..., n
j = k+1, k+2, ..., n
Очигледно дека бројачот (индексот) на циклусите ги добива вредностите:

1, 2, 3, до n-1.
Во моментот кога е k = n-1, тоа значи дека се елиминира xn-1 од n-тата
равенка. Така по (n-1) циклус (елиминации) оригиналниот систем се
трансформира во еквивалентен триаголен систем (5).
⎧a11 x1 + a12 x2 + a13 x3 + ... + a1 j x j + ... + a1n x n = b1

⎪
⎪ + a 22
'
x 2 + a 23
'
x3 + ... + a 2' j x j + .... + a 2' n x n = b2'
⎪...
⎪ (5)
⎨
⎪ a 'jj x j + ... + a 'jn x n = bi'
⎪...
⎪
⎪⎩ '
a nn x n = bn'
Со ова е комплетирана првата фаза на Гаусовата елиминациона постапка

- елиминацијата. Добиениот триаголен систем лесно се решава во втората фаза
- замената назад со равенките (6).
bn
xn = ;
a nn
b − a n −1,n ⋅ x n (6)
x n −1 = n −1
a n −1,n −1
...
b j − a jn ⋅ x n − a j ,n −1 ⋅ x n −1 − ... − a j , j +1 ⋅ x j +1
xj = ; j = n-2, n-3, ..., 2,1
a jj
Процесот на елиминација не ја менува вредноста на детерминантата иако
секоја (евентуална) измена на редовите í го менува знакот. По завршувањето на
елиминацијата вредноста на детерминантата е производ од коефициентите на
главната дијагонала. При ова знакот í се менува ако претходно е извршен
непарен број на размени на редовите. Според ова, со Гаусовата елиминациона
постапка многу ефикасно може да се определи вредноста на една детерминанта.
Намалувањето на грешките од заокружувањето може да се изведе
доколку се користи правилото на главни елементи. Идејата е главниот елемент
78
(pivot) во дадена редица, односно елементот со кој ќе се дели, да не биде помал

по апсолутна вредност, од останатите елементи во неговата редица. При
дефинирањето на множителите:
( k −1) aik( k −1)

m i = ( k −1) ; i = k+1, k+2, ...,n
a kk
акк ≠ 0
во редок “ к “ се сместува редот за кој е исполнето:
a kk( k −1) ≥ aik( k −1)
Елементот akk што ја задоволува претходната релација се нарекува

главен елемент или пивот. Со зборови, правилото на главни елементи значи
дека се преуредуваат последните n-k+1 равенки (редови) така што најголемиот
по апсолутна вредност од коефициентите во колоната “к” да се појави во редот
“к”.
Трансформацијата на дадена матрица со помош на правилото на главни
елементи е дадено на Слика 5.2.
function [A,promenlivi, redici]=PGE(A)

% PGE(A) transformira dadena matrica A so praviloto
% na glavni elementi, promenlivi go sodrzi redot na promenlivite
% redici ja sodrzat permutacijata na redicite
[n n]=size(A);
promenlivi=1:n;
redici=1:n;
for j=1:n-1
ir=1:n;
ik=ir;
[maxr, rpom]=max(abs(A(j:n, j:n)));
rpom=rpom+j-1;
[maxk,km] =max(abs(maxr));
pom=ik(j); ik(j)=km+j-1; ik(km+j-1)=pom;
rm=rpom(km);
pom=ir(j); ir(j)=rm; ir(rm)=pom;
promenlivi=promenlivi(ik);
redici=redici(ir);
A= A(ir, :);
A=A(:,ik);
end
Слика 5.2 Имплементација на правилото на главни елементи во Матлаб
Пример 5: Со Гаусова елиминациона постапка да се реши следниот

систем.
79
Елиминација:
2 1
⎧ x1 + x 2 + x3 = 4 × m2 = × m3 =
⎪⎪ 1 1
⎨2 x1 + 3x 2 + x3 = 9 -
⎪
⎪⎩ x1 − x 2 − x3 = −2 -
⎧ x1 + x 2 + x3 = 4
⎪⎪ −2
⎨ x 2 − x3 = 1 × m3 =
⎪ 1
⎪⎩ 2 x 2 − 2 x3 = −6 -
⎧ x1 + x 2 + x3 = 4
⎪⎪
⎨ x 2 − x3 = 1
⎪
⎪⎩ − 4 x 3 = −4
Замена назад:
x3 = 1
x2 = 1 + x3 = 2
x1 = 4 – x2 – x3 = 4 – 2 – 1 = 1 x1 = 1; x2 = 2; x3 = 1
Пример 6: Илустрација на влијанието на грешките од заокружување. Се

разгледува системот:
⎧⎪1.241 × 10 0 x1 + 1.600 × 10 2 x 2 = 1.632 × 10 2
⎨
⎪⎩1.020 × 10 4 x1 + 1.540 × 10 3 x 2 = 1.174 × 10 4
Точното решение е: x1 = 1.000 × 100 и x2 = 1.000 × 100
Се претпоставува дека сите операции можат да се изведуваат со четири

важечки цифри. Ако равенките се решат во редоследот како што се дадени се
добива:
1.020 × 10 4
m= = 3.147 × 10 3
3.241 × 10 0
Откако првата равенка ќе се помножи со овој коефициент, а потоа се

одземе од втората се добива:
80
5.730 × 10-1 x1 – 5.020 × 105 x2 = − 5.019 × 105
Коефициентот пред x1, теоретски е нула, но поради грешките од

заокружување тоа практично не се постигнува. Како и да е овој коефициент не
учествува во понатамошните пресметнувања:
− 5.019 × 10 5
x2 = = 9.998 × 10 −1
− 5.020 × 10 5
Со замена во првата равенка се добива: x1 = 9.873 × 10-1

Бидејќи за пресметувањето на x1 се извршени повеќе алгебарски
операции, тој е со помала точност од x2, поради поголемиот број на
заокружувања.
Ако се примени правилото на главни елементи, што во овој случај се
сведува на замена на редоследот на равенките се добива:
3.241 × 10 0
m= = 3.177 × 10 − 4
1.020 × 10 4
Новиот втор ред станува:
0.000 x1 + 1.595 × 102 x2 = 1.595 × 102

Од овде следува: x1 = 1.000 × 100 и x2 = 1.000 × 100
function x = gausjordan(A,b)
% Funkcijata gausjordan(A,b) ovozmozuva resenie na simultaniot sistem
% linearni ravenki, daden vo matricna forma Ax=b so
% Gaus-Jordanovata metoda so praviloto na glavni elementi
[n n]=size(A);
[A, promenlivi, redici]=PGE(A);
A=[A';b(redici)']';
x=zeros(n,1);
for i=1:n
for k=i+1:n
if A(i,i)==0, break,end
m=A(k,i)/A(i,i);
A(k,:)=A(k,:)-m*A(i,:);
end
end
x(n)=A(n,n+1)/A(n,n);
for i=n-1:-1:1
suma=0;
for j=i+1:n
suma=suma+x(j)*A(i,j);
x(i)=(A(i,n+1)-suma)/A(i,i);
end
end
x(promenlivi)=x;
Слика 5.3 Имплементација на Гаус-Јордановата метода во Матлаб
81
Ако системот на линеарни алгебарски равенки е голем (n > 100),

грешките од заокружување може да се акумулираат, па добиените резултати
можат евентуално да станат бесмислени. Поради тоа, при користењето на
Гаусовата елиминациона постапка се препорачува да се врши (по потреба)
размена на редовите, односно да се користи правилото на главни елементи.
Една имплементација на Гаус-Јордановата метода е дадена на Слика 5.3.
5.2 ЈАКОБИЕВА МЕТОДА
Јакобиевата и Гаус-Зајделовата метода спаѓаат во групата на итеративни

методи. Кај Јакобиева метода во системот (1), секоја од равенките се запишува
во модифицирана форма, при што во к-тата равенка се изразува непознатата xk
како функција од останатите променливи (7).
1 ⎡ k −1 n
⎤
⎢ k ∑ ki i ∑ a ki ⋅ xi ⎥ k = 1, 2, ..., n
xk = b − a ⋅ x − (7)
a kk ⎣ i =1 i = k +1 ⎦
Основната идеја на оваа метода е последната формула да се искористи за

формулирање на една итеративна постапка на следниов начин:
• се избира едно почетно (пробно) решение;

• со помош на формулата се пресметува ново решение;
• ако новото решение сé уште не е задоволително (не конвергира),
последното решение се третира како ново пробно решение од кое се
пресметува ново подобро решение.
Процедурата се повторува сé додека разликата помеѓу претходното и

новото решение не се направи доволно мала, односно до задоволувањето на
критериумот за конвергенција. Критериумот за конвергенција се изразува како
нормата 1 на разликата на два последователни вектора на решението да биде
помала од специфицираната толеранција:
X ( r −1) − X ( r ) ≤ ε (8)
Бидејќи итеративните методи може да се изведуваат бесконечно,

потребно е да се нагласи максималниот број на дозволени итерации, со што би
се прекинала итеративната постапка доколку и после последната максимална
итерација, критериумот за конвергенција не е исполнет.
r n r
∑x
2
1
X = i каде X = ( x1 , x 2 ,..., x n )
i =1
82
⎧10x 1 + x 2 + x 3 = 12
⎪
Пример 7 Системот на линеарни равенки ⎨ 2x 1 + 10x 2 + x 3 = 13 да се
⎪ 2x + 2x + 10x = 14
⎩ 1 2 3
реши со Јакобиевата метода со точност ε=0.002 и со почетно решение (0,0,0).
Првиот чекор е равенките да се решат по непознатите од дијагоналниот

член:
x1 = 1.2 – 0.1x2 – 0.1x3

x2 = 1.3 – 0.2x1 – 0.1x3
x3 = 1.4 – 0.2x1 – 0.2x2
Со замена на почетното решение, како прва апроксимација се добива:
x1 = 1.2, x2 = 1.3, x3 = 1.4
Овие вредности за x1, x2 и x3 претставуваат наше второ пробно решение.

Заменувајќи ги во десната страна на системот од равенки добиваме:
x1 = 0.930, x2 = 0.920, x3 = 0.900
Итеративната постапка е прикажана во Табела 5.1.
Табела 5.1
итерација X(i) X ( i ) − X (i −1)
i x1 x2 x3
1 1.2000 1.3000 1.4000 2.2561
2 0.9300 0.9200 0.9000 0.6836
3 1.0180 1.0240 1.0300 0.1883
4 0.9946 0.9934 0.9916 0.0544
5 1.0015 1.0019 1.0024 0.0154
6 0.9996 0.9995 0.9993 0.0044
7 1.0001 1.0002 1.0002 0.0012
Во 7-та итерација се добива задоволување на критериумот за

конвергенција, па вредностите од оваа итерација се земаат за решение на
системот линеарни равенки.
Имплементацијата на Јакобиевата метода е прикажана на Слика 5.4.

Покрај нумеричкото решение, како излез се добиваат и резултатите од секоја
итерација прикажани како матрица J, како и грешката err. Притоа се
83
претпоставува дека системот линеарни равенки е преуреден со правилото на

главни елементи.
function [x, J, err] = jakobi(A,b,x0,tol,maxi)

% Funkcijata jakobi(A,b) ovozmozuva resenie x na simultaniot sistem
% Jakobievata iterativna metoda. tol e dozvolenata geska
% maxi e maksimalniot broj na iteracii, x0 e pocetno resenie
% J gi sodrzi rezultatite od iteraciite, a err greskata
n=length(b);
iteracii=0;
uslov=0;
xs=x0';
x=x0';
J=[x0];
while ((uslov==0) & (iteracii<=maxi))
for r=1:n
suma=b(r)-A(r,[1:r-1,r+1:n])*xs([1:r-1, r+1:n]);
x(r)=suma/A(r,r);
end
J=[J;x'];
err=norm(x-xs);
iteracii=iteracii+1;
if (err<=tol), uslov=1;end
xs=x;
end
Слика 5.4 Имплементација на Јакобиевата метода во Матлаб
5.3 ГАУС-ЗАЈДЕЛОВА МЕТОДА
Гаус-Зајделовата метода преставува модификација на Јакобиевата

метода, при што во r-тиот итеративен чекор, некои од непознатите се
дефинирани во r-тиот, а некои во претходниот чекор (9). Секоја новодобиена
вредност на дадена променлива веднаш се користи во пресметките на другите
променливи, а не се чека да заврши итеративниот чекор како кај Јакобиевата
метода.
1 ⎡ k −1 n
⎤
x k( r ) = ⎢ k ∑ ik i
− − ∑ aik xi( r −1) ⎥ k = 1, 2, ..., n (9)
(r )
b a x
a kk ⎣ i =1 i = k +1 ⎦
На овој начин се постигнува забрзување на итеративниот процес,

односно со помал број на итеративни чекори се постигнува задоволително
решение на системот. Критериумот за конвергенција се дефинира на ист начин
како и кај Јакобиевата метода (8).
84
Иако едноставна, оваа метода е многу осетлива на промени во матрицата

на коефициентите. Исто така, дури и за несингуларни системи конвергенцијата
може да биде многу бавна или дури воопшто да не постои.
За таа цел се дефинираат доволни услови за конвергенција, кои за оваа
метода се преставени како:
1. ⎢aii ⎢≥ ⎢ai1 ⎢+ ... + ⎢ai-1,i ⎢+ ⎢ai+1,i ⎢+ ... + ⎢ain ⎢
за сите “i” равенки и барем за едно “i”
2. ⎢aii ⎢> ⎢ai1 ⎢+ ... + ⎢ai-1,i ⎢+ ⎢ai+1,i ⎢+ ...+ ⎢ain ⎢
Исполнувањето на овие услови ја гарантира конвергенцијата на
методата.
Пример 8 Системот од Пример 7 на линеарни равенки да се реши со

Гаус-Зајделовата метода со почетно решение (0,0,0) со точност 0.002.
Повторно се добиваат истите равенки за непознатите променливи:
x1 = 1.2 – 0.1x2 – 0.1x3

x2 = 1.3 – 0.2x1 – 0.1x3
x3 = 1.4 – 0.2x1 – 0.2x2
Откако ќе се пресмета x1 = 1.2, во втората равенка се заменува x1 = 1.2 и

x3 = 0 при што се добива x2 = 1.060. Заменувајќи за x1 = 1.2 и x2 = 1.060 во
третата равенка се добива x3 = 0.984. Итеративната постапка е прикажана во
Табела 5.2.
Табела 5.2
итерација X(i)
X ( i ) − X ( i −1)
i x1 x2 x3
1 1.2000 1.0600 0.9480 1.8607
2 0.9992 1.0054 0.9991 0.2143
3 0.9996 1.0002 1.0001 0.0053
4 1.0000 1.0000 1.0000 0.0005
Од примерот се гледа дека до решението со барана точност се доаѓа

многу побрзо, веќе во 4-тиот чекор.
Пример 9: Да се разгледа конвергенцијата на решението кај системот:
⎧2x1 + x 2 = 2
⎨
⎩ x1 - 2x 2 = - 2
85
1
x1 = [2 − x2 ]
2
1 2 6
x2 = [2 + x1 ] точното решение е: x1 = ; x 2 =
2 5 5
Почетно решение: x1 = 0, x2 = 0
1
#1 x1 = [2 − 0] = 1 x2 =
1
[2 + 1] = 3
2 2 2
1⎡ 3⎤ 1 1⎡ 1⎤ 9
#2 x1 = ⎢2 − ⎥ = x 2 = ⎢2 + ⎥ =
2⎣ 2⎦ 4 2⎣ 4⎦ 8
1 ⎡ 9⎤ 7 1⎡ 7 ⎤ 39
#3 x1 = ⎢2 − ⎥ = x 2 = ⎢2 + ⎥ =
2 ⎣ 8 ⎦ 16 2 ⎣ 16 ⎦ 32
x1 = 0.4375 x2 = 1.21875
итерација x1 x2
0 0 0
1 1 3/2
2 1/4 9/8
3 7/16 39/32
x22
x1 – 2x2 = -2
x1x1
Слика 5.1 Приказ на конвергенција на решение со Гаус-Зајделовата метода
Очигледно дека решението конвергира кон точното решение.
Пример 10: Да се разгледа конвергенцијата на решението кај истиот

систем само со обрнат редослед на равенките:
86
⎧ x1 − 2 x 2 = − 2
⎨
⎩2 x1 + x 2 = 2
x1 = −2 + 2x2
2 6
x2 = 2 – 2x1 точното решение е: x1 = ; x 2 =
5 5
Почетно решение: x1 = 0, x2 = 0
#1 x1 = −2 + 0 = −2 x2 = 2 – 2(−2) = 6
#2 x1 = −2 + 2⋅6 = 10 x2 = 2 – 2⋅10 = −18
#3 x1 = −2 + 2⋅(−18) = −38 x2 = 2 – 2⋅(−38) = 78
итерација x1 x2
0 0 0
1 -2 6
2 10 -18
3 -38 78
Очигледно дека решението не конвергира.
Една имплементација на Гаус-Зајделовата метода е дадена на Слика 5.6.

Притоа се претпоставува дека системот линеарни равенки е преуреден со
правилото на главни елементи.
function [x, J, err] = seidel(A,b,x0,tol,maxi)

% Funkcijata seidel(A,b) ovozmozuva resenie na simultaniot sistem
% Gaus-Seidelovata iterativna metoda. tol e dozvolenata geska
% maxi e maksimalniot broj na iteracii, x0 e pocetno resenie
n=length(b);
iteracii=0;
uslov=0;
xs=x0';
x=x0';
J=[x0];
while ((uslov==0) & (iteracii<=maxi))
for r=1:n
suma=b(r)-A(r,[1:r-1,r+1:n])*x([1:r-1, r+1:n]);
x(r)=suma/A(r,r);
end
J=[J;x'];
err=norm(x-xs);
iteracii=iteracii+1;
if (err<=tol), uslov=1;end
xs=x;
end
Слика 5.6 Имплементација на Гаус-Зајделовата метода во Матлаб
87
Причините за отсуството на конвергенција при решавањето на еден ист

систем со различен редослед на равенките (што не го менува системот и
неговите решенија) е незадоволувањето односно неисполнувањето на условите
за конвергенција.
Се поставува прашањето, како еден произволен систем на равенки треба
да го адаптираме, на најпогоден начин, за користење на Гаус-Зајделовата
метода. Според условите за конвергенција потребно е дијагоналните членови на
системот да бидат доминантни. Методата на аранжирање на членовите во
системот ќе ја покажеме на следниот пример.
Пример 11 Дадениот систем линеарни равенки да се реши со Гаус-

Зајделова метода, со примена на правилото на главни елементи, со почетно
решение (0,0,0,0) со точност 0.01.
⎧ 3x1 - 5x 2 + 47x3 + 20x4 = 18

⎪56x + 23x + 11x - 19x = 36
⎪ 1 2 3 4
⎨
12x
⎪ 1 + 16x 2 + 17x 3 + 18x 4 = 25
⎪⎩17x1 + 65x 2 - 13x3 + 7x4 = 84
Да ја напишеме матрицата на коефициентите во форма:
3 −5 47 20
56 23 11 −19
12 16 17 18
17 65 −13 7
Сега треба да одбереме четири големи елементи од матрицата, под услов
секој од нив да се наоѓа во различен ред и различна колона. Поаѓаме секогаш од
најголемиот број, кој во случајов е 65. На елементот 65 го определуваме
неговиот минор:
3 47 20
56 11 −19
12 17 18
Од оваа матрица се бира најголемиот број, во случајов 56, при што го
определуваме неговиот минор:
47 20
17 18
Од оваа матрица пак го бираме најголемиот елемент, во случајов 47 чии

минор останува 18.
На тој начин ги добиваме коефициентите 65, 56, 47 и 18 кои се викаат
пивоти и сега системот од линеарни равенки може да се напише во облик:
88
⎧65x 2 + 17x1 - 13x3 + 7x4 = 84

⎪23x + 56x + 11x - 19x = 36
⎪ 2 1 3 4
⎨
-
⎪ 2 5x + 3x 1 + 47x 3 + 20x 4 = 18
⎪⎩16x 2 + 12x1 + 17x3 + 18x4 = 25
Итерацитивната постапка е прикажана во Табела 5.3.
1
x2 = (84 − 17 x1 + 13x3 − 7 x4 )
65
1
x1 = (36 − 23x2 − 11x3 + 19 x4 )
56
1
x3 = (18 + 5 x2 − 3x1 − 20 x4 )
47
1
x 4 = (25 − 16 x 2 − 12 x1 − 17 x3 )
18
Табела 5.3
итерација X(i) X ( i ) − X ( i −1)
i x2 x1 x3 x4
1 0.1121 1.2923 0.5133 -0.3193 1.4311
2 -0.1414 1.4000 0.6768 -0.4006 0.3304
3 -0.2453 1.5078 0.7295 -0.4768 0.1761
4 -0.3003 1.5537 0.7703 -0.5195 0.0929
5 -0.3340 1.5809 0.7935 -0.5431 0.0545
6 -0.3531 1.5969 0.8065 -0.5568 0.0313
7 -0.3641 1.6059 0.8140 -0.5647 0.0179
8 -0.3703 1.6111 0.8183 -0.5692 0.0103
9 -0.3739 1.6141 0.8208 -0.5718 0.0059
Критериумот за конвергенција е задоволен во 9-тата итерација, па

ресение на системот линеарни равенки е (1.6141, -0.3739, 0.8208, -0.5718) со
точност 0.01.
5.4 МЕРКА ЗА ЛОША УСЛОВЕНОСТ
Нека е даден систем од n-равенки

n
∑a
j =1
ij x j − ci = 0 (i = 1, 2, ..., n)
89
Dj
Решението x j = ќе осцилира во голема мерка само и само ако
D
D=det(aij) е мала во во однос на Dj или, поинаку дефинирано, ако постојат мали
разлики во коефициентите во системот равенки. Со оглед дека определувањето
на det(aij) е обемна работа, затоа овој критериум со оглед на редот на D обично
ретко се применува.
Добра претстава за геометриското значење на лоша условеност може да
се добие разгледувајќи ги следните две равенки:
R1 = a11x + a12y – c1
R2 = a21x + a22y – c2
Кога R1 = 0 и R2 = 0 тоа претставуваат две прави линии кои се сечат во

точката P (Слика 7).
Нека сега претпоставиме дека R1 и R2 не се нули туку многу мали
позитивни броеви, односно
| R1| < ε1 и | R2 | < ε2
во овој случај решението ќе лежи во тесна лента ограничена со линиите R1±ε1 =

0 од двете страни на R1=0 и тесна лента ограничена со линиите R2±ε2=0 од двете
страни на R2=0. Кога двете линии не се сечат под многу остар агол, решението
ќе биде приближно на она при кое R1=0 и R2=0, бидејќи секоја пресечна точка
ќе лежи во паралелограмот чии точки се блиску до P (Слика 5.7). Ако двете
линии се скоро паралелни т.е. се сечат под многу мал агол, тогаш
паралелограмот ќе биде екстремно долг а тесен и во него ќе постојат точки кои
се на многу големи растојанија од P.
R1=0
R2=0
Слика 5.7 Пресек на две прави
90
Генерализирањето на овој концепт ни овозможува да воведеме еден вид

мерка за лоша условеност. Да земеме, на пример, систем од три равенки:
∑a
j =1
ij x j − ci = 0 (i=1,2,3)
oдносно во експлицитен облик:
⎧a11 x1 + a12 x 2 + a13 x3 + c1 = 0

⎪
⎨a 21 x1 + a 22 x2 + a 23 x3 + c2 = 0
⎪a x + a x + a x + c = 0
⎩ 31 1 32 2 33 3 3
Овие равенки претставуваат три рамнини и аголот помеѓу било кои две,
на пример, меѓу првата и втората е даден со:
a11 a 21 + a12 a 22 + a13 a 23 a11 a 21 + a12 a 22 + a13 a 23

cos α 12 = = 3 3
a112 + a122 + a132 ⋅ a 21
2
+ a 22
2
+ a 23
2
∑j =1
a12j ⋅ ∑ a 22 j
j =1
Генерализирајќи ја оваа формула на n димензии, односно на n равенки

⎛ n⎞
кои претставуваат n хиперрамнина при што ⎜ ⎟ агли помеѓу нив се дадени со:
⎜ 2⎟
⎝ ⎠
2
n
⎛ n ⎞
∑a ik a jk ⎜ ∑ aik a jk ⎟
cos 2 α ij = ⎝n ⎠
k =1 (10)
cos α ij = k =1
или n
n n
∑ aik2 ⋅ ∑a 2
jk ∑ aik2 ⋅ ∑ a 2jk
k =1 k =1
k =1 k =1
Ако некој од аглите αij е многу мал, неговиот косинус е блиску до

единица, а тоа значи дека равенките се лошо условени. Најчесто како
критериум за лоша условеност се усвојува cos2α = 0.90 или cos2α = 0.95.
ВЕЖБИ
1. Следните системи линеарни равенки да се трансформираат со правилото на

главни елементи:
91
⎧4 x + 2 y + 6 z = 26 ⎧ 4 x + 20 y − 5 z = −61
⎪⎪ ⎪⎪
a. ⎨3 x + 4 y + 5 z = 26 b. ⎨− 3 x + 4 y + 15 z = 64
⎪ ⎪
⎩⎪7 x + 5 y + 4 z = 29 ⎩⎪ 17 x + 5 y − 3 z = −8
2. Со помош на Гаусовата елиминациона постапка да се решат системите:
⎧ 3 x + 2 y − 5 z = 10 ⎧ x − y + z = 3.5
⎪⎪ ⎪⎪
a. ⎨ 2 x − y + 2 z = −1 b. ⎨ x − 4 y + 2 z = 1.5
⎪ ⎪
⎪⎩− 4 x + y + 5 z = −8 ⎪⎩ x + 2 y + 3z = 8.5
⎧ 2 x + y − z + w = −1
⎧ − x − z = −5 ⎪
⎪⎪ ⎪⎪ x − 3 y + 2 z + w = 5
c. ⎨2 x + y + z = 7 d. ⎨
⎪ ⎪2 x − y + 3z + w = 5
⎪⎩ y + 2z = 3 ⎪
⎩⎪ x + y − z − 3w = 2
3. Со помош на Јакобиевата метода да се реши системот линеарни равенки:
⎧x + y − z = 0
⎪⎪
⎨ − x + 3y = 2
⎪
⎪⎩ x − 2 z = −3
4. Со помош на Гаус-Зајделовата метода да се решат системите:
⎧ 4x + y − z = 3 ⎧ 8x − y + 2z = 4
⎪⎪ ⎪⎪
a. ⎨ 2 x + 7 y + z = 19 b. ⎨4 x − 2 y + 8 z = 8
⎪ ⎪
⎪⎩ x − 3 y + 12 z = 31 ⎪⎩ x − 10 y − 6 z = 3
92
6 НУМЕРИЧКО РЕШАВАЊЕ ОБИЧНИ ДИФЕРЕНЦИЈАЛНИ

РАВЕНКИ
Обичните диференцијалните равенки (Ordinary differential equations) се

користат за апроксимирање на некои физички системи. Класична примена е на
пример, симулација на пораст на популација или траекторија на честичка. Тие
вообичаено полесно се апроксимираат или решаваат во однос на парцијалните
диференцијални равенки, кои содржат парцијални изводи.
Некои обични диференцијални равенки може да се решаваат и
аналитички, со различни методи. Притоа понатаму во равенките ќе се користат
dx(t ) d 2 ( x(t ))
следните скратувања: x=x(t), x'= , x" = и тн.
dt dt 2
Пример 1
x'− x = et има аналитичко решение x(t ) = tet + cet
x' '+9 x = 0 има аналитичко решение x(t ) = c1 sin 3t + c2 cos 3t
1
x'+ = 0 има аналитичко решение x(t ) = c − t
2x
За да се изгубат константите од аналитичките вредности, потребни се

дополнителни податоци, што доведува до т.н. проблем на иницијална вредност
и проблем на гранична вредност.
Проблемот на иницијална вредност кај обичните диференцијалните
равенки од прв ред се дефинираат на следниот начин: потребно е да се најде
функција x(t) таква што:
⎧ dx(t )
⎪ = f (t , x(t )) (1)
⎨ dt
⎪⎩ x(t0 ) = x0
Пример 2
⎧⎪ x' = x + 1 ⎧⎪ x' = 6t − 1
⎨ ⇒ x(t ) = et − 1 ⎨ ⇒ x(t ) = 3t 2 − t + 4
⎪⎩ x(0) = 0 ⎪⎩ x(1) = 6
93
⎧ t
⎪ x' =
x + 1 ⇒ x(t ) = t + 1 − 1
2
⎨
⎪⎩ x(0) = 0
Многу често аналитичкото решение не е познато, а и доколку се знае

можно е да е многу комплицирано и бавно за пресметување, па затоа во
практиката многу почесто се применуваат нумеричките методи, како методата
на Ојлер, Рунге-Кута, Милн и Адамс.
Нумеричкото решение на проблемот (1) генерира низа на вредности за
независната променлива t0, t1,…, и соодветна низа за зависната променлива,
x0,x1, …, така што xn го апроксимира решението во tn:
xn = x(tn ), n = 0,1,2,...
Модерните нумерички методи автоматски го определуваат чекорот

hn=tn+1-tn, така да проценетата грешка во нумеричкото решение може да се
контролира со специфична толеранција.
6.1 МЕТОДИ СО ТЕЈЛОРОВИ СЕРИИ
Кај една група на нумеричките методи, појдовна точка е теоремата на

Тејлор (Taylor).
Теорема 6.1 (Теорема на Тејлор) Ако функцијата f(x) има изводи од 0,
1, 2, ..., n+1 ред на затворен интервал [a, b], тогаш за секое x и c во тој интервал
важи
n
f ( k ) (c)( x − c) k f ( n +1) (ξ )( x − c) n +1
f ( x) = ∑ + (2)
k =0 k! (n + 1)!
каде ξ е некој број меѓу x и c, и f(k)(x) е k-тио извод на f во x.

Изразот (2) за потребите на ова поглавје може да се запише и како:
1 1 1
x(t + h) = x(t ) + hx' (t ) + h 2 x' ' (t ) + ... + h m x ( m ) (t ) + h m +1 x ( m +1) (ξ ) (3)
2 m! (m + 1)!
каде ξ е некој број меѓу t и t+h. Бидејќи ξ во основа не се знае, најдобрата
апроксимација на овој израз е:
1 1 (4)
x(t + h) ≈ x(t ) + hx' (t ) + h 2 x' ' (t ) + ... + h m x ( m ) (t )
2 m!
Ова решение на обичните диференцијални равенки се нарекува Метода
со Тејлорова серија од ред m. Оваа апроксимација всушност претставува
94
отсекување на Тејлорова серија, па затоа разликата меѓу вистинската вредност

на x(t+h) и апроксимацијата се нарекува грешка на отсекување. Оваа грешка
постои независно од секоја грешка на заокружување која се јавува во
пресметките и е од редот O(hm+1). Доколку h се направи помало, грешката на
отсекување се намалува, но, се зголемува грешката на заокружување. Затоа кај
методите со Тејлорови серии се зборува за оптимална вредност на h, но, оваа
вредност зависи и од методата и од самата диференцијална равенка. За обична
диференцијална равенка со непознато решение, во општ случај е невозможно да
се определи оваа оптимална вредност.
6.1.1 Метода на Ојлер
Една од наједноставните нумерички методи за решавање на обични

диференцијални равенки е Методата на Ојлер (Euler). Решенијата добиени со
оваа метода обично се груби и затоа се применува само за ориентациони
пресметки. Оваа метода преставува всушност Метода со Тејлорова серија од
ред 1 и е преставена со следната равенка:
x(t + h) = x(t ) + hx' (t ) = x(t ) + hf (t , x(t )) (5)
Пример 3 Со помош на Методата на Ојлер да се реши равенката x' = x со

почетен услов x(0)=1 на интервалот [0,3], со чекор h=0.3.
Равенката (5) го добива обликот x(t + h) = x(t ) + hx' (t ) = x(t ) + hx(t ) =
(1 + h) x(t ) . Решенијата се прикажани во Табела 6.1, а првите три чекора се
дадени подолу.
x(0.3) = x(0 + 0.3) = (1 + 0.3) x(0) = 1.3 ⋅ 1 = 1.3
x(0.6) = x(0.3 + 0.3) = (1 + 0.3) x(0.3) = 1.3 ⋅ 1.3 = 1.69
x(0.9) = x(0.6 + 0.3) = (1 + 0.3) x(0.6) = 1.3 ⋅ 1.69 = 2.197
Табела 6.1
n tn x(tn)
0 0 1
1 0.3 1.3
2 0.6 1.69
3 0.9 2.197
4 1.2 2.8561
5 1.5 3.7129
6 1.8 4.8268
7 2.1 6.2749
8 2.4 8.1573
9 2.7 10.6045
10 3 13.7858
95
Аналитичкото решение на оваа равенка е x(t ) = et . Методата на Ојлер

секогаш ќе има помала вредност од x(t), бидејќи искривеноста во тие точки е
позитивна, и оттука функцијата секогаш ќе биде над линеаризацијата. На Слика
6.1 може да се види колку апроксимацијата со ова метода е груба.
Слика 6.1Метода на Ојлер применета на Пример 3
Геометриски, методата на Ојлер покажува дека интегралната крива е

заменета со искршена линија која почнува со заедничка точка (t0, x(t0)), а секој
линиски сегмент е паралелен со тангентата во левата крајна точка од
соодветниот подинтервал.
Пример 4 Со помош на Методата на Ојлер да се реши равенката

x' = 1 + tx 2 со почетен услов x(0)=0 на интервалот [0,1], со чекор h=0.1.
Табела 6.2
n tn x(tn)
0 0 0
1 0.1 0.1
2 0.2 0.2001
3 0.3 0.3009
4 0.4 0.4036
5 0.5 0.5101
6 0.6 0.6231
7 0.7 0.7464
8 0.8 0.8854
9 0.9 1.0482
10 1 1.2470
96
Равенката (5) го добива обликот x(t + h) = x(t ) + hx' (t ) =

x(t ) + h(1 + tx(t ) 2 ) . Решенијата се прикажани во Табела 6.2.
Имплементацијата на Методата на Ојлер е многу едноставна и е

прикажана на Слика 6.2.
function [X]=ojler(t0,x0,tkraj, h,f)

% Metoda na Ojler za diferenciranje na obicni diferencijalni
% ravenki so inicijalna vrednost x(t0)=x0, cekor h,
% tkraj - kраj na intervalot i f=f(t,x(t))
t=t0;
x=x0;
X=[x];
while (t+h)<=tkraj
x=x+h*feval(f,t,x);
t=t+h;
X=[X x] ;
end
Слика 6.2 Имплементација на Методата на Ојлер со Матлаб
6.1.2 Методи од повисок ред
Методите од повисок ред всушност се методи со Тејлорови серии од ред

поголем од 1. Овие методи бараат информации за поголемите изводи на x(t) и
оттука не може да се користат во случај кога f(t,x(t)) не е позната аналитички.
Најчесто се користи Метода со Тејлорова серија од ред 4.
Најголем проблем кај овие методи е што изводите од повисок ред или е
тешко аналитички да се пресметаат, или нумерички е скапо или пак едноставно
не е возможно да се добијат. Најголема предност им е што се многу точни и
што имаат мала кумулативна грешка на отсекување.
Пример 5 Да се напише формулата за Методата со Тејлорова серија од

ред 4, на диференцијалната равенка x' = t + et , со иницијална вредност x(0)=1.
x' (t ) = t + et
x' ' (t ) = x' (t ) + et x' (t )
x' ' ' (t ) = x' ' (t )(1 + e t ) + e t ( x' (t )) 2
x ( 4) (t ) = x' ' ' (t )(1 + e t ) + 3e t x' (t ) x' ' (t ) + e t ( x' (t )) 3
1 1 1 4 ( 4)
x(t + h) ≈ x(t ) + hx' (t ) + h 2 x' ' (t ) + h 3 x' ' ' (t ) + h x (t )
2 6 24
Имплементацијата на Методата со Тејлорова серија од ред 4 во Матлаб е

97
function [X]=taylor4(t0,x0,tkraj, h,f1,f2,f3,f4)

% Metoda so Tejlorova serija od red 4 za diferenciranje
% na obicni diferencijalni ravenki so inicijalna vrednost x(t0)=x0,
% cekor h, tkraj kraj na intervalot
% f1, f2, f3 i f4 se 1, 2, 3, 4 izvod na x(t)
t=t0;
x=x0;
X=[x];
while (t+h)<=tkraj
x=x+h*feval(f1,t,x)+h^2*feval(f2,t,x)/2+h^3*feval(f3,t,x)/6+h^4*feval(f4,t,x)/24;
t=t+h;
X=[X x];
end
Слика 6.3 Имплементација на Методата со Тејлорова серија од ред 4 со Матлаб
Пример 6 Со помош на Методата со Тејлорова серија од ред 4 да се реши

равенката x' = x со почетен услов x(0)=1 на интервалот [0,3], со чекор h=0.3.
x' = x' ' = x' ' ' = x ( 4) = x . Решенијата се прикажани во Табела 6.3. Равенката
(4) добива облик:
⎛ h 2 h3 h 4 ⎞
x(t + h) = x(t )⎜⎜1 + h + + + ⎟
⎝ 2 6 24 ⎟⎠
Табела 6.3
n tn x(tn)
0 0 1
1 0.3 1.3498
2 0.6 1.8221
3 0.9 2.4595
4 1.2 3.3199
5 1.5 4.4813
6 1.8 6.0491
7 2.1 8.1653
8 2.4 11.0218
9 2.7 14.8776
10 3 20.0824
Добиените вредности се многу блиску до реалните вредности на x(t) за

разлика од апроксимациите добиени со Методата на Ојлер.
6.2 РУНГЕ-КУТА МЕТОДИ
За да се избегне проблемот за пресметување на изводи од повисок ред,

како и решавање на (1) кога f е непозната функција, се користат т.н. Рунге-Кута
98
методи (Runge-Kutta). Овие методи ја користат дводимензионалната верзија на

теоремата на Тејлор, според која:
i
∞
1⎛ ∂ ∂ ⎞
f ( x + h, y + k ) = ∑ ⎜⎜ h + k ⎟⎟ f ( x, y ) (5)
i = 0 i! ⎝ ∂x ∂y ⎠
Членот во средината е оператор врз f(x,y). Операторите на парцијалните

изводи се интерпретираат како да се алгебарски членови, односно:
0
⎛ ∂ ∂ ⎞
⎜⎜ h + k ⎟⎟ f ( x, y ) = f ( x, y )
⎝ ∂x ∂y ⎠
1
⎛ ∂ ∂ ⎞ ∂f ( x, y ) ∂f ( x, y )
⎜⎜ h + k ⎟⎟ f ( x, y ) = h +k (6)
⎝ ∂x ∂y ⎠ ∂x ∂y
2
⎛ ∂ ∂ ⎞ ∂ 2 f ( x, y ) ∂ 2 f ( x, y ) 2 ∂ f ( x, y )
2
⎜⎜ h + k ⎟⎟ f ( x, y ) = h 2 + 2 hk + k
⎝ ∂x ∂y ⎠ ∂x 2 ∂x∂y ∂y 2
...
Постои и скратена верзија на Тејлоровата серија (5):
i n +1
n
1⎛ ∂ ∂ ⎞ 1 ⎛ ∂ ∂ ⎞ (7)
f ( x + h, y + k ) = ∑ ⎜⎜ h + k ⎟⎟ f ( x, y ) + ⎜⎜ h + k ⎟⎟ f (x, y)
i = 0 i! ⎝ ∂x ∂y ⎠ (n + 1)! ⎝ ∂x ∂y ⎠
каде (x, y ) е точка од линискиот сегмент со крајни точки (x,y) и (x+h,y+k). За

практични работи, равенството (7) ќе се запише за n=1.
f ( x + h, y + k ) = f ( x, y ) + hf x ( x, y ) + kf y ( x, y ) +
(8)
1
(
+ h 2 f xx ( x , y ) + 2hkf xy ( x , y ) + k 2 f yy ( x , y )
2
)
Нека сега α, β, w1 и w2 се фиксни константи. Се пресметуваат следните
вредности:
K 1 ← hf (t , x) (9)
K 2 ← hf (t + αh, x + β K 1 )
Се користи следната апроксимација:
x(t + h) ← x(t ) + w1 K 1 + w2 K 2 (10)
99
Се испитува изборот на константите. Кога w1 = 1 и w2 = 0 се добива

Методата на Ојлер. Дефиницијата на K2 е поврзана со Теоремата на Тејлор за
две димензии. Се разгледува:
K2
= f (t + αh, x + βK 1 ) = f (t + αh, x + β hf (t , x))
h
1
(
= f + αhf t + βhff x + α 2 h 2 f tt (t , x ) + 2αβ fh 2 f tx (t , x ) + β 2 h 2 f 2 f xx (t , x )
2
)
= f + αhf t + βhff x + O(h 2 )
Сега за апроксимацијата (10) се добива:
x(t + h) = x(t ) + w1 K 1 + w2 K 2
= x(t ) + w1 hf + w2 hf + w2αh 2 f t + w2 βh 2 ff x + O(h 3 )
(11)
= x(t ) + ( w1 + w2 )hf + w2 h 2 (αf t + β ff x ) + O(h 3 )
= x(t ) + ( w1 + w2 )hx' (t ) + w2 h 2 (αf t + βff x ) + O(h 3 )
1
Доколку константите се изберат така што w1 + w2 = 1 и αw2 = β w2 = се
2
добива:
1 2
x(t + h) = x(t ) + hx' (t ) + h ( f t + ff x ) + O(h 3 )
2 (12)
1
= x(t ) + hx' (t ) + h 2 x' ' (t ) + O(h 3 )
2
т.е. изборот на константи овозможува да се апроксимира со грешка од редот O

(h3).
Со избор на константи α = β =1, w1 = w2 = ½ се добива Рунге-Кута
метода од втор ред, која е преставена со Слика 6.4.
K 1 ← hf (t , x)
K 2 ← hf (t + h, x + K 1 )
1
x(t + h) ← x(t ) + (K 1 + K 2 )
2
Слика 6.4 Рунге-Кута метода од втор ред
Доколку константите се изберат така што α = β = 1 , w1 = ¼ и w2 = ¾ се

добива:
100
h 3h ⎛ 2h 2h ⎞ (13)
x(t + h) ← x(t ) + f (t , x) + f ⎜t + ,x+ f (t , x) ⎟
4 4 ⎝ 3 3 ⎠
Понекогаш е потребна апроксимација со помала грешка од онаа на

Рунге-Кута методата од втор ред. За таа цел се користи Рунге-Кута метода од
четврти ред, која има грешка од редот O (h5), а е прикажана на Слика 6.5.
K 1 ← hf (t , x)
K 2 ← hf (t + h / 2, x + K 1 / 2)
K 3 ← hf (t + h / 2, x + K 2 / 2)
K 4 ← hf (t + h, x + K 3 )
1
x(t + h) ← x(t ) + (K 1 + 2 K 2 + 2 K 3 + K 4 )
6
Слика 6.5 Рунге-Кута метода од четврти ред
Може да се апроксимира и Рунге-Кута метода од повисок ред, но, со

притоа бројот на пресметки на функции расте многу побрзо од точноста на
методата, па затоа во пракса се користат само претходните две методи. Рунге-
Кута методите се исто така во еден чекор и поради брзината и ефикасноста се
користат во повеќето програми за решавање на диференцијални равенки.
Пример 7 Со помош на Рунге-Кута методата од втор ред и од четврти

2
⎛ x⎞
ред за равенката x' = (tx) 3 − ⎜ ⎟ со почетен услов x(1)=1 да се пресмета x(1.1)
⎝t⎠
со чекор h=0.1.
2
⎛ x⎞
а) f (t , x) = x' = (tx) − ⎜ ⎟ и f (1,1) = 0
3
⎝t⎠
K 1 = hf (t , x) = 0.1 ⋅ f (1,1) = 0.1 ⋅ 0 = 0
K 2 = hf (t + h, x + K 1 ) = 0.1 ⋅ f (1 + 0.1,1 + 0) = 0.1 ⋅ f (1.1,1)
⎛ ⎛ 1 ⎞ ⎞⎟
2
K 2 = 0.1 ⋅ (1.1 ⋅ 1) − ⎜ ⎟ = 0.1 ⋅ 0.504554 = 0.0504554

⎜ 3
⎜ ⎝ 1.1 ⎠ ⎟⎠
⎝
1 1
x(1.1) = x(1 + 0.1) = x(1) + (K 1 + K 2 ) = 1 + (0 + 0.0504554) =1.025228
2 2
2
⎛ x⎞
б) f (t , x) = x' = (tx) − ⎜ ⎟ и f (1,1) = 0
3
⎝t⎠
K 1 = hf (t , x) = 0.1 ⋅ f (1,1) = 0.1 ⋅ 0 = 0
101
K 2 = hf (t + h / 2, x + K 1 / 2) = 0.1 ⋅ f (1 + 0.05,1 + 0) = 0.1 ⋅ f (1.05,1) =0.0250596

K 3 = hf (t + h / 2, x + K 2 / 2) = 0.1 ⋅ f (1 + 0.05,1 + 0.0250596 / 2) = 0.1 ⋅ f (1.05,1.0125298)
K 3 = 0.02717852
K 4 = hf (t + h, x + K 3 ) = 0.1 ⋅ f (1 + 0.05,1 + 0.02717852) = 0.1 ⋅ f (1.05,1.02717852)

K 4 = 0.05705201
1
x(1.1) = x(1 + 0.1) = x(1) + (K1 + 2 K 2 + 2 K 3 + K 4 ) = 1.02692136
6
Пример 8 Со помош на Рунге-Кута методата од втор и четврти ред да се

реши равенката x' = − x 2 со почетен услов x(0)=1 на интервалот [0,1] со чекор
h=0.1.
1
Оваа равенка има аналитичко решение x = кое може да се искористи
1+ t
за споредба.
а) Решението на равенката со Рунге-Кута методата од втор ред е
прикажано во Табела 6.4.
Табела 6.4
i ti xi K1 K2
0 0 1.000000 -0.100000 -0.081000
1 0.1 0.909500 -0.082719 -0.068357
2 0.2 0.833962 -0.069549 -0.058433
3 0.3 0.769971 -0.059286 -0.050507
4 0.4 0.715075 -0.051133 -0.044082
5 0.5 0.667467 -0.044551 -0.038802
6 0.6 0.625790 -0.039161 -0.034413
7 0.7 0.589003 -0.034692 -0.030726
8 0.8 0.556294 -0.030946 -0.027599
9 0.9 0.527021 -0.027775 -0.024925
10 1 0.500671
б) Решението на равенката со Рунге-Кута методата од четврти ред е

прикажано во Табела 6.5.
102
Табела 6.5
i ti xi
0 0 1.00000000
1 0.1 0.90909119
2 0.2 0.83333373
3 0.3 0.76923121
4 0.4 0.71428615
5 0.5 0.66666709
6 0.6 0.62500040
7 0.7 0.58823567
8 0.8 0.55555590
9 0.9 0.52631611
10 1 0.50000030
Една имплементација на Рунге-Кута методата од втор ред е дадена на

Слика 6.6.
function [X]= RK2(t0,x0,tkraj,h,f)

% Runge-Kuta metoda od 2 red za diferenciranje na
% obicni diferencijalni ravenki so inicijalna vrednost x(t0)=x0,
% cekor h, tkraj kraj na intervalot i f=f(t,x(t))
x=x0;
t=t0;
X=[x];
while (t+h)<=tkraj
K1=h*feval(f,t,x);
K2=h*feval(f,t+h,x+K1);
x=x+0.5*(K1+K2);
t=t+h;
X=[X x];
end
Слика 6.6 Имплементација на Рунге-Кута методата од втор ред во Матлаб
Имплементација на Рунге-Кута методата од четврти ред е дадена на

Слика 6.7.
Доколку во равенството (10) се стави w1 = 0 и w2 = 1 се добива
Модифицирана методата на Ојлер, при што за апроксимацијата се добива:
⎛ h h ⎞
x(t + h) ← x(t ) + hf ⎜ t + , x + f (t , x) ⎟ (14)
⎝ 2 2 ⎠
Пример 9 Со помош на Модифицираната метода на Ојлер за равенката

2
⎛ x⎞
x' = (tx) − ⎜ ⎟ со почетен услов x(1)=1 да се пресмета x(1.1) со чекор h=0.1.
3
⎝t⎠
103
⎛ 0.1 0.1 ⎞
x(1.1) = x(1 + 0.1) = x(1) + 0.1 f ⎜1 + ,1 + ⋅ 0 ⎟ = 1 + 0.1 ⋅ f (1.05,1)
⎝ 2 2 ⎠
x(1.1)= 1 + 0.1 ⋅ 0.250596 =1.025060
function [X]= RK4(t0,x0,tkraj,h,f)

% Runge-Kuta metoda od 4 red za diferenciranje na
% obicni diferencijalni ravenki so inicijalna vrednost x(t0)=x0,
x=x0;
t=t0;
X=[x];
while (t+h)<=tkraj
K1=h*feval(f,t,x);
K2=h*feval(f,t+h/2,x+K1/2);
K3=h*feval(f,t+h/2,x+K2/2);
K4=h*feval(f,t+h,x+K3);
x=x+(K1+2*K2+2*K3+K4)/6;
t=t+h;
X=[X x];
end
Слика 6.7 Имплементација на Рунге-Кута методата од четврти ред во Матлаб
Имплементација на Модифицираната метода на Ојлер е дадена на Слика

6.8.
function [X]=MOjler(t0,x0,tkraj, h,f)

% Modificirana metoda na Ojler za diferenciranje na obicni
% diferencijalni ravenki so inicijalna vrednost x(t0)=x0,
t=t0;
x=x0;
X=[x];
while (t+h)<=tkraj
x=x+h*feval(f,t+h/2,x+h/2*feval(f,t,x));
t=t+h;
X=[X x];
end
Слика 6.8 Имплементација на Модифицираната метода на Ојлер во Матлаб
ВЕЖБИ
1. Со помош на Методата на Ојлер да се решат следните диференцијални

равенки, со чекор h=0.1:
a. x' = t 2 + x 2 ; x(0)=0 на [0, 1]

104
4
b. x' = − x 2 + ; x(1)=1 на [1, 2]
10t 2
c. x' = t + x 2 ; x(0)=0 на [0, 1]
2. Да се напише формулата за Методата со Тејлорова серија од ред 3, на

диференцијалната равенка x' = t 4 + e t , со иницијална вредност x(0)=1.
3. Со помош на Рунге-Кута методата од втор ред да се реши равенката:
a. x' = t 2 − x 2 со почетен услов x(1)=1 на интервалот [1,2] со чекор

h=0.1
b. x' = x 2 + x − t со почетен услов x(0)=0 на интервалот [0,1] со чекор
h=0.1
4. Со помош на Рунге-Кута методата од четврти ред да се реши равенката:
a. x' = t 2 − x со почетен услов x(0)=1 на интервалот [0,1] со чекор h=0.2.

b. x' = e x + sin x со почетен услов x(0)=0 на интервалот [0,1] со чекор
h=0.1.
5. За равенката x' = t (x + 1) со почетен услов x(2)=0.5 да се пресмета x(2.1)

2
a. Со Методата на Ојлер
b. Со помош на Рунге-Кута методата од втор ред
c. Со помош на Рунге-Кута методата од четврти ред
d. Со Модифицираната метода на Ојлер
6. Со помош на Модифицираната методата на Ојлер да се решат следните

диференцијални равенки:
a. x' = x sin t + t ; x(0)=0 на [0, 1] со чекор h=0.1

b. x' = xe − t ; x(0)=1 во t = 0.1
c. x' = t + xt ; x(0)=0 на [0, 1]
105
7 ПОЛИНОМНА РЕГРЕСИЈА
При разгледувањето на интерполационите методи беше покажано како

се добива една крива што минува низ едно множество на претходно зададени
точки - јазли на интерполацијата. Таквата крива ја нарековме интерполирана
крива.
Проблемот што сега ќе го разгледаме е да се најде равенката на крива
која не минува низ зададените точки, но затоа "најдобро" ја изразува
функционалната зависност помеѓу апцисите и ординатите (xi, f(xi)) на
зададените точки.
Критериумот за "најдобро" претставување на точките - (xi, f(xi)) многу
често се изразува преку критериумот на најмали квадрати, за што веќе стана
збор кога се разгледуваа критериумите за интерполација.
Слика 7.1 Разлика меѓу интерполационата и регресионата крива
Претходната скица (Слика 7.1) ја илустрира разликата помеѓу

интерполационата и регресионата крива за едно исто множество претходно
зададени точки - (xi, f(xi)). Овие точки се разбира можат да бидат резултати од
експериментални испитувања или резултати од некои претходни пресметки.
Методата на најмали квадрати се користи и во регресионата анализа.
Регресионата анализа во основа е статистичка метода, со многу голема примена
во статистичкото моделирање на податоците.
106
Множеството двојки xi, yi=f(xi) се дефинира како множество на

реализации на еден експеримент yi = f(xi); i=1,2, ..., n, при што yi се дефинира
како случајна големина. Точниот закон за реализација на експериментот не е
познат. Меѓутоа, yi како случајна големина со одреден закон за густина на
веројатност, своите вредности ги прима според непознатата зависност y=f(x).
Тогаш условот за максимална веројатност на добиените (експериментално)
вредности, според предложената регресиона зависност доведува до претходно
дефинираните нормални равенки. Но, во овој случај тие се условите од кои се
определува средната вредност на случајната големина yi=f(xi). Во тој контекст
по определувањето на коефициентите на регресиониот полином се
определуваат и нивните квадратни отстапувања, а со нивна помош и
граничните интервали на доверба на изведената регресиона зависност.
Исто како кај задачите за интерполација, од слични причини и при
моделирањето на податоците со регресиони зависности, најголема примена
наоѓаат алгебарските полиноми и тогаш станува збор за полиномна регресија.
7.1 МЕТОДА НА НАЈМАЛИ КВАДРАТИ
Нека се дадени n точки (xi, f(xi)), i=1,2,...,n и потребно е да се моделираат

со полином од прв степен Y = k0 + k1x. Според методата на најмали квадрати,
сумата на квадратите на отстапувањето од предложената врска за моделирање
на податоците за сите точки треба да биде минимална:
S = ∑ (Yi − y i ) → min. Yi = Yi (k 0 , k1 ) (1)

2
S = S (k 0 , k1 ) → min .
За да биде исполнето ова, примарен услов е првите изводи на функцијата S во

однос на k0 и k1 да бидат еднакви на нула т.е.
∂S ∂S
= 0; =0 (2)
∂k 0 ∂k1
Во овој случај се добива:
Yi = k0 + k1xi
S = ∑ (k 0 + k1 xi − y i ) → min .
2
i
∂S
=0
∂k 0
107
∂
∑ ∂k (k
i
0 + k1 xi − y i ) = ∑ 2(k 0 + k1 xi − y i ) ⋅ 1 = 0
2
i
0
∂S
=0
∂k1
∂
∑i ∂k (k 0 + k1 xi − yi )2 = ∑i 2(k 0 + k1 xi − yi ) ⋅ xi = 0
1
Овие два услова (поради еднаквоста со нула) се сведуваат на:
∑ (k
i
0 + k1 xi − yi ) = 0
∑ (k
i
0 + k1 x i − y i ) ⋅ x i = 0
Со разбивање на сумите се добива:
⎧∑ k 0 + ∑ k1 xi − ∑ yi = 0
⎪ i i i
⎨
⎪ ∑ 0 i ∑ 1 i ∑ y i xi = 0
+ −
2
k x k x
⎩ i i i
Во овие суми k0 и k1 не зависат од индексот на сумирањето па можат да

бидат издвоени пред знакот за сумирање. Тогаш се добива систем од две
линеарни равенки (3) со две непознати k0 и k1 кој е едноставен за решавање:
⎧n ⋅ k 0 + k1 ∑ x i = ∑ y i
⎪
⎨
i i
(3)
⎪ 0∑ i + 1∑ i = ∑i xi yi
2
k x k x
⎩ i i
Овие две линеарни алгебарски равенки по непознатите параметри k0 и k1

се условите што треба да бидат исполнети, за да правата Y = k0 + k1x, според
принципот на најмали квадрати, "најдобро" го претставува даденото множество
на точки.
Пример 1 Со помош на методата на најмали квадрати, да се изврши

моделирање на дадените податоци со полином од прв степен.
xi 1 2 3 4 5 6 7
yi=f(xi) 2 3 5 5 8 9 10
108
Прво, дадените вредности се претставуваат графички за да се види дали

воопшто има смисла да бидат моделирани со еден полином од прв ред (Слика
7.2).
Слика 7.2
Пресметувањето на сумите може да се направи во посебна табела, во

овој случај Табела 7.1.
Табела 7.1
i xi yi xiyi xi2
1 0 2 0 0
2 1 3 3 1
3 2 5 10 4
4 3 5 15 9
5 4 8 32 16
6 5 9 45 25
7 6 10 60 36
∑ 21 42 165 91
Со замена во равенството (3) се добива:
109
⎧ 7 k 0 + 21k1 = 42
⎨
⎩21k 0 + 91k1 = 165
Овој систем може да се реши со различни методи за решавање системи

линеарни равенки. Решението е:
k 0 = 1.821429
k1 = 1.392857
Според тоа од сите можни прави, правата:
Y = 1.821429 + 1.392857 x
"најдобро" (во смисла на принципот на најмали квадрати) го претставува

даденото множество (xi, f(xi)) за i = 1, 2, ..., 7.
На сличен начин може да се определи и регресиона зависност во облик

на полином од втор степен:
Y = k0 + k1 x + k2 x2
(
S = ∑ k 0 + k1 xi + k 2 xi2 − yi )2
→ min .
i
∂S
=0
∂k 0
∂
(
∑i ∂k k 0 + k1 xi + k 2 xi2 − yi ) = ∑ 2(k
2
0 )
+ k1 xi + k 2 xi2 − yi ⋅ 1 = 0
0 i
∂S
=0
∂k1
∂
(
∑i ∂k k 0 + k1 xi + k 2 xi2 − yi ) = ∑ 2(k
2
0 )
+ k1 xi + k 2 xi2 − yi ⋅ xi = 0
1 i
∂S
=0
∂k 2
∂
(
∑i ∂k k 0 + k1 xi + k 2 xi2 − yi ) = ∑ 2(k
2
0 )
+ k1 xi + k 2 xi2 − yi ⋅ xi2 = 0
2 i
Овие три услови за да бидат исполнети се сведуваат на:
∑k
i
0 + k1 ∑ xi + k 2 ∑ xi2 − ∑ yi = 0
i i i
110
k 0 ∑ xi + k1 ∑ xi2 + k 2 ∑ xi3 − ∑ xi yi = 0
i i i i
k 0 ∑ x + k1 ∑ x + k 2 ∑ x − ∑ xi2 yi = 0
2
i
3
i
4
i i = 1,2, . . . ,n
i i i i
Овие три услова се сведуваат на систем од три линеарни равенки со три

непознати k0, k1 и k2:
⎧
⎪ nk 0 + k1 ∑ xi + k 2 ∑ xi2 =∑ y i
⎪ i i i
(4)
⎨ 0∑ i + 1∑ i + 2∑ i = ∑i xi yi
2 3
k x k x k x
⎪ i i i
⎪ k 0 ∑ x i + k1 ∑ x i + k 2 ∑ x i = ∑ x i y i
2 3 4 2
⎩ i i i i
Пример 2 За податоците од пример 1, со помош на методата на најмали

квадрати, да се изврши моделирање со полином од втор степен.
За пресметка на сумите во системот линеарни равенки (4) се користи
Табела 7.2.
Табела 7.2
i xi yi xiyi xi2yi xi2 xi3 xi4
1 0 2 0 0 0 0 0
2 1 3 3 3 1 1 1
3 2 5 10 20 4 8 16
4 3 5 15 45 9 27 81
5 4 8 32 128 16 64 256
6 5 9 45 225 25 125 625
7 6 10 60 360 36 216 1296
∑ 21 42 165 781 91 441 2275
Со замена во равенството (4) се добива:
⎧ 7 k 0 + 21k1 + 91k 2 = 42
⎪
⎨ 21k 0 + 91k1 + 441k 2 = 165
⎪91k + 441k + 2275k = 781
⎩ 0 1 2
Со решавање на системот со помош на Гаусовата елиминациона

постапка се добива следното решение:
k0 = 1.88095
k1 = 1.32143
k2 = 0.01190
111
Според тоа полиномот од втор степен, добиен со примена на методата на

најмали квадрати би бил:
Y = 1.88095+ 1.32143x +0.01190 x2
Сега се поставува прашањето која од двете регресиони зависности е

"подобра". Одговорот (еден од можните) би бил - онаа со помало квадратно
отстапување (стандардна девијација). Квадратното отстапување е дадено со
равенството (5).
n n
∑ S i2 ∑ (Y − yi )
2
i
(5)
σ= i =1
= i =1
n −1 n −1
Пример 3 За добиените регресиони полиноми од прв и втор степен од

пример 1 и 2 соодветно, да се утврди, која регресиона зависност подобро го
опишува даденото множество податоци од пример 1.
Определувањето на квадратното отстапување (стандардна девијација) за
регресиона зависност од прв степен е прикажано во Табела 7.3.
Табела 7.3
i xi yi Yi=1.821429+1.392857xi Si2
1 0 2 1.821429 0.0319
2 1 3 3.214286 0.0459
3 2 5 4.607143 0.1543
4 3 5 6.000000 1.0000
5 4 8 7.392857 0.3686
6 5 9 8.785714 0.0459
7 6 10 10.178571 0.0319
∑ 1.6785
1.6785
σ1 = = 0.529
6
Определување на квадратното отстапување (стандардна девијација) за
регресиона зависност од втор степен е прикажано во Табела 7.4.
112
Табела 7.4
i xi yi Y = 1.88095+ 1.32143x +0.01190 x2 Si2
1 0 2 1.88095 0.00354
2 1 3 3.21428 0.00000
3 2 5 4.57141 0.00128
4 3 5 5.95234 0.00227
5 4 8 7.35707 0.00128
6 5 9 8.78560 0.00000
7 6 10 10.23793 0.00352
∑ 0.01199
0.01199
σ2 = =0.0447
6
Бидејќи σ 2 < σ 1 следува дека полиномот од втор степен подобро го
апроксимира даденото множество на податоци.
При користењето на методата на најмали квадрати, не се подразбира

дека полиномите од повисок ред даваат секогаш и подобри апроксимации.
На апсолутно ист начин се доаѓа до равенките за определување на
непознатите коефициенти на полиномот, кога регресионата зависност се бара во
облик на полином од m-ти ред:
Y = k 0 + k1 x + k 2 x 2 + . . . . . + k m x m
Во овој случај (m+1) непознатите коефициенти се определуваат од

системот од m+1 линеарни равенки, прикажан со (6) или со краток запис во
матрична форма [A][k]=[b].
⎡n ∑x ∑x 2
... ∑x ⎤ ⎡ k 0 ⎤ ⎡∑ y ⎤
m
⎢ m +1 ⎥ ⎢ ⎥ ⎢ ⎥
⎢∑ x ∑x ∑x ∑x ⎥ ⎢k1 ⎥ ⎢∑ xy ⎥
2 3
...
⎢........ ⎥ ⎢. ⎥ = ⎢. ⎥ (6)
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢........ ⎥ ⎢. ⎥ ⎢. ⎥
⎢ xm 2m ⎥ ⎢ ⎢
... ∑ x ⎦ ⎣k m ⎦ ⎣∑ x y ⎦ m ⎥
⎣∑ ∑x ∑x
m +1 m+2 ⎥
Овие равенки во литературата се познати како нормални равенки. Тие се

симетрични, што овозможува заштедување на простор во физичката меморија и
намалување на времето на нивно решавање (со помош на сметачи). Од друга
страна тие се и релативно лошо условени, па нивните решенија, во случај на
поголема вредност на степенот на регресиониот полином, може да бидат со
мала точност. Од тие причини полиномната регресија со алгебарски полиноми,
не се препорачува за степени повисоки од пет. За решавање на системот
нормални равенки може да се користи било која од познатите методи. При тоа
113
посебно треба да се води сметка за точноста на решението. Формално

решението на системот на нормални равенки се запишува како:
[ k ] = [ A ]-1 ⋅ [ b ]
Понекогаш добиените податоци за yi = f(xi) можат да бидат со различна

точност, односно доверливост. На пример, при мерење со инструменти со
различна точност, некои од вредностите за yi се со поголема точност од другите,
односно тие се со поголема "тежина". Затоа на секоја двојка - xi, yi може да се
придружи по еден тежински коефициент Wi, i=1, 2, ..., n. Многу често Wi се
бира во интервалот:
0 ≤ Wi ≤ 1
Во ваков случај коефициентите во нормалните равенки претрпуваат
извесни промени, и се добива системот (7):
⎡∑ Wi ∑ Wi xi ∑ Wi xi2 ... ∑ Wi xim ⎤ ⎡∑ Wi y i ⎤

⎢ i i i i ⎥ ⎡k ⎤ ⎢ i ⎥
⎢ . . . . ⎥ ⎢ 0 ⎥ ⎢∑ Wi xi y i ⎥
⎢ ⎥ ⎢ k1 ⎥ ⎢ i ⎥
⎢ . . . ⎥ ⎢ ⎥ ⎢. ⎥ (7)
⎢ ⎥ ⎢. ⎥ = ⎢ ⎥
⎢ . . ⎥ ⎢. ⎥ ⎢. ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ 2 m ⎥ ⎣k m ⎦ ⎢ Wi xi y i ⎥
∑i Wi xi ⎥⎦ ⎢⎣∑
m
⎢⎣ i
⎥⎦
Методата на најмали квадрати за полиномна регресија може лесно да се
имплементира, како на Слика 7.3. Функцијата не само што ги враќа
коефициентите на полиномот, туку и квадратното отстапување од дадените
податоци.
function [k, sigma]=PRegresija(x,y,m)
% Funkcijata PRegresija(x,y,m) opredeluva polinom od m-ti stepen
% kako regresiona zavisnost. k se koeficientite na polinomot, a
% sigma e kvadratnoto otstapuvanje
for i=1:m+1
for j=0:m
A(i,j+1)=sum(x.^(i+j-1));
end
b(i,1)=sum(x.^(i-1).*y);
end
k=gausjordan(A,b);
p=k(end:-1:1);
Y=polyval(p,x);
S=sum((Y-y).^2);
sigma=sqrt(S/(length(x)-1));
Слика 7.3 Имплементација на методата на најмали квадрати за полиномна регресија во
Матлаб
114
ВЕЖБИ
1. Со методата на најмали квадрати, да се изврши моделирање на дадените

податоци со полином од прв степен и да се определи квадратното
отстапување.
i xi f(xi)
1 0 -1.12
2 0.5 0
3 1 1.2
4 1.5 2.4
5 2 3.5
6 2.5 4.5

податоци со полином од втор степен и да се определи квадратното
отстапување.
i xi f(xi)
1 -1 1.2
2 0 0
3 0.5 0.7
4 1 1.2
5 2 4.5
6 3 9

податоци со полиноми од прв и втор степен и да се определи која
регресиона зависност подобро ги опишува дадените податоци.
i xi f(xi)
1 -2 11
2 -1 5
3 0 1
4 1 -2
5 2 -2
6 3 0
7 4 4
115
8 ТЕХНИКИ ЗА МРЕЖНО ПЛАНИРАЊЕ
8.1 ПРОЕКТ, АКТИВНОСТ, НАСТАН
Под поимот проект се подразбира било која планска задача која е

потребно да се изведе во некој временски интервал. Тоа може да биде било кој
процес, работа или изработка на некој производ, кај кои се бара исполнување на
временски рокови. Примери на проекти се:
изработка на некој производ, како книга, телевизор и слично;

изградба на некој објект, како брана, зграда и слично;
проектирање и консултирање;
истражувачки и развојни проекти;
набавка и инсталирање на машини;
ремонт и одржување на машини и тн.
Секој проект се дели на низа подзадачи или фази кои треба да се

извршат во одредена зависност едни од други. Секоја од тие подзадачи се
нарекува активност. Активност може да биде почеток на дупчење, прекин на
изградба на пат поради невреме и слично.
Кога се работи врз даден проект, прво
како најважна задача е да се направи план за Слика 8.1 Активност во
работа кој би ги опфаќал сите активности на мрежен дијаграм
дадениот проект со нивното временско траење и
меѓусебна зависност. Оваа задача не е
тривијална, па за нејзино решавање развиени се т.н. техники за мрежно
планирање. Овие техники најчесто користат мрежен дијаграм за преставување
на даден проект, кој преставува слика на времетраењето и меѓузависностите на
активностите што го сочинуваат тој проект. Од начинот на разработка на даден
проект, ќе зависи и неговиот мрежен дијаграм и притоа, измените во проектот
ќе диктираат измени и во мрежниот дијаграм. Во мрежниот дијаграм
активноста се прикажува со стрелка, при што воопшто не е важна нејзината
должина и нејзиниот облик (Слика 8.1).
Секоја активност има свој почеток и крај. Тоа се моментални случувања
и тие немаат временско траење т.е. нивното временско траење е нула. Овие
116
моментални случувања се нарекуваат настани

и тие во мрежниот дијаграм се преставуваат со
кругови, а се нумерираат со редни броеви. 1 2
Значи, секоја активност има два настани:
почетен настан и краен настан (Слика 8.2).
Понекогаш во мрежниот дијаграм има
потреба од користење на т.н. фиктивна Слика 8.2 Почетен и краен настан
активност која има временско траење нула, на една активност
поради што се нарекува и нул-активност. Оваа фиктивна активност се користи
за прикажување на меѓузависностите на поедини активности, кои не може да
бидат прикажани со вистински активности, бидејќи
секоја вистинска активност има одредено временско
траење. Фиктивните активности се прикажуваат со Слика 8.3 Фиктивна
испрекинати стрелки и поседуваат почетен и краен активност
настан како и вистинските активности, што е
прикажано на Слика 8.3.
Два настани директно можат да бидат поврзани само со една активност.
Доколку две активности имаат заеднички почетен и краен настан, тогаш
проблемот се решава со воведување на фиктивна активност и тоа на еден од
следните четири начини прикажани на Слика 8.4.
A A
B
B
a) b)
A A
c) d)
Слика 8.4 Четири начини за претставување на два настана со заеднички почетен и краен настан
117
8.2 ПРЕСТАВУВАЊЕ ЗАВИСНОСТИ НА АКТИВНОСТИ
Кога е даден проект кој сакаме да го преставиме со мрежен дијаграм,

најпрво треба да се утврдат временските и меѓусебните зависности помеѓу
активностите што го сочинуваат тој проект.
Може да се случи да постојат низа активности кои треба да се извршат
редоследно, односно кога едната завршува другата почнува. Нека на пример, A,
B и C се три такви активности, тогаш тие може да се престават со стрелки кои
се надоврзуваат една на друга, т.ш. крајниот настан на една активност
истовремено е и почетен настан на наредната активност (Слика 8.5).
A B C
Слика 8.5
Може една активност B да не може да започне додека две или повеќе

активности Ai, i ∈ {1, 2,...n} не завршат. Доколку активностите Ai не се зависни
меѓусебе, тогаш тие може да се извршуваат паралелно. Ваквата зависност може
да се престави како на Слика 8.6.
A1
.
. B
.
An
Слика 8.6
B1
.
A .
.
Bn
Слика 8.7
118
Завршувањето на една активност A, може да значи почеток на две или

повеќе меѓусебно независни активности Bi, i ∈ {1, 2,...n} кои како такви може
да се извршуваат паралелно. Слика 8.7 ја прикажува ваквата зависност.
Почетокот на две или повеќе независни активности Bj, j ∈ {1, 2,...m}
може да зависи од крајот на две или повеќе независни активности Ai, i ∈ {1,
2,...n}, што може да се прикаже со Слика 8.8.
A1 B1
. .
. .
. .
An Bm
Слика 8.8
Посебен случај е кога една активност C зависи од активностите A и B,

додека активноста D зависи само од една од двете активности A и B, на пример
од B (Слика 8.9).
A C
B D
Слика 8.9
A1 A2 C
Слика 8.10
Една активност B може да зависи само делумно од завршувањето на

дадена активност A, додека за да почне друга активност C, активноста A треба
целосно да заврши. За да се прикаже овој случај во мрежен дијаграм, потребно
119
е активноста A да се разбие на активност A1, која би била делот од A од кој

зависи B и активност A2, останатиот дел од A. Решението е прикажано на Слика
8.10.
Кога се креира мрежен дијаграм, треба да се внимава да не се појави
циклус. Циклусот значи враќање на времето наназад, што е бесмислено и
невозможно. Со други зборови, секој настан во мрежата може да се случи само
еднаш. Циклус може да се појави поради невнимание, особено при поставување
на фиктивни активности.
При креирањето на мрежен дијаграм треба да се почитуваат три правила:
1. Мрежниот дијаграм треба да биде комплетен, т.е. сите потребни

активности и настани треба да бидат прикажани во мрежниот
дијаграм;
2. Ниту една активност не може да започне додека не се случи
нејзиниот почетен настан;
3. Ниту еден настан не може да се случи додека не завршат сите
активности кои водат кон него.
8.3 ПАТ ВО МРЕЖЕН ДИЈАГРАМ
Po~eten nastan
na mreèn Kraen nastan na
dijagram mreèn dijagram
Слика 8.11 Мрежен дијаграм
Како што секоја активност има почетен и краен настан, така и секој
мрежен дијаграм има почетен и краен настан, кои одговараат на почетокот и
крајот на проектот кој е преставен со тој мрежен дијаграм. Доколку за еден
проект има повеќе почетни и крајни настани, тогаш со користење на фиктивни
120
активности, треба да се спојат сите почетни настани во еден почетен настан и

сите крајни настани во еден краен настан (Слика 8.11).
Низа на активности во мрежен дијаграм формираат пат. Најзначајни се
патиштата кои водат од почетниот до крајниот настан на даден мрежен
дијаграм. Патот може да поминува и преку фиктивна активност. Така на Слика
8.12 даден е мрежен дијаграм со патишта од почетниот до крајниот настан на
мрежниот дијаграм.
Pat 1
Pat 2
Pat 3
Слика 8.12 Мрежен дијаграм со три патишта
8.4 ЦРТАЊЕ НА МРЕЖЕН ДИЈАГРАМ
Врз основа на преставувањето на зависностите дадено во претходното

поглавје, може да се состави мрежен дијаграм за даден проект. За таа цел,
најнапред е потребно да се направи листа од сите активности што го сочинуваат
дадениот проект.
Нека е даден проект со 11 активности означени со големите латински
букви A, B, ... K. Притоа помеѓу нив постои следната временска зависност:
− Активностите A, B, C и D започнуваат во почетниот настан на

проектот;
− Активноста E зависи од A;
− Активноста F зависи од B;
− Активноста G зависи од B и C;
− Активноста H зависи од D;
− Активноста I зависи од E и F;
− Активноста J зависи од H и G и
− Активноста K зависи од I.
121
При планирањето на даден проект и при неговото разбивање на

активности, зависностите меѓу активностите треба да ги воочи самиот
проектант и да ги престави или на претходниот начин со зборови или со помош
на матрица на активности, како на Слика 8.13. Во матрицата на активности,
првиот ред хоризонтално се посматраните активности за кои сакаме да
утврдиме од кои активности зависат, додека првиот ред вертикално се
независните активности, т.е. оние активности од кои зависат посматраните
активности. Зависноста е осначена со "x", така да дадените претходни
зависности лесно се воочуваат.
A B C D E F G H I J K
A x
B x x
C x
D x
E x
F x
G x
H x
I x
J
K
Слика 8.13 Матрица на активности
Со дадените зависности, лесно може да се нацрта саканиот мрежен

дијаграм (Слика 8.14).
A E
B F I K
C G J
D H
Слика 8.14
122
Овој мрежен дијаграм може да се поедностави, со изоставување на

непотребно нацртаните фиктивни активности:
− фиктивната активност која ги поврзува активноста E со почетокот на

активноста I не е потребна, бидејќи активноста E може директно да
се спои со почетокот на активноста I;
− фиктивната активност која ги поврзува активноста H со почетокот на
активноста J не е потребна, бидејќи активноста H може директно да
се спои со почетокот на активноста J;
− останатите фиктивни активности не можат да се изостават.
На Слика 8.15 е даден крајниот мрежен дијаграм.
A E
B F I K
C G J
D H
Слика 8.15 Мрежен дијаграм без непотребни фиктивни активности
8.5 ФУЛКЕРСОНОВО ПРАВИЛО ЗА НУМЕРИРАЊЕ НА НАСТАНИ ВО

МРЕЖЕН ДИЈАГРАМ
Во сите мрежни техники кои денес се користат, наместо именување на

активностите, настаните се нумерираат со редните броеви почнувајќи од 1 па
нагоре или пак со аритметички низи од броеви кај кои разликата помеѓу било
кои два соседни член е 2, 3, 5 и тн. Потребата за користење на вакви
аритметички низи за нумерирање на настаните, произлегува од можноста за
евентуално додавање на изоставени активности, со што само се врши
нумерирање на новите настани, без да се менува нумерирањето на целиот
мрежен дијаграм. Вакво нумерирање може да се користи и во случај кога прво
се изработува груба шема на проектот само со поважните активности, а покасно
се врши додавање на помалку важните активности или разбивање на една
активност на повеќе помали активности.
123
Откако ќе се изврши нумерирањето на настаните, секоја активност се

именува со броевите на нејзиниот почетен и краен настан. Така ако една
активност има почетен настан i и краен настан j, тогаш таа активност се
именува i-j. Притоа постојат неколку причини поради кои почетниот настан
треба да има помал број од крајниот настан на една активност. Тоа се: подобра
прегледност и полесно пронаоѓање на активноста во мрежниот дијаграм,
бидејќи броевите растат од лево кон десно, полесно откривање на несакани
циклуси и слично.
Правило за растечко нумерирање на настаните, со најголема примена во
мрежните техники, секако е Фулкерсоновото правило за нумерирање на
настани, кое гласи:
1. Почетниот настан од мрежниот дијаграм се нумерира со почетниот
број, а потоа сите активности кои излегуваат од него се прецртуваат
при нивниот врв, пред самата стрелка;
2. Наредните поголеми броеви се доделуваат само на оние настани кај
кои сите стрелки што завршуваат се прецртани. Доколку постојат
повеќе вакви настани, тие се нумерираат одгоре-надолу или одлево-
надесно, што меѓутоа, не е нужно;
3. Активностите кои излегуваат од новонумерираните настани, се
прецртуваат;
4. Повторување на 2 и 3 се додека не се нумерира целиот мрежен
дијаграм.
Од основна важност е да се примети дека не може да се нумерира настан

во кој завршува непрецртана активност, што овозможува сите активности да
имаат почетен настан со помал број од бројот на крајниот настан.
Фулкерсоновото правило за нумерирање на настани може да се
илустрира на Слика 8.16 со примерот даден во претходното поглавје.
1 3
Слика 8.16
124
Почетниот настан е нумериран со 1, а потоа се прецртани сите 4

активности кои излегуваат од него. Настаните 2, 3 и 4 добиваат броеви, бидејќи
сите активности што завршуваат во нив се прецртани. Притоа нумерирањето е
вршено од горе надолу. Прецртани се и сите активности кои излегуваат од
настаните 2, 3 и 4.
1 3 6
Слика 8.17
На Слика 8.17 нумерирани се настаните 5 и 6, бидејќи останатите

настани сé уште не можат да се нумерираат. Потоа прецртани се сите
активности кои излегуваат од настаните 5 и 6.
1 3 6 8
5 7
Слика 8.18
Сега може да се нумерираат настаните 7 и 8 и да се прецртаат

активностите кои излегуваат од нив (Слика 8.18). Потоа на Слика 8.19 дадено е
нумерирањето на настанот 9 кој е и краен настан на мрежниот дијаграм.
125
1 3 6 8
5 7
Слика 8.19 Нумерирање на мрежен дијаграм со Фулкерсоново правило
8.6 АНАЛИЗА НА ВРЕМЕ ПО ТЕХНИКАТА PERT
Мрежните дијаграми сами по себе не значат многу, но, тие наоѓаат

широка примена во техниките за мрежно планирање. Кај овие техники прво се
изработува мрежниот дијаграм, а потоа се одредува временското траење на
поединечните активности. Крајна цел е да се утврди времетраењето на целиот
проект.
PERT или Project Evaluation and Review Technique е техника за мрежно
планирање, која на барање на Воената морнарица на САД, при изградбата на
подморницата Polaris, ја развиле фирмите Lockhead и Booz, Allen and Hamilton.
Техниката била потребна за планирање на рокови и за координирање на
цивилните и воените органи кое учествувале во изградбата на подморницата.
Со техниката PERT за секоја активност е потребно да се проценат три
времетраења на активноста и тоа: оптимистичко време - to, најверојатно време -
m и песимистичко време - tp.
Оптимистичко време преставува времетраењето на дадена активност
кое при нејзиното изведување може да се случи само при многу поволни услови
и многу среќни околности. Тоа значи дека при изведувањето на активноста
нема никакви потешкотии и проблеми кои ненадејно би искрснале. Во пракса,
најчесто постои многу мала веројатност за активноста да заврши во
оптимистичко време.
Најверојатно време преставува времетраење на дадена активност, кое во
пракса има најголема поединечна веројатност да се оствари.
Песимистичко време преставува времетраење на дадена активност кое
при нејзиното изведување може да се случи само во многу неповолни и
несреќни околности. Тоа значи дека при изведувањето на активноста се случиле
најневеројатни збиднувања кои драстично го продолжиле времетраењето на
126
активноста. Такви збиднувања се, на пример, грешка во самиот проект која е

откриена при неговото изведување, лоши временски услови, расипување на
некоја неопходна машина, губење на работници поради штрајк, болест и
слично. Треба да се нагласи деко кога се проценува песимистичкото време, не
смее да се земаат во предвид природни катастрофи како пожар, поплава,
земјотрес и слично, бидејќи тие немаат никаква врска со практичното
изведување. Во пракса, и за песимистичко време најчесто постои многу мала
веројатност да се оствари.
Во мрежниот дијаграм сите три
t0 - m - tp
времиња се запишуваат над стрелката на
соодветната активност, разделени со црта
te
(Слика 8.20). Слика 8.20
Причината за воведување на
песимистичко времетраење на активност, а со тоа и на целиот проект во PERT, е
таа што техниката PERT е креирана имајќи во предвид проекти за кои нема
претходно искуство со кое би можело унапред да се одреди колку ќе трае некоја
активност, бидејќи активноста од таков тип се изведува првпат. Затоа оваа
техника може да се користи во научноистражувачки и развојни проекти.
Трите дефинирани времиња преставуваат проценети времиња за дадена
активност и се користат за одредување на четврто времетраење, со кое се вршат
сите понатамошни пресметки, а кое се нарекува очекувано време или te.
Очекуваното време се пресметува со равенката :
t0 + 4 ⋅ m + t p
te =
6
2
3 4
1 3 6 8
8 2 3 2
9
5 7
5 7 4
4
9 2
Слика 8.21
127
Вообичаено ова време се пишува под стрелката со која е преставена

соодветната активност (Слика 8.20). Веројатноста да се случи очекуваното
време е 0.5.
Соодветните времетраења за една фиктивна активност имаат вредност
нула.
Нека претпоставиме дека за примерот од претходите две поглавја,
пресметани се очекуваните времиња за сите активности во некои временски
единици (ден, недела и тн) и дека се добиени резултати како на Слика 8.21.
За секој настан, со помош на добиените очекувани времиња, се
пресметува најрано време на настанот - TE (Earliest Time) и најкасно време на
настанот - TL (Latest Time). TEj
Најрано време на даден настан е j
времето кога најрано може да се случи
соодветниот настан и тоа во мрежниот j
TEj
дијаграм се внесува на два начина: над
кругот и во долната лева четвртина на
кругот, зададени на Слика 8.22, од кои во a) b)
овој текст се користи вториот начин. Слика 8.22
Во општ случај, за даден настан j
и за дадени активности i-j, кои водат кон тој настан, важат следните правила за
одредување на најраното време на настанот, TEj:
− За секој настан се прави пресметка на најраното време на настанот

толку пати, колку што активности водат кон дадениот настан, со
релацијата:
TE (i , j ) = TEi + te (i , j )
− TEj ја добива најголемата вредност од множеството пресметани
вредности TE(i,j).
Ваквото пресметување се нарекува пресметување на напред или

прогресивно пресметување.
Така за примерот од Слика 8.21, определувањето на времињата TE се
одвива на следниот начин:
1. Најраното време на почетниот настан 1 е 0;

2. Бидејќи активностите 1-2, 1-3 и 1-4 имаат очекувано време 3, 8 и 9
временски единици соодветно, најраните времиња на настаните 2, 3 и
4 се TE2 = 3, TE3 = 8 и TE4 = 9;
3. Бидејќи настанот 5 ќе се случи само доколку се случат активностите
1-5 и 3-5, се пресметуваат две времиња:
TE (1,5) = TE1 + te (1,5) = 0 + 5 = 5
128
TE ( 3, 5) = TE 3 + t e ( 3,5) = 8 + 0 = 8
па TE5 = 8, т.е. поголемата вредност;
2-6 и 3-6, се пресметуваат три времиња:
TE ( 2, 6 ) = TE 2 + t e ( 2, 6 ) = 3 + 4 = 7
TE ( 3, 6 ) = TE 3 + t e ( 3, 6 ) = 8 + 2 = 10
TE ( 4, 7 ) = TE 4 + t e ( 4, 7 ) = 9 + 2 = 11
TE ( 5, 7 ) = TE 5 + t e ( 5, 7 ) = 8 + 7 = 15
6. Настанот 8 зависи само од активноста 6-8, па
TE 8 = TE 6 + t e ( 6,8) = 10 + 3 = 13
TE ( 7 ,9 ) = TE 7 + t e ( 7 ,9 ) = 15 + 4 = 19
TE (8,9 ) = T8 + t e (8,9 ) = 13 + 2 = 15
па TE9 = 19, т.е. поголемата вредност.
3 3 4
1 3 6 8
0 8 8 2 10 3 13 2
9
5 7
19
5 8 7 15 4
9 9 2
Слика 8.23
129
Слика 8.23 го прикажува крајниот резултат.

Најкасното време на даден настан е она најкасно време во кое
разгледуваниот настан треба да се случи, а да не предизвика како последица
каснење на крајниот настан на мрежниот дијаграм. Па, според тоа најкасното
време на секој настан се пресметува во однос на најкасното време на крајниот
настан на мрежата и во мрежниот дијаграм се внесува на два начина: под кругот
и во долната десна четвртина на кругот,
зададени на Слика 8.24. Во овој текст се TEj
j
користи вториот начин.
Во општ случај, за даден настан i и за j
дадени активности i-j, кои почнуваат од тој TEj TLj
настан, важат следните правила за
одредување на најкасното време на настанот, TLj
TLj: a) b)
− За секој настан се прави пресметка Слика 8.24
на најкасното време на настанот
толку пати, колку што активности
почнуваат во дадениот настан, со релацијата:
TL (i , j ) = TLj − te (i , j )
− TLi ја добива најмалата вредност од множеството пресметани
вредности TL(i,j).
Ваквото пресметување се нарекува пресметување на наназад или

ретроградно пресметување.
Така за примерот од Слика 8.23, определувањето на времињата TL се
одвива на следниот начин:
1. Најкасното време на крајниот настан 9 е еднакво на неговото најрано

време, а тоа е 19;
2. Бидејќи активностите 8-9 и 7-9 имаат очекувано време 2 и 4
временски единици соодветно, најкасните времиња на настаните 8 и
7 се:
TL8 = TL 9 − t e (8,9) = 19 − 2 = 17
TL 7 = TL 9 − t e ( 7 ,9 ) = 19 − 4 = 15
3. Бидејќи од настаните 6, 5, 4 и 2 излегува само по една активност 6-8,
5-7, 4-7 и 2-6 со очекувани времиња 3, 7, 2 и 4 соодветно, најкасните
времиња на настаните 6, 5, 4 и 2 се:
TL 6 = TL8 − t e ( 6,8) = 17 − 3 = 14
TL 5 = TL 7 − t e ( 5, 7 ) = 15 − 7 = 8
TL 4 = TL 7 − t e ( 4,7 ) = 15 − 2 = 13
130
TL 2 = TL 6 − t e ( 2,6 ) = 14 − 4 = 10
4. Бидејќи од настанот 3 почнуваат две активности 3-6 и 3-5, се
пресметуваат две времиња:
TL ( 3, 6 ) = TL 6 − t e ( 3, 6 ) = 14 − 2 = 12
TL ( 3,5) = TL 5 − t e ( 3, 5) = 8 − 0 = 8
па TL3 = 8;
5. Бидејќи од настанот 1 почнуваат три активности 1-2, 1-3 и 1-4, се
пресметуваат три времиња:
TL (1, 2 ) = TL 2 − t e (1, 2 ) = 10 − 3 = 7
TL (1,3) = TL 3 − t e (1,3) = 8 − 8 = 0
TL (1, 4 ) = TL 4 − t e (1, 4 ) = 13 − 9 = 4
па TL1 = 0.
Слика 8.25 ги прикажува пресметаните најкасни времиња на настани.
3 3 10 4
1 3 6 8
0 0 8 8 8 2 10 14 3 13 17 2
9
5 7
19 19
5 8 8 7 15 15 4
9 9 13 2
Слика 8.25
На Слика 61 може да се констатира дека настанот 8 има најрано време TE

= 13 и најкасно време TL = 17, што значи дека постои инревал од 4 временски
единици во кои настанот може да се случи, а тоа да не предизвика каснење на
проектот. Овој интервал се нарекува зрачност на даден настан или SL, а се
пресметува со формулата SL = TL - TE. И зрачноста може да се престави на два
начина во мрежниот дијаграм, како на Слика 8.26.
131
TEj
j
j
TEj TLj
TLj
SLj
SLj
a) b)
Слика 8.26
За мрежниот дијаграм да има комплетен изглед, потребно е да е

прикажана и зрачноста на секој настан. Така, комплетниот изглед на примерот
од Слика 8.25 е даден на Слика 8.27.
3 3 10 4
1 3 6 8
0 0 8 8 8 2 10 14 3 13 17 2
0 4 4
0 9
5 7
19 19
5 8 8 7 15 15 4
0
0 0
4
9 9 13 2
4
Слика 8.27
Кога се зема најкасното време на крајниот настан на мрежниот дијаграм

да е еднакво со неговото најраното време (TL = TE), се дефинира критичен пат
како пат кој минува низ настаните со зрачност 0. Ако ваквите настани се
закаснат, тоа ќе предизвика каснење на целиот проект, па затоа се нарекуваат и
критични настани. Останатите настани не се критични, бидејќи може да се
случат во помал или поголем интервал.
132
За мрежниот дијаграм на Слика 8.27 се воочува дека критичниот пат

минува низ настаните 1-3-5-7-9, а соодветните критични настани се 1-3, 3-5, 5-7
и 7-9.
Може да се случи крајот на проектот да е терминиран, т.е. рокот на
траење на целиот проект може однапред да е дефиниран. И тој податок се
внесува во мрежниот дијаграм, а се означува со Ts. Во тој случај критичните
настани ќе имаат вредност различна од нула, а за критичниот пат важи следното
правило:
Зрачноста на настаните кои се наоѓаат на критичниот пат е
константна и е најмала од сите зрачности во мрежниот дијаграм.
За да се прикаже пример на терминиран проект, нека во примерот од
Слика 59 постои рок од 25 временски единици, т.е. TS = TL9 = 25.
Пресметувањето на најраните времиња и најкасните времиња се одвива на ист
начин како до сега, само од Слика 64 се гледа дека сите најкасни времиња на
настани се зголемени за 6, што е и логично. Исто така и сите зрачности на
настани се зголемени за 6. И во овој случај критичниот пат минува низ
настаните 1-3-5-7-9, кои остануваат критични настани, т.е. настани со најмала
зрачност.
3 3 16 4
13
1 3 6 8
0 6 8 8 14 2 10 20 3 13 23 2
6 10 10
6 9
5 7
19 25
5 8 14 7 15 21 4
6
6 6
4
9 9 19 2
10
Слика 8.28
133
8.7 АНАЛИЗА НА ВРЕМЕ ПО МЕТОДАТА НА КРИТИЧЕН ПАТ (CPM)
Методата на критичен пат (Critical Path Method - CPM) е техника за

мрежно планирање, развиена од американската фирма Du Pont de Nemours &Co.
во 1957 година, со намена за планирање на ремонти во хемиската индустрија.
За разлика од PERT, техниката CPM бара само една проценка на
времетраење на активност i-j, која се означува со tij и се бележи под стрелката
со која е преставена соодветната активност, како на Слика 8.27.
i j
TEi TLi tij TEj TLj
Слика 8.27
Врз основа на проценетото време, за секој настан i се пресметуваат две

времиња и тоа: најран почеток на сите активности кои излегуваат од настанот i,
се означува со RP и најкасно завршување на сите активности кои завршуваат
во настанот i се означува со KZ. Овие две времиња, без разлика на нивните
имиња, се пресметуваат на ист начин како и најраното и најкасното време за
даден настан кај PERT.
CPM воведува и два нови поими: најрано завршување на секоја
активност или RZ и најкасен почеток на секоја активност или KP.
За дадена активност i-j, преставена како на Слика 8.27, важат следните
равенства за четирите времиња:
RP = TEi
RZ = TEi + ti j
KP = TLj - tij 2 6
KZ = TLj 3 10 4 10 14
Така на пример, за активноста 2-6 од
Слика 8.28 се добиваат следните вредности: 7 4
RP = 3, RZ = 7, KP = 10 и KZ = 14.
Во CPM се пресметуваат четири вида Слика 8.28
на временски резерви за секоја активност посебно:
Вкупна (тотална) временска резерва - Rt за една активност се
пресметува како разлика на најкасно завршување KZ и најраното завршување на
таа активност RZ:
Rt = KZ - RZ = TLj - (TEi + ti j)
134
Така за примерот од Слика 8.28, вкупната временска резерва за

активноста 2-6 е Rt = 14 - 7 = 7 временски единици.
Слободна временска резерва - Rs за една активност се пресметува со
равенката:
Rs = TEj - (TEi + ti j)
Слободната временска резерва на една активност е оној дел од вкупната

временска резерва кој останува за нејзино извршување при најрано случување
на крајниот настан на таа активност. Така за активноста 2-6 од Слика 8.28, Rs =
10 - (3 + 4) = 3 временски единици.
Условна временска резерва - Ru за една активност е делот од нејзината
вкупна временска резерва без слободната временска резерва, кој се добива во
случај кога нејзиниот краен настан се случува најкасно што може. Таа се
пресметува како разлика на вкупната и слободната временска резерва:
Ru = Rt - Rs
За активноста 2-6 од Слика 8.28, Ru = 7 - 3 = 4 временски единици.

Независна временска резерва - Rn за една активност е оној дел од
вкупната временска резерва кој не зависи од положбата на ниту една друга
активност и се пресметува со равенката:
Rn = TEj - (TLi + ti j)
Независната временска резерва може да добие и негативна вредност при

пресметките, и тогаш се отфрла како бесмислена, а наместо негативната
вредност се пишува нула. Ваков случај може да настане кога следната
активност после разгледуваната не се наоѓа на критичниот пат.
За активноста 2-6 од Слика 8.28, Rn = 10 - (10 + 4) = -4 т.е. Rn = 0
односно активноста 2-6 нема независна временска резерва.
Сите овие потребни пресметувања може да се престават табеларно за
подобар преглед. За примерот од Слика 8.25, направените пресметки се дадени
во Табела 8.1. Притоа колоните од 1 до 7 се препишуваат од мрежниот
дијаграм, а за останатите важат следните равенства:
8=4 11 = 7 14 = 12 - 13
9=4+3 12 = 7 - (4 + 3) = 7 - 9 15 = 6 - (5 + 3)
10 = 7 - 3 13 = 6 - (4 + 3) = 6 - 9
135
Табела 8.1
Почетен Краен
Активност Најран Најкасен Временски резерви
настан настан
завршување
завршување
Почетен
tij
почеток
почеток
настан
настан
Краен
KP
RP
KZ
RZ
TE TL TE TL Rt Rs Ru Rn
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 2 3 0 0 3 10 0 3 7 10 7 0 7 0
1 3 8 0 0 8 8 0 8 0 8 0 0 0 0
1 4 9 0 0 9 13 0 9 4 13 4 0 4 0
1 5 5 0 0 8 8 0 5 3 8 3 3 0 3
2 6 4 3 10 10 14 3 7 10 14 7 3 4 0(-4)
3 6 2 8 8 10 14 8 10 12 14 4 0 4 0
3 5 0 8 8 8 8 8 8 8 8 0 0 0 0
4 7 2 9 13 15 15 9 11 13 15 4 4 0 0
5 7 7 8 8 15 15 8 15 8 15 0 0 0 0
6 8 3 10 14 13 17 10 13 14 17 4 0 4 0(-4)
7 9 4 15 15 19 19 15 19 15 19 0 0 0 0
8 9 2 13 17 19 19 13 15 17 19 4 4 0 0
Критичниот пат се определува врз база на вкупната временска резерва,

т.е. колоната 12 од дадената табела. Доколку активноста има временска резерва
0, тогаш таа активност е критична. За примерот од горната табела, критични
активности се: 1 - 3, 3 - 5, 5 - 7 и 7 - 9.
Доколку се одреди почетокот на проектот и доколку се знае што
преставуваат временските единици, лесно може да се утврдат и датумите на
било кој податок од колона 8 до колона 11. Притоа може ќелиите од овие
колони да се преполоват по хоризонтала, при што горната половина би ја имала
функцијата од горната табела, додека во долната половина би се вметнувале
соодветните датуми. Втора и повеќе користена можност е за секој проект да се
состави посебен роковник т.е. термински календар.
ВЕЖБИ
Прикажете ја меѓузависноста на активностите при следните услови:

1. Активностите C, D и E зависат од завршувањето на A и B.
2. Активноста D зависи од завршувањето на активностите A, B и C.
3. Активноста C зависи од завршувањето на A, D од B, а E од A и B.
4. Активностите B и C зависат од завршувањето на A, додека активноста D
зависи од завршувањето на B.
5. Активностите B и C зависат од завршувањето на A, активноста D зависи од
B, додека активноста E зависи од завршувањето на D и C.
136
6. Активностите B и C зависат од завршувањето на A, додека активноста D

зависи од завршувањето на B и C.
7. Постојат 3 независни активности A, B и C. Активноста D зависи од
завршувањето на A и C, активноста E зависи од завршувањето на B и C,
додека активноста F зависи од завршувањето на C.
завршувањето на A, B и C, додека активноста E зависи од завршувањето на
B и C.
завршувањето на A и C, активноста E зависи од завршувањето на B и C,
додека активноста F зависи од завршувањето на A и B.
10. Постојат 3 независни активности A, B и C. Активноста D зависи делумно од
активностите A и B, додека активноста E зависи од завршувањето на B и C.
Нацртајте ги следните мрежни дијаграми од задача 11 и 12:

11. Активностите A, B и C почнуваат во почетниот настан на мрежниот
дијаграм, D и E зависат од A, активноста F од A и B, G од C и F, додека H
зависи од D, E и G. Треба да се остават само неопходните фиктивни
активности.
12. Активноста A почнува во почетниот настан на мрежниот дијаграм, B, C и D
зависат од A, активноста E и F од B, G од C и F, H зависи од D, додека J
зависи од E, G и H. Треба да се остават само неопходните фиктивни
активности.
13. Нацртајте го мрежниот дијаграм и нумерирајте ги настаните со помош на
Фулкерсоновото правило, ако се зададени следните зависности на
активностите:
a) Активностите 1 и 2 започнуваат во почетниот настан на мрежниот

дијаграм;
Активностите 3, 4 и 5 зависат од 1;
Активноста 6 зависи од 2;
Активноста 7 зависи од 1 и 2;
Активноста 10 зависи од 6, 8 и 9;
b) Активноста 1 започнува во почетниот настан на мрежниот дијаграм;
Активностите 2, 3 и 4 зависат од 1;
Активностите 6 и 7 зависат од 3;
Активноста 8 зависи од 5;
Активноста 11 зависи од 6 и 7.
137
9 ПРИМЕНА НА НУМЕРИЧКИТЕ МЕТОДИ ВО

РУДАРСТВОТО И ГЕОЛОГИЈАТА
9.1 ИНТЕРПОЛАЦИЈА
Интерполацијата наоѓа широка примена во рударството и геологијата.

Може да се користи за геометризација на наоѓалишта, моделирање на
просторните промени кај геолошките обележја, обработка на резултати од
лабораториски мерења, при корелација на параметрите на истражувачките
процеси и појави, утврдување на законитости кај процеси и појави и сл.
Истражувачот има потполна слобода во изборот на методата на интерполација
и степенот на полиномот кој ќе го користи. Не постојат дефинирани правила
која метода е најсоодветна во даден случај. Затоа истражувачот треба да има
добри познавања на самите интерполациони методи, како и суштината на
самите процеси и појави кои се испитуваат.
Кога бројот на интерполациони јазли е мал, пресметките може рачно да
се изведуваат, но, во случај на поголем број на јазли мора да се користи сметач.
Пример 1. Дадено наоѓалиште на бакарна руда е истражувано со помош

на 4 дупчотини, поставени на растојание од 100m. Притоа добиените податоци
за координатите на дупчотините и котите се преставени во Табела 9.1.
Потребно е да се изврши интерполација на соодветниот пресек на рудното тело.
Граничните контури треба да се интерполираат со полином од трети степен.
Табела 9.1
Дупчотина x y h1 кота (m) h2 кота (m)
D1 200 200 673 660
D2 200 300 670 665
D3 200 400 677 668
D4 200 500 680 670
Бидејќи x координата е иста за сите 4 дупчотини, котите може да се

разгледуваат како функција од една променлива, во овој случај y. Ќе ја
искористиме Лагранжовата интерполациона формула за добивање на
138
полиномите на контурите на рудното тело. За поедноставување на пресметките

се користи помошната Табела 9.2.
Табела 9.2
i yi (⋅100m) f(yi) (⋅100m) g(yi) (⋅100m)
0 2 6.73 6.60
1 3 6.70 6.65
2 4 6.77 6.68
3 5 6.80 6.70
Помошните Лагранжови полиноми за горната и долната контура се исти

и изнесуваат:
(x − x1 )(x − x2 )(x − x3 ) (x − 3)(x − 4)(x − 5) − x 3 + 12 x 2 − 47 x + 60

L0 ( x ) = = =
(x0 − x1 )(x0 − x 2 )(x0 − x3 ) (2 − 3)(2 − 4)(2 − 5) 6
L1 ( x) =
( x − x0 )( x − x2 )( x − x3 )
=
( x − 2)( x − 4)( x − 5) x 3 − 11x 2 + 38 x − 40
=
(x1 − x0 )(x1 − x2 )(x1 − x3 ) (3 − 2)(3 − 4)(3 − 5) 2
L2 ( x) =
( x − x0 )( x − x1 )( x − x3 )
=
( x − 2)( x − 3)( x − 5) − x + 10 x 2 − 31x + 30
=
3
(x2 − x0 )(x2 − x1 )(x2 − x3 ) (4 − 2)(4 − 3)(4 − 5) 2
L3 ( x) =
(x − x0 )(x − x1 )(x − x2 ) = (x − 2)(x − 3)(x − 4) = x 3 − 9 x 2 + 26 x − 24
(x3 − x0 )(x3 − x1 )(x3 − x2 ) (5 − 2)(5 − 3)(5 − 4) 6
Од тука за Лагранжовиот интерполационен полином на горната контура

се добива:
− x 3 + 12 x 2 − 47 x + 60 x 3 − 11x 2 + 38 x − 40
P3 ( x) = ⋅ 6.73 + ⋅ 6.70 +
6 2
− x 3 + 10 x 2 − 31x + 30 x 3 − 9 x 2 + 26 x − 24
+ ⋅ 6.77 + ⋅ 6.80
2 6
P3 ( x) = −0.0233x 3 + 0.2600 x 2 − 0.8867 x + 7.6500
Овој полином математички ја отсликува горната контура на рудното

тело во рамнината x=200.
139
x100m
D3 D4
D1 D2
x100m
Слика 9.1 Пресек на наоѓалиштето
Лагранжовиот интерполационен полином кој математички ја отсликува

долната контура во рамнината x=200 е:
− x 3 + 12 x 2 − 47 x + 60 x 3 − 11x 2 + 38 x − 40
P3 ( x) = ⋅ 6.60 + ⋅ 6.65 +
6 2
− x 3 + 10 x 2 − 31x + 30 x3 − 9 x 2 + 26 x − 24
+ ⋅ 6.68 + ⋅ 6.70
2 6
P3 ( x) = 0.0017 x3 − 0.0250 x 2 + 0.1433x + 6.4000
Овој полином математички ја отсликува долната контура на рудното

тело во рамнината x=200.
Добиените интерполациони полиноми може да се искористат за
преставување на пресекот на рудното тело, како на Слика 9.1.
140
Пример 2. Дадено наоѓалиште на железна руда е истражено за средна

содржина на железо, со помош на 16 дупчотини распоредени во правоаголна
мрежа како на Слика 9.2. Истите вредности може да се претстават со помош на
Табела 9.3 како функција f(x,y) од координатите. Потребно е да се пресмета
средната содржина на железото во точката со координати x=250 и y=180.
38,7 40,9 41,2 40,6

250
39,3 k 43,6 42,4 38,6

200
41,9 43,1 41,8 37,9

150
h
41,5 42,5 40,4 37,2
100
x
100 200 300 400
Слика 9.2 Распоред на бушотини со средна содржина на железо
Табела 1.3
y
100 150 200 250
x
100 41,5 41,9 39,3 38,7
200 42,5 43,1 43,6 40,9
300 40,4 41,8 42,4 41,2
400 37,2 37,9 38,6 40,6
Вредноста на функцијата може да се определи со дводимензионална

интерполација, со полином од 3-ти степен. За таа цел најпрво се наоѓаат
вредностите fA=f(100,180), fB=f(200,180), fC=f(300,180) и fD=f(400,180) со
Њутнов полином - напред од трети степен, а потоа на нив се врши
интерполација и се добива вредноста f(250,180).
y − y0 180 − 100
Вредноста на α = = = 1,6 е заедничка за наоѓање на сите
k 50
вредности fA, fB, fC и fD. Истите се наоѓаат со формулата:
Δ2 f ( X , y 0 ) Δ3 f ( X , y 0 )
f ( X ,180) = f ( X , y 0 ) + αΔf ( X , y 0 ) + α (α − 1) + α (α − 1)(α − 2)
2! 3!
141
За вредноста fA ја формираме табелата со конечни разлики:
i yi f(100,yi) Δ f(100,yi) Δ2 f(100,yi) Δ3 f(100,yi)

0 100 41,5
1 150 41,9 0,4
2 200 39,3 -2,6 -3
3 250 38,7 -0,6 2 5
−3 5
f A = f (100,180) = 41,5 + α ⋅ 0,4 + α ⋅ (α − 1) ⋅
+ α ⋅ (α − 1) ⋅ (α − 2) ⋅ =40,38
2! 3!
За вредноста fB ја формираме табелата со конечни разлики:

0 100 42,5
1 150 43,1 0,6
2 200 43,6 0,5 -0,1
3 250 40,9 -2,7 -3,2 -3,1
− 0,1 − 3,1
f B = f (200,180) = 42,5 + α ⋅ 0,6 + α ⋅ (α − 1) ⋅
+ α ⋅ (α − 1) ⋅ (α − 2) ⋅ =43,61
2! 3!
За вредноста fC ја формираме табелата со конечни разлики:

0 100 40,4
1 150 41,8 1,4
2 200 42,4 0,6 -0,8
3 250 41,2 -1,2 -1,8 -1
− 0,8 −1
f C = f (300,180) = 40,4 + α ⋅ 1,4 + α ⋅ (α − 1) ⋅
+ α ⋅ (α − 1) ⋅ (α − 2) ⋅ =42,32
2! 3!
За вредноста fD ја формираме табелата со конечни разлики:

0 100 37,2
1 150 37,9 0,7
2 200 38,6 0,7 0
3 250 40,6 2 1,3 1,3
0 1,3
f D = f (400,180) = 37,2 + α ⋅ 0,7 + α ⋅ (α − 1) ⋅ + α ⋅ (α − 1) ⋅ (α − 2) ⋅ =38,24
2! 3!
142
За крајната вредност f(250,180) ја формираме табелата со конечни

разлики:
i xi f(xi ,180) Δ f(xi ,180) Δ2 f(xi ,180) Δ3 f(xi ,180)

0 100 40,38
1 200 43,61 3,23
2 300 42,32 -1,29 -4,52
3 400 38,24 -4,08 -2,79 1,73
x − x0 250 − 100
β= = = 1,5
h 100
− 4,52 1,73
f (250,180) = 40,38 + β ⋅ 3,23 + β ⋅ ( β − 1) ⋅
+ β ⋅ ( β − 1) ⋅ ( β − 2) ⋅ =43,42
2! 3!
Значи средна содржина на железо во точката со координати (250,180)
изнесува 43,42%.
9.2 СИСТЕМИ ЛИНЕАРНИ РАВЕНКИ
Нумеричките методи за решавање на линеарни алгебарски равенки

наоѓаат широка примена во разни области на рударството и геологијата, како на
пример, решавање на проблеми од областа на вентилација на рудниците и
нивна заштита од вода, хидрогеологија, пресметка за движењето на масите во
шеми на флотациска концентрација, пресметка на Гибсовата слободна енергија
кај реакции на добивање на минерали и тн.
Пример 3 На Слика 9.3 прикажана е шема на флотациска концентрација

на дадена минерална суровина. Процентуалната содржина на металот во
дадените протоци од шемата е прикажана во Табела 9.4. Со користење на
матрица за врска, направи пресметка за движењето на масите.
Табела 9.4
Проток % содржина на метал
1 -
2 0.51
3 0.12
4 16.1
5 4.2
6 25.0
7 -
8 2.1
9 1.5
143
Слика 9.4 Шема на флотациска концентрација
Истата оваа шема може да се престави и во форма на јазли, како на

Слика 9.5.
9 1 2 3
1 2 3
4 5
8
4 5
7
Слика 9.5 Шема на флотациска концентрација со јазли
Од шемата се гледа дека има еден влез 9 (F=1) и два продукта 3 и 6,

додека останатите се внатрешни протоци. Бидејќи постојат 5 јазли и 9 протоци,
матрицата на врска е дадена со (1). Притоа, содржината на секоја колона
претставува еден проток. Ако збирот на вредностите во колоната е -1, протокот
е продукт, ако е 1, протокот е влез и ако е 0, протокот е внатрешен. Секоја
редица претставува еден јазол.
144
−1 0 0 0 0 0 1 0 1
1 −1 0 −1 0 0 0 0 0
C= 0 1 −1 0 −1 0 0 0 0 (1)
0 0 0 1 0 −1 0 −1 0
0 0 0 0 1 0 −1 1 0
Бројот на едноставни спојувачи J е np-1=2, каде np е бројот на појавувања

на 1 во редицата, додека бројот на едноставни сепаратори S е nn-1=3, каде nn е
бројот на појавувања на -1 во редицата. Оттука минималниот број на протоци
од кои треба да се земе репрезентативна проба е
N = 2( F + S ) − 1 = 2(1 + 3) − 1 = 7 .
Материјалната матрица понатаму се дефинира како M=CB, B=[Bj] каде
Bj претставува ниво на масен проток на цврста фаза во даден проток j. За
конкретниот пример, доколку се земе B9 =1, таа е претставена со (2).
− B1 0 0 0 0 0 B7 0 1
B1 − B2 0 − B4 0 0 0 0 0
M = 0 B2 − B3 0 − B5 0 0 0 0 (2)
0 0 0 B4 0 − B6 0 − B8 0
0 0 0 0 B5 0 − B7 B8 0
Бидејќи протоците 1 и 7 не се опробуваат, не може да се изврши баланс

на компоненти на јазлите кои ги содржат тие протоци.
Компонентна матрица се дефинира како A=Ma, a=[aj] каде аj
претставува процентуална содржина на металот во даден проток j. Во овој
пример се креира компонентна матрица само за јазлите 3 и 4, а е прикажана со
(3).
0 0.51B2 − 0.12 B3 0 − 4.2 B5 0 0 0 0

A= (3)
0 0 0 16.1B4 0 − 25.0 B6 0 − 2.1B7 0
За да се добие квадратна матрица потребно е уште едно равенство, кое се

добива кога целата шема се третира како едноставен јазол. Тогаш неговиот
баланс на компоненти е даде со:
145
0.12 B3 + 25.0 B6 − 1.5 = 0
На овој начин се добива симултан систем на 8 линеарни равенки (4) кој

може да се реши со Гаусовата елиминациона постапка.
⎡− 1 0 0 0 0 0 1 0 ⎤ ⎡ B1 ⎤ ⎡ − 1 ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢1 −1 0 −1 0 0 0 0 ⎥ ⎢ B2 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 1 −1 0 −1 0 0 0 ⎥ ⎢ B3 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 1 0 −1 0 − 1 ⎥ ⎢ B4 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ = ⎢ ⎥
⎢0 0 0 0 1 0 −1 1 ⎥ ⎢ B ⎥ ⎢ 0 ⎥ (4)
⎢ ⎥⎢ 5 ⎥ ⎢ ⎥
⎢ 0 0.51 − 0.12 0 − 4.2 0 0 0 ⎥ ⎢ B ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ 6 ⎥ ⎢ ⎥
⎢0 0 0 16.1 0 ⎥ ⎢
− 25.0 0 − 2.1 ⎢ B7 ⎥⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢0 ⎥ ⎢B ⎥ ⎢ ⎥
⎣ 0 − 0.12 0 0 − 25.0 0 0 ⎦ ⎣ 8 ⎦ ⎣− 1.5⎦
Бидејќи станува збор за поголем систем, може да се искористи

имплементацијата на Гаусовата елиминациона постапка во Матлаб. Притоа се
добиваат следните вредности:
B1 = 1.1351
B2 = 1.0444
B3 = 0.9445
B4 = 0.0907
B5 = 0.0998
B6 = 0.0555
B7 = 0.1351
B8 = 0.0353
Пример 4 Дадени се три равенки кои го опишуваат формирањето на три

минерали талк, крисолит и сепиолит. Дадена е и Гибсовата слободна енергија
на формирање на трите минерали. Потребно е да се определи Гибсовата
слободна енергија на компонентите вклучени во реакцијата, магнезиум
хидроксид, магнезиум оксид и силициум диоксид.
146
Mg(OH)2 + 2MgO + 4SiO2 = талк (-5523 kjmol-1)

2Mg(OH)2 + MgO + 2SiO2 = крисолит (-4038 kjmol-1)
2Mg(OH)2 + 3SiO2 = сепиолит (-4269.8 kjmol-1)
Овие равенки може да се запишат како систем од линеарни равенки каде

непознатите x, y и z се Гибсовата слободна енергија на компонентите вклучени
во реакцијата.
Mg(OH)2 MgO SiO2 ГСЕ

талк x+ 2y + 4z -5523
крисолит 2 x+ y +2z -4038
сепиолит 2x+ +3z -4269.8
или
⎧ x + 2 y + 4 z = −5523
⎪⎪
⎨2 x + y + 2 z = −4038
⎪
⎪⎩ 2 x + 3 z = −4269.8
Овој систем може да се реши со Гаусовата елиминациона постапка.

Доколку се трансформира прво со правилото на главни елементи, се добива
следниот систем:
⎧4 z + x + 2 y = −5523
⎪⎪
⎨ 3 z + x = −4269.8
⎪
⎪⎩2 z + 2 x + y = −40382
Со првата фаза - елиминацијата, се добива следниот систем:
⎧ 4 z + x + 2 y = −5523
⎪⎪
⎨1.25 x − 1.5 y = −127.55
⎪
⎩⎪ 1.5 x = −40382
Постапката може да се прекине и тука и да се почне со замена, бидејќи

во последната равенка се добива само една непозната. Решението на крајниот
систем е:
147
G° Mg(OH)2 = -851 kjmol-1

G° MgO = -624.13 kjmol-1
G° SiO2 = -855.93 kjmol-1
9.3 ПОЛИНОМНА РЕГРЕСИЈА
Полиномната регресија може да се користи за моделирање на

најразлични податоци добиени при мерења или лабораториски експерименти во
хидрогеологијата, геофизиката, минералната технологија и тн. Овде се
приложен еден пример.
Пример 5 Во даден басен направени е бушотина и со помош на

пиезометар е следена варијацијата на нивото на подземните води за време од 1
година. Средната вредност од добиените резултати по месеци е прикажана во
Табела 9.5. Добиените податоци да се моделираат со полином од прв до шести
степен и да се определи која регресија најдобро ги опишува собраните
податоци.
Табела 9.5
Месец Средна вредност
x y [dm]
1 3,50
2 3,67
3 3,89
4 4,12
5 4,56
6 4,02
7 3,78
8 4,10
9 3,95
10 3,88
11 3,78
12 3,65
За испитување на полиномната регресија од прв и втор степен се користи

Табела 9.6.
148
Табела 9.6
i xi yi x iy i xi2 xi2 y i xi3 xi4
1 1 3,50 3.50 1 3.50 1 1
2 2 3,67 7.34 4 14.68 8 16
3 3 3,89 11.67 9 35.01 27 81
4 4 4,12 16.48 16 65.92 64 256
5 5 4,56 22.80 25 114.00 125 625
6 6 4,02 24.12 36 144.72 216 1296
7 7 3,78 26.46 49 185.22 343 2401
8 8 4,10 32.80 64 262.40 512 4096
9 9 3,95 35.55 81 319.95 729 6561
10 10 3,88 38.80 100 388.00 1000 10000
11 11 3,78 41.58 121 457.38 1331 14641
12 12 3,65 43.80 144 525.60 1728 20736
Σ 78 46.9 304.90 650 2516,38 6084 60710
Притоа за полином од прв степен се добива следниот систем:

⎧⎪ 12k 0 + 78k1 = 46.9
⎨
⎪⎩78k 0 + 650k1 = 304.90
Со решавање на овој систем се добива k0 = 3.9061 и k1 = 0.0003. Оттука
регресионата зависност може да се изрази со следниот полином од прв ред:
Y = 3.9061 + 0.0003 x
регресиона зависност од прв степен е прикажано во Табела 9.7.
Табела 9.7
i xi yi Yi = 3.9061 + 0.0003 xi Si2
1 1 3,50 3.9091 0.1674
2 2 3,67 3.9121 0.0586
3 3 3,89 3.9151 0.0006
4 4 4,12 3.9181 0.0408
5 5 4,56 3.9211 0.4082
6 6 4,02 3.9241 0.0092
7 7 3,78 3.9271 0.0216
8 8 4,10 3.9301 0.0289
9 9 3,95 3.9331 0.0003
10 10 3,88 3.9361 0.0031
11 11 3,78 3.9391 0.0253
12 12 3,65 3.9421 0.0853
Σ 0.8493
149
0.8493
σ1 = = 0.2771
11
За полином од втор степен со замена во (7.4) се добива следниот систем:
⎧ 12k 0 + 78k1 + 650k 2 = 46.9

⎪⎪
⎨ 78k 0 + 650k1 + 6084k 2 = 304.90
⎪
⎪⎩650k 0 + 6084k1 + 60710k 2 = 2516.38
Табела 9.8
i xi yi Yi = 3.3450+ 0.2408xi -0.0185 xi2 Si2
1 1 3,50 3.5673 0.0045
2 2 3,67 3.7526 0.0068
3 3 3,89 3.9009 0.0001
4 4 4,12 4.0123 0.0116
5 5 4,56 4.0866 0.2241
6 6 4,02 4.1240 0.0108
7 7 3,78 4.1243 0.1185
8 8 4,10 4.0877 0.0002
9 9 3,95 4.0140 0.0041
10 10 3,88 3.9034 0.0005
11 11 3,78 3.7558 0.0006
12 12 3,65 3.5712 0.0062
Σ 0.3881
Со решавање на системот со помош на Гаусовата елиминациона

постапка се добива следното решение:
k0 = 3.3450
k1 = 0.2408
k2 = -0.0185
Според тоа полиномот од втор степен, добиен со примена на методата на

најмали квадрати би бил:
Y = 3.3450+ 0.2408x -0.0185 x2

регресиона зависност од втор степен е прикажано во Табела 9.8.
150
0.3881
σ1 = = 0.1878
11
За полиномите од трети до шести степен и нивните квадратни
отстапувања, се добиени следните вредности со помош на функцијата
PRegresija.
• Полином од трети степен со квадратно отстапување σ= 0.1690
Y = 3.0003+ 0.5072x - 0.0677 x2 + 0.0025x3
• Полином од 4-ти степен со квадратно отстапување σ= 0.1684
Y = 2.9048+ 0.6157x - 0.1019 x2 + 0.0065x3 - 0.0002x4
Y = 3.7682 - 0.6669x + 0.4853 x2 - 0.1061x3 + 0.0094x4 - 0.0003x5
Y = 5.1036 - 3.0740x + 1.9370 x2 - 0.5038x3 + 0.0637x4 - 0.0039x5 + 0.0001x6
Бидејќи најмало квадратно отстапување има полиномот од 6-ти степен

следува дека тој најдобро го апроксимира даденото множество на податоци, во
однос на останатите полиномни регресии.
9.4 МРЕЖНО ПЛАНИРАЊЕ
Мрежното планирање наоѓа широка примена при реализација на

посложени проекти во рударството и геологијата, на пример, при планирање на
дупчко-минерски работи, изградба на опточни тунели, изградба на пристапни
патишта до рудници, планирање на производство и сл. Меѓудругото,
овозможува определување на времетраењето на целиот проект, определување
на критичните активности и критичниот пат, како и времето за колку може да
се задоцни дадена активност, а притоа да не влијае на времетраењето на целиот
проект.
Пример 6 Потребно е да се направи временска анализа на проект -

изградба на флотациско јаловиште (ново јаловиште - II фаза) во рудникот
151
“САСА”. Притоа определени се следните активности и нивните најверојатни

времетраења:
A Изработка на потребна документација, со m =12 недели;

B Доработка на опточниот тунел со m =20 недели;
C Барање дозвола за изместување на гробишта со m =10 недели;
D Тендер за доработка на нов пристапен пат со m =8 недели;
E Поставување на главен пулповод со m =22 недели;
F Изработка на преливен колектор со m =5 недели;
G Изработка на сливен колектор со m =10 недели;
H Изместување на гробишта со m =3 недели;
I Изработка на нов пристапен пат со m =26 недели;
J Изградба на почетна иницијална брана со m =7 недели;
K Продолжување на пулповодот до почетната круна на браната и поврзување со
хидроциклоните со m =1 недели;
L Поставување дренажа со m =3 недели; и
M Дополнителни активности со m =1 недела.
Оптимистичкото времетраење - to во наши услови може да се земе дека е

25% пократко од најверојатното време, додека песимистичкото времетраење - tp
може да се земе дека е 50% подолго од најверојатното време.
Притоа за очекуваните времетраења - te и меѓузависностите на
активностите се добива следното:
Активноста A има to=9, tp=18 и te=12.5 недели;

Активноста B има to=15, tp=30 и te=21 недели;
Активноста C има to=7.5, tp=15 и te=10.5 недели;
Активноста D има to=6, tp=12 и te=8.5 недели;
Активноста E има to=16.5, tp=33 и te=23 недели, зависи од A;
Активноста F има to=4, tp=7.5 и te=5 недели, зависи од A;
Активноста G има to=7.5, tp=15 и te=10.5 недели, зависи од A и B;
Активноста H има to=2.5, tp=4.5 и te=3 недели, зависи од C;
Активноста I има to=19.5, tp=39 и te=27 недели, зависи од D;
Активноста J има to=5, tp=10.5 и te=7 недели, зависи од F, G, H и I;
Активноста K има to=1, tp=1.5 и te=1 недели, зависи од E и J;
Активноста L има to=1, tp=2 и te=4.5 недели, зависи од J;
Активноста M има to=1, tp=1.5 и te=1 недели, зависи од J.
Зависноста меѓу активностите може да се прикаже и со помош на

матрица на активности, Слика 9.6:
152
A B C D E F G H I J K L M
A x x x
B x
C x
D x
E x
F x
G x
H x
I x
J x x x
K
L
M
Слика 9.6 Матрица на активности
Овие меѓузависности може да се престават со следниот мрежен

дијаграм, преставен на Слика 9.7.
A E
2 8
K
F
B G J L
1 6 7 10
5
M
C H
3 9
D I
4
Слика 9.7 Преставување на активностите со мрежен дијаграм
Понатаму анализа на времето може да се направи со методата PERT, при

што пресметувањата на најраните и најкасните времиња на случувања на даден
настан заедно со зрачноста на настанот се прикажани на Слика 9.8.
153
2 8
A E
12.5 12.5 12.5 23 42.5 44.5
K
9 F
5 1
1 5 G 6 J 7 10
B L
0 0 21 21 25 10.5 10 14 7 42.5 42.5 3 45.5 44.5
3
4
0 0 0 M 0
3 1
C H
3 9
10.5 10.5 32.5
22 43.5 45.5
4
D I 2
8.5 8.5 8.5 27
0
Слика 9.8 Анализа на времето со методата PERT
Веднаш, од Слика 9.8, може да се види дека очекуваното време на

завршување на целиот проект е 45,5 недели. Исто така може да се уочи дека
критичниот пат на дадениот проект кој минува низ настаните со зрачност 0, а
тоа се настаните 1, 4, 6, 7 и 10, а го сочинуваат критичните активности D, I, J и
L. Тоа значи дека доколку се закаснат овие активности, ќе се закасне и целиот
проект.
PERT методата овозможува и определување на веројатноста за најраното
можно време за да заврши целиот проект, како и интервалот во кој со сигурност
од 99% би завршил целиот проект.
Интервалот во кој би завршил целиот проект се пресметува со
формулата TE10 ± 3σ 10 , каде TE10 е најраното време на завршниот настан, додека
σ 10 е стандардна девијација на најраното време на завршниот настан од
мрежниот дијаграм а се пресметува со формулата:
σ 10 = σ D2 + σ I2 + σ J2 + σ L2
Притоа за стандардните девијации на активностите од критичниот пат,

t p − to
се користи следната формула σ = . За конкретниот пример се добива:
6
154
12 − 6
σD = =1
6
39 − 19.5
σI = = 3.25
6
10.5 − 5
σJ = = 0.92
6
4.5 − 2
σL = = 0.42
6
σ 10 = 12 + 3.25 2 + 0.92 2 + 0.42 2 = 3.5476 ≅ 3.55
За интервалот се добива:
TE10 ± 3σ 10 = 45.5 ± 3 ⋅ 3.55 = 45.5 ± 10.65 = (34.85 ÷ 56.15) = (35 ÷ 56)
Значи според методата PERT се утврди дека очекуваното време да се

заврши проектот е 45.5 недели, но, 99% е сигурно дека новото јаловиште - II
фаза ќе се оспособи за експлоатација за време од најмалку 35 недели, а најмногу
за 56 недели.
155
ЛИТЕРАТУРА
[1] Б. Трпеновски, Н. Целакоски: “Елементи од нумеричка математика”,

Универзитет “Св. Кирил и Методиј” - Скопје, 1982
[2] R. W. Hamming: “Numerical Methods for Scientists and Engineers”, 2 edition,

Dover Publications, 1987
[3] S. Vujić, A. Ivić: “Matematičke metode u rudarstvu i geologiji: Teorija i

primena”, Rudarsko-geološki fakultet - Beograd, 1991
[4] A. Vila, Z. Leicher: “Planiranje proizvodnje i kontrola rokova: Operativna

priprema rada, Poslovanje specijalnim alatima”, Informator - Zagreb, 1976
[5] S. C. Chapra, R. Canale: “Numerical Methods for Engineers: With Software and
Programming Applications”, 4th Edition, McGraw-Hill, 2001
[6] G.V. Milovanovic: “Numerička analiza”, Naučna knjiga - Beograd, 1985
[7] S. E. Pav: “Numerical Methods Course Notes”, University of California at San

Diego, October, 2005
[8] J. Petrić: “Operaciona iztraživanja”, Naučna knjiga - Beograd, 1989
[9] L. N. Trefethen: “Numerical Analysis”, Oxford University, May 2006
[10] G. Dahlquist, Å. Björck: “Numerical Methods in Scientific Computing”,

Working copy, February 2006
[11] P. Henrici: “Applied and Computational Complex Analysis. Volume 1: Power

Series, Integration, Conformal Mapping, Location of Zeros”, Wiley Classics Library,
New York, 1988. Reprint of the 1974 original
[12] P. Henrici: “Applied and Computational Complex Analysis. Volume 2: Special

Functions, Integral Transforms, Asymptotics, Continued Fractions”, Wiley Classics
Library, New York, 1991. Reprint of the 1977 original
[13] K. E. Atkinson: “An Introduction to Numerical Analysis”, John Wiley, New

York, second edition, 1989
[14] P. Deuflhard, A. Hohmann “Numerical Analysis in Modern Scientific

Computing”, Springer, Berlin, second edition, 2003
156
[15] L. Eldén, L. Wittmeyer-Koch, H. B. Nielsen: “Introduction to Numerical

Computation”, Studentlitteratur, Lund, Sweden, 2004
[16] K. Eriksson, D. Estep, P. Hansbo, C. Johnson “Computational Differential

Equations”, Cambridge University Press, Cambridge, UK, 1996
[17] W. Gander, Jiři Hřebiček.: “Solving Problems in Scientific Computing using

Maple and Matlab”, Springer-Verlag, Berlin, 4th edition, 2004
[18] D. Kincaid, W. Cheney: “Numerical Analysis”, Brooks/Cole, Pacific Grove, CA,

third edition, 2002
[19] C.B. Moler: “Numerical Computing with Matlab”, SIAM, Philadelphia, PA,
2004
[20] J. Stoer, R. Bulirsch: “Introduction to Numerical Analysis”, Springer-Verlag,

New York, third edition, 2002
[21] G. W. Collins II: “Fudamental Numerical Methods and Data Analysis”, Case
Western Reserve University, 2003
157

Numericki Metodi Vo Rudarstvoto

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Numericki Metodi Vo Rudarstvoto

Uploaded by

Copyright:

Available Formats

УНИВЕРЗИТЕТ “ГОЦЕ ДЕЛЧЕВ” - ШТИП

проф. д-р. Благој Голомеов

За повеќето проблеми што се среќаваат во инженерската практика многу

решение во некоја граница. Притоа мора да се специфицира критериум за

1 ОСНОВНИ КОНЦЕПТИ ЗА ПРОЦЕНКА НА ГРЕШКА

Главна цел на нумеричката анализа и научното сметање е да се развијат

1.1 ИЗВОРИ НА ГРЕШКА

Нумеричките резултати може да бидат под влијание на повеќе типови на

a. Грешки во дадените влезни податоци

запирка во сметачите води до загуба на информации, кои зависно од

со подвижна запирка во одреден облик, предизвика голем

Треба да се прави разлика и меѓу извори на грешка кои може или не

1.2 АПСОЛУТНА И РЕЛАТИВНА ГРЕШКА

Најчесто научниците и корисниците треба да се задоволат со

Потребно е да се прави разлика меѓу грешката ~x − x која може да биде

Најчесто се користи една од двете еквивалентни нотации x = ~

Алтернатива е да се користи покомпонентна релативна грешка, што

Потребно е да се прави разлика меѓу точност и прецизност. Под точност

Бидејќи апсолутните грешки Δx и Δy се многу мали, нивниот

Кога се користат сметачи, претпоставката дека основните аритметички

1.3 ЗАОКРУЖУВАЊЕ И ОТСЕКУВАЊЕ

Ако големината на грешката во дадена нумеричка вредност a~ не

Постојат два начина на заокружување на даден број x на t децимални

Пример 2 Следните броеви да се заокружат на три децимални места со

Кога се врши заокружување на нумеричка вредност, добро е да се дадат

1. Издвој неколку сопствени примери за секоја група на грешки кои можат да

2. Определи колку децимални места, а колку цифри имаат броевите:

3. Определи колку точни децимални места, а колку значајни цифри имаат

4. Следните броеви да се заокружат на две децимални места со отсекување и

5. Доколку даден број се заокружи со заокружување на најблискиот број на 3

2 ПРИБЛИЖНО РЕШАВАЊЕ НА РАВЕНКИ СО ЕДНА

Една од главните задачи на нумеричката анализа е приближно решавање

kаде f(x) е непрекината на интервалот [a,b]. Се претпоставува дека сите корени

2.1 МЕТОДА НА БИСЕКЦИЈА

Наједноставна од сите овие методи е методата на бисекција (метода на

Теорема 2.1 Ако функцијата f(x) е непрекината на интервалот [a,b] тогаш

Како резултат на оваа теорема се јавува следната последица.

Последица 2.2 Ако функцијата f(x) е непрекината на интервалот [a,b] и

Непрекинатоста на функцијата е неопходен услов за примена на оваа

Методата на бисекција се состои во следното. Нека функцијата f(x) е

1. f(a), f(c) имаат различни знаци, па се бира интервалот [a, c] како

На ист начин се прави бисекција на новиот интервал [a1, b1]. Постапката

Теорема 2.3 Ако функцијата f(x) е непрекината на интервалот [a,b] таква

Слика 2.1Графички приказ на методата на бисекција

Оваа метода може секогаш практично да се примени, а и лесно се

Пример 2 Со помош на методата на бисекција да се најде приближната

Јасно се гледа дека функцијата f ( x) = x 3 + x 2 − 5 е непрекината на

Во четвртиот чекор се добива дека точноста е помала од бараната

При компјутерската имплементација на оваа метода може да се појават

function [c] = Bisekcija(f,a,b,xt,yt)

2.2 МЕТОДА НА ПОВТОРУВАЊЕ

Кај методата на повторување или метода на последователни

Геометриски, решенијата на равенката (2) преставуваат апсцисите на

Слика 2.3 Графички приказ на методата на повторување

Конвергенцијата на методата на повторување е обезбедена со следната

(∀x, y ∈ [a, b]) F ( x) − F ( y ) ≤ L x − y (4)

тогаш равенката x = F (x) има едно единствено решение ξ во интервалот [a,b] и

Последица 2.5 Нека функцијата F: [a,b] → [a,b] е диференцијабилна на

Условот (4) се нарекува Lipshitz-ов услов. Со математичка индукција се

Ако m → ∞ тогаш x m → ξ , каде ξ е корен на равенката (2). Оттука се добива:

Исто така важи и:

Пример 3 Со помош на методата на повторување да се определи коренот

Оттука се добива дека F(x) ги задоволува условите од Последица 2.5 кога