Ak NM B5 090426

ER
ZITET U Z
E
N
I
UN
IC
SI
IC
AEN IS
S
UNIVER
ZE
ST
UDIORUM
Univerzitet u Zenici
Mainski fakultet
Aleksandar Kara
Numerike metode
u inenjerstvu
Zenica, 2009.
Poglavlje 1
Uvod
U ovom udbeniku predstavljene su metode koje se mogu koristiti u rjeavanju
matematikih problema koji se pojavljuju u nauci, a za koje nije mogue ili
je vrlo teko nai rjeenja u zatvorenom obliku. S obzirom na dostupnost brzim raunarima u dananje vrijeme, pomou ovih metoda mogue je uspjeno
i veoma brzo dobiti rjeenja visoke tanosti za mnoge probleme s kojima se
suoavaju dananji inenjeri i naunici. Ovo uvodno poglavlje objanjava osnovne pojmove s kojima se susreemo u numerikim proraunima.
1.1
Osnovne ideje i koncepti u numerikoj analizi
U veini numerikih metoda primjenjuje se mali broj optih i relativno jednostavnih ideja. Ove ideje se meusobno povezuju s nekim dodatnim saznanjima
o problemu koji se rjeava. U ovom poglavlju date su neke osnovne opte ideje
koje se kriju iza numerikih metoda pri rjeavanju jednostavnijih problema,
koji mogu biti dio rjeenja nekog veeg problema.
1.1.1
Iteracija, konvergencija, rekurzija
Jedan od najee sretanih pojmova u mnogim kontekstima je pojam iteracije

ili sukcesivne aproksimacije. Openito govorei, iteracija predstavlja ponavljanje niza radnji ili postupaka, kao to je ponavljanje nekog numerikog procesa,
s ciljem poboljanja prethodno dobivenih rezultata.
Kako bismo pojasnili pojam iteracije, posmatrajmo problem rjeavanja sljede jednaine:
x = g(x)
(1.1)
1 Uvod
gdje je g(x) diferencijabilna funkcija ija se vrijednost moe izraunati za bilo

koju vrijednost realne promjenljive x unutar zadatog intervala. Koristei iterativni postupak, poinje se s nekom poetnom aproksimacijom x0 , i rauna
redom:
x1 = g(x0 ),
x2 = g(x1 ),
x3 = g(x2 ),
......
xn+1 = g(xn ),
(1.2)
Svaki red oblika xi+1 = g(xi ) predstavlja jednu iteraciju.

Ako niz xn konvergira ka graninoj vrijednosti tada imamo:
= lim xn+1 = lim g(xn ) = g()
n
(1.3)
pa x = zadovoljava jednainu x = g(x). Cilj je da s porastom n imamo sve

bolju procjenu eljenog korijena (rjeenja) jednaine (1.1). Iterativni postupak
se zaustavlja kada se dobije eljena tanost; na primjer, dok apsolutna razlika
izmeu dvije uzastopne iteracije ne bude manja od izabranog malog pozitivnog
realnog broja.
Posljednja formula u nizu (1.2)
xn+1 = g(xn )
(1.4)
naziva se rekurzivna ili rekurentna formula. Rekurentne formule predstavljaju

jednu od vanijih ideja u numerikoj matematici. Rjeavanje nekog problema
pomou rekurentnih formula znai da rjeenje tog problema zavisi od rjeenja
manjih primjeraka istog problema.
Geometrijska interpretacija iterativnog postupka je data na slici 1.1. Korijen jednaine (1.1) je dat kao abscisa presjene take krive y = g(x) i prave
y = x. Koristei iterativni postupak i poinjui sa x0 dobijamo taku A0 s
koordinatama (x0 , g(x0 )). Sada se lako dobije taka B1 , jer ima istu vrijednost ordinate kao taka A0 , tj. y = g(x0 ) = x1 . Postupak se zatim ponavlja
dok se ne postigne eljena tanost. Sa slike 1.1a se vidi da niz xn monotono
konvergira, tj. rjeenju se pribliavamo uvijek s iste (lijeve) strane. Slika 1.1b
pokazuje sluaj u kojem proces, takoer, konvergira, ali ne monotono (rjeenju se pribliavamo naizmjenino s desne i lijeve strane). Meutim, postoje i
sluajevi u kojima iterativni proces divergira (slike 1.1c i 1.1d).
Za
niz se kae da konvergira kada ima graninu vrijednost. U suprotnom, kae se da divergira.
Osnovne ideje i koncepti u numerikoj analizi

a)
7
b)
f(x)
f(x)
A0
M
A1
A2
M
A4
A0
B1
A3
A1
g(x0)
x1 x2 x3
x0
x0
x2 x4
x3 x1
d)
c)
f(x)
f(x)
M
B0
A0
B1
A0
B2
A1
B3
A2
x3
x2
x1 x0
x0=x2
x1=x3
Slika 1.1: Geometrijska interpretacija iteracije xn+1 = g(xn )
1.1.2
Aproksimacija
Jo jedna od esto koritenih ideja je da se neka komplikovanija funkcija lokalno, tj. u maloj okolini neke take, aproksimira linearnom funkcijom. Ovaj
postupak se naziva linearna aproksimacija ili linearizacija.
Takoer, funkcije koje imaju veoma komplikovane analitike izraze ili su
definisane na neki drugi nain (na primjer tabelarno), mogu se aproksimirati
jednostavnijim funkcijama, najee polinomima.
Osim aproksimacije funkcija, u numerikoj matematici esto se koristi i
aproksimacija izvoda tzv. konanim razlikama, kao to je pokazano u poglavlju
5.1.2 koje govori o numerikom diferenciranju koristei formule za diferenciranje.
Upotreba ove ideje je pokazana i u poglavlju 2 na primjerima numerikog
rjeavanja jednaina koristei razne numerike metode. Na primjer, Newtonova
metoda i metoda sjeice (vidi poglavlja 2.5 i 2.7) predstavljaju metode u kojima
se linearizacija upotrebljava u kombinaciji s iterativnim postupkom.
1 Uvod
1.2
Znaajne cifre, greke i predstavljanje brojeva
Numeriki prorauni ukljuuju i razne raunske operacije s brojevima (sabiranje, mnoenje, itd.), pri emu brojevi mogu biti cijeli (npr. 2, 50, -30, itd.),
racionalni (npr. 1/2, -3/5, itd.), ili iracionalni (npr. = 3.1415926535 . . .) .
Pri radu s numerikim vrijednostima i numerikim proraunima treba imati
na umu sljedee koncepte:
1. Znaajne cifre
2. Greke
3. Predstavljanje brojeva
1.2.1
Znaajne cifre
Znaajne cifre nekog broja su prve netrivijalne cifre, odnosno cifre razliite od
nule, i one koje slijede iza njih u zapisu. Na primjer, u broju 3.145 imamo 4
znaajne cifre, dok u broju 0.0171 imamo tri znaajne cifre. Openito, svaki
inenjerski ili nauni proraun poinje grupom podataka koji imaju poznat
broj znaajnih cifara. Kada se ovakvi brojevi procesiraju u nekom numerikom algoritmu, vrlo je vano moi odrediti koliko znaajnih cifara se nalazi u
konano proraunatom rezultatu.
1.2.2
O grekama
Izvori greaka
Jedan od osnovnih zadataka numerike analize je da se razviju efikasne i tane

metode za izraunavanje fizikih veliina koje je teko ili nemogue dobiti analitikim putem. Meutim, numeriki analitiari moraju biti i eksperti u kontroliranju razliitih izvora greaka kako se ove greke ne bi pomijeale s izraunatim
rezultatima prilikom njihove interpretacije.
Numeriki rezultati mogu biti izloeni mnogim tipovima greaka, pri emu
se neke mogu potpuno eliminisati, dok se na druge moe veoma teko utjecati. Greke se prostiru (propagiraju) od njihovog izvora prema vrijednostima
fizikih veliina koje se izraunavaju, ponekad s velikim pojaanjem ili priguenjem. Pri tome je veoma vano napraviti razliku izmeu greke koja je
nastala u procesu izraunavanja neke fizike veliine, i greke koja se naslijedila
iz podataka od kojih zavisi ta fizika veliina.
U
udbeniku e se umjesto decimalnog zareza koristiti decimalna taka.
Sve greke se, s obzirom na izvore nastanka, mogu podijeliti na sljedei

nain:
Greke u polaznim podacima. Ove greke nastaju prilikom mjerenja fizikih veliina. Pri tome, mjerenja mogu biti pod utjecajem sistemskih
greaka (greke u mjernim ureajima), ili trenutnih smetnji (vibracije,
nepovoljna temperatura, itd.). Ovaj tip greaka je daleko jednostavnije
procijeniti od greaka koje nastaju usljed zaokruivanja u toku raunanja.
Greke usljed zaokruivanja u toku raunanja. Ove greke nastaju u raunarima, s obzirom da raunari koriste konanu aritmetiku, odnosno
binarnu aritmetiku s pokretnom takom , kod koje je unaprijed rezervisan odreen broj binarnih mjesta za eksponent i mantisu (vidi poglavlje
1.2.3). Dva tipina sluaja su:
1. Kada raunar ne moe da manipulie s brojevima koji imaju vei broj
znaajnih cifara od, na primjer, s, onda taan proizvod dva broja sa
s cifara (ovaj proizvod moe sadravati 2s ili (2s 1) cifara) ne moe
da se koristi u naknadnim proraunima; proizvod takva dva broja se
zaokruuje na s znaajnih cifara.
2. Ako se pri proraunu s relativno mali broj b doda broju a, onda se, s
obzirom na ogranien broj znaajnih cifara, moe desiti da neke cifre
broja b budu zanemarene u izrazu a + b, tako da nee imati nikakav
utjecaj na veliine koje zavise od tog zbira.
Efekti greaka pri zaokruivanju mogu biti vrlo uoljivi u dugim proraunima.
Greke usljed prekidanja (greke odbacivanja). Ove greke nastaju kada
se, na primjer, beskonaan niz prekine nakon konanog broja lanova,
ili kada se izvodi aproksimiraju konanim razlikama (mada je u drugom
sluaju pravilnije koristiti pojam greka diskretiziranja).
Pojednostavljenja u matematikom modelu (greke modela). Ove greke
nastaju zamjenom sloenih sistema jednostavnijim koje moemo opisati
matematikim formulama, odnosno kada se prave idealizacije. Naime,
stvarne pojave su esto takve da se ili ne mogu opisati matematikim teorijama, ili su previe sloene za dananji stepen matematike. Zbog toga
se vre razna pojednostavljenja kako bismo, s jedne strane, bili u mogunosti opisati neku pojavu pomou matematikih formula, a s druge strane,
Koncept realnog broja s pokretnom takom je danas najee koritena metoda za aproksimaciju realnih
brojeva pomou raunara [6, 7].
10
1 Uvod
kako bismo dobivene formule pojednostavili na oblik koji je mogue rijeiti. Tako se, na primjer, kod kretanja u zemaljskim uslovima esto
zanemaruje utjecaj otpora zraka. Osim toga, esto se "dobri" modeli zamjenjuju "slabijim" kako bi se mogle primijeniti numerike metode; na
primjer, sistemi parcijalnih diferencijalnih jednaina se linearizuju. Ovaj
tip greaka je ponekad veoma teko procijeniti i na korisniku je da uvidi
da li se primjenom modela dobivaju oekivani rezultati.
Ljudske greke i greke raunara. Pri numerikom rjeavanju problema,
mogu se oekivati i greke pri unosu podataka, koje nastaju kao rezultat
pogrenog upisivanja vrijednosti, greaka u knjigama, tabelama ili formulama koje su na raspolaganju. U ove vrstu greaka spadaju i greke u
programiranju, odnosno usljed pogreno napisanih algoritama, te greke
u hardveru. Primjer greke pri programiranju je pogreno napisana DO
petlja u FORTRAN programu, koji je kontrolirao let amerike sonde Venus, usljed koje je sonda nestala (umjesto DO 1,3 napisano je DO 1.3).
S druge strane, greka u hardveru koja je svojevremeno (1994. godine )
imala velik odjek u javnosti, je greka u INTEL Pentium procesoru, koji
je davao pogrene rezultate pri dijeljenju s odreenom grupom realnih
brojeva.
Propagacija greaka
Prethodno navedeni tipovi greaka utjeu na naknadne rezultate prorauna.

Tako se greke u ulaznim podacima prostiru (propagiraju) i poveavaju greke
na izlazu. Takoer, greke zaokruivanja u svakom koraku prorauna mogu
propagirati i dati greke na izlazu. Ipak, za veinu algoritama moe se dati
analiza greke zaokruivanja, pa se utjecaji ovakvih greaka na konaan rezultat mogu procijeniti.
Apsolutna i relativna greka
Aproksimacija je centralni koncept u gotovo svim oblastima primjene numerike matematike, s obzirom da se vrlo esto moramo zadovoljiti s priblinim
vrijednostima s kojima radimo. Drugi vid aproksimacije je kada zanemarujemo
neke veliine koje su male u odnosu na druge. Ovakve aproksimacije su esto
neophodne kako problem koji rjeavamo ne bi postao previe komplikovan za
rjeavanje.
Algoritam
je odreeni skup definisanih naredbi koje se koriste za obavljanje nekog zadatka.
11
Upravo iz prethodno navedenih razloga, javljaju se pojmovi (definicije)

apsolutne i relativne greke. Ako je, na primjer, x priblina vrijednost tane
vrijednosti x, onda je:
apsolutna greka
x = |
x x|
relativna greka
x x x
x x
(1.5)
(1.6)
Neki autori, meutim, apsolutnu greku definiu kao razliku izmeu tane i
pribline vrijednosti, x x, ili razliku pribline i tane vrijednosti, x x. Time
se daje (ili zahtijeva) dodatna informacija o predznaku greke, pa je pridjev
apsolutna u tom sluaju suvian.
Vrlo je vano napomenuti razliku u koritenju apsolutne i relativne greke,
koje su date izrazima (1.5) i (1.6), respektivno. Posmatrajmo, na primjer, neki
iterativni postupak u kojem se trai da je apsolutna greka 0.001. Ako je tano
rjeenje 100.000, onda je priblina vrijednost jednaka 100.000 0.001 i ima pet
znaajnih cifara. Meutim, ako je tano rjeenje jednako 0.001, onda je priblino rjeenje jednako 0.001 0.001 i nema znaajnih cifara. Ovaj primjer
ukazuje na opasnost koritenja apsolutne greke kao kriterija tanosti. No, u
sluaju kada se poznaje tano rjeenje, kriterij apsolutne greke se moe koristiti za dobivanje tanosti s traenim brojem znaajnih cifara. U suprotnom,
pogodnije je koristiti relativnu greku.
Posmatrajmo sada sluaj iterativnog postupka s relativnom grekom jednakom 0.00001. Ako je tano rjeenje 100.000, onda apsolutna greka mora
biti jednaka 100.000 0.00001 = 0.001 da bi se zadovoljila relativna greka.
Ovo znai da e u priblinom rjeenju biti pet znaajnih cifara. Ako je,
na primjer, tano rjeenje 0.001, onda apsolutna greka mora biti jednaka
0.001 0.00001 = 0.0000001 da bi se zadovoljio kriterij relativne greke. Ovo,
takoer, dovodi do pet znaajnih cifara. Dakle, relativna greka dovodi do
jednakog broja znaajnih cifara u priblinom rjeenju, bez obzira na veliinu
tanog rjeenja.
U uskoj vezi s apsolutnom i relativnom grekom je i pojam tanosti . Pri
tome, tanost predstavlja apsolutnu ili relativnu greku kojom se aproksimira
neka veliina.
Neki autori esto uz pojam tanosti spominju i pojam preciznosti, koji predstavlja tanost kojom se
izvravaju osnovne raunske operacije.
12
1 Uvod
1.2.3
Predstavljanje brojeva
Brojevi se predstavljaju u brojevnim sistemima (npr. dekadni, oktalni, heksadecimalni, binarni, itd.). Brojevni sistem je odreen svojom bazom, odnosno
brojem razliitih cifara koje se koriste za reprezentaciju brojeva. Nasuprot
dekadnom sistemu (s bazom 10), koji je najei sistem u komunikaciji ljudi,
digitalni raunari koriste binarni sistem (sistem s bazom 2), tj. sistem nula
i jedinica. U tom sluaju binarni broj se sastoji od binarnih bita. Broj binarnih bita odreuje tanost kojom binarni broj predstavlja neki decimalni
broj. Najea veliina binarnog broja je 32 binarna bita, koji priblino moe
predstaviti realni broj sa sedam znaajnih cifara. Neki raunari imaju 64bitne binarne brojeve, koji predstavljaju 13 ili 14 znaajnih cifara, a neki ak i
128-bitne. Meutim, u mnogim inenjerskim i naunim proraunima 32-bitni
binarni brojevi su sasvim dovoljni, a na njima je mogue izvriti 64-bitne i
128-bitne proraune, koristei odreena softverska poboljanja. Ovo se postie
koritenjem tzv. dvostruke ili etverostruke preciznosti (eng. double i quad
precision), respektivno.
Treba napomenuti da su, osim za cijele brojeve i neke razlomke, sve binarne
reprezentacije decimalnih brojeva aproksimacije, s obzirom na konanu duinu
binarnog zapisa (na primjer, broj 0.2 u binarnom zapisu ima beskonaan oblik
0.00110011...). Na taj nain, gubitak tanosti u binarnoj reprezentaciji ovakvih
brojeva se ne moe izbjei.
Reprezentacija broja s pokretnom takom
U prethodnim poglavljima je ve spomenut koncept reprezentacije brojeva s

pokretnom (pominom) takom. Naime, na kalkulatorima se esto moe izabrati tzv. "nauna notacija" brojeva. Po toj notaciji, na primjer, broj 20.12
se prikazuje kao 2.012 101 ; znak "-" predstavlja predznak broja, "." je decimalna taka, 2.012 je mantisa, m (signifikantni ili razlomljeni dio broja), 10
je baza, a 1 je eksponent, e. Predznak broja je ujedno i predznak mantise.
Openito se svaki realan broj u dekadnom sistemu brojeva moe na jednoznaan nain predstaviti u obliku m 10e gdje je 1 < m < 10. Ovakav nain
reprezentacije brojeva predstavlja reprezentaciju brojeva s pokretnom takom.
Za pohranjivanje realnih brojeva raunari koriste slinu reprezentaciju brojeva, ali se kao baza ne uzima broj 10 nego 2 (izuzetak su raunar IBM 370
koji koristi bazu 16, te veina kalkulatora koji koriste bazu 10). U primjeru:
x = (11.1011)2 = (1.11011) 21
(1.7)
(11.1011)2 predstavlja binarnu reprezentaciju broja x (= (3.625)10 ), a njen

oblik u prikazu s pokretnom takom je (1.11011) 21 .
Poglavlje 2
Rjeavanje jednaina
Mnogi problemi u nauci i inenjerstvu zahtijevaju pronalaenje rjeenja ili
korijena neke jednaine. Problem se, u stvari, svodi na sljedee: Za datu
neprekidnu funkciju f (x), treba nai vrijednost x = takvu da je f () = 0.
Problem je grafiki predstavljen na slici 2.1.
f(x)
[1
f([1)=0
[2
f([2)=0
Slika 2.1: Rjeenje jednaine f (x) = 0
Openito, korijeni jednaine f (x) = 0 ne mogu se predstaviti u zatvorenom

obliku, odnosno eksplicitno. ak i za sluajeve u kojima je na raspolaganju
rjeenje u eksplicitnom obliku, ono moe biti vrlo komplikovano tako da su
numerike metode mnogo korisnije za rjeavanje jednaina.
2.1
Osnovne faze u pronalaenju korijena jednaine
U postupku rjeavanja jednaina moemo razlikovati dvije faze, i to:
14
2 Rjeavanje jednaina
lokalizacija nula, koja predstavlja nalaenje intervala u kojem se nalazi

bar jedan korijen.
poboljanje rjeenja, odnosno iterativno nalaenje korijena na traenu tanost.
2.1.1
Lokalizacija nula
Lokalizacija nula predstavlja grubo (priblino) pronalaenje rjeenja koje moe

posluiti kao poetna aproksimacija u nekoj sistematskoj proceduri postupka
rjeavanja, koja poboljava rjeenje do odreene tanosti. Ako je to mogue,
najbolje je nai granice intervala u kojima se nalazi korijen i u kojima funkcija
ima razliit znak. U ovu svrhu se mogu koristiti razliite metode od kojih su
najee: crtanje grafika funkcije, inkrementalno pretraivanje, rjeenje pojednostavljenog modela, prethodno rjeenje u nizu dobivenih rjeenja, itd.
Crtanje grafika funkcije izvodi se u intervalu koji nas interesuje. Ako, na
primjer, rjeenje neke jednaine predstavlja pozitivnu veliinu, kao to je preeni put ili vrijeme, neemo crtati grafik za negativne vrijednosti abscise. Kako
danas mnogi kalkulatori imaju mogunost crtanja grafika funkcija, ovaj postupak je znatno olakan. Uz to, postoje mnogi softverski paketi koji uz sve ostale
mogunosti mogu da se koriste i za crtanje grafika funkcija (na primjer, Excel,
Matlab, MathCAD, Mathematica, itd.)
Inkrementalno pretraivanje se sastoji u izraunavanju vrijednosti funkcije
u takama posmatranog intervala, kreui se od poetne do krajnje take intervala sa eljenim inkrementom ili korakom. U trenutku kada funkcija promijeni
znak, korijen se nalazi u posmatranom podintervalu (naravno, uz uslov da je
funkcija neprekidna na datom intervalu). Ove dvije vrijednosti mogu se koristiti kao poetne aproksimacije za neku od procedura za poboljanje rjeenja.
2.1.2
Poboljanje rjeenja
Poboljanje rjeenja predstavlja odreivanje rjeenja do eljene tanosti pomou neke od sistematskih metoda. U tu svrhu mogu se koristiti razne metode
od kojih e se ovdje pokazati sljedee:
metoda polovljenja intervala - bisekcija,
regula falsi,
metoda proste iteracije,
vidi
dodatak B
Metoda polovljenja intervala
15
Newtonova metoda,
modifikovana Newtonova metoda,
metoda sjeice.
2.2
Metoda polovljenja intervala ili bisekcije (eng. interval halving, bisection)

je jedna od najjednostavnijih metoda za traenje korijena jednaina. U ovoj
metodi, prvo se odrede dvije procjene korijena, i to lijevo, za x = a = a0 , i
desno, x = b = b0 , od korijena. Ove procjene ograniavaju korijen, kao to je
prikazano na slici 2.2. Oigledno je da korijen x = lei u intervalu [a0 , b0 ].
Ovaj interval se moe prepoloviti usrednjavanjem vrijednosti a0 i b0 , tako da
se dobiva x0 = (a0 + b0 )/2. Na taj nain dobivaju se dva intervala:[a0 , x0 ]
i [x0 , b0 ]. Koji interval sadri korijen zavisi od vrijednosti f (x0 ). Ako je
f (a0 )f (x0 ) < 0, kao to je to sluaj na slici 2.2, korijen se nalazi u intervalu
(a0 , x0 ). Tada se postavi da je a1 = a0 i b1 = x0 , i postupak ponovi. Ako je,
pak, f (x0 )f (b0 ) < 0, postavi se da je a1 = x0 i b1 = b0 , i postupak polovljenja
nastavi. U sluaju da je f (a0 )f (x0 ) = 0, korijen jednaine je jednak x0 .
f(x)
f(b0)
a2
a3
a1
a0=a x2
f(a0)
f(x0)
[ x1
b2
x0
b1
b0=b x
Slika 2.2: Grafika interpretacija metode polovljenja intervala
Prema tome, metoda polovljenja intervala je iterativna metoda, sa sljedeim

algoritmom (i = 0, 1, 2, . . .):
a i + bi
2
Ako je f (ai )f (xi ) < 0 :
(2.1a)
xi =
ai+1 = ai , bi+1 = xi
(2.1b)
16
Ako je f (xi )f (bi ) < 0 :

Ako je f (ai )f (xi ) = 0 :
ai+1 = xi , bi+1 = bi
dobiva se rjeenje = xi
(2.1c)
(2.1d)
Iterativni postupak se nastavlja sve dok se ne postigne eljena tanost, tj. dok
veliina intervala ne postane manja od eljene tolerancije 1 (|bi ai | 1 ), ili
veliina f (x) ne postane manja od eljene tolerancije 2 (|f (xi )| 2 ), ili oboje.
Neki autori umjesto prvog uslova konvergencije koriste uslov |xi xi1 | 1 .
Metoda polovljenja intervala ima sljedee osobine:
S obzirom da se iterativnim postupkom interval, u kojem se nalazi traeni
korijen, (dvostruko) smanjuje svakom narednom iteracijom, konvergencija
je zagarantovana.
Greka metode nakon n koraka se moe odrediti i iznosi
1
|bn an | = n (b0 a0 )
2
(2.2)
S obzirom da se svakom iteracijom interval polovi, (maksimalan) broj iteracija n, a time i broj raunanja funkcije, koji je potreban da se prvobitni
interval [a0 , b0 ] smanji na odreeni interval [an , bn ], dobiva se iz (2.2) i
iznosi:
b0 a0
1
log
n=
(2.3)
log(2)
bn an
Konvergencija je spora, odnosno potreban je veliki broj iteracija da se
postigne eljena tanost. Naime, potrebne su priblino tri iteracije da se
povea tanost za jedno decimalno mjesto (0.1 23.3 ).
Primjer 2.1
Metodom polovljenja intervala nai pozitivni korijen jednaine x2 2 = 0.
Postupak rjeavanja zaustaviti kada se ispuni uslov |bi ai | < 104 , pri emu
je i redni broj iteracije.
Rjeenje
Kao to je u prethodnim poglavljima reeno, prvi korak u numerikom rjeavanju jednaina predstavlja lokalizacija nula. Ovo moemo na najlaki nain
postii crtanjem grafika funkcije i utvrivanjem intervala u kojem se dato rjeenje nalazi. Sa slike 2.3 se jasno vidi da se pozitivno rjeenje zadate jednaine
nalazi u intervalu [a0 , b0 ] = [1, 2].
17
5
4
3

fx=x -
2
1
0
[1
[2
-1
-2
-3
-5
-4
-3
-2
-1
Slika 2.3: Grafiki prikaz funkcije f (x) = x2 2
U krajnjim takama intervala (neprekidna) funkcija f (x) = x2 2 ima vrijednosti razliitog predznaka, tj. f (a0 ) = f (1) = 1 < 0 i f (b0 ) = f (2) = 2 >
0, pa se u datom intervalu nalazi bar jedan korijen date jednaine. Sada se vri
podjela intervala na dva jednaka podintervala i provjerava koji od podintervala sadri korijen jednaine. Dakle, slijedei algoritam za metodu polovljenja
intervala, imamo:
a0 + b0
1+2
=
= 1.5
2
2
f (x0 ) = f (1.5) = 0.25 > 0
x0 =
S obzirom da je f (x0 ) > 0 i f (a0 ) < 0 rjeenje se nalazi u intervalu [a0 , x0 ] =

[1, 1.5], i stavljamo da je a1 = a0 i b1 = x0 . Postupak ponavljamo na novom
intervalu [a1 , b1 ] = [1, 1.5], tj.
a1 + b1
1 + 1.5
=
= 1.25
2
2
f (x1 ) = f (1.25) = 0.4375 < 0
f (x1 )f (b1 ) = f (1.25)f (1.5) < 0
x1 =
pa je sljedei interval u kojem se nalazi korijen zadate jednaine [a1 , x1 ] =

[1.25, 1.5]. Postupak se ponavlja dok se ne postigne eljena tanost. U Tabeli
2.1 sumarno su dati rezultati prorauna. Konano, rjeenje je = 1.41425 i
dobiveno je u 15 iteracija.
18
Tabela 2.1:
Iteracija i
0
1
2
3
..
.
12
13
14
2.3
Uz primjer 2.1
ai
f (ai )
1
-1
1
-1
1.25
-0.4375
1.375
-0.109375
..
..
.
.
bi
2
1.5
1.5
1.5
..
.
f (bi )
2
0.25
0.25
0.25
..
.
xi
1.5
1.25
1.375
1.4375
..
.
|ai bi |
1
0.5
0.25
0.125
..
.
1.41406
1.41418
1.41418
1.41431
1.41431
1.41425
0.000263
0.000263
0.000009
1.41418
1.41425
1.41422
0.000244
0.000122
0.000061
-0.000427
-0.000008
-0.000008
Metoda regula falsi
Kao to se moglo vidjeti, u sluaju metode polovljenja intervala korijen jednaine se aproksimira srednjom vrijednou intervala u kojem se korijen nalazi.
U metodi regula falsi, to u prevodu znai metoda pogrenog poloaja, funkcija f (x) se aproksimira pravcem g(x) koji prolazi kroz take a i b, a korijen
funkcije g(x), x = , se uzima kao sljedea aproksimacija korijena jednaine
f (x) = 0. S obzirom na linearnu interpolaciju funkcije, ova metoda se jo
naziva i linearna interpolaciona metoda.
f(x)
f(b0)
a2
a1
a0=a [
f(a0)
f(x0)
x1
b2
x0
b1
b0=b
Slika 2.4: Grafika interpretacija metode regula falsi
Grafika interpretacija metode regula falsi data je na slici 2.4. Kao to se

sa slike vidi, pravac g(x), koji aproksimira funkciju f (x), ima korijen u taki
x0 . Na taj nain, poetni interval [a0 , b0 ] se dijeli na dva podintervala [a0 , x0 ]
Metoda regula falsi
19
i [x0 , b0 ]. Vrijednost take x0 moe se lako odrediti pomou jednaine g(x) i

uslova g(x0 ) = 0, tj.
g(b0 ) g(x0 ) =
g(b0 ) g(a0 )
(b0 x0 )
b0 a0
(2.4)
S obzirom da je g(a0 ) = f (a0 ) i g(b0 ) = f (b0 ), te g(x0 ) = 0, slijedi:

f (b0 ) =
f (b0 ) f (a0 )
(b0 x0 )
b0 a0
(2.5)
b0 a0
f (b0 )
f (b0 ) f (a0 )
(2.6)
i konano:
x0 = b 0
Koji od ova dva intervala,[a0 , x0 ] i [x0 , b0 ], sadri korijen jednaine, odreuje se na isti nain kao u metodi polovljenja intervala, a zatim se proces
ponavlja. Algoritam metode regula falsi moe se predstaviti na sljedei nain
(i = 0, 1, 2, . . .):
bi ai
f (bi )
f (bi ) f (ai )
Ako je f (ai )f (xi ) < 0 :
ai+1 = ai , bi+1 = xi
Ako je f (xi )f (bi ) < 0 :
ai+1 = xi , bi+1 = bi
Ako je f (ai )f (xi ) = 0 :
dobiva se rjeenje = xi
xi = b i
(2.7a)
(2.7b)
(2.7c)
(2.7d)
Proces se nastavlja dok se ne postigne eljena tanost, tj.

|xi xi1 | 1
i/ili
|f (xi )| 2
(2.8)
Slino metodi polovljenja intervala, i za ovu metodu je konvergencija zagarantovana. Uz to, metoda regula falsi neto bre konvergira od metode polovljenja
intervala, ali ne daje unaprijed veliinu greke. Ipak, i ova metoda sporije konvergira od metoda koje slijede.
Primjer 2.2
Metodom regula falsi nai pozitivni korijen jednaine x2 2 = 0. Postupak
rjeavanja zaustaviti kada se ispuni uslov |xi xi1 | < 104 , pri emu je i redni
broj iteracije.
20
Rjeenje
Postupak rjeavanja metodom regula falsi je vrlo slian rjeavanju metodom
polovljenja intervala, s tom razlikom to se sljedea aproksimacija rjeenja neke
jednaine ne izraunava kao srednja vrijednost krajeva intervala, nego pomou
jednaine (2.7a).
Ako za poetni interval, u kojem se nalazi korijen jednaine x2 2 = 0,
uzmemo [a0 , b0 ] = [1, 2], imamo:
b0 a0
21
f (b0 ) = 2
2 = 1.333333
f (b0 ) f (a0 )
2 (1)
f (x0 ) = f (1.333333) = 0.222222 < 0
x0 = b 0
S obzirom da je f (x0 ) < 0 i f (b0 ) > 0 rjeenje se nalazi u podintervalu [x0 , b0 ] =

[1.333333, 2], i stavljamo da je a1 = x0 i b1 = b0 . Postupak ponavljamo na
novom intervalu [a1 , b1 ] = [1.333333, 2], tj.
b0 a0
2 1.333333
f (b0 ) = 2
2 = 1.4
f (b0 ) f (a0 )
2 (0.222222)
f (x1 ) = f (1.4) = 0.04 < 0
f (x1 )f (b1 ) = f (1.4)f (2) < 0
x1 = b 0
pa je novi interval u kojem se nalazi korijen zadate jednaine [a1 , b1 ] = [1.4, 2].
Postupak se ponavlja dok se ne postigne eljena tanost, odnosno ispuni
uslov |xi xi1 | < 104 . U Tabeli 2.2 sumarno su dati rezultati prorauna.
Konano rjeenje je = 1.4142 i dobiva se u 6 iteracija, ime se na ovom
primjeru i pokazuje prednost u odnosu na metodu bisekcije.
Tabela 2.2:
Iteracija i
0
1
2
3
4
5
Uz primjer 2.2
ai
f (ai )
1
-1
1.33333 -0.222222
1.4
-0.04
1.41176 -0.00692
1.41379 -0.001189
1.41414 -0.000204
bi
2
2
2
2
2
2
f (bi )
2
2
2
2
2
2
xi
1.33333
1.4
1.41176
1.41379
1.41414
1.4142
|xi xi1 |
0.06666
0.011765
0.00202
0.00034
0.00006
Neki autori metode bisekcije i regula falsi svrstavaju u posebnu grupu metoda, tzv. metode na zatvorenoj domeni rjeavanja (eng. closed domain methods), s obzirom da ove metode poinju s dvije poetne aproksimacije izmeu
Metoda proste iteracije
21
kojih se mora nalaziti traeni korijen, i koje sistematski smanjuju poetni interval na podintervale u kojima se, takoer, mora nalaziti taj korijen jednaine.
S druge strane, metode koje su date u narednim poglavljima pripadaju tzv.
metodama na otvorenoj domeni rjeavanja (eng. open domain methods), s
obzirom da u toku iterativnog postupka ne postoji ogranienje da se aproksimacija rjeenja treba nalaziti u unaprijed utvrenom zatvorenom intervalu.
2.4
Metoda proste iteracije (jo se naziva i iteracija pomou fiksne take) rjeava
jednainu f (x) = 0 preureivanjem u oblik x = g(x), a zatim traenjem vrijednosti x = takvom da je = g(), to je ekvivalentno jednakosti f () = 0.
Vrijednost x za koju je x = g(x) se naziva fiksna taka relacije x = g(x) odakle
i proizilazi drugo ime metode. U principu, ova metoda simultano rjeava dvije
jednaine: y = x i y = g(x). Dakle, taka presjecita linije f (x) = x i funkcije
g(x) predstavlja rjeenje jednaine x = g(x), a time i jednaine f (x) = 0.
Metoda je grafiki predstavljena na slici 2.5 (vidi objanjenje uz sliku 1.1).
y
xi
xi+1
Slika 2.5: Grafika interpretacija metode proste iteracije
Algoritam za metodu proste iteracije moe se dobiti na sljedei nain. Nakon to se traena nula lokalizira i izabere poetna aproksimacija x0 , izraunava se vrijednost funkcije g(x0 ), to ujedno predstavlja i novu aproksimaciju
rjeenja jednaine f (x) = 0. Dakle, algoritam je dat sljedeom rekurzivnom
22
formulom:
xi+1 = g(xi )
(i = 0, 1, 2, . . .)
(2.9)
Procedura se ponavlja dok se ne zadovolji kriterij konvergencije, kao na

primjer:
|xi+1 xi | 1
i/ili
|f (xi+1 )| 2
(2.10)
Problem konvergencije ove metode moe se posmatrati na sljedei nain.

Neka je x = rjeenje neke jednaine f (x) = 0 i e = x greka rjeenja.
Oduzimajui izraz = g() od jednaine (2.9) dobiva se:
xi+1 = ei+1 = g(xi ) g()
(2.11)
Funkcija g() izraena Taylorovim redom oko take xi ima oblik :

g() = g(xi ) + g 0 ()( xi ) + . . .
(2.12)
gdje je xi . Zanemarujui lanove vieg reda od prvog u jednaini

(2.12), te rjeavajui za [g(xi ) g()] i uvrtavajui dobiveni rezultat u jednainu (2.11), dobiva se:
ei+1 = g 0 ()ei
(2.13)
Ova jednaina se moe koristiti za ocjenu da li je metoda konvergentna

ili ne, i ako jeste koja ja brzina konvergencije. Naime, moe se pokazati da
je uslov da iterativni postupak (2.9) konvergira ako za funkciju g(x), koja je
definisana i diferencijabilna na intervalu [a, b], vrijedi (na primjer, vidi u [5,6]):
ei+1
0
(a, b)
(2.14)
ei = |g ()| < 1
Dakle, metoda proste iteracije je konvergentna samo ako je |g 0 ()| < 1;
ako ovaj uslov nije ispunjen, procedura divergira. U sluaju kada je uslov
ispunjen, a vrijednost |g 0 ()| blizu 1, konvergencija je veoma spora. Iz ovoga
je jasno da je odabir funkcije g(x) od velikog znaaja, s obzirom da se moe
desiti da odabrana funkcija g(x) ne zadovoljava uslov konvergencije (2.14) za
posmatrani interval (vidi primjer 2.3). Iz jednaine (2.14) se, takoer, vidi da
je greka aproksimacije ei+1 proporcionalna greki iz prethodne aproksimacije
ei , pa se kae da je konvergencija linearna, tj. prvog reda tanosti .
Vie
Za
o Taylorovom redu vidi u dodatku A

konvergentnu metodu se kae da je k-tog reda tanosti ako vrijedi
en+1
= const. 6= 0
ekn
23
Primjer 2.3
Na primjeru rjeavanja jednaine x2 x 2 = 0 pokazati upotrebu metode
proste iteracije traiti pozitivni korijen jednaine.
Rjeenje
Kao to je reeno u prethodnom poglavlju, metoda iteracije se zasniva na
algoritmu koji je dat jednainom (2.9)
xi+1 = g(xi )
(i = 0, 1, 2, . . .)
Na taj nain, jednaina x2 x 2 = 0 se moe prikazati na jedan od sljedeih

naina:
x = x2 2
x= x+2
2
x=1+
x
x2 x 2
x=x
2x 1
g(x)=x2 2
g(x)= x + 2
2
g(x)=1 +
x
x2 x 2
g(x)=x
2x 1
(2.15a)
(2.15b)
(2.15c)
(2.15d)
Svaka od ovih jednaina ima isto pozitivno rjeenje 1 = 2, kao to je pokazano

na slici 2.6 (presjek funkcije g(x) s pravom f (x) = x). Meutim, sljedea
analiza pokazuje da svaki od oblika zadate jednaine ne konvergira prema
eljenom rjeenju.
Posmatrajmo prvo sluaj (2.15a), i za poetnu aproksimaciju izaberimo
x0 = 3. Prvih nekoliko iteracija daje:
x1 = g(x0 ) = 32 2 = 7
x2 = g(x1 ) = 72 2 = 47
x3 = g(x2 ) = 472 2 = 2207
...
Vidi se da iterativni postupak divergira, s obzirom da se svaka sljedea vrijednost xi sve vie udaljava od rjeenja, odnosno poveava se greka ei = xi .
Ako se pogleda vrijednost prvog izvoda funkcije g(x), dobiva se:
|g 0 (x)| = 2|x| > 1
za
|x| >
1
2
Dakle, uslov za konvergenciju (2.14) nije ispunjen.
24
5
4
3
2
1
0
f(x)=x
2
-1
g(x)=x -2
-2
g(x)=x-(x -x-2)/(2x-1)
g(x)=x+2
g(x)=1+2/x
-3
Slika 2.6: Mogui oblici jednaine g(x) pri rjeavanju jednaine f (x) = x2 x 2
metodom proste iteracije
Ako sada ponovimo postupak sa sluajem (2.15b), uz x0 = 3, imamo:
x1 = g(x0 ) = 3 + 2 = 2.236
x2 = g(x1 ) = 2.236 + 2 = 2.058
x3 = g(x2 ) = 2.058 + 2 = 2.0014
x4 = g(x3 ) = 2.014 + 2 = 2.0004

...
Kako se moe vidjeti, iterativni postupak konvergira ka rjeenju = 2, to je
bilo i za oekivati s obzirom da je uslov konvergencije (2.14) ispunjen, tj.
1
|g 0 (x)| =
<1
2 x+2
za
x>
7
4
Na slian nain mogu se analizirati i preostala dva sluaja (2.15c) i (2.15d).
2.5
Newtonova metoda
Newtonova metoda (naziva se i Newton-Raphsonova metoda) je vjerovatno najpoznatija metoda za numeriko rjeavanje jednaina. Grafika interpretacija
Newtonova metoda
25
metode data je na slici 2.7. Prvi korak metode je lokalna aproksimacija funkcije
f (x) pomou linearne funkcije h(x) koja predstavlja tangentu funkcije f (x) u
taki M0 . Rjeenje x1 jednaine h(x) = 0, predstavlja sljedeu aproksimaciju
rjeenja jednaine f (x) = 0.
f(x)
M0
M1
M2
x0
x1
x2
Slika 2.7: Grafika interpretacija Newtonove metode
Kako bismo izveli algoritam za Newtonovu metodu, postavimo prema slici

2.7 izraz za koeficijent pravca tangente funkcije f (x) u taki M0 , koji ujedno
predstavlja i vrijednost prvog izvoda u toj taki, f 0 (x0 ):
f 0 (x0 ) =
h(x1 ) h(x0 )
h(x0 )
f (x0 )
=
=
x1 x0
x1 x0
x1 x0
(2.16)
Analogno, za izvod u taki xi vrijedi:

f 0 (xi ) =
f (xi )
xi+1 xi
(2.17)
Na osnovu posljednjeg izraza dobiva se:

xi+1 = xi
f (xi )
f 0 (xi )
(2.18)
to predstavlja rekurzivnu formulu za Newtonovu metodu. Koristei izraz

(2.18), iterativni postupak se ponavlja dok se ne zadovolji jedan od ili oba
kriterija konvergencije:
|xi+1 xi | 1
Newtonova
i/ili
|f (xi+1 )| 2
metoda se ponekad naziva i metoda tangente.
(2.19)
26
Formula (2.18) za Newtonovu metodu moe se dobiti i direktno iz Taylorovog

reda, ako se zanemare lanovi vieg reda od prvog, tj.
f (xi+1 ) = f (xi ) + f 0 (xi )(xi+1 xi )
(2.20)
Uzimajui da je f (xi+1 ) = 0, za xi+1 konano se dobiva:

xi+1 = xi
f (xi )
f 0 (xi )
Konvergencija Newtonove metode se moe odrediti na sljedei nain (pretpostavlja se da su funkcije f (x), f 0 (x) i f 00 (x) neprekidne i ograniene na nekom
intervalu koji sadri korijen jednaine f (x) = 0). Izraz (2.18)
xi+1 = xi
f (xi )
f 0 (xi )
ima oblik:
xi+1 = g(xi )
(2.21)
pa je funkcija g(xi ) data sa:

g(xi ) = xi
f (xi )
f 0 (xi )
(2.22)
Stoga, Newtonova metoda predstavlja specijalni sluaj metode proste iteracije

i konvergira ako je ispunjen uslov
|g 0 ()| 1
xi
(2.23)
Diferenciranjem jednaine (2.22) dobivamo:

g 0 (x) = 1
f 0 (x)f 0 (x) f (x)f 00 (x)

f (x)f 00 (x)
=
[f 0 (x)]2
[f 0 (x)]2
(2.24)
Kako za korijen jednaine vrijedi x = i f () = 0, time je i g 0 () = 0.

Poto je g 0 (x) neprekidna funkcija, moe se pokazati da mora postojati neki
interval u kojem je uslov (2.23) zadovoljen, odnosno da je N ewtonova metoda
konvergentna [6, 7].
Brzina konvergencije se moe odrediti ako se od obje strane jednakosti (2.18)
oduzme , i sa e = x oznai greka. Na taj nain se dobiva:
xi+1 = ei+1 = xi
f (xi )
f (xi )
= ei 0
0
f (xi )
f (xi )
(2.25)
Newtonova metoda
27
Razvojem funkcije f (x) u Taylorov red, i zanemarujui lanove iznad drugog

reda, za x = vrijedi:
1
f () = f (xi ) + f 0 (xi )( xi ) + f 00 ()( xi )2 = 0
2
xi (2.26)
odnosno
1
f (xi ) = f 0 (xi )(xi ) f 00 ()( xi )2
2
(2.27)
Ako sada izraz (2.27) uvrstimo u (2.25), dobivamo:

ei+1
f 0 (xi )ei 21 f 00 ()e2i

1 f 00 () 2
= ei
=
e
f 0 (xi )
2 f 0 (xi ) i
(2.28)
S obzirom da za i , xi ,f 0 (xi ) f 0 (),f 00 (xi ) f 00 () imamo:

ei+1 =
1 f 00 () 2
e
2 f 0 () i
(2.29)
Izraz (2.29) jasno pokazuje da je Newtonova metoda metoda drugog reda

tanosti, to u praksi znai da se sa svakom iteracijom udvostruava broj znaajnih cifara. Ipak, veoma je vano da uslov (2.23) bude ispunjen, te da
poetna aproksimacija bude to blie rjeenju, poto se moe dogoditi da procedura konvergira prema nekom drugom korijenu ili da divergira.
Ipak, prilikom koritenja Newtonove metode treba imati na umu da je za
neke funkcije vrlo teko analitiki izraunati prvi izvod, a za neke funkcije to
uopte nije mogue. U takvim sluajevima koriste se neke druge metode, kao
to je modifikovana Newtonova metoda ili metoda sjeice.
Primjer 2.4
Newtonovom metodom nai pozitivni korijen jednaine x2 2 = 0. Postupak
rjeavanja zaustaviti kada se ispuni uslov |xi+1 xi | < 104 , pri emu je i redni
broj iteracije.
Rjeenje
Algoritam za rjeavanje jednaina pomou Newtonove metode dat je rekurzivnom formulom (2.18)
xi+1 = xi
f (xi )
f 0 (xi )
28
Ako se u tu jednainu uvrsti da je f 0 (x) = 2x, dobiva se sljedea rekurzivna

formula:
f (xi )
x2 2
xi+1 = xi 0
= xi i
f (xi )
2xi
1
2
xi+1 =
xi +
2
xi
(2.30)
S obzirom da je rjeenje jednaine x2 2 = 0 jednako = 2, formula (2.30)

predstavlja i rekurzivnu formulu za izraunavanje drugog korijena broja 2 .
Slino metodi proste iteracije, i za Newtonovu metodu je potrebna samo
jedna poetna aproksimacija. Ako sada kao poetnu aproksimaciju uzmemo
x0 = 3 za prve dvije iteracije imamo:
2
1
2
1
x0 +
=
3+
= 1.83333
x1 =
2
x0
2
3
1
2
1
2
x2 =
x1 +
=
1.83333 +
= 1.46212
2
x1
2
1.83333
Tabela 2.3 daje rezultate svih 5 iteracija potrebnih za postizanje traene tanosti.
Tabela 2.3:
Iteracija i
0
1
2
3
4
5
Uz primjer 2.4
xi
|xi xi1 |
3
1.83333 1.16667
1.46212 0.371212
1.415
0.047123
1.41421 0.000785
1.41421 2.18e-7
Iz tabele se vidi da rjeenje koje zadovoljava zadatu tanost = 104 iznosi

= 1.41421. Meutim, i tanost od 106 se postie u istoj (5.) iteraciji. Ovo
pokazuje koliko, zapravo, Newtonova metoda brzo konvergira. Meutim, moe
se desiti da iterativni postupak konvergira prema pogrenom rjeenju. Naime,
za bilo koju poetnu vrijednost x0 < 0 iterativni postupak dat formulom
(2.30)
konvergira prema drugom korijenu zadate jednaine, tj. 2 = 2.

U
sluaju izraunavanja drugog korijena broja c formula (2.30) ima oblik:
1
c
xi+1 =
xi +
2
xi
Modifikovana Newtonova metoda
2.6
29
Modifikovana Newtonova metoda
U sluajevima kada izraunavanje prvog izvoda funkcije uzima mnogo raunskog vremena, moe se koristiti modifikovana Newtonova metoda. Ovdje se
umjesto izraunavanja prvog izvoda funkcije u svakoj iteraciji, f 0 (xi ), moe
uzeti da je vrijednost prvog izvoda u svim iteracijama jednaka vrijednosti prvog izvoda iz prve iteracije, tj.
f 0 (xi ) = f 0 (x0 )
(i = 1, 2, . . .)
(2.31)
pa izraz (2.18) dobiva oblik:

xi+1 = xi
f (xi )
f 0 (x0 )
(2.32)
Grafika interpretacija modifikovane Newtonove metode data je na slici 2.8.

Iz slike se jasno vidi da je nagib funkcije h(x) jednak za sve take Mi (i =
0, 1, . . .).
f(x)
M0
M1
M2
x0
M2
x1 x2 x3 x3
Slika 2.8: Grafika interpretacija modifikovane Newtonove metode
Kao i kod Newtonove metode, iterativni postupak se ponavlja dok se ne

zadovolji jedan od ili oba kriterija konvergencije:
|xi+1 xi | 1
i/ili
|f (xi+1 )| 2
Primjer 2.5
Modifikovanom Newtonovom metodom nai pozitivni korijen jednaine x2
2 = 0. Postupak rjeavanja zaustaviti kada se ispuni uslov |xi+1 xi | < 104 ,
pri emu je i redni broj iteracije.
30
Rjeenje
U ovom sluaju imamo da je f 0 (xi ) = f 0 (x0 ) = 2x0 , za sve vrijednosti i, pa
rekurzivna formula glasi:
xi+1 = xi
f (xi )
x2i 2
=
x
i
f 0 (x0 )
2x0
(2.33)
I u ovom sluaju koristimo samo jednu poetnu aproksimaciju, na primjer

x0 = 3, uz f 0 (x0 ) = 2x0 = 6. Za prve dvije iteracije dobiva se:
32 2
x20 2
=3
= 1.83333
2x0
6
x2 2
1.833332 2
x2 = x1 1
= 1.83333
= 1.60648
2x0
6
x1 = x0
U tabeli 2.4 su dati rezultati prorauna. Rjeenje iznosi = 1.41429 i dobiva

se u 13. iteraciji, to je znatno vie nego kada se koristi N ewtonova metoda
(5 iteracija). Interesantno je da za ovaj konkretan primjer ova metoda sporije
konvergira i od metode regula falsi (6 iteracija), a po efikasnosti je priblina
metodi bisekcije (15 iteracija).
Tabela 2.4:
Iteracija i
0
1
2
3
..
.
12
13
2.7
Uz primjer 2.5
xi
|xi xi1 |
3
1.83333 1.16667
1.60648 0.226852
1.50968 0.096797
..
..
.
.
1.41437
1.41429
0.000136
0.000072
Metoda sjeice
U sluajevima kada je teko ili nemogue analitiki odrediti prvi izvod neke
funkcije, metoda sjeice (sekante) predstavlja alternativu Newtonovoj metodi.
Metoda je grafiki data na slici 2.9. Funkcija f (x) se lokalno aproksimira
pomou linearne funkcije h(x), koja je sjeica funkcije f (x), a njen korijen se
koristi kao poboljana aproksimacija korijena funkcije f (x). S obzirom da je
Metoda sjeice
31
sjeica prava linija koja prolazi kroz dvije take krive f (x), za iniciranje metode
neophodne su dvije poetne aproksimacije, x0 i x1 . Pri tome se izmeu njih
moe, ali i ne mora nalaziti korijen jednaine f (x) = 0.
f(x)
M0
M1
M2
x0
x1
x2
M3 [
x3
Slika 2.9: Grafika interpretacija metode sjeice
Rekurzivna formula za metodu sjeice se moe dobiti ako se vrijednost prvog

izvoda u izrazu (2.18):
xi+1 = xi
f (xi )
f 0 (xi )
aproksimira odnosom konanih razlika na sljedei nain:

f 0 (xi ) =
f (xi ) f (xi1 )
xi xi1
(2.34)
Nakon sreivanja dobiva se:

xi+1 = xi
xi xi1
f (xi )
f (xi ) f (xi1 )
(2.35)
Koristei izraz (2.35), iterativni postupak se ponavlja dok se ne zadovolji jedan

od ili oba kriterija konvergencije
|xi+1 xi | 1
i/ili
|f (xi+1 )| 2
Moe se pokazati da je brzina konvergencije reda 1.62 [5], to je mnogo

bre od linearne konvergencije proste iteracije, ali i neto sporije od kvadratne
brzine konvergencije Newtonove metode. Iz izraza (2.18) i (2.35) se vidi da
je za proraun Newtonovom metodom neophodno u svakoj iteraciji izraunati
vrijednosti f (x) i f 0 (x), dok je za metodu sjeice potrebno izraunati samo
32
f (x). Takoer se moe pokazati da ako je vrijeme potrebno za izraunavanje

vrijednosti f 0 (x) oko 43% due od onog koje je potrebno za proraunavanje
vrijednosti f (x), metoda sjeice je efikasnija od Newtonova metode.
Primjer 2.6
Metodom sjeice nai pozitivni korijen jednaine x2 2 = 0. Postupak rjeavanja zaustaviti kada se ispuni uslov |xi+1 xi | < 104 , pri emu je i redni
broj iteracije.
Rjeenje
Ako kao poetne aproksimacije uzmemo x0 = 4 i x1 = 3, i koristimo jednainu (2.35), za naredne dvije iteracije se dobiva (koriste se indeksi 2 i 3, s
obzirom da su indeksi 0 i 1 rezervisani za poetne aproksimacije):
x1 x0
f (x1 ) = 3
f (x1 ) f (x0 )
x2 x1
x3 = x2
f (x2 ) = 2
f (x2 ) f (x1 )
x2 = x1
34
7=2
7 14
23
2 = 1.6
27
Konano rjeenje je = 1.41421 i dobiveno je u 6 iteracija (tabela 2.5). Dakle,

za ovaj primjer, metoda je po brzini konvergencije vrlo slina metodi regula
falsi i Newtonovoj metodi.
Tabela 2.5:
Iteracija i
0
1
2
3
4
5
6
2.8
Uz primjer 2.6
xi
f (xi )
4
14
3
7
2
2
1.6
0.56
1.44444 0.086412
1.41606 0.005221
1.41423 0.000055
xi+1
3
2
1.6
1.444444
1.41606
1.41423
1.41421
f (xi+1 )
7
2
0.56
0.086412
0.005221
0.000055
3.6e-8
|xi+1 xi |
1
1
0.4
0.155556
0.028386
0.001825
0.00002
Smjernice u traenju korijena i pisanju programa
I pored toga to postoji veliki broj metoda za rjeavanje jednaina, treba znati
da neke metode ne mogu nai sve korijene, te da brzina konvergencije, tj.
Smjernice u traenju korijena i pisanju programa
33
utroeno vrijeme raunanja, moe biti od presudnog znaaja. Neke od vanih

smjernica pri rjeavanju jednaina su:
Proces lokalizacije bi trebao ograniiti korijen u nekom malom intervalu.
Dobre poetne aproksimacije mogu biti od velike koristi, mada se moe
desiti da proces konvergira prema nekom drugom korijenu.
Ako se neki problem treba rijeiti samo jednom, ili mali broj puta, efikasnost nije u prvom planu, pa se u tom sluaju mogu koristiti i manje
efikasne metode kod kojih je konvergencija zagarantovana, kao metode
bisekcije i regula falsi. Nasuprot tome, ako se rjeavanje neke jednaine
obavlja veliki broj puta, veoma vano je koristiti efikasnije metode.
Za rjeavanje mnogih inenjerskih problema mogu se koristiti jednostavne
metode, kao to je Newtonova metoda, bez bojazni da se radi o nekom
specijalnom sluaju.
Iako se u prethodnom tekstu nije spominjalo njihovo traenje, mnogostruki korijeni se mogu nai koristei Newtonovu metodu, ali je problem u
tome to se ne zna da li i gdje ovakvi korijeni postoje. Grafiko prikazivanje i inkrementalno traenje korijena mogu pomoi, ali to nije zagarantovano.
Traenje kompleksnih korijena ne predstavlja nikakav problem ako se zna
da postoje. Na primjer, Newtonova i metoda sjeice lako mogu nai kompleksne korijene, koristei kompleksnu aritmetiku i kompleksnu poetnu
aproksimaciju. Jedan od rjeenja ovog problema je i koritenje Bairstowove metode kvadratnih faktora (vidi, na primjer, [10]).
Na osnovu izlaganja u prethodnim poglavljima, mogue je u nekom od
programskih jezika za pojedine metode napisati programe kojim se na brz
nain mogu rijeiti zadate jednaine. Prilikom pisanja tih programa treba
voditi rauna o sljedeem:
Treba biti poznat maksimalan broj iteracija, kako bi se iterativni proces
zaustavio u nekom konanom vremenu.
Test konvergencije oblika |xi+1 xi |, odnosno |bn an | za metodu bisekcije,
se mora uzeti u obzir.
Kada se zadovolji uslov konvergencije, konana procjena korijena, tj. rjeenje, treba se uvrstiti u funkciju f (x), kako bi se zagarantovalo da je i
rjeenje jednaine f (x) = 0 u granicama eljene tanosti.
34
U sluaju da metoda koristi prvi izvod funkcije f 0 (x), kao N ewtonova

metoda, mora se paziti da ova vrijednost u toku prorauna ne bude jednaka nuli ili vrlo malena, kako bi se izbjeglo dijeljenje s nulom, odnosno
prekid rada programa.
Na kraju, treba napomenuti da se bez obzira na nedostatke i mogue probleme prilikom koritenja opisanih metoda, veina problema u inenjerstvu
moe rijeiti nekom od njih bez veih potekoa, tako da se svakom problemu
moe pristupiti s optimizmom.
2.9
Pitanja i zadaci
1. Objasniti postupak lokalizacije nula!

2. Kako se izvodi inkrementalno pretraivanje?
3. Objasniti koncept poboljanja rjeenja!
4. Objasniti metodu polovljenja intervala! Navesti prednosti i mane.
5. Objasniti metodu regula falsi! Navesti prednosti i mane.
6. Objasniti primjenu metode proste iteracije! Dati uslov za konvergenciju
metode proste iteracije.
7. Objasniti Newtonovu metodu, te navesti njene prednosti i mane!
8. Objasniti modifikovanu Newtonovu metodu!
9. Objasniti metodu sekante!
10. Metodom polovljenja intervala rijeiti sljedee jednaine:
a) x cos(x) = 0 poetni interval [0.5, 1],
b) ex sin(x/3) = 0 poetni interval [3.5, 2.5],
c) ex 2x 2 = 0 poetni interval [1, 2],
d) x3 2x2 2x + 1 = 0 poetni interval [0, 1].
Proraun u ovom i ostalim zadacima zaustaviti kada je ispunjen uslov
konvergencije |bi ai | 104 , odnosno |xi+1 xi | 104 , ako to drugaije
ne bude zadato.
11. Jednaine iz zadatka 10 rijeiti metodom regula falsi.
Pitanja i zadaci
35
12. Jednainu ex (3x + 2) = 0, rijeiti metodom proste iteracije za sljedea

tri oblika date jednaine: x = ex (2x+2), x = (ex 2)/3 i x = ln(3x+2).
Kao poetnu aproksimaciju koristiti x0 = 1.
13. Jednainu a) iz zadatka 10 rijeiti Newtonovom metodom. Za poetnu
aproksimaciju uzeti x0 = 1.
14. Newtonovom metodom nai najvei pozitivni korijen jednaine x3 5x +
1 = 0. Ispitati ovisnost rjeenja o izboru poetne aproksimacije.
15. Jednainu b) iz zadatka 10 rijeiti modifikovanom Newtonovom metodom.
16. Rijeiti jednainu d) zadatka 10 koristei metodu sjeice. Kao prve dvije
aproksimacije koristiti x0 = 0 i x1 = 1.
17. U nekom od programskih jezika napisati program za rjeavanje jednaina
koristei:
a) metodu polovljenja intervala,
b) metodu regula falsi,
c) metodu proste iteracije,
d) Newtonovu metodu,
e) modifikovanu Newtonovu metodu,
f) metodu sjeice.
18. Newtonova metoda se moe koristiti i za traenje kompleksnih korijena
polinoma. Potrebno je nai sva korijene jednaine x4 1 = 0 ako se kao
poetne aproksimacije uzmu sljedee vrijednosti: 2, 2, 2i i 2i.
19. Ispitati ovisnost rjeenja o izboru poetne aproksimacije za sluaj iz prethodnog zadatka. Rezultate prikazati u kompleksnoj ravni. Dozvoljeno
je koristiti i komercijalne softvere (MathCAD, MATLAB, Mathematica,
itd.)
Sljedee zadatke rijeiti bilo kojom od metoda za numeriko rjeavanje jednaina:
20. Van der Valsova jednaina stanja za vodenu paru glasi:
a
P + 2 (v b) = RT
v
(2.36)
36
gdje je P pritisak u Pa, v specifina zapremina u m3 /kg, T temperatura

u K, R gasna konstanta (R=461.495 J/kg K), a a i b su empirijske konstante sa sljedeim vrijednostima za vodenu paru: a=1703.28 Pa(m3 /kg)2
i b=0.00169099 m3 /kg. Jednaina (2.36) se moe prikazati u obliku:
P v 3 (P b + RT )v 2 + av ab = 0
(2.37)
Izraunati specifinu zapreminu v za P =10000 kPa i T =800 K. Kao

poetnu aproksimaciju koristiti zakon za idealni gas P v = RT .
21. Jednaina pada pritiska pri protjecanju tenosti kroz cijev krunog poprenog presjeka data je sljedeom empirijskom formulom:

L
2
(2.38)
P = 0.5f V
D
gdje je P pad pritiska u Pa, specifina gustoa u kg/m3 , V brzina u
m/s, L i D duina i prenik cijevi u m, a f koeficijent trenja. Postoji
veliki broj formula za izraunavanje koeficijenta trenja u zavisnosti od
Raynoldsovog broja za razliite reime protjecanja tenosti. Pri tome,
Raynoldsov broj je dat izrazom Re=DV /, gdje je viskoznost tenosti
u Pa s. Za protjecanje u turbulentnom reimu za sluajeve od potpuno
glatke do vrlo grube povrine cijevi razvijena je sljedea formula:
/D
1
2.51
= 2 log
+
(2.39)
3.7
f
Re f
gdje je hrapavost povrine cijevi. Rijeiti f za cijev sa /D = 0.001, te
Re=10n i n = 4, 5, 6. Kao poetnu aproksimaciju koristiti jednakost:
f = 0.16Re0.16
(2.40)
22. Problem raunanja kritinog optereenja grede duine l koja je izloena

izvijanju, pri emu je donji dio ukljeten, a gornji s pokretnim osloncem,
svodi se na rjeavanje jednaine:
tg(pl) = pl
(2.41)
gdje je p2 = P/EI, P optereenje (sila), E modul elastinosti, I moment

inercije poprenog presjeka grede. Nai vrijednost kritine duine lkr , u
zavisnosti od l, ako za kritino optereenje vrijedi:
Pkr = p2 EI =
2 EI
2
lkr
tj.
lkr =
(2.42)
S obzirom da jednaina (2.41) ima beskonano mnogo rjeenja, nai najmanje od njih.
Pitanja i zadaci
37
23. Plovak u obliku sfere radijusa r, izraen od materijala specifine gustoe

p , pluta u tenosti specifine gustina t . Izraunati do koje dubine e
plovak potonuti, ako je p /t = k = 0.6 i r = 5.5 cm.
Zadatak se svodi na rjeavanje nelinearne jednaine:
x3 3rx2 + 4kr3 = 0
(2.43)
gdje je x traena dubina (izvesti jednainu (2.43)!).

24. elini kabl (lananica) duine s ovjean je na dva kraja raspona L. Maksimalan napon usljed zatezanja vlada na krajevima kabla, i iznosi
max = 0 cosh()
(2.44)
gdje je = L/(20 ), 0 je napon zatezanja na sredini kabla u Pa, i

specifina teina kabla u N/m3 . Odnos duine kabla i raspona izmeu
oslonaca dat je sljedeom relacijom:
s
1
= sinh()
L
(2.45)
Treba nai max , ako je = 77000 N/m3 , L =1000 m, a s =1100 m.
Poglavlje 3
Rjeavanje sistema linearnih

algebarskih jednaina
Rjeavanje sistema jednaina predstavlja jedan od osnovnih problema koji se
sreu u nauci i tehnici. Jednaine u takvim sistemima mogu biti algebarske,
transcedentne, ali se moe raditi i o obinim diferencijalnim jednainama, a
u nekim sluajevima i parcijalnim diferencijalnim jednainama. Takoer, jednaine mogu biti linearne ili nelinearne. S obzirom da se rjeavanje sistema
nelinearnih jednaina, te rjeavanje obinih i parcijalnih diferencijalnih jednaina esto moe svesti na rjeavanje sistema linearnih jednaina, ovdje e se
obraditi samo numeriko rjeavanje sistema linearnih algebarskih jednaina.
Sistem od n linearnih algebarskih jednaina sa n nepoznatih se moe napisati u obliku:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.....................
an1 x1 + an2 x2 + . . . + ann xn = bn
(3.1)
gdje xi (i = 1, 2, . . . , n) predstavljaju nepoznanice, aij (i, j = 1, 2, . . . , n) koeficijente sistema, a bi (i = 1, 2, . . . , n) su komponente na desnoj strani jednaina.
Sistem jednaina (3.1) se moe napisati i u matrinoj formi:
Ax = b
(3.2)
gdje je A matrica koeficijenata (matrica sistema), a x i b su vektori kolone,
40
3 Rjeavanje sistema linearnih algebarskih jednaina
odnosno:
a11 a12 . . . a1n

a21 a2 2 . . . a2n
A=
,
x
=
.
.
.
..
.. . . . ..
an1 an2 . . . ann
x1
x2
,
b
=
..
b1
b2
..
.
xn
bn
(3.3)
Rijeiti sistem (3.1), odnosno (3.2) znai nai vrijednosti xi (i = 1, . . . , n) koje

istovremeno zadovoljavaju sve jednaine sistema. Pri tome, mogu se desiti
sljedei sluajevi:
Jedinstveno rjeenje sistem je odreen.
Nema rjeenja sistem je protivrjean.
Beskonaan broj rjeenja sistem ima nedovoljan broj jednaina, tj. neodreen je.
U rjeavanju sistema linearnih algebarskih jednaina postoje dva fundamentalno razliita pristupa:
Direktne metode
Iterativne metode
Kod direktnih metoda sistem se nizom elementarnih operacija transformie
u sistem jednostavnijeg oblika (npr. trougaoni ili dijagonalni), koji se moe
rijeiti na jednostavan nain. Ukoliko se zanemare greke zaokruivanja, direktne metode dovode do tanog rjeenja nakon konanog broja aritmetikih
operacija. Za razliku od direktnih, iterativne metode poinju od neke poetne
aproksimacije koja se postepeno poboljava dok se ne dobije dovoljno tano
rjeenje. Openito, do tanog rjeenja ove metode mogu dovesti samo nakon
beskonano mnogo iteracija.
3.1
Direktne metode
3.1.1
Cramerovo pravilo
Posmatrajmo sistem linearnih algebarskih jednaina, Ax=b, sa n jednaina.

Cramerovo pravilo kae da je rjeenje takvog sistema dato sa
xj =
det(Aj )
det(A)
(j = 1, 2, . . . , n)
(3.4)
Direktne metode
41
gdje se matrica Aj dobiva zamjenom kolone j matrice A s vektorom kolonom

b. Na primjer, za sistem s dvije linearne algebarske jednaine:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
(3.5)
rjeenje je:
b1
b2
x1 =
a11
a21
a12
a22
a12
a22
a11
a21
x2 =
a11
a21
b1
b2
a12
a22
(3.6)
U ovom sluaju determinante se vrlo lako izraunaju pomou pravila dijagonala. Meutim, za sisteme s vie jednaina to pravilo ne vai i neophodno
je koristiti metodu kofaktora. Broj mnoenja i dijeljenja pri koritenju metode kofaktora jednak je (n 1)(n + 1)!, pri emu je n broj redova (kolona)
kvadratne matrice. Lako je izraunati da je za sistem od 10 jednaina, koji
predstavlja mali sistem jednaina, broj operacija jednak 360,000,000, a ve za
100 jednaina ovaj broj je reda 10157 . Oigledno je da Cramerovo pravilo nije
efikasno u rjeavanju velikih sistema jednaina, tako da je neophodno koristiti
neke druge metode.
3.1.2
Metode eliminacije
Metode eliminacije rjeavaju sistem od n linearnih algebarskih jednaina rjeavajui jednu jednainu, na primjer prvu, za jednu nepoznanicu, na primjer
x1 , u odnosu na ostale nepoznanice, x2 , ..., xn , a zatim se vri zamjena izraza
za x1 u ostalih (n 1) jednaina. Time se poetni sistem svodi na (n 1)
jednaina s nepoznanicama x2 , x3 , . . . , xn . Prethodni postupak se ponovi na
dobivenom sistemu od (n 1) jednaina, i tako redom (n 1) puta, odnosno
dok se ne doe do jednaine koja sadri samo jednu nepoznanicu xn . itav
proces se naziva eliminacija.
Vrijednost nepoznanice xn se moe diretno dobiti iz posljednje jednaine
procesa eliminacije. Nakon toga se moe dobiti vrijednost nepoznanice xn1
iz modifikovane (n 1)-ve jednaine, koja sadri samo nepoznanice xn i xn1 .
Zatim se rjeava (n 2)-ga jednaina, koja sadri nepoznanice xn , xn1 i xn2 ,
za xn2 , i tako redom do prve jednaine. Ovaj proces se naziva zamjena unazad.
Metode eliminacije, u principu, koriste osnovne operacije s redovima neke
matrice, i to:
42
bilo koji red (jednaina) se moe pomnoiti konstantom. Ova operacija

se najee koristi za skaliranje ili normaliziranje jednaina, ako je to
neophodno.
redovi (jednaine) mogu zamijeniti mjesta. Operacija se koristi kako bi
se izbjeglo dijeljenje nulom i smanjile greke zaokruivanja.
bilo koji red (jednaina) moe se zamijeniti linearnom kombinacijom tog
reda (jednaine) i bilo kojeg drugog reda (jednaine). Ova operacija se
najee koristi kako bi se implementirao proces sistematske eliminacije.
Ove operacije, iako mijenjaju vrijednosti koeficijenata matrice A i vektora b,
ne mijenjaju rjeenje sistema.
Primjer 3.1
Radi ilustracije procesa eliminacije i procesa zamjene unazad rijeimo sljedei
sistem jednaina:
80x1 20x2 20x3 = 20
20x1 + 40x2 20x3 = 20
20x1 20x2 + 130x3 = 20
(3.7a)
(3.7b)
(3.7c)
Rjeenje
Postupak rjeavanja poinje rjeavanjem jednaine (3.7a) za nepoznanicu
x1 . Na taj nain imamo:
x1 = [20 (20)x2 (20)x3 ]/80
(3.8)
Uvrtavajui jednainu (3.8) u jednaine (3.7b) i (3.7c) dobivaju se, respektivno, sljedee jednaine:
20[20 (20)x2 (20)x3 ]/80 + 40x2 20x3 = 20
20[20 (20)x2 (20)x3 ]/80 20x2 + 130x3 = 20
(3.9a)
(3.9b)
koje se mogu pojednostaviti na oblik:

35x2 25x3 = 25
25x2 + 125x3 = 25
(3.10a)
(3.10b)
Ako sada rijeimo jednainu (3.10a) za x2 , dobivamo:

x2 = [25 (25)x3 ]/35
(3.11)
Direktne metode
43
Uvrtavajui posljednju jednainu u jednainu (3.10b) nakon pojednostavljenja

dobiva se:
750
300
x3 =
(3.12)
7
7
Na taj nain, sistem jednaina (3.7) se svodi na sistem jednaina:
80x1 20x2 20x3 = 20
35x2 25x3 = 25
750/7x3 = 300/7
(3.13a)
(3.13b)
(3.13c)
ime je zavren proces eliminacije. Sistem jednaina (3.13) se moe prikazati

u matrinom obliku:
80 20
20
x1
20
0
35
25 x2 =
25
(3.14)
0
0 750/7
x3
300/7
Dakle, procesom eliminacije se matrica koeficijenata sistema za sistem jednaina (3.7):
80 20 20
20
40 20
(3.15)
20 20 130
svodi na gornju trougaonu matricu
80 20
20
0
35
25
0
0 750/7
(3.16)
Sada se koristei jednaine (3.13) vrlo lako moe dobiti rjeenje sistema zamjenom unazad, tj.:
x3 = 300/750 = 0.40
x2 = [25 (25)(0.40)]/35 = 1.00
x1 = [20 (20)(1.00) (20)(0.40)]/80 = 0.60
(3.17a)
(3.17b)
(3.17c)
Prethodno opisani primjer predstavlja sluaj jednostavne eliminacije (nema

potrebe za zamjenom redova), te se moe rjeavati u pogodnijem obliku ako se
matrica koeficijenata sistema A proiri vektorom kolonom b na sljedei nain:
80 20 20 20
40 20 20
[A|b] = 20
(3.18)
20 20 130 20
44
Koritenjem osnovnih operacija s redovima proirene matrice, matrica koeficijenata sistema se moe svesti na gornju trougaonu matricu. Prvi red proirene matrice, koji predstavlja prvu jednainu sistema jednaina (3.7), mnoimo sa 20/80 i dodajemo drugom i treem redu proirene matrice, to piemo
(20/80) + (b) i (20/80) + (c), respektivno. Na taj nain, koeficijenti u prvoj
koloni proirene matrice ispod prvog reda (koeficijent 80) postaju jednaki 0.
Postupak mnoenja prve jednaine odgovarajuim mnoiteljima i dodavanje
pojedinim redovima moe se prikazati izrazom datim s desne strane proirene
matrice:
(20/80)+(b),(20/80)+(c)
80 20 20 20
(a)
20
40 20 20
(b)
(3.19)
(c)
20 20 130 20
Prethodnim
(a)
(b)
(c)
postupkom dobiva se proirena matrica data izrazom (3.20).
80 20 20 20
0
35 25 25 (25/35)+(c)
(3.20)
0 25 125 25
Sada drugi red dobivene proirene matrice, (b), mnoimo sa 25/35 i dodajemo
treem redu ((25/35) + (c)). Konano se dobiva proirena matrica, u kojoj
se matrica sistema A svodi na gornju trougaonu matricu, pa se zamjenom
unazad, poevi od nepoznanice x3 , moe dobiti rjeenje datog sistema.
(a)
80 20
20
20
x1 = 0.60
(b)
0
35
25
25
x2 = 1.00
(3.21)
(c)
0
0 750/7 300/7
x3 = 0.40
Postupak rjeavanja na ovakav nain je veoma pogodan u sluajevima kada
imamo vei broj vektora b, jer se proces eliminacije za sve vektore kolone b
moe izvriti simultano.
Prilikom rjeavanja sistema jednaina, treba voditi rauna o sljedeem:
1. U toku izvoenja metode eliminacije moe se desiti da je koeficijent na
glavnoj dijagonali modifikovane matrice A, koji se jo naziva i glavni elemenat (pivot), jednak nuli, nakon ega nije mogue nastaviti proceduru
zbog dijeljenja nulom. Kako bi se izbjegla ova situacija, prethodno opisana metoda eliminacije mora se modifikovati. Ovaj postupak dovodi do
metoda s djeliminim i potpunim izborom glavnog elementa. Metode s
Direktne metode
45
potpunim izborom glavnog elementa obuhvataju zamjenu i redova i kolona, i postupak je prilino komplikovan. Zbog toga se najee koristi
procedura s djeliminim izborom glavnog elementa, kod koje se samo zamjenjuju mjesta redova. Glavni element se obino bira tako da bude
po apsolutnoj vrijednosti vei od ostalih koeficijenata u koloni kojoj pripada. Na taj nain se u toku procesa eliminacije koeficijenti ispod glavnog
elementa dijele s najveim koeficijentom (kako bi se dobili odgovarajui
mnoitelji), pa se tako dobiva i najmanja greka zaokruivanja.
2. Prethodno opisani postupak izbora glavnog elementa, ipak, nije uvijek
najbolje rjeenje. Naime, u sluaju kada su glavni elementi mnogo manji
od ostalih koeficijenata u jednaini kojoj pripadaju, moe doi do znaajne greke zaokruivanja, to moe dovesti do pogrenih rjeenja. U
ovim sluajevima potrebno je primijeniti postupak skaliranja, kod kojeg
se ne uporeuju apsolutne vrijednosti koeficijenata kao u prethodnom sluaju, nego apsolutne vrijednosti njihovog odnosa s najveim od preostalih
koeficijenata u jednaini kojoj pripadaju (u obzir se ne uzimaju vrijednosti komponenti s desne strane jednaine). I u procesu skaliranja se vri
zamjena redova.
Naredna dva primjera pokazuju primjenu dva opisana naina izbora glavnog
elementa.
Primjer 3.2
Koristei metodu eliminacije, rijeiti sljedei sistem jednaina, prikazan u matrinoj formi:
0 2
1
x1
5
4 1 1 x2 = 3
(3.22)
2 3 3
x3
5
Rjeenje
Kao to se moe vidjeti, prvi element jednak je nuli, tako da je zamjena
redova neophodna. Najvei element po apsolutnoj vrijednosti u prvoj koloni,
ispod glavnog elementa, nalazi se u drugom redu, tako da vrimo zamjenu
prvog i drugog reda, a zatim primijenimo proces eliminacije.
(a)
4 1 1 3
(0/4)+(b),(2/4)+(c)
(b)
0 2
1 5
(3.23)
(c)
2 3 3 5
46
pa se dobiva proirena matrica:
4
1
1 3
0
2
1 5
0 7/2 7/2 7/2
(3.24)
Iako u ovom sluaju element na glavnoj dijagonali druge jednaine nije jednak
nuli, on je po apsolutnoj vrijednosti manji od elementa ispod njega, tako da
je opet neophodno izvriti zamjenu redova. Treba napomenuti da se zamjena
redova vri samo na redovima ispod trenutnog glavnog elementa, jer bi se u
suprotnom mogao naruiti proces eliminacije koji je do tada obavljen. Nakon
zamjene drugog i treeg reda imamo:
4
1
1 3
(a)
(b) 0 7/2 7/2 7/2 (4/7)+(c)
(3.25)
0
2
1 5
(c)
i konano
4
1
1 3
x1 = 1
0 7/2 7/2 7/2
x2 = 2
0
0
3
3
x3 = 1
(3.26)
Primjer 3.3
Provjeriti prednosti procesa skaliranja na sistemu jednaina:
3
2 105
x1
104
2 3 103 x2 = 98
1
1
3
x3
3
(3.27)
ije je rjeenje: x1 = 1, x2 = 1 i x3 = 1. Pri tome, proraun vriti na tri

znaajne cifre.
Rjeenje
Prvo emo rijeiti sistem jednaina koristei do sada obraene metode, bez
dodatnih objanjenja.
(a)
3
2 105 104
(0.667)+(b),(0.333)+(c)
(b) 2 3 103 98
(3.28)
(c)
1
1
3
3
(a)
3
2 105 104
(b) 2 4.33
33 28.6 (0.0771)+(c)
(3.29)
(c)
0 0.334 32 31.6
Direktne metode
3
2
105
2 4.33
33
0
0 29.5
47
104
28.9
29.4
(3.30)
Iz posljednje jednaine se zamjenom unazad dobiva rjeenje: x3 = 0.997, x2 =

0.924 i x1 = 0.884, to se ne slae dobro s tanim rjeenjem. Rjeenje je
pogreno zbog greke zaokruivanja na tri znaajne cifre.
Kao to je ranije reeno, ove greke se mogu znatno smanjiti ako se primijeni
proces skaliranja. Prije izvrenja prvog koraka u procesu eliminacije (izjednaavanje elemenata ispod glavnog elementa s nulom), potrebno je skalirati sve
elemente prve kolone s najveim elementom u njihovom redu, uzimajui u obzir
samo elemente matrice sistema A. Dakle, imamo:
3/105
0.0286
a1 = 2/103 = 0.0194
(3.31)
1/3
0.3333
gdje se vektor a1 sastoji od skaliranih elemenata prve kolone. Jasno je da je
trei element vektora a1 najvei po apsolutnoj vrijednosti, to znai da prva
i trea jednaina datog sistema trebaju zamijeniti mjesta. Treba napomenuti
da se zamjena vri samo izmeu spomenutih redova (posmatranog i onog s
najveim odnosom po apsulutnoj vrijednosti), odnosno redosljed komponenti
vektora a po veliini ne igra nikakvu ulogu. Dalje imamo:
(a)
1
1
3 3
(2/1)+(b),(3/1)+(c)
(b) 2 3 103 98
(3.32)
(c)
3
2 105 104
(a)
1
1 3 3
(b) 0 5 97 92 (1/5)+(c)
(3.33)
(c)
0 1 96 95
Ponovnim skaliranjem, imamo da je:
a2 = 5/97 = 0.0516
1/96
0.0104
pa nije potrebna nova zamjena redova, nego se iz (3.33) dobiva:
3
1
1
3
0 5
97 92
0
0 76.6 76.6
odakle se dobiva tano rjeenje: x3 = 1, x2 = 1 i x1 = 1.
(3.34)
(3.35)
48
Gaussova metoda eliminacije
Prethodno opisana metoda eliminacije je poznata pod nazivom Gaussova metoda eliminacije. Iako je objavljena jo poetkom XIX vijeka, ova metoda je i
danas najee primjenjivani direktni postupak za rjeavanje sistema linearnih
algebarskih jednaina. Sve ostale direktne metode, kao na primjer, GaussJordanova, matrina, metode faktorizacije, itd., predstavljaju modifikacije ili
proirenja Gaussove metode.
Broj mnoenja i dijeljenja pri koritenju Gaussove metode eliminacije priblino je jednak (n3 /3 n/3 n2 ), to za sistem od 10 jednaina iznosi 430,
a za sistem od 100 jednaina 343,000. Dakle, Gaussova metoda eliminacije je
daleko bra nego Cramerovo pravilo.
Algoritam za Gaussovu metodu eliminacije (s djeliminim izborom glavnog
elementa), koji je prikladan za programiranje, imao bi oblik:
1. Definisati koeficijente matrice A i vektora b.
2. Poevi od prve kolone, treba normalizirati kolone k (k = 1, 2, . . . n 1)
i traiti po veliini najvei koeficijent u koloni k (ili onaj koji se dobije
procesom skaliranja vidi primjer 3.3), te zamijeniti redove kako bi se taj
koeficijent postavio u poziciju glavnog elementa akk .
3. Primijeniti proceduru eliminacije na redove i (i = k + 1, k + 2, . . . , n)
kako bi se stvorile nule ispod glavnog elementa akk . Koeficijenti proirene
matrice sistema mogu se dobiti pomou sljedeih izraza:
aik
aij = aij
akj (i, j = k + 1, k + 2, . . . , n)
(3.36)
a
kk
aik
bi = bi
akj
(i = k + 1, k + 2, . . . , n)
(3.37)
akk
Nakon to se primijene koraci 2 i 3 na (n 1) kolona, originalna matrica
sistema A postaje gornja trougaona.
4. Rijeiti nepoznanice x koristei zamjenu unazad:
bn
ann
!
n
X
1
xi =
bi
aij xj
aii
j=i+1
xn =
(3.38)
(i = n 1, n 2, . . . , 1)
(3.39)
Direktne metode
49
Gauss-Jordanova metoda eliminacije
Gauss-Jordanova metoda eliminacije je varijacija Gaussove metode eliminacije, u kojoj se i koeficijenti iznad kao i koeficijenti ispod glavnog elementa
eliminiu (izjednaavaju s nulom). Na taj nain se matrica A transformie u
dijagonalnu matricu. Redovi se obino skaliraju kako bi se dobili jedinini dijagonalni elementi, pa se matrica A pretvara u jedininu matricu. Tada vektor
b postaje vektor rjeenja x. Gauss-Jordanova metoda je, na taj nain, pogodna za vie vektora b, tj. kada je neophodno simultano rijeiti vie sistema
s razliitim vektorima b, i direktno oitavati rjeenja svih sistema.
Broj mnoenja i dijeljenja za Gauss-Jordanovu metodu eliminacije je priblino jednak (n3 /2 n/2 + n2 ), to je za oko 50% vie nego za Gaussovu
metodu eliminacije, pa Gaussova metoda eliminacije ima prednost u koritenju.
Primjer 3.4
Gauss-Jordanovom metodom rijeiti sistem jednaina iz primjera 3.1.
80 20 20
x1
20
20
40 20 x2 = 20
(3.40)
20 20 130
x3
20
Rjeenje
Prvi korak u procesu rjeavanja Gauss-Jordanovom metodom predstavlja
skaliranje prve jednaine, odnosno dijeljenje svih koeficijenata jednaine s glavnim elementom
(a)
80 20 20 20
/80
(b)
20
40 20 20
(3.41)
(c)
20 20 130 20
pa se dobiva:
(a)
1 0.25 0.25 0.25
(b) 20
40
20 20
(c)
20
20
130 20
(20)+(b),(20)+(c)
(3.42)
Primjenjujui proces eliminacije i naknadnim skaliranjem druge jednaine do-
50
bivamo:
(a)
1 0.25 0.25 0.25
(b) 0
35
25 25
(c)
0
25
125 25
(a)
1 0.25 0.25 0.25
(b) 0
1 5/7 5/7
(c)
0
25
125 25
Sada se vri
reda
(a)
(b)
(c)
(a)
(b)
(c)
/35
(3.43)
(0.25)+(a),(25)+(c)
(3.44)
eliminacija iznad i ispod glavnog elementa i vri skaliranje treeg
3/7
5/7
300/7
/(750/7)
1 0 3/7 3/7
0 1 5/7 5/7
0 0
1 215
(3/7)+(a),(5/7)+(b)
1 0 3/7
0 1 5/7
0 0 750/7
a konano se, nakon eliminacije iznad jednaine (c), dobiva:
1 0 0 0.6
0 1 0 1.0
0 0 1 0.4
(3.45)
(3.46)
(3.47)
Matrica A je na taj nain transformisana u jedininu matricu, a vektor b je

postao vektor rjeenja, x, odnosno xT = [ 0.6 1.0 0.4 ].
Inverzija matrica metodom eliminacije
Gauss-Jordanova metoda se moe koristiti za dobivanje inverzne matrice A1

matrice koeficijenata sistema A, tako to se matrica sistema A proiri jedininom matricom I, a zatim primijeni Gauss-Jordanov algoritam. Proces se
moe shematski prikazati sljedeom relacijom:
[A|I] [I|A1 ]
(3.48)
Primjena Gauss-Seidelove metode za odreivanje inverzne matrice data je u

sljedeem primjeru.
Direktne metode
51
Primjer 3.5
Nai inverznu matricu A1 matrice koeficijenata sistema A iz primjera 3.1
80 20 20
40 20
A = 20
(3.49)
20 20 130
koristei Gauss-Jordanovu metodu.
Rjeenje
Proirivanjem matrice koeficijenata sistema jednaina (3.7) jedininom matricom, dobivamo:
80 20 20 1 0 0
40 20 0 1 0
(3.50)
[A|I] = 20
20 20 130 0 0 1
Primjenjujui Gauss-Jordanovu metodu eliminacije kako slijedi (bez dodatnih
objanjenja):
(a)
80 20 20 1 0 0
/80
(b)
20
40 20 0 1 0
(3.51)
(c)
20 20 130 0 0 1
(a)
1 0.25 0.25 1/80 0 0
(b) 20
40
20
0 1 0
(c)
20
20
130
0 0 1
(a)
1 0.25 0.25 1/80 0 0
(b) 0
35
25 1/4 1 0
(c)
0
25
125 1/4 0 1
(20)+(b),(20)+(c)
1/70 1/140 0
1/140 1/35 0
3/7
5/7 1
(3.53)
/35
(a)
1 0.25 0.25 1/80
0 0
(b) 0
1 5/7 1/140 1/35 0
(c)
0
25
125 1/4
0 1
(a)
1 0 3/7
(b)
0 1 5/7
(c)
0 0 750/7
(3.52)
(0.25)+(a),(25)+(c)
(3.54)
(3.55)
/(750/7)
52
(a)
1 0 3/7 1/70 1/140
0
(b) 0 1 5/7 1/140 1/35
0
(c)
0 0
1 1/250 1/150 7/750
desna strana
1 0
0 1
0 0
(3.56)
(3/7)+(a),(5/7)+(b)
jednakosti (3.50) se svodi na oblik:
0 2/125 1/100 1/250

0 1/100 1/30 1/150
1 1/250 1/150 7/750
odakle se na osnovu izraza (3.48) direktno dobiva A1 :
2/125 1/100 1/250

A1 = 1/100 1/30 1/150
1/250 1/150 7/750
3.1.3
(3.57)
(3.58)
Matrina metoda
Sistem linearnih algebarskih jednaina moe se rijeiti koritenjem inverzne

matrice na sljedei nain. Ako dati sistem napiemo u matrinoj formi:
Ax = b
(3.59)
mnoenjem date jednaine inverznom matricom A1 s lijeve strane, dobivamo

A1 Ax = Ix = x = A1 b
(3.60)
i konano
x = A1 b
(3.61)
Dakle, ako je poznata inverzna matrica A1 matrice sistema A, rjeenje x

se dobiva mnoenjem te inverzne matrice s vektorom kolonom b.
Primjer 3.6
Sistem jednaina iz primjera 3.1

20
80 20 20
x1
20
40 20 x2 = 20
x3
20
20 20 130
(3.62)
Direktne metode
53
rijeiti matrinom metodom.

Rjeenje
Koristei rjeenje (3.58) iz
2/125 1/100
A1 = 1/100 1/30
1/250 1/150
prethodnog primjera
1/250
1/150
7/750
na osnovu izraza (3.61) direktno se
2/125 1/100
1
x = A b = 1/100 1/30
1/250 1/150
3.1.4
dobiva:
1/250
20
0.6
1/150 20 = 1.0
7/750
20
0.4
(3.63)
Metode faktorizacije
Metode faktorizacije zasnivaju se na injenici da se matrice (kao i skalarne

veliine), mogu faktorizirati (razloiti) u proizvod neke dvije matrice na beskonano mnogo naina. Kada su takve dvije matrice donja trougaona, L (od
engleske rijei lower ), i gornja trougaona, U (od engleske rijei upper ), tj.
A=LU
(3.64)
dobiva se tzv. LU faktorizacija, koja je jedinstvena. Metoda faktorizacije

kod koje su koeficijenti po dijagonali donje trougaone matrice jednaki jedinici
naziva se Doolittleova metoda, a ona kod koje su koeficijenti na dijagonali
gornje trougaone matrice jednaki jedinici metoda Crouta.
Kod metode Doolittlea, matrica U se dobiva procesom Gaussove eliminacije (predstavlja lijevi dio proirene matrice prije primjene procesa zamjene
unazad), dok se koeficijentima matrice L, koji su razliiti od 0 i 1, pridruuju negative vrijednosti mnoitelja dobivenih u procesu eliminacije kako je to
objanjeno u primjeru 3.7.
Nakon to se odrede matrice L i U, dalji postupak se zasniva na injenici
da je sistem jednaina:
Ax = b
(3.65)
na osnovu
Ax = LUx = L(Ux) = Lb = b
(3.66)
54
ekvivalentan sljedeim sistemima s trougaonim matricama:

Lb = b
Ux = b
(3.67)
(3.68)
Dakle, dalje rjeavanje se sastoji iz dva koraka:

prvo se vektor b transformie u vektor b rjeavajui jednainu (3.67)
zamjena unaprijed,
zatim se dobiva vektor rjeenja rjeavajui jednainu (3.68) zamjena
unazad.
Sljedei primjer pokazuje upotrebu Doolittleove metode.
Primjer 3.7
Sistem jednaina iz primjera 3.1
80 20 20
x1
20
20
40 20 x2 = 20
20 20 130
x3
20
(3.69)
rijeiti metodom Doolittlea.

Rjeenje
Kao to je u prethodnom tekstu reeno, matrica L predstavlja matricu koja
se sastoji od mnoitelja nastalih u procesu eliminacije Gaussovom metodom, a
matrica U gornju trougaonu matricu u koju se transformie matrica koeficijenata A pomou Gaussove metode. Na taj nain, koristei rjeenje iz primjera
3.1 (vidi str. 44), dobiva se:
1
0 0
80 20
20
1 0 U = 0
35
25
L = 0.25
(3.70)
0.25 5/7
1
0
0 750/7
Matrica L se generie na sljedei nain. Koeficijenti prve kolone jednaki su
negativnim vrijednostima mnoitelja iz prvog koraka pri rjeavanju Gaussovom metodom eliminacije (izraz (3.19)) koeficijent L12 jednak je negativnoj
vrijednosti mnoitelja koji ide uz jednainu (b), tj. 20/80 = 0.25, dok je
Prvi indeks koeficijenta matrice L predstavlja korak u procesu eliminacije, odnosno indeks glavnog
elementa, a drugi redni broj jednaine na koju se mnoitelj odnosi.
Direktne metode
55
koeficijent L13 jednak negativnoj vrijednosti mnoitelja koji ide uz jednainu

(c), tj. 20/80 = 0.25. Analogno, koeficijenti druge kolone su jednaki negativnim vrijednostima mnoitelja iz drugog koraka procesa eliminacije (izraz
(3.20)), odnosno koeficijent L23 jednak je negativnoj vrijednosti mnoitelja koji
ide uz jednainu (c), tj. 5/7. Po definiciji, koeficijenti na dijagonali jednaki
su 1, a ostali, iznad dijagonale, jednaki 0.
Kako je ranije reeno, matrica U u metodi Doolittlea jednaka je gornjoj
trougaonoj matrici u koju se transformie matrica sistema A u toku postupka
Gaussove metode eliminacije (vidi izraz (3.16)).
Sada se koristei jednainu (3.67) dobiva:
20
b1
1
0 0
0.25
1 0 b02 = 20
(3.71)
0.25 5/7
1
b03
20
i zamjenom unaprijed:
b01 = 20
b02 = 20 (1/4)20 = 25
b03 = 20 (1/4)20 (5/7)25 = 300/7
(3.72a)
(3.72b)
(3.72c)
Uvrtavajui dobiveni vektor b u jednainu (3.68) dobiva se:

20
80 20
20
x1
0
25
35
25 x2 =
300/7
0
0 750/7
x3
(3.73)
i zamjenom unaprijed:
x3 = 300/750 = 0.40
x2 = 25 [(25)0.4]/35 = 1.0
x1 = 20 20 [(20)1.0 + (20)0.4]/80 = 0.60
(3.74a)
(3.74b)
(3.74c)
Prethodno opisani postupak za Doolittleovu metodu se moe predstaviti

sljedeim algoritmom, pri emu matrice L i U imaju oblik:
u11 u12 . . . u1n

1 0 ... 0
0 u22 . . . u2n
l21 1 . . . 0
,U = .
(3.75)
L=
.. . .
.
.
.
.
.
..
..
..
. . ..
. ..
.
ln1 ln2 . . . 1
. . . unn
56
1. Koeficijenti matrica U i L se dobivaju direktno iz izraza A = LU na

sljedei nain:
u1j = a1j
(3.76)
i1
X
uij = aij
lik ukj
(j i 1)
(3.77)
k=1
i
li1 =
ai1
u11
1
lij =
ujj
(3.78)
aij
j1
X
!
lik ukj
(1 < j < i)
(3.79)
k=1
pri emu treba voditi rauna o redu raunanja. Prvo se raunaju koeficijenti prvog reda matrice U i prve kolone matrice L, zatim koeficijenti
drugog reda matrice U i druge kolone matrice L, itd., a na kraju se izraunavaju koeficijenti n-tog reda matrice U, odnosno koeficijent unn .
2. Zamjenom unaprijed se dobiva vektor kolona b:
b01 = b1
b0i
1
=
lii
bi
i1
X
(3.80)
!
lik b0k
(i = 2, 3, . . . , n)
(3.81)
k=1
3. Zamjenom unazad se dobiva rjeenje, odnosno vektor kolona x:

bn
unn
!
n
X
1
uik xk
xi =
bi
uii
k=i+1
xn =
(3.82)
(i = n 1, n 2, . . . , 1)
(3.83)
Na slian nain se mogu dobiti i izrazi za metodu Crouta (vidi na primjer

[6]). Obje metode imaju prednost kada se treba izraunati sistem jednaina
za veliki broj razliitih vrijednosti vektora b.
3.1.5
Nedostaci metoda eliminacije
Svi regularni sistemi linearnih algebarskih jednaina, odnosno sistemi jednaina kod kojih je determinanta matrice sistema razliita od nule, imaju rjeenje.
Direktne metode
57
Teoretski gledano, to rjeenje se uvijek moe nai nekom od metoda eliminacije.

Meutim, postoje dva osnovna problema koja se javljaju u primjeni metoda
eliminacije: (i) prisustvo greka zaokruivanja, i (ii) slaba podeenost sistema.
Greke zaokruivanja
Utjecaj greke zaokruivanja na rezultat prilikom rjeavanja sistema linearnih

algebarskih jednaina pomou direktnih metoda dat je u primjeru 3.3. Greke
zaokruivanja se mogu smanjiti pogodnim razmjetajem jednaina, kao to je
to i pokazano u pomenutom primjeru. U ove svrhe se moe, takoer, koristiti
i poseban iterativni postupak, tzv. metoda iterativnog poboljanja, koja se
moe nai u literaturi [6, 7, 10]. Meutim, treba napomenuti da se greke
zaokruivanja nikada ne mogu u potpunosti eliminisati.
Podeenost sistema
Pojam podeenosti nekog sistema linearnih algebarskih jednaina je vezan za

promjene rjeenja tog sistema s promjenama njegovih koeficijenata. Tako je
dobro podeen sistem onaj kod kojeg male promjene bilo kojeg koeficijenta
sistema uzrokuju male promjene u rezultatu problema. Nasuprot tome, slabo
podeen sistem je onaj kod kojeg male promjene nekog koeficijenta uzrokuju
velike promjene u rjeenju sistema. S obzirom da su slabo podeeni sistemi
veoma osjetljivi na male promjene koeficijenata sistema, oni su osjetljivi i na
greke zaokruivanja.
Primjer 3.8
Pokaimo ponaanje jednog slabo podeenog sistema na sljedeim primjeru:
x1 + x2 = 2
x1 + 1.0001x2 = 2.0001
(3.84a)
(3.84b)
Rjeenje
Primjenom Gaussove eliminacije na sistem jednaina (3.84) dobiva se:
2
(1)+(b)
(a)
1
1
(3.85)
(b)
1 1.0001 2.0001
2
1
1
(3.86)
0 0.0001 0.0001
58
to dovodi do rjeenja x2 = 1 i x1 = 1.
Posmatrajmo sada sistem kod kojeg smo koeficijent a22 = 1.0001 zamijenili
sa 0.9999. Imamo:
(a)
1
1
2
(1)+(b)
(3.87)
(b)
1 0.9999 2.0001
1
1
2
(3.88)
0 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 3, koje je potpuno drugaije od onog
prethodnog. Slino ponaanje bi se desilo ako bismo komponentu b2 = 2.0001
promijenili za neku malu veliinu (npr. b2 = 1.9999). Dakle, male promjene
u koeficijentima sistema dovode do znatnih promjena u rjeenju sistema, to
pokazuje da je sistem slabo podeen.
Jedini pravi lijek protiv problema slabe podeenosti je raunanje u skupu
realnih brojeva (nema greke zaokruivanja). Kako to nije mogue ostvariti,
ostaje samo pokuaj da se skaliranjem i zamjenama redova pobolja podeenost
sistema.
Podeenost sistema se procjenjuje koritenjem norme matrice sistema i
broja podeenosti . Postoji vie oblika norme matrice sistema, kao:
kAk1 = max
1jn
n
X
|aij |
matrina 1-norma ili
i=1
"maksimalna norma kolone"

kAk = max
1jn
n
X
(3.89a)
|aij | matrina -norma ili
j=1
v
uX
n
u n X
t
kAke =
a2ij
"maksimalna norma reda"
(3.89b)
Euklidska ili Frobeniusova norma
(3.89c)
i=1 j=1
Za razliku od norme, broj podeenosti predstavlja mjeru osjetljivosti sistema

na male promjene njegovih koeficijenata. Broj podeenosti matrice A dat je
izrazom:
C(A) = kAkkA1 k
(3.90)
Velike vrijednosti broja podeenosti u odnosu na jedinicu pokazuju i veliku

osjetljivost na promjene u vektoru x, pa je takav sistem slabo podeen.
Iterativne metode
59
Primjer 3.9
Pokaimo na primjeru 3.8 upotrebu norme i broja podeenosti.
Rjeenje
Matrica sistema jednaina (3.84) ima oblik:
1
1
A=
1 0.0001
pa Euklidska norma ima vrijednost:
kAke = 12 + 12 + 12 + 1.00012 = 2.00005

Nasuprot tome, inverzna matrica i njena Euklidska norma su:
10001 10000
1
A =
10000
10000
p
kA1 ke = 100012 + 100002 + (10000)2 + 100002 = 20000.5
(3.91)
(3.92)
(3.93)
(3.94)
Dakle, broj podeenosti je:

C(A) = kAke kA1 ke = 2.00005 20000.5 = 40002 1
(3.95)
to pokazuje da je sistem slabo podeen. Slino se moglo pokazati i koritenjem

ostalih oblika normi. Treba napomenuti da postoje i neto drugaiji izrazi za
ispitivanje podeenosti, kao to je na primjer dato u [6].
3.2
Iterativne metode
Za mnoge velike sisteme linearnih algebarskih jednaina, koji proistiu iz inenjerskih problema, matrica koeficijenata A je rijetka, odnosno veina njenih
koeficijenata jednaka je nuli. U tom sluaju mnogo je efikasnije za njihovo rjeavanje koristiti iterativne nego direktne metode. Naime, vrlo je vano imati u
vidu da su raunari ogranieni ne samo po pitanju tanosti nego i raspoloivim
memorijskim prostorom i raunskim vremenom. U praksi se nerijetko rjeavaju sistemi s velikim brojem jednaina, na primjer n , to znai da je samo
Broj jednaina, npr. u CFD (eng. Computational Fluid Dynamics) proraunima, moe da bude i
nekoliko stotina miliona.
60
za koeficijente matrice sistema u memoriji raunara neophodno obezbijediti n2

lokacija, to u mnogome oteava koritenje direktnih metoda.
Iterativne metode, kao i kod rjeavanja jednaina, poinju s pretpostavkom
poetnog rjeenja x(0) . Ovo rjeenje se zatim koristi za dobivanje boljeg rjeenja
x(1) , a postupak se ponavlja do postizanja eljene tanosti. Dovoljan uslov za
konvergenciju iterativnih metoda opisanih u ovom poglavlju za bilo koji poetni
vektor rjeenja x(0) je dijagonalna dominantnost matrice sistema. Matrica
je dijagonalno dominantna ako je apsolutna vrijednost svakog koeficijenta na
glavnoj dijagonali jednaka ili vea od zbira apsolutnih vrijednosti svih ostalih
koeficijenata u tom redu, pri emu je za bar jedan red apsolutna vrijednost
dijagonalnog koeficijenta vea od odgovarajueg zbira apsolutnih vrijednosti
ostalih koeficijenata, ili
|aii |
n
X
|aij |
(i = 1, 2, . . . , n)
(3.96)
j=1
j6=i
pri emu znak > vrijedi za bar jedan red.

Broj iteracija neophodan za postizanje konvergencije zavisi od:
dominantnosti dijagonalnih koeficijenata. S poveanjem dijagonalne dominantnosti, smanjuje se broj iteracija neophodnih za postizanje kriterija
konvergencije.
koritene metode
poetnog vektora rjeenja
zahtijevanog kriterija konvergencije.
U narednim poglavljima opisane su neke jednostavnije iterativne metode za
rjeavanje sistema linearnih algebarskih jednaina, kao Jacobijeva i Gauss
Seidelova, te metode relaksacije.
3.2.1
Jacobijeva metoda
Posmatrajmo opti sistem linearnih algebarskih jednaina Ax=b, koji u indeksnoj notaciji ima oblik:
n
X
j=1
aij xj = bi
(i = 1, 2, . . . , n)
(3.97)
Iterativne metode
61
U Jacobijevoj metodi, svaka jednaina sistema se rjeava po komponenti

vektora rjeenja koja se odnosi na dijagonalni koeficijent, tj. xi . Iz (3.97) se
dobiva:
!
i1
n
X
X
1
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.98)
aii
j=1
j=i+1
Ako je x(0) vektor poetnog rjeenja, gdje indeks u zagradi oznaava redni
broj iteracije, prva aproksimacija se dobiva na osnovu jednakosti:
!
i1
n
X
X
1
(1)
(0)
(0)
bi
aij xj
xi =
aij xj
(i = 1, 2, . . . , n)
(3.99)
aii
j=1
j=i+1
Dobiveni vektor rjeenja x(1) se zatim uvrtava u formulu
!
i1
n
X
X
1
(2)
(1)
(1)
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
aii
j=1
j=i+1
(3.100)
kako bi se dobilo rjeenje x(2) , itd.

Prema tome, rekurzivna formula za Jacobijevu metodu glasi:
!
i1
n
X
X
1
(k)
(k)
(k+1)
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.101)
xi
=
aii
j=1
j=i+1
(k)
Ukoliko se s desne strane doda i oduzme xi , nakon sreivanja, formula (3.101)

se moe prikazati u sljedeem prikladnijem obliku:
!
n
X
1
(k+1)
(k)
(k)
xi
= xi +
bi
aij xj
(i = 1, 2, . . . , n)
(3.102)
aii
j=1
odnosno
(k+1)
xi
(k)
xi
(k)
R
+ i
aii
(i = 1, 2, . . . , n)
(3.103)
gdje
(k)
Ri
= bi
n
X
j=1
(k)
aij xj
(i = 1, 2, . . . , n)
(3.104)
62
predstavlja ostatak ili rezidual i-te jednaine. Postupak rjeavanja se nastavlja

dok se ne postigne eljena tanost, na primjer dok se ne ispuni jedan od uslova:
(k+1)
(k)
max xi
xi <
(i = 1, 2, . . . , n)
(3.105)
ili
(k)
max Ri <
(i = 1, 2, . . . , n)
(3.106)
gdje je proizvoljno mali pozitivni realni broj.

(k+1)
(k)
Iz formule (3.102) se vidi da vrijednost xi
zavisi samo o xi , tj. o
vrijednostima rjeenja iz prethodne iteracije, pa red procesiranja jednaina nije
bitan; sve komponente rjeenja x u istoj iteraciji se mogu raunati simultano,
tj. istovremeno, jer ne ovise jedne od drugih. Stoga se Jacobijeva metoda
naziva i metoda simultanih iteracija.
Primjer 3.10
Rijeiti sljedei sistem dat u matrinom obliku:

4 1
0
1
0
x1
100
1
x2 100
4
1
0
1

0 1
x3 = 100
4
1
0

1
0 1
4 1 x4 100
0
1
0 1
4
x5
100
(3.107)
Proraun zaustaviti kada je ispunjen uslov
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
gdje je k broja iteracije.
Rjeenje
Na osnovu vrijednosti koeficijenata matrice sistema lako se zakljuuje da
je uslov konvergencije (3.96) ispunjen za sve jednaine, pa se moe pristupiti
rjeavanju pomou Jacobijeve iterativne metode.
Sistem jednaina (3.107) se moe prikazati u razvijenom obliku:
4x1 x2 + x4 = 100
x1 + 4x2 x3 + x5 = 100
x2 + 4x3 x4 = 100
(3.108a)
(3.108b)
(3.108c)
Iterativne metode
63
x1 x3 + 4x4 x5 = 100
x2 x4 + 4x5 = 100
(3.108d)
(3.108e)
tako da se, koristei formulu (3.102), dobiva:

x1
x2
x3
x4
x5
=
=
=
=
=
25 + 0.25x2 0.25x4
25 + 0.25x1 + 0.25x3 0.25x5
25 + 0.25x2 + 0.25x4
25 0.25x1 + 0.25x3 + 0.25x5
25 0.25x2 + 0.25x4
(3.109a)
(3.109b)
(3.109c)
(3.109d)
(3.109e)
Ako se za poetno rjeenje uzme da je

x(0)T = [0.0 0.0 0.0 0.0 0.0]
i uvrsti u sistem (3.109), lako se dobiva da je
x(1)T = [25.0 25.0 25.0 25.0 25.0]
Postupak se ponavlja na slian nain za x(2) , itd., i zaustavlja kada se ispuni
uslov (3.105)
(k+1)
(k)
max xi
xi <
pri emu indeks i oznaava komponentu vektora rjeenja, a = 106 . Rezultati
su sumirani u tabeli 3.1.
Tabela 3.1: Uz primjer 3.10
k
x1
x2
0
0.000000
0.000000
1 25.000000 25.000000
2 25.000000 31.250000
3 25.000000 34.375000
4 25.000000 35.156250
..
..
..
.
.
.
17 25.000000 35.714285
18 25.000000 35.714285
x3
0.000000
25.000000
37.500000
40.625000
42.187500
..
.
x4
0.000000
25.000000
31.250000
34.375000
35.156250
..
.
x5
0.000000
25.000000
25.000000
25.000000
25.000000
..
.
42.857142
42.857143
35.714285
35.714285
25.000000
25.000000
Lako je uoiti da je sistem jednaina, odnosno matrica koeficijenata sistema

jednaina (3.107), simetrian, tako da vrijedi da je x1 = x5 , i x2 = x4 .
Do istih rezultata se moglo doi koristei rekurzivnu formulu u obliku
(3.103). Prvo se na osnovu izraza (3.104) odrede ostaci:
R1 = 100 4x1 + x2 x4
(3.110a)
64
R2
R3
R4
R5
=
=
=
=
100 + x1 4x2 + x3 x5
100 + x2 + 4x3 + x4
100 x1 + x3 4x4 + x5
100 x2 + x4 4x5
(3.110b)
(3.110c)
(3.110d)
(3.110e)
a nakon toga se uvrtavanjem u izraz (3.103) dobivaju vrijednosti xi . Zatim

se prelazi na sljedeu iteraciju, a postupak nastavlja dok se ne ispuni zadati
uslov konvergencije:
(k+1)
(k)
(i = 1, 2, . . . , n)
xi < 106
max xi
3.2.2
Gauss-Seidelova metoda
(k+1)
Za razliku od Jacobijeve metode, kod koje sve veliine xi

ovise samo o
(k)
xi , tj. o rjeenju iz prethodne iteracije, Gauss-Seidelova metoda koristi i
tek izraunate vrijednosti. Algoritam za Gauss-Seidelovu metodu se dobiva iz
Jacobijevog algoritma, formula (3.101), tako to se u sabiranju od j = 1 do
(k+1)
(k)
i 1 koriste vrijednosti xi
, a za j = i + 1 do n vrijednosti xi , odnosno u
indeksnoj notaciji:
!
i1
n
X
X
1
(k+1)
(k+1)
(k)
xi
=
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.111)
aii
j=1
j=i+1
ili u sljedeim obliku:
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.112)
(3.113)
j=i
Upravo zbog toga to se koriste tek izraunate vrijednosti pojedinih nepoznanica, pa se jednaine moraju rjeavati redom, a ne simultano, Gauss-Seidelova
metoda se naziva i metoda sukcesivne iteracije.
Iterativne metode
65
Primjer 3.11
Koristei Gauss-Seidelovu metodu, rijeiti problem iz zadatka 3.10.
4 1
0
1
0
x1
100
4 1
0
1
x2 100
0 1
4 1
0 x3 = 100
1
0 1
4 1 x4 100
0
1
0 1
4
x5
100
Proraun zaustaviti kada je ispunjen uslov
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
Rjeenje
Postupak rjeavanja Gauss-Seidelovom je vrlo slian Jacobijevoj metodi, s
tom razlikom to se u proraunu koriste tek izraunate aproksimacije rjeenja.
Na taj nain, izrazi (3.109) imaju oblik:
(k+1)
x1
(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5
(k)
(k)
= 25 + 0.25x2 0.25x4
= 25 +
= 25 +
= 25
= 25
(k+1)
0.25x1
(k+1)
0.25x2
(k+1)
0.25x1
(k+1)
0.25x2
+
+
+
+
(3.114a)
(k)
(k)
0.25x3 0.25x5
(k)
0.25x4
(k+1)
(k)
0.25x3
+ 0.25x5
(k+1)
0.25x4
(3.114b)
(3.114c)
(3.114d)
(3.114e)
gdje je k broja iteracije. Uzimajui da je poetna aproksimacija jednaka

x(0)T = [0.0 0.0 0.0 0.0 0.0]
lako se na osnovu izraza (3.114) dobivaju sljedee aproksimacije:
(1)
= 25 + 0.25x2 0.25x4 = 0
(1)
= 25 + 0.25x1 + 0.25x3 0.25x5 = 31.25
x1
x2
(1)
x3
(1)
x4
(1)
x5
= 25 +
= 25
= 25
(0)
(0)
(1)
(0)
(0)
(3.115b)
(1)
0.25x2
(1)
0.25x1
(1)
0.25x2
(0)
0.25x4
(1)
0.25x3
(1)
0.25x4
= 32.8125
(3.115c)
+
+
+
(3.115a)
(0)
0.25x5
= 26.953125
= 23.925781
(3.115d)
(3.115e)
66
Postupak se ponavlja dok se ne ispuni uslov (3.105)
(k+1)
(k)
max xi
xi <
gdje je = 106 . Ostali rezultati prorauna su sumirani u tabeli 3.2. Iz tabele
je jasno da se ista tanost dostie neto bre koristei Gauss-Seidelovu metodu
(15 iteracija) nego je to bio sluaj s Jacobijevom metodom (18 iteracija).
k
x1
x2
0
0.000000
0.000000
1 25.000000 31.250000
2 26.074219 33.740234
3 24.808502 34.947586
..
..
..
.
.
.
14 25.000001 35.714286
15 25.000000 35.714286
x3
0.000000
32.812500
40.173340
42.363453
..
.
x4
0.000000
26.953125
34.506226
35.686612
..
.
x5
0.000000
23.925781
25.191498
25.184757
..
.
42.857143
42.857143
35.714285
35.714286
25.000000
25.000000
Do istih rezultata se moglo doi koristei rekurzivnu formulu u obliku

(3.112):
(k+1)
R1
(k+1)
R2
(k+1)
R3
(k+1)
R4
(k+1)
R5
(k)
(k)
(k)
= 100 4x1 + x2 x4
= 100 +
= 100 +
= 100
= 100
(k+1)
x1
(k+1)
x2
(k+1)
x1
(k+1)
x2
+
+
+
(k)
(k+1)
4x2 + x3
(k)
(k)
4x3 + x4
(k+1)
(k)
x3
4x4
(k)
(k+1)
4x5
x4
(3.116a)
(k+1)
x5
(k)
x5
(3.116b)
(3.116c)
(3.116d)
(3.116e)
Dakle, prvo se izraunava vrijednost R1 , pa na osnovu nje x1 pomou

(1)
x1
(0)
x1
(0)
R
+ 1
4
zatim se rauna R2 , pa x2 , . . . , i na kraju R5 , pa x5 . Nakon toga, prelazi

se na sljedeu iteraciju, i postupak ponavlja dok se ne ispuni zadati kriterij
konvergencije.
3.2.3
Metode relaksacije
Moe se pokazati da se malim modifikacijama prethodno objanjenih iterativnih metoda brzina konvergencije moe znatno poboljati. Ovo se ostvaruje
Iterativne metode
67
uvoenjem relaksacionog parametra u Jacobijevu ili Gauss-Seidelovu metodu

to dovodi do poznate metode sukcesivne nadrelaksacije (tzv. SOR metoda).
(k)
U stvari, ova metoda ukljuuje mnoenje ostatka Ri s relaksacionim faktorom u originalnoj Jacobijevoj ili Gauss-Seidelovoj formuli. Tako, rekurzivna
formula metode sukcesivne relaksacije za GaussSeidelovu metodu ima oblik:
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.117)
(3.118)
j=i
Iz gornje jednakosti se vidi da za = 1 dobivamo originalnu Gauss-Seidelovu

metodu. Moe se pokazati da za 0 < 2 sistem konvergira, pri emu je
za 0 < 1 sistem jednaina podrelaksiran, a za 1 < 2 nadrelaksiran
[5]. Treba napomenuti da relaksirajui faktor ne mijenja konano rjeenje, s
obzirom da mnoi ostatak koji s konvergencijom ka tanom rjeenju tei nuli.
Dobrim izborom faktora , kompjutersko vrijeme se moe smanjiti za ak 1050 puta, to je u svakom sluaju vrijedno pomena radi mogueg koritenja.
Na alost, ne postoji dobra opta procedura za odreivanje ove vrijednosti.
Optimalna vrijednost se moe nai eksperimentisanjem, ali nije preporuljiva
ako se problem rjeava samo jednom. Ako se, pak, problem rjeava esto nad
istim vrijednostima matrice sistema A s razliitim vrijednostima b, onda je to
pogodno uraditi.
Vrijedno je spomenuti i da Jacobijeva i Gauss-Seidelova metoda uz ispunjenje dijagonalne dominantnosti matrice sistema konvergiraju, dok metoda
relaksacije za 6= 1 moe, ali i ne mora konvergirati.
Primjer 3.12
Problem iz zadatka 3.10
4 1
0
1
0
1
4 1
0
1
0 1
4
1
0
1
0 1
4 1
0
1
0 1
4
x1
x2
x3
x4
x5
100
100
100
100
100
rijeiti koristei metodu relaksacije Gauss-Sedelove metode. Uzeti da je =

eng.
Successive-Over-Relaxation
68
1.10. Proraun zaustaviti kada je ispunjen uslov
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
Rjeenje
Primjenjujui izraze (3.117) i (3.118) na zadati sistem jednaina, dobija se:
(k+1)
x1
(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5
(k)
R
=
+ 1
4
(k)
R2
(k)
= x2 +
4
(k)
R3
(k)
= x3 +
4
(k)
R
(k)
= x4 + 4
4
(k)
R
(k)
= x5 + 5
4
(k)
x1
(3.119a)
(3.119b)
(3.119c)
(3.119d)
(3.119e)
gdje su
(k+1)
= 100 4x1 + x2 x4
(k+1)
= 100 + x1
R1
R2
(k+1)
R3
(k+1)
R4
(k+1)
R5
(k)
(k+1)
= 100 +
= 100
= 100
(k+1)
x2
(k+1)
x1
(k+1)
x2
(k)
(k)
(k)
(k+1)
4x2 + x3
+
+
+
(k)
(k)
4x3 + x4
(k)
(k+1)
4x4
x3
(k+1)
(k)
x4
4x5
(3.120a)
(k+1)
x5
(3.120b)
(3.120c)
(k)
x5
(3.120d)
(3.120e)
Uzimajui da je poetna aproksimacija jednaka

x(0)T = [0.0 0.0 0.0 0.0 0.0]
prema izrazu (3.120a) dobiva se:
(0)
R1 = 100.00
pa je na osnovu (3.119a)
(1)
x1 = 0 + 1.1
100.00
= 27.50
4
(3.121)
Ostale metode
69
Uvrtavajui dobivenu vrijednost u (3.120b) dobiva se:

(1)
R2 = 100 + 27.50 = 127.70
(3.122)
pa je:
(1)
x2 = 0 + 1.1
127.50
= 35.0625
4
(3.123)
Slino postupku rjeavanja Gauss-Seidelovom metodom, dalje se raunaju vrijednosti R3 , pa x3 , R4 , pa x4 i na kraju R5 , pa x5 . Zatim se prelazi se na
sljedei iteraciju, i postupak nastavlja dok se ne ispuni uslov (3.105)
(k+1)
(k)
max xi
xi <
gdje je = 106 . U tabeli 3.3 date su ostale vrijednosti prorauna (samo
aproksimacije nepoznanica). Jasno se vidi da je broj iteracija (jednak 13)
manji nego u sluaju prethodne dvije metode, odnosno metoda bre konvergira
za zadati faktor .
k
x1
x2
0
0.000000
0.000000
1 27.500000 35.062500
2 26.100497 34.194375
3 24.419371 35.230346
..
..
..
.
.
.
11 24.999996 35.714285
12 25.000000 35.714286
13 25.000000 35.714286
3.3
x3
0.000000
37.142188
41.480925
42.914285
..
.
x4
0.000000
30.151602
35.905571
35.968342
..
.
x5
0.000000
26.149503
25.355629
25.167386
..
.
42.857145
42.857143
42.857143
35.714287
35.714286
35.714286
25.000000
25.000000
25.000000
Ostale metode
Pored prethodno opisanih metoda, postoji jo niz metoda koje se koriste za

rjeavanje sistema linearnih jednaina. Naroito mjesto zauzimaju tzv. nestacionarne metode. One su izuzetno efikasne, ali im je primjena i razumijevanje
neto kompliciranija. Najpoznatije metode u ovoj grupi su metoda konjugovanih gradijenata, koja se koristi za simetrine matrice sistema, te metoda
bikonjugovanih gradijenata, za asimetrine matrice sistema. Vie o ovim metodama moe se nai u literaturi [5, 6, 10]
70
3.4
Pitanja i zadaci
1. Koje su osnovne razlike izmeu direktnih i iterativnih metoda, koje se

koriste za rjeavanje sistema linearnih algebarskih jednaina?
2. Objasniti Gaussovu metodu eliminacije!
3. Objasniti postupke zamjene redova i skaliranja! Iz kojih razloga se koriste
ovi postupci?
4. Objasniti Gauss-Jordanovu metodu eliminacije!
5. Na koji nain se koristei Gauss-Jordanovu metodu eliminacije moe odrediti inverzna matrica?
6. Objasniti matrinu metodu!
7. Objasniti koncept metode faktorizacije! Koje metode faktorizacije razlikujemo?
8. Koji su nedostaci direktnih metoda?
9. Objasniti utjecaj greke zaokruivanja na numeriki algoritam koji se koristi za rjeavanje sistema linearnih algebarskih jednaina pomou direktnih metoda!
10. Objasniti pojam podeenosti matrice sistema!
11. Objasniti koncept koritenja iterativnih metoda!
12. Objasniti Jacobijevu metodu!
13. Objasniti Gauss-Seidelovu metodu!
14. Objasniti metode relaksacije!
15. U nekom programskom jeziku, napisati program za rjeavanje sistema
linearnih algebarskih jednaina koristei:
a)
b)
c)
d)
e)
Gaussovu metode eliminacije,

Gauss-Jordanovu metodu,
Jacobijevu metodu,
Gauss-Seidelovu metodu,
metode relaksacije.
16. Sljedee sisteme jednaina rijeiti
Pitanja i zadaci
71
a) Gaussovom metodom eliminacije,

b) Gauss-Jordanovom metodom,
c) matrinom metodom, odnosno metodom Doolittlea,
d) metodom relaksacije.
I)
2x1 + 3x2 + x3 = 9
3x1 + 4x2 5x3 = 0
x1 2x2 + x3 = 4
II)
x1 + 3x2 + 2x3 x4
4x1 + 2x2 + 5x3 + x4
3x1 3x2 + 2x3 + 4x4
x1 + 2x2 3x3 + 5x4
=
=
=
=
9
27
19
14
III)
1 2 1
x1
1
2
1 2 x2 = 3
1
1 3
x3
8
IV)
2 2
2
1
x1
2 4
1
3 x2
1
3 4
2 x3
2
4
3 2
x4
7
10
=
14
1
17. Sljedee sisteme jednaina rijeiti Jacobijevom i Gauss-Seidelovom iterativnom metodom:

a)
2
1
0
0
1
2
1
0
0
1
2
1
0
x1
x2
0
1 x3
x4
2
4
8
=
12
11
72
b)
3
2
0
0
2
3
2
0
0
2
3
2
0
x1
x2
0
2 x3
3
x4
12
17
=
14
7
c)
1
2
=
7
1
x1
2
1
0
0
1 2
1
0 x2
0
1 2
1 x3
x4
0
0
1 2
d)
2 1
0
0
x1
1
2 1
0 x2
0 1
2 1 x3
x4
0
0 1
2
5
1
=
0
8
18. Primjere iz zadatka 17 rijeiti metodom relaksacije s = 1.08!

19. Nai optimalnu vrijednost faktora relaksacije za primjer 3.12. Rezultat
predstaviti grafiki - kao koordinatne ose koristiti broj iteracija i vrijednost . U tu svrhu napisati program u nekom od programskih jezika, ili
komercijalnih softvera.
Poglavlje 4
Interpolacija i aproksimacija
funkcija
U mnogim inenjerskim problemima, podaci koji se posmatraju su poznati
samo za niz diskretnih taaka, a ne kao neprekidna funkcija, odnosno za takve
podatke nemamo analitiki izraz kojim moemo da odredimo vrijednost f (x).
Drugim rijeima, moe se desiti da je funkcija
y = f (x)
(4.1)
poznata samo u n diskretnih vrijednosti x (npr. zadata tabelarno):

yi = y(xi )
(i = 1, 2, . . . , n)
(4.2)
Ovaj sluaj se esto javlja u praksi prilikom mjerenja raznih fizikalnih veliina,
kao na primjer kod krive optereenje-pomjeranje, napon-naprezanje, itd.
Meutim, vrijednosti funkcije u datim takama nisu uvijek ono to nama
treba, nego nam ponekad trebaju i vrijednosti u nekim drugim takama. Takoer, mogu nam trebati i derivacije takve funkcije, ili njen integral. S druge
strane, funkcija f (x), zadata analitikim izrazom, moe imati vrlo komplikovan oblik za raunanje njenih vrijednosti, derivacija ili njenog integrala, to
oteava njenu upotrebu u takvom obliku. U ovakvim sluajevima se esto
zahtijeva aproksimacija funkcije f (x) nekom jednostavnijom, tzv. aproksimacionom funkcijom, (x).
Funkcija (x) se bira prema prirodi modela, ali tako da bude relativno jednostavna za raunanje. Ona obino zavisi od parametara ak , k = 0, 1, . . . , m,
koje treba odrediti prema nekom kriterijumu, tj.
(x) = (x; a0 , a1 , . . . , am )
(4.3)
74
4 Interpolacija i aproksimacija funkcija
Dakle, problem aproksimacije funkcije f (x) funkcijom (x) se svodi na izbor

oblika funkcije (x) i odreivanje parametara ak , k = 0, 1, . . . , m, po nekom
kriterijumu.
Za funkciju (x) zapisanu u obliku (4.3) kaemo da ima opti oblik aproksimacione funkcije ili tzv. generalisani polinom. Postoji veliki broj funkcija
koje se mogu koristiti kao aproksimacione, ali se sve (grubo) mogu podijeliti
na linearne i nelinearne. Najee koritene linearne aproksimacione funkcije
su algebarski polinomi, trigonometrijski polinomi, te tzv. polinomi po dijelovima (linearni, kubni, splajn funkcije, itd.), dok su eksponencijalne i racionalne
aproksimacije oblici nelinearnih aproksimacionih funkcija.
Za odreivanje aproksimacionih funkcija, postoje dva fundamentalno razliita pristupa:
1. interpolacija, i
2. aproksimacija.
Kod interpolacije se zahtijeva da se vrijednosti funkcija f i podudaraju na
nekom konanom skupu argumenata, odnosno taaka (vidi sliku 4.1a). Drugim
rijeima, funkcije f i se podudaraju u svim takama u kojima je poznata
funkcija f . Pri tome se u tim takama mogu, ali i ne moraju, poklapati vrijednosti nekih derivacija. Nasuprot tome, aproksimacijom se dolazi do funkcija
koje aproksimiraju grupu podataka na najbolji mogui nain, bez obaveze da
aproksimaciona kriva tano proe kroz sve zadate take (slika 4.1b).
a)
b)
y
Diskretne take
Diskretne take
Slika 4.1: Priblino predstavljanje podataka funkcijama: a) interpolacija, b)

aproksimacija
Interpolacija polinomima
4.1
75
Interpolacija polinomom predstavlja odreivanje funkcije , koja za polinom

n-tog reda ima sljedei oblik:
(x) = Pn (x) = a0 + a1 x + a2 x2 + . . . + an xn
(4.4)
gdje n predstavlja red polinoma, a ai (i = 0, 1, . . . , n) su konstantni koeficijenti. Za proces interpolacije pomou polinoma veoma su bitne sljedee dvije
teoreme:
Weierstrassov aproksimacioni polinom: Ako je funkcija f (x) neprekidna
na intervalu [a, b], tada za svako proizvoljno malo > 0 postoji polinom
Pn (x), kod kojeg vrijednost n zavisi od vrijednosti , tako da za svako x
u intervalu [a, b] vrijedi
|Pn (x) f (x)| <
Teorem o jedinstvenosti rjeenja: Polinom n-tog reda koji prolazi kroz
tano (n + 1) razliitih diskretnih taaka je jedinstven.
Dakle, bilo koja funkcija se moe interpolirati do eljene ili traene tanosti
polinomom dovoljno velikog reda. U narednim poglavljima date su neke od
metoda koje se koriste za izraunavanje koeficijenata interpolacionih polinoma.
4.1.1
Direktna metoda
Neka je dato (n + 1) taaka [x0 , f (x0 )], [x1 , f (x1 )], . . . ,[xn , f (xn )], koje moemo pisati i u obliku (x0 , y0 ), (x1 , y1 ), . . . ,(xn , yn ), pri emu razmak izmeu
pojedinih taaka (u odnosu na vrijednost x) moe biti jednak ili nejednak.
Problem se svodi na odreivanje jedinstvenog polinoma n-tog reda, datog izrazom (4.4), koji prolazi kroz sve date take. Uvrtavajui svaki podatak u
(4.4) dobiva se sistem od (n + 1) jednaina sa (n + 1) nepoznatih koeficijenata
ai (i = 0, 1, . . . , n), tj.:
y0 = a0 + a1 x0 + a2 x20 + . . . + an xn0
y1 = a0 + a1 x1 + a2 x21 + . . . + an xn1
y2 = a0 + a1 x2 + a2 x22 + . . . + an xn2
.....................
yn = a0 + a1 xn + a2 x2n + . . . + an xnn
(4.5)
76
Determinanta sistema
1 x0 x20 . . .
1 x1 x21 . . .
1 x2 x22 . . .
. .
.. . .
.. ..
.
.
1 x x2 . . .
n
n
jednaka je:
xn0
xn1
xn2
..
.
xnn
(4.6)
i naziva se Vandermondeova determinanta. Moe se pokazati da je vrijednost

determinante razliita od nule ako su xi (i = 0, 1, . . . , n) meusobno razliiti [7]. Prema tome, sistem (4.5) ima jedinstveno rjeenje, tj. postoji tano
jedan polinom Pn stepena ne veeg od n koji prolazi kroz svih (n + 1) taaka.
Dati sistem jednaina moe se rijeiti nekom od metoda koje su objanjene u
poglavlju 3.
Primjer 4.1
Primjenu procesa interpolacije pomou direktne metode prikazati na primjeru
funkcije f (x) = 1/x, koristei podatake u tabeli 4.1. Interpolirati vrijednost
za x = 3.44, koristei linearnu, kvadratnu i kubnu interpolacionu formulu.
x
3.35
3.40
f (x) 0.298507 0.294118
3.50
0.285714
3.60
0.277778
Rjeenje
Tana vrijednost funkcije u datoj taki je:
1
= 0.290698
3.44
Interpolacione vrijednosti se dobivaju kako slijedi:
f (3.44) =
(4.7)
U sluaju linearne aproksimacije traimo polinom oblika:

P1 (x) = a + bx
(4.8)
Uzimamo dvije take (drugu i treu, jer se zadata taka nalazi izmeu
njih), tj. x0 = 3.40 i x1 = 3.50, pa se prema (4.5) dobiva sljedei sistem
jednaina:
0.294118 = a + b(3.40)
0.285714 = a + b(3.50)
(4.9)
77
Sistem jednaina (4.9) ima rjeenje a = 0.579854 i b = 0.08404, to

dovodi do polinoma:
P1 (x) = 0.579854 0.08404x
(4.10)
Uvrtavajui vrijednost x = 3.44 u prethodni polinom dobivamo:

P1 (3.44) = 0.579854 0.08404 3.44 = 0.290756
(4.11)
Za kvadratnu interpolaciju imamo oblik polinoma drugog reda:

P2 (x) = a + bx + cx2
(4.12)
i uzimamo tri take iz tabele 4.1, na primjer, x0 = 3.35, x1 = 3.4, x2 =

3.5. Ako polinom (4.12) primijenimo na svaku od datih taaka, dobivamo
sljedei sistem jednaina:
0.298507 = a + b(3.35) + c(3.35)2
0.294118 = a + b(3.40) + c(3.40)2
(4.13)
0.285714 = a + b(3.50) + c(3.50)2

Sistem jednaina (4.13) se moe rijeiti nekom od metoda pokazanih u
prethodnom poglavlju (npr. Gaussova metoda eliminacije), tako da se
dobiva sljedei polinom:
P2 (x) = 0.876561 0.256080x + 0.0249333x2
(4.14)
Uvrtavajui vrijednost x = 3.44 u prethodni polinom dobivamo:

P2 (3.44) = 0.876561 0.256080 3.44 + 0.0249333 3.442
= 0.290697
(4.15)
U sluaju kubnog interpolacionog polinoma (polinom treeg reda), neophodne su nam sve etiri zadate take, pa se dobiva sljedei sistem jednaina:
0.298507 = a + b(3.35) + c(3.35)2 + d(3.35)3
0.294118 = a + b(3.40) + c(3.40)2 + d(3.40)3
0.285714 = a + b(3.50) + c(3.50)2 + d(3.50)3
(4.16)
0.277778 = a + b(3.60) + c(3.60)2 + d(3.60)3

sa konanim rjeenjem u obliku kubnog polinoma:
P3 (x) = 1.121066 0.470839x + 0.0878x2 0.00613333x3
(4.17)
78
odnosno, uvrtavajui vrijednost x = 3.44

P3 (3.44) = 0.290698
(4.18)
Poredei dobivene rezultate s tanim rjeenjem dobivaju se sljedee veliine

greaka:
P (3.44) =0.290756
=0.290697
=0.290698
linearni
kvadratni
kubni
Greka = 0.000058
=0.000001
= 0.000000
ime se pokazuje prednost koritenja polinoma vieg reda za ovaj konkretan

primjer.
4.1.2
Lagrangeov interpolacioni polinom
Kao to se moglo vidjeti u prethodnom dijelu, direktna metoda je veoma jednostavna po svom principu. Meutim, ona ima i mnogo loih osobina, meu
kojima prednjai znatno vrijeme koje je potrebno za odreivanje koeficijenata
polinoma. Osim toga, za polinome vieg reda (n > 4) sistem jednaina moe
biti slabo podeen, to moe da uzrokuje veliku greku u procjeni koeficijenata
interpolacionog polinoma.
Alternativa direktnoj metodi je upotreba Lagrangeovih interpolacionih polinoma. Ovaj postupak se, takoer, moe koristiti za interpolaciju podataka s
jednakim i nejednakim razmacima izmeu taaka. Posmatrajmo, na primjer,
sluaj s dva podatka [a, f (a)] i [b, f (b)]. Linearni Lagrangeov polinom koji
tano prolazi kroz obje take dat je izrazom:
P1 (x) =
(x b)
(x a)
f (a) +
f (b)
(a b)
(b a)
(4.19)
to je lako pokazati. U sluaju tri zadate take, [a, f (a)], [b, f (b)] i [c, f (c)],
polinom ima oblik:
(x b)(x c)
(x a)(x c)
f (a) +
f (b)
(a b)(a c)
(b a)(b c)
(x a)(x b)
f (c)
+
(c a)(c b)
P2 (x) =
(4.20)
Slino prethodnom sluaju, lako je pokazati da dobiveni polinom prolazi kroz

sve tri zadate take.
79
Openito, gore sprovedena procedura moe se primijeniti za bilo koji skup

od (n + 1) taaka, koji e dati polinom n-tog reda. U tom sluaju, za (n + 1)
taku [x0 , f (x0 )], [x1 , f (x1 )], . . . , [xn , f (xn )], imamo:
(x x1 )(x x2 ) . . . (x xn )
f (x0 )
(x0 x1 )(x0 x2 ) . . . (x0 xn )
(x x0 )(x x2 ) . . . (x xn )
+
f (x1 )
(x1 x0 )(x1 x2 ) . . . (x1 xn )
(x x0 )(x x1 ) . . . (x xn1 )
+ ... +
f (xn )
(xn x0 )(xn x1 ) . . . (xn xn1 )
Pn (x) =
(4.21)
ili u neto drugaijem obliku:

Pn (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + . . . + Ln (x)f (xn )
n
X
=
Lk (x)f (xk )
(4.22)
k=0
gdje
(x x0 ) . . . (x xk1 )(x xk+1 ) . . . (x xn )
(xk x0 ) . . . (xk xk1 )(xk xk+1 ) . . . (xk xn )
n
Y
x xi
=
(k = 0, 1, . . . , n)
x xi
i=0 k
Lk (x) =
(4.23)
i6=k
predstavljaju tzv. Lagrangeove polinome.

Vidi se da za odreivanje Lagrangeovog interpolacionog polinoma nema potrebe za rjeavanjem sistema jednaina, ali je, ipak, neophodno znatno raunarsko vrijeme za dobivanje njegovih koeficijenata. Nain odreivanja Lagrangeovog interpolacionog polinoma je znatno drugaiji od onog dobivenog
direktnom metodom, ali po teoremu jedinstvenosti rjeenja, obje metode daju
isto rjeenje.
Slino direktnoj metodi, i ova metoda ima jednostavnu primjenu. Ipak, za
vei broj taaka, odnosno polinome vieg reda, potrebno je znatno vrijeme za
raunanje koeficijenata polinoma, pa se u tu svrhu koriste specijalni algoritmi,
kao Nevillov algoritam i razlika dividendi, koji se mogu nai u literaturi [5,10].
Primjer 4.2
Primjer 4.1 rijeiti pomou Lagrangeovog interpolacionog polinoma koristei
linearnu, kvadratnu i kubnu interpolaciju.
80
Rjeenje
Najprije emo odrediti interpolacioni polinom prvog reda, koristei drugu i
treu taku iz tabele 4.1. Prema izrazu (4.19) imamo:
(x 3.50)
(x 3.40)
0.294118 +
0.285714
(3.40 3.50)
(3.50 3.40)
= 0.579854 0.08404x
P1 (x) =
(4.24)
Za polinom drugog reda, koristimo prve tri take iz tabele 4.1 i izraz (4.20),
pa je:
(x 3.40)(x 3.50)
0.298507
(3.35 3.40)(3.35 3.50)
(x 3.35)(x 3.50)
+
0.294118
(3.40 3.35)(3.40 3.50)
(x 3.35)(x 3.40)
+
0.285714
(3.50 3.35)(3.50 3.40)
= 0.876561 0.256080x + 0.0249333x2
P2 (x) =
(4.25)
Za dobivanje polinoma treeg reda koristimo optu formulu (4.22), pri emu
je n = 3. U tu svrhu, koriste se sve etiri take iz tabele 4.1. Moe se pokazati
da je konano rjeenje:
P3 (x) = 1.121066 0.470839x + 0.0878x2 0.00613333x3
(4.26)
Vidi se da su sva rjeenja jednaka onim dobivenim u primjeru 4.1, to se i

moglo oekivati s obzirom na teorem jedinstvenosti polinoma.
4.1.3
Newtonovi interpolacioni polinomi
Jedan od oblika polinoma n-tog reda koji prolazi kroz (n + 1) taaka (xi , fi ),
i = 0, 1, . . . , n, je i:

s
s
s
2
n f0
(4.27)
f0 + . . . +
f0 +
Pn (x) = f0 +
n
2
1
gdje je parametar s, tzv. interpolaciona promjenljiva, dat izrazom:
s=
x x0
h
ime je
x = x0 + sh
(4.28)
81
h = xi+1 xi korak, a razlike f0 , 2 f0 , . . . , su date izrazima:

f0 = f1 f0
2 f0 = f1 f0 = f2 2f1 + f0
......

n
X
n
n1
n1
i+n n
f0 = f1 f0 =
(1)
fi
i
i=0
(4.29)
Ove razlike se mogu dobiti i pomou tzv. tabele podijeljenih razlika. Jedna
takva tabela za etiri vrijednosti funkcije data je na slici 4.2, pri emu vrijednost svakog lana tabele s predznakom predstavlja razliku dvije najblie
vrijednosti s lijeve strane, kao to je to dato i izrazima (4.29).
xi
fi
x0
f0
fi
2 f i
3 fi
f0
x1
2 f0
f1
3 f 0
f1
x2
2 f1
f2
f2
x3
f3
Slika 4.2: Tabela podijeljenih razlika
Polinom predstavljen jednainom (4.27) naziva se prvi Newtonov interpolacioni polinom, ili Newtonov interpolacioni polinom za diferenciranje unaprijed.
Ovaj polinom uopte ne lii ni na jedan od polinoma koji su dati u poglavlju o
aproksimacionim funkcijama, ali ipak ima osobinu da prolazi kroz svih (n + 1)
zadatih taaka. Imajui u vidu teorem o jedinstvenosti rjeenja, on predstavlja
eljeni jedinstveni aproksimacioni polinom.
Primjer 4.3
Koristei prvi Newtonov interpolacioni polinom izraunati vrijednost funkcije
f (x) = 1/x u taki za x = 3.44. U tu svrhu koristiti tabelu podijeljenih razlika
datu na slici 4.3.
82

xi
fi
3.1
0.322581
fi
2 fi
3 f i
4 f i
-0.010081
3.2
0.312500
0.000611
-0.009470
3.3
0.303030
-0.000053
0.000558
-0.008912
3.4
0.294118
-0.000050
0.000508
-0.008404
3.5
0.285714
0.000468
0.277778
0.000428
0.270270
0.000008
-0.000032
0.000396
-0.007112
3.8
0.000000
-0.000040
-0.007508
3.7
0.000010
-0.000040
-0.007936
3.6
0.000003
0.263158
0.000000
-0.000032
0.000364
-0.006748
3.9
0.256410
Slika 4.3: Tabela podijeljenih razlika za primjer 4.3
Rjeenje
Prema podacima na slici 4.3, imamo da je x0 = 3.40, te h = xi+1 xi = 0.1,
pa je:
s=
x x0
3.44 3.40
=
= 0.4
h
0.1
(4.30)
Iz izraza (4.27) se direktno dobiva:

P (3.44) = f (3.4) + sf (3.4) +
s(s 1) 2
f (3.4)
2!
s(s 1)(s 2) 3
+
f (3.4) + . . .
3!
(4.31)
83
te uvodei brojne vrijednosti u (4.31):

P (3.44) = 0.294118 + 0.4(0.008404)
0.4(0.4 1)
+
(0.000468)
2
0.4(0.4 1)(0.4 2)
+
(0.000040) + . . .
3!
(4.32)
Uzimajui u obzir samo prva dva lana dobiva se linearna interpolacija. Dodavajui i trei lan dobiva se kvadratna, a uzmajui u obzir prva etiri lana polinoma u izrazu (4.32) dobiva se kubna interpolacija, pa su vrijednosti funkcije
za zadatu taku i odgovarajua greka (uz tano rjeenje f (3.44) = 0.290698):
P (3.44) =0.290756
=0.290700
=0.290698
linearni
kvadratni
kubni
Greka =0.000058
=0.000002
=0.000000
Rjeenje za linearnu i kubnu interpolaciju je potpuno isto kao i u primjerima

4.1 i 4.2, dok je u sluaju kvadratne aproksimacije rezultat neto drugaiji,
s obzirom da u razmatranje nisu uzete iste take. No, i ovdje se vidi da se
poveanjem reda polinoma znatno poveava tanost.
U prethodnom primjeru smo kao poetnu taku uzeli taku x0 = 3.4, tako
da traena vrijednost x = 3.44 pada u posmatrani opseg i imamo proces interpolacije (na primjer, za linearni polinom vrijedi x = 3.44 (3.4, 3.5)). Ako,
pak, elimo izraunati vrijednost funkcije za x = 3.44, ali kao poetnu taku uzmemo x0 = 3.1, onda za linearnu, kvadratnu i kubnu interpolaciju (uzimajui
redom potrebne take sa slike 4.3), traena vrijednost ne pripada posmatranim intervalima, pa imamo ekstrapolaciju. U tom sluaju, za x0 = 3.1, imamo
s = 3.4 i dobiva se:
P (3.44) =0.288306
=0.290798
=0.290698
linearni
kvadratni
kubni
Greka =0.002392
= 0.000100
= 0.000000
Vidimo da je greka za linearnu i kvadratnu ekstrapolaciju znatno vea nego

za sluaj interpolacije u prethodna dva primjera, dok kubna dovodi do greke
interpolacionog polinoma.
Prvi Newtonov interpolacioni polinom se koristi za interpolaciju podataka
koji se nalaze s poetka ili u sredini zadate grupe podataka. U sluaju kada je
84
neophodno interpolirati vrijednosti podataka koji su dati na kraju grupe (na

primjer za vrijednost x0 = 3.85 u prethodnom primjeru), neophodne razlike
unaprijed ne postoje, pa se koristi tzv. drugi Newtonov interpolacioni polinom
ili Newtonov interpolacioni polinom za diferenciranje unazad. Drugi Newtonov
interpolacioni polinom dat je izrazom:
+
+
+
s
s
s
2
Pn (x) = f0 +
f0 +
f0 + . . . +
n f0
(4.33)
1
2
n
pri emu je:
+
s(s + 1)(s + 2) (s + [i 1])
s
=
i
i!
(4.34)
a ostale oznake su kao u prethodnom sluaju.

Primjer 4.4
Koristei drugi Newtonov interpolacioni polinom izraunati vrijednost funkcije
f (x) = 1/x u taki za x = 3.44 (tano rjeenje je x = 0.290698 . . .). Kao
poetnu vrijednost uzeti x0 = 3.5.
Rjeenje
Prema podacima na slici 4.3, h = 0.1 i uz x0 = 3.5, imamo:
s=
x x0
3.44 3.50
=
= 0.6
h
0.1
(4.35)
Iz izraza (4.33) se direktno dobiva:

P (3.44) = f (3.5) + sf (3.5) +
s(s + 1) 2
f (3.5)
2!
s(s + 1)(s + 2) 3
+
f (3.5) + . . .
3!
(4.36)
te uvodei brojne vrijednosti u (4.36):

P (3.44) = 0.285714 + (0.6)(0.008404)
(0.6)(0.6 + 1)
(0.000508)
+
2
(0.6)(0.6 + 1)(0.4 + 2)
+
(0.000050) + . . .
3!
(4.37)
Aproksimacija funkcija
85
Slino koritenju izraza (4.32) vrijednosti funkcije za zadatu taku i odgovarajue greke za sva tri sluaja su:
P (3.44) =0.290756
=0.290695
=0.290698
4.1.4
linearni
kvadratni
kubni
Greka = 0.000058
=0.000003
= 0.000000
Greka interpolacije
Kao to je poznato, interpolacioni polinom se s datom funkcijom poklapa u

svim vornim takama. Meutim, to ne znai da se i vrijednosti funkcije izmeu vornih taaka dobro poklapaju s interpolacionim polinomom. Razlika
izmeu vrijednosti polinoma i funkcije, koju dati polinom interpolira, predstavlja greku interpolacije. Moe se pokazati da je ova greka interpolacije, Rn (x),
za neku neprekidnu i diferencijabilnu funkciju do reda (n+1) na intervalu [a, b]
data izrazom:
f (n+1) ()
Rn (x) = f (x) Pn (x) = (x)
(4.38)
(n + 1)!
gdje je:
(x) =
n
Y
(x xi )
(a, b)
(4.39)
i=0
Formula (4.38) ima ogranienu praktinu vrijednost, s obzirom da se rijetko

poznaje f (n+1) , a gotovo nikada . Ipak, formula ima teoretsku vrijednost u
procjeni greke kod numerikog diferenciranja i integriranja.
4.2
Posmatrajmo, na primjer, grupu od N diskretnih taaka [xi , Y (xi )] = (xi , Yi ),

i = 1, 2, . . . , N i aproksimacioni polinom y(x) koji je izabran da predstavi ove
podatke, kao to je prikazano na slici 4.4. Pri tome, diskretne take mogu,
ali i ne moraju da lee na krivoj y(x). Osnovna ideja odreivanja aproksimacione funkcije zasniva se na minimiziranju devijacija (razmaka) taaka od
aproksimacionog polinoma. Pri tome, moe se pretpostaviti da su vrijednosti
nezavisne promjenljive xi tane, a da devijacija zavisi od zavisno promjenljive
Yi . Tada je devijacija ei razlika izmeu Yi i yi = f (xi ), tj.
ei = Yi yi
(4.40)
86
y(x)
Yi(xi)
ei
Yi
y(x)
Diskretne take
xi
Slika 4.4: Grafika interpretacija aproksimacije
Proces minimiziranja se moe izvriti na razliite naine, ali se u tu svrhu

najee koristi metoda najmanjih kvadrata.
4.2.1
Metoda najmanjih kvadrata
Metoda najmanjih kvadrata zasniva se na minimiziranju zbira kvadrata razlika

ei = Yi yi , tj. na minimiziranju funkcije S, koja je data izrazom:
N
N
X
X
2
S=
(ei ) =
(Yi yi )2
i=1
(4.41)
i=1
Pri tome, aproksimaciona funkcija y(x) moe biti linearna ili nelinearna (pri
tome se naziv linearan odnosi na linearnost po parametrima, a ne nezavisnim
veliinama). Primjer linearne funkcije je polinom n-tog reda.
Aproksimacija polinomom
Neka je dato N taaka (xi , Yi ), i = 1, 2, . . . , N , koje treba aproksimirati polinomom n-tog reda:
y = a0 + a1 x + a2 x2 + . . . + an xn
(4.42)
87
Zbir kvadrata devijacija prema izrazu (4.41) je:

N
N
X
X
2
S(a0 , a1 , a2 , . . . , an ) =
(ei ) =
(Yi yi )2
i=1
i=1
N
X
=
(Yi a0 a1 xi . . . an xni )2
(4.43)
i=1
Potreban uslov za postojanje ekstrema (time i minimuma) ove funkcije s vie

nepoznatih je:
N
X
S
=
2(Yi a0 a1 xi . . .an xni )(xki ) = 0
ak
i=1
(k = 0, 1, . . . , n) (4.44)
Na taj nain se dobiva sistem od (n + 1) linearnih jednaina koji nakon preureivanja ima oblik:
a0 N + a1
N
X
xi + . . . + a n
i=1
a0
N
X
xi + a1
i=1
N
X
xni =
i=1
N
X
x2i
+ . . . + an
N
X
Yi
i=1
N
X
i=1
xn+1
i
i=1
N
X
xi Yi
i=1
(4.45)
..............................
a0
N
X
xni
+ a1
i=1
N
X
xn+1
i
+ . . . + an
i=1
N
X
i=1
x2n
i
N
X
xni Yi
i=1
Sistem jednaina (4.45) moe se rijeiti nekom od metoda za rjeavanje sistema

linearnih algebarskih jednaina.
Na osnovu izraza (4.45), lako je pokazati da se u sluaju aproksimacije
linearnom funkcijom y = a + bx dobiva sljedei sistem jednaina:
aN + b
N
X
xi =
i=1
N
X
i=1
xi + b
N
X
Yi
i=1
N
X
i=1
x2i =
N
X
(4.46)
xi Yi
i=1
koji se vrlo lako moe rijeiti. Aproksimacija polinomom prvog reda se najee koristi u praksi. Pri koritenju polinoma vieg reda mogu se pojaviti problemi, jer sistem jednaina (4.45) moe biti slabo podeen. Ipak, skaliranjem
88
jednaina i koritenjem dvostruke preciznosti ovi problemi se mogu prevazii.

Polinomi do 6-tog reda obino daju vrlo dobre rezultate, dok vrijednosti za
n od 6 do 10 mogu, ali i ne moraju dovesti do dobrih rezultata. Vrijednosti
n > 10 openito vode loim rezultatima. Slaba podeenost sistema jednaina
moe se prevazii koritenjem nekih drugih oblika linearne aproksimacije, kao
to su, na primjer, ebievljevi polinomi i mogu se nai u literaturi (npr. [6,7]).
Primjer 4.5
U tabeli 4.2 date su vrijednosti specifine toplote zraka pri konstantnom pritisku, Cp , za visoke temperature, u zavisnosti od temperature zraka, T . Koristei metodu najmanjih kvadrata potrebno je odrediti aproksimacioni polinom
drugog reda koji je dat u obliku:
Cp = a + bT + cT 2
(4.47)

T, K
Cp , kJ/kg K
Cp , kJ/kg K
Rel. greka, %
1000
1.1410
1.1427
0.15
1500
1.2095
1.2059
0.29
2000
1.2520
1.2522
0.02
2500
1.2782
1.2815
0.26
3000
1.2955
1.2938
0.13
Rjeenje
Koristei izraze (4.45) za n = 3 dobiva se sljedei sistem jednaina:
5a + b
5
X
Ti + c
i=1
a
a
5
X
i=1
5
X
i=1
Ti + b
5
X
Ti =
5
X
i=1
5
X
Ti + c
i=1
5
X
Ti 2 + b
i=1
Cp,i
i=1
5
X
Ti =
i=1
5
X
Ti 3 + c
i=1
5
X
Ti 4 =
Ti Cp,i
i=1
5
X
i=1
Ti 2 Cp,i
(4.48)
89
koji nakon uvrtavanja vrijednosti iz tabele ima oblik:

5a + 10 103 b + 22.5 106 c = 6.1762
10 103 a + 22.5 106 b + 55 109 c = 12.5413 103
6
12
(4.49)
6
22.5 10 a + 55 10 b + 142.125 10 c = 288.5186 10
Koristei neku od metoda za rjeavanje sistema linearnih jednaina dobiva se:

Cp = 0.965460 + 0.211197 103 T 0.0339143 106 T 2
(4.50)
U tabeli 4.2 date su i vrijednosti dobivene izrazom (4.50), Cp , te relativne

greke aproksimacije, dok je na slici 4.5 dat grafiki prikaz podataka i aproksimacione funkcije. Vidi se da dobijeni aproksimacioni polinom dobro aproksimira date vrijednosti specifine toplote zraka pri konstantom pritisku u zavisnosti od temperature zraka.
1.4
1.35
Cp, kJ/kg K
1.3
1.25
1.2
1.15
1.1
aproksimaciona funkcija
podaci iz tabele
1.05
1
750
1000 1250 1500 1750 2000 2250 2500 2750 3000 3250
Temperatura, K
Slika 4.5: Zavisnost specifine toplote od temperature - uz primjer 4.5
Nelinearna aproksimacija
U mnogim inenjerskim problemima fizikalne osobine nekih procesa navode nas

na koritenje drugih oblika aproksimacionih funkcija, kao to su na primjer logaritamske, eksponencijalne, i sl. U tim sluajevima, metoda najmanjih kvadrata vodi do sistema jednaina koji je nelinearan, pa je traenje koeficijenata
90
takvih funkcija oteano. Ipak, ponekad je nelinearni aproksimacioni problem

mogue svesti na linearan koristei pogodne smjene.
Posmatrajmo stepenu funkciju koja se esto koristi za opisivanje fizikalnih
procesa:
y = axb
(4.51)
Logaritmiranjem gornjeg izraza dobiva se:

ln y = ln a + b ln x
(4.52)
i uvoenjem smjena Y = ln y, A = ln a, X = ln x i B = b, problem se svodi na

aproksimaciju polinomom prvog reda:
Y = A + Bx
(4.53)
Pored prethodne, esto se koristi i eksponencijalna funkcija (na primjer,

kriva napon-naprezanje za nelinearne materijale):
y = aebx
(4.54)
koja se moe nakon logaritmiranja svesti na oblik linearne funkcije:

ln y = ln a + bx Y = A + Bx
(4.55)
Postoji i niz drugih funkcija koje se mogu koristiti u ovu svrhu. Koja od
njih je najpodesnija, zavisi od prirode fizikalnog procesa koji se opisuje. U tu
svrhu nam moe pomoi i grafiko predstavljanje podataka u Descartesovom
ili nekom specijalnom koordinatnom sistemu (logaritamski, polulogaritamski,
itd.).
Primjer 4.6
Podatke date u tabeli 4.3 aproksimirati pomou nelinearne relacije date jednainom:
y = aebx

x
0
1
y
3
6
Y = ln(y) 1.098612 1.791759
(4.56)
2
12
2.484907
3
24
3.178053
4
48
3.871201
Pitanja i zadaci
91
Rjeenje
Prema izrazu (4.55), trebamo prvo odrediti ln y (dato u tabeli 4.3), a onda
problem svesti na odreivanje aproksimacione funkcije Y = A + Bx, pri emu
je Y = ln y, A = ln a i B = b. Na taj nain dobivamo sistem jednaina:
5A + B
5
X
xi =
i=1
5
X
i=1
xi + B
5
X
Yi
i=1
5
X
xi =
5
X
i=1
(4.57)
xi Yi
i=1
koji nakon uvrtavanja vrijednosti iz tabele ima oblik:

8A + 10B = 12.424533
10A + 30B = 31.780538
(4.58)
Koristei neku od metoda za rjeavanje sistema linearnih jednaina dobiva se:

Y = A + Bx = 1.09861 + 0.69315x
(4.59)
odnosno, koristei smjene:

y = aebx = eA eBx = e1.09861 e0.69315x = 3e0.69315x
(4.60)
Posljednja jednakost se moe predstaviti i u obliku:

y = 3e0.69315x = 3(e0.69315 )x = 3 2x
4.3
(4.61)
Pitanja i zadaci
1. Objasniti razliku izmeu aproksimacije i interpolacije!

2. Navesti metode interpolacije!
3. Objasniti prednosti i mane direktne metode za interpolaciju funkcija!
4. Objasniti Lagrangeov interpolacioni polinom. Navesti njegove prednosti
i mane!
5. Objasniti upotrebu Newtonovih interpolacionih polinoma za interpolaciju
funkcija!
92
6. Navesti metode koje se koriste za aproksimaciju funkcija!

7. Objasniti metodu najmanjih kvadrata!
8. Objasniti metodu najmanjih kvadrata koritenjem linearne aproksimacije!
9. Objasniti metodu najmanjih kvadrata koritenjem nelinearne aproksimacije!
10. Tabela 4.4 daje zavisnost specifine toplote zraka pri konstantnom pritisku, Cp i entalpije, h, od temperature, T .
Tabela 4.4: Uz zadatak 10
T, K
Cp , kJ/kg K
h, kJ/kg
T, K
Cp , kJ/kg K
h, kJ/kg
1000
1.1410
1047.248
1400
1.1982
1515.792
1100
1.1573
1162.174
1500
1.2095
1636.188
1200
1.1722
1278.663
1600
1.2197
1757.657
1300
1.1858
1396.578
Koristei direktnu metodu, nai:

a) vrijednost Cp (1120) koristei dvije take,
b) vrijednost Cp (1120) koristei tri take,
c) vrijednost Cp (1480) koristei dvije take,
d) vrijednost Cp (1480) koristei tri take.
Kao poetnu taku koristiti onu koja je najblia traenoj vrijednosti.
11. Zadatak 10 rijeiti za h(T ) umjesto Cp (T )!
12. Zadatke 10 i 11 rijeiti koristei Lagrangeov interpolacioni polinom!
13. Zadatke 10 i 11 rijeiti koritenjem prvog Newtonovog interpolacionog
polinoma!
14. Koristei podatke za specifinu toplotu zraka pri konstantnom pritisku,
Cp , iz tabele 4.4 za 1000 T 1400, nai najbolju aproksimaciju polinomom prvog reda. Dati greku za svaki tabelarni podatak.
15. Prethodni zadatak rijeiti uzimajui u obzir sve podatke iz tabele 4.4.
Rezultate uporediti s onim iz prethodnog primjera.
Pitanja i zadaci
93
16. Nai polinom etvrtog reda kao aproksimaciju podataka za specifinu gustinu zraka pri konstantnom pritisku iz primjera 10, i dati greku za svaki
tabelarni podatak.
17. Napisati program za izraunavanje kvadratne interpolacione funkcije za
date podatke, koristei direktnu metodu!
18. Napisati program koji interpolira vrijednost grupe podataka, koristei
Lagrangeov interpolacioni polinom!
19. Napisati program s metodom najmanjih kvadrata za sluaj polinoma prvog reda!
20. Koeficijent trenja za laminarno teenje se moe povezati s Raynoldsovim
brojem, Re, koristei sljedeu relaciju:
f = aReb
(4.62)
Koristei podatke iz tabele 4.5, nai a i b koristei metodu najmanjih

kvadrata.
Re
500
1000
1500
2000
0.0320
0.0160
0.0107
0.0080
Poglavlje 5
Numeriko diferenciranje i
integriranje
5.1
Numeriko diferenciranje
U mnogim inenjerskim problemima zahtijeva se izraunavanje izvoda (na primjer, odreivanje brzine ili ubrzanja na osnovu podataka o preenom putu).
Pri tome, funkcija koja se eli diferencirati moe biti zadata nekim analitikim
izrazom, ali moe biti i niz diskretnih podataka o nekom procesu, odnosno zadata tabelarno. Openito, funkcije zadate (eksplicitnim) analitikim izrazom
se lako mogu diferencirati, dok je za one zadate nizom diskretnih podataka
neophodno koristiti numeriko diferenciranje.
5.1.1
Diferenciranje pomou interpolacionih polinoma
Funkcija f (x), koja je zadata nizom diskretnih podataka, odnosno tabelarno,

moe se diferencirati diferenciranjem aproksimacionih funkcija koje su izvedene
u prethodnom poglavlju. Najprije se odredi funkcija (x) koja aproksimira
funkciju f (x), a zatim se izvri njeno diferenciranje, tj. vrijedi:
d
d
(f (x))
((x))
=
dx
dx
Za sluaj interpolacije polinom, dobiva se aproksimaciona funkcija oblika
(4.4):
(x) = Pn (x) = a0 + a1 x + a2 x2 + . . . + an xn
tako da je postupak diferenciranja veoma lagan.
96
5 Numeriko diferenciranje i integriranje
Ipak, treba napomenuti da je ovakav proces diferenciranja veoma nestabilan

i netaan, i da mala odstupanja aproksimacione funkcije od stvarne, odnosno
|f (x) Pn (x)|, ne znae i mala odstupanja derivacija, odnosno |f 0 (x) Pn0 (x)|,
kao to je to grafiki prikazano na slici 5.1.
Pn(x)
f(x)
f(x)
f(x)
Pn(x)
x0
x1
x2
Slika 5.1: Greka diferenciranja koritenjem aproksimacionog polinoma
Zbog toga se ovaj nain diferenciranja veoma rijetko koristi, pa se koriste druge
metode za numeriko diferenciranje, kao to su formule za diferenciranje, koje
su objanjene u sljedeem poglavlju.
Primjer 5.1
Za podatke u Tabeli 5.1, koji i u ovom primjeru predstavljaju funkciju f (x) =
1/x, izraunati vrijednost prvog izvoda u taki x = 3.5, koristei polinom
drugog reda.
Rjeenje
Tana vrijednost prvog izvoda u taki x = 3.5 je:
0
1
1
1
0
f (3.5) =
= 2 = 2 = 0.081633 . . .
x
x
3.5
Koeficijenti polinoma drugog reda, koje prolaze kroz sve tri zadate take,
mogu se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna,
97

x
3.40
3.50
3.60
f (x)
0.294118
0.285714
0.277778
Lagrangeovi polinomi, Newtonovi interpolacioni polinomi). Na primjer, koristei direktnu metodu, imamo sistem:
0.294118 = a + b(3.40) + c(3.40)2
0.285714 = a + b(3.50) + c(3.50)2
0.277778 = a + b(3.60) + c(3.60)
(5.1)
Koristei neku od metoda za rjeavanje sistema linearnih algebarskih jednaina, dobiva se: a = 0.858314, b = 0.2455 i c = 0.0234, odnosno:
P2 (x) = 0.858314 0.2455x + 0.0234x2
Sada je lako odrediti i prvi izvod:
P20 (x) = 0.2455 + 0.0468x
pa je:
P20 (3.5) = 0.2455 + 0.0468 3.5 = 0.0817
Na osnovu greke, |f (3.5)Pn (3.5)| = 0.000067, moemo zakljuiti da dobiveni
polinom dobro aproksimira funkciju i u pogledu njenog prvog izvoda.
5.1.2
Formule za diferenciranje
Diferenciranje se moe izvesti i pomou formula za diferenciranje. Formule

za diferenciranje se mogu dobiti iz definicije izvoda neke funkcije f (x) u taki
x = xi :
f (xi + h) f (xi )
h0
h
f 0 (xi ) = lim
(5.2)
gdje je h razmak izmeu dvije susjedne take xi+1 (= xi + h) i xi . Ako se sada

uzme priblina vrijednost izvoda u taki xi , dobiva se:
f 0 (xi )
f (xi + h) f (xi )
h
(5.3)
98
to predstavlja aproksimaciju prvog izvoda funkcije f (x). Ako se, pak, umjesto
h u jednaini (5.3) uzme vrijednost h dobiva se formula:
f (xi ) f (xi h)
(5.4)
h
Izrazi (5.3) i (5.4) predstavljaju formule za diferenciranje unaprijed i unazad, respektivno. Na slici 5.2 data je grafika interpretacija ovih formula, pri
emu nagib linije t odgovara tanom izvodu funkcije f (x) u taki C. Dakle,
nagib linije t , koja prolazi kroz take A i C, odgovara formuli za diferenciranje unazad, a nagib linije t+ , koja prolazi kroz take C i B, formuli za
diferenciranje unaprijed.
f 0 (xi )
t-
f(x)
C
t
A
tc
B
t+
f (xi)
f (xi-h)
xi-1
xi
f (xi+h)
xi+1
Slika 5.2: Grafika interpretacija formula za diferenciranje
Iz slike se vidi da bi nagib linije koja prolazi kroz take A i B (linija tc ) bila
bolja aproksimacija izvoda funkcije f (x), a iznosi:
f (xi + h) f (xi h)
2h
Ovaj izraz predstavlja formulu za centralno diferenciranje.
Na osnovu definicije drugog izvoda:
f 0 (xi )
f 0 (xi ) f 0 (xi h)
h0
h
f 00 (xi ) = lim
(5.5)
(5.6)
i formule (5.3) dobiva se najjednostavnija formula za drugi izvod:

f 00 (xi )
f (xi + h) 2f (xi ) + f (xi h)

h2
(5.7)
99
Do istih izraza, ali uz mogunost procjene greke, moe se doi i razvojem

funkcije f (x) u Taylorov red u okolini take xi :
f (x) = f (xi ) + f 0 (xi )(x xi ) +
f 00 (xi )
(x xi )2 + . . .
2
f (n) (xi )
+
(x xi )n + . . .
n!
(5.8)
odnosno zanemarivanjem lanova vieg reda od prvog, za xi < < xi + h,

imamo
f (x) = f (xi ) + f 0 (xi )(x xi ) +
f 00 () 2
h
2
(5.9)
Iz izraza (5.9) direktno se za x xi = h (diferenciranje unaprijed) i x xi =

h (diferenciranje unazad) dobiva, respektivno:
f 0 (xi )
f (xi + h) f (xi ) h 00
f ()
h
2
(5.10)
f (xi ) f (xi h) h 00
f ()
(5.11)
h
2
Za centralno diferenciranje, greka se dobiva ako se uzmu u obzir prva tri lana
u jednaini (5.8), tj.
f 0 (xi )
za xi < 1 < xi + h
f (xi + h) = f (xi ) + f 0 (xi )h +
f 00 (xi ) 2 f 000 (1 ) 3
h +
h
2
3!
za xi h < 2 < xi
f (xi h) = f (xi ) f 0 (xi )h +
f 00 (xi ) 2 f 000 (1 ) 3
h
h
2
3!
pa se oduzimanjem druge jednaine od prve dobiva:

f (xi + h) f (xi h)
h2
= f 0 (xi ) + [f 000 (1 ) + f 000 (2 )]
2h
12
(5.12)
odnosno za (1 , 2 ):
f (xi + h) f (xi h)
h2
0
000
f (xi ) =
= f (xi ) f ()
2h
6
0
(5.13)
100
Na osnovu prethodnih izraza moemo zakljuiti da je greka diskretizacije

diferenciranjem unaprijed i unazad proporcionalna koraku h, dok je kod centralnog proporcionalna kvadratu koraka h, to pokazuje da, ukoliko opada,
greka kod centralnog diferenciranja opada mnogo bre nego je to sluaj s ostala dva postupka. To je i razlog zbog kojeg se centralno diferenciranje treba
koristiti gdje je god to mogue.
Posljednji nain odreivanja formula za diferenciranje se esto koristi i za
izvoenje aproksimacija tanih izvoda, koji se javljaju u diferencijalnim jednainama. Takoer, metoda se moe koristiti i za numeriko diferenciranje
funkcija vie promjenljivih. Na kraju, treba naglasiti da postoji niz drugih
formula za diferenciranje, koje se mogu izvesti na slian nain kao formule za
diferenciranje unaprijed, unazad i centralno diferenciranje (vidi npr. [10]).
Primjer 5.2
Koristei podatke iz primjera 5.1 izraunati vrijednost prvog izvoda u taki
x = 3.5, koristei formule za diferenciranje unaprijed, unazad i centralno diferenciranje.
Rjeenje
Kao i u prethodnom primjeru, tana vrijednost prvog izvoda u taki x = 3.5
je:
0
1
1
1
f (3.5) =
= 2 = 2 = 0.081633 . . .
x
x
3.5
0
Na osnovu formula (5.3), (5.4) i (5.5) dobiva se:

diferenciranje unaprijed:
f 0 (3.5) =
f (3.6) f (3.5)
0.277778 0.285714
=
= 0.07936
3.6 3.5
0.1
sa grekom | 0.081633 (0.07936)| = 0.002273

diferenciranje unazad:
f 0 (3.5) =
f (3.5) f (3.4)
0.285714 0.294118
=
= 0.08404
3.5 3.4
0.1
sa grekom | 0.081633 (0.08404)| = 0.002407
Numeriko integriranje
101
centralno diferenciranje:
f 0 (3.5) =
f (3.6) f (3.4)
0.277778 0.294118
=
= 0.0817
3.6 3.4
0.2
sa grekom | 0.081633 (0.0817)| = 0.000067

Na osnovu dobivenih rezultata, vidi se da formula za centralno diferenciranje
daje najbolju aproksimaciju za posmatrani problem.
5.2
Veoma vano mjesto u mnogim inenjerskim problemima zauzima i numeriko

integriranje (na primjer, izraunavanje preenog puta na osnovu zavisnosti
brzine kretanja od vremena). Numerika integracija ili kvadratura (izraz dolazi od injenice da vrijednost odreenog integrala predstavlja povrinu ispod
funkcije, kao to je prikazano na slici 5.3), predstavlja izraunavanje integrala:
Z b
I=
f (x) dx
(5.14)
a
koristei neku od formula koje aproksimiraju funkciju f (x). Pri tome, funkcija
moe biti zadata eksplicitno ili kao niz diskretnih taaka, odnosno tabelarno.
U narednim poglavljima date su neke poznatije formule koje se koriste u ovu
svrhu.
5.2.1
Integriranje pomou interpolacionih polinoma
Slino numerikom diferenciranju, najlaka procedura za numeriku integraciju, koja se moe koristiti i za podatke s jednakim i nejednakim razmacima
izmeu taaka, je pomou interpolacionih polinoma. U tom sluaju, funkcija
f (x), zadata analitikim izrazom, za koju je teko ili nemogue izraunati integral, ili je predstavljena nizom diskretnih taaka, moe da se aproksimira
polinomom Pn (x):
f (x) Pn (x) = a0 + a1 x + a2 x2 + . . .
(5.15)
a koeficijenti polinoma se mogu dobiti koritenjem neke od metoda za interpolaciju ili aproksimaciju.
102
f(x)
f ( x)dx
a
Slika 5.3: Grafika interpretacija integrala
Nakon dobivanja polinoma, i integriranja dobiva se:

b
Z b
Z b
x2
I=
f (x) dx
Pn (x) dx = a0 x + a1 + . . .
2
a
a
a
Primjer 5.3
Izraunati vrijednost odreenog integrala
Z 3.9
1
dx
I=
3.1 x
koristei podatke u Tabeli 5.2 i polinom drugog reda.
x
3.10
3.50
3.90
f (x)
0.32258065
0.28571429
0.25641026
Rjeenje
Tana vrijednost integrala je:
3.9
Z 3.9
3.9
1
dx = ln(x) = ln( ) = 0.22957444
I=
3.1
3.1 x
3.1
(5.16)
103
Koeficijenti polinoma drugog reda koji prolazi kroz sve tri zadate take, mogu
se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna, Lagrangeovi polinomi, Newtonovi interpolacioni polinomi). Na primjer, koristei
direktnu metodu, imamo:
0.32258065 = a + b(3.10) + c(3.10)2
0.28571429 = a + b(3.50) + c(3.50)2
(5.17)
0.25641026 = a + b(3.90) + c(3.90)
Koristei neku od metoda za rjeavanje sistema linearnih jednaina, dobiva se:

a = 0.86470519, b = 0.24813896 i c = 0.02363228, odnosno:
P2 (x) = 0.86470519 0.24813896x + 0.02363228x2
Sada je lako odrediti i integral:
Z 3.9
P2 (x) dx
I=
3.1
3.9
= 0.86470519x 0.1240698x2 + 0.0078776x3 3.1
I = 0.22957974
Na osnovu greke, |0.22957974 0.22957444| = 0.0000053, moemo zakljuiti da dobiveni polinom dobro aproksimira funkciju u pogledu izraunavanja
vrijednosti integrala izmeu zadatih granica integracije.
5.2.2
Newton-Cotesove formule
Kao to je poznato, odreivanje aproksimacionih funkcija zahtijeva jako mnogo

kompjuterskih resursa kada je neophodno odrediti veliki broj koeficijenata polinoma. Kada se, pak, radi o funkciji ili nizu podataka s jednakim razmacima
h (ekvidistantne take) onda je mogue koristiti neke druge, mnogo efikasnije
metode, kao to su Newton-Cotesove formule.
Do izraza za Newton-Cotesove formule se moe doi na razliite naine, a
jedan od njih je koritenjem Newtonovog aproksimacionog polinoma za diferenciranje unaprijed:

s
s
s
2
Pn (x) = f0 +
f0 +
f0 + . . . +
n f0 + greka
(5.18)
1
2
n
104
gdje je f0 = f (x0 ), h korak, s interpolaciona promjenljiva data izrazom:

s=
x x0
h
ime je
x = x0 + sh
(5.19)
a ostali parametri, f0 , 2 f0 , itd. su objanjeni u poglavlju 4.1.3 (izraz

(4.29)). Greka je data izrazom:
s
greka =
hn+1 f (n+1) ()
x0 < < x n
(5.20)
n+1
Problem izraunavanja integrala (5.14):
Z b
I=
f (x) dx
a
se svodi na na izraunavanje integrala:

Z b
Z b
Pn (x) dx
f (x) dx
I=
(5.21)
Radi lakeg raunanja, polinom Pn (x) se moe predstaviti u zavisnosti od

aproksimacione promjenljive s, pa se smjenom promjenljivih dobiva:
Z b
Z b
Z s(b)
I=
f (x) dx
Pn (x) dx = h
Pn (s) ds
(5.22)
a
s(a)
gdje je iz (5.19):
dx = h ds
(5.23)
a s(a) i s(b) su nove granice integracije. Ako se za x0 u polinomu Pn (x) izabere

taka x = a, koristei izraz (5.19) dobiva se: s(a) = 0 i s(b) = (b a)/h,
odnosno
Z b
Z b
Z ba
h
I=
f (x)
Pn (x) dx = h
Pn (x0 + sh) ds
(5.24)
a
Zavisno od stepena polinoma n, mogu se dobiti razliite Newton-Cotesove

formule; za n = 0, 1, 2, 3 dobivaju se tzv. pravilo pravougaonika, te trapezno,
Simpsonovo 1/3 i Simpsonovo 3/8 pravilo, respektivno. U narednim dijelovima
bie objanjeni trapezno i Simpsonovom 1/3 pravilo (pravilo pravougaonika,
koje ima veliku greku, nee se razmatrati, jer nije od praktine vanosti.)
105
Trapezno pravilo
Trapezno pravilo za jedinini interval (duine b a = h) se dobiva kada se u

izraz (5.22) uvrsti polinom prvog reda (n = 1), tj. imamo:
Z
I=
ba
h
P1 (x0 + sh)ds = h
(f0 + sf0 )ds
0
0
s2
= h sf0 + f0
2
0
1
1
I = h(f0 + f0 ) = h[f0 + (f1 f0 )]
2
2
(5.25)
pa izraz za trapeznu formulu za jedinini interval ima oblik:

I=
h
(f0 + f1 )
2
(5.26)
Opti oblik trapezne formule koja se primjenjuje na interval [a, b] koji se

dijeli na n > 1 dijelova ima oblik:
I=
n1
X
1
i=0
hi (fi + fi+1 )
(5.27)
Za ekvidistantne take vrijedi da je hi = h = (b a)/n za i = 0, 1, . . . , n 1,

pa se izraz (5.27) svodi na:
I=
n1
X
1
i=0
h(fi + fi+1 )
f0 + f1 f1 + f2
fn2 + fn1 fn1 + fn
=h
+
+ ... +
+
2
2
2
2
"
# (5.28)
n1
X
f0
fn
ba 1
=h
+ f1 + . . . + fn1 +
=
(f0 + fn ) +
fi
2
2
n
2
i=1
"
#
n1
X
ba
f0 + fn + 2
I=
fi
2n
i=1
Do slinih izraza moglo se doi i preko grafike interpretacije trapeznog
pravila, koja je data na slici 5.4. Osjeneni dio je povrina trapeza stranica
f (a) i f (B) s visinom B a i predstavlja aproksimaciju stvarne povrine ispod
krive f (x) u intervalu [a, B]. Na taj nain, ukupna povrina ispod krive f (x)
106
f(x)
D
f(x)
b
f ( x)dx
a
Slika 5.4: Grafika interpretacija integrala
aproksimira se zbirom povrina trapeza pojedinih segmenata, odakle i potie

ime metode.
Koristei izraz (5.20) dobiva se i greka trapeznog pravila:
za jedinini interval:
Z 1
s(s 1) 2 00
h f ()ds
greka = h
2
0
1
= h3 f 00 () = O(h3 )
12
(5.29)
za opti interval [a, b]

greka =
n1
X
i=0
1 3 00
1
h f () = n[ h3 f 00 ()]
12
12
(5.30)
1
(b a)h2 f 00 () = O(h2 )
12
Dakle, greka opteg trapeznog pravila je drugog reda.
=
Primjer 5.4
Izraunati vrijednost odreenog integrala
Z 3.9
1
I=
dx
3.1 x
pomou trapeznog pravila koristei jednu, dvije, i etiri podjele intervala.
107

i
3.10
3.30
3.50
3.70
3.90
f (x)
0.32258065
0.30303030
0.28571429
0.27027027
0.25641026
Rjeenje
S obzirom da je funkcija data jednainom (f (x) = 1/x), podatke koji su
neophodni za proraun dobivamo kreiranjem tabele 5.3. Kao i u prethodnom
poglavlju, tana vrijednost integrala je:
3.9
Z 3.9
1
3.9
I=
dx = ln(x) = ln( ) = 0.22957444
3.1
3.1 x
3.1
U sluaju jednog intervala (izraz (5.26)) imamo:
Z 3.9
1
ba
I=
dx
(f0 + f1 )
2n
3.1 x
0.8
=
(0.32258065 + 0.25641026)
21
I = 0.23159636
pa je greka jednaka |0.23159636 0.22957444|=0.00202192.
Koristei izraz (5.28) za dva intervala dobivamo:
Z 3.9
1
ba
I=
dx
(f0 + 2f1 + f2 )
2n
3.1 x
0.8
=
(0.32258065 + 2 0.28571429 + 0.25641026)
22
I = 0.23008389
sa grekom |0.23008389 0.22957444|=0.00050945.
Za etiri podjele, vrijednost integrala je:
Z 3.9
1
ba
dx
(f0 + 2(f1 + f2 + f3 ) + f4 )
I=
2n
3.1 x
0.8
=
(0.32258065 + 2(0.30303030 + 0.28571429
24
+ 0.27027027) + 0.25641026)
I = 0.22970206
108
pri emu je greka sada jednaka |0.22970206 0.22957444|=0.00012762.

Uporeujui greke integracije za razliite podjele intervala, moemo zakljuiti da se poveanjem broja podjela, odnosno smanjenjem koraka h, poveava
i tanost izraunavanja.
Simpsonovo 1/3 pravilo
Simpsonovo 1/3 pravilo se dobiva kada se tri ekvidistantne take aproksimiraju

polinomom drugog reda, tj. kada se u izrazu (5.22) uvrsti n = 2. S obzirom
da se jedinini interval sastoji od tri ekvidistantne take ((b a)/h = 2) za
jedinini interval imamo:
Z ba
Z 2
h
s(s 1) 2
I=
P2 (x0 + sh)ds = h
f0 + sf0 +
f0 ds (5.31)
2
0
0
Nakon izvravanja integracije, te zamjene za vrijednosti f0 i 2 f0 , za jedinini
interval se moe dobiti:
1
I = h(f0 + 4f1 + f2 )
(5.32)
3
pri emu je h = (b a)/2. Na osnovu prethodnog izraza moe se dobiti opti
izraz za Simpsonovo 1/3 pravilo za n > 1, tj. h = (b a)/(2n):
"
#
n1
n1
X
X
h
I=
f0 + f2n + 4
f2i+1 + 2
f2i
3
i=0
i=1
"
#
(5.33)
n1
n1
X
X
ba
=
f0 + f2n + 4
f2i+1 + 2
f2i
6n
i=0
i=1
Analogno proraunu za trapezno pravilo, greka za Simpsonovo 1/3 pravilo
za jedinini interval je:
Z 2
s(s 1)(s 2) 3 iii
greka = h
h f ()ds = 0
(5.34)
6
0
Ovo, meutim, ne znai da je greka jednaka nuli, nego da se integracijom
kubnog lana dobiva vrijednost nuli, pa se stvarna greka za jedinini interval
dobiva preko sljedeeg lana, koji je etvrtog reda:
Z 2
s(s 1)(s 2)(s 3) 4 iv
greka = h
h f ()ds
24
0
(5.35)
1 5 iv
5
= h f () = O(h )
90
109
a za opti interval [a, b]

greka =
n1
X
i=0
1 5 iv
h f () =
90
(5.36)
1
=
(b a)h4 f iv () = O(h4 )
180
Dakle, opta greka Simpsonovog 1/3 pravila je etvrtog reda, pa se ova metoda
i najee koristi u praksi.
Primjer 5.5
Koristei podatke u Tabeli 5.3 izraunati vrijednost odreenog integrala
Z
3.9
I=
3.1
1
dx
x
pomou Simpsonovog 1/3 pravila za jednu i dvije podjele intervala [3.1, 3.9].
Rjeenje
Tana vrijednost integrala je:
Z
3.9
I=
3.1
3.9
1
3.9
dx = ln(x) ln( ) = 0.22957444
x
3.1
3.1
U sluaju jednog intervala, n = 1, koji sadri 2n + 1 = 3 take, imamo prema

izrazu (5.32):
Z
3.9
I=
3.1
h
1
dx (f0 + 4f1 + f2 )
x
3
0.4
=
(0.32258065 + 4 0.28571429 + 0.25641026)
3
I = 0.22957974
sa grekom |0.22957974 0.22957444|=0.0000043.
Koristei izraz (5.33) za dva intervala, n = 2, koji sadri 2n + 1 = 5 taaka,
110
imamo:
Z
3.9
I=
3.1
1
h
dx (f0 + 4(f1 + f3 ) + 2f2 + f4 )
x
3
0.2
(0.32258065 + 4(0.30303030 + 0.27027027)
=
3
+ 2 0.28571429 + 0.25641026)
I = 0.22957478
pa je greka integracije jednaka |0.22957478 0.22957444|=0.00000034.
Ve na prvi pogled je jasno da je tanost Simpsonovog 1/3 pravila daleko
vea od trapeznog. Takoer, tanost se poveava s poveanjem broja podjela,
odnosno smanjenjem koraka h, i u ovom primjeru ve za podjelu na dva intervala iznosi 106 .
Na slian nain mogu se izvesti i Newton-Cotesove formule za druge vrijednosti stepena polinoma n.
5.2.3
Gaussove kvadraturne formule
Metode za numeriko integriranje koje su opisane u prethodnim poglavljima

daju najbolje mogue rjeenje za sluajeve s jednakim razmacima izmeu taaka (ekvidistantne take). Na taj nain, za n datih taaka, dobiva se polinom
(n + 1) stepena koji na najbolji nain aproksimira funkciju.
Meutim, izraunavanje odreenog integrala se u optem sluaju moe predstaviti sljedeim izrazom:
Z b
n
X
I=
f (x) dx =
Ci f (xi )
(5.37)
a
i=1
gdje su xi lokacije taaka u kojima je integrand poznat, a Ci su teinski faktori

(koeficijenti). Na taj nain, u sluajevima kada se treba integrirati funkcija
koja je zadata analitikim izrazom (za koju je teko ili nemogue izraunati integral), javljaju se dodatni stepeni slobode lokacije xi u kojima se izraunava
vrijednost funkcije. Dakle, ako se koristi n taaka, imamo na raspolaganju 2n
parametara: n parametara xi i n parametara Ci (i = 1, 2, . . . , n). S ovih 2n
parametara mogue je nai polinom 2n 1 stepena, pri emu je neophodno
odrediti pomenute parametre. Kao posljedica, dobivaju se daleko tanije metode za numeriku integraciju, a Gaussove kvadraturne formule predstavljaju
111
jednu takvu metodu. U daljem tekstu pokazae se primjena Gaussovih kvadraturnih formula treeg reda, tj. za n = 2.
Da bismo pojednostavili dobivanje Gaussovih kvadraturnih formula, posmatrajmo prvo integral funkcije F (t) s granicama 1 i 1:
Z
I=
F (t)dt =
1
n
X
Ci F (ti )
(5.38)
i=1
i n = 2. Problem se svodi na izraunavanje parametara t1 , t2 , C1 i C2 , tako da

je I tano za polinom treeg reda (2n 1 = 3). Ovo je ispunjeno ako integral
vrijedi za sljedee polinome : F (t) = 1, t, t2 i t3 . Na taj nain dobivamo sistem
jednaina:
Z 1
I[F (t) = 1] =
1dt = 2 = C1 + C2
(5.39a)
1
Z 1
I[F (t) = t] =
tdt = 0 = C1 t1 + C2 t2
(5.39b)
1
Z 1
2
2
I[F (t) = t ] =
t2 dt = = C1 t21 + C2 t22
(5.39c)
3
1
Z 1
3
t3 dt = 0 = C1 t31 + C2 t32
(5.39d)
I[F (t) = t ] =
1
ije je rjeenje :
C1 = C2 = 1
1
t1 =
3
1
t2 =
3
(5.40)
Dakle, rjeenje izraza (5.38) je:

Z
I=
F (t)dt =
1
2
X
i=1
Ci F (ti ) = F
+F
Sada je potrebno dobiveno rjeenje iskoristiti za rjeavanje izraza:

Z b
I=
f (x) dx
(5.41)
(5.42)
a
Potreban i dovoljan uslov da jednakost (5.38) vrijedi za sve algebarske polinome stepena ne vieg od m
je da vrijedi za sve funkcije f (t) = 1, t, t2 , . . . , tm [7]
Parametri t predstavljaju korijene Legendreovih polinoma, s obzirom da se metoda zasniva na njihovoj
i
aproksimaciji.
112
Ovo se vrlo lako moe uraditi smjenom:

x = mt + c
(5.43)
pri emu je za x = a, t = 1, za x = b, t = 1, pa se dobiva:

m=
ba
2
c=
b+a
2
(5.44)
Ovom smjenom se funkcija f (x) transformie u funkciju F (t) i vrijedi:

F (t) = f (mt + c)
(5.45)
Na osnovu jednakosti (5.43) vrijedi dx = m dt, pa (5.42) postaje:

Z b
Z 1
Z
ba 1
I=
f (x) dx =
f (mt + c)m dt =
F (t) dt
2
a
1
1

1
ba
1
F
I=
+F
2
3
3
(5.46)
Posljednji izraz predstavlja Gaussovu kvadraturnu formulu za n = 2. Na slian

nain se mogu izvesti i formule za druge vrijednosti n.
Primjer 5.6
Slino prethodnim primjerima, i u ovom treba izraunati vrijednost odreenog
integrala
Z 3.9
1
I=
dx
3.1 x
ali pomou Gaussove kvadraturne formule za n = 2. Proraun izvriti s jednom
i dvije podjele intervala. Tano rjeenje je I = 0.22957444.
Rjeenje
Na osnovu izraza (5.44) dobiva se:
m=
ba
b+a
= 0.4 i c =
= 3.5
2
2
(5.47)
pa je:
x = 0.4t + 3.5 i F (t) = f (mt + c) =
1
1
=
mt + c
0.4t + 3.5
(5.48)
113
Konano je prema (5.46)

Z
ba 1
1
1
I=
F (t)dt = 0.4 F
+F
2
3
3
1
I = 0.22957092
(5.49)
pa je greka integracije jednaka |0.22957092 0.22957444|=0.00000352. Vidi

se da je ve za samo jednu podjelu intervala tanost ove metode uporediva s
tanou Simpsonovog pravila za h = 0.4.
Ako bismo eljeli koristiti vie intervala, postupak bi se sastojao u podjeli
intervala i primjeni metode za svaki interval pojedinano, pa za dva intervala
jednake duine imamo:
Z 3.5
Z 3.9
Z 3.9
1
1
1
I=
dx =
dx +
dx = I1 + I2
3.1 x
3.5 x
3.1 x
Za prvi integral, I1 , je:
m=
ba
b+a
= 0.2 i c =
= 3.3
2
2
(5.50)
pa je:
x = 0.2t + 3.3 i F (t) = f (mt + c) =
i
1
0.2t + 3.3
Z
1
ba 1
1
I1 =
F (t)dt = 0.2 F
+F
2
3
3
1
I1 = 0.12136071
(5.51)
(5.52)
Analogno, za integral I2 je:

m=
ba
b+a
= 0.2 i c =
= 3.7
2
2
x = 0.2t + 3.7 i F (t) =

i
1
0.2t + 3.7
1
1
I2 = 0.2
F (t)dt = 0.2 F
+F
3
3
1
I2 = 0.10821350
Z
(5.53)
(5.54)
(5.55)
114
Sada je:
I = I1 + I2 = 0.12136071 + 0.10821350 = 0.22957421
(5.56)
a greka integracije |0.22957421 0.22957444|=0.00000023. Na osnovu rezultata se moe zakljuiti da je u ovom sluaju metoda uporediva sa Simpsonovim
pravilom za h = 0.2.
Metode numerike integracije pokazane u prethodnim poglavljima na primjerima izraunavanja jednostrukih integrala, mogu se koristiti i za izraunavanje viestrukih integrala. Detaljnije o ovom problemu moe se nai u
literaturi (npr. [5, 6, 10]).
5.3
Pitanja i zadaci
1. Objasniti postupak diferenciranja pomou aproksimacionih polinoma!

2. Navesti i objasniti razlike izmeu formula za diferenciranje!
3. Tabela 5.4 daje vrijednosti funkcije f (x) = ex za zadate vrijednosti x.
Treba izraunati vrijednost f 0 (1.0) pomou interpolacionog polinoma. Pri
tome koristiti take:
a) 1.0, 1.01
b) 1.0, 1.01, 1.02
c) 1.0, 1.01, 1.02, 1.03
Interpolacioni polinom dobiti jednom od metoda objanjenih u prethodnim poglavljima.
x
f (x)
f (x)
f (x)
0.94
2.55998142
0.98
2.66445624
1.02
2.77319476
0.95
2.58570966
0.99
2.69123447
1.03
2.80106584
0.96
2.61169647
1.00
2.71828183
1.04
2.82921701
0.97
2.63794446
1.01
2.74560102
1.05
2.85765112
4. Nai vrijednost f 0 (1.0) za podatke iz zadatka 3 koristei:

a) formulu za diferenciranje unaprijed,
Pitanja i zadaci
115
b) formulu za diferenciranje unazad,

c) formulu za centralno diferenciranje.
5. Pri kretanju tenosti preko neke povrine S, za tangencijalni napon na
povrini u Pa, vrijedi jednakost:
du
=
dy S
gdje je = 0.00024 Pa s viskozitet, u brzina paralelna povrini u m/s, i
y okomita udaljenost od povrine u m. U tabeli 5.5 date su vrijednosti
brzine za razliite udaljenosti, dobivene pomou LDV (eng. laser-Doppler
velocitymetre) brzinomjera.
Treba izraunati vrijednost tangencijalnog napona na povrini, ako se
koristi polinom prvog, drugog i treeg reda. Izraunati tangencijalnu silu
koja djeluje na povrinu, ako je S = 50 cm2 .
y, m
0.00
0.01
0.02
0.03
u, m/s
0.00
55.56
88.89
100.00
6. Pri kretanju tenosti preko neke povrine A, za brzinu prenosa toplote q

na povrinu u W, vrijedi jednakost:
dT
q = kA
dy A
gdje je k koeficijent provoenja toplote u W/m K, T temperatura u K, i
y okomita udaljenost od povrine u m. U tabeli 5.6 date su vrijednosti
temperature za razliite udaljenosti, dobivene pomou termopara.
Na umjerenim temperaturama vrijedi k = 0.003 W/m K. Treba izraunati vrijednost q/A
na povrini, ako se koristi polinom prvog, drugog i

treeg reda. Izraunati toplotu koja se prenese na povrinu, ako je A = 50
cm2 .
y, m
0.00
0.01
0.02
0.03
T, K
1000.00
533.33
355.56
300.00
7. Napisati program za odreivanje vrijednosti prvog i drugog izvoda pomou interpolacionih polinoma!
116
8. Napisati program za odreivanje vrijednosti prvog izvoda pomou formula

za diferenciranje!
9. Objasniti osnovne karakteristike numerikog integriranja!
10. Objasniti postupak numerikog integriranja pomou aproksimacionih
funkcija!
11. Izvesti formulu za trapezno pravilo!
12. Izvesti formulu za Simpsonovo 1/3 pravilo!
13. Izvesti Gaussove kvadraturne formule za n = 2 i n = 3!
14. Koristei podatke iz tabele 5.7 izraunati integral:
Z 2.0
I=
f (x) dx
0.4
pomou trapeznog pravila. Pri tome koristiti dvije i etiri podjele intervala.
x
f (x)
f (x)
f (x)
0.4
5.1600
1.2
3.1067
2.0
5.0000
0.6
3.6933
1.4
3.3886
2.2
5.7491
0.8
3.1400
1.6
3.8100
2.4
6.5933
1.0
3.0000
1.8
4.3511
2.6
7.5292
15. Zadatak 14 rijeiti pomou Simpsonovog 1/3 pravila koristei dvije i etiri
podjele intervala.
16. Koristei Gaussove kvadraturne formule (za n = 2) rijeiti integral:
Z 2.5
ln x dx
1.5
sa jednom i dvije podjele intervala.
Poglavlje 6
Rjeavanje obinih diferencijalnih

jednaina
Diferencijalne jednaine se javljaju u svim oblastima nauke i inenjerstva, s
obzirom da se njima opisuju mnogi fiziki procesi. Openito, veina fizikih
procesa ukljuuje vie od jedne nezavisne promjenljive, pa su odgovarajue
diferencijalne jednaine parcijalne diferencijalne jednaine. Ipak, u mnogim
sluajevima, ove jednaine se mogu svesti na obine diferencijalne jednaine.
Za veinu diferencijalnih jednaina koje opisuju fizike procese nije mogue
nai rjeenje u zatvorenom obliku. Meutim, sve one se, s manjim ili veim
potekoama, mogu rijeiti koristei za tu svrhu razvijene numerike metode.
6.1
O obinim diferencijalnim jednainama
Obine diferencijalne jednaine daju zavisnost izmeu funkcije s jednom nezavisnom promjenljivom i njenih izvoda u odnosu na tu nezavisnu promjenljivu.
Red obine diferencijalne jednaine je odreen najveim izvodom u diferencijalnoj jednaini. Na primjer, opti oblik diferencijalne jednaine n-tog reda
dat je izrazom:
an y (n) + an1 y (n1) + . . . + a2 y 00 + a1 y 0 + a0 y = F (t)
(6.1)
gdje je:
y (n) =
dn y
dtn
izvod n-tog reda, a ai (t, y), i = 0, 1, . . . , n su koeficijenti.
(6.2)
118
6 Rjeavanje obinih diferencijalnih jednaina
Opte rjeenje neke diferencijalne jednaine sadri jednu ili vie konstanti
integracije. Na taj nain se dobiva familija rjeenja za tu diferencijalnu jednainu, a partikularno rjeenje se dobiva koristei granine uslove, pri emu
je broj graninih uslova jednak broju konstantni integracije, odnosno redu diferencijalne jednaine. Dakle, rjeenje neke obine diferencijalne jednaine je
ona partikularna funkcija koja identiki zadovoljava tu diferencijalnu jednainu u njenoj domeni rjeavanja, te zadovoljava uslove koji su specificirani na
granicama domene.
Zavisno od tipa graninih uslova, razlikujemo dvije vrste ili klase obinih
diferencijalnih jednaina (isto vai i za sisteme obinih diferencijalnih jednaina):
1. diferencijalne jednaine s poetnim vrijednostima granini uslovi su dati
za jednu vrijednost nezavisne promjenljive. Klasian primjer takve jednaine je opta diferencijalna jednaina prvog reda:
y 0 = f (t, y)
y(t0 ) = y0
(6.3)
Ovaj problem se naziva Cauchyjev problem ili problem poetnih vrijednosti. O sistemima obinih diferencijalnih jednaina s poetnim vrijednostima vidi poglavlje 6.4.
2. diferencijalne jednaine s graninim vrijednostima granini uslovi su
specificirani za dvije ili vie razliitih vrijednosti nezavisne promjenljive.
Primjer diferencijalne jednaine s graninim vrijednostima je opta diferencijalna jednaina drugog reda:
y 00 + P (x, y)y 0 + Q(x, y)y = F (t, y)
y(x1 ) = y1 i y(x2 ) = y2
(6.4)
Problemi ovog tipa nazivaju se problemi graninih vrijednosti.

U narednim poglavljima date su numerike metode koje se koriste za rjeavanje
ovih tipova diferencijalnih jednaina.
6.2
Rjeavanje problema poetnih vrijednosti
Postoji jako veliki broj numerikih metoda koje se mogu koristiti za rjeavanje problema poetnih vrijednosti. Njihova podjela je razliita od autora do
autora. Jedna takva podjela je, na primjer, na jednokorane, ekstrapolacione
i viekorane metode.
119
Jednokorane metode rjeavaju jednainu od take do take koristei podatke samo jedne take. U ove metode spadaju Eulerova metoda (i njene varijacije), te nejpoznatija meu njima, Runge-Kutta metoda. Ekstrapolacione
metode (na primjer, ekstrapolirana modificirana metoda srednje vrijednosti )
izraunava vrijednost u nekoj taki domene za razliite veliine razmaka izmeu taaka, a zatim ekstrapolira ove vrijednosti kako bi se dobilo tanije
rjeenje. Viekorane metode trae rjeenje koristei podatke nekoliko taaka
(na primjer, Adamsova metoda).
Sve tri navedene vrste metoda za rjeavanje obinih diferencijalnih jednaina
spadaju u tzv. metode konanih razlika. No, prije nego se opiu neke od njih,
data je Taylorova metoda.
6.2.1
Taylorova metoda
Ova metoda koristi injenicu da se Taylorov red moe koristiti za izraunavanje

vrijednosti funkcije ako se zna izraz za njen izvod i vrijednost u nekoj taki.
Taylorov red za funkciju y(t) u taki t = t0 dat je sa:
y(t) = y(t0 ) + y 0 (t0 )(t t0 ) +
y 00 (t0 )
(t t0 )2 + . . .
2
(6.5)
y (n) (t0 )
+
(t t0 )n + . . .
n!
ili
y(t) = y(t0 ) + y 0 (t0 )t +
y 00 (t0 )
y (n) (t0 )
(t)2 + . . . +
(t)n + . . .
2
n!
(6.6)
Izraz (6.5), osnosno (6.6), moe se koristiti za izraunavanje vrijednosti y(t),

ako se mogu odrediti vrijednosti y0 = f (t0 ) i izvod u taki t0 . Vrijednost y0
se naziva poetna vrijednost (vidi jednainu (6.3)). Prvi izvod se moe lako
izraunati, s obzirom da predstavlja vrijednost funkcije f (t, y), dok se ostali
izvodi moraju izraunati sukcesivnim diferenciranjem prvog od izraza (6.3).
Tako se za drugi izvodi dobiva:
d(y 0 )
y = (y ) =
dt
00
0 0
y 0
y 0
d(y ) = d(y (t, y)) =
dt +
dy = dt
t
y
y 0 y 0 dy
d(y 0 )
=
+
= yt0 + yy0 y 0
y 00 =
dt
t
y dt
0
y 0 y 0 dy
+
t
y dt
(6.7)
120
a za trei izvod:
0
dy
d(y 00 )
= (yt0 + yy0 y 0 ) +
(yt + yy0 y 0 )
dt
t
y
dt
000
0
0 0
0 0
0 2 0
0
0 2
y = ytt + 2yty y + yt yy + (yy ) y + yyy (y )
y 000 = (y 00 )0 =
(6.8)
Pri tome, indeksi t i y oznaavaju izvode po t i y, respektivno; na primjer,

0
yty
predstavlja izvod prvog izvoda y 0 po y, a zatim izvod dobivenog rezultata
deriviranja po t. Izvodi vieg reda postaju znatno komplikovaniji, tako da ih
nije praktino koristiti.
Primjer 6.1
Prenos toplote zraenjem s tijela mase m u okolinu opisuje se Stefan-Boltzmanovim zakonom zraenja:
dE
d(mcp T )
qr = A T 4 Ta4 =
=
(6.9)
dt
dt
gdje je qr brzina prenosa toplote u W, A povrina tijela mase m u m2 ,
Stefan-Boltzmanova konstanta (5.67 108 W/m2 K4 ), bezdimenzionalna
konstanta emisije tijela koja predstavlja odnos stvarnog zraenja sa zraenjem
crnog tijela, T je unutranja temperatura mase u K, Ta temperatura okoline u
K, a cp specifina toplota materijala tijela u J/kg K. Ako se usvoji da su masa
m i specifina toplota cp konstantni, izraz (6.9) se moe prikazati u obliku:
dT
= T 0 = T 4 Ta4
(6.10)
dt
gdje je:
=
A
mcp
(6.11)
Koristei Taylorovu metodu rijeiti jednainu (6.10) za prvih 10 s. Uzeti da je

= 4 1012 (K3 /s)1 , Ta = 250 K i T (0) = T0 = 2500 K.
Rjeenje
Tano rjeenje jednaine (6.10) moe se dobiti razdvajanjem promjenljivih.
Koristei poetni uslov T (0) = T0 , dobiva se:

T0
1
(T0 Ta )(T0 + Ta )
T
arctg
+ ln
arctg
Ta
Ta
2
(T Ta )(T + Ta )
(6.12)
3
= 2Ta t
121
Uvrtavajui zadate veliine dobiva se rjeenje u obliku:
6187500
T
1
arctg
+ ln
250
2
(T 250)(T + 250)
12
= 2(4 10 )2503 t + arctg(10)
(6.13)
Rjeenje jednaine (6.13) za proizvoljnu vrijednost t nije mogue nai u zatvorenom obliku, pa je neophodno primijeniti neku od metoda za numeriko
rjeavanje jednaina za svaku pojedinanu vrijednosti t iz zadatog intervala.
Tano rjeenje u prvih 10 s dato je grafiki na slici 6.1.
3000
Temperatura T, K
2500
2000
1500
1000
0
10
Vrijeme t, s
Slika 6.1: Tano rjeenje problema zraenja
Rijeimo sada zadatak koristei Taylorovu metodu. Prema izrazu (6.6),

Taylorov red za T (t) je dat izrazom
1
1
1
T (t) = T0 + T 0 |0 t + T 00 |0 t2 + T 000 |0 t3 + T (4) |0 T 4 + . . .
2
6
24
(6.14)
gdje je t = t t0 = t. Koristei sada jednainu (6.10) dobivamo vrijednosti

za izvode u poetnoj taki kako slijedi:
T 0 |0 = (T 4 Ta4 )|0
= (4 1012 )(25004 2504 ) = 156.234375
(6.15)
122
T 0 T 0 0
+
T = 0 4T 3 T 0 = 4T 3 T 0
t
T
T 00 |0 = 4(4 1012 )25003 (156.234375) = 39.058594
T 00 = (T 0 )0 =
(6.16)
T 00 = 42 (T 7 T 3 Ta4 )
T 00 T 00 0
+
T = 0 + 42 (7T 6 3T 2 Ta4 )T 0
t
T
= 42 (7T 6 3T 2 Ta4 )T 0
T 000 = (T 00 )0 =
T 000 |0 = 4(4 1012 )2 (7 25006 3 25002 2504 )(156.234375)

T 000 |0 = 17.087402
(6.17)
T 000 = 43 (7T 10 10T 6 Ta4 + 3T 2 Ta8 )

T 000 T 000 0
+
T
t
T
= 0 43 (70T 9 60T 5 Ta4 + 6T t8a )T 0
T (4) = (T 000 )0 =
T (4) |0 = 4(4 1012 )3 (70 25009 60 25005 2504
(6.18)
+ 6 2500 2508 )(156.234375)

T (4) |0 = 10.679169
Uvrtavajui prethodno dobivene vrijednosti u izraz (6.14) dobiva se:
T (t) = 2500 156.284375t + 19.52929t2 2.8479t3 + 0.444965t4
(6.19)
Tano rjeenje i rjeenja dobivena izrazom (6.19) (uzimajui u obzir prva dva,
tri, etiri i svih pet lanova) data su grafiki na slici 6.2.
Na osnovu ovih podataka je jasno da se tanost rjeenja poveava sa poveanjem broja lanova Taylorovog reda. Meutim, ve za t > 2 s rjeenje je
veoma netano, tako da je potrebno koristiti mnogo vie lanova Taylorovog
reda, zbog ega je Taylorova metoda neefikasna u rjeavanju obinih diferencijalnih jednaina s poetnim vrijednostima.
Treba naglasiti da i pored injenice to Taylorova metoda nije efikasna u rjeavanju obinih diferencijalnih jednaina s poetnim vrijednostima, ona predstavlja osnovu za mnoge efikasne numerike metode. Kako se vidi iz slike 6.2
ona je vrlo tana za male vrijednosti t, i to upravo predstavlja osnovu za mnoge
druge metode u rjeavanju obinih diferencijalnih jednaina; metoda se moe
koristiti za mali vremenski korak u blizini poetne take, a zatim se odreenim
modifikacijama dobiva rjeenje za novu taku.
123
3000
Temperatura T, K
2500
2000
tacno rjesenje
Taylor 1. reda
Taylor 2. reda
Taylor 3. reda
Taylor 4. reda
1500
1000
0
10
Vrijeme t, s
Slika 6.2: Rjeenje problema zraenja Taylorovom metodom
6.2.2
Eulerova metoda
Eulerova metoda (ili metode) predstavlja najjednostavniju metodu za rjeavanje Cauchyjevog problema. Razlikujemo eksplicitnu i implicitnu Eulerovu
metodu.
Eksplicitna Eulerova metoda
Formula za eksplicitnu Eulerovu metodu se moe jednostavno dobiti iz jednaine Cauchyjevog problema, ako se prvi izvod aproksimira pomou formule za
diferenciranje unaprijed, tj.
y 0 = f (t, y)
yn+1 yn
= f (tn , yn )
h
(6.20)
(6.21)
pri emu je
h = xn+1 xn
(6.22)
i konano
yn+1 = yn + h f (tn , yn )
Osnovne karakteristike eksplicitne Eulerove metode su:
(6.23)
124
Metoda je eksplicitna, jer fn = f (tn , yn ) ne zavisi od yn+1 .

Potrebna je samo jedna poznata taka, pa metoda spada u jednokorane
metode (metode jedne poznate take).
Potrebno je samo jedno izraunavanje izvoda funkcije po koraku (iteraciji).
Moe se pokazati da je greka izraunavanja vrijednosti yn+1 drugog reda,
O(t2 ) (Ova greka se pravi u svakom iterativnom koraku i naziva se
lokalna greka), pa je greka koja se akumulira nakon N koraka, (tzv.
globalna greka) prvog reda, O(t).
Primjer 6.2
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti eksplicitnom Eulerovom metodom. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Koristei formulu (6.23), diferencijalna jednaina prenosa toplote zraenjem
(6.10)
dT
= T 0 = T 4 Ta4
dt
se moe napisati u obliku:
Tn+1 = Tn t(Tn4 Ta4 )
(6.24)
pri emu n predstavlja indeks vremenskog koraka. Za t = 2 i koristei

podatke iz zadatka 6.1 imamo redom:
T1 = T0 t(T04 Ta4 )
T1 = 2500 2(4 1012 )(25004 2504 ) = 2187.53125
T2 = T1 t(T14 Ta4 )
T2 = 2187.53125 2(4 1012 )(2187.531254 2504 ) = 2004.37027
...
Postupak rjeavanje je isti i za vremenski korak od 1 sekunde, s tim da se uzima
da je t = 1 s. Svi rezultati su dati u tabeli 6.1 s odgovarajuim grekama
(kolona T T). Vidi se da se smanjenjem koraka h znaajno poveava i tanost
rjeenja.
125

t = 1 s
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2343.77
-17.06
2248.25
2223.08
-25.17
2187.53
-60.72
2154.47
2125.40
-29.07
2004.37
-70.24
1875.27
-69.34
1776.37
-65.72
1696.74
-61.52
2074.61
2043.79
-30.82
2005.42
1974.01
-31.40
1944.62
1913.29
-31.33
1890.58
1859.70
-30.88
1842.09
1811.87
-30.22
1798.23
1768.78
-29.45
10
1758.26
1729.64
-28.62
Implicitna Eulerova metoda
Formula za implicitnu Eulerovu metodu se dobiva ako se posmatra taka sa

indeksom (n + 1) i u njoj primijeni formula za diferenciranje unazad, tj.
y 0 = f (t, y)
yn+1 yn
= f (tn+1 , yn+1 )
h
(6.25)
(6.26)
pri emu je
h = xn+1 xn
(6.27)
Konano se dobiva:
yn+1 = yn + h f (tn+1 , yn+1 )
(6.28)
Osnovne karakteristike implicitne Eulerove metode su:

Vrijednost yn+1 zavisi od vrijednosti fn+1 , pa je metoda implicitna.
Potrebna je samo jedna poznata taka, pa metoda spada u jednokorane
metode.
126
Potrebno je samo jedno izraunavanje izvoda funkcije po koraku.

Moe se pokazati da je greka izraunavanja vrijednosti yn+1 drugog reda,
O(t2 ), pa je greka koja se akumulira nakon N koraka, prvog reda,
O(t).
Primjer 6.3
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti implicitnom Eulerovom metodom. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Koristei formulu (6.28), diferencijalna jednaina prenosa toplote zraenjem
(6.10)
dT
= T 0 = T 4 Ta4
dt
se moe napisati u obliku:
4
Tn+1 = Tn t(Tn+1
Ta4 )
(6.29)
pri emu n predstavlja indeks iteracije (u vremenu). Iako je jednainu (6.29)

mogue analitiki rijeiti po Tn+1 , rjeavanje je neto komplikovanije, pa je za
njeno rjeavanje bolje koristiti neku od metoda za numeriko rjeavanje jednaina. Nakon to se izrauna vrijednost Tn+1 prelazi se na sljedeu iteraciju.
Dakle, za prvu iteraciju, uzimajui da je t = 1, dobiva se:
T1 = T0 t(T14 Ta4 )
T1 = 2500 1 (4 1012 )(T14 2504 )
(6.30)
pa jednainu treba rijeiti po T1 . Koristei na primjer Newton-Raphsonovu

metodu, dobija se:
T1 = 2373.14596
Nakon toga se prelazi na drugi vremenski korak i dobiva jednaina:
T2 = T1 t(T24 Ta4 )
T2 = 2373.14596 1 (4 1012 )(T24 2504 )
(6.31)
127
ijim se rjeavanjem dobiva:

T2 = 2267.431887
Postupak se nastavlja za sve posmatrane vrijednosti t. U tabeli 6.2 su dati
rezultati za prvih 10 sekundi za oba zadata vremenska koraka uz odgovarajuu
greku raunanja (kolona T T).
t = 1 s
t = 2 s
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2373.15
12.32
2248.25
2267.43
19.18
2282.79
34.54
2154.47
2177.52
23.05
2074.61
2099.77
25.16
2120.93
46.32
2005.42
2031.64
26.23
1944.62
1971.26
26.64
1994.39
49.78
1890.58
1917.23
26.65
1842.09
1868.49
26.39
1891.93
49.84
1798.23
1824.21
25.98
10
1758.26
1783.73
25.47
1806.72
48.46
t, s
T, K
Na osnovu rezultata datih u tabeli, moe se zakljuiti da je greka pri raunanju pomou implicitne Eulerove metode neto manja nego je to sluaj
pri koritenju eksplicitne metode. S druge strane, rijeeni primjer pokazuje
da se kod koritenja implicitne metode moe pojaviti potreba za numerikim
rjeavanjem jednaine koja slijedi iz izraza (6.28) u svakom koraku, to usporava proces rjeavanja. Ipak, sljedea diskusija pokazuje jo jednu vrlo vanu
osobinu, koja daje prednost koritenju implicitne Eulerove metode - osobinu
stabilnosti.
O stabilnosti Eulerovih metoda
Za neku metodu (konanih razlika), koja se koristi za rjeavanje obinih diferencijalnih jednaina, kae se da je stabilna ako za stabilnu obinu diferencijalnu
Pored stabilnosti, vrlo vano mjesto u prouavanju numerikih metoda za rjeavanje diferencijalnih
jednaina zauzimaju i osobine konzistentnost, red, i konvergencija [7].
128
jednainu daje ogranieno rjeenje, odnosno nestabilna ako daje neogranieno

rjeenje. Osobinu stabilnosti Eulerovih metoda emo pokazati na primjeru
homogene linearne diferencijalne jednaine prvog reda:
y 0 = y
y(0) = 1
(6.32)
Dakle, vrijedi f (t, y) = y, a tano rjeenje iznosi y(t) = et .

Koristei (6.23) za eksplicitnu metodu se dobiva:
yn+1 = yn + tf (t, yn ) = yn + t(yn )
yn+1 = (1 t)yn
(6.33)
a prema (6.28) izraz za implicitnu metodu glasi:

yn+1 = yn + tf (t, yn+1 ) = yn + t(yn+1 )
yn
yn+1 =
1 + t
(6.34)
Koristei prethodno dobivene izraze mogu se dobiti grafici dati na slici 6.3lijevo i desno, za eksplicitnu i implicitnu Eulerovu metodu, respektivno (na
graficima je dato i tano rjeenje). Pri tome, vremenski korak t se mijenja
od 0.25 do 3 sekunde za eksplicitnu i 0.5 do 5 sekundi za implicitnu metodu.
2
0.8
1
y(t)
y(t)
0.6
0
v
tacno
t=0.25 s
t=0.50 s
t=0.75 s
t=1.00 s
t=1.50 s
t=2.00 s
t=3.00 s
-1
-2
0
Vrijeme t, s
0.4
v
tacno
t=0.50 s
t=1.00 s
t=2.00 s
t=5.00 s
0.2
0
10
Vrijeme t, s
10
Slika 6.3: Problem stabilnosti Eulerovih metoda za razliite vrijednosti t: lijevo

eksplicitna, desno implicitna metoda
Sa slike 6.3-lijevo se vidi da se numeriko rjeenje ponaa korektno u fizikom

smislu (monotono opada) za t 1.0 s, a za t se pribliava tanom
rjeenju y() = 0. Za t = 1 s numeriko rjeenje dostie tano asimptotsko
rjeenje u jednom koraku.
Za sluaj kada je 1 t 2 s, numeriko rjeenje osciluje oko tanog
asimptotskog rjeenja, i pribliava mu se u priguenom obliku kada t .
129
Za t = 2 s, numeriko rjeenje stabilno osciluje oko tanog rjeenja i nikada

se ne pribliava asimptotskom rjeenju. Na taj nain se moe zakljuiti da su
rjeenja stabilna kada je t 2 s.
U sluajevima za t > 2 s, numeriko rjeenje osciluje oko tanog asimptotskog rjeenja ali na nestabilan nain eksponencijalno se udaljava izvan
fizikih granica. Ovo predstavlja numeriku nestabilnost. Dakle, moe se zakljuiti da je eksplicitna Eulerova metoda uslovno stabilna, poto je stabilna
samo za t 2 s. Ipak, treba naglasiti da je i oscilatorno ponaanje numerikih metoda nepoeljno, s obzirom da ne predstavlja fiziku realnost. Zbog
toga se openito usvaja vremenski korak za 50% krai od graninog za koji je
metoda stabilna.
S druge strane, iz slike 6.3-desno se jasno vidi da se rjeenja u sluaju
implicitne Eulerove metode uvijek, tj. za sve vrijednosti t, ponaaju fiziki
korektno i asimptotski pribliavaju tanom rjeenju.
Ovaj jednostavan primjer pokazuje u emu je osnovna prednost implicitne
metode u odnosu na eksplicitnu, s obzirom na injenicu da su obje metode istog
reda tanosti, a dobivanje rezultata implicitnom metodom znatno oteano. U
oba sluaja se, takoer, moe primijetiti da se greka poveava s poveanjem
vremenskog koraka.
6.2.3
Runge-Kutta metode
Runge-Kutta metode predstavljaju grupu jednokoranih metoda kod kojih se

y = yn+1 yn izraunava kao teinski zbir nekoliko razlika yi (i = 1, 2, . . .),
pri emu se svako yi izraunava kao proizvod t i izvoda funkcije, f (t, y), u
nekoj taki iz intervala tn t tn+1 . Na taj nain imamo:
yn+1 = yn + y
y = C1 y1 + C2 y2 + C3 y3 + . . .
(6.35)
(6.36)
gdje su Ci (i = 1, 2, . . .) teinski faktori (koeficijenti ).

Runge-Kutta drugog reda
Za Runge-Kutta metodu drugog reda, y se dobiva kao teinski zbir dvije

razlike y, tj.
yn+1 = yn + C1 y1 + C2 y2
gdje je razlika y1 data eksplicitnom Eulerovom formulom (6.23):
y1 = t f (tn , yn ) = t fn
(6.37)
130
a y2 se rauna na osnovu vrijednosti funkcije f (t, y) negdje na intervalu

tn t tn+1 , tj.:
y2 = t f [(tn + (t), yn + (y1 ))
(6.38)
Moe se pokazati da postoji beskonano mnogo rjeenja za izbor parametara

C1 , C2 , i , a jedno od takvih rjeenja je C1 = C2 = 1/2 i = = 1. Na
ovaj nain se dobiva metoda koja se naziva modifikovana Eulerova metoda, ili
prva modifikacija Eulerove metode, a formule imaju oblik:
y1 = hf (tn , yn ) = hfn
y2 = hf (tn + t, yn + y1 ) = hfn+1
1
1
h
yn+1 = yn + y1 + y2 = yn + (fn + fn+1 )
2
2
2
(6.39a)
(6.39b)
(6.39c)
Iz prethodnog se vidi da je za ovu metodu neophodno dva puta izraunati

vrijednost funkcije izvoda u svakom vremenskom koraku. Moe se pokazati
da je modifikovana Eulerova metoda drugog reda tanosti (globalna greka je
drugog reda), i uslovno stabilna.
Primjer 6.4
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti modifikovanom Eulerovom metodom. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Kao i u prethodnim primjerima funkcija izvoda je jednaka
f (t, T ) = (T 4 Ta4 )
pa se prema izrazu (6.39a) za prvi vremenski korak uz t = 2 dobiva:
y1 = tf (t0 , T0 ) = 2[(T04 Ta4 )]
= 2[4 1012 (25004 2504 )]
y1 = 312.46875
(6.40)
Sada je prema (6.39b):

y2 = tf (t0 + t, T0 + y1 ) = 2[((T0 + y1 )4 Ta4 )]
= 2[4 1012 ((2500 312.46875)4 2504 )]
y2 = 183.16098
(6.41)
131
Vrijednost T0 + y1 se naziva prediktor vrijednost, a njeno raunanje prediktor

faza ili prediktor jednaina konanih razlika. Ovakav postupak rjeavanja je
poznat pod imenom prediktor-korektor metoda. Konano se na osnovu formule
(6.39c), dobiva rjeenje, koje se jo naziva i korektor rjeenje, i to:
1
T1 = T0 + (y1 + y2 )
2
1
= 2500 + (312.46875 183.16098)
2
T1 = 2252.18513
(6.42)
Rezultati za vremenske korake jednake 1 i 2 sekunde s odgovarajuim grekama

(kolona T T) dati su u tabeli 6.3. Vidi se da je da je ova metoda znatno
tanija (vie od 10 puta) od prethodno opisanih metoda.
t = 1 s
t, s
T, K
t = 2 s
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2361.54
0.71
2248.25
2249.26
1.01
2252.19
3.94
2154.47
2155.59
1.12
2074.61
2075.76
1.15
2079.15
4.54
2005.42
2006.55
1.13
1944.62
1945.71
1.09
1948.97
4.35
1890.58
1891.63
1.05
1842.09
1843.09
1.00
1846.08
3.99
1798.23
1799.17
0.94
10
1758.26
1759.16
0.90
1761.86
3.60
Osim prethodnog izbora, esto se za koeficijent C1 bira vrijednost C1 = 0,

pa se za ostale koeficijente dobiva: C2 = 1 i = = 1/2. Na ovaj nain dobiva
se tzv. modifikovana metoda srednje vrijednosti, poboljana Eulerova metoda,
ili druga modifikacija Eulerove metode. Metoda je data sljedeim formulama:
y1 = hf (tn , yn ) = hfn
h
y1
y2 = hf tn + , yn +
= hfn+1/2
2
2
(6.43a)
(6.43b)
132
yn+1 = yn + 0 y1 + 1 y2 = yn + hfn+1/2
(6.43c)
I ova metoda predstavlja prediktor-korektor metodu za koju je u svakom vremenskom koraku neophodno dva puta izraunati vrijednost funkcije izvoda.
Slino prethodnoj, i ova metoda je drugog reda tanosti (globalna greka je
drugog reda) i uslovno je stabilna.
Primjer 6.5
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti modifikovanom metodom srednje vrijednosti. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Prema izrazu (6.43a) za prvi vremenski korak uz t = 2 dobiva se:
y1 = tf (t0 , T0 ) = 2[(T04 Ta4 )]
= 2[4 1012 (25004 2504 )]
y1 = 312.46875
(6.44)
Sada se prema (6.43b) dobiva:

t
y1
, T0 +
)
2
2
y1 4
= 2[((T0 +
) Ta4 )]
2
= 2[4 1012 ((2500 312.46875/2)4 2504 )]
y2 = 241.37399
y2 = tf (t0 +
(6.45)
U ovom sluaju prediktor vrijednost data je izrazom T0 + (y1 )/2. Konano

se na osnovu (6.43c), dobiva (korektor) rjeenje:
T1 = T0 + y2 = 2500 + (241.37399)
T1 = 2258.626001
(6.46)
Rezultati za vremenske korake jednake 1 i 2 dati su u tabeli 6.4. Kako se vidi

iz tabele, metoda je neto manje tana od prethodno opisane metode, ali jo
uvijek znatno tanija od eksplicitne i implicitne Eulerove metode.
133

t = 1 s
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2362.40
1.57
2248.25
2250.46
2.21
2258.63
10.38
2154.47
2156.91
2.44
2074.61
2077.09
2.48
2086.27
11.66
2005.42
2007.85
2.43
1944.62
1946.96
2.34
1955.59
10.97
1890.58
1892.82
2.24
1842.09
1844.22
2.13
1852.00
9.91
1798.23
1800.24
2.01
10
1758.26
1760.17
1.91
1767.12
8.86
Runge-Kutta etvrtog reda
Najpoznatija Runge-Kutta metoda je ona etvrtog reda. Kao i u prethodnom sluaju, postoji beskonano mnogo rjeenja za izbor parametara , ali je
najpoznatija tzv. standardna Runge-Kutta metoda data sljedeim formulama:
1
yn+1 = yn + (y1 + 2y2 + 2y3 + y4 )
6
y1 = hf (tn , yn )
h
y1
y2 = hf tn + , yn +
2
2
y2
h
y3 = hf tn + , yn +
2
2
y4 = hf (tn + h, yn + y3 )
(6.47)
(6.48a)
(6.48b)
(6.48c)
(6.48d)
Osnovne karakteristike Runge-Kutta metode etvrtog reda su:

1. Potrebna je samo jedna poznata taka, pa metoda spada u jednokorane
metode
Ukupno je potrebno odrediti osam parametara - etiri C parametra (i = 1, 2, 3, 4) i etiri preostala (,
i
, i )
134
2. Aproksimirane jednaine su eksplicitne i zahtijevaju etiri izraunavanja

funkcije izvoda u jednom koraku (iteraciji)
3. Moe se pokazati da je lokalna greka reda O(t5 ), a globalna reda O(t4 )
4. Jednaine su uslovno stabilne.
Primjer 6.6
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti Runge-Kutta metodom etvrtog reda. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Na osnovu izraza (6.47) i (6.48) dobiva se:
1
Tn+1 = Tn + (y1 + 2y2 + 2y3 + y4 )
6
y1 = tf (tn , Tn )
t
y1
y2 = tf tn +
, Tn +
2
2
t
y2
y3 = tf tn +
, Tn +
2
2
y4 = tf (tn + t, Tn + y3 )
(6.49)
(6.50a)
(6.50b)
(6.50c)
(6.50d)
Ako se sada uzme da je funkcija izvoda jednaka (T 4 Ta4 ) i vremenski korak

t = 2, imamo za prvu iteraciju, T1 :
y1 = tf (t0 , T0 ) = 2[(T04 Ta4 )]
= 2[4 1012 (25004 2504 )]
y1 = 312.46875
t
y1
, T0 +
)
2
2
y1 4
= 2[((T0 +
) Ta4 )]
2
= 2[4 1012 ((2500 312.46875/2)4 2504 )]
y2 = 241.37399
(6.51)
y2 = tf (t0 +
(6.52)
t
y2
, Tn +
y3 = tf tn +
2
2
y2 4
= 2[((T0 +
) Ta4 )]
2
= 2[4 1012 ((2500 241.37399/2)4 2504 )]
y3 = 256.355925
135
(6.53)
y4 = tf (tn + t, Tn + y3 )
= 2[((T0 + y3 )4 Ta4 )]
= 2[4 1012 ((2500 256.355925)4 2504 )]
y4 = 202.693063
(6.54)
Uvrtavajui prethodno dobivene vrijednosti u formulu (6.49) dobiva se:

1
T1 = T0 + (y1 + 2y2 + 2y3 + y4 )
6
1
= 2500 + [312.46875 + 2(241.37399)
(6.55)
6
+ 2(256.355925) 202.69306]
T1 = 2248.229723
Rezultati za prvih 10 sekundi za oba vremenska koraka dati su u tabeli 6.5.
Na osnovu greke raunanja moe se zakljuiti da je Runge-Kutta metoda za
pokazani primjer ak 110000 puta tanija od eksplicitne Eulerove metode, i
oko 3500 puta tanija od prve modifikacije Eulerove metode. Na taj nain se
pokazuje osnovna prednost koritenja metoda vieg reda.
6.2.4
Ostale metode
U prethodnim dijelovima su date najee koritene jednokorane metode za

numeriko rjeavanje obinih diferencijalnih jednaina. Meutim, postoji i niz
drugih metoda kao to su ekstrapolacione, te viekorane metode. Kod ekstrapolacionih metoda se proraun vri za vie razliitih vremenskih koraka, a
onda se na osnovu greaka za pojedine vremenske korake, pomou ekstrapolacije dolazi do numerikog rjeenja.
S druge strane, viekorane metode koriste vie taaka za raunanje vrijednosti funkcije u novim takama. Postoji itav niz ovih metoda meu kojima
su najpoznatije Adamsova i njene varijante [5, 6, 10].
136

t = 1 s
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00000
2500.00000
2500.00
2360.83000
2360.82956
-0.00044
2248.24730
2248.24681
-0.00049
2248.22972
-0.02
2154.47080
2154.47030
-0.00050
2074.59623
-0.02
1944.60559
-0.01
1842.08395
-0.01
1758.25452
-0.01
2074.61190
2074.61144
-0.00046
2005.41640
2005.41595
-0.00045
1944.61840
1944.61804
-0.00036
1890.58290
1890.58252
-0.00038
1842.09450
1842.09420
-0.00030
1798.22790
1798.22758
-0.00032
10
1758.26340
1758.26311
-0.00029
U svrhu rjeavanja optih diferencijalnih jednaina prvog reda s poetnim

vrijednostima kod kojih je funkcija izvoda nelinearna (kao to je problem prenosa toplote zraenjem), koriste se i procedure za rjeavanje nelinearnih implicitnih jednaina konanih razlika. Najpoznatije meu njima su procedure
vremenske linearizacije, te Newtonova metoda, i mogu se nai u literaturi [10].
6.3
Obine diferencijalne jednaine vieg reda
U prethodnim poglavljima obraene su metode rjeavanja obinih diferencijalnih jednaina prvog reda (Cauchyjev problem). Meutim, veliki broj prirodnih
procesa, problema u inenjerstvu i sl. opisuje se diferencijalnim jednainama
vieg reda (jednaine kretanja, na primjer). Kao to je poznato, diferencijalne
jednaine vieg reda se openito mogu svesti na sistem obinih diferencijalnih
jednaina prvog reda. U sluajevima kada se radi o sistemu jednaina vieg
reda, svaka od jednaina sistema se moe svesti na sistem obinih diferencijalnih jednaina prvog reda, pa se i sistem diferencijalnih jednaina vieg reda
tada svodi na sistem diferencijalnih jednaina prvog reda. Na taj nain se oba
problema mogu rjeavati koristei iste metode.
Posmatrajmo, na primjer, optu diferencijalnu jednainu n-tog reda s poetnim vrijednostima:
y (n) = f (t, y, y 0 , y 00 , . . . , y (n1) )
(6.56)
Obine diferencijalne jednaine vieg reda
y(t0 ) = y0
(i)
i y (i) (t0 ) = y0
137
(i = 1, 2, . . . , n 1)
(6.57)
Ova jednaina se moe zamijeniti ekvivalentnim sistemom od n diferencijalnih

jednaina prvog reda, pri emu se definie n pomonih promjenljivih:
y1 = y
y2 = y 0 = y10
y3 = y 00 = y20
.........
(6.58)
0
yn = y (n1) = yn1
Diferenciranjem posljednje jednaine dobiva se:

yn0 = y (n)
(6.59)
Preureenjem sistema jednaina (6.58), i uvrtavanjem dobivenih rezultata u

jednainu (6.59), dobiva se sljedei sistem od n diferencijalnih jednaina prvog
reda:
y10 = y2
y20 = y3
.........
0
yn1
= yn
y1 (0) = y0
y2 (0) = y00
(6.60)
yn1 (0) =
yn0 = F (t, y1 , y2 , . . . , yn )
(n2)
y0
(n1)
yn (0) = y0
gdje je posljednja jednaina u nizu poetna diferencijalna jednaina n-tog reda

(6.56), izraena pomou pomonih promjenljivih yi (i = 1, 2, . . . , n). Ovakva
redukcija se gotovo uvijek moe ostvariti, a dobiveni sistem od n diferencijalnih
jednaina prvog reda se moe rijeiti na nain opisan u narednom poglavlju.
Primjer 6.7
Na primjeru diferencijalne jednaine koja opisuje vertikalni let rakete, opisati
postupak svoenja diferencijalne jednaine vieg reda na sistem diferencijalnih
jednaina prvog reda.
138
Rjeenje
Slika 6.4: Vertikalni let rakete
Fizikalni sistem koji opisuje problem vertikalnog leta rakete dat je na slici
6.4. Za takav sistem moe se postaviti jednaina drugog Newtonovog zakona
kako slijedi:
X
F = T mg D = ma = mv 0 = my 00
(6.61)
pri emu je RT sila koju proizvodi motor rakete, m trenutna masa rakete,
t
m(t) = m0 0 mdt,
m0 poetna masa rakete, m

brzina promjene mase rakete,
g gravitaciono ubrzanje koje openito zavisi od nadmorske visine y, D aerodinamiki uzgon, a ubrzanje rakete, a v brzina rakete. Poetna brzina rakete
jednaka je v(0) = v0 = 0, a poetna visina y(0) = y0 = 0.
Ako se pretpostavi da su promjena mase, m,
i gravitaciono ubrzanje konstantni, te aerodinamiki uzgon zanemariv, dolazi se do sljedee diferencijalne
jednaine drugog reda s poetnim uslovima:
y 00 =
T
g
m0 mt
y(0) = 0 y 0 (0) = 0
(6.62)
Ova jednaina se moe svesti na sistem diferencijalnih jednaina prvog reda na

sljedei nain. Ako uzmemo pomonu promjenljivu v i stavimo da je y 0 = v,
direktno se dobiva sljedei sistem s odgovarajuim poetnim uslovima:
y0 = v
v0 =
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
(6.63)
Sistem obinih diferencijalnih jednaina
139
Jednaine (6.63) predstavljaju sistem od dvije diferencijalne jednaine prvog

reda, koji se moe rijeiti jednom od metoda za numeriko rjeavanje obinih
diferencijalnih jednaina prvog reda s poetnim uslovima, kako je objanjeno
u daljem tekstu.
6.4
Mnogi problemi u praksi ukljuuju nekoliko zavisno promjenljivih, od kojih

je svaka funkcija jedne te iste nezavisne promjenljive i jedne ili vie zavisnih
promjenljivih, i od kojih se svaka moe opisati obinom diferencijalnom jednainom. Tako se dobiva sistem obinih diferencijalnih jednaina, kao na primjer
sistem obinih diferencijalnih jednaina prvog reda:
y 0 = f (t, y, z)
z 0 = f (t, y, z)
(6.64a)
(6.64b)
U prethodnom poglavlju smo vidjeli da se i diferencijalne jednaine vieg

reda mogu svesti na sistem diferencijalnih jednaina prvog reda. Na taj nain,
obje vrste problema se mogu numeriki rijeiti na isti nain, tj. koritenjem
istih metoda.
Svaka od diferencijalnih jednaina u sistemu jednaina se moe rijeiti kao
pojedinana diferencijalna jednaina koristei metode opisane u prethodnim
poglavljima. Jedina razlika je u tome to se mora voditi posebna panja o
redosljedu raunanja. Takoer, veliina koraka mora biti jednaka za sve jednaine.
Primjer 6.8
Sistem obinih diferencijalnih jednaina prvog reda (6.63) dobiven u primjeru
6.7
y0 = v
v0 =
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
rijeiti koristei Runge-Kutta metodu. Uzeti da je T = 10000 N, m0 = 100 kg,

m
= 5 kg/s, g = 9.8 m/s2 , te t = 1 s.
140
Rjeenje
Tano rjeenje sistema
y 0 = f (t, y, v) = v
v 0 = g(t, y, v) =
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
je dato jednainama:
T
mt
v(t) = ln 1
gt
m
m0
mt
mt
Tt 1 2
m0 T
y(t) =
1
ln 1
+
gt
m
m
m0
m0
m
(6.65)
(6.66)
odnosno
v(t) = 1000 ln (1 0.05t) 9.8t
y(t) = 10000 (1 0.05t) ln (1 0.05t) + 2000t 4.9t2
(6.67)
Rijeimo sada zadatak koristei Runge-Kutta metodu. Uvrtavajui zadate

vrijednosti u sistem jednaina (6.65), dobiva se sistem diferencijalnih jednaina:
y0 = v
y(0) = 0
10000
v0 =
9.8
100 5t
y 0 (0) = 0
(6.68)
Prvo sa yi (i = 1, 2, 3, 4) oznaimo inkremente (priraste) funkcije y(t), a sa

vi (i = 1, 2, 3, 4) inkremente funkcije v(t), pa prema izrazu (6.47) imamo:
1
yn+1 = yn + (y1 + 2y2 + 2y3 + y4 )
6
1
vn+1 = vn + (v1 + 2v2 + 2v3 + v4 )
6
gdje su odgovarajui inkrementi dati formulama:
y1 = tf (tn , yn , vn )
v1 = tg(tn , yn , vn )
y1
v1
t
, yn +
, vn +
y2 = tf tn +
2
2
2
t
y1
v1
v2 = tg tn +
, yn +
, vn +
2
2
2
(6.69)
(6.70a)
(6.70b)
(6.70c)
(6.70d)
141
y3
v3
y4
v4
t
y2
v2
= tf tn +
, yn +
, vn +
2
2
2
y2
v2
t
= tg tn +
, yn +
, vn +
2
2
2
= tf (tn + t, yn + y3 , vn + v3 )
= tg(tn + t, yn + y3 , vn + v3 )
(6.70e)
(6.70f)
(6.70g)
(6.70h)
Vrlo vano je napomenuti da se algoritam rjeavanja sastoji u tome da se

prvo izraunavaju vrijednosti y1 i v1 , pa tek onda ide na izraunavanje
vrijednosti y2 i v2 , zatim na rjeavanje vrijednosti inkremenata y3 i v3 ,
itd. Vrijednost vremenskog inkrementa mora biti ista za sve jednaine i iznosi
t.
Funkcije f (t, y, v) i g(t, y, v), a time i inkrementi dati izrazima (6.70), openito zavise od promjenljivih t, y i v, ali se s obzirom na jednaine (6.65) i
uvrtavajui zadate vrijednosti, inkrementi mogu svesti na sljedei oblik:
y1 = tvn
10000
v1 = t
9.8
100 5tn
v1
y2 = t vn +
2
10000
v2 = t
9.8
100 5(tn + t/2)
v2
y3 = t vn +
2
10000
v3 = t
9.8
100 5(tn + t/2)
y4 = t(vn + v3 )
10000
9.8
v4 = t
100 5(tn + t)
(6.71a)
(6.71b)
(6.71c)
(6.71d)
(6.71e)
(6.71f)
(6.71g)
(6.71h)
Sada, za prvi vremenski korak i t = 1 raunamo redom:

y1 = 1 0 = 0
10000
9.8 = 90.2
v1 = 1
100 5 0
90.2
y2 = 1 0 +
= 45.1
2
(6.72a)
(6.72b)
(6.72c)
142
v2
y3
v3
y4
v4
10000
=1
9.8 = 92.7641
100 5(0 + 1/2)
95.463158
=1 0+
= 46.382
2
10000
=1
9.8 = 92.7641
100 5(0 + 1/2)
= 1(0 + 95.463158) = 92.7641
10000
=1
9.8 = 95.4631
100 5(0 + 1)
(6.72d)
(6.72e)
(6.72f)
(6.72g)
(6.72h)
Uvrtavajui dobivene vrijednosti u izraze (6.69) dobivamo rjeenje za prvi

vremenski korak:
1
y1 = 0 + [0 + 2(45.1 + 46.382) + 95.4631] = 45.9547
6
(6.73)
1
v1 = 0 + [90.2 + 2(92.7641 + 92.7641) + 95.4631] = 92.7866
6
U tabeli 6.6 data su rjeenja za y i v za prvih deset sekundi s tanim rjeenjima,
y i v. S obzirom na mala odstupanja izmeu analitikog i numerikog rjeenja,
moe se zakljuiti da je metoda izuzetno efikasna u rjeavanju problema ovog
tipa.
t, s
y, m
y, m
v, m/s
v, m/s
0.0000
0.0000
0.0000
0.0000
45.9548
45.9547
92.7866
92.7866
187.4214
187.4212
191.1210
191.1210
430.2564
430.2560
295.6379
295.6379
781.0064
781.0058
407.0871
407.0871
1247.0378
1247.0370
526.3641
526.3642
1836.7016
1836.7004
654.5499
654.5500
2559.5442
2559.5426
792.9658
792.9660
3426.5850
3426.5829
943.2512
943.2514
4450.6860
4450.6832
1107.4740
1107.4743
10
5647.0564
5647.0525
1288.2944
1288.2947
Treba naglasiti da je prethodni primjer jednostavna verzija problema vertikalnog leta rakete. U realnosti sve veliine mogu biti zavisne od sve tri
Rjeavanje problema graninih vrijednosti
143
promjenljive, t, y i v, tako da se mogu dobiti komplikovaniji oblici jednaine

(6.62) . No, i u ovom sluaju postupak rjeavanja je potpuno isti, s tim da je
potrebno prije proraunavanja, na primjer, veliine y2 , koja ovisi o tn +t/2,
yn + y1 /2 i vn + v1 /2, izraunati sve veliine koje su zavisne od navedenih
promjenljivih (na primjer, za jednainu u fusnoti treba izraunati vrijednosti
T , m, i cD ).
6.5
Kao to je reeno u uvodnom dijelu, primjer problema graninih vrijednosti

je rjeavanje diferencijalne jednaine drugog reda s graninim vrijednostima,
koja je data u sljedeem obliku:
y 00 + P (x, y)y 0 + Q(x, y)y = F (x)
y(x1 ) = y1 i y(x2 ) = y2
(6.74)
Rjeenje ove jednaine je funkcija, koja zadovoljava dva granina uslova na

dvije granice oblasti (domene) rjeavanja, pri emu je oblast rjeavanja zatvorena, tj. x1 x x2 .
U svrhu rjeavanja jednaina tipa (6.74) u narednim poglavljima bie pokazane dvije fundamentalno razliite metode:
1. metoda gaanja, i
2. metoda konanih razlika.
6.5.1
Metoda gaanja
Metoda gaanja transformie diferencijalnu jednainu s graninim vrijednostima na sistem diferencijalnih jednaina prvog reda s poetnim vrijednostima,
koje se mogu rijeiti koristei metode za rjeavanje problema poetnih vrijednosti. Na primjer, jednaina (6.74)
y 00 + P (x, y)y 0 + Q(x, y)y = F (x)
y(x1 ) = y1 i y(x2 ) = y2
Na
primjer,
y 00 =
cD (, V, y) 12 (y)Av 2
T (t, y)
g(y)
Rt
R
m0 0 mdt
m0 0t mdt
y(0) = 0
y 0 (0) = 0
gdje je cD empirijski koeficijent uzgona, specifina gustina atmosfere, a A popreni presjek rakete.
144
se svodi na sljedei sistem diferencijalnih jednaina prvog reda sa poetnim

vrijednostima:
y0 = v
y(x1 ) = y1
0
v + P (x, y)v + Q(x, y)y = F (x)
v(x1 ) = v1
(6.75)
Dakle, granini uslov na jednoj strani se koristiti kao poetni uslov (uslov
y(x1 ) = y1 ), a granini uslov na drugoj strani ostaje neiskoriten (uslov y(x2 ) =
y2 ). Dodatni poetni uslov, koji je potreban za v, se pretpostavi (uslov v(x1 ) =
v1 ), a zatim se rijei sistem (6.75). Ukoliko je
|y(x2 ) y2 | <
(6.76)
gdje je zadana tanost, problem je rijeen. Ukoliko nije, (iterativni) proces

se nastavlja promjenom dodatnog poetnog uslova (v(x1 ) = v1 ). Obino se u
prve dvije aproksimacije pretpostave dodatni poetni uslovi, a zatim se upotrebom metode sekante dolazi do sljedeih aproksimacija. Proces rjeavanja
se zaustavlja kada se ispuni uslov (6.76). U figurativnom smislu, pokuava
se gaanjem doi do tanog rjeenja, odakle i ime metode. Primjena metode
gaanja je pokazana u sljedeem primjeru.
Primjer 6.9
Stacionarni problem jednodimenzionalnog prenosa toplote sastoji se od toplotne difuzije, odnosno kondukcije, uzdu ipke s konstantnim poprenim presjekom i toplotne konvekcije na okolinu. Moe se pokazati da se ovaj problem
opisuje sljedeom obinom diferencijalnom jednainom drugog reda s graninim vrijednostima:
d2 T
2 T = 2 Ta
dT 2
T (x1 ) = T (0) = T1 T (x2 ) = T (L) = T2
(6.77)
gdje je T temperatura u ipki, = hP/kA, h koeficijent prenosa toplote, P

perimetar ipke, k toplotna provodljivost, A i L popreni presjek i duina ipke,
respektivno, Ta temperatura okoline, a T1 i T2 temperature na krajevima ipke.
Uzeti da je: L = 0.01 m, T1 = 0 C, T2 = 100 C, = 400 m1 , Ta = 0 C,
i x = 0.0025 m.
145
Rjeenje
Tano rjeenje jednaine (6.77) za T i T 0 dato je jednainama:
T (x) = Aex + Bex + Ta
T 0 (x) = (Aex Bex )
(6.78)
gdje je:
(T2 Ta ) (T1 T2 )eL
eL ex
(T1 T2 )eL (T2 Ta )
B=
eL ex
A=
Uzimajui u obzir zadatke podatke, dobiva se rjeenje:

T (x) = 1.832179(e400x e400x )
(6.79)
T 0 (x) = 732.8716(e400x + e400x )
Rijeimo sada jednainu (6.77) koristei metodu gaanja. Prvo, zadatu

diferencijalnu jednainu drugog reda (6.77), svodimo na sistem od dvije obine
diferencijalne jednaine prvog reda s poetnim vrijednostima kako je opisano
u poglavlju 6.3:
T 0 = u T (0) = 0
(6.80)
u0 = 2 (T Ta ) u(0) = T 0 (0)
pri emu se drugi uslov na poetnoj granici, u(0) = T 0 (0), pretpostavi.

0
Pretpostavimo da je za prvu aproksimaciju u(0) = T (1) (0) = 1000 C/m, i
rijeimo sistem koristei Runge-Kutta metodu, kao to je pokazano u poglavlju
6.4. U tabeli 6.7 sumarno su dati rezultati za T i T 0 .
T 0 (0) = 1000 C/m
T 0 (0) = 2000 C/m
x, m
T , C
T 0 , C/m
T , C
T 0 , C/m
0.0000
1000.0000
0.0000
2000.0000
0.0025
2.9167
1541.6667
5.8333
3083.3333
0.0050
8.9931
3737.8472
17.9861
7475.6944
0.0075
24.7664
9959.2737
49.5327
19918.5475
0.0100
67.22934
26911.50957
134.45867
53823.01915
146
Na osnovu tabele se vidi da je vrijednost temperature na drugoj granici

jednaka T (1) (L) = 67.22934 C, to je manje od zadate vrijednosti na istoj
granici, tj. T (L) = 100 C. Sada pretpostavimo drugu aproksimaciju uslova
0
T 0 (0) na poetnoj granici, na primjer T (2) (0) = 2000 C/m, te ponovimo
postupak rjeavanja sistema jednaina (6.80) s novim poetnim uslovima. U
tabeli 6.7 sumarno su dati rezultati i za ovu pretpostavku dodatnog poetnog
uslova.
Ovaj put rjeenje na drugoj granici, T (2) (L) = 134.45867 C, je vee od
zadatog, T (L) = 100 C, pa postupak treba ponoviti koristei novu aproksimaciju. U tu svrhu se najee koristi metoda sekante, pri emu su prve dvije
0
aproksimacije jednake onim koje smo pretpostavili, tj. T (1) (0) = 1000 C/m i
0 (2)
T (0) = 2000 C/m. Opta formula ima oblik:
T (L) T (n+1) (L)
nagib
(n+1)
(n)
T
(L) T (L)
nagib = 0 (n+1)
T
(0) T 0 (n) (0)
T
0 (n+2)
(0) = T
0 (n+1)
(0) +
(6.81)
pri emu indeks (n + 2) predstavlja broja iteracije. Dakle, za sljedeu aprok0

simaciju, T (3) , se dobiva:
134.45867 67.22934
= 0.06722933
2000 1000
100 134.45867
0
T (3) (0) = 2000 +
= 1487.4459
0.06722933
nagib =
(6.82)
Koristei dobiveno rjeenje T (3) (0) ponovimo postupak rjeavanja sistema

(6.80). Rezultati su dati u tabeli 6.8 uz tano rjeenje prema izrazima (6.78).
x, m
T, C
T , C
T0 , C/m
T 0 , C/m
1465.74
1487.45
0.0025
4.3064
4.3384
2261.76
2293.15
0.0050
13.2901
13.3767
5514.41
5559.85
0.0075
36.7091
36.8386
14756.60
14813.88
0.0100
100.0000
100.0000
40026.85
40029.42
Na osnovu tabele, lako se zakljuuje da se radi o tanom rjeenju, s obzirom

da je T (L) = 100 C. Ovo se moglo i oekivati u ovoj iteraciji (linearna
aproksimacija vrijednosti), s obzirom da se radi o linearnom problemu.
147
Sljedei primjer pokazuje primjenu metode gaanja za sluaj kada je na drugoj granici umjesto vrijednosti funkcije (y(x2 ) = x2 ) poznata vrijednost prvog
izvoda funkcije (y 0 (x2 ) = y20 ). Postupak rjeavanja je isti kao u prethodnom
sluaju, osim to se umjesto "gaanja" vrijednosti funkcije na kraju intervala
"gaa" vrijednost prvog izvoda na tom kraju.
Primjer 6.10
Rijeiti zadatak iz primjera 6.9, s tim da je na drugom kraju ipka izolirana,
tj. T 0 (L) = 0.
Rjeenje
U ovom sluaju treba rijeiti diferencijalnu jednainu s graninim uslovima:
d2 T
2 T = 2 Ta
2
dT
T (0) = T1 T 0 (L) = 0
(6.83)
odnosno sistem diferencijalnih jednaina:

T 0 = u T (0) = 0
u0 = 2 (T Ta ) u(0) = T 0 (0)
(6.84)
Analitiko rjeenje je dato izrazom:

T (x) = Aex + Bex + Ta
T 0 (x) = (Aex Bex )
(6.85)
s tim da je:
(T1 Ta )
1 + e2L
(T1 Ta )e2L
B=
1 + e2L
A=
odnosno za zadate podatke:

T (x) = 0.03353501(e4x + 99.96646499e4x )
T 0 (x) = 0.13414004(e4x 99.96646499e4x )
(6.86)
Slino prethodnom primjeru, prvo pretpostavimo dvije vrijednosti za T 0 (0),

0
0
na primjer T (1) (0) = 40000 C/m i T (2) (0) = 35000 C/m i rijeimo
148
zadatak koristei neku od metoda za rjeavanje sistema obinih diferencijalnih

jednaina s poetnim vrijednostima. U tabeli 6.9 su dati rezultati prorauna
za obje pretpostavljene vrijednosti T 0 (0).
T 0 (0) = 40000 C/m
T 0 (0) = 35000 C/m
x, m
T , C
T 0 , C/m
T , C
T 0 , C/m
100.0000
-40000.0000
100.0000
-35000.0000
0.0025
37.5000
-15000.0000
52.0833
-7291.6667
0.0050
14.0625
-5625.0000
59.0278
13064.2361
0.0075
5.2734
-2109.3750
129.1052
47686.9936
0.0100
1.97754
-791.01563
338.12422
133766.5322
Vidi se da je vrijednost T 0 (L) za T (1) (0) = 40000 C/m jednaka T (1) (L) =
0
0
791.01563 C/m, dok je za T (2) (0) = 35000 C/m jednaka T (2) (L) =
133766.5322 C/m, pa sljedeu aproksimaciju traimo koristei metodu sekante
(ovaj put umjesto vrijednosti T koristimo vrijednosti T 0 ), tj.
0
T 0 (L) T (2) (L)

T (0) = T (0) +
nagib
0 (2)
0 (1)
T (L) T (L)
nagib = 0 (2)
T (0) T 0 (1) (0)
(6.87)
133766.5322 (791.01563)
= 26.912
35000 (40000)
0 133766.5322
0
T (3) (0) = 35000 +
= 39970.6068
26.912
(6.88)
0 (3)
0 (2)
nagib =

x, m
T, C
T , C T0 , C/m
T 0 , C/m
100
100
-39973.17
-39970.6068
0.0025
36.8668
37.5857
-14673.78
-14954.6855
0.0050
13.7768
14.3268
-5312.48
-5515.1327
0.0075
5.6506
6.0014
-1721.39
-1816.6401
0.0100
3.6619
3.9536
0.00
-0.0002
Koristei dobiveno rjeenje T (3) (0) = 39970.6068 C/m, ponovimo postupak rjeavanja sistema (6.83). Rezultati su dati u tabeli 6.10 uz tano rjeenje
149
prema izrazima (6.85). Ovaj put odstupanja numerikog rjeenja od analitikog su neto vea nego u prethodnom primjeru, ali se tanost moe poveati
smanjenjem koraka x (Zaokruivanje vrijednosti T 0 (L) na etvrtu decimalu,
takoer je utjecalo na rezultat!).
6.5.2
Metoda konanih razlika
Metoda konanih razlika primijenjena na problem rjeavanja obine diferencijalne jednaine drugog reda s graninim vrijednostima, se ostvaruje kroz
sljedee korake:
1. Neprekidna oblast (domena) se prekrije numerikom mreom , tj. podijeli
na odreeni broj pod-domena.
2. Izvodi u diferencijalnoj jednaini se aproksimiraju izrazima za numeriko
diferenciranje.
3. Dobivene aproksimacije izvoda se uvrste u diferencijalnu jednainu kako
bi se dobila algebarska jednaina konanih razlika.
4. Rjeava se rezultujua jednaina konanih razlika.
Kada se jednaina konanih razlika primijeni na svaku taku u numerikoj
mrei, dobiva se sistem jednaina, koji se moe rijeiti nekom od metoda objanjenih u poglavlju 3. Primjena metode je pokazana na sljedeem primjeru.
Primjer 6.11
Primjer stacionarnog problema jednodimenzionalnog prenosa toplote 6.9 rijeiti pomou metode konanih razlika. Domenu rjeavanja podijeliti na etiri
jednaka dijela.
Rjeenje
Jednaina koju treba rijeiti ima oblik:
T 00 2 T = 2 Ta
T (x1 ) = T (0) = T1 T (x2 ) = T (L) = T2
(6.89)
Prvi korak u rjeavanju je podjela domene na odreeni broj dijelova. Prema

zadatku, domena je podijeljena na etiri jednaka dijela, duine x, ime se
dobiva 5 vornih taaka, kao to je prikazano na slici 6.5.
Za
jednodimenzionalne probleme radi se o segmentima, odnosno podintervalima.
150
x
T1
1
'x
5
T2
L
Slika 6.5: Podjela domene za problem kondukcije uz primjer 6.11
Sljedei korak je aproksimacija izvoda izrazima za konane razlike. Koristei

izraz (5.7), drugi izvod Ti00 ima oblik:
Ti00 =
Ti+1 2Ti + Ti1

x2
(6.90)
pri emu je i indeks vorne take, i = 1, 2, . . . , 5. Pri tome indeksi 1 i 5

predstavljaju vorne take na granicama domene. Uvrtavanjem izraza (6.90)
u jednainu (6.89), nakon sreivanja, dobiva se jednaina konanih razlika:
Ti1 (2 + 2 x2 )Ti + Ti+1 = 2 x2 Ta
(6.91)
odnosno, nakon uvrtavanja zadatih veliina:

Ti1 3Ti + Ti+1 = 0
(6.92)
Sada se jednaina primijeni na svaku unutranju taku domene (i = 2, 3, 4),

tj. mrene take za x = 0.25, 0.5 i 0.75 cm, pa se dobiva:
x = 0.25 T1 3T2 + T3 = 0
x = 0.50 T2 3T3 + T4 = 0
x = 0.75 T3 3T4 + T5 = 0
(6.93a)
(6.93b)
(6.93c)
Uvrtenjem vrijednosti za T1 = 0 i T5 = 100 u jednaine (6.93a) i (6.93c),

respektivno, dobiva se sistem, koji se moe prikazati u matrinom obliku na
sljedei nain:
0
T2
3
1
0
(6.94)
1 3
0
1 T3 =
0
1 3
T4
100
151
Sistem je mogue rijeiti bilo kojom metodom opisanom u poglavlju 3. U

tabeli 6.11 dato je rjeenje u svim vornim takama, Ti , s odgovarajuim analitikim rjeenjem, T. Imajui u vidu mali broj podjela posmatrane domene,
numeriko rjeenje ne odstupa mnogo od analitikog. Tanost se moe poveati poveanjem broja podjela, odnosno smanjenjem duine x. S obzirom da
je sistem rijedak (za jednodimenzionalne probleme maksimalno tri elementa
u svakom redu su razliita od nule), a obino je i dijagonalno dominantan,
u svrhu rjeavanja se najee koriste iterativne metode za rjeavanje sistema
jednaina.
i
x, m
T , C
T, C
1
0.0025
4.3064
4.7619
0.0050
13.2901
14.2857
0.0075
36.7091
38.0952
0.0100
100.0000
100.0000
Sljedei primjer pokazuje primjenu metode konanih razlika za sluaj kada je

na drugoj granici umjesto vrijednosti funkcije poznata vrijednost prvog izvoda
funkcije.
Primjer 6.12
Primjer 6.10 rijeiti pomou metode konanih razlika. Domenu rjeavanja
podijeliti na etiri jednaka dijela.
Rjeenje
Problem se svodi na rjeavanje diferencijalne jednaine drugog reda sa zadatim graninim uslovima:
T 00 2 T = 2 Ta
T (0) = T1 T 0 (L) = 0
(6.95)
Slino prethodnom primjeru, data diferencijalna jednaina se za unutranje

take moe aproksimirati sljedeom jednainom konanih razlika:
Ti1 (2 + 2 x2 )Ti + Ti+1 = 2 x2 Ta
(6.96)
152
Za razliku od prethodnog primjera, u kojem su na granicama date vrijednosti

temperature T , u ovom sluaju na desnoj granici imamo vrijednost prvog izvoda temperature, T 0 , to znai da vrijednost temperature T5 na drugoj granici
nije poznata. Zbog toga se i za ovu taku postavlja jednaina konanih razlika,
koja ima oblik:
T6 2T5 + T4
2 T5 = 2 Ta
x2
(6.97)
S obzirom da taka 6 ne postoji, moe se smatrati fiktivnom kao to je prikazano

na slici 6.6 (izvan domene), a dodatna jednaina se dobiva tako to se vrijednost
prvog izvoda za taku 5, koja je zadata zadatkom, aproksimira koristei formule
za diferenciranje. Na primjer, koristei formulu za centralno diferenciranje
imamo:
T50 = T 0 (L) =
T6 T4
2x
(6.98)
'x
'x
x
T1
5
T
L
Slika 6.6: Podjela domene za problem kondukcije uz primjer 6.12
Uvrtavajui izraz (6.98) u (6.97), nakon sreivanja, dobiva se sljedea jednakost:

2T4 (2 + 2 x2 )T5 = 2xT 0 (L) 2 Ta x2
(6.99)
odnosno, nakon uvrtavanja zadatih veliina:

2T4 3T5 = 0
(6.100)
Dakle, uzimajui u obzir unutranje take (i = 2, 3, 4), i taku na granici na

kojoj je poznat izvod T 0 (i = 5), dobivamo sistem jednaina:
x = 0.25 T1 3T2 + T3 = 0
x = 0.50 T2 3T3 + T4 = 0
x = 0.75 T3 3T4 + T5 = 0
(6.101a)
(6.101b)
(6.101c)
Pitanja i zadaci
153
x = 1.00 2T4 3T5 = 0
(6.101d)
koji se uz T1 = 100 moe prikazati u matrinom obliku kao:
3
1
0
0
T
100
1 3
1
0 T3
0
1 3
1 T4
0
0
0
2 3
T5
(6.102)
Sistem je mogue rijeiti bilo kojom metodom opisanom u poglavlju 3. U

tabeli 6.12 dato je rjeenje T za pojedine vorove uz analitiko rjeenje T.
Slino prethodnom primjeru, tanost rjeenja se moe poboljati poveanjem
broja podjele.
Tabela 6.12
i
x, m
T, C
T , C
100
100
0.0025
36.8668
38.298
0.0050
13.7768
14.8940
0.0075
5.6506
6.3830
0.0100
3.6619
4.2550
6.6
Pitanja i zadaci
1. Nabroj metode za numeriko rjeavanje obinih diferencijalnih jednaina

s poetnim vrijednostima!
2. Opii Taylorovu metodu!
3. U emu se sastoji Eulerova metoda!
4. U emu je razlika izmeu implicitne i eksplicitne Eulerove metode?
5. ta su to Runge-Kutta metode i na koji nain se izvode njihove jednaine!
6. Objasni razliku izmeu prve i druge modifikacije Eulerove metode, odnosno Runge-Kutta metoda drugog reda.
7. Na koji nain se rjeavaju diferencijalne jednaine s poetnim vrijednostima vieg reda?
154
8. Na koji nain se rjeavaju sistemi diferencijalnih jednaina s poetnim

vrijednostima?
9. Koje metode se koriste za rjeavanje diferencijalnih jednaina s graninim
vrijednostima?
10. Objasni postupak rjeavanja obinih diferencijalnih jednaina s graninim
vrijednostima pomou metode gaanja!
11. Objasni postupak rjeavanja obinih diferencijalnih jednaina s graninim
vrijednostima pomou metode konanih razlika!
12. Koristei neki od programskih jezika, napisati program za:
Eulerovu eksplicitnu metodu
Eulerovu implicitnu metodu
prvu modifikaciju Eulerove metode
drugu modifikaciju Eulerove metode
Runge-Kutta metodu 4. reda
metodu konanih razlika.
13. Rast populacije neke bioloke vrste se esto modelira obinom diferencijalnom jednainom oblika:
dN
= aN bN 2
dt
N (0) = N0
(6.103)
gdje je N populacija, aN predstavlja natalitet, a bN 2 mortalitet usljed

svih uzroka (bolest, borba za hranu, . . . ). Ako je N0 = 105 , a = 0.1, i
b = 8 107 , izraunati N (t) za period od 0 do 20 godina. Koristiti neku
od metoda za numeriko rjeavanje obinih diferencijalnih jednaina s
poetnim vrijednostima.
14. Tijelo mase m s poetnom temperaturom T0 se hladi konvekcijom na
temperaturu okoline Ta . Na osnovu Newtonovog zakona hlaenja moe se
dobiti: qkonv = hA(T Ta ), gdje je h koeficijent hlaenja konvekcijom i
A povrina tijela mase m. Kako je unutranja energija tijela E = mcp T ,
gdje je cp specifina toplota, na osnovu odranja energije (brzina promjene
unutranje energije E je jednaka brzini hlaenja usljed konvekcije qkonv ),
dobiva se:
hA
dT
=
(T Ta )
dt
mC
T (0) = T0
(6.104)
Pitanja i zadaci
155
Koristei neku od metoda za numeriko rjeavanje obinih diferencijalnih

jednaina s poetnim vrijednostima, rijeiti T (t) za vrijeme od 0 do 10
sekundi, s korakom od 2 sekunde. Uzeti da je tijelo sferinog oblika,
prenika r = 0.01 m, izraeno od legure za koju je = 3000 kg/m3 , i
cp = 1000 J/kg K, h = 500 W/m2 K, T (0) = 500 C, Ta = 50 C.
15. Prethodni zadatak kombinovati s primjerom 6.1 kako bi uzeli u obzir
simultano hlaenje konvekcijom i zraenjem.
16. Jaina struje i(t) u serijskom RLC kolu data je jednainom:
di
1
+ Ri + q = U (t)
dt
C
i(0) = i0
q(0) = q0
(6.105)
gdje je i jaina struje u A, q naboj u C, dq/dt = i, L induktivitet u H, R

otpor u , C konduktivitet u F, a U je napon u V. Za podatke: L = 100
mH, R = 10 , C = 1 mF, U = 10 V, i0 = 0 i q0 = 0, treba izraunati i(t)
za vrijeme od 0 do 0.05 sekundi. Koja je maksimalna vrijednost struje, i
kada se javlja?
17. Ugaono odstupanje klatna bez trenja, (t), dato je jednainom:
d2
g
+ sin = 0
2
dt
L
(0) = 0
0 (0) = 00
(6.106)
gdje je g gravitaciono ubrzanje, a L duina klatna. Za male otklone ,

jednaina (6.106) se svodi na jednostavniji oblik:
d2
g
+
=0
dt2
L
(0) = 0
0 (0) = 00
(6.107)
Koristei neku od metoda za numeriko rjeavanje obinih diferencijalnih

jednaina s poetnim vrijednostima, rijeiti (t) za jedan period oscilacija
za tanu i pojednostavljenu jednainu klatna. Uzeti da je (0) = 0.1 i
(0) = 0.5 radijana uz L = 0.1, 1 i 10 m, te 0 (0) = 0.
18. Populacija dvije bioloke vrste koje se natjeu za isti izvor hrane moe se
modelirati sistemom obinih diferencijalnih jednaina:
dN1
= N1 (A1 B1 N1 C1 N2 )
N1 (0) = N1,0
dt
(6.108)
dN2
= N2 (A2 B2 N2 C2 N1 )
N2 (0) = N2,0
dt
156
gdje AN predstavlja natalitet, BN 2 mortalitet usljed bolesti, a CN mortalitet usljed borbe za hranu. Ako je N1 (0) = N2 (0) = 100, A1 = 0.1,
B1 = 8 107 , C1 = 106 , A2 = 0.1, B2 = 8 107 , C1 = 107 , izraunati
N1 (t) i N2 (t) za vrijeme od 0 do 100 godina.
19. Raspodjela temperature u zidu cijevi kroz koju protie vrua tenost data
je sljedeom diferencijalnom jednainom:
d2 T
1 dT
+
=0
2
dr
r dr
T1 (1) = 100 C
(6.109)
T (2) = 0 C
Odrediti temperaturni profil u zidu cijevi.

20. Ako se cijev iz prethodnog primjera hladi konvekcijom na spoljanjoj povrini, toplotna kondukcija na spoljanjem zidu, qkond jednaka je toplotnoj
konvekciji s okolinom, tj:
qkond = kA
dT
= qkonv = hA(T Ta )
dr
(6.110)
gdje je toplotni konduktivitet k = 100 W/m K, koeficijent hlaenja konvekcijom h = 500 W/m2 K, i Ta = 0 C temperatura okoline. Odrediti
temperaturni profil u zidu cijevi.
21. Ugib slobodno oslonjene grede optereene kontinuiranim optereenjem za
male ugibe, dat je diferencijalnom jednainom:
d2 y
qLx qx2
=
+
dx2
2
2
y(0) = 0
y(L) = 0
EI
(6.111)
gdje je q kontinuirano optereenje po jedinici duine, L duina grede, I

moment inercije poprenog presjeka grede, i E modul elastinosti. Ako
se uzme da je I = bh3 /12, te L = 5 m, b = 0.05 m, h = 0.1 m, E = 200
GPa, i q = 1500 N/m, izraunati ugib y(x).
22. Zadatak 21 rijeiti ako se greda optereti kontinuiranim optereenjem po
visini h, tj. I = b3 h/12. U tom sluaju ugibi e biti veliki, pa se ne moe
Pitanja i zadaci
157
koristiti jednaina (6.111), nego jednaina:

d2 y
qLx qx2
dx2
+
EI "
=
#
2 3/2
2
2
dy
1+
dx
y(0) = 0
y(L) = 0
Uporediti dobivena rjeenja.
(6.112)
Poglavlje 7
Ukratko o rjeavanju parcijalnih

diferencijalnih jednaina
Parcijalne diferencijalne jednaine se javljaju u svim oblastima nauke i inenjerstva, a veina realnih fizikih procesa se moe opisati pomou njih. U
mnogim sluajevima koriste se pojednostavljene aproksimacije, pa se parcijalne diferencijalne jednaine mogu svesti na obine diferencijalne jednaine, a
ponekad i na algebarske jednaine. Meutim, u dananje vrijeme su neophodni
taniji modeli mnogih fizikalnih procesa, pa je neophodno pristupiti numerikom rjeavanju parcijalnih diferencijalnih jednaina koje opisuju te probleme.
7.1
Ukratko o parcijalnim diferencijalnim jednainama
Parcijalne diferencijalne jednaine su jednaine koje daju vezu izmeu (zavisne) funkcije dvije ili vie promjenljivih i parcijalnih izvoda ove funkcije s
njenim nezavisnim promjenljivim. U veini inenjerskih problema nezavisne
promjenljive su prostorne koordinate i/ili vrijeme (x, y, z, t), a zavisna promjenljiva zavisi od procesa koji se modelira.
Rjeenje neke parcijalne diferencijalne jednaine je ona funkcija koja zadovoljava parcijalnu diferencijalnu jednainu u itavoj domeni posmatranja, pri
emu moraju biti ispunjeni poetni i/ili granini uslovi. U vrlo malom broju
sluajeva rjeenje parcijalnih diferencijalnih jednaina moe se prikazati u zatvorenom obliku, pa se gotovo uvijek rjeenje mora traiti koristei numerike
metode.
Klasifikacija parcijalnih diferencijalnih jednaina se moe izvriti na razliite
naine (prema redu, homogenosti, linearnosti koeficijenata, itd.), ali posebno
mjesto zauzima ona koja ih dijeli na eliptike, hiperbolike i parabolike. Po-
160
7 Ukratko o rjeavanju parcijalnih diferencijalnih jednaina
mou ovih jednaina je mogue opisati sve tri vrste fizikih problema koji se
mogu pojaviti problemi ravnotee, problemi kretanja (propagacije) i problemi
sopstvenih veliina.
Problemi ravnotee su problemi koji opisuju stacionarna stanja, kao to je
raspodjela temperature u ipki, ravnotea raspodjele napona u vrstom tijelu
usljed vanjskog optereenja, te mnoga stacionarna teenja fluida. Ovi i mnogi
drugi stacionarni problemi predstavljeni su eliptikim jednainama. Prototip
eliptike jednaine su Laplaceova jednaina, koja opisuje nerotaciono teenje
nestiljivog fluida, te stacionarni prenos toplote kondukcijom.
Za razliku od problema ravnotee, problemi kretanja (propagacije) ili irenja
se opisuju parabolikim ili hiperbolikim parcijalnim diferencijalnim jednainama. U ovu grupu spadaju problemi prenosa toplote, nestacionarna teenja,
prostiranje talasa, i dr. Klasini primjer parabolike parcijalne diferencijalne
jednaine je nestacionarna toplotna kondukcija. Hiperbolike jednaine dominiraju analizom problema vibracija. Openito se javljaju u vremenski zavisnim
procesima sa zanemarljivom koliinom rasipanja, a prototip ove vrste jednaina
je talasna jednaina.
7.2
Numerike metode za rjeavanje parcijalnih diferencijalnih jednaina
Svaki od oblika parcijalnih diferencijalnih jednaina (eliptike, parabolike i

hiperbolike) zahtijeva posebnu panju pri njihovom rjeavanju. U tu svrhu
mogu se koristiti razliite numerike metode, kao to su metode konanih razlika, metoda konanih elemenata, metoda konanih volumena, metoda graninih elemenata, metoda paria, bezmrena metoda, metode karakteristika, i
dr. U daljem tekstu date su osnovne ideje metode konanih razlika, metode
konanih elemenata, te metode konanih volumena, s obzirom na njihovu estu
upotrebu u rjeavanju mnogih inenjerskih problema.
7.2.1
Metoda konanih razlika
O metodi konanih razlika je ve bilo rijei u poglavlju 6.5.2, gdje se pokazala njena upotreba u numerikom rjeavanju obinih diferencijalnih jednaina.
Ova metoda predstavlja i najstariju metodu za numeriko rjeavanje parcijalnih diferencijalnih jednaina (vjeruje se da ju je koristio Euler u XVIII vijeku)
i postupak primjene na parcijalne diferencijalne jednaine je isti onom koji je
objanjen u poglavlju 6.5.2.
Numerike metode za rjeavanje parcijalnih diferencijalnih jednaina
7.2.2
161
Metoda konanih volumena
Metoda konanih volumena kao poetni korak koristi integralni oblik zakona
odranja (mase, koliine kretanja, momenta koliine kretanja, energije, . . . ).
Domena rjeavanja se podijeli na konaan broj meusobno povezanih kontrolnih volumena, pa se jednaine odranja primijene na svaki od njih. U teitu
svakog kontrolnog volumena nalazi se numeriki vor u kojem se proraunavaju
vrijednosti promjenljivih. Vrijednosti promjenljivih na povrinama kontrolnih
volumena se dobivaju interpolacijom preko vrijednosti promjenljivih u vornim
takama. Povrinski i zapreminski integrali se aproksimiraju pomou odgovarajuih kvadraturnih formula, a na kraju se kao rezultat dobiva algebarska
jednaina za svaki vor, u kojima se javljaju i vrijednosti iz susjednih vorova.
Metoda konanih volumena je vjerovatno najjednostavnija metoda za razumijevanje i programiranje, s obzirom da svi lanovi koje treba aproksimirati
imaju fiziko znaenje. Upravo zbog toga je vrlo popularna kod inenjera. Jedini nedostatak ove metode u odnosu na metodu konanih razlika je u tome
to je metode vieg reda od drugog vrlo teko primijeniti na trodimenzionalne
proraune. Ovo je zbog toga to metoda konanih volumena ima tri nivoa
aproksimacije: interpolaciju, diferenciranje i integraciju.
7.2.3
Metoda konanih elemenata
Metoda konanih elemenata je u mnogome slina metodi konanih volumena.

Domena rjeavanja se podijeli na odreeni broj diskretnih ili konanih elemenata; za dvodimenzionalne probleme obino se koriste trougaoni ili etverougaoni elementi, dok se za trodimenzionalne probleme najee koriste tetraedri
i heksaedri. Osnovna razlika u odnosu na metodu konanih volumena je u
tome to se jednaine pomnoe s tzv. teinskom funkcijom prije nego se izvri integracija. Kod najjednostavnijih metoda konanih elemenata rjeenje se
aproksimira funkcijom linearnog oblika unutar svakog elementa na nain koji
garantuje kontinuitet rjeenja preko granica elemenata. Ova aproksimacija se
zatim zamijeni u teinski integral zakona odranja, pa se kao rezultat dobivaju
nelinearne algebarske jednaine. Osnovna mana ove metode je to matrice lineariziranih rjeenja nisu dobro struktuirane, pa je teko nai efikasnu metodu
za njihovo rjeavanje.
Pored ovog, treba pomenuti i tzv. metodu konanih elemenata koja se
zasniva na kontrolnim volumenima (eng. control-volume-based finite element
method ), kod koje se koriste funkcije oblika kako bi se opisale promjene promjenljivih u nekom elementu. Kontrolni volumeni se formiraju oko svakog
vora tako to se povezuju teita elemenata, pa se na svaki ovako formirani
162
kontrolni volumen primijene jednaine odranja na isti nain kao kod metode
konanih volumena.
LITERATURA
[1] Bertolino, M. Numerika Analiza. Nauna knjiga, Beograd, 1981.

[2] Buchnan,J.L. and Turner,P.R. Numerical Methods and Analysis. McGrawHill, Inc., 1992.
[3] Chapra, S.C. and Canale, R.P. Numerical Methods for Engineers.
McGraw-Hill Book Company, 5th edition, 2006.
[4] Collins, G.W. Fundamental Numerical Methods and Data Analysis. Internet Edition, 2003.
[5] Dahlquist, G. and Bjorck,A. Numerical Methods in Scientific Computing,
volume I-III. Cambridge University Press, 2008.
[6] Demirdi, I. Numerika matematika. Svjetlost, Sarajevo, 1997.
[7] Drma, Z. and dr. Numerika Analiza. Sveuilite u Zagrebu, 2003.
[8] Ferziger, J.H. and Peri, M. Computational Methods for Fluid Dynamics.
Springer-Verlag, 3th edition, 2002.
[9] Hjorth-Jensen, M. Computational Physics. University of Oslo, 2003.
[10] Hoffman, J.D. Numerical Methods for Engineers and Scientists. Marcel
Dekker, Inc., 2001.
[11] Schfer, M. Computational Engineering - Introduction to Numerical Methods. Springer-Verlag, 2006.
Osim navedene literature, koja je koritena u toku pisanja ovog udbenika,
itaoci se upuuju i na sljedee naslove, koji po svom sadraju ne samo da
zadovoljavaju potrebe kursa (pojedini naslovi su vrlo korisni za vjebu, naroito pri koritenju raznih softvera), nego i ire, a u pojedinim su obuhvaene i
druge oblasti iz primjene numerikih metoda. Uz to, znaajan broj navedenih
naslova daje i gotove numerike programe koji se mogu korisiti za rjeavanje
odgovarajuih problema iz numerikog inenjerstva.
164
LITERATURA
[1] Billo, E. Excel for Scientists and Engineers - Numerical Methods. John
Wiley & Sons, Inc., 2007.
[2] Conte, S.D. i de Boor, C. Elementary Numerical Analysis - An Alghoritmic Approach. McGraw-Hill Book Company, 3rd edition, 1997.
[3] Dubin, D. Numerical and Analytical Methods for Scientists and Engineers
Using Matematica. John Wiley & Sons, Inc., 2003.
[4] Kiusalaas, J. Numerical Methods in Engineering with MATLAB. Cambridge University Press, 2005.
[5] Manassah, J. Elementary Mathematical and Computational Tools for
Electrical and Computer Engineers using MATLAB. CRC Press LLC,
2001.
[6] Mari-Dedijer, M. Zbirka rijeenih zadataka iz Numerike Analize. Nauna knjiga, Graevisnki fakuktet,Beograd, 1992.
[7] Pao, J. Engineering Analysis - Interactive Methods and Programs with
FORTRAN, QuickBASIC, MATLAB and Mathematica. CRC Press LLC,
2001.
[8] Press, W. Numerical Recipes in C. Cambridge University Press, 2nd
edition, 1997.
[9] Salleh, S i dr. Computing for Numerical Methods Using Visual C++.
John Wiley & Sons, Inc., 2008.
[10] Shampine, L i dr. Fundamentals of Numerical Computing. John Wiley
& Sons, Inc., 1997.
[11] Subai, K. Numerike Metode. Univerzitet u Zenici, 2007.
Dodatak A
Taylorov red za funkcije jedne

promjenljive
Moe se pokazati da se svaka neprekidna funkcija f (x) moe tano predstaviti
stepenim redom u intervalu konvergencije r, tj.
f (x) =
an (x x0 )n ,
x 0 r x x0 + r
(A.1)
n=0
Ako se koeficijenti an u jednaini (A.1) prikau u obliku:

a0 = f (x0 ), a1 =
1 0
1
f (x0 ), a2 = f 00 (x0 ), . . .
1!
2!
(A.2)
dobiva se Taylorov red funkcije f (x) za x = x0 , odnosno

f (x) = f (x0 ) +
1
1 0
f (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 + . . .
1!
2!
(A.3)
ili u jednostavnijoj formi

1
1 (n)
f (x) = f0 + f00 x + f000 x2 + . . . + f0 xn + . . .
2
n!
X
1 (n) n
=
f0 x
n!
n=0
(A.4)
S obzirom da je nepraktino raunati vrijednost beskonanog Taylorovog

reda lan po lan, on se moe napisati i kao konaan red, koji se jo naziva i
Za
x0 = 0 dobija se tzv. MacLaurinov red.
166
A Taylorov red za funkcije jedne promjenljive
Taylorova formula ili polinom s ostatkom, kako slijedi:

f (x) = f (x0 ) +
1 0
1
f (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 + . . .
1!
2!
1
+ f (n) (x0 )(x x0 )n + Rn+1
n!
(A.5)
gdje je Rn+1 ostatak koji je dat formulom:

Rn+1 =
1
f (n+1) ()(x x0 )n+1 ,
(n + 1)!
x0 x
(A.6)
Dodatak B
Softveri za numeriku analizu

U dananje vrijeme su za numeriko rjeavanje inenjerskih i naunih problema
na raspolaganju brojni komercijalni softveri. U daljem tekstu su abecednim
redom dati oni poznatiji i ire koriteni. U ovoj listi, meutim, nisu dati softveri
koji se odnose na numeriko rjeavanje parcijalnih diferencijalnih jednaina,
odnosno softveri zasnovani na metodama poput metode konanih elemenata,
metode konanih volumena i slino, s obzirom da se u udbeniku ne izuava
ovo podruje.
Excel predstavlja proraunsku tabelu (eng. spreadsheet) koju je kao
dio Microsoft Officea razvio Microsoft, Inc. Ovaj programski paket omoguava razne proraune na podacima rasporeenim u redovima i kolonama.
Ukoliko se promijeni bilo koji podatak, kompletan proraun koji ovisi od tog
promijenjenog podatka se automatski koriguje. Uz ove osnovne karakteristike,
Excel posjeduje i veliki broj ugraenih algoritama, kao to su statistii testovi, deskriptivna statistika, Fourierova analiza, regresija, i drugi. Ovaj paket,
takoer, omoguava i brzo crtanje grafova u razliitim stilovima (histogrami,
kolone, povrine, x-y grafovi, . . . ), a s Visual Basic programiranjem, koje je
sastavni dio paketa, mogue je pravljenje sopstvenih windows aplikacija visoke
kvalitete. Ipak, treba napomenuti da ovaj softver nije napravljen za numeriku
analizu, ali u svakom sluaju moe posluiti za rjeavanje mnogih numerikih
problema.
Web stranica: http://office.microsoft.com/en-gb/excel/default.aspx
Excel
Maple predstavlja vienamjenski matematiki softverski alat visoke

kvalitete s potpuno integrisanim numerikim i simbolikim raunanjem. Sve
Maple
168
B Softveri za numeriku analizu
funkcije softvera su pristupane iz WYSIWYG tehnikog okruenja, a matematiki izrazi se ispisuju u prirodnoj notaciji. Uz sve to, tu su i state-of-the-art
grafika, te animacije s potpunom kontrolom editiranja i prezentacije.
Web stranica: http://www.maplesoft.com/products/Maple/index.aspx
Mathematica Wolfram Mathematica, jedan od vodeih matematikih softvera, razvio je Wolfram Research. Slino, Maple 6 predstavlja sistem s integrisanim numerikim i simbolikim raunanjem. Ovaj softver obuhvata najveu kolekciju algoritma u jednom sistemu, koji mogu da rade u mnogobrojim
oblastima numerikog, grafikog ili simbolikog raunanja.
Web stranica: http://www.wolfram.com/products/mathematica/index.html
MathCAD MathCAD je softver za inenjerske proraune koji prua znaajne
prednosti u produktivnosti pri razvoju i dizaniranju inenjerskih projekata,
kako za inenjera, tako i za sam proces. Za razliku od drugih softvera koji se
mogu koristiti u inenjerskim proraunima, MathCAD omoguava inenjerima
da istovremeno dizajniraju i dokumentuju proraune sa savremenim funkcionalnim i dinamikim kalkulacijama koje uzimaju u obzir i mjerne jedinice.
Ovaj paket sadri veliki broj ugraenih algoritama (funkcija) koji se mogu koristiti u numerikoj analizi, ali korisnik moe da programira svoje algoritme u
veoma monom programskom modulu.
Web stranica: http://www.ptc.com/products/mathcad/
MATLAB je integrirano proraunsko okruenje koje kombinuje

numerike proraune, naprednu grafiku i vizualizaciju, sa viim programskim
jezikom. Ovaj softverski paket se moe efektivnije koristiti u mnogo irem
opsegu aplikacija u odnosu na gore pomenute pakete. Ove aplikacije obuhvataju podruja procesiranja signala i slika, komunikacija, kontrole dizajniranja,
testiranja i mjerenja, financijskog modeliranja i analize, te numerike biologije. Takoer je mogue MATLAB integrirati s drugim programskim jezicima
i aplikacijama.
Web stranica: http://www.mathworks.com/products/matlab/
MATLAB
eng.
What You See Is What You Get
Dodatak C
Neke korisne web stranice

U dananje vrijeme se na internetu mogu nai mnogobrojne web stranice koje
su bave numerikim metodama i njihovom primjenom na razne inenjerske
probleme. Neke od njih, koje prednjae po kvalitetu i interesantnosti sadraja,
date su u daljem tekstu.
[1] http://numericalmethods.eng.usf.edu/
Izuzetno sadrajna web stranica, s velikim brojem poglavlja iz numerike
analize. Sadraj stranice u potpunosti odgovara sadraju ovog udbenika,
s tim da se tu mogu nai i predavanja (u PDF i Word formatima), prezentacije (u PDF i Power Point formatima), te programi napisani za softvere
Maple, MathCAD, Mathamatica i Matlab. Uz sve ovo, na stranici se za
svaku oblast mogu nai i kviz pitanja radi provjere znanja.
[2] http://math.fullerton.edu/mathews/n2003/
/NumericalUndergradMod.html
Na ovoj stranici data su predavanja koja se koriste na California State
University, Fullerton, koja u potpunosti pokrivaju sadraj ovog udbenika, a tu se mogu nai i ostale metode iz oblasti numerike matematike.
[3] http://math.jct.ac.il/naiman/nm/
Online kurs iz numerikih metoda na Jerusalem College of Technology.
[4] http://www.damtp.cam.ac.uk/lab/people/sd/lectures/
/nummeth98/introduction.htm
Jo jedna od stranica na kojoj se nalazi nastavni materijal - University of
Cambridge
[5] http://pagesperso-orange.fr/jean-pierre.moreau/links.html
Vrlo obimna baza uraenih programa iz oblasti numerike analize. Pro-
170
C Neke korisne web stranice
grami su dati za programske jezike BASIC, C++, Fortran 90, Pascal, te

Visual C++.
[6] http://mathworld.wolfram.com/topics/
/NumericalMethods.html
Ova web stranica je samo jedan dio najobimnije baze iz oblasti matematike, koja se moe nai na internetu.
[7] http://www.ima.umn.edu/arnold/disasters/
Greke koje se javljaju u toku numerikih prorauna, mogu da budu katastrofalne. Na ovoj stranici su dati neki od najpoznatijih primjera.
[8] http://web.mit.edu/18.06/www/Video/video-fall-99.html
Na ovoj stranici mogu se nai video predavanja iz oblasti linearne algebre,
kao to su na primjer problemi koji se tiu upotrebe matrica.
Indeks
aproksimacija, 7, 85
metoda najmanjih kvadrata, 86
nelinearna, 89
polinom, 86
brojevni sistemi, 12
Cauchyjev problem, vidi problemi poetnih vrijednosti
Cramerovo pravilo, 40
inverzija matrica, vidi Gauss-Jordanova

metoda
iteracija, 5
iterativne metode, vidi sistemi linearnih
jednaina
Gauss-Seidelova metoda, 64
Jacobijeva metoda, 60
metode relaksacije, 66
uslov konvergencije, 60
Jacobijeva metoda, vidi iterativne metode
diferencijalne jednaine, 117

problemi graninih vrijednosti, vidi
problemi graninih vrijednosti
diferenciranje, vidi numeriko diferenciranje
direktne metode, vidi sistemi linearnih
jednaina
Eulerova metoda, vidi problemi poetnih
vrijednosti
Gauss-Jordanova metoda, vidi metode eliminacije
Gaussova metoda, vidi metode eliminacije
Gaussove kvadraturne formule, vidi numeriko integriranje
Gauss-Seidelova metoda, vidi iterativne
metode
greke
apsolutna, 10
izvori, 8
propagacija, 10
relativna, 10
integriranje, vidi numeriko integriranje
interpolacija, 75
Lagrangeov polinom, 78
Newtonovi polinomi, 80
direktna metoda, 75
greka, 85
konvergencija, 5
linearizacija, 7
lokalizacija nula, 14
matrina metoda, vidi metode eliminacije
metoda bisekcije, 15
metoda eliminacije
Gauss-Jornadnova metoda
inverzija matrica, 50
greke zaokruivanja, 57
matrina metoda, 52
metode faktorizacije, 53
Croutova metoda, 53
Doolittleova metoda, 53
nedostaci, 56
podeenost sistema, 57
broj podeenosti, 58
norma, 58
metoda gaanja, vidi problemi graninih
vrijednosti
Metoda Konanih elemenata, 161
metoda konanih razlika, vidi problemi
graninih vrijednosti, 160
Metoda Konanih Volumena, 161
metoda najmanjih kvadrata, vidi aproksimacija
metoda regula falsi, 18
metoda sekante, vidi metoda sjeice
172
metoda sjeice, 30
metoda tangente, vidi Newtonova metoda
metode eliminacije, 41
Gauss-Jordanova metoda, 49
Gaussova metoda, 48
metode faktorizacije, vidi metode eliminacije
metode relaksacije, vidi iterativne metode
nelinearna aproksimacija, vidi aproksimacija
Newton-Cotesove formule, vidi numeriko
integriranje
Newtonova metoda, 24
modifikovana, 29
numeriko diferenciranje, 95
formule za diferenciranje, 97
centralno diferenciranje, 98
diferenciranje unaprijed, 98, 123
diferenciranje unazad, 98, 125
interpolacioni polinomi, 95
numeriko integriranje, 101
Gaussove kvadraturne formule, 110
Newton-Cotesove formule, 103
Simpsonovo pravilo, 108
trapezno pravilo, 105
interpolacioni polinomi, 101
parcijalne diferencijalne jednaine, 159
pokretna taka, 12
problemi graninih vrijednosti, 143
metoda gaanja, 143
metoda konanih razlika, 149
problemi poetnih vrijednosti, 118
Cauchyjev problem, 118
Eulerova metoda, 123
stabilnost, 127
eksplicitna, 123
implicitna, 125
modifikovana, vidi Runge-Kutta
metode
poboljana, vidi Runge-Kutta metode
Runge-Kutta metoda, 129
Runge-Kutta metode
etvrtog reda reda, 133
drugog reda, 129
Taylorova metoda, 119
sistem jednaina, 139
vieg reda, 136
Indeks
prosta iteracija, 21
rekurzija, 5
rjeavanje jednaina, 13
Runge-Kutta metode, vidi problemi poetnih vrijednosti
SimpsonovoSimpsonovo pravilo, vidi numeriko integriranje
sistemi linearnih jednaina, 39
direktne metode, 40
iterativne metode, 59
tabela podijeljenih razlika, 81
Taylorov red, 119
Taylorov red, 99
Taylorova metoda, vidi problemi poetnih
vrijednosti
trapezno pravilo, vidi numeriko integriranje
Vandermondeova determinanta, 76
znaajne cifre, 8
Sadraj
Predgovor
1 Uvod
1.1 Osnovne ideje i koncepti u numerikoj analizi
1.1.1 Iteracija, konvergencija, rekurzija . . .
1.1.2 Aproksimacija . . . . . . . . . . . . .
1.2 Znaajne cifre, greke i predstavljanje brojeva
1.2.1 Znaajne cifre . . . . . . . . . . . . . .
1.2.2 O grekama . . . . . . . . . . . . . . .
1.2.3 Predstavljanje brojeva . . . . . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
. 5
. 5
. 7
. 8
. 8
. 8
. 12
2.1 Osnovne faze u pronalaenju korijena jednaine .
2.1.1 Lokalizacija nula . . . . . . . . . . . . . .
2.1.2 Poboljanje rjeenja . . . . . . . . . . . .
2.2 Metoda polovljenja intervala . . . . . . . . . . . .
2.3 Metoda regula falsi . . . . . . . . . . . . . . . . .
2.4 Metoda proste iteracije . . . . . . . . . . . . . . .
2.5 Newtonova metoda . . . . . . . . . . . . . . . . .
2.6 Modifikovana Newtonova metoda . . . . . . . . .
2.7 Metoda sjeice . . . . . . . . . . . . . . . . . . .
2.8 Smjernice u traenju korijena i pisanju programa
2.9 Pitanja i zadaci . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
13
14
14
15
18
21
24
29
30
32
34

3.1 Direktne metode . . . . . . . . . . . . . . . . . . . .
3.1.1 Cramerovo pravilo . . . . . . . . . . . . . . .
3.1.2 Metode eliminacije . . . . . . . . . . . . . . .
3.1.3 Matrina metoda . . . . . . . . . . . . . . . .
3.1.4 Metode faktorizacije . . . . . . . . . . . . . .
3.1.5 Nedostaci metoda eliminacije . . . . . . . . .
3.2 Iterativne metode . . . . . . . . . . . . . . . . . . . .
3.2.1 Jacobijeva metoda . . . . . . . . . . . . . . .
3.2.2 Gauss-Seidelova metoda . . . . . . . . . . . .
3.2.3 Metode relaksacije . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
40
40
41
52
53
56
59
60
64
66
.
.
.
.
.
.
.
174
Sadraj
3.3
3.4
Ostale metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Pitanja i zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.1 Interpolacija polinomima . . . . . . . . . .
4.1.1 Direktna metoda . . . . . . . . . .
4.1.2 Lagrangeov interpolacioni polinom
4.1.3 Newtonovi interpolacioni polinomi
4.1.4 Greka interpolacije . . . . . . . .
4.2 Aproksimacija funkcija . . . . . . . . . . .
4.2.1 Metoda najmanjih kvadrata . . . .
4.3 Pitanja i zadaci . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
75
75
78
80
85
85
86
91

5.1 Numeriko diferenciranje . . . . . . . . . . . . . . . . . .
5.1.1 Diferenciranje pomou interpolacionih polinoma
5.1.2 Formule za diferenciranje . . . . . . . . . . . . .
5.2 Numeriko integriranje . . . . . . . . . . . . . . . . . . .
5.2.1 Integriranje pomou interpolacionih polinoma . .
5.2.2 Newton-Cotesove formule . . . . . . . . . . . . .
5.2.3 Gaussove kvadraturne formule . . . . . . . . . .
5.3 Pitanja i zadaci . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
95
95
95
97
101
101
103
110
114

6.1 O obinim diferencijalnim jednainama . . . .
6.2 Rjeavanje problema poetnih vrijednosti . .
6.2.1 Taylorova metoda . . . . . . . . . . .
6.2.2 Eulerova metoda . . . . . . . . . . . .
6.2.3 Runge-Kutta metode . . . . . . . . . .
6.2.4 Ostale metode . . . . . . . . . . . . .
6.3 Obine diferencijalne jednaine vieg reda . .
6.4 Sistem obinih diferencijalnih jednaina . . .
6.5 Rjeavanje problema graninih vrijednosti . .
6.5.1 Metoda gaanja . . . . . . . . . . . .
6.5.2 Metoda konanih razlika . . . . . . . .
6.6 Pitanja i zadaci . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
117
118
119
123
129
135
136
139
143
143
149
153

7.1 Ukratko o parcijalnim diferencijalnim jednainama . . . . . . . . . .
7.2 Numerike metode za rjeavanje parcijalnih diferencijalnih jednaina
7.2.1 Metoda konanih razlika . . . . . . . . . . . . . . . . . . . . .
7.2.2 Metoda konanih volumena . . . . . . . . . . . . . . . . . . .
7.2.3 Metoda konanih elemenata . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
159
159
160
160
161
161
.
.
.
.
.
.
.
.
Literatura
A Taylorov red za funkcije jedne promjenljive
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
163
165
Sadraj
175
B Softveri za numeriku analizu
167
C Neke korisne web stranice
169
Popis pojmova
171

Ak NM B5 090426

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ak NM B5 090426

Transféré par

Droits d'auteur :

Formats disponibles

ER

Osnovne ideje i koncepti u numerikoj analizi

Iteracija, konvergencija, rekurzija

Jedan od najee sretanih pojmova u mnogim kontekstima je pojam iteracije

gdje je g(x) diferencijabilna funkcija ija se vrijednost moe izraunati za bilo

Svaki red oblika xi+1 = g(xi ) predstavlja jednu iteraciju.

pa x = zadovoljava jednainu x = g(x). Cilj je da s porastom n imamo sve

naziva se rekurzivna ili rekurentna formula. Rekurentne formule predstavljaju

Osnovne ideje i koncepti u numerikoj analizi

Slika 1.1: Geometrijska interpretacija iteracije xn+1 = g(xn )

Znaajne cifre, greke i predstavljanje brojeva

Jedan od osnovnih zadataka numerike analize je da se razviju efikasne i tane

udbeniku e se umjesto decimalnog zareza koristiti decimalna taka.

Znaajne cifre, greke i predstavljanje brojeva

Sve greke se, s obzirom na izvore nastanka, mogu podijeliti na sljedei

Prethodno navedeni tipovi greaka utjeu na naknadne rezultate prorauna.

je odreeni skup definisanih naredbi koje se koriste za obavljanje nekog zadatka.

Znaajne cifre, greke i predstavljanje brojeva

Upravo iz prethodno navedenih razloga, javljaju se pojmovi (definicije)

U prethodnim poglavljima je ve spomenut koncept reprezentacije brojeva s

(11.1011)2 predstavlja binarnu reprezentaciju broja x (= (3.625)10 ), a njen

Slika 2.1: Rjeenje jednaine f (x) = 0

Openito, korijeni jednaine f (x) = 0 ne mogu se predstaviti u zatvorenom

Osnovne faze u pronalaenju korijena jednaine

U postupku rjeavanja jednaina moemo razlikovati dvije faze, i to:

lokalizacija nula, koja predstavlja nalaenje intervala u kojem se nalazi

Lokalizacija nula predstavlja grubo (priblino) pronalaenje rjeenja koje moe

Metoda polovljenja intervala

Metoda polovljenja intervala

Metoda polovljenja intervala ili bisekcije (eng. interval halving, bisection)

Slika 2.2: Grafika interpretacija metode polovljenja intervala

Prema tome, metoda polovljenja intervala je iterativna metoda, sa sljedeim

Ako je f (xi )f (bi ) < 0 :

Metoda polovljenja intervala

Slika 2.3: Grafiki prikaz funkcije f (x) = x2 2

S obzirom da je f (x0 ) > 0 i f (a0 ) < 0 rjeenje se nalazi u intervalu [a0 , x0 ] =

pa je sljedei interval u kojem se nalazi korijen zadate jednaine [a1 , x1 ] =

Metoda regula falsi

Slika 2.4: Grafika interpretacija metode regula falsi

Grafika interpretacija metode regula falsi data je na slici 2.4. Kao to se

Metoda regula falsi

i [x0 , b0 ]. Vrijednost take x0 moe se lako odrediti pomou jednaine g(x) i

S obzirom da je g(a0 ) = f (a0 ) i g(b0 ) = f (b0 ), te g(x0 ) = 0, slijedi:

Proces se nastavlja dok se ne postigne eljena tanost, tj.

S obzirom da je f (x0 ) < 0 i f (b0 ) > 0 rjeenje se nalazi u podintervalu [x0 , b0 ] =

Metoda proste iteracije

Metoda proste iteracije

Slika 2.5: Grafika interpretacija metode proste iteracije

Procedura se ponavlja dok se ne zadovolji kriterij konvergencije, kao na

Problem konvergencije ove metode moe se posmatrati na sljedei nain.

Funkcija g() izraena Taylorovim redom oko take xi ima oblik :

gdje je xi . Zanemarujui lanove vieg reda od prvog u jednaini

Ova jednaina se moe koristiti za ocjenu da li je metoda konvergentna

o Taylorovom redu vidi u dodatku A

Metoda proste iteracije

Na taj nain, jednaina x2 x 2 = 0 se moe prikazati na jedan od sljedeih

Svaka od ovih jednaina ima isto pozitivno rjeenje 1 = 2, kao to je pokazano

Dakle, uslov za konvergenciju (2.14) nije ispunjen.

Ako sada ponovimo postupak sa sluajem (2.15b), uz x0 = 3, imamo:

x2 = g(x1 ) = 2.236 + 2 = 2.058

x3 = g(x2 ) = 2.058 + 2 = 2.0014

x4 = g(x3 ) = 2.014 + 2 = 2.0004

Na slian nain mogu se analizirati i preostala dva sluaja (2.15c) i (2.15d).