Ovaj pravac koji si našao se najbolje "uklapa" u izmjerene podatke.
On ti je kao neka srednja vrijednost pa računaš odstupanja od njega.

Sada izračunaj y(0),y(0.1),y(0.2).......na tom pravcu y=a(x).
Oduzmi te vrijednosti od podataka iz tablice.Kvadriraj ih.
Saberi te kvadrate i podijeli sumu sa N da dobiješ srednje kvadratno odstupanje.Izvadi korijen i to ti je standardna devijacija za takvu aproksimaciju podataka sa tim pravcem.
Ali naprimjer kad bi napravio aproksimaciju parabolom ili nekim višim polinomom dobio bi bolju aproksimaciju i manji sigma.To su malo složeniji računi pa zaboravi.

E hvala, samo jesi siguran da dijelim sa N ili sa N-1
Posto znam da kod racunanja standardne devijacije konacnog broja mjerenja dijeli se sa N-1
E sad jeli to i ovde slucaj ne znam, mislim sigurno je konacan broj mjerenja samo ne znam da li se to primjenjuje i ovde.

Dobio sam Standardnu devijaciju 0.142

Moze da se deli i sa N i sa N-1. Jedno daje pomerenu estimaciju varijanse (kada delis sa N) a drugo nepomerenu (kada delis sa N-1). Kada N->inf taj pomeraj je mizeran. Koristi ono sto ti odgovara.

Moraš malo sam razmišljati.Kod interpolacija postoji izvjesna sloboda.
Najbolje je da kreneš sa grafičkim prikazom tačaka.Pa ako ti se učini
da leže približno nekom pravcu onda uradi tako kako si radio,a podjeli sa N.To je zato što imaš N odstupanja ,a treba ti prosjek od njih .Napiši tu odluku u riješenju,svojim riječimaneboj se.Da si petljao s nekim međuvrijednostima između susjednih tačaka imao bi takvih N-1,a onda bi i prosjek išao na taj broj.

OK, hvala na pomoci.

Ove formule za izracun varijanci imam zapisano u matricnom obliku pa mi je sve to totalno nejasno,

Referentna varijanca(So^2) koja daje informiaciju o valjanosti funkcije modela, jednaka je srednjem kvadratnom odstupanju y od Y(y je prava f-k a Y model)
Matrica varijanci-kovarijanci vektora nepoznanica "a" je:

Sa^2=So^2*Q (a i o su indexi)
Q-matrica varijanci-kovarijanci

Dijagonalni clanovi te matrice predstavljaju varijancu pojedinih elemenata vektora "a" a vandijagonalni kovarijancu medju elementima.

Sak^2=So^2*Qkk( ak, o, kk indexi) ->varijanca elementa ak
Saj,ak^2=So^2*Qjk( aj,ak, o, jk indexi) ->kovarijanca elemenata aj i ak


E sad iz gore navedene definicije So^2 meni se cini da je to upravo ono sto sam ja izracunao, odnosno sto je zzzz rekao
a trazi mi se Sak, (Srednje kvadratno ostupanje parametra a) Zar ne? Pa bi trebo So^2 mnotziti sa Qkk

Problem je sto ja ne znam ovde sto je meni sad ta matrica varijanci-kovarijanci ovde, kako ju dobit iz tablice